프레임워크 방법을 사용하여 다분야 보건연구에서 질적자료 분석하기(BMC Med Res Methodol. 2013)

프레임워크 방법을 사용하여 다분야 보건연구에서 질적자료 분석하기(BMC Med Res Methodol. 2013)
Using the framework method for the analysis of qualitative data in multi-disciplinary health research
Nicola K Gale1*, Gemma Heath2, Elaine Cameron3, Sabina Rashid4 and Sabi Redwood2

 

질적 데이터의 관리 및 분석을 위한 프레임워크 방법은 1980년대부터 사용되어 왔습니다[1]. 이 방법은 대규모 사회 정책 연구에서 시작되었지만 의료 및 보건 연구에서도 점점 더 대중적인 접근법이 되고 있지만, 그 잠재적 적용과 한계에 대해 약간의 혼란이 있습니다. 이 글에서는 프레임워크 방법을 사용하는 것이 적절한 시기와 다른 질적 분석 방법과 비교하는 방법에 대해 논의합니다. 특히 다학제 보건 연구팀에서 이 방법을 어떻게 사용할 수 있는지 살펴봅니다. 응용 보건 연구에서 다학제 및 혼합 방법 연구가 점점 더 보편화되고 있습니다. 간호학, 심리학, 사회학 등 질적 연구에 익숙한 분야뿐만 아니라 역학자, 보건 경제학자, 경영 과학자 등이 팀에 포함되는 경우가 많습니다. 또한 응용 보건 연구에는 종종 임상적 대표성이 있으며, 점점 더 많은 환자와 대중이 참여하고 있습니다[2]. 우리는 경험이 풍부한 질적 방법론자의 리더십이 의심할 여지없이 필요하지만, 더 넓은 팀의 비전문가도 분석 과정에 참여할 수 있고 참여해야 한다고 주장합니다. 그런 다음 프레임워크 방법의 적용에 대한 단계별 가이드를 제시하며, 프로세스의 주요 단계를 설명하기 위해 발표된 연구[3]의 작업 예시(추가 파일 1 참조)를 사용하여 설명합니다. 기술 용어는 용어집(아래)에 포함되어 있습니다. 마지막으로 이 접근 방식의 강점과 한계에 대해 논의합니다. 
The Framework Method for the management and analysis of qualitative data has been used since the 1980s [1]. The method originated in large-scale social policy research but is becoming an increasingly popular approach in medical and health research; however, there is some confusion about its potential application and limitations. In this article we discuss when it is appropriate to use the Framework Method and how it compares to other qualitative analysis methods. In particular, we explore how it can be used in multi-disciplinary health research teams. Multi-disciplinary and mixed methods studies are becoming increasingly commonplace in applied health research. As well as disciplines familiar with qualitative research, such as nursing, psychology and sociology, teams often include epidemiologists, health economists, management scientists and others. Furthermore, applied health research often has clinical representation and, increasingly, patient and public involvement [2]. We argue that while leadership is undoubtedly required from an experienced qualitative methodologist, non-specialists from the wider team can and should be involved in the analysis process. We then present a step-by-step guide to the application of the Framework Method, illustrated using a worked example (See Additional File 1) from a published study [3] to illustrate the main stages of the process. Technical terms are included in the glossary (below). Finally, we discuss the strengths and limitations of the approach.

프레임워크 방식에 사용되는 주요 용어 용어집
Glossary of key terms used in the Framework Method

• 분석 프레임워크: 분석에 참여하는 연구자들이 공동으로 개발한 카테고리로 구성된 일련의 코드로, 데이터를 관리하고 구성하는 데 사용할 수 있습니다. 프레임워크는 연구 질문에 답하는 데 도움이 되는 방식으로 데이터를 요약/축소하는 데 도움이 되는 새로운 데이터 구조(참가자가 제공한 전체 원본 설명이 아닌)를 생성합니다.
  Analytical framework: A set of codes organised into categories that have been jointly developed by researchers involved in analysis that can be used to manage and organise the data. The framework creates a new structure for the data (rather than the full original accounts given by participants) that is helpful to summarize/reduce the data in a way that can support answering the research questions.
• 분석 메모: 특정 개념, 주제 또는 문제에 대한 서면 조사로, 분석 프로세스를 포착하는 데이터의 새로운 이슈를 반영합니다(추가 파일 1, 섹션 7 참조).
  Analytic memo: A written investigation of a particular concept, theme or problem, reflecting on emerging issues in the data that captures the analytic process (see Additional file 1, Section 7).
• 카테고리: 분석 과정에서 코드는 유사하고 상호 연관된 아이디어 또는 개념을 중심으로 클러스터로 그룹화됩니다. 카테고리와 코드는 일반적으로 분석 프레임워크에서 트리 다이어그램 구조로 배열됩니다. 카테고리는 원시 데이터와 밀접하고 명시적으로 연결되어 있지만, 카테고리를 개발하는 것은 데이터를 추상화하는 프로세스를 시작하는 방법입니다(즉, 특정 또는 일화적인 것이 아니라 일반적인 것을 향해).
  Categories: During the analysis process, codes are grouped into clusters around similar and interrelated ideas or concepts. Categories and codes are usually arranged in a tree diagram structure in the analytical framework. While categories are closely and explicitly linked to the raw data, developing categories is a way to start the process of abstraction of the data (i.e. towards the general rather than the specific or anecdotal).
• 차트 작성: 요약된 데이터를 프레임워크 메서드 매트릭스에 입력합니다(추가 파일 1, 섹션 6 참조). 
  Charting: Entering summarized data into the Framework Method matrix (see Additional File 1, Section 6).
• 코드: '코딩'이라는 프로세스에서 원시 데이터의 발췌에 할당되는 설명적 또는 개념적 레이블입니다(추가 파일 1, 섹션 3 참조). 
  Code: A descriptive or conceptual label that is assigned to excerpts of raw data in a process called ‘coding’ (see Additional File 1, Section 3).
• 데이터: 정성적 데이터는 일반적으로 분석하기 전에 텍스트 형식이어야 합니다. 이러한 텍스트는 도출 텍스트(음식 일기 등 연구를 위해 특별히 작성된 텍스트) 또는 기존 텍스트(회의록, 정책 문서 또는 웹로그 등 기존 텍스트)일 수도 있고, 인터뷰 또는 포커스 그룹 데이터를 필사하거나 참여자 관찰을 수행하거나 대상 또는 사회적 상황을 관찰하면서 '현장' 노트를 작성하여 생성할 수도 있습니다.
  Data: Qualitative data usually needs to be in textual form before analysis. These texts can either be elicited texts (written specifically for the research, such as food diaries), or extant texts (pre-existing texts, such as meeting minutes, policy documents or weblogs), or can be produced by transcribing interview or focus group data, or creating ‘field’ notes while conducting participant-observation or observing objects or social situations.
• 색인화: 합의된 분석 프레임워크의 코드를 전체 데이터 세트에 체계적으로 적용하는 것입니다(추가 파일 1, 섹션 5 참조).
  Indexing: The systematic application of codes from the agreed analytical framework to the whole dataset (see Additional File 1, Section 5).
• 매트릭스: 스프레드시트에는 요약된 데이터를 코드(열)와 사례(행)별로 입력하는 수많은 셀이 포함되어 있습니다(추가 파일 1, 섹션 6 참조).
  Matrix: A spreadsheet contains numerous cells into which summarized data are entered by codes (columns) and cases (rows) (see Additional File 1, Section 6).
• 주제: 전체 데이터 집합 분석의 최종 결과물로, 데이터의 측면을 묘사하거나 설명하는 해석적 개념 또는 명제입니다. 테마는 사례 간 및 사례 내 비교를 통해 데이터 범주를 조사하여 명확하게 표현하고 개발합니다. 일반적으로 여러 범주가 각 테마 또는 하위 테마에 속합니다[3].
  Themes: Interpretive concepts or propositions that describe or explain aspects of the data, which are the final output of the analysis of the whole dataset. Themes are articulated and developed by interrogating data categories through comparison between and within cases. Usually a number of categories would fall under each theme or sub-theme [3].
• 트랜스크립트: 인터뷰나 대화와 같은 구두 상호 작용에 대한 축어적(단어 하나하나) 기록입니다.
  Transcript: A written verbatim (word-for-word) account of a verbal interaction, such as an interview or conversation.

12874_2012_991_MOESM1_ESM.docx

0.16MB

배경
Background

프레임워크 방법은 흔히 주제별 분석 또는 질적 콘텐츠 분석이라고 하는 광범위한 분석 방법군에 속합니다. 이러한 접근 방식은 정성적 데이터의 공통점과 차이점을 파악한, 다음 데이터의 여러 부분 간의 관계에 초점을 맞추어 주제를 중심으로 한 기술적 또는 설명적 결론을 도출하고자 합니다. 프레임워크 방법은 1980년대 후반 영국 국립사회연구센터의 질적 연구 부서의 연구자인 제인 리치와 리즈 스펜서에 의해 대규모 정책 연구에 사용하기 위해 개발되었습니다[1]. 현재는 건강 연구를 비롯한 다른 분야에서도 널리 사용되고 있습니다[3-12]. 요약된 데이터의 행(사례), 열(코드), '셀'로 구성된 매트릭스 아웃풋은 연구자가 데이터를 체계적으로 축소하여 사례별, 코드별로 분석할 수 있는 구조를 제공합니다[1]. 대부분의 경우 '사례'는 개별 인터뷰 대상자이지만, 미리 정의된 그룹이나 조직과 같은 다른 분석 단위에도 적용될 수 있습니다. 전체 데이터 세트에서 주요 주제에 대한 심층 분석이 이루어질 수 있지만, 각 연구 참여자의 견해는 매트릭스 내에서 해당 account의 다른 측면과 연결되어 있으므로 개인의 견해에 대한 맥락이 손실되지 않습니다. 데이터를 비교하고 대조하는 것은 질적 분석에 매우 중요하며, 프레임워크 방법의 구조와 프로세스에는 개별 사례 내뿐만 아니라 사례 간 데이터를 쉽게 비교할 수 있는 기능이 내장되어 있습니다. 
The Framework Method sits within a broad family of analysis methods often termed thematic analysis or qualitative content analysis. These approaches identify commonalities and differences in qualitative data, before focusing on relationships between different parts of the data, thereby seeking to draw descriptive and/or explanatory conclusions clustered around themes. The Framework Method was developed by researchers, Jane Ritchie and Liz Spencer, from the Qualitative Research Unit at the National Centre for Social Research in the United Kingdom in the late 1980s for use in large-scale policy research [1]. It is now used widely in other areas, including health research [3–12]. Its defining feature is the matrix output: rows (cases), columns (codes) and ‘cells’ of summarised data, providing a structure into which the researcher can systematically reduce the data, in order to analyse it by case and by code [1]. Most often a ‘case’ is an individual interviewee, but this can be adapted to other units of analysis, such as predefined groups or organisations. While in-depth analyses of key themes can take place across the whole data set, the views of each research participant remain connected to other aspects of their account within the matrix so that the context of the individual’s views is not lost. Comparing and contrasting data is vital to qualitative analysis and the ability to compare with ease data across cases as well as within individual cases is built into the structure and process of the Framework Method.

프레임워크 방법은 따라야 할 명확한 단계를 제공하며, 요약된 데이터의 고도로 구조화된 결과물을 생성합니다. 따라서 여러 연구자가 프로젝트를 진행하는 경우, 특히 모든 구성원이 질적 데이터 분석 경험이 없는 다학제 연구팀에서 전체 데이터 집합에 대한 총체적이고 설명적인 개요를 얻는 것이 바람직한 대규모 데이터 집합을 관리하는 데 유용합니다. 그러나 이 방법은 모든 유형의 정성적 데이터를 분석하거나 모든 정성적 연구 질문에 답하는 데 적합한 도구가 아니며, 정량적 연구자를 위한 '쉬운' 정성적 연구 버전도 아니므로 이 방법을 선택하기 전에 주의를 기울이는 것이 좋습니다. 중요한 점은 프레임워크 방법은 매우 이질적인 데이터를 수용할 수 없다는 것입니다. 즉, 데이터는 유사한 주제나 주요 이슈를 다루고 있어야 분류가 가능하다는 것입니다. 물론 개별 인터뷰 대상자는 각 주제와 관련하여 매우 다른 견해나 경험을 가지고 있을 수 있으며, 이를 비교하고 대조할 수 있습니다. 프레임워크 방법은 반구조화된 인터뷰 녹취록의 주제별 분석에 가장 일반적으로 사용되지만, 원칙적으로 회의록이나 일기[12], 관찰 현장 노트[10] 등 다른 유형의 텍스트 데이터[13]에도 적용될 수 있습니다.
The Framework Method provides clear steps to follow and produces highly structured outputs of summarised data. It is therefore useful where multiple researchers are working on a project, particularly in multi-disciplinary research teams were not all members have experience of qualitative data analysis, and for managing large data sets where obtaining a holistic, descriptive overview of the entire data set is desirable. However, caution is recommended before selecting the method as it is not a suitable tool for analysing all types of qualitative data or for answering all qualitative research questions, nor is it an ‘easy’ version of qualitative research for quantitative researchers. Importantly, the Framework Method cannot accommodate highly heterogeneous data, i.e. data must cover similar topics or key issues so that it is possible to categorize it. Individual interviewees may, of course, have very different views or experiences in relation to each topic, which can then be compared and contrasted. The Framework Method is most commonly used for the thematic analysis of semi-structured interview transcripts, which is what we focus on in this article, although it could, in principle, be adapted for other types of textual data [13], including documents, such as meeting minutes or diaries [12], or field notes from observations [10].

질적 연구자와 함께 일하거나 처음으로 질적 연구를 탐구하는 정량적 연구자에게는 프레임워크 방법의 체계적인 프로세스와 '스프레드시트' 접근 방식이 정량적 패러다임에 더 밀접하게 부합하는 것처럼 보이기 때문에 매력적으로 다가옵니다[14]. 프레임워크 방법은 다루기 어려워 보일 수 있는 정성적 데이터를 분류하고 정리하는 매우 체계적인 방법이지만, (분석 선택을 내리고 해석 전략을 가시화하고 감사할 수 있게 만드는 방법 등) 정성적 데이터 분석과 관련된 일반적인 문제에 대한 만병통치약은 아닙니다. 매트릭스를 적절하게 해석하고 설명, 범주, 설명 및 유형화를 용이하게 생성하기 위해서는 질적 연구 스킬이 필요합니다. 또한 다른 질적 방법에서와 마찬가지로 프레임워크 방법에서도 반성성, 엄격성 및 품질이 요구됩니다. 따라서 분석에 프레임워크 방법을 사용하는 연구는 숙련된 질적 연구자가 감독하는 것이 필수적이지만, 그렇다고 해서 질적 연구를 처음 접하는 연구자가 더 넓은 연구팀의 일원으로 분석에 기여하는 것을 배제하는 것은 아닙니다. 
For quantitative researchers working with qualitative colleagues or when exploring qualitative research for the first time, the nature of the Framework Method is seductive because its methodical processes and ‘spreadsheet’ approach seem more closely aligned to the quantitative paradigm [14]. Although the Framework Method is a highly systematic method of categorizing and organizing what may seem like unwieldy qualitative data, it is not a panacea for problematic issues commonly associated with qualitative data analysis such as how to make analytic choices and make interpretive strategies visible and auditable. Qualitative research skills are required to appropriately interpret the matrix, and facilitate the generation of descriptions, categories, explanations and typologies. Moreover, reflexivity, rigour and quality are issues that are requisite in the Framework Method just as they are in other qualitative methods. It is therefore essential that studies using the Framework Method for analysis are overseen by an experienced qualitative researcher, though this does not preclude those new to qualitative research from contributing to the analysis as part of a wider research team.

질적 데이터 분석에는 담화 분석[15] 및 민족지학[16]과 같이 언어와 사회적 상호작용에서 언어가 어떻게 사용되는지에 주목하는 접근법, 현상학[17, 18] 및 내러티브 방법[19]과 같이 경험, 의미 및 언어에 관심을 갖는 접근법, 근거 이론[20, 21]과 같이 일련의 절차와 상호 연결된 단계를 통해 데이터에서 도출된 이론을 개발하고자 하는 접근법 등 다양한 접근법이 존재합니다. 이러한 접근법 중 다수는 특정 분야와 연관되어 있으며 분석 과정을 형성하는 철학적 아이디어에 의해 뒷받침됩니다[22]. 그러나 프레임워크 방법은 특정 인식론적, 철학적 또는 이론적 접근 방식과 일치하지 않습니다. 오히려 테마를 생성하는 것을 목표로 하는 다양한 질적 접근 방식과 함께 사용할 수 있도록 조정할 수 있는 유연한 도구입니다. 
There are a number of approaches to qualitative data analysis, including those that pay close attention to language and how it is being used in social interaction such as discourse analysis [15] and ethnomethodology [16]; those that are concerned with experience, meaning and language such as phenomenology [17, 18] and narrative methods [19]; and those that seek to develop theory derived from data through a set of procedures and interconnected stages such as Grounded Theory [20, 21]. Many of these approaches are associated with specific disciplines and are underpinned by philosophical ideas which shape the process of analysis [22]. The Framework Method, however, is not aligned with a particular epistemological, philosophical, or theoretical approach. Rather it is a flexible tool that can be adapted for use with many qualitative approaches that aim to generate themes.

테마의 개발은 질적 데이터 분석의 공통적인 특징으로, 조사 대상 현상을 밝힐 수 있는 완전한 설명을 생성하기 위해 패턴을 체계적으로 검색하는 것을 포함합니다. 특히, 많은 질적 접근 방식은 근거 이론의 일부로 개발된 '지속적 비교 방법'을 사용하는데, 이는 각 주제를 구체화하기 위해 사례 간에 체계적으로 비교하는 것을 포함합니다[21, 23]. 근거 이론과 달리 프레임워크 방법은 사회 이론을 생성하는 데는 관심이 없지만, 매트릭스 전반에 걸친 데이터 검토를 통해 지속적인 비교 기법을 크게 촉진할 수 있습니다. 
The development of themes is a common feature of qualitative data analysis, involving the systematic search for patterns to generate full descriptions capable of shedding light on the phenomenon under investigation. In particular, many qualitative approaches use the ‘constant comparative method’ , developed as part of Grounded Theory, which involves making systematic comparisons across cases to refine each theme [21, 23]. Unlike Grounded Theory, the Framework Method is not necessarily concerned with generating social theory, but can greatly facilitate constant comparative techniques through the review of data across the matrix.

프레임워크 방법이 매우 체계적이기 때문에, 다른 논평가들이 지적했듯이, 종종 질적 분석에 대한 연역적 접근법과 혼동되기도 합니다[13, 14]. 그러나 이 도구 자체는 귀납적 또는 연역적 주제 분석 중 어느 쪽에도 충실하지 않으며, 연구가 귀납적-연역적 연속체에서 어디에 위치하는지는 연구 질문에 따라 달라집니다.

• '환자가 심혈관 질환 발병에 대해 정확한 생의학적 설명을 할 수 있는가'와 같은 질문은 본질적으로 예/아니오 질문이므로(설명의 정도나 적절한 용어 사용에 따라 미묘한 차이가 있을 수 있지만) 데이터 수집과 분석(예: 구조화 또는 반구조화 인터뷰, 지시적 질적 내용 분석[24]) 모두에 연역적 접근 방식이 필요합니다.
• 마찬가지로 행동 변화 이론과 같은 기존 이론에 근거하여 분석하는 경우, 예를 들어 '계획된 행동 이론이 GP 처방을 설명하는 데 어떻게 도움이 되는가'와 같은 연구 질문의 경우 연역적 접근 방식을 취할 수 있습니다[11].
• 그러나 '사람들은 심혈관 질환 발병에 대한 설명을 어떻게 구성하는가'와 같은 연구 질문은 예상치 못한 것을 허용하고 연구자가 미리 예측할 수 없는 문화적 신념, 음식 준비 습관, '운명'의 개념 또는 슬픔과 같은 삶의 다른 중요한 사건과의 연관성을 포함할 수 있는 인터뷰 대상자의 사회적 위치 응답[25]을 허용하는 보다 귀납적 접근 방식이 필요합니다(예: 인터뷰 대상자 주도 개방형 인터뷰 및 근거 이론 [20]).

Perhaps because the Framework Method is so obviously systematic, it has often, as other commentators have noted, been conflated with a deductive approach to qualitative analysis [13, 14]. However, the tool itself has no allegiance to either inductive or deductive thematic analysis; where the research sits along this inductive-deductive continuum depends on the research question.

• A question such as, ‘Can patients give an accurate biomedical account of the onset of their cardiovascular disease?’ is essentially a yes/no question (although it may be nuanced by the extent of their account or by appropriate use of terminology) and so requires a deductive approach to both data collection and analysis (e.g. structured or semi-structured interviews and directed qualitative content analysis [24]).
• Similarly, a deductive approach may be taken if basing analysis on a pre-existing theory, such as behaviour change theories, for example in the case of a research question such as ‘How does the Theory of Planned Behaviour help explain GP prescribing?’ [11].
• However, a research question such as, ‘How do people construct accounts of the onset of their cardiovascular disease?’ would require a more inductive approach that allows for the unexpected, and permits more socially-located responses [25] from interviewees that may include matters of cultural beliefs, habits of food preparation, concepts of ‘fate’, or links to other important events in their lives, such as grief, which cannot be predicted by the researcher in advance (e.g. an interviewee-led open ended interview and grounded theory [20]).

이러한 모든 경우에 프레임워크 방법을 사용하여 데이터를 관리하는 것이 적절할 수 있습니다.

• 연역적 접근법에서는 이전 문헌, 이전 이론 또는 연구 질문의 특성에 따라 주제와 코드가 미리 선택되는 반면,
• 귀납적 접근법에서는 개방형(제한 없는) 코딩을 통해 데이터에서 주제를 생성한 후 주제를 구체화하는 방식으로 차이가 분명해집니다.

많은 경우, 프로젝트에 탐구해야 할 특정 이슈가 있지만 참가자의 경험이나 현상에 의미를 부여하는 방식에서 예상치 못한 다른 측면을 발견할 수 있는 여지를 남겨두려는 목적이 있는 경우 두 가지 접근 방식을 결합하는 것이 적절합니다. 요컨대, 프레임워크 방법은 연역적, 귀납적 또는 복합적 유형의 질적 분석에 맞게 조정할 수 있습니다. 그러나 사례와 주제별로 데이터를 분석하는 것이 적절하지 않은 연구 질문이 있으므로 프레임워크 방법을 피해야 하는 경우도 있습니다. 예를 들어,

• 연구 질문에 따라 생활사 데이터는 내러티브 분석[19]을,
• 환자와 의료진 간의 상담 기록은 대화 분석[26]을,
• 임산부를 위한 자료와 같은 다큐멘터리 데이터는 담화 분석[27]을 사용하여 분석하는 것이 더 적합할 수 있습니다. 

In all these cases, it may be appropriate to use the Framework Method to manage the data. The difference would become apparent in how themes are selected:

• in the deductive approach, themes and codes are pre-selected based on previous literature, previous theories or the specifics of the research question; whereas
• in the inductive approach, themes are generated from the data though open (unrestricted) coding, followed by refinement of themes.

In many cases, a combined approach is appropriate when the project has some specific issues to explore, but also aims to leave space to discover other unexpected aspects of the participants’ experience or the way they assign meaning to phenomena. In sum, the Framework Method can be adapted for use with deductive, inductive, or combined types of qualitative analysis. However, there are some research questions where analysing data by case and theme is not appropriate and so the Framework Method should be avoided. For instance,

• depending on the research question, life history data might be better analysed using narrative analysis [19];
• recorded consultations between patients and their healthcare practitioners using conversation analysis [26]; and
• documentary data, such as resources for pregnant women, using discourse analysis [27].

연구 설계나 데이터 수집을 심도 있게 고려하는 것은 이 백서의 범위에 속하지 않지만, 프레임워크 방법 분석 프로세스를 설명하기 전에 한 걸음 물러나서 분석을 시작하기 전에 어떤 일이 일어나야 하는지 간략하게 살펴볼 필요가 있습니다. 분석 방법의 선택은 연구 제안 단계에서 고려되어야 하며, 연구 질문과 연구의 전반적인 목표에 부합해야 합니다. 많은 질적 연구, 특히 귀납적 분석을 사용하는 연구는 본질적으로 새로운 것이므로 연구자는 앞으로 일어날 일에 대한 "상상적 리허설"만 제공할 수 있습니다[28]. 혼합 방법 연구에서는 프로젝트의 더 넓은 목표 내에서 질적 구성 요소의 역할도 고려해야 합니다. 데이터 수집 단계에서는 질적 인터뷰가 고도로 숙련된 활동이기 때문에 적절히 훈련된 연구원이 질적 인터뷰를 수행할 수 있도록 리소스를 할당해야 합니다. 경우에 따라 연구팀은 일반인, 환자 또는 동료를 인터뷰에 참여시키기로 결정할 수 있으며[29-32], 이 경우 적절한 훈련과 멘토링을 받아야 하므로 시간과 자원이 필요합니다. 이 초기 단계에서는 데이터 관리 및 분석에 도움을 줄 수 있는 컴퓨터 지원 질적 데이터 분석 소프트웨어(CAQDAS)를 사용할지 여부를 고려하는 것도 유용합니다.

It is not within the scope of this paper to consider study design or data collection in any depth, but before moving on to describe the Framework Method analysis process, it is worth taking a step back to consider briefly what needs to happen before analysis begins. The selection of analysis method should have been considered at the proposal stage of the research and should fit with the research questions and overall aims of the study. Many qualitative studies, particularly ones using inductive analysis, are emergent in nature; this can be a challenge and the researchers can only provide an “imaginative rehearsal” of what is to come [28]. In mixed methods studies, the role of the qualitative component within the wider goals of the project must also be considered. In the data collection stage, resources must be allocated for properly trained researchers to conduct the qualitative interviewing because it is a highly skilled activity. In some cases, a research team may decide that they would like to use lay people, patients or peers to do the interviews [29–32] and in this case they must be properly trained and mentored which requires time and resources. At this early stage it is also useful to consider whether the team will use Computer Assisted Qualitative Data Analysis Software (CAQDAS), which can assist with data management and analysis.

모든 형태의 정성적 또는 정량적 분석은 순전히 기술적인 과정이 아니라 연구자의 특성과 학문적 패러다임의 영향을 받기 때문에 연구의 설계, 데이터의 구성 또는 수집, 분석 등 연구 과정 전반에 걸친 비판적 성찰이 무엇보다 중요합니다. 팀의 모든 구성원은 연구 일기를 작성하여 반성적 메모, 데이터에 대한 인상, 분석에 대한 생각 등을 연구 과정 전반에 걸쳐 기록해야 합니다. 숙련된 질적 연구자는 엄격하고 반성적인 방식으로 데이터를 선별하고 분석하는 데 더욱 능숙해집니다. 실제 사회생활의 복잡성을 포용하고 설명하며 복잡한 사회 문제에 적용할 수 있는 풍부하고 미묘한 연구 결과를 도출하기 위해서는 확실성에 너무 집착하지 않고 연구 전반에 걸쳐 유연성과 적응력을 유지해야 합니다. 프레임워크 방법을 사용할 때는, 데이터 수집과 데이터 분석이 연구 과정의 엄격하게 순차적이고 상호 배타적인 단계인 양적 연구와 달리, 질적 분석에서는 프로젝트에 따라 어느 정도는 데이터 수집, 분석, 이론 개발 사이에 지속적인 상호작용이 있다는 점을 기억하는 것이 중요합니다. 예를 들어, 참가자의 새로운 아이디어나 인사이트가 잠재적으로 유익한 탐구 방향을 제시하거나, 면밀한 분석을 통해 추가 조사가 필요한 미묘한 불일치를 발견할 수 있습니다. 
As any form of qualitative or quantitative analysis is not a purely technical process, but influenced by the characteristics of the researchers and their disciplinary paradigms, critical reflection throughout the research process is paramount, including in the design of the study, the construction or collection of data, and the analysis. All members of the team should keep a research diary, where they record reflexive notes, impressions of the data and thoughts about analysis throughout the process. Experienced qualitative researchers become more skilled at sifting through data and analysing it in a rigorous and reflexive way. They cannot be too attached to certainty, but must remain flexible and adaptive throughout the research in order to generate rich and nuanced findings that embrace and explain the complexity of real social life and can be applied to complex social issues. It is important to remember when using the Framework Method that, unlike quantitative research where data collection and data analysis are strictly sequential and mutually exclusive stages of the research process, in qualitative analysis there is, to a greater or lesser extent depending on the project, ongoing interplay between data collection, analysis, and theory development. For example, new ideas or insights from participants may suggest potentially fruitful lines of enquiry, or close analysis might reveal subtle inconsistencies in an account which require further exploration.

분석 절차
Procedure for analysis

1단계: 전사
Stage 1: Transcription

좋은 품질의 오디오 녹음이 필요하며, 이상적으로는 인터뷰의 축어적(단어 대 단어) 필사본이 필요합니다. 프레임워크 방법 분석의 경우, 내용이 주요 관심사이기 때문에 읽기 어려울 수 있는 대화 필사본의 규칙(예: 일시 정지 또는 두 사람이 동시에 대화하는 경우)을 반드시 포함할 필요는 없습니다. 트랜스크립트에는 나중에 코딩하고 메모할 수 있도록 여백이 넓고 줄 간격이 적절해야 합니다. 필사 과정은 데이터에 몰입할 수 있는 좋은 기회이므로 신입 연구자에게 적극 권장할 만합니다. 그러나 일부 프로젝트에서는 이 작업을 전문 전사자에게 아웃소싱하는 것이 더 나은 리소스 활용이라고 판단할 수 있습니다. 
A good quality audio recording and, ideally, a verbatim (word for word) transcription of the interview is needed. For Framework Method analysis, it is not necessarily important to include the conventions of dialogue transcriptions which can be difficult to read (e.g. pauses or two people talking simultaneously), because the content is what is of primary interest. Transcripts should have large margins and adequate line spacing for later coding and making notes. The process of transcription is a good opportunity to become immersed in the data and is to be strongly encouraged for new researchers. However, in some projects, the decision may be made that it is a better use of resources to outsource this task to a professional transcriber.

2단계: 인터뷰에 익숙해지기
Stage 2: Familiarisation with the interview

오디오 녹음 및/또는 녹취록과 면접관이 녹음한 상황별 또는 반성적 메모를 사용하여 전체 인터뷰에 익숙해지는 것은 해석에 있어 매우 중요한 단계입니다. 오디오 녹음의 전체 또는 일부를 다시 듣는 것도 도움이 될 수 있습니다. 다학제 또는 대규모 연구 프로젝트의 경우, 데이터 분석에 참여하는 사람과 인터뷰를 진행하거나 필사한 사람이 다를 수 있으므로 이 단계가 특히 중요합니다. 한 칸의 여백을 사용하여 분석 메모, 생각 또는 인상을 기록할 수 있습니다. 

Becoming familiar with the whole interview using the audio recording and/or transcript and any contextual or reflective notes that were recorded by the interviewer is a vital stage in interpretation. It can also be helpful to re-listen to all or parts of the audio recording. In multi-disciplinary or large research projects, those involved in analysing the data may be different from those who conducted or transcribed the interviews, which makes this stage particularly important. One margin can be used to record any analytical notes, thoughts or impressions.

3단계: 코딩
Stage 3: Coding

익숙해지면 연구자는 대본을 한 줄 한 줄 주의 깊게 읽으면서 구절에서 중요하다고 해석한 내용을 설명하는 문구나 라벨('코드')을 붙입니다. 귀납적 연구에서는 이 단계에서 가능한 한 다양한 관점에서 관련성이 있을 수 있는 모든 것을 코딩하는 '오픈 코딩'이 이루어집니다. 코딩은 다음 등을 나타낼 수 있습니다.

• 실체적인 것(예: 특정 행동, 사건 또는 구조),
• 가치(예: 근거 기반 의학 또는 환자 선택에 대한 믿음과 같이 특정 진술을 알리거나 뒷받침하는 것),
• 감정(예: 슬픔, 좌절, 사랑) 및
• 인상적/방법론적인 요소(예: 인터뷰 대상자가 설명하기 어려운 것을 발견했다, 인터뷰 대상자가 감정적이 되었다, 인터뷰자가 불편함을 느꼈다) [33] 

After familiarization, the researcher carefully reads the transcript line by line, applying a paraphrase or label (a ‘code’) that describes what they have interpreted in the passage as important. In more inductive studies, at this stage ‘open coding’ takes place, i.e. coding anything that might be relevant from as many different perspectives as possible. Codes could refer to

• substantive things (e.g. particular behaviours, incidents or structures),
• values (e.g. those that inform or underpin certain statements, such as a belief in evidence-based medicine or in patient choice),
• emotions (e.g. sorrow, frustration, love) and
• more impressionistic/methodological elements (e.g. interviewee found something difficult to explain, interviewee became emotional, interviewer felt uncomfortable) [33].

순수 연역적 연구에서는 코드가 미리 정의되어 있을 수 있으므로(예: 기존 이론 또는 프로젝트의 특정 관심 분야) 이 단계가 꼭 필요하지 않을 수 있으며 바로 색인화로 넘어갈 수도 있지만, 일반적으로 데이터의 중요한 측면을 놓치지 않으려면, 적어도 몇 개의 트랜스크립트에서 오픈 코딩을 수행하는 것이 광범위한 연역적 접근 방식을 취하는 경우에도 도움이 될 수 있습니다. 코딩은 모든 데이터를 분류하여 데이터 세트의 다른 부분과 체계적으로 비교할 수 있도록 하는 것을 목표로 합니다. 가능하면 최소 두 명의 연구자(또는 다학제 연구팀의 경우 각 분야 또는 전문 분야에서 한 명 이상)가 처음 몇 개의 기록물을 독립적으로 코딩해야 합니다. 환자, 대중 참여 대표 또는 임상의도 이 단계에 생산적으로 참여할 수 있는데, 이는 대안적인 관점을 제시하여 특정 관점이 지배적이지 않도록 보장할 수 있기 때문입니다. 
In purely deductive studies, the codes may have been pre-defined (e.g. by an existing theory, or specific areas of interest to the project) so this stage may not be strictly necessary and you could just move straight onto indexing, although it is generally helpful even if you are taking a broadly deductive approach to do some open coding on at least a few of the transcripts to ensure important aspects of the data are not missed. Coding aims to classify all of the data so that it can be compared systematically with other parts of the data set. At least two researchers (or at least one from each discipline or speciality in a multi-disciplinary research team) should independently code the first few transcripts, if feasible. Patients, public involvement representatives or clinicians can also be productively involved at this stage, because they can offer alternative viewpoints thus ensuring that one particular perspective does not dominate.

귀납적 코딩에서는 문자 그대로의 설명적인 방식으로 코딩하는 것이 아니라, 예상치 못한 것을 찾아내는 것이 중요하므로, 다양한 관점을 가진 사람들의 참여가 큰 도움이 될 수 있습니다. 한 줄 한 줄 코딩을 통해 전체적인 내용을 파악할 수 있을 뿐만 아니라, 명확하게 표현되지 않았거나 나머지 계정과 '맞지 않아서' 보통은 보이지 않는 부분을 고려하도록 연구자에게 경각심을 줄 수 있습니다. 이런 식으로 데이터의 이상 징후를 조정하고 설명하면 분석을 더욱 강력하게 만들 수 있습니다. 코딩은 새로운 코드를 자동으로 추적할 수 있는 유용한 방법인 CAQDAS를 사용하여 디지털 방식으로도 수행할 수 있습니다. 그러나 일부 연구자들은 코딩의 초기 단계를 종이와 펜으로 하는 것을 선호하며, 5단계(아래 참조)에 도달한 후에야 CAQDAS를 사용하기 시작합니다.
It is vital in inductive coding to look out for the unexpected and not to just code in a literal, descriptive way so the involvement of people from different perspectives can aid greatly in this. As well as getting a holistic impression of what was said, coding line-by-line can often alert the researcher to consider that which may ordinarily remain invisible because it is not clearly expressed or does not ‘fit’ with the rest of the account. In this way the developing analysis is challenged; to reconcile and explain anomalies in the data can make the analysis stronger. Coding can also be done digitally using CAQDAS, which is a useful way to keep track automatically of new codes. However, some researchers prefer to do the early stages of coding with a paper and pen, and only start to use CAQDAS once they reach Stage 5 (see below).

4단계: 작업용 분석 프레임워크 개발하기
Stage 4: Developing a working analytical framework

처음 몇 개의 트랜스크립트를 코딩한 후에는 관련된 모든 연구자가 모여 각자가 적용한 레이블을 비교하고, 이후의 모든 트랜스크립트에 적용할 코드 세트에 동의해야 합니다. 코드를 카테고리로 그룹화한 다음(도움이 된다면 트리 다이어그램을 사용) 명확하게 정의할 수 있습니다. 이렇게 하면 작업용 분석 프레임워크가 형성됩니다. 추가 코드가 나오지 않을 때까지 분석 프레임워크를 여러 번 반복해야 할 수도 있습니다. 각 범주 아래에 '기타' 코드를 두어 맞지 않는 데이터를 무시하지 않도록 하고, 마지막 기록이 코딩될 때까지 분석 프레임워크는 결코 '최종'이 아닙니다. 
After coding the first few transcripts, all researchers involved should meet to compare the labels they have applied and agree on a set of codes to apply to all subsequent transcripts. Codes can be grouped together into categories (using a tree diagram if helpful), which are then clearly defined. This forms a working analytical framework. It is likely that several iterations of the analytical framework will be required before no additional codes emerge. It is always worth having an ‘other’ code under each category to avoid ignoring data that does not fit; the analytical framework is never ‘final’ until the last transcript has been coded.

5단계: 분석 프레임워크 적용
Stage 5: Applying the analytical framework

그런 다음 기존 카테고리와 코드를 사용하여 후속 트랜스크립트를 색인화하여 작업용 분석 프레임워크를 적용합니다. 각 코드에는 일반적으로 쉽게 식별할 수 있도록 번호나 약어가 할당되며(따라서 코드의 전체 이름을 매번 적을 필요가 없음), 트랜스크립트에 직접 기록됩니다. 컴퓨터 지원 정성적 데이터 분석 소프트웨어(CAQDAS)는 이 단계에서 특히 유용하며, 프로세스 속도를 높이고 이후 단계에서 데이터를 쉽게 검색할 수 있도록 해주기 때문입니다. 정확한 지침에 따라 실제로 계산을 수행하는 통계 분석용 소프트웨어와 달리, 정성적 분석 소프트웨어 패키지에 데이터를 넣는 것은 데이터를 분석하는 것이 아니라 분석 프로세스에 액세스할 수 있도록 데이터를 저장하고 구성하는 효과적인 방법일 뿐이라는 점에 유의할 필요가 있습니다.

The working analytical framework is then applied by indexing subsequent transcripts using the existing categories and codes. Each code is usually assigned a number or abbreviation for easy identification (and so the full names of the codes do not have to be written out each time) and written directly onto the transcripts. Computer Assisted Qualitative Data Analysis Software (CAQDAS) is particularly useful at this stage because it can speed up the process and ensures that, at later stages, data is easily retrievable. It is worth noting that unlike software for statistical analyses, which actually carries out the calculations with the correct instruction, putting the data into a qualitative analysis software package does not analyse the data; it is simply an effective way of storing and organising the data so that they are accessible for the analysis process.

6단계: 프레임워크 매트릭스에 데이터 차트화
Stage 6: Charting data into the framework matrix

정성적 데이터는 방대하며(한 시간의 인터뷰로 15~30페이지의 텍스트가 생성될 수 있음), 데이터를 관리하고 요약(축소)하는 것은 분석 프로세스에서 매우 중요한 측면입니다. 스프레드시트를 사용하여 매트릭스를 생성하고 데이터를 매트릭스에 '차트화'합니다. 차트 작성에는 각 기록에서 카테고리별로 데이터를 요약하는 작업이 포함됩니다. 좋은 차트를 작성하려면 한편으로는 데이터를 줄이고, 다른 한편으로는 인터뷰 대상자의 말의 원래 의미와 '느낌'을 유지하는 것 사이에서 균형을 맞출 수 있어야 합니다. 차트에는 흥미롭거나 예시적인 인용문에 대한 참조가 포함되어야 합니다. CAQDAS를 사용하여 데이터를 관리하는 경우 자동으로 태그를 지정할 수 있으며(N-Vivo 버전 9 이상에는 프레임워크 매트릭스를 생성하는 기능이 있음), 그렇지 않은 경우 대문자 'Q', (익명화된) 트랜스크립트 번호, 페이지 및 줄 참조로 충분합니다. 여러 분야가 참여하는 팀에서는 분석 프로세스의 초기 단계에서 요약 스타일을 비교하고 대조하여 팀 내 일관성을 유지하는 것이 도움이 됩니다. 약어를 사용할 때는 팀원들이 동의해야 합니다. 팀원들이 분석 프레임워크에 익숙해지고 코딩과 차트 작성에 능숙해지면 평균적으로 1시간 분량의 요약본을 작성하는 데 반나절 정도 걸립니다. 초기 단계에서는 훨씬 더 오래 걸립니다. 
Qualitative data are voluminous (an hour of interview can generate 15–30 pages of text) and being able to manage and summarize (reduce) data is a vital aspect of the analysis process. A spreadsheet is used to generate a matrix and the data are ‘charted’ into the matrix. Charting involves summarizing the data by category from each transcript. Good charting requires an ability to strike a balance between reducing the data on the one hand and retaining the original meanings and ‘feel’ of the interviewees’ words on the other. The chart should include references to interesting or illustrative quotations. These can be tagged automatically if you are using CAQDAS to manage your data (N-Vivo version 9 onwards has the capability to generate framework matrices), or otherwise a capital ‘Q’, an (anonymized) transcript number, page and line reference will suffice. It is helpful in multi-disciplinary teams to compare and contrast styles of summarizing in the early stages of the analysis process to ensure consistency within the team. Any abbreviations used should be agreed by the team. Once members of the team are familiar with the analytical framework and well practised at coding and charting, on average, it will take about half a day per hour-long transcript to reach this stage. In the early stages, it takes much longer.

7단계: 데이터 해석
Stage 7: Interpreting the data

데이터에 대한 인상, 아이디어, 초기 해석을 기록할 수 있는 별도의 노트나 컴퓨터 파일을 준비해 두는 것이 연구 전반에 걸쳐 유용합니다. 흥미로운 아이디어, 개념 또는 잠재적 주제를 탐색하기 위해 어느 단계에서든 분석 메모[20, 21]를 작성하여 일반인 및 임상 구성원을 포함한 다른 연구팀원들과 논의하는 것이 좋습니다. 점차적으로 데이터의 특징과 데이터 간의 차이점을 파악하여 다음을 할  수 있습니다. 

• 유형학을 생성하고,
• 이론적 개념(이전 개념 또는 데이터에서 나온 개념)을 질문하거나,
• 범주 간의 연결을 매핑하여 관계 및 인과관계를 탐색

데이터가 충분히 풍부하다면 이 과정을 통해 도출된 결과는 특정 사례에 대한 기술을 넘어 설명으로 확장될 수 있습니다. 

• 현상의 출현 이유,
• 조직이나 기타 사회적 행위자가 상황을 어떻게 선동하거나 대응할지 예측,
• 조직이나 시스템 내에서 제대로 작동하지 않는 영역을 식별

이 단계는 예상보다 오래 걸리는 경우가 많으므로 프로젝트 계획에 회의와 연구자 개개인의 연구 결과 해석 및 작성에 충분한 시간을 할당해야 합니다(추가 파일 1, 섹션 7 참조). 
It is useful throughout the research to have a separate note book or computer file to note down impressions, ideas and early interpretations of the data. It may be worth breaking off at any stage to explore an interesting idea, concept or potential theme by writing an analytic memo [20, 21] to then discuss with other members of the research team, including lay and clinical members. Gradually, characteristics of and differences between the data are identified, perhaps

• generating typologies,
• interrogating theoretical concepts (either prior concepts or ones emerging from the data) or
• mapping connections between categories to explore relationships and/or causality.

If the data are rich enough, the findings generated through this process can go beyond description of particular cases to explanation of, for example,

• reasons for the emergence of a phenomena,
• predicting how an organisation or other social actor is likely to instigate or respond to a situation, or
• identifying areas that are not functioning well within an organisation or system.

It is worth noting that this stage often takes longer than anticipated and that any project plan should ensure that sufficient time is allocated to meetings and individual researcher time to conduct interpretation and writing up of findings (see Additional file 1, Section 7).

토론
Discussion

프레임워크 방법은 25년 이상 개발되어 연구에 성공적으로 사용되어 왔으며, 최근 질적 보건 연구에서 널리 사용되는 분석 방법이 되었습니다. 질적 연구에서 품질을 평가하는 방법에 대한 문제는 많은 논쟁이 있어 왔지만[20, 34-40], 분석의 엄격성과 투명성을 보장하는 것은 필수적인 요소입니다. 물론 여러 가지 방법이 있지만 프레임워크 방법에서는 다음과 같은 방법이 도움이 됩니다: 
The Framework Method has been developed and used successfully in research for over 25 years, and has recently become a popular analysis method in qualitative health research. The issue of how to assess quality in qualitative research has been highly debated [20, 34–40], but ensuring rigour and transparency in analysis is a vital component. There are, of course, many ways to do this but in the Framework Method the following are helpful:

• 차트를 작성하는 동안 데이터를 요약하는 것은 데이터를 줄이는 실용적인 방법일 뿐만 아니라 일반인, 임상 및 (정량적) 학계 구성원을 포함한 다분야 팀의 모든 구성원이 (모든 기록을 읽거나 분석의 보다 기술적인 부분에 관여하지는 않더라도) 분석 과정에서 데이터에 참여하고 각자의 관점을 제공할 수 있음을 의미합니다.
  Summarizing the data during charting, as well as being a practical way to reduce the data, means that all members of a multi-disciplinary team, including lay, clinical and (quantitative) academic members can engage with the data and offer their perspectives during the analysis process without necessarily needing to read all the transcripts or be involved in the more technical parts of analysis.
• 또한 차트를 작성하면 연구자가 해석으로 넘어가기 전에 각 참여자의 주관적인 프레임과 표현을 사용하여 데이터를 설명하는 데 세심한 주의를 기울일 수 있습니다. 
  Charting also ensures that researchers pay close attention to describing the data using each participant’s own subjective frames and expressions in the first instance, before moving onto interpretation.
• 요약된 데이터는 각 사례의 더 넓은 맥락에서 유지되므로 복잡한 의미와 이해의 층위에 주의를 기울이는 두꺼운 설명을 장려합니다[38].
  The summarized data is kept within the wider context of each case, thereby encouraging thick description that pays attention to complex layers of meaning and understanding [38].
• 매트릭스 구조는 시각적으로 간단하며 모순되는 데이터, 비정상적인 사례 또는 빈 셀에 주의를 기울이는 등 연구팀의 모든 구성원이 데이터의 패턴을 쉽게 인식할 수 있습니다.
  The matrix structure is visually straightforward and can facilitate recognition of patterns in the data by any member of the research team, including through drawing attention to contradictory data, deviant cases or empty cells.
• 체계적인 절차(이 문서에 설명되어 있음)를 통해 여러 분야의 팀이나 대규모 데이터 세트가 있는 경우에도 쉽게 따라할 수 있습니다.
  The systematic procedure (described in this article) makes it easy to follow, even for multi-disciplinary teams and/or with large data sets.
• 인터뷰가 아닌 데이터(예: 인터뷰 중에 작성한 현장 메모 또는 반성적 고려 사항)도 매트릭스에 포함할 수 있을 만큼 유연합니다.
  It is flexible enough that non-interview data (such as field notes taken during the interview or reflexive considerations) can be included in the matrix.
• 특정 인식론적 관점이나 이론적 접근 방식과 일치하지 않으므로 귀납적 또는 연역적 분석 또는 이 둘을 조합하여 사용할 수 있습니다(예: 기존의 이론적 구성을 연역적으로 사용한 다음 귀납적 측면으로 이론을 수정하거나 귀납적 접근 방식을 사용하여 데이터에서 주제를 식별한 다음 문헌으로 돌아가 연역적으로 이론을 사용하여 특정 주제를 추가로 설명하는 데 도움이 됨).
  It is not aligned with a particular epistemological viewpoint or theoretical approach and therefore can be adapted for use in inductive or deductive analysis or a combination of the two (e.g. using pre-existing theoretical constructs deductively, then revising the theory with inductive aspects; or using an inductive approach to identify themes in the data, before returning to the literature and using theories deductively to help further explain certain themes).
• 주제를 설명하기 위해 관련 데이터 추출을 식별하고 제안된 주제에 대한 충분한 증거가 있는지 확인하는 것이 쉽습니다.
  It is easy to identify relevant data extracts to illustrate themes and to check whether there is sufficient evidence for a proposed theme.
• 마지막으로, 원본 원시 데이터에서 최종 테마까지, 예시 인용문을 포함한 명확한 감사 추적이 있습니다.
  Finally, there is a clear audit trail from original raw data to final themes, including the illustrative quotes.

이 접근 방식에는 여러 가지 잠재적인 함정이 있습니다:
There are also a number of potential pitfalls to this approach:

• 배경에서 언급했듯이 체계적인 접근 방식과 매트릭스 형식은 정량적으로 훈련된 사람들에게는 직관적으로 매력적이지만, '스프레드시트' 형식은 정성적 연구에 대한 심층적인 이해가 없는 사람들이 정성적 데이터를 정량화하려는 유혹을 더욱 증가시킬 수 있습니다(예: "20명의 참가자 중 13명이 X라고 답함"). 정성적 연구의 표본 추출은 더 넓은 집단을 대표하도록 설계된 것이 아니라 현상에 대한 다양성을 포착하기 위한 것이기 때문에 이러한 종류의 진술은 분명히 무의미합니다 [41]. 
  The systematic approach and matrix format, as we noted in the background, is intuitively appealing to those trained quantitatively but the ‘spreadsheet’ look perhaps further increases the temptation for those without an in-depth understanding of qualitative research to attempt to quantify qualitative data (e.g. “13 out of 20 participants said X). This kind of statement is clearly meaningless because the sampling in qualitative research is not designed to be representative of a wider population, but purposive to capture diversity around a phenomenon [41].
• 모든 질적 분석 방법과 마찬가지로 프레임워크 방법도 시간과 리소스 집약적입니다. 응용 보건 연구의 모범 사례처럼 데이터 분석 및 해석에 여러 이해관계자 및 분야를 참여시킬 경우 필요한 시간이 연장됩니다. 이 시간은 펀딩 전 단계에서 프로젝트 제안서에 반영되어야 합니다. 
  Like all qualitative analysis methods, the Framework Method is time consuming and resource-intensive. When involving multiple stakeholders and disciplines in the analysis and interpretation of the data, as is good practice in applied health research, the time needed is extended. This time needs to be factored into the project proposal at the pre-funding stage.
• 새로운 다분야 팀에서 이 방법을 성공적으로 사용하려면 많은 교육이 필요합니다. 분석에서 각자의 역할에 따라 연구팀 구성원은 데이터를 코딩, 색인화, 차트화하는 방법을 배우고, 자신의 정체성과 경험이 분석 과정에 어떤 영향을 미치는지 반성적으로 생각해야 하며, 데이터의 의미와 중요성을 정당하게 해석하기 위해 일반화 방법(통계적 일반화가 아닌 분석적 일반화 및 전이 가능성[41])에 대해 배워야 할 수도 있습니다. 
  There is a high training component to successfully using the method in a new multi-disciplinary team. Depending on their role in the analysis, members of the research team may have to learn how to code, index, and chart data, to think reflexively about how their identities and experience affect the analysis process, and/or they may have to learn about the methods of generalisation (i.e. analytic generalisation and transferability, rather than statistical generalisation [41]) to help to interpret legitimately the meaning and significance of the data.

프레임워크 방법은 비전문가도 데이터 분석에 참여할 수 있지만, 대규모 혼합 방법 연구의 전체 책임자가 다른 사람이더라도 숙련된 질적 연구자가 프로젝트를 이끄는 것이 이 방법을 성공적으로 사용하는 데 매우 중요합니다. 질적 연구 책임자는 최소한 질적 분석에 대한 사전 교육이나 경험이 있는 다른 연구자들과 함께 하는 것이 이상적입니다. 질적 연구 책임자의 책임은 연구 설계, 프로젝트 일정 및 리소스 계획에 기여하고, 주니어 질적 연구자를 멘토링하고, 임상, 일반 및 기타 (비질적) 학자들이 분석 과정에 적절히 기여할 수 있도록 교육하고, 데이터 및 다른 팀원들과 비판적이고 반성적인 참여를 장려하는 방식으로 분석 회의를 촉진하고, 마지막으로 연구 보고서 작성을 주도하는 것입니다. 
While the Framework Method is amenable to the participation of non-experts in data analysis, it is critical to the successful use of the method that an experienced qualitative researcher leads the project (even if the overall lead for a large mixed methods study is a different person). The qualitative lead would ideally be joined by other researchers with at least some prior training in or experience of qualitative analysis. The responsibilities of the lead qualitative researcher are: to contribute to study design, project timelines and resource planning; to mentor junior qualitative researchers; to train clinical, lay and other (non-qualitative) academics to contribute as appropriate to the analysis process; to facilitate analysis meetings in a way that encourages critical and reflexive engagement with the data and other team members; and finally to lead the write-up of the study.

결론
Conclusion

우리는 프레임워크 방법 연구가 의료 전문가, 심리학자, 사회학자, 경제학자, 일반인/서비스 사용자 등을 포함하는 다학제 연구팀에 의해 수행될 수 있다고 주장해 왔습니다. 다양한 관점을 포함한다는 것은 분석 과정에서 의사결정을 내리는 데 많은 시간과 리소스가 소요될 수 있음을 의미합니다. 인터뷰 대상자가 표현하고 녹취록에서 확인된 아이디어가 각 분야의 기존 개념 및 이론과 프로젝트가 해결하고자 하는 보건 시스템의 실제 '문제'와 어떻게 관련되어 있는지에 대해 광범위하고 반성적이며 비판적인 대화가 필요할 수 있습니다. 그러나 이러한 종류의 팀 노력은 연구 결과의 신뢰성과 관련성을 높여 '전체가 부분의 합보다 크다'는 것을 보장하기 위해 임상 및 일반인의 연구 참여뿐만 아니라 학제 간 협업을 촉진하는 훌륭한 포럼입니다.
We have argued that Framework Method studies can be conducted by multi-disciplinary research teams that include, for example, healthcare professionals, psychologists, sociologists, economists, and lay people/service users. The inclusion of so many different perspectives means that decision-making in the analysis process can be very time consuming and resource-intensive. It may require extensive, reflexive and critical dialogue about how the ideas expressed by interviewees and identified in the transcript are related to pre-existing concepts and theories from each discipline, and to the real ‘problems’ in the health system that the project is addressing. This kind of team effort is, however, an excellent forum for driving forward interdisciplinary collaboration, as well as clinical and lay involvement in research, to ensure that ‘the whole is greater than the sum of the parts’, by enhancing the credibility and relevance of the findings.

프레임워크 방법은 텍스트 데이터, 특히 인터뷰 녹취록의 주제별 분석에 적합하며, 여러 사례의 데이터를 주제별로 비교하고 대조하는 동시에 각 관점을 각 개인 기록의 다른 측면과의 연관성을 유지하여 맥락에 맞게 배치하는 것이 중요합니다. 숙련된 질적 연구자가 분석의 모든 측면을 주도하고 진행해야 하지만, 프레임워크 방법의 체계적인 접근 방식은 다분야 팀의 모든 구성원을 참여시키는 데 적합합니다. 엄격한 질적 분석을 위해서는 모든 팀원의 개방적이고 비판적이며 반성적인 접근 방식이 필수적입니다.
The Framework Method is appropriate for thematic analysis of textual data, particularly interview transcripts, where it is important to be able to compare and contrast data by themes across many cases, while also situating each perspective in context by retaining the connection to other aspects of each individual’s account. Experienced qualitative researchers should lead and facilitate all aspects of the analysis, although the Framework Method’s systematic approach makes it suitable for involving all members of a multi-disciplinary team. An open, critical and reflexive approach from all team members is essential for rigorous qualitative analysis.

고품질의 질적 연구를 위해서는 실제 보건 시스템의 복잡성과 건강 문제에 대한 다양한 관점의 존재를 인정하는 것이 필요합니다. 질적 연구가 잘 수행되면 중요한 현상에 대한 설명과 예측을 제시하고, 대규모 연구의 정량적 부분과 건설적인 관계를 맺으며, 보건 서비스 개선과 보건 정책 개발에 기여할 수 있습니다. 프레임워크 방법을 적절히 선택하고 실행하면 신뢰할 수 있고 관련성 있는 결과를 도출하여 이러한 목표를 달성하는 데 적합한 도구가 될 수 있습니다. 
Acceptance of the complexity of real life health systems and the existence of multiple perspectives on health issues is necessary to produce high quality qualitative research. If done well, qualitative studies can shed explanatory and predictive light on important phenomena, relate constructively to quantitative parts of a larger study, and contribute to the improvement of health services and development of health policy. The Framework Method, when selected and implemented appropriately, can be a suitable tool for achieving these aims through producing credible and relevant findings.

요약
Summary

• 프레임워크 방법은 데이터를 관리하고 매핑하기 위한 체계적인 모델을 제공하기 때문에 주제별(질적 내용) 분석을 지원하는 데 탁월한 도구입니다.
  
• 프레임워크 방법은 사례 내 및 사례 간 비교를 통해 주제를 생성하는 것이 바람직한 인터뷰 데이터 분석에 가장 적합합니다.
  
• 프레임워크 방법은 매트릭스 형태로 요약된 데이터를 직관적으로 구조화한 개요를 제공하기 때문에 대규모 데이터 세트의 관리가 용이합니다.
  
• 프레임워크 방법의 명확한 단계별 프로세스는 학제 간 및 협업 프로젝트에 적합합니다.
  
• 이 방법의 사용은 숙련된 질적 연구자가 주도하고 촉진해야 합니다.
• The Framework Method is an excellent tool for supporting thematic (qualitative content) analysis because it provides a systematic model for managing and mapping the data.
• The Framework Method is most suitable for analysis of interview data, where it is desirable to generate themes by making comparisons within and between cases.
• The management of large data sets is facilitated by the Framework Method as its matrix form provides an intuitively structured overview of summarised data.
• The clear, step-by-step process of the Framework Method makes it is suitable for interdisciplinary and collaborative projects.
• The use of the method should be led and facilitated by an experienced qualitative researcher.

---

BMC Med Res Methodol. 2013 Sep 18;13:117. doi: 10.1186/1471-2288-13-117.

Using the framework method for the analysis of qualitative data in multi-disciplinary health research

Nicola K Gale 1, Gemma Heath, Elaine Cameron, Sabina Rashid, Sabi Redwood

Affiliations collapse

1Health Services Management Centre, University of Birmingham, Park House, 40 Edgbaston Park Road, Birmingham B15 2RT, UK. n.gale@bham.ac.uk.

PMID: 24047204

PMCID: PMC3848812

DOI: 10.1186/1471-2288-13-117

Free PMC article

Abstract

Background: The Framework Method is becoming an increasingly popular approach to the management and analysis of qualitative data in health research. However, there is confusion about its potential application and limitations.

Discussion: The article discusses when it is appropriate to adopt the Framework Method and explains the procedure for using it in multi-disciplinary health research teams, or those that involve clinicians, patients and lay people. The stages of the method are illustrated using examples from a published study.

Summary: Used effectively, with the leadership of an experienced qualitative researcher, the Framework Method is a systematic and flexible approach to analysing qualitative data and is appropriate for use in research teams even where not all members have previous experience of conducting qualitative research.