Analisi qualitativa delle griglie di repertorio: Clustering Interpretativo

1. Introduzione

In occasione della conferenza EPCA (European Personal Construct Association) a Edimburgo (2018) abbiamo presentato il materiale del nostro progetto di ricerca, allora ancora in corso, che utilizzava le griglie di repertorio per esplorare l’interpretazione degli spazi esterni da parte delle persone. Nell’esaminare i nostri dati, abbiamo sviluppato un metodo per l’analisi qualitativa delle griglie. Le griglie sono prevalentemente analizzate quantitativamente, utilizzando software per computer, ma in questo articolo introdurremo un metodo qualitativo per elaborarle che abbiamo chiamato “Clustering Interpretativo”, un’estensione del metodo di “Elaborazione visiva” descritto da Stewart e Stewart (1981). Presentiamo il Clustering Interpretativo allo scopo di ottenere dei commenti da parte di accademici e professionisti, sia sul processo che sulla potenziale utilità di questa forma di analisi (è possibile trovare i nostri contatti alla fine di questo articolo). Siamo interessati a ricevere commenti sul metodo di analisi piuttosto che suggerimenti rispetto a possibili revisioni del presente articolo.

I ricercatori affermano spesso di utilizzare in maniera qualitativa le griglie di repertorio, ma all’atto pratico questo spesso significa un’analisi del contenuto dei costrutti elicitati, solitamente seguita da un’analisi quantitativa dei dati della griglia stessa. Jankowicz (2004) descrive un processo per esaminare il contenuto, poi adottato in precedenti ricerche che riportano analisi qualitative delle griglie di repertorio. Per esempio, Kreber e Klampfleitner (2013) hanno utilizzato questo metodo per trarne delle tematiche a partire da costrutti elicitati relativamente all’efficacia degli insegnanti percepita da docenti e studenti; Home et al. (2007) lo hanno utilizzato per analizzare i costrutti relativi agli spazi verdi urbani.

Riteniamo che il Clustering Interpretativo offra un’analisi autenticamente qualitativa dei dati della griglia e, pertanto, costituisca un’utile aggiunta ai metodi di ricerca sia per ricercatori e professionisti della Psicologia dei Costrutti Personali, che per la ricerca qualitativa più in generale. Inoltre, rispetto ad altri metodi di indagini qualitative, come l’analisi tematica (ad esempio, Braun & Clarke, 2006), il Clustering Interpretativo rappresenta probabilmente un approccio più guidato dal partecipante, rendendo l’analisi più fedele ai significati della persona stessa.

I costrutti sono considerati parte di un più ampio sistema di creazione di significato; sono spesso correlati tra loro in modo che se la persona interpreta una situazione come impegnativa è anche molto probabile che la veda come provocatrice di ansia e anche minacciosa. Questo è ciò che intendiamo con costruzione costellatoria: se la persona vede qualcosa nei termini di un costrutto, è probabile che lo veda anche nei termini di altri costrutti correlati.

Questa relazione tra i costrutti è molto preziosa nella pratica clinica. Ad esempio, una persona può vedere gli altri in termini di costrutti quali aiuta gli altri vs egoista e si fa usare dagli altri vs assertivo. Se però questi costrutti fossero correlati nel suo sistema, la persona potrebbe avere delle difficoltà a diventare più assertiva perché questo implicherebbe per lei anche diventare più egoista. Questa relazione di costrutti è utile nella pratica clinica ed è anche preziosa per il ricercatore qualitativo, poiché arricchisce ed estende la nostra comprensione dell’esperienza della persona.

2. Griglie di repertorio e cluster di costrutti

Le griglie di repertorio consentono al ricercatore di esaminare quali costrutti il partecipante applica a un particolare regno dell’esperienza e come questi costrutti sono correlati tra loro. La Tabella 1 mostra un semplice esempio di griglia di repertorio.

Tab. 1. Una semplice griglia di repertorio che utilizza le barrette di cioccolato come elementi.

In questo caso le barrette di cioccolato sono state utilizzate come elementi ed è stata scelta una scala di valutazione a 5 punti come metodo di punteggio. Per ciascun costrutto, un punteggio di 5 rappresenta la colonna a sinistra, polo preferito, e un punteggio di 1 rappresenta la colonna a destra, polo non preferito; il polo preferito è il polo del costrutto che il partecipante afferma che di solito sceglierebbe. Ai partecipanti è stato chiesto di considerare ogni costrutto a turno e di applicarlo a ciascun elemento, scegliendo in ogni caso un numero compreso tra 1 e 5 per rappresentare quanto sentivano che l’elemento si trovasse lontano da un polo o dall’altro del costrutto.

Le griglie sono state principalmente analizzate per esaminare come i costrutti siano correlati o raggruppati insieme. I costrutti sono correlati tra loro nella misura in cui mostrano modelli simili di valutazione tra gli elementi, ovvero vengono applicati agli elementi in modi simili. Solitamente viene utilizzata una qualche forma di analisi fattoriale per esplorare come i costrutti si raggruppano insieme. Semplicemente ispezionando visivamente la griglia nella Tab. 1, si può osservare che due elementi, lo Snickers e il Lion Bar, sono più strettamente correlati alla barretta ideale della persona e il Milk Way lo è meno. Inoltre, gli schemi dei punteggi per gli ultimi tre costrutti sono molto simili; quindi, per questo partecipante i costrutti soddisfacente vs ancora affamato, gommoso vs non gommoso e solido vs inconsistente sono correlati tra loro e formano un raggruppamento di costrutti o costellazione.

Tuttavia, a volte non è fattibile o desiderabile utilizzare analisi statistiche per esaminare i cluster di costrutti. Queste diventano meno affidabili quando vengono utilizzati relativamente pochi elementi (meno di 12) per ottenere i costrutti, ma un ricercatore potrebbe scegliere di utilizzare un numero minore di elementi nel momento in cui desidera esplorare in profondità la costruzione del partecipante come parte di un colloquio qualitativo. Le analisi sono anche meno affidabili quando vengono utilizzati diversi elementi con partecipanti diversi, come abbiamo fatto nella nostra ricerca; ancora una volta questa potrebbe essere una scelta del ricercatore qualitativo quando si vuole che il partecipante scelga con quali elementi valutare i propri costrutti. C’è anche un certo dibattito sul fatto che i vari programmi per l’analisi delle griglie producano risultati psicologicamente significativi o affidabili (Bell, 2018). Il metodo del Clustering Interpretativo descritto di seguito consente al ricercatore di considerare un numero di possibili cluster di costrutti di un partecipante e di interpretarli utilizzando il materiale dell’intervista raccolto durante il processo di elicitazione dei costrutti. Illustreremo ora il metodo, utilizzando i dati della nostra ricerca sul significato degli spazi esterni.

3. Utilizzo del Clustering Interpretativo per esplorare il significato degli spazi esterni

Tredici partecipanti sono stati intervistati utilizzando le griglie di repertorio. Gli elementi erano immagini di una serie di spazi esterni (alcuni urbani, altri rurali o selvaggi e altri misti) e i costrutti sono stati ottenuti utilizzando il metodo triadico. Per ogni costrutto è stato individuato il polo preferito del partecipante ed è stato utilizzato un semplice sistema di punteggio binario (spunte V e crocette X) per completare le griglie. Gli elementi che erano fuori dal campo di pertinenza di un costrutto sono stati valutati con uno zero.

Di seguito è riportato un resoconto dettagliato di come abbiamo condotto l’analisi, utilizzando esempi di questa ricerca.

3.1. Passo 1

Per semplificare i primi passaggi dell’analisi, abbiamo numerato i costrutti in ciascuna griglia, per evitare di dover inserire i titoli completi dei costrutti in ogni fase.

3.2. Passo 2

La prima decisione riguarda la scelta di quale indicatore accettare per definire se un costrutto è correlato a un altro. Nel caso della nostra ricerca avevamo 7 elementi nelle nostre griglie e inizialmente abbiamo deciso che due costrutti dovessero dare risposte identiche su 5 dei 7 elementi. Abbiamo ritenuto che accettare meno di 5 corrispondenze avrebbe reso il confronto troppo vicino ai livelli casuali, ma insistere su 6 o 7 corrispondenze avrebbe potuto essere così rigoroso da eliminare relazioni potenzialmente importanti. Abbiamo sperimentato l’utilizzo di entrambi i criteri nella nostra ricerca, anche se l’accettazione di più di 5 abbinamenti a volte ha portato a un gran numero di cluster difficili da interpretare per alcuni partecipanti. D’altra parte, l’utilizzo di più di 6 corrispondenze implicava che, per alcuni partecipanti, non venivano identificati i cluster. Ci potrebbe essere una buona argomentazione per variare leggermente il criterio tra i partecipanti, al fine di semplificare i cluster per le griglie dei partecipanti in cui vi è una grande interrelazione e per assicurarsi che questo venga colto per i partecipanti dove questa è molto meno pronunciata, ma comunque evidente. L’analisi nei passi seguenti si basa su un criterio di 6 o 7 corrispondenze. È stato stabilito questo criterio poiché molti dei nostri partecipanti hanno dimostrato una notevole quantità di interconnessione nelle loro griglie e utilizzare più di 5 corrispondenze ha portato a un quadro molto complesso che era difficile da interpretare.

3.3. Passo 3

Per ogni griglia, abbiamo prodotto una matrice che mostra il numero di corrispondenze tra ciascun costrutto. Ciò ha comportato il confronto di ogni costrutto con ognuno dei costrutti della griglia, e il conteggio, per ogni coppia, del numero di elementi in cui c’è una risposta identica (ad esempio dove gli elementi sono posti al polo preferito o non preferito di entrambi i costrutti). La Tabella 2 mostra la matrice per uno dei nostri partecipanti, Richard, al quale abbiamo fatto elicitare 17 costrutti. Sono stati usati solo i numeri di costrutto, piuttosto che i titoli completi.

Tab. 2. Matrice di Richard

N.B. Le celle nella tabella mostrano il numero di elementi per i quali vi è corrispondenza in ciascuna coppia di costrutti. Perciò, ad esempio, il Costrutto 1 ha quattro elementi in comune con il Costrutto 2, zero con il Costrutto 3, sei con il Costrutto 4 e così via.

Le corrispondenze potrebbero essere due spunte o due crocette (“zero” significa che il costrutto non può essere applicato in modo significativo a quell’elemento, quindi non avrebbe senso contare due zero come corrispondenza). È stato importante tenere a mente che i costrutti possono essere correlati negativamente, e che quindi il polo preferito di un costrutto può essere correlato al polo non preferito di un altro. Queste relazioni negative possono indicare tensioni e contraddizioni all’interno del sistema di costruzione della persona. Quindi, esaminando le coppie di costrutti, abbiamo anche identificato eventuali coppie in cui si verificava tale relazione. Abbiamo poi cercato coppie di costrutti in cui c’erano 6 o 7 non corrispondenze, cioè 1 o zero corrispondenze. La Tabella 3 illustra questo, confrontando i modelli di risposta su due costrutti dalle griglie per i partecipanti Harry e Sylvia.

Tab. 3. Confronto delle coppie di costrutti di Harry e Sylvia

I costrutti di Harry sono correlati positivamente perché sono corrispondenti su tutti e 7 gli elementi. I costrutti di Sylvia sono correlati negativamente perché ci sono non corrispondenze su 6 elementi su 7.

3.4. Passo 4

Il passo successivo consiste nel creare un elenco, per ciascuno dei costrutti di un partecipante, di tutti i costrutti con i quali ha il numero richiesto di corrispondenze positive o negative, nel nostro caso 6 o 7. La Tabella 4 mostra come esempio la lista delle corrispondenze dei costrutti per tre dei diciassette costrutti di Sylvia.

Tab. 4. Lista dei costrutti per 3 dei costrutti di Sylvia

3.5. Passo 5

Successivamente, abbiamo identificato dei cluster di costrutti da ciascuna delle liste compilate nel Passo 4. Ciò che è possibile considerare come un cluster è aperto alla discussione e all’accordo dei ricercatori: nella nostra ricerca abbiamo deciso che un cluster era un gruppo di almeno 3 costrutti tutti correlati tra loro, cioè che presentavano tutti 6 o 7 corrispondenze con ciascuno degli altri elementi del cluster. Questo è stabilito controllando ogni costrutto di una lista rispetto a tutti gli altri in quell’elenco e conservando solo quelli che sono correlati agli altri; una lista può generare diversi possibili cluster che coinvolgono diverse combinazioni di costrutti. L’attività viene ripetuta per ogni elenco di costrutti finché non vengono identificati tutti i possibili cluster.

3.6. Passo 6

Il processo descritto nel Passo 5 produce inevitabilmente repliche e sovrapposizioni; quindi, abbiamo poi esaminato tutti i cluster identificati da una griglia ed eliminato quelli che erano identici o in cui tutti i costrutti di un cluster erano già contenuti all’interno di un altro cluster più grande. I cluster dei costrutti rimanenti vengono quindi codificati come se fossero tutti i cluster di quel partecipante. La lista finale dei cluster per Sylvia è mostrata nella Tabella 5, e una rappresentazione visiva (simile a un diagramma di Venn) delle relazioni tra questi cluster è mostrata nella Figura 1. Abbiamo trovato tali rappresentazioni visive molto utili per mostrare il livello e la complessità delle interrelazioni tra i cluster.

Tab. 5. Cluster di Sylvia

Fig. 1. Cluster di Sylvia

3.7. Passo 7: interpretazione

Questo è il punto in cui il ricercatore interpreta i cluster, e quindi ricercatori diversi possono fare interpretazioni piuttosto diverse così come accade con altre forme di analisi qualitativa. Nel caso di Sylvia ci sono tre cluster, uno dei quali si sovrappone parzialmente agli altri due. Come si può vedere, c’è un’interessante relazione tra accogliente vs caotica e gli altri costrutti nel suo primo gruppo. Mentre accogliente è il polo preferito di Sylvia, accogliente vs caotico è negativamente correlato a molti altri costrutti in cui sono preferiti la natura selvaggia, un enorme senso di spazio e libertà (in opposizione al controllo, al contenimento e alla convenzionalità). Questa sembra essere un’area di tensione nel sistema di costruzione di Sylvia. Da un lato, sembra attratta dalla natura selvaggia, dalla libertà e dagli spazi enormi, da spazi che non sono vincolati, chiusi o piuttosto banali (e forse dove anche le persone non sono vincolate). D’altra parte, questi spazi sono forse a volte troppo caotici per lei e vuole la sicurezza che viene dell’essere accogliente. Tali problemi potrebbero essere potenzialmente esplorati con Sylvia in un’intervista successiva. La natura selvaggia, la libertà e un enorme senso dello spazio sono anche in una relazione positiva con verdeggiante vs morto, niente che fiorisce, formando un altro cluster. Ciò suggerisce che per Sylvia tali spazi sono associati alla vita (piuttosto che alla morte), dove le cose (piante e umani?) sono libere di prosperare. Il gruppo finale include anche verdeggiante vs morto, niente che fiorisce, questa volta raggruppato con emozionante, molto attivo vs piatto, invariabile, depresso, privo di energia; drammatico vs invariabile, continua all’infinito e variabile vs non cambia. In questo cluster, il dramma e l’eccitazione di alcuni spazi sono associati all’essere verdeggiante attraverso la loro variabilità, forse attraverso il cambiamento costante che è coinvolto nelle cose che crescono e prosperano.

4. Conclusioni

Il metodo che abbiamo descritto qui è certamente dispendioso in termini di tempo; confrontare tutte le coppie di costrutti per identificare quelle che sono correlate può essere un processo lungo, specialmente se ci sono molti costrutti nella griglia e numerosi partecipanti. Alcuni di questi processi manuali potrebbero essere potenzialmente informatizzati e stiamo attualmente cercando di sviluppare un semplice programma per farlo, che potrebbe essere disponibile in open-access. Tuttavia, nonostante la sua natura dispendiosa in termini di tempo, riteniamo che il Clustering Interpretativo offra un’aggiunta innovativa al repertorio di metodi per la ricerca qualitativa per due motivi principali.

In primo luogo, il Clustering Interpretativo non svolge la stessa funzione dell’analisi tematica, la forma più popolare di analisi qualitativa, e quindi aggiunge potenzialmente un altro livello di comprensione ai dati. I dati delle interviste a griglia possono essere analizzati tematicamente, all’interno o tra casi diversi, evidenziando questioni chiave, somiglianze e differenze. Ma la tematizzazione e il raggruppamento non sono modi diversi di raggiungere gli stessi fini analitici: mentre un’analisi tematica mira a dare un senso a un set di dati estraendo somiglianze e differenze, il Clustering Interpretativo identifica le implicazioni che i costrutti hanno l’uno con l’altro. Per Sylvia, i costrutti strettamente correlati di emozionante, molto attivo vs piatto, invariabile, depresso, privo di energia; drammatico vs invariabile, continua all’infinito e variabile vs non cambia non costituiscono tre diversi casi della stessa idea o esperienza (come in un tema). Piuttosto, per lei variabile implica anche emozionante e drammatico; quindi, se un ambiente è interpretato da lei come variabile, è probabile che sia anche visto come emozionante e drammatico.

In secondo luogo, si tratta di un’analisi particolarmente guidata dai partecipanti. Ciò non significa che il partecipante sia attivamente coinvolto nella produzione dell’analisi, ma piuttosto che il processo interpretativo è radicato nella costruzione del partecipante. In altre forme di analisi qualitativa, come vari tipi di analisi tematiche, il ricercatore tenta analogamente di rimanere “vicino ai dati” nelle prime fasi della codifica: questo significa cercare di rimanere fedeli al significato del partecipante e cercare di non interpretare eccessivamente i dati. Tuttavia, l’interpretazione guidata dal ricercatore si verifica inevitabilmente sia all’inizio come durante tutto il processo di analisi. Ad esempio, il ricercatore decide quali sezioni di testo sono rilevanti per la domanda di ricerca e quindi da considerare per la codifica, definisce poi i codici, raggruppandoli in temi e così via. Al contrario, completando la griglia di repertorio, i partecipanti stessi raccontano implicitamente al ricercatore come i loro costrutti sono correlati tra loro, sebbene potrebbero avere difficoltà nel farlo se venisse loro richiesto. Derivando cluster di costrutti dai dati, il ricercatore rimane probabilmente fedele alla struttura della costruzione del partecipante e ritarda l’interpretazione guidata dal ricercatore fino alla fase finale dell’analisi.

Saremo lieti di ricevere i vostri commenti su questo articolo: inviateci un’e-mail a v.burr@hud.ac.uk e n.king@hud.ac.uk.

Bibliografia

Bell, R. (2018). Why do we use repertory grids? Paper presentato alla XIV Conferenza Bienniale dell’European Personal Construct Association, Edimburgo, UK.

Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative Research in Psychology, 3(2), 77–101. doi: 10.1191/1478088706qp063oa

Home, R., Bauer, N., & Hunziker, M. (2007). Constructing urban green spaces: an application of Kelly’s repertory grid. Tourism Review, 62(3/4), 47-52. doi: 10.1108/16605370780000321

Jankowicz, D. (2004). The Easy Guide to Repertory Grids. Chichester: John Wiley & Sons.

Kreber, C., & Klampfleitner, M. (2013). Lecturers’ and students’ conceptions of authenticity in teaching and actual teacher actions and attributes students perceive as helpful. Higher Education, 66, 463-487. doi: 10.1007/s10734-013-9616-x

Stewart, V., & Stewart, A. (1981). Business Applications of Repertory Grids. London: McGraw-Hill.

Note sugli autori

Viv Burr

Dipartimento di Psicologia, Università di Huddersfield, UK

v.burr@hud.ac.uk

Viv Burr è professoressa di Psicologia Critica all’Università di Huddersfield, nel Regno Unito. È nota principalmente per il suo libro Social Constructionism (3^a edizione, 2015), ma ha anche pubblicato ampiamente nel campo della Psicologia dei Costrutti Personali ed è autrice di Invito alla psicologia dei costrutti personali (2^a edizione 2004, con Trevor Butt.) È particolarmente interessata al potenziale dei metodi PCP per i ricercatori qualitativi, e nelle sue ricerche precedenti ha applicato questi metodi ad argomenti come lo sviluppo della riflessività negli studenti di assistenza sociale (con Nigel King) e l’esplorazione di percezioni cross-culturali (con Trevor Butt e Massimo Giliberto). Con Nigel King è attualmente impegnata in un progetto di ricerca qualitativa che utilizza i metodi PCP per esplorare come le persone interpretano una serie di ambienti naturali e urbani.

Nigel King

Dipartimento di Psicologia, Università di Huddersfield, UK

n.king@hud.ac.uk

Nigel King è professore di Psicologia Applicata presso l’Università di Huddersfield, nel Regno Unito. È da molto tempo interessato ai metodi per la ricerca qualitativa applicata ed è noto per il suo lavoro sullo stile di analisi dei modelli di analisi tematica. Più recentemente ha sviluppato un interesse per l’uso dei diagrammi guidati dai partecipanti nelle interviste qualitative, inclusa la tecnica Pictor che ha sviluppato con i colleghi di Huddersfield. È autore di Interviews in Qualitative Research (con Christine Horrocks e Jo Brooks; 2^nd ed., Sage, 2018) e Template Analysis for Business and Management Students (con Jo Brooks; Sage, 2017).

Note

1. Ringraziamo gli editori della rivista Personal Construct Theory & Practice e gli autori per aver gentilmente concesso la traduzione dell’articolo. L’originale è disponibile al link: http://www.pcp-net.org/journal/pctp19/burr19.pdf. Burr, V., & King, N. (2019). Qualitative analysis of repertory grids: Interpretive Clustering. Personal Construct Theory & Practice, 16, 1-9. ↑