Teemahaastattelujen ja nettikyselyn avokysymysten tavoitteena oli saada selville työvoimahallinnon ja aikuiskoulutuksen työntekijöiden kokemuksia maahan-muuttajien ohjauksesta, joten laadullinen aineisto muodostaa tutkimukseni pri-maariaineiston. Komplementaarisena aineistona on kvantitatiivinen osuus netti-kyselystä. Havainnointia käytin haastattelun tukena tutkittavan luonnollisessa ympäristössä. Havainnoinnin avulla asiat kiinnittyvät kontekstiin. Haastattelu usein tuo voimakkaimmin esiin johonkin ilmiöön tai asiaan liittyvät normit kuin normiin varsinaisesti liittyvän käyttäytymisen. Havainnointi saattaa paljastaa tämän ristiriidan ja käyttäytymisen laidan, mutta toisaalta päinvastoin myös haastattelu saattaa selventää käyttäytymistä. (Tuomi & Sarajärvi, 2006, 83.)
3.4 AINEISTOJEN ANALYYSIMENETELMÄT
Laadullisen aineiston analyysi voidaan jakaa kolmevaiheiseksi prosessiksi: ai-neiston redusointi eli pelkistäminen, aiai-neiston klusterointi eli ryhmittely ja abst-rahointi eli teoreettisten käsitteiden luominen. (Tuomi ja Sarajärvi 2006, 110–
111). Analyysin tavoitteena on rakentaa systemaattinen, kattava ja tiivistetty kuvaus tutkittavasta ilmiöstä. Analyysin lopputuloksena tuotetaan tutkittavaa ilmiöitä kuvaavia kategorioita, käsitteitä, käsitejärjestelmiä tai malleja. (Kyngäs
& Vanhanen 1999.) Käyttämästäni kvalitatiivisesta ja kvantitatiivisesta tutki-musaineistosta pyrin hakemaan vastauksia tutkimuskysymyksiini laadullisen aineiston analyysin ja SPSS – tilasto-ohjelman avulla.
Laadullisen aineiston lukutapani kohdistui ensiksi ohjauksen orientaatioon.
Keräsin alkuperäiset ilmaisut, joista muodostin seuraavaksi pelkistetyt ilmaisut.
Useiden lukukertojen jälkeen yhdistin ja ryhmittelin pelkistetyistä ilmaisuista yhteen kuuluvat asiat. Yhdistin saman merkityssisällön mukaiset pelkistetyt ilmaisut ja annoin ryhmitetylle ilmaisulle sitä kuvaavan käsitteen
alakategori-aan. Alakategoriassa nimesin saman merkityssisällön omaavat ilmaisut ohjaajan toiminnan mukaan emotionaaliseksi- ja tietotueksi, pragmaattiseksi tueksi, käyt-täytymisen ohjaukseksi, reflektiotueksi sekä toiminnallisuuden ja osallisuuden tueksi. Jatkoin analyysiä yhdistämällä samansisältöiset kategoriat toisiinsa muodostaen niistä yläkategoriat: psykodynaaminen, behavioristinen, konstruk-tivistinen sekä interkulttuurinen orientaatio. (Taulukko 15.) Näin teemoittelun avulla tekstiaineistosta saadaan esille kokoelma erilaisia vastauksia tai tuloksia esitettyihin kysymyksiin. (Eskola & Suoranta 1998, 175–180.)
Taulukko 15. Yksinkertaistettu esimerkki aineiston analyysitavasta (varsinaisia tuloksia esitelty talukossa 17 s.116)
ALKUPERÄISILMAISU ALAKATEGORIA
Ohjaajan toiminta
YLÄKATEGORIA Orientaatio
”Tai sit otat kädestä kiinni ja
näyt-tämään” Pragmaattinen tuki vas-taan, et kuinka paljon on järkevää auttaa ja missä vaiheessa pitäsi laittaa se ihminen ite ottamaan selvää”
”Niin kyllähän me sillä lailla aika pomoja ollaan, meiän on pakko olla”
”Asioiden pitää sujua tietyllä kel-lonlyömällä”
”Nää on nää puiteet missä työtä tehdään ja miten meillä Suomessa ja täällä koulussa toimitaan ja niistä ei voi poiketa”
Laadullisen aineiston analyysia tehdessäni tukeuduin tutkimuksen teoreettiseen osaan ohjauksen orientaatioista siten, että teoriaosa toimi apuna analyysin ete-nemisessä (Tuomi & Sarajärvi 2006, 101). Hyödynsin analyysin tekemisessä muodostamaani orientaatioiden teoreettista tarkastelukehikkoa. Hahmottele-mani orientaatioiden ideaalityypittely ohjasi tutkimusaineistostani esiintyvien orientaatioiden etsimistä. Ideaalityypit kuvasivat orientaatioiden ääripäitä. Käy-tännössä orientaatiot kuitenkin osin limittyivät ja olivat saaneet vaikutteita toi-sistaan, minkä vuoksi alkuperäisilmauksesta orientaation määrittely ei aina ollut erityisen selvää. Sama alkuperäisilmaus saattoi mahdollisesti limittyä myös johonkin toiseen orientaatioon. Tällöin tarkastelin alkuperäisilmaisua suhteessa hahmottelemaani taulukkoon orientaatioiden ideaalityypeistä ja sen mukaan sijoitin alkuperäisilmaisun parhaiten sopivan orientaation kohdalle.
Seuraavaksi kohdistin lukutapani ohjauksessa käytettyihin työmenetelmiin.
Analysoin teemahaastatteluissa esille tulleet käytetyt työmenetelmät ohjauksen orientaation kohdalle. Merkitsin taulukkoon käytetyn työmuodon ja koodin (esim. 1THN= ensimmäinen haastattelu, työvoimahallinto, nainen).
Nettikyselylomakkeessa olleet avointen kysymysten vastaukset analysoin käymällä ne läpi useaan kertaan. Sitten etsin aineistossa usein esiintyviä ilmai-suja ja teemoja, jotka liittyivät interkulttuurisessa ohjauksessa esiintyviin orien-taatioihin ja ammattikäytäntöihin. Pyrkimyksenäni oli yhtäältä löytää tyypilli-syyksiä, samanlaisuuksia sekä toisaalta poikkeamia.
Työvoimahallinnon ja aikuiskoulutuksen työntekijöiden kirjaamat dokumen-tit (kotoutumissuunnitelmat ja henkilökohtaiset opiskelusuunnitelmat) ana-lysoin tekstianalyysinä. Käytin näitä aineistoja vain selvittämään sitä, mitä asioi-ta maahanmuutasioi-tajisasioi-ta kirjaasioi-taan kotoutumissuunnitelmaan ja henkilökohasioi-taiseen opiskelusuunnitelmaan.
Tutkimuksen kvantitatiivisen aineiston analysoin aluksi SPSS for Windows 14.0 tilasto-ohjelmalla sekä myöhemmin IBM SPSS Statistics 21 –ohjelmalla. Ai-neiston analysoinnissa käytin faktorianalyysia, T-testiä, varianssianalyysia (ANOVA) sekä Spearmanin järjestyskorrelaatioita ristiintaulukointien lisäksi.
Tutkimusaineiston analyysissä on olennaista pyrkimys havaintoaineiston tiivis-tämiseen (Nummenmaa et al. 1997, 37). Tiivistin tutkimuksessani havaintoai-neistoa muodostamalla faktorianalyysin avulla summamuuttujia eri teemoihin liittyvistä väittämistä. Nettikyselylomakkeessa minulla oli väittämät teemoittain (oma työ ja asiantuntijuus, ohjaus ja vuorovaikutus sekä maahanmuuttajien osaamisen tunnistaminen). Jotta faktorianalyysiä voisi käyttää, täytyy aineiston olla kohtalaisen suuri. Tutkittavia pitää olla vähintään kaksi kertaa enemmän kuin analysoitavia muuttujia (Nummenmaa 2010, 406). Metsämuurosen (2008,42) mukaan havaintoja tulisi olla viisi kertaa muuttujien määrä, mutta pienempikin otos riittää, mikäli korrelaatiot muuttujien välillä ovat korkeat.
Tutkimuksessani kyselyyn vastanneita oli 173 ja faktorianalyysiin mukaan otet-tuja muuttujia oli ensimmäisessä faktorissa 117 ja toisessa seitsemän. Toisen ehdon mukaan tutkittavia pitäisi olla vähintään kaksikymmentä kertaa niin paljon kuin faktoreita. (Nummenmaa 2010, 407.) Ensimmäisessä faktorianalyy-sissä sain neljä faktoria ja toisessa faktoriorianalyyfaktorianalyy-sissä kaksi. Kun vastaajia oli 173, niin tämäkin ehto täyttyi.
Faktorianalyysissä voidaan valita kahdesta erilaisesta tarkastelutavasta: eks-ploratiivinen (EFA) ja konfirmatorinen (CFA) (Metsämuuronen 2009, 517). Näis-tä eksploratiivinen faktorianalyysi soveltuu tutkimuksen alkuvaiheeseen, jolloin tutkija ei vielä tiedä kuinka monta faktoria mallissa on tarpeen selittää (Pett et al.
2003). Käytin tutkimuksessani eksploratiivista faktorianalyysia eli en pyrkinyt ryhmittelemään muuttujia ennalta määritellyllä tavalla. Päämääränä oli löytää joitain yhteistä muuttujien väliltä niin, että ne voitiin yhdistää toisiinsa sekä teoriassa että käytännössä toimivalla tavalla (Metsämuuronen 2001, 29).
Ennen faktorianalyysin suorittamista muuttujien saamat ”En osaa sanoa”
-arvot muutettiin puuttuviksi tiedoiksi. Korrelaatiomatriisin soveltuvuuden faktorianalyysiin tarkistin Kaiser-Mayer-Olkinin (KMO) testin ja Bartlettin testin avulla. Korrelaatiomatriisi on sovelias faktorianalyysiin, jos KMO -testi antaa arvon nollan ja yhden välillä. KMO –arvon olisi hyvä olla suurempi kuin 0.7 mutta vähintään suurempi kuin 0,5. Tutkimuksessani ensimmäisen faktorin KMO -testin arvo oli 0,611 ja toisen faktorin KMO -testin arvo oli 0,726. Bartlet-tin tesBartlet-tin merkitsevyystason pitäisi olla pienempi kuin 0,05. Tällöin faktoriana-lyysin suorittamiselle on hyvät edellytykset, koska muuttujien välillä on riittä-västi korrelaatiota. (Nokelainen 2013, 84; Metsämuuronen 2008, 46.) Tutkimuk-seni molemmissa faktorianalyyseissä myös tämä ehto täyttyi, sillä p–arvo on 0.000 eli pienempi kuin 0,05. Tarkistin myös Goodness of Fit –testin avulla, että faktoriratkaisu oli riittävä selittämään muuttujissa tapahtuvaa vaihtelua (p<0,05). Myös tämä ehto täyttyi molemmissa faktoreissa, sillä faktorissa yksi Goodness of Fit -testin arvo oli 0,044 ja toisessa faktorissa 0,001.
Jotta muuttujat latautuisivat mahdollisimman yksikäsitteisesti, suoritetaan rotaatio (Metsämuuronen 2009, 520–522). Rotaatiota käytetään, jotta faktorirat-kaisu saadaan tulkinnallisesti mielekkäämpään muotoon. Rotatoimisen tavoit-teena on saada yhteenkuuluville muuttujille mahdollisimman korkea lataus yhdessä faktorissa ja vastaavasti mahdollisimman pienet lataukset kaikissa muissa faktoreissa. Rotaatio on rutiinitoimenpide faktorianalyysia suoritettaessa eikä se muuta faktorien yhteenlaskettua selitysosuutta. Rotaation avulla mallista saadaan helpommin tulkittava. Rotaatiomenetelmiä on kahta päätyyppiä: suo-rakulmainen ja vinokulmainen. Suorakulmaisessa rotaatiossa oletetaan, että faktorit ovat toisistaan riippumattomamia, jolloin ne eivät korreloi keskenään.
Jos faktoreiden sallitaan korreloida keskenään, niin silloin käytetään vinokul-maista rotaatiota. Tutkimuksessani faktorianalyysin tarkoitus oli ryhmitellä muuttujat, joten en ollut kiinnostunut faktoreiden välisestä korrelaatiosta. Tä-män vuoksi käytin Varimax-rotaatiota. (Metsämuuronen 2009, 654.)
Faktorin hyvyyttä voidaan arvioida sisällöllisesti tai muuttujien latausten pe-rusteella. Hyvyyden mitta on ominaisarvo, jonka tunnusluvulla kuvataan fakto-rien sisältämien väitteiden samansuuntaisuuden astetta. Faktorin ominaisarvon tulisi olla vähintään yksi. Faktoreihin otin mukaan väittämät, joiden ominaisar-vo oli > 1. (Metsämuuronen 2001, 31; Nummenmaa et al. 1997.) Kommunalitee-tin avulla tarkastellaan pääkomponentille latautuvien yksittäisten väittämien hyvyyttä. Kommunaliteetti kertoo, kuinka voimakkaasti väittämä latautuu fak-torille. Voimakkaasti latautuvan väittämän kommunaliteetti tulee lähelle lukua yksi. Alhaisten kommunaliteeettien perusteella voidaan osa muuttujista poistaa, sillä ne eivät täytä hyvyyden mittaa. Pääperiaatteena on, että väittämän kom-munaliteetin tulisi olla > 0,30. (Metsämuuronen 2001, 31.)
Faktorianalyysin avulla analysoin ohjaajan ammatillisuutta kuvaavia sekä ohjaajan ammattikäytäntöihin ja orientaatioon vaikuttavia tekijöitä. Faktoriana-lyysissä kävin läpi faktorien saamia latauksia. Etsin niitä kärkimuuttujia, joilla
oli korkeimmat lataukset ja jotka siten olivat sisällöllisesti lähimpänä toisiaan (Alkula et al. 2002, 273).
Ensimmäisen faktorianalyysin muodostin seuraavien vaiheiden kautta. Va-litsin faktorianalyysiin mukaan ohjausta ja vuorovaikutusta kartoittaneet 37 muuttujaa. Faktorointimenetelmäksi valitsin Maximum likelihood -vaihtoehdon, koska tutkimuksessani havaintoja oli riittävästi (n>100). Kaikkien 37 muuttujan ollessa mukana ei analyysi tuottanut yhtään faktoria ja KMO -arvo oli 0,120. Jatkaakseni analyysia poistin seuraavat muuttujat: ”Maahan-muuttajalle on helppo realisoida, mihin koulutukseen/työhön hänen osaamisel-laan voi Suomessa päästä”, koska tämän muuttujan lataus 0,318 oli alhaisin.
Jatkaessani analyysiä KMO –arvo oli 0,230 ja tuloksena 13 faktoria.
Faktorianalyysissa oli tällöin pääsääntöisesti väittämiä, jotka latautuivat vain kahdelle faktorille. Kokeilin faktorianalyysin tekemistä kuudella faktorilla, mut-ta näin en saanut tulosmut-ta. Seuraavaksi kokeilin faktorianalyysin tekemistä viidel-lä faktorilla, jolloin sain 36 muuttujasta muodostettua viiden faktorin mallin.
Faktorianalyysissä oli muuttujia joiden lataus oli alle 0,3, joten karsin pois seu-raavat muuttujat: ”Maahanmuuttaja on riittävän tietoinen omista oikeuksistaan”
(0,148), Maahanmuuttajan ohjausprosessi on ajallisesti pitkä” (0,191), ”Tiedostan oman roolini ohjauksessa” (0,188), ”Joudun ohjaustilanteessa varmistamaan monta kertaa, että maahanmuuttaja on ymmärtänyt asian” (0,177), ”Luotan maahanmuuttajalta itseltään saamiini vastauksiin” (0,127), ”Olen kiinnostunut ohjaukseen liittyvistä teorioista” (0,166).
Tämän jälkeen faktorianalyysissä KMO -arvo oli 0,356 mikä ei vielä ole riittä-vä. Jatkoin faktorianalyysin työstämistä siten, että poistin myös tästä analyysistä muuttujat, joiden lataus oli alle 0,3 eli ”Ohjaajan on hyvä tuntea erilaiset ohjaus-tekniikat” (0,171) ja ”Maahanmuuttajan ohjaukseen on liian vähän aikaa”
(0,143). Tällöin KMO -arvo oli 0,380. Tästä faktorianalyysistä poistin edelleen muuttujan, jonka lataus oli alle 0,3 eli ”Minun on vaikeaa saada maahanmuutta-jaa ymmärtämään Suomen palvelujärjestelmää” (0,211).
Tämänkään jälkeen KMO -arvo oli 0,430 ei ollut vielä riittävä. Tästä faktori-analyysistä poistin ”Olen perillä siitä, millaista ohjausta maahanmuuttaja tarvit-see”- muuttujan, koska sen lataus 0,235 oli pienempi kuin 0,3. Tämän jälkeen faktorianalyysin KMO -arvo oli 0,459. Seuraavaksi poistin tästä faktorianalyysis-tä muuttujat, joiden lataus oli alle 0,3 eli ”Tiedän, missä asioissa maahanmuutta-ja tarvitsee ohmaahanmuutta-jausta” (0,237) maahanmuutta-ja ”Minun on aina mahdollista käyttää tulkkia”
(0,243). Tällöin KMO -arvo oli 0,529.
Tämän jälkeen poistin muuttujat, joiden lataus oli alle 0,3 eli ”Ohjauksessa tiedän, missä kotoutumisprosessin vaiheessa maahanmuuttaja on” (0,142) ja
”Ohjaan maahanmuuttajan tarvittaessa toisen viranomaisen luokse” (0,135).
Tällöin faktorianlyysissä KMO -arvo oli 0,566, mikä ei vielä ole riittävä. Seuraa-vaksi kokeilin faktorianalyysia neljällä faktorilla. Lisäksi poistin muuttujan, jonka lataus oli alle 0,3 eli ”Ohjaustilanteessa maahanmuuttajan luottamuksen saaminen on tärkeää” (0,088). Näin tehden faktorianalyysin KMO -arvo oli 0,571.
Seuraavaksi poistin muuttujat ”Erilainen kulttuuritausta vaikeuttaa ohjaustilan-teessa vuorovaikutusta” (0,100) ja ”Ymmärrän vastuuni ohjaajana” (0, 103), kos-ka näiden lataus oli alle 0,3.
Tämän jälkeen faktorianalyysissä KMO-arvo oli 0,609. Kun vielä poistin
”Kuuntelen maahanmuuttajan mielipiteitä ja toiveita häntä koskevissa asioissa”
alhaisen latauksen (0,138) vuoksi sain KMO-arvoksi 0,602. Seuraavaksi poistin faktorianalyysistä ”Työtäni säätelevä lainsäädäntö oheistaa tiukasti maahan-muuttajan ohjausta” muuttujan, koska sen lataus oli hyvin pieni (0,170). Näin sain faktorianalyysin, jonka KMO -arvo oli 0,602. Tässä faktorianalyysissä oli vielä yksi ”Työtäni säätelevä lainsäädäntö ohjeistaa tiukasti maahanmuuttajan ohjausta” -muuttuja, jonka lataus oli hyvin pieni (0,170). Tämän latauksen pois-tamisen jälkeen sain faktorianalyysin, jossa KMO -arvo on 0,611 ja Goodness of Fit -testin arvo 0,044. Mitkä tarkoittavat, että faktorianalyysi tuottaa erillisiä ja luotettavia faktoreita. Valitsin faktorianalyysiin neljä faktoria, koska Scattelin Screen testi havainnollistaa, että neljännen ja viidennen faktorin välissä on taite-kohta. (Kuvio 9) Näin ollen viidennen faktorin lisäämisellä analyysiin ei ollut merkittävää lisäinformaatiota.