Aineisto

Tässä alaluvussa esittelen tutkimukseni aineiston. Kuvaan sen, kuinka päädyin kyseiseen ai-neistoon, kuinka se on kerätty ja kuinka sitä on muokattu. Koska aineistoni oli valmiiksi ole-massa ennen tätä tutkimusta, eikä sitä tuotettu erityisesti tätä tutkimusta varten, vaati se jonkin verran muokkausta ja järjestelyä ennen varsinaiseen analyysiin pääsemistä. Luvun lopuksi kerron lyhyesti aineiston analyysista. Kuvaan diskurssianalyysin käyttöä tutkimuksessani tar-kemmin luvussa 5.2.

4.2.1 Aineiston valinta, kerääminen ja järjestely

Aineistoni koostuu Twitterissä kalenterivuoden 2018 aikana julkaistuista suomenkielisistä twiiteistä, jotka käsittelevät urheilusponsorointia. Aineiston rajaus tapahtui tutkimuskysymys-teni avulla. Halusin selvittää, millaista urheilusponsorointia koskeva Twitter-keskustelu on, ja minkälaisen kuvan keskustelu tuottaa sponsoroinnista. Koska halusin saada muodostettua mahdollisimman kattavan kuvan sponsorointiin liittyvästä keskustelusta, en halunnut rajata aineisto-otantaani liian tiukasti esimerkiksi vain tiettyjen kuukausien ajalle. Tätä valintaa puolsi myös keskustelusta tekemäni havainto, että viestien määrät vaihtelevat suuresti eri kuukausien välillä. Halusin täten pystyä kuvailemaan lukijalle sponsorointikeskustelua pitkäl-tä ajanjaksolta, jolloin paljastuvat myös erot eri ajankohtien välillä. Nämä erot ja pohdintani niiden syistä esitän myöhemmin luvussa 5.1, jossa kuvailen keskustelua tarkemmin.

37

Keräsin tutkimusaineiston käyttämällä Twitterin omaa tarkennettua hakua. Hakulausekkeena käytin lauseketta “sponsorointi OR urheilumarkkinointi OR urheilubisnes OR sporttibisnes”, jolloin hakukone näytti rajatulta ajanjaksolta kaikki twiitit, joissa esiintyi jokin yllä olevista hakusanoista. Rajattu hakuaikani oli 1.1.2018–31.12.2018. Lisäksi valitsin hakuehdoista näy-tettävien twiittien kieleksi suomen. Hakusanat valitsin siten, että tutkimuksen aiheeksi vali-koitunut sponsorointi oli luonnollisesti ensimmäisenä listalla mietittäessä sopivia hakusanoja.

Ensimmäisellä hakukerralla hain pelkästään sponsorointi-sanalla. Aloin käymään läpi tämän haun tuottamia tuloksia, ja etsin sieltä aiheeseen sopivia twiittejä ja niissä usein toistuvia sa-noja, joita voisin lisätä hakusanalistaani. Tämän pohjalta lisäsin hakulausekkeen loput sanat.

Koska Twitterin oma hakutulosten sivu on raskas ja kömpelö ison hakutuloksen käsittelyyn, halusin siirtää aineiston helpommin käsiteltävään muotoon. Aineiston tallentaminen omalle koneelleni oli välttämätöntä myös siksi, että Twitterin kaltaisten sivustojen toimivuus ei ole niin luotettavalla tasolla, että uskaltaisin säilyttää aineistoni vain palvelun omalla sivulla. Li-säksi joidenkin lähteiden mukaan Twitterin algoritmit saattavat muokata hakutuloksia hieman, joten ei olisi järkevää tehdä aina aineistoon palatessa uutta hakua. Tämän lisäksi on mahdol-lista, että joku Twitterin käyttäjä voisi poistaa oman aineistoon kuuluvan twiittinsä, jolloin se katoaisi hakutuloksista. Näin ollen oli tarpeen tallentaa tiettynä ajankohtana tehty haku offli-ne-muotoon omalle koneelleni ja käyttää sitä aineistona. Hyvien tutkimuseettisten käytäntöjen mukaisesti aineistoa tulee säilyttää siten, että tutkittavien henkilöiden suoja ja anonymiteetti säilyvät (Page ym. 2014, 74). Tästä syystä pidän koko aineistoa kirjoittajien nimimerkkeineen tallennettuna vain omalla henkilökohtaisessa käytössäni olevalla tietokoneella, sekä muokat-tua aineistoa ilman kirjoittajien nimimerkkejä varmuuskopiona yliopiston suojatussa verkossa olevalla tallennusasemalla.

Tallensin aineiston Twitteristä omalle koneelleni käyttämällä web scraper -scriptiä, joka on luotu keräämään internet-sivun sisältö ja tallentamaan se tekstimuotoon. Scripti ”scrapesi” eli käänsi Twitter-haun hakutulossivun sisällön ja muutti sen Excel-yhteensopivaksi. Näin nen hakutuloksen twiitti muodostaa Excelissä oman rivinsä. Lisäksi tiedostoon tallentui jokai-sen twiitin meta-tiedot, kuten tunnistenumero, url-osoite twiittiin, twiitin kirjoittajan nimi-merkki, twiitin julkaisuajankohta, vastausten ja tykkäysten määrä sekä twiitin sisältämän mahdollisen ulkoisen linkin url-osoite. Näin sain kerättyä aineiston nopeasti helposti

järjestel-38

tävään muotoon. On huomioitava, että edellä mainitut tiedot ovat hetkeltä, jolloin tiedot kerät-tiin.

Alkuperäinen hakulauseke tuotti Excel-tiedostoon yhteensä 1980 twiittiä ajalta 1.1.2018–

31.12.2018. Aloitin aineiston käsittelyn siten, että karsin kaikki sellaiset twiitit, jotka eivät selvästikään koskeneet urheilusponsorointia. Näitä oli muun muassa erään koodatun botin julkaisemat twiitit, sekä muutamat viestit, jotka koskivat esimerkiksi kulttuurin tai muun yh-teiskunnallisen toiminnan sponsorointia. Ensimmäisen karsintakierroksen jälkeen aineistoon jäi 1816 twiittiä.

Toisella karsintakierroksella poistin aineistosta sellaiset twiitit, joiden sisällön katsoin kuulu-van mainontaan. Aineisto sisälsi useita twiittejä, joissa mainostettiin esimerkiksi sponsoroin-tialan tapahtumia tai urheiluorganisaatioiden omia tapahtumia. Sellaiset twitiit jätin aineis-toon, joissa kommentoitiin mainoksia. Lisäksi poistin alan työpaikkoja mainostavat twiitit.

Samoin poistoon menivät alan koulutusta sivuavat twiitit, joissa twiittaaja kertoi osallistuvan-sa alan koulutukseen mutta ei kommentoinut mitään aiheeseen liittyvää sen syvällisemmin.

Toisen karsintakierroksen jälkeen aineistoon jäi 1413 twiittiä.

Kolmannella ja viimeisellä karsintakierroksella karsin twiiteistä vielä pois ne, jotka eivät mie-lestäni soveltuneet analysoitavaksi. Tällaisia viestejä olivat esimerkiksi ne, jotka eivät sisältä-neet lainkaan tekstiä, vaan ainoastaan linkkejä esimerkiksi joihinkin sponsorointia koskeviin uutisiin. Lisäksi poistin viestit, jotka olivat liian vaikeatulkintaisia tai sisällöltään köyhiä.

Huolellisen tutustumisen myötä tällä karsintakierroksella löysin vielä muutaman twiitin, jotka eivät koskeneet varsinaisesti urheilun sponsorointia, vaan esimerkiksi urheiluliiketoimintaa yleisesti. Viimeisen karsintakierroksen jälkeen aineistosta oli karsittu pois yhteensä 997 twit-tiä. Näin lopullisen analysoitavan aineiston kooksi muodostui 983 twiittiä Excel-tiedostossa, jonka pituus A4-arkkeina vastasi 58 sivua. Käyty keskustelu näyttäytyi monipuolisena ja vä-rikkäänä muutamien lukukertojen pohjalta. Näin varmistuin aineiston riittävyydestä ja sovel-tuvuudesta tähän tutkimukseen.

39 4.2.2 Aineiston analysointi

Tutkimukseni tavoitteena halusin selvittää, millainen kuva urheilusponsoroinnista muodostuu Twitterissä käytävien keskustelujen pohjalta. Suomessa esimerkiksi Asunmaa (2016) on tut-kinut Puolustusvoimien maineen muodostumista asevelvollisuutta koskevien Twitter-viestien perusteella. Airistola (2017) taas selvitti tutkimuksessaan, kuinka lihavuudesta puhutaan twii-teissä. Näissä tutkimuksissa diskurssianalyysia oli käytetty apuna muodostamaan kuva siitä, miten jostakin asiasta tai ilmiöstä puhutaan Twitterissä. Täten pystyin vahvistumaan diskurs-sianalyysin sopivuudesta tutkimusmenetelmäkseni.

Aineiston analyysissä lähdin liikkeelle tutkimuskysymysteni pohjalta. Halusin ensinnäkin muodostaa selkeän kuvauksen aineistostani, eli suomenkielisestä urheilusponsorointia koske-vasta Twitter-keskustelusta vuoden 2018 ajalta. Jotta lukija pääsisi hieman käsiksi siihen, mi-ten keskustelu rakentui, erittelin lopullisen aineiston sisältämät twiittimäärät kuukausittain taulukkoon. Lisäksi laskin aineistosta kunkin yksittäisen twiittaajan julkaisemien twiittien määrät ja tein niistä taulukon. Lisäsin kyseisen taulukon kärkikymmenikön osalta tiedot myös tutkimusraporttiini. Esitän nämä taulukot sekä sanallisen kuvailuni keskustelusta myöhemmin tässä tutkimusraportissa luvussa 5.1.

Toisena tutkimuskysymyksenä halusin selvittää, millaisia sponsoroinnin diskursseja aineistos-ta muodostuu. Tähän tutkimuskysymykseen pyrin etsimään vasaineistos-tauksia diskurssianalyysin avulla, joka on laadullinen tutkimusmenetelmä. Laadullisen tutkimusanalyysin avuksi on ke-hitelty erilaisia tietokoneohjelmia, joiden avulla pystyttäisiin esimerkiksi etsimään tiettyjä sanoja tai sanapareja sisältäviä ilmaisuja aineistosta. Koin kuitenkin omassa tutkimuksessani paremmaksi vaihtoehdoksi käsitellä aineistoa ”käsin” ilman mitään ohjelmaa. Diskurssi-analyyttinen tutkimus vaatii tutkijan ja aineiston välistä tiivistä seurustelua ja useita aineiston lukukertoja (Jokinen, Juhila & Suoninen 2016). Ahkerasti aineistoon tutustumalla tutkijalle ei pelkästään hahmotu se, mitä aineisto sisältää, mutta on myös todennäköisempää huomata ai-neistosta mahdollisesti puuttuvat asiat. Tarkemmin käyttämääni diskurssianalyysia kuvaan luvussa 5.2.

40