2.2.1 Spørreskjema
Svarene fra spørreskjemaet ble eksportert til en.xlsx-fil, som deretter ble ˚apnet i Microsoft Excel.
Det ble deretter brukt enkle verktøy som sortering av kolonner og laging av diagrammer til ˚a analysere svarene kvantitativt. Det ble ogs˚a gjort enkle frekvensanalyser av hvor ofte forskjellige svaralternativ ble gjort. For ˚a sjekke signifikansen til forskjeller i respondentenes svar ble det utført enχ2-analyse i samarbeid med veileder.
De ˚apne spørsm˚alene ble sett gjennom, og det ble manuelt talt opp hvor mange som svarte forskjellige kanaler de fulgte.
2.2.2 Transkribering
Før selve analysen kunne gjennomføres ble intervjuene transkribert. ˚A transkribere betyr ˚a overføre tekst fra en form til en annen, i v˚art tilfelle blir det da fra muntlig, i form av lydopptak, til skriftlig.
Dette gjør det enklere ˚a kode og analysere, men det er ikke uten ulemper. B˚ade verbale og nonverbale nyanser forsvinner n˚ar en overfører samtale til tekst. Eksempler p˚a dette kan være kroppsspr˚ak, toneleie og andre nyanser i stemmebruken til intervjuobjektene. Det kan derfor være fordelaktig ˚a knytte transkriptet opp mot lydopptaket n˚ar en koder for ˚a kunne høre p˚a utsagnene og da kunne bruke stemmebruken til elevene i analysen.
Til transkripsjonen ble programmetHyperTRANSCRIBEfor MacOS benyttet. Dette er et enkelt program for transkripsjon, men gir muligheten for ˚a legge inn tidskoder som kan utnyttes senere i programmer for koding. Transkripsjonen ble gjort verbatim. Dette vil si at selv ord og utsagn som ikke var grammatisk korrekt ble transkribert slik de ble sagt. Dette ble gjort for ˚a unng˚a ˚a forandre meningen i utsagn. Kvale (2007) skriver at dersom analysen av transkripsjonen skal kategorisere den allmenne betydningen av det som blir sagt, kan det være ønskelig med enkelte redigeringer av transkripsjonen. Jeg valgte likevel ˚a gjøre transkripsjonen s˚a ordrett som mulig for ˚a ikke miste noen nyanser. Jeg har likevel valgt ˚a gjøre veldig sm˚a endringer i utvalgte sitater i resultatkapittelet, for
˚a bedre lesbarheten uten ˚a endre meningen.
2.2.3 Tematisk analyse
Under analysen av intervjuene brukte jeg metoden tematisk analyse (Braun & Clarke, 2006). Te-matisk analyse er en metode bruktfor ˚a identifisere, analysere og rapportere mønster (temaer) i data.(Braun & Clarke, 2006, s.79; min oversettelse). Braun og Clarke beskriver en seksfasers guide til hvordan en bruker tematisk analyse, disse fasene er: (1) bli kjent med dataene dine, (2) lage de første kodene, (3) lete etter temaer, (4) gjennomg˚a temaene, (5) definere og navngi temaene og (6) produsere rapporten.
Fysikk p˚a YouTube
Den første fasen startet allerede under transkripsjonen av fokusgruppeintervjuene. Under tran-skripsjonen blir dataene hørt over flere ganger og skrevet ned. Dette gjør at en blir godt kjent med hva en har av data. Under den neste fasen starter man ˚a g˚a gjennom transkripsjonen og kode sekvenser etter hva det blir snakket om. En g˚ar deretter, i fase tre, gjennom kodene og sorterer dem inn i større temaer.
Fase fire g˚ar ut p˚a at en, etter ˚a ha lagd temaer, g˚ar gjennom disse p˚a ny for ˚a revidere dem.
Noen temaer kan vise seg ˚a ikke egentlig være et tema, for eksempel ved ˚a ikke ha nok datautdrag som g˚ar inn under temaet. I denne fasen blir gjerne temaer sl˚att sammen eller delt opp i flere. I fase fem blir temaene en har satt etter fase fire, bedre definerte ved ˚a gi dem korrekte og forklarende navn og definisjoner. Fase seks dreier seg om ˚a produsere den endelige rapporten av undersøkelsen en har gjort etter at temaene er satt.
2.2.4 Koding og kategorisering
Til kodingen og kategoriseringen ble programmetAtlas.tibrukt. En oversikt over temaene brukt i studien sammen med de mest brukte kodene i temaene med eksempler p˚a sitater er presentert i tabell 2.5. Noen av temaene (’Fysiker’, ’Diskusjon om fysikk’ og ’Video vs. vanlig undervisning’) inneholdt kun ´en kode, men var fortsatt viktige for resultatene. Sitatene presentert i tabellen er ikke nødvendigvis kodet med kun koden som det brukes som eksempel p˚a, og er i de fleste tilfeller kodet med flere koder.
Tabell 2.5: De mest brukte temaene, med eksempler p˚a koder og sitater, brukt i denne studien
Tema Kode Eksempel p˚a sitat
Læring Lettere ˚a forst˚a Det er bedre ˚a forst˚a n˚ar en person st˚ar der og forklarer enn
˚a lese akkurat det samme da. Da f˚ar du mer s˚ann praktisk, for det er ofte s˚ann figurer og s˚ann som blir tegna p˚a tavla og s˚ant. S˚ann at, liksom, det gjør det mer visuelt da, og det er bedre ˚a forst˚a det n˚ar det er visuelt
Oppsummering For jeg føler at de to siste videoene ville vært mer s˚ann oppsummeringsvideo av noe jeg kunne fra før. Ikke noe nytt Indre
motivasjon
Kult Men det var kult ˚a se p˚a liksom, jeg følte ikke at jeg lærte s˚a mye om hvorfor ting skjedde
Spennende Men ˚a liksom vite hva som f˚ar ballen til ˚a faktisk skyte fremover, det kan være spennende
Interessant Synes egentlig det var litt interessant, underholdene. Eehm, definitivt bedre enn ˚a sitte og lese om boblefysikk i en bok, men, ja
Motivasjon Motivasjon Jeg synes ogs˚a den med basketballen ga mest motivasjon, men man føler at den siste is˚afall bare er s˚ann du ser p˚a hvis du ikke forst˚ar noe
Mer motivert Blir mer motivert til ˚a lære fysikk n˚ar det er eksempler, s˚ann her type eksempler blannet inn da
Demotiverende Jeg synes eneren, eneren var litt s˚ann demotiverende. Jeg følte den var, for jeg følte den var litt s˚ann...
Fortsetter p˚a neste side
28 Kapittel 2
Tabell 2.5: Fortsettelse fra forrige side
Tema Kode Eksempel p˚a sitat
Like Likte best Men jeg tror jeg likte den, nummer tre, best
Likte ikke Nei, jeg synes ikke den var s˚a ˚alreit. S˚a jeg følte at det var ikke s˚ann relevant liksom, skjønte ikke hva jeg skal med den informasjonen
Kostnad Kjedelig ..., men hvis du skal ha inn masse fakta og masse tall, s˚a kan det bli kjedelig
Ikke spennende Ikke spesielt spennende, nei
Fysiker Fysiker Det virket liksom mer som han var fysiker, mens jeg tenkte at hun forrige var kanskje en reporter da, som hadde lært alt stoffet....
Diskusjon om fysikk
Diskusjon om fysikk
Person 5: Er det s˚ann du gjør i basket, at det er s˚ann.
Person 4: Jeg tror ikke det er.
Person 3: Er det derfor dere spinner ballen?
Person 2: Ja, det er fysikken i basket, vet du.
Person 4: Nei, tror ikke det. Nei, det er for n˚ar den treffer kanten s˚a er det lettere at den spretter inn, hvis du spinner den.
Person 5: ˚Aja, okay.
Video vs.
vanlig undervisning
Video vs. vanlig undervisning
Jeg kan se for meg at hvis jeg skulle velge mellom ˚a ha en video, eller læreren viste foran meg, liksom i en time da, ˚a enten ha læreren til ˚a forklare meg det eller se videoen, s˚a tror jeg egentlig jeg ville ha foretrukket lærer.
Kapittel 3
Resultater
Magne: Jeg tror jeg har blitt litt mer interessert i...
Siv: Ja, jeg ble mer interessert i det.
Magne: ... i fysikk, ved ˚ a se p˚ a YouTube og s˚ ann.
Intervju 2, Skole A
I dette kapittelet presenterer jeg resultatene b˚ade fra spørreskjemaet sendt ut til fysikkelever og fokusgruppeintervjuene gjort med elever i fysikk 1. Resultatene fra spørreskjemaet blir presentert først før resultater fra intervjuene blir trukket inn og presentert. Det blir presentert resultater som omhandler hvordan elevenes bruk av fysikkrelatert innhold p˚a YouTube er karakterisert, hva som gjør at elevene synes en video er god og hvordan elevene selv ønsker at en skal bruke slike YouTubevideoer.
For ˚a bevare anonymiteten til informantene brukt i studien er alle navn i sitater fra intervjuene pseudonymer.
3.1 Hvor ofte elever bruker fysikkrelatert innhold p˚ a YouT-ube
Ett av spørsm˚alene i spørreskjemaet sendt ut til fysikkelever var: ’Omtrent hvor mange ganger har du sett p˚a fysikkrelaterte videoer p˚a YouTube den siste m˚aneden?’ Fordelingen av svarene til alle elevene er presentert i tabell 3.1 mens forskjellen i hvordan gutter og jenter svarer p˚a spørsm˚alet er vist i figur 3.1. Blant svaralternativene gitt i spørreundersøkelsen er det flest elever som svarer at de ser p˚a fysikkrelatert innhold p˚a YouTube mellom 2 og 4 ganger i m˚aneden, men sl˚ar vi sammen svaralternativene ’5 til 10 ganger’ og ’Flere’, f˚ar vi at 33.3% av elevene svarer dette, som er omlag like mange som svarer ’2 til 4 ganger’.
Elevene ble ogs˚a spurt spørsm˚alet ’Følger du jevnlig noen fysikkrelaterte YouTubekanaler? I s˚afall hvilke?’. P˚a dette spørsm˚alet er det 103 elever som svarer at de følger en slik kanal. Det var 210 elever som svarte p˚a undersøkelse, som betyr at omlag halvparten av elevene i studien følger jevnlig en fysikkkanal.
30
Tabell 3.1: Fordeling av svar p˚a spørsm˚alet: ’Omtrent hvor mange ganger har du sett p˚a fysikkre-laterte videoer p˚a YouTube den siste m˚aneden?’
Hvor ofte Ingen 1 gang 2 til 4 ganger 5 til 10 ganger Flere Andel elever 12.4% 20% 34.3% 15.7% 17.6%
Ingen 1gang
2til4ganger 5til
10
ganger Flere 10
20 30 40
Andelavelever[%]
Gutter Jenter Totalt
Figur 3.1: Fordeling av svar p˚a spørsm˚alet: ’Omtrent hvor mange ganger har du sett p˚a fysikkre-laterte videoer p˚a YouTube den siste m˚aneden?’ Vist som hvor stor andel av elevene som ha de forskjellige svarene