논문 리뷰 : 질적 분석에서 엄밀함을 달성하기

Grodal, Stine et al. (2021)

ACHIEVING RIGOR IN QUALITATIVE ANALYSIS: THE ROLE OF ACTIVE CATEGORIZATION IN THEORY BUILDING

Grodal, Stine, Michel Anteby, and Audrey L. Holm. "Achieving rigor in qualitative analysis: The role of active categorization in theory building." Academy of Management Review 46.3 (2021): 591-612.

https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3682667

Achieving Rigor in Qualitative Analysis: The Role of Active Categorization in Theory Building

Abstracts

Scholars have long debated how rigor can be achieved in qualitative analysis.

학자들은 오랫동안 질적 분석에서 어떻게 엄밀함을 달성할 수 있는지에 대해 논의해왔다.

To answer this question, we need to better understand how theory is generated from data.

이 질문에 답하기 위해 우리는 데이터로부터 이론이 어떻게 생성되는지를 더 잘 이해해야 한다.

Qualitative analysis is, at its core, a categorization process.

질적 분석은 그 핵심에서 범주화 과정이다.

Nevertheless, despite a surge of interest in categorization within the social sciences, insights from categorization theory have not yet been applied to our understanding of qualitative analysis.

그럼에도 불구하고, 사회과학에서 범주화에 대한 관심이 급증했음에도 범주화 이론의 통찰이 질적 분석에 대한 우리의 이해에 아직 적용되지 않았다.

Drawing from categorization theory, we argue that the movement from data to theory is an active process in which researchers choose between multiple moves that help them to make sense of their data.

범주화 이론을 바탕으로 우리는 데이터에서 이론으로의 전환이 연구자가 데이터를 이해하기 위해 여러 움직임 중에서 선택하는 능동적인 과정이라고 주장한다.

In addition, we develop a framework of the main moves that people use when they categorize data and demonstrate that evidence of these moves can also be found in past qualitative scholarship.

또한 우리는 사람들이 데이터를 범주화할 때 사용하는 주요 움직임의 틀을 개발하고, 이러한 움직임의 증거가 과거의 질적 학술 연구에서도 발견될 수 있음을 보여준다.

Our framework emphasizes that, if we are not sufficiently reflexive and explicit about the active analytical processes that generate theoretical insights, we cannot be transparent and, thus, rigorous about how we analyze data.

우리의 틀은 이론적 통찰을 생성하는 능동적 분석 과정을 충분히 반성적이고 명확하게 설명하지 않으면, 우리는 데이터 분석 과정에서 투명성을 확보할 수 없고 따라서 엄밀함을 유지할 수 없음을 강조한다.

We discuss the implications of our framework for increasing rigor in qualitative analysis, for actively constructing categories from data, and for spurring more methodological plurality within qualitative theory building.

우리는 이 틀의 질적 분석에서 엄밀성을 높이고, 데이터를 기반으로 범주를 능동적으로 구축하며, 질적 이론 구축에서 방법론적 다양성을 촉진하는 데 있어 가지는 의미를 논의한다.

Introduction

Qualitative analysis is a central tool for developing new theory

질적 분석은 새로운 이론을 개발하는 중심 도구이다 (Edmondson & McManus, 2007; Eisenhardt, 1989).

In recent years, there has been a call for increasing the rigor of qualitative research.

최근 몇 년 동안 질적 연구의 엄밀성을 높이자는 요청이 있었다 (Lamont & White, 2008; Lubet, 2017; Pratt, Kaplan, & Whittington, 2020; Small, 2013).

This debate on rigor has led some organizational scholars to ask, more specifically, “How can inductive researchers apply systematic conceptual and analytical discipline that leads to credible interpretations of data and also helps to convince readers that the conclusions are plausible and defensible?”

이 엄밀성에 대한 논의는 일부 조직학자들이 더 구체적으로 “귀납적 연구자들이 데이터의 신뢰할 수 있는 해석을 이끌어내며 독자들을 설득할 수 있는 체계적 개념 및 분석적 훈련을 어떻게 적용할 수 있을까?”라는 질문을 던지게 했다 (Gioia, Corley, & Hamilton, 2013: 15).

Scholars often assess rigor in qualitative research by examining qualitative analysts’ descriptions of how they moved from data to theory.

학자들은 종종 연구자가 데이터에서 이론으로 어떻게 전환했는지에 대한 질적 분석가들의 설명을 통해 질적 연구의 엄밀성을 평가한다(Bansal & Corley, 2011).

To demonstrate rigor, then, qualitative scholars need to detail more effectively “the actual strategies used for collecting, coding, analyzing, and presenting data when generating theory.”

따라서 질적 연구자들은 “이론을 생성할 때 데이터를 수집, 코딩, 분석 및 제시하는 데 사용된 실제 전략”을 더 효과적으로 상세히 기술할 필요가 있다 (Glaser & Strauss, 1967: 244).

When conducting qualitative analysis, we identify categories in our data.

질적 분석을 수행할 때 우리는 데이터에서 범주를 식별한다.

These categories are generally labeled “codes” or groupings of codes, such as the first- and second-order codes and overarching categories described in classical grounded theory.

이러한 범주는 일반적으로 “코드”라고 불리며, 1차 및 2차 코드 그리고 고전적 근거 이론에서 설명된 포괄적 범주로 구성된다 (Strauss & Corbin, 1990).

These categories generate the concepts and mechanisms that form the foundation for theory building.

이 범주들은 이론 구축의 기초가 되는 개념과 메커니즘을 생성한다 (Eisenhardt, 1989; Yin, 2003).

Given the centrality of categorization to qualitative analysis, it is surprising that we have not yet drawn more purposely on categorization theory to penetrate the challenges faced by qualitative scholars.

범주화가 질적 분석에서 중요한 역할을 하는 점을 고려할 때, 우리는 아직 범주화 이론을 충분히 활용하지 못하여 질적 연구자들이 직면한 문제를 깊이 있게 다루지 못한 것이 놀랍다.

A long-standing and vibrant line of inquiry among psychologists, sociologists, and management scholars has focused on understanding how humans construct and categorize the components of their world.

심리학자, 사회학자, 그리고 경영학자들 사이에서 오랫동안 활발하게 이어져 온 연구는 인간이 어떻게 세상의 구성 요소를 구축하고 범주화하는지를 이해하는 데 중점을 두었다 (Bingham & Kahl, 2013; Bloom, 2000; Khaire & Wadhwani, 2010; Lamont & Molnar, 2002; Murphy & Lassaline, 1997; Rosch, 1978; Vergne & Wry, 2014).

Categorization is the process through which individuals group elements together to generate an understanding of their world.

범주화는 개인이 세상을 이해하기 위해 요소들을 묶어 그룹화하는 과정이다 (Bowker & Star, 2000).

Importantly, individuals have been shown to actively construct categories based on the existing knowledge and the intentions they bring to the categorization process.

중요하게도, 개인들은 범주화 과정에서 기존 지식과 자신이 가진 의도를 바탕으로 범주를 능동적으로 구축하는 것으로 나타났다(Berger & Luckmann, 1967; Searle & Willis, 1995).

Yet, often this active categorization process is not evident in how qualitative researchers report their research, which makes it difficult for readers to assess the researchers’ analytical process.

그러나 종종 질적 연구자들이 연구를 보고하는 방식에서는 이 능동적인 범주화 과정이 명확히 드러나지 않으며, 이는 독자들이 연구자의 분석 과정을 평가하는 것을 어렵게 만든다.

Instead, many qualitative researchers draw on seemingly proven templates when describing their work even though the structure of these templates might be a far cry from the researchers’ actual analytical process.

대신 많은 질적 연구자들은 자신들의 작업을 설명할 때, 연구자의 실제 분석 과정과는 거리가 있을 수 있는, 겉으로는 입증된 것처럼 보이는 템플릿을 사용하는 경향이 있다.

Bringing categorization theory into the debate on how qualitative scholars achieve rigor allows us to reflect on the active role that we as researchers play in the construction of the categories critical to theory building.

질적 연구자들이 어떻게 엄밀성을 달성하는지에 대한 논의에 범주화 이론을 도입하는 것은, 우리가 이론 구축에 중요한 범주를 구성하는 데 연구자로서 수행하는 능동적인 역할을 되돌아보게 한다.

Such reflexivity allows us to articulate exactly what we did so that others can better understand how we moved from data to theory.

이러한 반성적 태도는 우리가 정확히 무엇을 했는지를 명확히 설명할 수 있게 해주며, 다른 사람들이 우리가 데이터에서 이론으로 어떻게 전환했는지를 더 잘 이해할 수 있게 한다.

Oftentimes, “we do not really know how the researcher got from 1,000 pages of field notes and transcriptions to the final conclusions, as sprinkled with vivid illustrations as they may be.”

종종 우리는 “연구자가 1,000페이지에 달하는 현장 노트와 전사에서 어떻게 결론에 도달했는지, 아무리 생생한 예시들이 포함되어 있더라도 실제로 알지 못한다” (Miles, Huberman, & Saldana, 2014: 5).

This is problematic for all scholars trying to evaluate the results of such pursuits, but even more so for junior scholars, who look to and try to learn from published pieces for guidance on how to generate theoretical insights.

이것은 그러한 연구 결과를 평가하려는 모든 학자들에게 문제가 되지만, 특히 이론적 통찰을 얻기 위한 지침을 출판된 연구에서 배우려고 하는 신진 학자들에게 더욱 문제이다.

The current lack of reflexivity also stands in the way of theory development by limiting the repertoire into which scholars tap when analyzing data and by artificially constraining the pathways that newcomers drawing upon qualitative data believe they can pursue.

현재 반성적 태도의 부족은 학자들이 데이터를 분석할 때 활용할 수 있는 레퍼토리를 제한하고, 질적 데이터를 사용하는 신진 학자들이 추구할 수 있다고 믿는 경로를 인위적으로 제약함으로써 이론 개발을 방해하고 있다.

In this article, we integrate insights from both categorization theory and existing scholarship on qualitative analysis to develop a framework emphasizing the researchers’ active role in theory building.

이 논문에서 우리는 범주화 이론과 기존의 질적 분석 연구에서 얻은 통찰을 통합하여, 연구자가 이론 구축에서 수행하는 능동적 역할을 강조하는 틀을 개발하였다.

The framework includes the main analytical moves upon which scholars might rely to sift through their data and serves as an invitation for them to both be more reflexive and more transparent about their analytical processes.

이 틀은 학자들이 데이터를 선별할 때 의존할 수 있는 주요 분석적 움직임들을 포함하며, 그들이 분석 과정을 더 반성적이고 투명하게 만들 수 있도록 유도하는 역할을 한다.

Table 1 provides an overview of this framework.

표 1은 이 틀의 개요를 제공한다.

TABLE 1 An Active Categorization Framework for Theory Development

We define “moves” as the micro-processes that researchers undertake during qualitative theory building.

우리는 “움직임”을 질적 이론 구축 과정에서 연구자들이 수행하는 미시적 과정으로 정의한다.

By integrating categorization theory with insights from existing but at times neglected qualitative scholarship, we identify specific moves.

범주화 이론과 기존의, 때로는 간과된 질적 학술 연구에서 얻은 통찰을 통합함으로써 우리는 특정한 움직임들을 식별한다.

In other words, while evidence of corresponding analytical strategies exists within qualitative scholarship, these moves have not, as such, been explicated.

즉, 질적 학술 연구 내에 해당하는 분석 전략의 증거는 존재하지만, 이러한 움직임들은 명시적으로 설명되지 않았다.

Specifically, we highlight eight main moves—(1) asking questions, (2) focusing on puzzles, (3) dropping categories, (4) merging categories, (5) splitting categories, (6) relating or contrasting categories, (7) sequencing categories, and (8) developing or dropping working hypotheses—that can provide analytical scaffolding to facilitate the often-daunting task of analyzing qualitative data and crafting theoretical contributions.

구체적으로 우리는 질적 데이터를 분석하고 이론적 기여를 창출하는 어려운 작업을 촉진하는 분석적 틀을 제공할 수 있는 여덟 가지 주요 움직임을 강조한다: (1) 질문하기, (2) 퍼즐에 집중하기, (3) 범주 버리기, (4) 범주 통합하기, (5) 범주 분리하기, (6) 범주 연결 또는 대조하기, (7) 범주 순서화하기, (8) 작업 가설 개발 또는 폐기하기.

Table 2 provides an overview of each move, including a definition of it and examples of how it has been applied in qualitative data analysis.

표 2는 각 움직임의 개요를 제공하며, 그 정의와 질적 데이터 분석에서 어떻게 적용되었는지에 대한 예를 포함한다.

TABLE 2 An Overview of Eight Possible Analytical Moves

Ultimately, we suggest that researchers can demonstrate rigor by detailing more precisely how they have purposefully drawn on a broad and diverse set of moves to engage with their data.

궁극적으로 우리는 연구자들이 어떻게 다양한 움직임을 목적에 맞게 활용하여 데이터를 다루었는지를 더 정확하게 설명함으로써 엄밀성을 입증할 수 있음을 제안한다.

This approach advocates that we are more candid and explicit about both the goals and the process driving theory development.

이 접근 방식은 이론 개발을 이끄는 목표와 과정 모두에 대해 더 솔직하고 명확하게 설명할 것을 권장한다.

Moreover, we argue that different moves can be used to generate insights during different phases of the research process and that no one template should be reified as the true way to achieve rigor.

또한 우리는 연구 과정의 다양한 단계에서 다양한 움직임들이 통찰을 생성하는 데 사용될 수 있으며, 어떤 한 가지 템플릿이 엄밀성을 달성하는 진정한 방법으로 고정되어서는 안 된다고 주장한다 (Abbott, 2004: 52).

That is true for Table 1 as well—this is not a framework that should be applied as a template.

이는 표 1에도 해당되며, 이는 템플릿으로 적용되어서는 안 되는 틀이다.

Instead, researchers should apply the moves that allow them to generate insightful categories from their data and subsequently report verbally or visually the often messy process that resulted.

대신 연구자들은 데이터를 통해 통찰력 있는 범주를 생성할 수 있는 움직임을 적용해야 하며, 그 결과로 종종 복잡한 과정을 언어적으로나 시각적으로 보고해야 한다.

In short, we not only echo the call for increased rigor but also encourage scholars to deploy their full and diverse analytical imagination in pursuit of strong theoretical insights.

요약하자면, 우리는 엄밀성을 높이자는 요청에 동의할 뿐만 아니라 학자들이 강력한 이론적 통찰을 추구하는 과정에서 그들의 완전하고 다양한 분석적 상상력을 발휘하도록 장려한다.

ACHIEVING RIGOR IN QUALITATIVE ANALYSIS

Qualitative scholars have long tried to achieve a better understanding of how readers are convinced by ethnographic texts and how limited cases can lend themselves to rigorous interpretation.

질적 연구자들은 오랫동안 독자들이 민족지 텍스트에 어떻게 설득되는지, 그리고 제한된 사례들이 어떻게 엄밀한 해석에 기여할 수 있는지에 대한 더 나은 이해를 추구해왔다 (Golden-Biddle & Locke, 1993; Small, 2009, 2013; Staw, 1995).

A debate has more recently ignited about how to improve methodological rigor.

최근에는 방법론적 엄밀성을 개선하는 방법에 대한 논쟁이 시작되었다 (Gioia et al., 2013).

To preempt skepticism about qualitative rigor, scholars have articulated broad guidelines on how to conduct qualitative research properly by calling on scholars to develop “a coding scheme and, insofar as possible, provide a sample of likely coding categories.”

질적 연구의 엄밀성에 대한 회의를 불식시키기 위해, 학자들은 “코딩 체계를 개발하고, 가능한 한 예상되는 코딩 범주의 샘플을 제공”해야 한다는 광범위한 가이드라인을 제시해 왔다 (Lamont & White, 2008: 143).

Yet they have been less explicit about how to do so.

그러나 그들은 이를 어떻게 해야 하는지에 대해서는 덜 명확했다.

As observed by Bansal and Corley (2011) and Langley and Abdallah (2015), in practice, many management scholars have translated the call for rigor into a need to follow seemingly proven and tested templates in written accounts of their analytical processes.

Bansal과 Corley(2011), Langley와 Abdallah(2015)가 지적한 바와 같이, 실제로 많은 경영학자들은 엄밀성을 요구하는 목소리를 겉보기에는 입증되고 검증된 템플릿을 따라야 한다는 필요성으로 해석했다.

While templates might prove useful in some circumstances, they can also obfuscate the researcher’s generative role in the analytical process when applied indiscriminately.

템플릿이 어떤 상황에서는 유용할 수 있지만, 그것이 무분별하게 적용될 경우 연구자의 생성적 역할을 분석 과정에서 모호하게 만들 수 있다.

Moreover, using templates can hinder scholarly output because it constrains the multiple ways in which rich qualitative data can be mined for insights and have the unintended consequence of generating undue homogeneity in qualitative theory building.

게다가 템플릿 사용은 풍부한 질적 데이터를 여러 가지 방식으로 활용하여 통찰을 얻는 것을 제한하고, 의도치 않게 질적 이론 구축에서 과도한 동질성을 유발하는 결과를 초래할 수 있다.

As Lamont and Swidler (2014: 157) argued, “Method debates are in fact theory debates.”

Lamont와 Swidler(2014: 157)는 “방법론 논쟁은 사실상 이론 논쟁이다”라고 주장했다.

Even Strauss and Corbin (1990: 129) cautioned against the use of templates, first acknowledging: “We realize that beginners need structure and that placing the data into discrete boxes makes them feel more in control of their analyses.”

심지어 Strauss와 Corbin(1990: 129)도 템플릿 사용에 대해 경고하면서 먼저 이렇게 인정했다: “우리는 초보자들이 구조가 필요하며, 데이터를 개별적인 상자에 넣는 것이 그들이 분석을 더 통제할 수 있다고 느끼게 만든다는 것을 알고 있다.”

They then added:

그들은 이어서 덧붙였다:

“Analysts who rigidify the process are like artists who try too hard: although their creations might be technically correct, they fail to capture the essence of the objects represented, leaving viewers feeling slightly cheated. Our advice is to let it happen. The rigor and vigor will follow.”

“과정을 고정화하는 분석가는 지나치게 노력하는 예술가와 같다: 그들의 창작물이 기술적으로는 맞을지 몰라도, 표현된 대상의 본질을 포착하지 못하며, 관객들에게 약간의 실망감을 남긴다. 우리의 조언은 그저 일이 일어나도록 두라는 것이다. 그러면 엄밀성과 활력이 뒤따를 것이다.” (Strauss & Corbin, 1990: 129).

Put another way, qualitative scholars may adopt different approaches when moving from data to theory; we argue that these various approaches may nonetheless be rigorous.

다시 말해, 질적 연구자들은 데이터에서 이론으로 전환할 때 다양한 접근 방식을 채택할 수 있으며, 우리는 이러한 다양한 접근 방식이 여전히 엄밀할 수 있다고 주장한다.

Here, we draw on categorization theory to explicate how researchers decipher their data and actively construct categories at different stages of the analytical process.

여기에서 우리는 범주화 이론을 바탕으로 연구자들이 데이터를 해독하고 분석 과정의 다양한 단계에서 어떻게 능동적으로 범주를 구성하는지 설명한다.

In the process, we unpack how a qualitative scholar might “let it happen” (in Strauss and Corbin’s terminology) while still ensuring that readers can both evaluate the scholar’s analytical process and be better guided in their own future pursuits.

이 과정에서 우리는 질적 연구자가 어떻게 “그냥 일이 일어나게 둔다” (Strauss와 Corbin의 용어로) 하면서도 독자들이 연구자의 분석 과정을 평가하고 자신의 미래 연구에서 더 나은 지침을 받을 수 있도록 할 수 있는지 설명한다.

Instead of promoting a unique template, we posit that rigorous qualitative analysis can be achieved by being transparent and detailed about individuals’ active categorization choices during the process of discovery.

특정 템플릿을 지지하는 대신, 우리는 발견 과정에서 연구자들이 내리는 능동적인 범주화 선택에 대해 투명하고 상세하게 설명함으로써 엄밀한 질적 분석을 달성할 수 있다고 본다 (Glaser & Strauss, 1967: 244).

Such an approach to rigor means that readers assessing the move from data to theory are able to grasp and evaluate more clearly the many decisions made by researchers in their analytical pursuits.

이러한 엄밀성에 대한 접근 방식은, 데이터에서 이론으로의 전환을 평가하는 독자들이 연구자들이 분석 과정에서 내린 다양한 결정을 더 명확하게 이해하고 평가할 수 있도록 한다 (Eisenhardt, Graebner, & Sonenshein, 2016).

This approach also encourages us to be more reflexive about our own research processes and how we build insights from our data, which can help us achieve a stronger theoretical contribution.

이 접근 방식은 또한 우리가 우리의 연구 과정과 데이터로부터 통찰을 얻는 방식에 대해 더 반성적으로 되돌아보도록 장려하며, 이를 통해 더 강력한 이론적 기여를 이끌어낼 수 있다 (Bourdieu & Wacquant, 1992).

Qualitative Analysis as a Categorization Process

At its core, the process of qualitative analysis entails sifting through data to generate new categories that can form the foundation for new theoretical insights.

질적 분석 과정의 핵심은 데이터를 선별하여 새로운 이론적 통찰의 기초가 될 수 있는 새로운 범주를 생성하는 것이다 (Becker, 2008; Charmaz, 1983; Fine, 1993; Golden-Biddle & Locke, 2007; Spradley, 1979; Strauss & Corbin, 1990; Van Maanen, 2011).

As Charmaz (2006: 186) explained, “As the researcher categorizes, he or she raises the conceptual level of the analysis from description to a more abstract theoretical level.”

Charmaz(2006: 186)이 설명한 것처럼, “연구자가 범주화할 때, 그는 분석의 개념적 수준을 묘사에서 더 추상적인 이론적 수준으로 끌어올린다.”

Van Maanen (1979: 541) likewise emphasized “categorizing” as a step to move from data to more general findings.

Van Maanen(1979: 541)도 마찬가지로 “범주화”를 데이터에서 더 일반적인 발견으로 나아가는 단계로 강조했다.

In addition, Corbin and Strauss (1990: 7) stressed the importance of progressing from examining raw data to constructing and labeling larger groupings that capture instances of emerging categories to develop theory.

또한 Corbin과 Strauss(1990: 7)는 이론을 개발하기 위해서는 원시 데이터를 검토하는 것에서 점차적으로 나아가, 나타나는 범주들의 사례를 포착할 수 있는 더 큰 그룹을 구성하고 명명하는 것이 중요하다고 강조했다.

To generate “overarching categories,” they advocated identifying similarities between subordinate categories and merging them to create larger groupings.

“포괄적인 범주”를 생성하기 위해, 그들은 하위 범주 간의 유사성을 식별하고 이를 통합하여 더 큰 그룹을 만드는 것을 제안했다.

Importantly, within qualitative data, these categories are sometimes concepts and at other times mechanisms, where mechanisms are categories of actions or behaviors that relate the concepts to each other.

중요하게도, 질적 데이터 내에서 이러한 범주들은 때로는 개념이고, 다른 경우에는 메커니즘인데, 메커니즘은 개념을 서로 연결하는 행동이나 행동 방식을 나타내는 범주이다 (Davis & Marquis, 2005; Hedstrom & Swedberg, 1996).

The challenge of creating categories is exacerbated when data are rich and layered; this is true of much qualitative data.

데이터가 풍부하고 여러 층으로 나뉘어 있을 때 범주를 생성하는 도전 과제는 더욱 심화되며, 이는 많은 질적 데이터에서 사실이다.

The richer and more layered the data, the more decisions the researcher needs to make in order to generate categories that form the basis for novel insights.

데이터가 풍부하고 복잡할수록, 연구자는 새로운 통찰을 위한 기초를 형성할 범주를 생성하기 위해 더 많은 결정을 내려야 한다.

Qualitative data tend to be rich and layered because they are often longitudinal, are collected on an ongoing basis, or derive from participants or data sources with differing perspectives.

질적 데이터는 종종 장기적이거나, 지속적으로 수집되거나, 또는 서로 다른 관점을 가진 참가자나 데이터 출처에서 파생되기 때문에 풍부하고 복잡한 경향이 있다 (Langley, 1999; Lopez & Phillips, 2019; Lofland, 1971).

Nevertheless, while categorization is at the heart of qualitative analysis, we have not yet looked to theories of categorization as a way to reflect on the process of qualitative theory building.

그럼에도 불구하고, 범주화가 질적 분석의 핵심임에도 불구하고, 우리는 아직 질적 이론 구축 과정을 성찰하는 방법으로 범주화 이론을 충분히 고려하지 않았다.

Drawing on Categorization Research to Inform Theory Building

Scholars have long recognized that humans create categories to reduce the amount of information they need to process when navigating a complex, information-satiated world.

학자들은 오랫동안 인간이 복잡하고 정보가 넘치는 세상을 탐색할 때 처리해야 할 정보의 양을 줄이기 위해 범주를 만든다는 사실을 인식해 왔다 (Bowker & Star, 2000; Lakoff, 2008; Rosch, 1978).

Categories are actively and socially constructed through a complex and multifaceted process that is driven by the knowledge, goals, and contexts in which the categorization process unfolds.

범주는 지식, 목표, 그리고 범주화 과정이 전개되는 맥락에 의해 주도되는 복잡하고 다면적인 과정을 통해 능동적이고 사회적으로 구성된다 (Barsalou, 1983; Berger & Luckmann, 1967; Durand & Paolella, 2013; Murphy & Medin, 1985; Searle & Willis, 1995).

For example, when antique dealers source pieces to acquire for their collection, they might distinguish them by century rather than grouping them by function, thus sorting the pieces, in effect, based on their goals and knowledge structures.

예를 들어, 골동품 딜러들이 자신의 컬렉션을 위해 수집품을 구할 때, 그들은 기능별로 그룹화하기보다는 세기별로 구분할 수 있으며, 이는 궁극적으로 그들의 목표와 지식 구조에 따라 분류하는 것이다.

By contrast, lay people would most likely sort antique furniture by salient functional features, for example, grouping all chairs together or all tables together.

반면, 일반 사람들은 두드러진 기능적 특징에 따라 골동품 가구를 분류할 가능성이 높으며, 예를 들어 의자를 한 그룹으로, 테이블을 한 그룹으로 모을 것이다.

In other words, faced with the same set of elements, and depending on people’s goals and existing knowledge, the sorting process will proceed differently, and people will ultimately most likely generate distinct groupings.

즉, 같은 요소를 마주할 때도 사람들의 목표와 기존 지식에 따라 분류 과정이 다르게 진행되며, 결국 사람들은 서로 다른 그룹을 만들어낼 가능성이 높다 (Barsalou, 1983).

The creation of categories can therefore not be decoupled from the person(s) who created them or the context in which they were created.

따라서 범주 생성은 그것을 만든 사람이나 그것이 생성된 맥락에서 분리될 수 없다.

This active construction of categories not only shapes which categories are generated but also the process through which they are created.

이러한 범주의 능동적 구성은 어떤 범주가 생성되는지를 결정할 뿐만 아니라 그것이 생성되는 과정에도 영향을 미친다.

As the knowledge and goals of the categorizer change, so do the categories created.

범주를 만드는 사람의 지식과 목표가 변함에 따라 생성된 범주도 변화한다 (Vygotsky, 1987).

Furthermore, the process of categorization is not linear and rational but characterized by iteration, detours, and regression.

게다가 범주화 과정은 선형적이고 합리적이지 않으며 반복, 우회, 회귀 등의 특징을 가진다 (Bloom, 2000).

Categories are often later forgotten.

범주들은 종종 나중에 잊혀진다.

Some of these forgotten categories are lost forever, whereas others are recreated at a later stage when the need for the same category arises.

잊혀진 범주들 중 일부는 영원히 사라지지만, 다른 일부는 같은 범주에 대한 필요가 다시 생길 때 나중에 재창조된다 (Siegler, 1998).

This active process also shapes the internal relationship between categories.

이 능동적 과정은 범주들 간의 내부 관계에도 영향을 미친다.

Initially, scholars asserted that categories were organized hierarchically: each overarching category encompassed all the other categories underlying it.

처음에 학자들은 범주가 계층적으로 조직된다고 주장했으며, 각 포괄적 범주는 그 하위에 있는 모든 다른 범주를 포함한다고 보았다(Murphy & Lassaline, 1997).

For example, “beef,” “lamb,” and “pork” can all be viewed as subsets of the overarching category “meat,” which in turn belongs to the overarching category “food.”

예를 들어, “쇠고기”, “양고기”, “돼지고기”는 모두 “고기”라는 포괄적 범주의 하위 범주로 볼 수 있으며, 이는 다시 “음식”이라는 포괄적 범주에 속한다.

This view, however, has been challenged.

그러나 이 관점은 도전을 받았다.

First, scholars have found that not all categories are organized around hierarchies.

첫째, 학자들은 모든 범주가 계층 구조를 중심으로 조직되지 않는다는 것을 발견했다 (Rosch, 1978).

Second, more recent developments in categorization theory have emphasized that such sorting is often contextual and dependent on the goal.

둘째, 최근 범주화 이론의 발전은 이러한 분류가 종종 맥락적이며 목표에 의존한다는 점을 강조해 왔다.

If the goal is to consume only grass-fed meat, then one might reorder these elements into grass-fed and traditionally fed meat, regardless of the type of animal from which the meat is derived.

예를 들어 목표가 풀을 먹여 키운 고기만을 섭취하는 것이라면, 그 고기가 어떤 동물에서 나왔는지와 상관없이 이를 풀을 먹인 고기와 전통적인 방식으로 사육된 고기로 재분류할 수 있다 (Weber, Heinze, & DeSoucey, 2008).

Such a grouping can recast elements into very different categories and produce new relations between them.

이러한 분류는 요소들을 매우 다른 범주로 재구성할 수 있으며, 그들 사이에 새로운 관계를 만들어낸다.

Applied to qualitative analysis, such agency in generating categories suggests that there could be an infinite number of perspectives on a particular data set, depending on the context and on the coder’s knowledge and goals.

질적 분석에 적용하면, 범주를 생성하는 이러한 능동성은 맥락과 코더의 지식 및 목표에 따라 특정 데이터 세트에 대한 무수히 많은 관점이 존재할 수 있음을 시사한다.

Furthermore, people’s perspectives and goals evolve as categories are created, forgotten, and at times resurrected throughout the analysis process.

또한, 분석 과정에서 범주가 생성되고 잊혀지며 때로는 되살아나는 동안 사람들의 관점과 목표도 진화한다.

Theory development encompasses many decisions that are anything but predefined and are therefore difficult to fit into templates.

이론 개발은 미리 정의되지 않은 여러 결정을 포함하며, 따라서 템플릿에 맞추기 어렵다.

The scholar is always at the center of the process and is actively involved in making these choices.

학자는 항상 그 과정의 중심에 있으며, 이러한 선택을 능동적으로 수행한다.

Drawing on Past Qualitative Scholarship to Inform Theory Building

While an active perspective on theory building has not been at the center of qualitative analysis published in management scholarship, a close reading across decades of scholarship on qualitative analysis reveals that there is support for the active approach as an analytical strategy.

능동적 관점이 경영학 연구에서 출판된 질적 분석의 중심에 있지는 않았지만, 수십 년간의 질적 분석에 대한 학문을 면밀히 검토하면, 분석 전략으로서 능동적 접근을 지지하는 증거가 있음을 알 수 있다 (Bansal & Corley, 2011; Langley & Abdallah, 2015).

We propose that many of the moves used in qualitative analysis mirror processes identified in categorization theory.

우리는 질적 분석에서 사용되는 많은 움직임이 범주화 이론에서 확인된 과정과 유사하다고 제안한다.

For instance, Becker (2008) outlined “tricks” that qualitative researchers can use to build theory.

예를 들어 Becker(2008)은 질적 연구자가 이론을 구축할 때 사용할 수 있는 “기술”을 설명했다.

He encouraged researchers to actively start elaborating categories by asking themselves what questions their data can answer.

그는 연구자들에게 자신들의 데이터가 어떤 질문에 답할 수 있는지 스스로에게 질문하면서 능동적으로 범주를 확장하기 시작할 것을 권장했다.

As he articulated it, “The reformulated questions constitute the beginnings of conceptual construction.”

그가 설명한 바와 같이, “재구성된 질문들은 개념적 구성의 시작을 이룬다” (Becker, 2008: 122).

Overall, Becker suggested that asking questions may be what paves the way for theoretical development.

전반적으로 Becker는 질문을 하는 것이 이론 개발로 나아가는 길을 열어줄 수 있다고 제안했다.

Similarly, Lofland, Snow, Anderson, and Lofland (2006) advised that “where the rubber hits the road, so to speak, [is the point at which] you begin to condense and organize your data into categories that make sense in terms of your relevant interests, commitments, literatures, and/or perspectives.”

마찬가지로, Lofland, Snow, Anderson, Lofland(2006)은 “소위 말해, 실질적인 작업이 시작되는 지점은 여러분이 자신의 관련된 관심사, 약속, 문헌 및/또는 관점에 맞는 범주로 데이터를 압축하고 조직하기 시작하는 시점이다”라고 조언했다 (Lofland et al., 2006: 201).

Thus, many foundational recommendations in qualitative analysis point to a range of ways in which qualitative researchers can actively approach their data to derive insights.

따라서 질적 분석에서의 많은 기초적인 권고 사항들은 질적 연구자들이 데이터를 능동적으로 접근하여 통찰을 얻을 수 있는 다양한 방법을 제시한다.

These recommendations inform the moves that constitute the building blocks of our proposed active categorization framework.

이러한 권고 사항들은 우리가 제안하는 능동적 범주화 틀의 구성 요소인 움직임을 형성하는 데 기여한다.

AN ACTIVE CATEGORIZATION FRAMEWORK FOR THEORY BUILDING

In the following sections, we integrate insights from categorization theory with insights from the at times neglected qualitative scholarship to spotlight eight main moves in which qualitative researchers engage when sifting through data and developing theory.

다음 섹션에서는 범주화 이론에서 얻은 통찰과 때로는 간과된 질적 학문에서 얻은 통찰을 통합하여, 질적 연구자들이 데이터를 선별하고 이론을 개발할 때 수행하는 여덟 가지 주요 움직임을 조명한다.

We detail how these eight moves can generate multiple pathways toward theory development.

우리는 이 여덟 가지 움직임이 어떻게 이론 개발로 가는 여러 경로를 생성할 수 있는지 자세히 설명한다.

Like different swimming strokes, these moves enable researchers to swim differently through their data and reach diverse destinations.

다양한 수영법처럼, 이러한 움직임들은 연구자들이 데이터를 통해 서로 다른 방식으로 헤엄치고 다양한 목적지에 도달할 수 있게 해준다.

As such, they should be viewed as examples of possible moves.

따라서 이 움직임들은 가능한 움직임의 예로 간주되어야 한다.

Analytical moves can be actively recombined in many ways to create multiple paths to insight, depending on the unfolding of the research process or the phenomenon in question.

분석적 움직임들은 연구 과정의 전개나 문제로 삼는 현상에 따라 다양한 방식으로 능동적으로 재조합되어 여러 가지 통찰로 가는 경로를 만들 수 있다.

Researchers will then themselves be able to identify more moves and to recombine them in potentially infinite ways to create a rigorous data-analysis description with a fully transparent analytical process.

연구자들은 더 많은 움직임을 스스로 식별하고, 그것들을 무한히 다양한 방식으로 재조합하여, 완전히 투명한 분석 과정을 통해 엄밀한 데이터 분석 설명을 만들 수 있을 것이다.

One way to think about the active categorization framework is to consider these eight moves in relation to three general stages in the analytical process: (1) generating initial categories, (2) refining tentative categories, and (3) stabilizing categories.

능동적 범주화 틀을 생각하는 한 가지 방법은 이 여덟 가지 움직임을 분석 과정의 세 가지 일반적인 단계와 관련지어 고려하는 것이다: (1) 초기 범주 생성, (2) 잠정적 범주 정교화, (3) 범주 안정화.

Since analyzing data is a “live” and iterative process, all moves can be useful at all stages of the process.

데이터 분석은 “생생한” 반복적인 과정이므로, 모든 움직임은 모든 단계에서 유용할 수 있다 (Locke, Feldman, & Golden-Biddle, 2015).

Some moves, however, might be more relevant and more likely to be deployed at specific stages.

그러나 일부 움직임은 특정 단계에서 더 관련이 있고, 더 많이 사용될 가능성이 있다.

In Table 1, the shading of each move during a particular analytical stage represents our expectations of its likelihood to occur at that time.

표 1에서는 특정 분석 단계에서 각 움직임의 음영 처리가 그 시점에서 발생할 가능성에 대한 우리의 기대를 나타낸다.

In the following section, we present the moves, following this possible order of appearance.

다음 섹션에서는 이 등장 순서를 따라 움직임을 제시한다.

Generating Initial Categories: Initial Data Collection and Analysis

Very few qualitative scholars approach field settings as fully blank slates.

매우 적은 수의 질적 연구자들만이 현장을 완전히 백지 상태로 접근한다 (Lofland et al., 2006).

Typically, qualitative scholars engage in early moves aimed at generating insights to prime the theory-building process.

일반적으로 질적 연구자들은 이론 구축 과정을 준비하기 위해 통찰을 생성하려는 초기 움직임에 참여한다 (Spradley, 1979).

When they are selecting field topics and starting to collect data, they draw on their existing knowledge and experiences to imagine possible pathways, setting aside others that do not trigger their curiosity.

그들이 현장 주제를 선택하고 데이터를 수집하기 시작할 때, 그들은 기존의 지식과 경험을 바탕으로 가능한 경로를 상상하며, 호기심을 자극하지 않는 다른 경로는 제쳐 둔다.

Thus, the choices and focus that researchers bring to their empirical inquiry seed the categorization process.

따라서 연구자들이 경험적 탐구에 가져오는 선택과 초점이 범주화 과정을 시작하게 한다.

We identified as central to this early seeding process two moves associated with generating initial categories: (1) asking questions and (2) focusing on puzzles.

우리는 이 초기 범주화 과정에서 중요한 두 가지 움직임을 확인했다: (1) 질문하기와 (2) 퍼즐에 집중하기.

Here, we define these moves, relate them to methodological strategies that we have identified in existing qualitative scholarship, and provide empirical examples.

여기서 우리는 이 움직임을 정의하고, 이를 기존 질적 학문에서 확인된 방법론적 전략과 연결하며, 경험적 예시를 제공한다.

Asking questions.

Categorization theory suggests that how humans make sense of the world depends on their prior understanding and initial goals.

범주화 이론은 인간이 세상을 이해하는 방식이 그들의 기존 이해와 초기 목표에 달려 있음을 시사한다 (Barsalou, 1983; Durand & Paolella, 2013; Murphy & Medin, 1985).

Deprived of existing categories, we would not be able to integrate or understand the world around us.

기존의 범주가 없다면 우리는 주변 세계를 통합하거나 이해할 수 없을 것이다.

Our existing categories are the foundations for the new categories that we form when presented with novel stimuli.

우리가 기존에 가지고 있는 범주는 새로운 자극을 받을 때 형성되는 새로운 범주의 기초가 된다 (Armstrong, Gleitman, & Gleitman, 1983).

In particular, we categorize the same objects differently depending on the goals we are trying to achieve and the questions we ask of the world.

특히 우리는 달성하려는 목표와 세상에 던지는 질문에 따라 같은 대상을 다르게 범주화한다.

For example, the categories people formulate to prepare to go camping consist of heterogeneous objects—such as boots, tents, and sleeping bags—that are united because they are useful for achieving the same goal.

예를 들어, 사람들이 캠핑 준비를 위해 형성하는 범주는 부츠, 텐트, 침낭과 같은 이질적인 물건들로 구성되며, 이들은 동일한 목표를 달성하는 데 유용하기 때문에 하나의 범주로 묶인다.

By contrast, given a different goal (such as going to work), boots and tents would not be viewed as part of the same category.

반면, 다른 목표(예: 출근)에서는 부츠와 텐트가 동일한 범주의 일부로 간주되지 않을 것이다.

“Asking questions” is the move in which researchers draw on their existing categories to select and approach their field settings with specific questions to which they would like answers.

“질문하기”는 연구자가 자신이 가지고 있는 기존 범주를 활용하여 현장을 선택하고, 답을 구하고자 하는 특정 질문을 가지고 접근하는 움직임이다.

By asking questions, and thereby restricting their goals up front, researchers begin to craft initial (possible) categories while they are collecting and analyzing their data.

질문을 함으로써 목표를 미리 제한하고, 연구자는 데이터를 수집하고 분석하는 동안 초기(가능한) 범주를 만들어가기 시작한다.

This is not to say that early questions are not revised or that new ones do not surface during analysis, but the initial path through the data is determined by which questions are asked.

이는 초기 질문이 수정되지 않거나 분석 과정에서 새로운 질문이 등장하지 않는다는 의미는 아니지만, 데이터 분석의 초기 경로는 어떤 질문을 했느냐에 따라 결정된다.

A close read of existing scholarship on qualitative methods reveals that asking questions has been suggested as a move to initiate theory building.

질적 방법론에 대한 기존 학술 연구를 자세히 읽어보면, 질문하기가 이론 구축을 시작하는 움직임으로 제안되었음을 알 수 있다 (Glaser & Strauss, 1967; Spradley, 1979; Strauss, 1987).

Although many qualitative scholars allow themselves to be guided by their field data and interactions, they still enter the field with some preconceptions and a history of past research designs and questions.

많은 질적 연구자들이 현장 데이터와 상호작용에 의해 인도되도록 허용하더라도, 그들은 여전히 일부 선입견과 과거 연구 설계 및 질문의 역사를 가지고 현장에 들어간다 (Golden-Biddle & Locke, 2007).

As Cohen (2013) lucidly reported, “Many of the choices made in my [qualitative] research design followed directly from past research.”

Cohen(2013)은 “내 [질적] 연구 설계에서 내린 많은 결정들은 과거 연구에서 직접적으로 따온 것이다”라고 명확하게 보고했다(Cohen, 2013: 435).

This pattern explains why Strauss (1987) labeled one common approach to qualitative data analysis as a “theory elaboration exercise,” one in which past literature serves as a springboard for asking questions to spur new lines of research “in service of discovering” a new and more encompassing theory.

이 패턴은 왜 Strauss(1987)가 질적 데이터 분석에 대한 일반적인 접근 방식을 “이론 확장 연습”으로 명명했는지를 설명하며, 여기서 과거 문헌은 새로운 연구 방향을 촉진하기 위한 질문을 던지는 발판 역할을 한다 (Strauss, 1987).

Similarly, Spradley (1979) suggested that asking questions is a core part of the early discovery process because it is through questions that researchers create initial categories for the problem they are trying to understand.

마찬가지로 Spradley(1979)는 질문하기가 초기 발견 과정의 핵심 부분이라고 제안했으며, 연구자가 이해하려는 문제에 대한 초기 범주를 질문을 통해 만들어낸다고 했다.

Likewise, many scholars recommend ongoing efforts to answer the key question in generalizing beyond the chosen empirical setting: “What is this a case of?”

마찬가지로 많은 학자들이 선택된 경험적 설정을 넘어 일반화하려는 중요한 질문에 답하기 위한 지속적인 노력을 권장하며, 그 질문은“이것은 어떤 사례인가?“이다.

Asking this question allows for an exploration of the conceptual possibilities offered by the data, thereby generating theoretical insights that “bump things up a level of generality.”

이 질문을 던지는 것은 데이터가 제공하는 개념적 가능성을 탐구할 수 있게 하며, 이를 통해 “일반화 수준을 한 단계 끌어올리는” 이론적 통찰을 생성한다 (Luker, 2008: 138).

Another reason why asking questions is an important part of the research process is that it helps the researcher to manage the complexity and overload of data, which can stand in the way of theoretical insights.

질문하기가 연구 과정의 중요한 부분인 또 다른 이유는, 그것이 연구자가 데이터의 복잡성과 과부하를 관리하는 데 도움이 되기 때문이며, 이는 이론적 통찰을 얻는 데 장애물이 될 수 있다.

Without such questioning, “The result is death by data asphyxiation—the slow and inexorable sinking into the swimming pool which started so cool, clear, and inviting and now has become a clinging mass of maple syrup.”

이러한 질문이 없으면, “결과는 데이터 질식사이다. 시원하고 맑으며 유쾌하게 시작된 수영장에서 천천히, 그리고 불가피하게 점점 더 끈적끈적한 메이플 시럽 덩어리로 빠져드는 것이다” (Pettigrew, 1990: 281).

Even if questions are not fully articulated, they are nonetheless ubiquitous in the mind of many researchers and offer gateways into the initial process of category construction and theory building.

질문이 완전히 명확하게 제시되지 않더라도, 그것들은 여전히 많은 연구자들의 마음 속에 항상 존재하며, 범주 구성과 이론 구축의 초기 과정으로 가는 출입구 역할을 한다.

Our analysis of published qualitative papers revealed examples of how authors have used questions to jump-start their theory development.

우리가 분석한 출판된 질적 논문들은 저자들이 어떻게 질문을 사용하여 이론 개발을 시작했는지에 대한 예시를 보여준다.

Grodal, Nelson, and Siino (2015) described their process as follows:

Grodal, Nelson, Siino(2015)는 그들의 과정을 다음과 같이 설명했다.

“Initially, our observations focused on [the] grand tour question: ‘How do helping behaviors unfold?’ Over time, however, as our inquiry became more focused on specific aspects of helping behavior, the nature of these questions changed to reflect our growing understanding.”

“처음에 우리의 관찰은 [대규모 탐방 질문]에 초점을 맞추었다: ‘도움 행동이 어떻게 펼쳐지는가?’ 그러나 시간이 지남에 따라 우리의 연구가 도움 행동의 특정 측면에 더 집중되면서, 이 질문의 성격도 우리의 이해가 깊어짐에 따라 변화했다.” (Grodal et al., 2015: 140).

Because the authors asked this question, helping behavior became the focus of their study, even though their data also spoke to other phenomena.

저자들이 이 질문을 했기 때문에, 그들의 연구는 도움 행동에 초점을 맞추게 되었으며, 비록 그들의 데이터가 다른 현상에 대해서도 말하고 있었음에도 불구하고 그렇다.

Deeper into their analysis, they began to wonder how engagement is sustained during helping routines. Hence, their questions shifted at each stage and in many ways shaped the categories on which they honed in during their finer-grained analysis.

분석이 더 깊어지면서, 그들은 도움 행동이 어떻게 지속되는지를 궁금해하기 시작했다. 따라서 그들의 질문은 각 단계에서 변화했고, 그들의 세밀한 분석에서 집중한 범주들을 여러 가지 방식으로 형성했다.

This approach of iterative questioning is not unique: when describing the analytical process she followed in her study of employees’ use of mobile devices, Mazmanian (2013) similarly reported asking questions of her data.

이러한 반복적인 질문 접근 방식은 유일한 것이 아니다: 직원들의 모바일 기기 사용에 대한 연구에서 그녀가 따른 분석 과정을 설명할 때, Mazmanian(2013)도 유사하게 데이터에 대해 질문을 던졌다고 보고했다.

Likewise, in her study of women doing “unpaid” work in VIP nightclubs, Mears (2015) asked the core question “Why do workers participate in their own exploitation?” as a trigger to her analytical process.

마찬가지로, VIP 나이트클럽에서 “무급” 노동을 하는 여성들에 대한 연구에서, Mears(2015)는 “왜 노동자들이 자신들의 착취에 참여하는가?“라는 핵심 질문을 던지며 분석 과정을 시작했다.

With such questions in mind, these scholars were able to spearhead unique trajectories through their data.

이러한 질문을 염두에 두고, 이 학자들은 데이터 속에서 독창적인 연구 궤적을 주도할 수 있었다.

Asking questions is thus an important move in qualitative research because it allows researchers to proactively direct their analysis toward a specific theoretical end, making it more likely that the initial categories that emerge from the data-analysis process will be of theoretical significance.

따라서 질문하기는 질적 연구에서 중요한 움직임이다. 이는 연구자가 자신의 분석을 특정 이론적 목표로 능동적으로 이끌 수 있게 해주며, 데이터 분석 과정에서 나타나는 초기 범주들이 이론적으로 중요한 의미를 가질 가능성을 더 높이기 때문이다.

Focusing on puzzles.

Initial categories are also generated by “focusing on puzzles,” the move in which researchers concentrate on the parts of the data they find most surprising or salient.

초기 범주는 또한 “퍼즐에 집중하기”라는 움직임을 통해 생성되는데, 연구자들이 데이터에서 가장 놀랍거나 두드러진 부분에 집중하는 것이다.

Not all information is equally important in the categorization process.

범주화 과정에서 모든 정보가 동일하게 중요한 것은 아니다 (Bowker & Star, 2000).

To categorize the world around us, we bring with us the knowledge we have already accumulated about a particular space.

우리는 주변 세상을 범주화하기 위해 특정 공간에 대해 이미 축적한 지식을 가져온다 (Durkheim & Mauss, 2009).

Thus, we categorize objects by making inferences based on the knowledge base we already possess.

따라서 우리는 이미 가지고 있는 지식 기반을 바탕으로 추론하여 객체를 범주화한다 (Hirschfeld & Gelman, 1994; Murphy, 2004).

If we observe that a particular animal has wings, we assume that it can fly, lays eggs, and will tend to its young in nests.

특정 동물에게 날개가 있으면, 우리는 그것이 날 수 있고, 알을 낳으며 둥지에서 새끼를 돌본다고 추정한다.

When our knowledge of the world is confirmed in actual behavior, we hardly pay attention: these categories have become part of our taken-for-granted understanding of the world.

우리의 세계에 대한 지식이 실제 행동에서 확인되면 우리는 거의 주의를 기울이지 않으며, 이러한 범주는 당연하게 여겨지는 세계 이해의 일부가 된다 (Clark & Wilkes-Gibbs, 1986; Colyvas & Powell, 2006; Vygotsky, 1987).

When the bird with wings takes off in flight, we happily proceed undisturbed.

날개를 가진 새가 날아오를 때 우리는 아무런 방해 없이 기쁘게 그 모습을 본다.

Nevertheless, our observations do not always correspond to our existing knowledge about the world.

그러나 우리의 관찰이 항상 세계에 대한 기존 지식과 일치하는 것은 아니다.

If we encounter a bird with wings that cannot fly (such as a penguin or an ostrich), we pause in puzzlement.

우리가 날개가 있지만 날 수 없는 새(예: 펭귄이나 타조)를 마주하면, 우리는 당황하여 멈추게 된다.

The lack of flight is a salient feature in an animal with wings; it forces us to pay attention.

날지 못하는 것은 날개를 가진 동물의 두드러진 특징이며, 이는 우리의 주의를 끌게 만든다.

“Salience refers to the intensity of a feature, the extent to which it presents a high amplitude.”

“두드러짐은 특징의 강도, 즉 그것이 얼마나 높은 강조로 나타나는지를 의미한다” (Sloman, Love, & Ahn, 1998: 193).

Salience creates dissonance with our existing knowledge about a category, and it plays an important role in category formation because salience helps us to focus on the novelty and uniqueness of a specific situation.

두드러짐은 범주에 대한 우리의 기존 지식과 불일치를 일으키며, 이는 특정 상황의 새로움과 독특함에 주의를 집중하게 만들어 범주 형성에 중요한 역할을 한다 (Ahn, 1999).

For example, we might believe that all swans are white. Encountering a black swan creates dissonance with our existing cognitive structures, and we pay attention to the phenomenon in an attempt to find an explanation for the discrepancy.

예를 들어, 우리는 모든 백조가 하얗다고 믿을 수 있다. 그러나 검은 백조를 마주하면 우리의 기존 인지 구조와 불일치를 일으키며, 우리는 이 불일치에 대한 설명을 찾기 위해 그 현상에 주목하게 된다.

Salience might take the form of a contradictory exemplar—such as a puzzling person, event, or utterance—that challenges the conceptual coherence through which we view the world.

두드러짐은 우리가 세상을 바라보는 개념적 일관성을 도전하는, 퍼즐 같은 사람, 사건, 또는 발언과 같은 모순된 예시의 형태를 취할 수 있다 (Smith & Zarate, 1992).

Focusing on puzzles might help us abduct new insights about a novel and untheorized category which may be present in the data.

퍼즐에 집중하는 것은 데이터에서 새로운 통찰을 끌어낼 수 있으며, 이는 새롭고 이론화되지 않은 범주에 대한 통찰일 수 있다 (Behfar & Okhuysen, 2018; Locke, Golden-Biddle, & Feldman, 2008).

In other words, a puzzling piece of data can function as a lightning rod, attracting insights around which new categories can form.

즉, 퍼즐 같은 데이터는 번개막대 역할을 하여, 그 주변에 새로운 범주가 형성될 수 있는 통찰을 끌어모은다 (Zhao, Ishihara, Jennings, & Lounsbury, 2018).

When developing theory, it is important to focus on what is surprising and unexpected in how the data relate to existing theory.

이론을 개발할 때는 데이터가 기존 이론과 어떻게 관련되는지에서 놀랍고 예상치 못한 부분에 집중하는 것이 중요하다.

Scholars have called such puzzles “negative cases” or “unusual” incidents and have emphasized their importance in the theorizing process, even if there is “only one case.”

학자들은 이러한 퍼즐을 “부정적 사례” 또는 “특이한” 사건이라고 부르며, 비록 “단 하나의 사례”만 있더라도 이론화 과정에서 그 중요성을 강조해왔다 (Katz, 2001: 331; Emerson, Fretz, & Shaw, 2011: 193).

Focusing on such cases can elucidate the patterns and variations in the meanings that members attribute to a given social setting.

이러한 사례에 집중하는 것은 구성원들이 특정 사회적 상황에 부여하는 의미의 패턴과 변화를 명확히 할 수 있다.

Stated otherwise, strong qualitative research might result precisely from focusing on the unexpected.

다시 말해, 강력한 질적 연구는 바로 예상치 못한 것에 집중함으로써 도출될 수 있다.

In Tricks of the Trade, Becker (2008) described a move he called over-focusing on strange elements: he explained how “weird” findings or a “finding that does not fit” prove integral to theory development.

Becker(2008)는 Tricks of the Trade에서 이상한 요소에 과도하게 집중하는 움직임을 설명하며, “이상한” 발견이나 “맞지 않는 발견”이 이론 개발에 어떻게 중요한 역할을 하는지 설명했다 (Becker, 2008: 208, 83).

Miles et al. (2014) also called attention to “outliers” and “surprises” when analyzing data.

Miles 등(2014)도 데이터 분석에서 “이상치”와 “놀라운 것”에 주목했다 (Miles et al., 2014: 301).

Many other scholars recommend honing in on puzzles as well. For example, Turco (2016) described generating insight by “reading her field notes and memos several times through” and never being able to “jump right into line-by-line coding.”

다른 많은 학자들도 퍼즐에 집중할 것을 권장한다. 예를 들어, Turco(2016)는 자신의 현장 노트와 메모를 여러 번 읽으면서 통찰을 얻었으며, “줄별로 코딩하는 것”에 바로 뛰어들 수 없었다고 설명했다 (Turco, 2016: 206).

Instead, she suggested “looking for empirical puzzles.”

그 대신 그녀는 “경험적 퍼즐을 찾는 것”을 제안했다 (Turco, 2016: 206).

In short, focusing on puzzling cases is an analytical strategy that researchers can use to stimulate new lines of inquiry.

요약하자면, 퍼즐 같은 사례에 집중하는 것은 연구자가 새로운 연구 방향을 자극하기 위해 사용할 수 있는 분석 전략이다.

When Desmond (2012) conducted his ethnography of evicted tenants in high-poverty neighborhoods, he noticed that these tenants relied more on new acquaintances than on kin ties to meet their more pressing needs, regardless of the strength or weakness of those ties.

Desmond(2012)이 빈곤층 이웃에서 쫓겨난 세입자들에 대한 민족지학 연구를 수행했을 때, 그는 이 세입자들이 더 절실한 필요를 충족시키기 위해 혈연보다 새로운 지인들에게 더 의존한다는 사실을 발견했다.

This puzzling observation prompted Desmond to develop the notion of “disposable ties” as a new category of social ties not fully captured by the notion of weakness.

이 퍼즐 같은 관찰은 Desmond가 “일회용 연결”이라는, 약한 연결의 개념으로는 완전히 설명되지 않는 새로운 사회적 연결 범주를 개발하게 만들었다.

In a similar fashion, when describing her analytical process, Vaughan (1996) highlighted how focusing on puzzles led her to generate theory about “normalizing deviance” in organizations.

유사하게, Vaughan(1996)은 자신의 분석 과정을 설명할 때 퍼즐에 집중하는 것이 조직 내 “일탈의 정상화”에 대한 이론을 생성하게 했다고 강조했다.

Focusing on puzzles thus directs researchers’ categorization efforts toward data elements that diverge from expectations and might therefore form the basis for generating new theory.

따라서 퍼즐에 집중하는 것은 연구자가 범주화를 할 때 기대에서 벗어난 데이터 요소에 집중하게 하여, 새로운 이론을 생성하는 기초를 형성할 수 있게 한다.

During their initial data collection and analysis, researchers generate initial categories by asking questions and focusing on puzzles.

초기 데이터 수집과 분석 과정에서, 연구자들은 질문하기와 퍼즐에 집중하기를 통해 초기 범주를 생성한다.

This is important in theory development because the initial questions and puzzles arise from discrepancies between what researchers notice in the data in light of their understanding of past theories, which can help them abduct new theoretical insights.

이것은 이론 개발에 중요한데, 초기 질문과 퍼즐은 연구자들이 과거 이론에 대한 이해를 바탕으로 데이터에서 알아차리는 것과의 불일치에서 발생하며, 이를 통해 새로운 이론적 통찰을 도출할 수 있기 때문이다 (Locke et al., 2008; Timmermans & Tavory, 2012).

In this stage, researchers therefore juxtapose initial categories with past theoretical insights.

따라서 이 단계에서 연구자들은 초기 범주와 과거의 이론적 통찰을 나란히 배치한다.

Refining Tentative Categories: Further Analyses and Possible Added Data Collection

As research progresses, the process of data analysis shifts from generating initial categories toward refining tentative categories through moves such as “dropping categories,” “merging categories,” “splitting categories,” “relating or contrasting categories,” and “sequencing categories.”

연구가 진행됨에 따라 데이터 분석 과정은 초기 범주 생성에서 “범주 제거,” “범주 통합,” “범주 분리,” “범주 연결 또는 대조,” 그리고 “범주 순서화”와 같은 움직임을 통해 잠정적 범주를 정교화하는 단계로 전환된다.

These moves also help the analyst to begin distinguishing categories that might function as mechanisms from those that function as concepts and to begin mapping out the links between them.

이러한 움직임들은 분석가가 메커니즘으로 기능할 수 있는 범주와 개념으로 기능할 수 있는 범주를 구분하고, 그들 사이의 연결 관계를 구체화하는 데 도움을 준다.

The combination of these moves starts to elaborate and challenge existing theories.

이러한 움직임의 결합은 기존 이론을 확장하고 도전하기 시작한다.

Dropping categories.

When we categorize the world around us, we must often sort through an overwhelming amount of information.

우리가 주변 세상을 범주화할 때, 우리는 종종 방대한 양의 정보를 정리해야 한다 (Murphy, 2004; Rosch, 1978).

A consequence of the overload of information is that people initially generate categories that turn out not to be relevant to the categorization process.

정보 과부하의 결과로, 사람들은 초기에는 범주화를 설명하는 데 적합하지 않은 범주를 생성하게 된다.

They might, thus, initially create categories that are faulty, biased, or irrelevant in explaining the phenomena that they are trying to categorize.

따라서 그들은 범주화하려는 현상을 설명하는 데 잘못되었거나, 편향적이거나, 관련성이 없는 범주를 처음에 생성할 수 있다.

When humans focus in on salient cues to guide in the categorization process, these initial categories might be salient for accidental reasons instead of representing stable patterns.

인간이 범주화 과정에서 눈에 띄는 신호에 집중할 때, 이러한 초기 범주들은 우연한 이유로 두드러져 나타날 수 있으며, 안정적인 패턴을 나타내지 않을 수 있다 (Weick, Sutcliffe, & Obstfeld, 2005).

An important part of the categorization process therefore entails dropping initial categories to focus the categorization process on categories that are more important and meaningful in explaining the phenomena at hand.

따라서 범주화 과정에서 중요한 부분은 초기 범주를 제거하고, 현상을 설명하는 데 더 중요하고 의미 있는 범주에 범주화 과정을 집중시키는 것이다 (Murphy, 2004).

When people “drop categories,” they stop paying attention to categories that are no longer relevant in explaining the phenomenon that they are paying attention to.

사람들이 “범주를 제거할” 때, 그들은 더 이상 자신이 주목하고 있는 현상을 설명하는 데 관련성이 없는 범주에 대한 주의를 중단한다.

In the process of generating categories, researchers often create a multitude of categories, only a few of which will be essential in explaining the puzzle that they have identified in the data.

범주 생성 과정에서 연구자들은 종종 다수의 범주를 생성하며, 그 중 일부만이 그들이 데이터에서 식별한 퍼즐을 설명하는 데 필수적일 것이다.

Several qualitative scholars suggest that an important part of qualitative analysis is to revise and reduce the number of categories that are used to explain the phenomena.

여러 질적 연구자들은 질적 분석의 중요한 부분이 현상을 설명하는 데 사용되는 범주의 수를 수정하고 줄이는 것이라고 제안한다.

Locke (2001), for example, suggested that “selecting out categories” is an important part of the analytical process and that, if “analysts feel they have in their theory a coherent detailed and worthwhile story to tell then…they should drop the category.”

예를 들어 Locke(2001)는 “범주 선택”이 분석 과정에서 중요한 부분이며, 만약 “분석가가 자신의 이론에 일관성 있고 가치 있는 이야기를 포함하고 있다고 느낀다면…그 범주를 제거해야 한다”고 제안했다.

Likewise, Miles et al. (2014) discussed the possible disconnect between the researcher’s emerging understanding of a phenomenon and the categories identified in the early stages of a project.

마찬가지로 Miles 등(2014)은 연구자의 현상에 대한 새로운 이해와 프로젝트 초기 단계에서 식별된 범주 사이에 발생할 수 있는 단절에 대해 논의했다.

In particular, “some codes do not work; others decay. No field material fits them, or the way they slice up the phenomenon is not the way the phenomenon appears empirically.”

특히 “일부 코드는 작동하지 않거나, 다른 코드들은 쇠퇴한다. 필드 자료가 해당 코드에 맞지 않거나, 그 현상을 나누는 방식이 경험적으로 나타나는 현상과 일치하지 않는다” (Miles et al., 2014: 82).

The researcher realizes that “some codes do not work” and the associated categories should be either dropped or transformed to best reflect the data.

연구자는 “일부 코드는 작동하지 않는다”는 것을 깨닫고, 관련 범주가 데이터에 가장 잘 반영되도록 제거하거나 변환해야 한다는 것을 인식한다.

When researchers write their methods sections, they tend to focus on the categories that remained in their analysis more than the ones that were dropped.

연구자들이 방법론 부분을 작성할 때, 그들은 분석에서 남아있는 범주에 더 집중하고, 제거된 범주에 대해서는 덜 언급하는 경향이 있다.

This is particularly true of published work wherein methods sections are often shorter than in working papers in which authors are more focused on convincing readers of their methodological astuteness.

이는 특히 출판된 연구에서는 방법론 부분이 작업 논문보다 짧게 작성되는 경우가 많으며, 저자들은 독자들에게 자신들의 방법론적 정확성을 설득하는 데 더 집중한다는 점에서 그렇다.

However, examples from the coauthors’ own work suggest the importance of dropping categories for the categorization process.

그러나 공동 저자들의 연구 사례는 범주화 과정에서 범주를 제거하는 것이 중요함을 시사한다.

In her research on constructing social and symbolic boundaries in the nanotechnology field, Grodal (2018) described that she “developed some broad and some very specific codes…through several rounds of iteration and moving back and forth between broad and specific codes.”

나노기술 분야에서 사회적, 상징적 경계를 구축하는 연구에서, Grodal(2018)은 자신이 “넓은 코드와 매우 구체적인 코드를 여러 번의 반복 과정을 거치며 개발했다”고 설명했다.

This process involved in fact dropping several codes that turned out not to have theoretical traction.

이 과정에서 실제로 이론적 영향력이 없다고 판명된 여러 코드를 제거하게 되었다.

For example, the initial category “commercializing scientific knowledge,” which was abundant in the data, turned out to be only peripherally related to the overarching theoretical story of how the social and symbolic boundaries of a field expand and contract over time; this category was therefore dropped from the analysis.

예를 들어, 데이터에서 풍부하게 나타난 “과학적 지식의 상업화”라는 초기 범주는 시간이 지남에 따라 한 분야의 사회적, 상징적 경계가 어떻게 확장되고 축소되는지를 설명하는 이론적 이야기와 주변적인 관련성만을 가졌으며, 이 범주는 분석에서 제거되었다.

Similarly, when studying ghostwriters, Anteby and Occhiuto (2020) initially created the category “previously published” to track whether the ghostwriters they interviewed had published under their own name prior to agreeing to write for others and how ghostwriters spoke about such past publications.

유령 작가를 연구할 때, Anteby와 Occhiuto(2020)는 인터뷰한 유령 작가들이 다른 사람을 위해 글을 쓰기로 동의하기 전에 자신의 이름으로 출판한 경험이 있는지를 추적하고, 유령 작가들이 그러한 과거의 출판물에 대해 어떻게 이야기하는지를 알아보기 위해 “이전에 출판한”이라는 범주를 처음에 생성했다.

The intuition was that ghostwriters who had published under their own name might resent (more than others) being asked to remain invisible from public view.

이 직관은 자신의 이름으로 출판한 유령 작가들이 (다른 사람들보다) 대중의 시야에서 보이지 않도록 요청받는 것을 더 꺼릴 것이라는 것이었다.

Ultimately, however, the category “previously published” proved partly irrelevant to the authors’ main findings.

그러나 궁극적으로 “이전에 출판한”이라는 범주는 저자들의 주요 발견과는 부분적으로 관련이 없는 것으로 나타났다.

The ways in which ghostwriters spoke about their own writing did not illuminate much about their work experience of producing someone else’s self, or what the authors labeled “stand-in labor.”

유령 작가들이 자신의 글쓰기에 대해 이야기하는 방식은 다른 사람의 자아를 만들어내는 자신의 작업 경험에 대해 많은 것을 설명하지 못했으며, 저자들이 “대리 노동”이라고 명명한 것과는 관련이 없었다.

While Anteby and Occhiuto (2020) noted that they “developed coding categories inductively,” they could have also added that they dropped several categories while developing their theoretical insights.

Anteby와 Occhiuto(2020)는 그들이 “귀납적으로 코딩 범주를 개발했다”고 언급했지만, 이론적 통찰을 개발하는 동안 여러 범주를 제거했다는 점도 추가할 수 있었을 것이다.

Merging categories.

When people “merge categories,” they unite two or more existing categories to create a superordinate one.

사람들이 “범주를 통합할” 때, 그들은 두 개 이상의 기존 범주를 결합하여 상위 범주를 만든다.

According to categorization theory, people initially tend to create elaborate and detailed categorization structures upon encountering unfamiliar objects or actions.

범주화 이론에 따르면, 사람들은 처음에 낯선 객체나 행동을 접할 때 정교하고 세부적인 범주 구조를 생성하는 경향이 있다 (Bloom, 2000).

Subsequently, to refine the initial categorization structure and optimize the processing of information, people often merge these detailed categories to form superordinate ones.

그 후, 초기 범주화 구조를 정교화하고 정보 처리를 최적화하기 위해 사람들은 종종 이러한 세부 범주를 통합하여 상위 범주를 만든다.

Over time, this merging process can result in intricate hierarchies of categories.

시간이 지남에 따라, 이러한 통합 과정은 복잡한 범주 계층 구조를 만들어낼 수 있다 (Murphy, 2004).

For example, after creating the categories “ants,” “cows,” and “jellyfish,” a person might realize that all three can be assigned to a superordinate category, “animal,” because they all move and depend on oxygen for their survival.

예를 들어, “개미”, “소”, “해파리”라는 범주를 만든 후, 한 사람은 이 세 가지 모두가 상위 범주인 “동물”로 분류될 수 있다는 사실을 깨달을 수 있는데, 그 이유는 그들이 모두 움직이고 생존을 위해 산소에 의존하기 때문이다.

Historically, many qualitative scholars have characterized merging categories as a fundamental move in qualitative analysis.

역사적으로 많은 질적 연구자들은 범주 통합을 질적 분석의 기본 움직임으로 특징지어 왔다 (Charmaz, 2006; Locke, 2001; Strauss & Corbin, 1990).

These scholars advocate beginning qualitative analysis with “open coding”; that is, generation of a plethora of specific categories that closely adhere to the phrasing articulated in the data.

이 연구자들은 “오픈 코딩”으로 질적 분석을 시작할 것을 권장하는데, 이는 데이터에서 명확하게 표현된 어구에 밀접하게 부합하는 다수의 특정 범주를 생성하는 것이다.

Ultimately, qualitative researchers should merge these categories into superordinate categories that capture the essence of their meaning.

궁극적으로 질적 연구자들은 이러한 범주들을 통합하여 그 의미의 본질을 포착하는 상위 범주로 만들어야 한다.

For example, Strauss and Corbin (1990) recommended that researchers progress from “open coding” to ultimately generating “overarching categories.”

예를 들어, Strauss와 Corbin(1990)은 연구자들이 “오픈 코딩”에서 시작해 궁극적으로 “포괄적 범주”를 생성하는 것으로 나아가야 한다고 권장했다 (Strauss & Corbin, 1990: 223, 229).

As others have clarified, such a “clustering” process enables researchers to “clump” items into “classes, categories, bins” and to progress from “lower” to “more complex” categories.

다른 연구자들이 명확히 설명했듯이, 이러한 “군집화” 과정은 연구자들이 항목을 “계층, 범주, 구역”으로 묶고, “하위” 범주에서 “더 복잡한” 범주로 나아가는 것을 가능하게 한다 (Miles et al., 2014: 279).

More recently, merging categories has become a common way to analyze qualitative data in organizational scholarship.

최근 들어, 범주 통합은 조직 연구에서 질적 데이터를 분석하는 일반적인 방법이 되었다.

Gioia et al. (2013) emphasized both merging and the value of a “data structure” that depicts the conceptual movement from a multitude to a reduced set of categories.

Gioia 등(2013)은 다수의 범주에서 축소된 범주 집합으로 개념적 이동을 묘사하는 “데이터 구조”의 가치를 강조하며, 범주 통합의 중요성도 언급했다 (Gioia et al., 2013: 20).

Many qualitative papers have used the move “merging categories” in their data analysis, although they may not label it as such.

많은 질적 논문들이 데이터 분석에서 “범주 통합”이라는 움직임을 사용했으나, 그것을 그렇게 명명하지 않았을 수도 있다.

Some have referred to merging as “combining” and “bundling”; others have described it as “consolidating,” and still others have reported that they “assemble” codes into “aggregate dimensions.”

일부는 범주 통합을 “결합” 또는 “묶기”라고 언급했고, 다른 이들은 이를 “통합”이라고 설명했으며, 또 다른 이들은 코드를 “집합적 차원”으로 조합한다고 보고했다 (Huising, 2015: 270; Anteby & Molnar, 2012: 522; Pratt, Rockmann, & Kaufmann, 2006: 240; Nelson & Irwin, 2014: 900).

Regardless of terminology, these researchers have proceeded from having many categories to having fewer categories, often referencing first-order categories, second-order categories, and overarching categories.

용어에 관계없이, 이러한 연구자들은 다수의 범주에서 적은 수의 범주로 나아갔으며, 종종 1차 범주, 2차 범주, 그리고 포괄적 범주를 참조했다.

For example, Ramus, Vaccaro, and Brusoni (2017) described initially creating a large set of categories, which they gradually aggregated through subsequent data analysis.

예를 들어, Ramus, Vaccaro, 그리고 Brusoni(2017)는 처음에 다수의 범주 집합을 만들었으며, 이후 데이터 분석을 통해 이를 점차 통합했다고 설명했다.

First, we performed open coding of each document to identify initial, empirical themes. This stage of analysis drove us to identify many empirical themes. Once a workable set of conceptual categories had been developed, we moved to more deliberate theorizing in an effort to aggregate categories in an empirically grounded model that explained the process.

우리는 각 문서의 오픈 코딩을 수행하여 초기의 경험적 주제를 식별했다. 이 분석 단계에서 우리는 다수의 경험적 주제를 식별할 수 있었다. 개념적 범주의 실용적인 집합이 개발된 후, 우리는 범주를 통합하여 이 과정을 설명하는 경험적으로 근거한 모델을 만들기 위한 더 신중한 이론화로 나아갔다 (Ramus, Vaccaro, & Brusoni, 2017: 1264-1265).

As an analytical process, merging categories can thus be found in both the categorization literature and the qualitative methodology literature as a strategy for refining categories.

따라서 분석 과정에서 범주 통합은 범주화 문헌과 질적 방법론 문헌 모두에서 범주를 정교화하는 전략으로 발견될 수 있다.

Due to its importance for theory development, this move has been widely used in recent empirical work.

이론 개발에서의 중요성 때문에, 이 움직임은 최근의 경험적 연구에서 널리 사용되어 왔다.

It appears to be the most prevalent step that authors currently report when conducting qualitative organizational research.

이는 현재 질적 조직 연구를 수행하는 연구자들이 보고하는 가장 일반적인 단계로 보인다.

Such an emphasis has generated an almost self-fulfilling prophecy in that the sheer assumption that theory development rests mainly on merging categories minimizes other moves, such as splitting, which we turn to next.

이러한 강조는 이론 개발이 주로 범주 통합에 기반한다는 단순한 가정이 거의 자성적인 예언을 만들어 내면서, 범주 분리와 같은 다른 움직임을 최소화하게 만들었다. 우리는 다음으로 범주 분리에 대해 살펴볼 것이다 (Merton, 1948).

Splitting categories.

From studies of categorization, we know that humans’ category formation does not progress uniformly from more categories to fewer through merging; often, progression occurs in the opposite direction, from fewer to more.

범주화에 대한 연구에서 우리는 인간의 범주 형성이 통합을 통해 더 많은 범주에서 더 적은 범주로 균일하게 진행되지 않으며, 종종 반대 방향으로, 즉 적은 수에서 많은 수로 진행된다는 것을 알고 있다 (Murphy, 2004).

Researchers studying children’s language development have noted that children often “overgeneralize”; that is, they use a category more broadly than is generally accepted.

어린이의 언어 발달을 연구한 연구자들은 어린이들이 종종 “과잉 일반화”를 한다는 것을 발견했는데, 이는 그들이 일반적으로 받아들여지는 것보다 범주를 더 광범위하게 사용하는 것을 의미한다.

Over time, a child splits the overgeneralized category into its component parts to create categories that are aligned with conventional usage.

시간이 지나면서 아이는 과잉 일반화된 범주를 구성 요소로 분리하여 전통적인 사용 방식에 맞는 범주를 생성하게 된다 (MacWhinney, 1987).

For example, a young child might use the word “car” to refer to any object that moves, including a skateboard, a bicycle, and a ball.

예를 들어, 어린 아이는 “자동차”라는 단어를 스케이트보드, 자전거, 공 등 움직이는 모든 물체를 가리키는 데 사용할 수 있다.

Over time, however, the child breaks down the category “car” and distinguishes between “skateboard,” “bicycle,” and “ball.”

그러나 시간이 지나면서 아이는 “자동차” 범주를 분해하고 “스케이트보드”, “자전거”, “공”을 구분하게 된다.

“Splitting categories” is a move defined as separating a category into two or more subordinate categories.

“범주 분리”는 하나의 범주를 두 개 이상의 하위 범주로 분리하는 움직임으로 정의된다.

Lofland and colleagues (2006) asserted that probing the nuances of categories to create finer distinctions is an important component of theory generation.

Lofland 등(2006)은 범주의 미묘한 차이를 탐구하여 더 세밀한 구분을 만드는 것이 이론 생성의 중요한 구성 요소라고 주장했다(Lofland et al., 2006: 119-143).

Spradley (1979) also emphasized that identifying “subsets within a domain and the relationship between these subsets” is an important element in qualitative analysis.

Spradley(1979) 또한 “도메인 내 하위 집합과 이들 하위 집합 간의 관계”를 식별하는 것이 질적 분석에서 중요한 요소라고 강조했다(Spradley, 1979: 144).

Miles et al. (2014) wrote about “partitioning” and “unbundling” as critical ways to analyze data, adding that “there are many times when differentiation is more important than integration.”

Miles 등(2014)은 데이터를 분석하는 중요한 방법으로 “분할”과 “분리”에 대해 언급하면서, “차별화가 통합보다 중요한 경우가 많다”고 덧붙였다 (Miles et al., 2014: 284).

As an illustration, researchers who have identified the category “people above” in their data might, through further analysis, split the category into such components as people “earning more” and people with “more ambition” than their informants.

예를 들어, 연구자들이 데이터에서 “윗사람들”이라는 범주를 식별했다면, 추가 분석을 통해 그 범주를 “더 많은 수입을 올리는 사람들” 또는 “더 많은 야망을 가진 사람들”과 같은 구성 요소로 분리할 수 있다 (Lamont, 2000: 102–145).

Spradley (1979) suggested that the process of splitting categories can begin during data collection: if informants mention a category during data collection, researchers might ask if they can provide other examples of the category.

Spradley(1979)은 범주 분리 과정이 데이터 수집 중에 시작될 수 있다고 제안했다. 데이터 수집 중에 정보 제공자가 범주를 언급하면, 연구자는 해당 범주의 다른 예를 제공할 수 있는지 물어볼 수 있다 (Spradley, 1979: 115–116).

By means of splitting, researchers can reach a more nuanced understanding of the different ways a category is manifested (or not) in their data.

범주 분리를 통해 연구자들은 범주가 데이터에서 나타나는 다양한 방식(또는 나타나지 않는 방식)에 대한 더 미세한 이해에 도달할 수 있다.

Several qualitative studies provide examples of how splitting categories can advance theory.

여러 질적 연구들은 범주 분리가 어떻게 이론을 발전시킬 수 있는지에 대한 예를 제공한다.

For example, a vibrant stream of research has developed around the notion of “emotional labor”; until recently, however, analysis of this form of labor remained quite monolithic.

예를 들어, “감정 노동” 개념을 중심으로 활발한 연구가 발전했으나, 최근까지 이 노동 형태에 대한 분석은 상당히 단일적이었다(Hochschild, 1983).

In her study of psychotherapy practices, Craciun (2018) honed in on a single category—the use of emotions at work—that had emerged from her coding.

Craciun(2018)은 심리치료 실습에 대한 연구에서, 코딩을 통해 나타난 하나의 범주인 “일터에서 감정 사용”에 집중했다.

Through further data analysis, she discovered that the use of emotions could be split into three categories: (1) “didactic,” as a tool of intervention (e.g., when professionals use emotion to foster particular dispositions in their clients); (2) “supportive,” as a tool that helps professionals to foster trust in their patients (e.g., when professionals are driven by passion for their work); or (3) “inductive” (e.g., when professionals rely on their emotions as epistemic tools to identify problems).

추가 데이터 분석을 통해 그녀는 감정 사용이 세 가지 범주로 나눌 수 있음을 발견했다: (1) “교훈적”인 도구로서의 감정 사용(예: 전문가들이 감정을 사용하여 고객에게 특정 성향을 심어줄 때), (2) “지원적”인 도구로서의 감정 사용(예: 전문가들이 열정을 바탕으로 환자들과 신뢰를 형성할 때), 또는 (3) “귀납적” 도구로서의 감정 사용(예: 전문가들이 문제를 식별하기 위해 감정을 인식 도구로 사용할 때) (Craciun, 2018: 261).

Craciun also demonstrated that some professionals rely more heavily on one form of emotional labor than the others, with important implications for their professional standing.

Craciun은 또한 일부 전문가들이 다른 유형보다 특정 감정 노동 형태에 더 많이 의존하며, 이것이 그들의 직업적 입지에 중요한 함의를 가진다는 점을 보여주었다.

Likewise, Petriglieri (2015) described how, in her study of BP executives during and after the 2010 Gulf of Mexico oil rig explosion and spill, she came to split a category she had developed during the first stage of her analysis to gain a more nuanced understanding of the relationship between an organization and its members.

마찬가지로 Petriglieri(2015)는 2010년 멕시코만 석유 시추선 폭발 및 유출 사건 중 BP 임원들을 연구하면서, 분석의 초기 단계에서 개발한 범주를 분리하여 조직과 구성원 간의 관계에 대한 더 세밀한 이해를 얻게 된 과정을 설명했다 (Petriglieri, 2015: 526).

While she initially developed the category “questioning fit between self and organizational identity” as a theme, she realized that dividing the category into emotional and cognitive components could lead to even more insights.

처음에 그녀는 “자아와 조직 정체성의 적합성에 대한 의문”이라는 주제를 범주로 설정했으나, 그 범주를 감정적 및 인지적 구성 요소로 나누면 더 많은 통찰을 얻을 수 있다는 사실을 깨달았다.

Others have also described how they have split categories in order to specify their understanding of a category.

다른 연구자들 또한 범주에 대한 이해를 구체화하기 위해 범주를 분리한 사례를 설명했다 (예: Crosina & Pratt, 2019).

Broadly speaking, splitting can help researchers to recognize nuances in their data and unpack a specific category that has piqued their curiosity.

일반적으로 범주 분리는 연구자가 데이터의 미세한 차이를 인식하고, 그들의 호기심을 자극한 특정 범주를 풀어내는 데 도움을 줄 수 있다.

Relating or contrasting categories.

Categorization scholars have suggested that categories are not created independently of one another but often evolve in parallel.

범주화 학자들은 범주가 서로 독립적으로 만들어지는 것이 아니라, 종종 병행하여 진화한다고 제안했다.

In particular, many scholars have asserted that categories are typically interrelated in semantic networks.

특히, 많은 학자들은 범주가 일반적으로 의미망에서 상호 관련되어 있다고 주장해 왔다 (Collins & Loftus, 1975; Quillian, 1969).

Categories that often co-occur in discourse become more closely related in the semantic network, whereas categories that seldom occur together become more distantly related.

담론에서 자주 함께 나타나는 범주는 의미망에서 더 밀접하게 관련되고, 반면 함께 나타나는 빈도가 적은 범주는 더 멀리 관련된다.

For instance, if the category “dog” is often used in conjunction with the category “leash,” the two words will ultimately be closely related in the semantic network.

예를 들어, “개”라는 범주가 “목줄”이라는 범주와 자주 함께 사용된다면, 두 단어는 궁극적으로 의미망에서 밀접하게 관련될 것이다.

Nevertheless, it is not merely categories’ association with one another that creates categorical meaning; it can also be their perceived opposition.

그러나 범주 간의 연관성만이 범주적 의미를 생성하는 것은 아니며, 범주 간의 대립도 의미를 형성할 수 있다.

Categories often exist in contrasting pairs.

범주는 종종 대조되는 쌍으로 존재한다 (Douglas, 1966; Levi-Strauss, 1969).

For example, people construct the meaning of the category “natural” in part from its contrast with the category “artificial.”

예를 들어, 사람들은 “자연”이라는 범주의 의미를 “인공”이라는 범주와의 대조를 통해 부분적으로 구성한다 (Weber et al., 2008).

The meaning of categories is therefore determined by the way people relate and oppose categories to one another.

따라서 범주의 의미는 사람들이 범주를 서로 연결하고 대립시키는 방식에 의해 결정된다 (Kahneman & Tversky, 1984).

“Relating or contrasting categories” is the move that researchers use when they compare several categories to specify the relationships (or lack thereof) among them.

“범주의 연결 또는 대조”는 연구자가 여러 범주를 비교하여 범주 간의 관계(또는 그 관계의 부재)를 명확히 할 때 사용하는 움직임이다.

It is important to clarify how relating or contrasting categories differs from merging: “merging” identifies underlying features that belong to the same category; “relating or contrasting categories” identifies relationships among categories that might not belong to the same overarching category.

범주의 연결 또는 대조가 범주 통합과 어떻게 다른지를 명확히 하는 것이 중요하다: “범주 통합”은 동일한 범주에 속하는 근본적인 특징을 식별하는 것이고, “범주의 연결 또는 대조”는 동일한 상위 범주에 속하지 않을 수 있는 범주 간의 관계를 식별하는 것이다.

Many qualitative scholars have emphasized the importance of comparing or contrasting categories, thus implicitly acknowledging that categories can only operate in relation to one another.

많은 질적 연구자들은 범주를 비교하거나 대조하는 것의 중요성을 강조하며, 이는 범주가 상호 연관되어서만 작동할 수 있음을 암묵적으로 인정한 것이다 (Golden-Biddle & Locke, 2007: 45; Suddaby, 2006).

Strauss and Corbin (1990) noted that categories are “related”; Becker (2008) similarly called all categories “relational,” pointing out that “working class” and “middle class” labels have meaning only in relation to each other.

Strauss와 Corbin(1990)은 범주가 “연관되어 있다”고 언급했으며, Becker(2008) 역시 모든 범주를 “관계적”이라고 칭하며 “노동 계급”과 “중산층”이라는 레이블은 서로의 관계 속에서만 의미를 지닌다고 지적했다.

Glaser and Strauss (1967: 106) thus provided the following recommendation:

Glaser와 Strauss(1967: 106)는 다음과 같은 권고를 제공했다:

While coding an incident for a category, compare it with the previous incidents in the same and different groups coded in the same category.

사건을 특정 범주로 코딩할 때, 동일한 범주에서 코딩된 동일 및 다른 그룹의 이전 사건들과 비교하라.

This constant comparison of the incidents very soon starts to generate theoretical properties of the category.

이러한 사건의 지속적인 비교는 범주의 이론적 속성을 매우 빨리 생성하기 시작한다.

The analyst starts thinking in terms of the full range of types or continua of the category … [including] its relation to other categories, and its other perspectives.

분석가는 범주의 전체 유형 또는 연속성에 대해 생각하기 시작하며… [그 범주가] 다른 범주와의 관계 및 다른 관점들을 포함하게 된다.

Many other qualitative scholars would concur: the recommendation of Booth, Colomb, and Williams (2003: 46) to scholars progressing from a focused topic to a research question is to “identify the parts [of a topic]” and “how they relate to each other.”

다른 많은 질적 연구자들도 이에 동의할 것이다: Booth, Colomb, Williams(2003: 46)가 제안한 바에 따르면, 주제에서 연구 질문으로 나아가는 연구자들에게는 “주제의 부분들을 식별”하고, “그들이 서로 어떻게 관련되는지” 확인하는 것이 필요하다고 한다.

Miles et al. (2014: 287) suggested that, once one is “reasonably clear about what variables may be in play in a situation, the natural next query is, ‘How do they relate to each other?’”

Miles 등(2014: 287)은 상황에서 어떤 변수가 작용할 수 있는지에 대해 “합리적으로 명확”해지면, 자연스러운 다음 질문은 “그 변수들이 서로 어떻게 관련되는가?”라고 제안했다.

Powerful examples of how categories relate to one another appear in Levi-Strauss’s (1969) The Raw and the Cookedand Douglas’s (1966) Purity and Danger.

범주들이 서로 어떻게 관련되는지를 보여주는 강력한 사례는 Levi-Strauss(1969)의 날것과 익힌 것과 Douglas(1966)의 순수함과 위험에 나타난다.

Levi-Strauss’s study illustrates that myths cannot be understood in isolation: he describes a collection of myths from tropical South America and points out how duality and oppositions (such as raw vs. cooked) are fundamental to humans’ understanding of society.

Levi-Strauss의 연구는 신화가 고립된 상태에서는 이해될 수 없음을 보여준다. 그는 열대 남아메리카의 신화 모음을 설명하면서, 날것과 익힌 것과 같은 이분법과 대립이 인간의 사회 이해에 근본적임을 지적했다.

Douglas’s (1966) seminal work on purity makes a similar relational point: specifically, that the categories of “pure” and “impure” function as a dyad, creating oppositions that enable individuals to make sense of their worlds.

Douglas(1966)의 순수성에 관한 기념비적인 연구도 유사한 관계적 논점을 제시한다. 특히, “순수함”과 “불순함”이라는 범주가 이항 관계로 작동하여 개인이 세상을 이해할 수 있도록 대립을 형성한다.

In other words, we know what is impure by comparing it to what is pure.

즉, 우리는 순수한 것과 비교함으로써 불순한 것이 무엇인지 알게 된다.

A more recent example of such relational dynamics between categories appears in a study of professionals’ social standing in organizations.

범주 간 이러한 관계적 역동성에 대한 더 최근의 사례는 조직 내 전문가들의 사회적 입지에 대한 연구에서 나타난다.

The study examined commander–medical provider interactions in a military setting.

이 연구는 군대 환경에서의 지휘관-의료 제공자 간 상호작용을 조사했다.

As DiBenigno (2018: 18) explained, she coded whether observed interactions entailed “developing personalized relationships across groups” or “anchoring group members in their home group identity.”

DiBenigno(2018: 18)는 관찰된 상호작용이 “그룹 간 개인화된 관계 개발”을 포함하는지 또는 “그룹 구성원을 그들의 본래 그룹 정체성에 고정시키는지”를 코딩했다고 설명했다.

These two categories could be understood separately, but they only fully made sense in relation to each other: one entailed anchoring oneself in an existing identity; the other involved building ties across identity groups.

이 두 범주는 별도로 이해할 수 있지만, 서로 관련지어 생각해야만 완전히 이해할 수 있었다: 하나는 기존 정체성에 자신을 고정하는 것이고, 다른 하나는 정체성 그룹 간 유대를 형성하는 것이었다.

Importantly, only anchoring contributed to taming intergroup conflict and encouraging the medical providers to properly serve the soldiers.

중요하게도, 오직 고정시키는 것만이 집단 간 갈등을 완화하고 의료 제공자들이 군인들을 적절하게 대하도록 격려하는 데 기여했다.

Relating or contrasting categories helps researchers to identify in their data the boundaries of the categories and the relationships between categories.

범주를 연결하거나 대조하는 것은 연구자가 데이터에서 범주의 경계와 범주 간의 관계를 식별하는 데 도움을 준다.

Sequencing categories.

Categories are not static; they are dynamically related to the world that people inhabit.

범주는 고정된 것이 아니라, 사람들이 사는 세상과 동적으로 연결되어 있다.

An essential part of the categorization process is to create dynamic understandings of this unfolding reality.

범주화 과정의 중요한 부분은 변화하는 현실에 대한 동적인 이해를 창출하는 것이다 (Durand & Paolella, 2013; Nakamura, 1985).

Categories are not merely cross-sectional groupings of objects; they encode causal relationships between objects and actions.

범주는 단순히 물체들을 단면적으로 묶어놓은 것이 아니라, 물체와 행동 간의 인과 관계를 담고 있다 (Murphy & Medin, 1985).

We categorize an event as a “birthday party” not only due to the presence of a birthday cake and presents but also because the event follows a sequence of actions:

우리는 생일 케이크와 선물이 있다는 이유만으로 한 사건을 “생일 파티”로 분류하는 것이 아니라, 그 사건이 일련의 행동 순서를 따르기 때문이다:

(a) guests arrive, (b) the guests make congratulatory statements, (c) the guests sing a birthday song, (d) cake is served, (e) candles are blown out, (f) cake is eaten, and (g) guests leave.

(a) 손님들이 도착하고, (b) 손님들이 축하 인사를 하고, (c) 생일 노래를 부르며, (d) 케이크가 제공되고, (e) 촛불을 끄고, (f) 케이크를 먹고, (g) 손님들이 떠난다.

Breaking this sequence (e.g., by serving and eating cake before the guests arrive) violates elements of the category “birthday party” and raises questions about whether the event falls into this category.

이 순서를 깨뜨리면(예: 손님들이 도착하기 전에 케이크를 제공하고 먹는 경우), “생일 파티”라는 범주의 요소를 위반하게 되며, 그 사건이 이 범주에 속하는지에 대한 의문을 제기하게 된다.

Indeed, a central part of the categorization process is to create sequential relationships among categories, be they concepts or mechanisms.

실제로, 범주화 과정의 핵심은 개념이든 메커니즘이든 범주 간의 순차적인 관계를 만드는 것이다 (Ahn, 1999; Murphy & Medin, 1985).

In qualitative theory building, researchers can use the sequencing move to temporally organize the categories they have identified in the data.

질적 이론 구축에서, 연구자들은 데이터에서 식별한 범주들을 시간 순서대로 조직하기 위해 범주 순서화를 사용할 수 있다.

The categories created by researchers consist of sequences of actions (mechanisms), objects, persons, and events (concepts) that together form complex theories of reality.

연구자들이 만든 범주들은 행동(메커니즘), 물체, 사람, 사건(개념)의 연속으로 구성되어 있으며, 이들이 함께 복잡한 현실 이론을 형성한다.

A rich tradition in qualitative research has focused on sequential processes as a lens through which to achieve a better understanding of various phenomena.

질적 연구의 풍부한 전통은 다양한 현상을 더 잘 이해하기 위한 렌즈로서 순차적 과정을 중심으로 발전해 왔다 (Langley, 1999; Langley, Smallman, Tsoukas, & Van de Ven, 2013; Tsoukas & Chia, 2002).

From this viewpoint, the sequencing of categories matters decisively: an [A–B–C] sequence might differ from a [C–B–A] sequence.

이 관점에서 범주의 순서화는 결정적으로 중요하다: [A-B-C] 순서가 [C-B-A] 순서와 다를 수 있다.

As Locke (2001: 42) noted, process-oriented research can be described in many ways, but all “reflect a common element, namely time.”

Locke(2001: 42)가 언급했듯이, 과정 중심 연구는 여러 가지 방식으로 설명될 수 있지만, 모두 “공통 요소, 즉 시간”을 반영한다.

Langley (1999: 696) reminded us that events, phases, incidents, and ordering are all fundamental to the coding process.

Langley(1999: 696)는 사건, 단계, 사건, 그리고 순서가 모두 코딩 과정에서 근본적이라는 점을 상기시켜 준다.

Process scholars position time at the forefront of their analysis, but many other qualitative researchers also recognize the importance of time in theory elaboration.

과정 연구자들은 시간을 분석의 최우선 요소로 두지만, 많은 다른 질적 연구자들도 이론 확장에서 시간의 중요성을 인식하고 있다.

In The Discovery of Grounded Theory, Glaser and Strauss (1967: 213–214) discussed sequencing in conjunction with studying research productivity.

Glaser와 Strauss(1967: 213–214)는 기초 이론 발견에서 연구 생산성을 연구하는 것과 결부하여 범주 순서화를 논의했다.

Longer hours spent on research, they noted, can foster a higher level of motivation and, thus, superior performance, but those who perform at a higher level might be more motivated than their peers and might therefore spend more time conducting research.

그들은 연구에 더 많은 시간을 할애하는 것이 더 높은 수준의 동기를 유발하고, 그로 인해 더 나은 성과를 낼 수 있다고 언급했지만, 높은 성과를 내는 사람들은 동료들보다 더 동기가 부여될 수 있으며, 그 결과 더 많은 시간을 연구에 할애할 수 있다.

Thus, how the categories “hours spent at work,” “motivation,” and “productivity” are temporally aligned can yield two very different theoretical stories, one led by the hours worked and the other by high performance.

따라서 “업무에 투입된 시간,” “동기,” “생산성”이라는 범주가 시간적으로 어떻게 정렬되느냐에 따라 두 가지 매우 다른 이론적 이야기를 도출할 수 있다. 하나는 일한 시간에 의해 이끌리고, 다른 하나는 높은 성과에 의해 이끌린다.

Such distinct theoretical interpretations point to why qualitative researchers need to pay close attention to the sequencing of categories when analyzing their data.

이러한 명확한 이론적 해석은 질적 연구자들이 데이터를 분석할 때 범주의 순서화에 왜 세심한 주의를 기울여야 하는지를 보여준다.

Sequencing is important in qualitative analysis because the interrelationship between categories is essential to identifying processes and their temporality.

범주 간의 상호 관계가 프로세스와 그 시간성을 식별하는 데 필수적이기 때문에, 질적 분석에서 범주 순서화는 중요하다.

In Jarzabkowski’s (2008) investigation of top managers’ strategizing behavior, an important part of the analysis was to create a temporal sequence.

Jarzabkowski(2008)가 고위 관리자들의 전략화 행동을 조사한 연구에서, 분석의 중요한 부분은 시간적 순서를 만드는 것이었다.

The author described how she “decomposed each chronology into analytical periods—time 1, time 2, and, if relevant, time 3—according to key strategic responses or a discernible shift in top manager behavior” (p. 626).

그 저자는 “주요 전략적 대응이나 고위 관리자 행동에서 뚜렷한 변화에 따라 각각의 연대기를 분석적 기간(time 1, time 2, 필요하면time 3)으로 분해했다”고 설명했다 (p. 626).

She then generated categories to characterize the behavior within each period and sequenced them in time.

그 후 각 기간 내에서 행동을 특징짓는 범주를 생성하고, 그것들을 시간 순서대로 배열했다.

Similarly, to understand how organizations legitimated the new market category “satellite radio,” Navis and Glynn (2010) compared patterns of categories associated with data collected over a period of six years.

유사하게, Navis와 Glynn(2010)은 조직들이 새로운 시장 범주인 “위성 라디오”를 어떻게 정당화했는지 이해하기 위해 6년 동안 수집된 데이터와 연관된 범주 패턴을 비교했다.

By sequencing categories, the authors uncovered specific shifts in organizational identity and audience attention.

범주를 순서화함으로써, 그 저자들은 조직의 정체성과 청중의 관심이 구체적으로 변화하는 과정을 발견했다.

Finally, Barley’s (1986: 86) examination of technology change as an occasion for social structuration relied on data analysis that “traced the analytic logic suggested by the sequential model of the structuring process”; this indicated that the sequencing of scripts (or categories) mattered as much as the categories per se.

마지막으로, Barley(1986: 86)의 사회적 구조화의 계기로서의 기술 변화에 대한 연구는 “구조화 과정의 순차적 모델이 제안한 분석 논리를 추적한” 데이터 분석에 의존했다. 이는 대본(또는 범주)의 순서화가 그 자체로 범주만큼이나 중요한 역할을 한다는 것을 나타냈다.

In all three examples, sequencing enabled the researchers to develop novel insights into the temporal relationship between categories.

이 세 가지 사례 모두에서, 범주 순서화는 연구자들이 범주 간 시간적 관계에 대한 새로운 통찰을 개발할 수 있도록 해주었다.

In the process of juggling these merging, splitting, relating or contrasting, and sequencing moves, the researcher begins to tease out some categories that function more like mechanisms and others that function more like concepts.

이러한 범주 통합, 분리, 연관 또는 대조, 그리고 순서화를 다루는 과정에서 연구자는 어떤 범주들은 메커니즘처럼 작동하고, 다른 범주들은 개념처럼 작동하는 것을 발견하기 시작한다.

This is important because one of the fundamental elements of theory development is not only to identify categories but also to offer a novel perspective on the interrelationship between concepts and mechanisms.

이것은 이론 발전의 기본 요소 중 하나가 단순히 범주를 식별하는 것뿐만 아니라, 개념과 메커니즘 간의 상호 관계에 대한 새로운 관점을 제시하는 것이기 때문에 중요하다.

Such efforts can add to or even contradict what other theoretical lenses would predict, thereby fulfilling the goal of achieving a more comprehensive understanding of our social worlds.

이러한 노력은 다른 이론적 렌즈들이 예측하는 것과 일치하거나 심지어 모순될 수 있으며, 그로 인해 우리의 사회적 세계에 대한 더 포괄적인 이해를 달성하는 목표를 이루게 된다.

Stabilizing Categories: Re-Analyses and Theoretical Integration

In the final analytical stage, the researcher aims to create a theoretical scaffold to explain the studied phenomena by reanalyzing existing categories and integrating identified mechanisms and concepts.

최종 분석 단계에서 연구자는 기존 범주를 재분석하고, 식별된 메커니즘과 개념을 통합하여 연구된 현상을 설명할 수 있는 이론적 골격을 만드는 것을 목표로 한다.

This stabilizing stage often allows researchers to provide answers to or explanations for their initial questions or puzzles.

이 안정화 단계는 연구자가 초기 질문이나 퍼즐에 대한 답변이나 설명을 제공할 수 있게 해준다.

One of the critical moves in this stage entails “developing or dropping working hypotheses.”

이 단계에서 중요한 움직임 중 하나는 “작업 가설을 개발하거나 폐기하는 것”을 포함한다.

This move allows the researcher to examine whether the data truly support the theoretical conclusions reached in the prior stages and to be more actively reflexive of how these conclusions were reached.

이 과정은 연구자가 데이터가 이전 단계에서 도출된 이론적 결론을 실제로 뒷받침하는지 검토하고, 이 결론이 어떻게 도출되었는지에 대해 더 적극적으로 반성할 수 있게 해준다.

Developing or dropping working hypotheses.

Categories are part of larger “theories” or “working hypotheses” that we have formed to explain how the world works on the basis of prior experiences.

범주는 우리가 이전 경험을 바탕으로 세상이 어떻게 작동하는지를 설명하기 위해 형성한 더 큰 “이론” 또는 “작업 가설”의 일부이다(Hirschfeld & Gelman, 1994; Murphy, 2004).

We know, for example, that, when apples are dropped, they fall to the ground because of gravity.

예를 들어, 우리는 사과가 떨어지면 중력 때문에 땅에 떨어진다는 것을 알고 있다.

When encountering other instances of dropped objects, we assume that gravity is also involved and look for evidence of gravity in these new contexts.

다른 물체가 떨어지는 경우에도 중력이 작용한다고 가정하며, 이러한 새로운 상황에서도 중력의 증거를 찾는다.

Gravity is thus part of our theory of the category “apple,” and we would pause in astonishment if an apple did not fall but flew into the sky when dropped.

따라서 중력은 “사과” 범주에 대한 우리의 이론의 일부이며, 만약 사과가 떨어졌는데 하늘로 날아간다면 우리는 깜짝 놀라 멈춰 설 것이다.

In this instance, we would probably begin to question whether the object we had dropped actually belonged to the category “apple,” because its behavior did not conform to our “theory” of the apple category.

이 경우 우리는 떨어뜨린 물체가 실제로 “사과” 범주에 속하는지 의문을 제기할 것이며, 그 물체의 행동이 우리가 가지고 있는 “사과” 범주의 이론에 부합하지 않기 때문이다.

Thus, how we construct categories cannot be decoupled from the broader theoretical conjectures that form an integral part of a category.

따라서 우리가 범주를 구성하는 방식은 범주의 중요한 부분을 형성하는 더 넓은 이론적 추론과 분리될 수 없다 (Durand & Paolella, 2013; Murphy & Medin, 1985).

In our interactions with the world, we are constantly updating our working hypotheses and fitting them to our lived experiences.

세상과의 상호작용에서 우리는 끊임없이 작업 가설을 업데이트하고 그것을 우리의 경험에 맞추고 있다 (Hirschfeld & Gelman, 1994).

Such updating might lead us to replace hypotheses about relationships that we once considered true with new ones.

이러한 업데이트는 우리가 한때 진실이라고 생각했던 관계에 대한 가설을 새로운 것으로 대체하게 만들 수 있다 (Ahn, 1999).

In developing or dropping a working hypothesis, researchers formulate an overarching understanding of their data.

작업 가설을 개발하거나 폐기하는 과정에서 연구자는 자신의 데이터에 대한 포괄적인 이해를 형성한다.

As they iterate through their data, they find either confirmatory evidence, spurring them to elaborate the hypothesis, or contradictory or unsupportive evidence, prompting them to drop it.

데이터를 반복 분석하면서, 그들은 가설을 정교화하도록 하는 확증적 증거를 발견하거나, 또는 가설을 폐기하도록 하는 모순적이거나 지지하지 않는 증거를 발견하게 된다.

Past advice on how best to approach qualitative data analysis emphasizes the need to develop, but also to drop, working hypotheses.

질적 데이터 분석에 접근하는 최선의 방법에 대한 과거의 조언은 작업 가설을 개발하는 것뿐만 아니라 폐기하는 것의 필요성을 강조한다.

As Luker (2008: 199) elegantly articulated it, “We make private bets with ourselves about what features … will turn out to be actual patterns. We know we will often be wrong … but we hang in there.”

Luker(2008: 199)이 우아하게 설명했듯이, “우리는 특정 특징들이 실제로 패턴으로 나타날지에 대해 스스로와 내기를 한다. 우리가 종종 틀릴 것이라는 것을 알고 있지만, 우리는 그 자리를 지킨다.”

The frequent recommendation is for qualitative scholars to “abduct” insights from their data without fully committing to them, so as to be able to redirect their analytical eye and remain open to surprises.

질적 연구자들에게 자주 권장되는 것은 데이터에서 통찰을 “납치(abduct)“하는 것이지만, 그것에 완전히 매달리지 않으면서 분석적 시각을 다시 조정하고, 놀라운 발견에 열려 있을 수 있도록 하는 것이다.

Locke and her coauthors (2008: 907) noted the coexistence of “doubt and belief” when analyzing data, suggesting that both knowing and not knowing are central to the research process.

Locke와 그녀의 공저자들(2008: 907)은 데이터를 분석할 때 “의심과 믿음”이 공존한다고 언급하며, 아는 것과 모르는 것이 모두 연구 과정에서 핵심적이라고 제안했다.

The sense of knowing might lead to what some authors call “propositions,” but propositions ought to be grasped loosely until each is either supported by further data analysis or dropped.

아는 것에 대한 감각은 일부 저자들이 “명제”라고 부르는 것에 이르게 할 수 있지만, 명제는 추가 데이터 분석으로 뒷받침되거나 폐기될 때까지 느슨하게 유지되어야 한다 (Lofland et al., 2006: 176).

This “back-and-forth … in which concepts, conjectures, and data are in continuous interplay” serves as the backbone of many analyses.

이 “앞뒤로 오가는 과정… 개념, 추론, 데이터가 지속적으로 상호작용하는 과정”은 많은 분석의 중추 역할을 한다 (Van Maanen, Sørensen, & Mitchell, 2007: 1146).

Such a shifting picture explains why Miles et al. (2014: 99) recommended developing propositions to “formalize and systematize the researcher’s thinking into a coherent set of explanations,” yet immediately warned researchers to adopt “safeguards against premature and unwarranted closure.”

이러한 변화하는 상황은 Miles 등(2014: 99)이 연구자의 사고를 “일관된 설명 집합으로 공식화하고 체계화하기 위해” 명제를 개발할 것을 권장하면서도, 동시에 연구자들에게 “성급하고 불필요한 결론 도출에 대한 안전장치”를 취하라고 경고한 이유를 설명해 준다.

One way to build such safeguards, they observed, is to purposely rate each conjecture as strong, qualified, neutral, or contradictory, thus allowing the researcher to scrutinize those most likely to emerge from the data and discard those that no longer fit.

그들은 그러한 안전장치를 구축하는 방법 중 하나로 각 추론을 강한, 제한된, 중립적인, 또는 모순적인 것으로 분류하는 것이라고 제안했으며, 이를 통해 연구자가 데이터에서 가장 유력하게 나타날 수 있는 추론을 면밀히 검토하고 더 이상 적합하지 않은 것을 폐기할 수 있게 된다.

In their study of women crying at work, Elsbach and Bechky (2018: 134–135) started their analysis by identifying and coding events when women cried at work to form a richer understanding of this phenomena.

Elsbach와 Bechky(2018: 134–135)는 직장에서 여성이 울었던 사건을 식별하고 코딩하는 것으로 분석을 시작하여 이 현상에 대한 더 풍부한 이해를 형성하려고 했다.

After the initial coding, they “developed a preliminary model of defining the common situations in which women cried at work” and hypothesized that the forms of situational emotional display could predict the observers’ reactions.

초기 코딩 이후, 그들은 “여성이 직장에서 울었던 공통된 상황을 정의하는 예비 모델”을 개발하고, 상황적 감정 표현의 형태가 관찰자들의 반응을 예측할 수 있다고 가설을 세웠다.

They then returned to the literature to make sense of their data and began to understand their data in light of the theory of “emotional display rules.”

그들은 그 후 기존 문헌으로 돌아가 데이터를 이해하기 시작했고, “감정 표현 규칙” 이론을 바탕으로 데이터를 해석하기 시작했다.

They found, however, that their data “did not fit with these simplistic rules.” Instead, through engagement with existing theory, they went on to create the new hypothesis that observers’ reactions could be explained by their own “cognitive scripts.”

그러나 그들은 데이터가 “이러한 단순한 규칙과 맞지 않는다”는 것을 발견했다. 대신, 기존 이론과의 상호작용을 통해 관찰자들의 반응이 그들 자신의 “인지적 스크립트”로 설명될 수 있다는 새로운 가설을 만들어냈다.

After forming this new hypothesis, they returned to the data and found support for this hypothesis.

이 새로운 가설을 세운 후 그들은 데이터로 돌아가 이 가설을 뒷받침하는 증거를 발견했다.

Unsupported working hypotheses, however, often disappear from the public view: typically, only successful hypotheses graduate to presentation in print.

그러나 뒷받침되지 않은 작업 가설은 종종 공공의 시야에서 사라진다. 일반적으로 성공한 가설만이 인쇄물로 발표된다.

Some authors’ retrospective comments on published pieces allow us nonetheless to see how working hypotheses wax and wane.

그러나 일부 저자들의 출판된 글에 대한 회고적인 코멘트는 작업 가설이 어떻게 변동하는지를 보여준다.

For instance, Chan and Anteby (2016) began studying frontline officers at the U.S. Transportation Security Administration a decade after its creation.

예를 들어, Chan과 Anteby(2016)는 미국 교통안전청 설립 10년 후 전방위 관리자들을 연구하기 시작했다.

Initially, they focused on developing categories capturing how employees had been socialized into a possible new profession.

처음에는 직원들이 새로운 직업으로 사회화되는 방식을 포착하는 범주를 개발하는 데 집중했다.

Finding little support for the hypothesis that their data spoke to this theme, however, they rapidly refocused the categorical analysis onto what interviewees deemed most salient with respect to gender discrimination and surveillance at work, and developed new working hypotheses.

그러나 이 주제와 관련된 데이터를 거의 찾지 못해 그들은 신속하게 범주 분석의 초점을 성 차별과 직장 내 감시와 관련해 인터뷰 대상자들이 가장 중요하게 여기는 것으로 재조정하고 새로운 작업 가설을 개발했다 (Anteby & Chan, 2018; Chan & Anteby, 2016).

In general, when researchers progress from data analysis to theory development, developing or dropping working hypotheses is an important move: it prompts researchers via multiple iterations through the data either to marshal strong support and validity for their assumptions or to realize that their initial assumptions were faulty and to discover new ways of interpreting their data.

일반적으로 연구자가 데이터 분석에서 이론 개발로 나아갈 때, 작업 가설을 개발하거나 폐기하는 것은 중요한 단계이다. 이를 통해 연구자는 데이터를 반복적으로 분석하여 가정에 대한 강력한 지지와 타당성을 확보하거나, 초기 가정이 잘못되었음을 인식하고 데이터를 해석할 새로운 방법을 발견하게 된다 (Locke et al., 2015).

Once categories are stabilized and hypotheses are supported, researchers can propose a scaffold that both fits their data and advances theory.

범주가 안정되고 가설이 지지되면, 연구자들은 데이터에 맞으면서도 이론을 발전시키는 골격을 제안할 수 있다.

DISCUSSION

The most important, yet mysterious, aspect of qualitative data analysis is rigorous theory generation.

질적 데이터 분석에서 가장 중요하면서도 신비로운 측면은 엄격한 이론 생성이다.

In this paper, we have integrated insights from categorization theory with often-neglected methodological strategies to develop a framework for how scholars can achieve and demonstrate rigor in qualitative analysis.

이 논문에서는 범주화 이론에서 얻은 통찰을 자주 간과되었던 방법론적 전략과 통합하여 학자들이 질적 분석에서 엄격함을 달성하고 이를 입증할 수 있는 틀을 개발했다.

By being reflexive about their active role in confronting and creating categories, scholars can be more transparent about their choice of moves, and thus increase the rigor of their analytical process by making it easier for readers to assess the work.

범주를 다루고 창출하는 데 있어 자신의 능동적 역할을 반성함으로써, 학자들은 자신이 취한 움직임의 선택에 대해 더 투명해질 수 있으며, 이를 통해 독자가 연구를 평가하기 쉽게 하여 분석 과정의 엄격함을 높일 수 있다.

Our framework provides an overview of how researchers’ purposeful use of multiple moves can generate theory from data.

우리의 틀은 연구자들이 여러 가지 움직임을 의도적으로 사용하여 데이터를 통해 어떻게 이론을 생성할 수 있는지를 개괄적으로 보여준다.

By spotlighting the various moves in which qualitative researchers engage, our hope is both to help fuel more rigorous scholarship and to allow readers of qualitative research to evaluate qualitative research efforts more effectively.

질적 연구자들이 참여하는 다양한 움직임에 주목함으로써, 우리는 더 엄격한 학문을 촉진하는 동시에 질적 연구의 독자들이 연구를 더 효과적으로 평가할 수 있기를 기대한다.

Although any of the moves can occur at any point in time during the analytical process, the generation of initial categories often occurs when researchers ask questions that elicit insights from the data or when they focus on puzzles in which the data conflict with existing theories.

분석 과정 중 어느 시점에서든 이러한 움직임들이 발생할 수 있지만, 초기 범주의 생성은 종종 연구자들이 데이터를 통해 통찰을 이끌어내기 위한 질문을 하거나 데이터가 기존 이론과 충돌하는 퍼즐에 초점을 맞출 때 발생한다.

After this initial stage, and in order to refine tentative categories, qualitative scholars can drop, merge, or split categories, to make them more or less encompassing, or organize categories, either by sequencing them temporally or by relating or contrasting them with each other.

이 초기 단계 이후, 잠정적인 범주를 정제하기 위해 질적 연구자들은 범주를 폐기하거나 통합하거나 분리할 수 있으며, 이를 통해 범주를 더 포괄적이거나 덜 포괄적으로 만들 수 있다. 또한 범주를 시간순으로 배열하거나 상호 연관하거나 대조하여 범주를 정리할 수 있다.

Finally, in order to stabilize categories, researchers develop or drop working hypotheses as they build on their analysis to progress toward theoretical insights.

마지막으로, 범주를 안정화하기 위해 연구자들은 작업 가설을 개발하거나 폐기하며, 분석을 기반으로 하여 이론적 통찰로 나아간다.

The model of theory development that we suggest is active and iterative: researchers constantly cycle through multiple and distinct moves while purposefully probing and revisiting initial categories.

우리가 제안하는 이론 발전 모델은 능동적이며 반복적이다: 연구자들은 다양한 움직임을 지속적으로 순환하면서 초기 범주를 의도적으로 탐구하고 재검토한다.

We argue that qualitative researchers who adopt such an approach to data analysis will not only improve the transparency and rigor of their work but also be better equipped to develop powerful theories that break with existing understandings of the world.

이러한 데이터 분석 접근 방식을 채택한 질적 연구자들은 연구의 투명성과 엄격함을 향상시킬 뿐만 아니라, 세상에 대한 기존의 이해를 깨는 강력한 이론을 개발할 수 있는 더 나은 준비를 하게 될 것이라고 우리는 주장한다.

When researchers become more reflexive, they open the black box of qualitative analysis to gain greater insight into their own analytical process, which allows them to question and challenge their own assumptions.

연구자들이 더 반성적으로 변할 때, 그들은 질적 분석의 블랙박스를 열어 자신들의 분석 과정에 대한 더 큰 통찰을 얻게 되며, 이는 자신의 가정을 의심하고 도전하게 만든다.

It is this prodding that might allow them to develop greater theoretical insights.

이러한 자극이 그들이 더 큰 이론적 통찰을 개발할 수 있게 할 것이다.

Rigor via Reflexivity on Scholars’ Active Role in Categorization

Qualitative researchers have long been attuned to the challenges associated with achieving rigor in their work and the need to detail their movement from data to theory carefully.

질적 연구자들은 오랫동안 그들의 연구에서 엄격함을 달성하는 데 관련된 어려움과 데이터를 이론으로 발전시키는 과정을 신중하게 상세히 설명해야 한다는 필요성을 인식해 왔다 (Glaser & Strauss, 1967: 244).

Indeed, the most significant challenge for qualitative researchers “is not to find more rigorous methods … [instead] the challenge … is to convince its practitioners that they owe it to themselves … to explicate their procedures fully”.

사실, 질적 연구자들에게 가장 큰 도전은 “더 엄격한 방법을 찾는 것이 아니라 … 그보다는 연구자 스스로가 절차를 완전히 설명해야 한다는 것을 납득시키는 것이다” (Comaroff, 2005: 38).

Nevertheless, recent debates, inspired in part by the rise of the behavioral sciences, have made it more urgent to address these concerns.

그러나 최근 행동 과학의 부상에서 부분적으로 영감을 받은 논쟁들이 이러한 문제를 해결하는 것을 더욱 시급하게 만들었다 (Pratt et al., 2020).

We argue that, by being more reflexive about the active process of categorization, scholars can better demonstrate transparency in their movement from data to theory, which will allow readers to better evaluate the rigor of their work.

우리는 범주화의 능동적 과정에 대해 더 반성적으로 접근함으로써, 학자들이 데이터를 이론으로 발전시키는 과정에서 더 많은 투명성을 보여줄 수 있다고 주장하며, 이는 독자들이 연구의 엄격성을 더 잘 평가할 수 있게 할 것이다.

Taking an active perspective on the process of analyzing qualitative data suggests that researchers bring their own experiences and goals to bear on the analytical process.

질적 데이터 분석 과정을 능동적으로 바라보는 것은 연구자가 자신의 경험과 목표를 분석 과정에 반영한다는 것을 시사한다.

Some scholars have argued that a sign of rigor in qualitative analysis is the ability of others to replicate the same theoretical contribution when presented with the same data.

일부 학자들은 질적 분석에서 엄격성의 징후는 동일한 데이터를 제시할 때 다른 사람들이 동일한 이론적 기여를 복제할 수 있는 능력이라고 주장해 왔다 (Aguinis & Solarino, 2019).

Others, however, have posited that this concept of “replicability,” which is borrowed from quantitative research, should be interpreted differently within qualitative scholarship.

그러나 다른 학자들은 양적 연구에서 차용된 이 “재현 가능성” 개념이 질적 연구 내에서 다르게 해석되어야 한다고 주장했다 (Pratt et al., 2020).

As Small (2009: 28) noted, qualitative researchers might need to embrace “alternative epistemological assumptions better suited for their unique questions rather than retreat toward models designed for statistical descriptive research.”

Small(2009: 28)이 언급했듯이, 질적 연구자들은 통계적 기술 연구를 위해 설계된 모델로 후퇴하는 대신, 그들의 독특한 질문에 더 적합한 “대안적 인식론적 가정”을 수용할 필요가 있을 수 있다.

In sum, unless we assume that all scholars have the same cognitive or experiential predispositions, the question of replicability becomes partly moot.

결국, 모든 학자들이 동일한 인지적 또는 경험적 성향을 가지고 있다고 가정하지 않는 한, 재현 가능성에 대한 문제는 부분적으로 무의미해진다.

Instead of focusing on replicability as the path to rigor, we suggest that scholars can achieve and demonstrate rigor in qualitative research by being, first, more reflexive and, subsequently, more transparent about their metacognitive knowledge—that is, knowledge about their own knowledge and goals.

재현 가능성을 엄격함으로 가는 길로 삼는 대신, 우리는 학자들이 먼저 더 반성적으로, 그리고 이후 자신의 메타인지적 지식, 즉 자신의 지식과 목표에 대한 지식에 대해 더 투명해짐으로써 질적 연구에서 엄격함을 달성하고 이를 입증할 수 있다고 제안한다 (Pintrich, 2002).

As researchers, we might obtain a greater degree of rigor in our work if we are explicit about and carefully detail our own knowledge and goals before and during our data collection and analysis.

연구자로서 우리는 데이터 수집 및 분석 전과 도중에 우리의 지식과 목표를 명확히 하고 신중하게 설명할 때 연구에서 더 높은 수준의 엄격함을 얻을 수 있을 것이다.

It is thus important that researchers find ways to report and represent their data that increases the transparency of their research process.

따라서 연구자가 연구 과정의 투명성을 높이는 방식으로 데이터를 보고하고 표현하는 방법을 찾는 것이 중요하다.

Researchers can do this either verbally, by detailing the moves that they engaged in and the consequences each move had for their theoretical development, or they can create visual representations of the analytical process that are true to how the research unfolded and that show the complexity and messiness of the categorization process.

연구자는 자신이 참여한 과정과 각 움직임이 이론적 발전에 미친 결과를 상세히 설명하는 구두 방식으로 하거나, 연구가 전개된 방식에 충실하며 범주화 과정의 복잡성과 혼란스러움을 보여주는 시각적 표현을 만들어낼 수 있다.

Unfolding the Analytical Process: An Opportunity for Theory Building

We argue that, instead of mapping out all the possible and replicable categories in any given data set, qualitative researchers achieve rigor by tracing and detailing their unique pathway through the data.

우리는 주어진 데이터 세트에서 가능한 모든 재현 가능한 범주를 나열하는 대신, 질적 연구자들이 데이터 속에서 자신만의 독특한 경로를 추적하고 이를 상세히 설명함으로써 엄격함을 달성한다고 주장한다.

Additionally, we argue that active categorization is more likely to yield theoretical insights.

또한, 우리는 능동적 범주화가 이론적 통찰을 더 많이 제공할 가능성이 높다고 주장한다.

Following categorization theory, we suggest that entering the field with some theoretical understanding is both unavoidable and generative, and that not all data are equally valuable for generating theory.

범주화 이론에 따르면, 일정한 이론적 이해를 가지고 현장에 들어가는 것은 피할 수 없는 동시에 생산적인 것이며, 모든 데이터가 이론을 생성하는 데 동등하게 가치 있는 것은 아니다.

For example, categorization theory suggests that the process of categorizing fundamentally forces us to not pay attention to all the stimuli we encounter.

예를 들어, 범주화 이론은 범주화 과정이 근본적으로 우리가 마주하는 모든 자극에 주의를 기울이지 않도록 만든다고 제안한다(Murphy, 2004).

If we paid attention to all the information at once, we would suffer from cognitive overload and be unable to create a coherent representation of the world, let alone navigate through it.

만약 우리가 한 번에 모든 정보에 주의를 기울인다면, 우리는 인지 과부하를 겪게 되어 세상에 대한 일관된 표현을 만들 수 없을 뿐만 아니라 이를 통해 세상을 탐험할 수도 없을 것이다 (Rosch, 1978).

Likewise, because most areas of organizational life are already explained by existing theories, it is important for qualitative researchers to not focus on the elements of their data that can be explained within existing theories.

마찬가지로, 조직 생활의 대부분의 영역은 이미 기존 이론으로 설명되기 때문에, 질적 연구자들이 기존 이론 내에서 설명할 수 있는 데이터 요소에 초점을 맞추지 않는 것이 중요하다.

Instead, we need to focus on the questions and puzzles that challenge the current understanding of the phenomenon at hand and clearly explain the path that helped us to reach our conclusions— that is, we need to focus on salient elements of the data that cannot be explained within our existing categorical apparatus.

대신, 우리는 현재 현상에 대한 이해를 도전하는 질문과 퍼즐에 초점을 맞추고, 결론에 도달하는 데 도움이 된 경로를 명확히 설명해야 한다. 즉, 기존의 범주적 체계 내에서 설명할 수 없는 데이터의 두드러진 요소에 집중해야 한다 (Ahn, 1999; Sloman et al., 1998).

Theory represents an abstracted and simplified lens on reality that contributes to a specific body of literature.

이론은 현실을 추상화하고 단순화한 렌즈로서 특정 학문 영역에 기여한다 (Merton, 1973).

Strong theoretical pieces shine because of what they teach us: they help us to see new connections, revisit our preconceived viewpoints, and develop new takes on old questions.

강력한 이론적 작업은 우리에게 가르치는 바 때문에 빛을 발한다: 그들은 우리가 새로운 연결을 보고, 기존의 고정관념을 재고하며, 오래된 질문에 대해 새로운 시각을 개발할 수 있도록 돕는다.

When reading seminal academic articles and books, we focus on their theoretical insights and can easily gloss over the analytical choices that underpin these findings.

중요한 학술 논문이나 책을 읽을 때, 우리는 그들의 이론적 통찰에 집중하며, 이러한 결과의 기초가 되는 분석적 선택을 쉽게 간과할 수 있다.

Nevertheless, these insights are enabled by how scholars have generated theory from data. This is particularly true of qualitative data analysis, which relies on researchers’ interpretations of their data and the analytical moves they make to generate theory from data.

그럼에도 불구하고, 이러한 통찰은 학자들이 데이터를 통해 이론을 어떻게 생성했는지에 의해 가능해진다. 이것은 특히 질적 데이터 분석에 해당되며, 질적 데이터 분석은 연구자들이 데이터를 해석하고 데이터를 통해 이론을 생성하기 위해 취하는 분석적 움직임에 의존한다.

Such an approach counters the illusion of a fully detached and comprehensive induction of theory from data.

이러한 접근은 데이터로부터 이론을 완전히 분리하여 종합적으로 도출한다는 환상을 반박한다.

The comprehensive yet unintentional categorization of qualitative data is unlikely to yield novel theoretical insights because it will mostly reproduce an existing understanding.

질적 데이터를 포괄적이지만 의도하지 않게 범주화하는 것은 새로운 이론적 통찰을 제공하지 않을 가능성이 크며, 이는 대부분 기존의 이해를 재생산할 뿐이다.

An active categorization framework recognizes the unfolding of the research process and implies that researchers select different moves at different times in the analytical process to generate rigorous theory.

능동적 범주화 프레임워크는 연구 과정의 전개를 인정하며, 연구자가 분석 과정에서 다양한 시점에 서로 다른 움직임을 선택하여 엄격한 이론을 생성한다는 것을 의미한다.

For example, “asking questions” might be particularly well suited to early phases of data analysis, prior even to developing categories, or to very late phases in which researchers feel stuck.

예를 들어, “질문하기”는 범주를 개발하기 전의 데이터 분석 초기 단계나 연구자들이 막다른 상황에 처했을 때 특히 잘 맞을 수 있다.

Similarly, the development of working hypotheses is most likely to occur after several categories have emerged and been placed in relation to one another.

마찬가지로, 작업 가설의 개발은 여러 범주가 나타나고 서로 연관된 후에 발생할 가능성이 크다.

Thus, focusing exclusively on one move only tilts a scholar’s efforts and attention toward a single phase of the analytical process, which, although important, might not stand alone.

따라서 한 가지 움직임에만 집중하는 것은 학자의 노력과 주의를 분석 과정의 한 단계로만 기울게 하며, 이는 중요할 수 있지만 독립적으로 존재할 수는 없다.

By spotlighting a researcher’s potential toolkit of moves, we emphasize the sequential and iterative nature of any analysis and underline that concentrating on a single phase or move might restrict our ability to theorize in all phases of the research.

연구자의 잠재적 도구 키트 중 하나인 움직임에 주목함으로써, 우리는 모든 분석의 순차적이고 반복적인 성격을 강조하며, 단일 단계나 움직임에 집중하는 것이 연구의 모든 단계에서 이론을 발전시킬 수 있는 능력을 제한할 수 있음을 강조한다.

This is not to say that questions or puzzles do not evolve. Nonetheless, driving the analytical process with tentative questions or puzzles is critical to theory development.

이는 질문이나 퍼즐이 진화하지 않는다는 뜻은 아니다. 그럼에도 불구하고, 잠정적인 질문이나 퍼즐로 분석 과정을 이끄는 것은 이론 개발에 있어 중요하다.

Plurality within Qualitative Analysis

Adopting an active categorization frame means that researchers can approach the same data with different goals and analyze them in different ways.

능동적 범주화 프레임을 채택한다는 것은 연구자가 동일한 데이터를 다양한 목표로 접근하고 여러 가지 방식으로 분석할 수 있음을 의미한다.

The theoretical insights that are drawn from the data are thus not simply “given” in the data but actively constructed by researchers to address puzzles that they find interesting and important.

따라서 데이터에서 도출된 이론적 통찰은 단순히 데이터 안에 ‘주어진’ 것이 아니라, 연구자가 흥미롭고 중요한 퍼즐을 해결하기 위해 능동적으로 구성한 것이다.

Other researchers might view the same data very differently: as we know, many valuable insights emerge from the interaction of different individuals in distinct fields.

다른 연구자들은 동일한 데이터를 매우 다르게 볼 수 있다: 우리가 알다시피, 많은 귀중한 통찰은 서로 다른 분야의 다양한 개인 간의 상호작용에서 나온다 (Anteby, 2013; de Rond & Tunçalp, 2017; Hudson & Okhuysen, 2014; Ketokivi & Mantere, 2010; Louis & Bartunek, 1992).

Building on the discussion by Lamont and Swidler (2014) of diversity in qualitative methodologies, we call for more plurality both within and across qualitative studies to fully leverage the richness and potential of qualitative data.

Lamont와 Swidler(2014)의 질적 방법론에서의 다양성에 대한 논의에 기반하여, 우리는 질적 연구 내에서 그리고 질적 연구 간에 더 많은 다양성을 촉구하여 질적 데이터의 풍부함과 잠재력을 최대한 활용할 것을 제안한다.

By combining analytical moves in different ways, researchers are ultimately likely to generate more diverse insights from the same data set, thus contributing to a broader range of literature.

분석적 움직임을 다양한 방식으로 결합함으로써, 연구자들은 결국 동일한 데이터 세트에서 더 다양한 통찰을 생성할 가능성이 높으며, 이는 더 폭넓은 학문 영역에 기여할 것이다.

Beyond the fact that different paths can be taken through the data, if researchers foreground certain moves over others, it might shape their theory development.

데이터를 통해 다양한 경로를 선택할 수 있다는 사실을 넘어서, 연구자들이 특정 움직임을 강조하면 그것이 이론 개발에 영향을 미칠 수 있다.

A plurality of analytical approaches is therefore likely to foster more diversity in contributions.

따라서 분석적 접근 방식의 다양성은 기여의 다양성을 촉진할 가능성이 크다.

This is the case in the analysis by McPherson and Sauder (2013: 165) of how occupational groups can advantageously hijack one another’s occupational logics.

McPherson과 Sauder(2013: 165)의 분석에서는 직업 집단이 어떻게 서로의 직업 논리를 유리하게 활용할 수 있는지를 보여준다.

For example, if researchers focus more on puzzles, they are more likely to generate theory that challenges existing theoretical understanding because the puzzling phenomena in the data derive precisely from the contrast they present when juxtaposed with existing theories.

예를 들어, 연구자들이 퍼즐에 더 집중하면, 그들은 기존의 이론적 이해에 도전하는 이론을 생성할 가능성이 더 크다. 왜냐하면 데이터에서 퍼즐적인 현상은 기존 이론과 나란히 놓았을 때 나타나는 대조에서 비롯되기 때문이다.

By focusing on the puzzle of why some occupational groups did not uniformly display their own occupational logics, McPherson and Sauder (2013) were able to demonstrate that logics can be used for strategic purposes to “manage institutional complexity, reach consensus, and get the work … done.”

McPherson과 Sauder(2013)는 왜 일부 직업 집단이 자신들의 직업 논리를 일관되게 나타내지 않았는지에 대한 퍼즐에 집중함으로써, 논리가 전략적 목적으로 사용될 수 있으며, “제도적 복잡성을 관리하고, 합의를 도출하며, 업무를 수행하는 데” 기여할 수 있음을 입증했다.

Thus, because the authors focused on a specific puzzle in their data, they developed an insight that broke with the prevailing understanding of how logics operate.

따라서 저자들이 그들의 데이터에서 특정 퍼즐에 집중했기 때문에, 그들은 논리가 어떻게 작동하는지에 대한 기존 이해를 넘어서는 통찰을 개발할 수 있었다.

Likewise, if researchers ask questions of their data, they will develop theory that might be more likely to expand existing understanding.

마찬가지로, 연구자들이 그들의 데이터에 질문을 던지면, 그들은 기존 이해를 확장할 가능성이 더 높은 이론을 개발할 것이다.

As an illustration, Tripsas and Gavetti (2000) asked how cognitions (and not capabilities) might shape firms’ abilities to manage technological discontinuities.

예를 들어, Tripsas와 Gavetti(2000)는 인지가 어떻게 기업의 기술적 단절을 관리하는 능력을 형성할 수 있는지에 대해 질문을 던졌다.

From this point of departure, they were able to develop a perspective that departed radically from prior views of how firms manage technological transitions.

이 출발점에서 그들은 기업이 기술적 전환을 관리하는 방식에 대한 기존의 관점과 크게 다른 새로운 시각을 개발할 수 있었다.

If researchers start by merging or splitting categories, without asking questions or focusing on puzzles, it is often difficult for them to gain theoretical traction, because, without a guiding question or puzzle, they can easily become overwhelmed by the multiplicity of possibilities and asphyxiate in their data.

연구자들이 질문을 던지거나 퍼즐에 집중하지 않고 범주를 통합하거나 분할하는 것으로 시작하면, 이론적 성과를 얻기가 종종 어렵다. 왜냐하면 지침이 되는 질문이나 퍼즐이 없으면, 가능성의 다중성에 압도되어 데이터 속에서 질식할 수 있기 때문이다 (Pettigrew, 1990).

The role of dropping, merging, splitting, relating, and sequencing categories is to refine categories that are created around an initial puzzle.

범주를 폐기하고, 통합하고, 분할하고, 관련 짓고, 순서대로 배열하는 역할은 초기 퍼즐을 중심으로 생성된 범주를 정제하는 것이다.

These moves are likely to generate greater specificity in the resulting theory because they provide the researcher with more nuances in the created categories.

이러한 움직임은 연구자가 생성된 범주에서 더 많은 미세한 차이를 제공하기 때문에, 결과 이론에서 더 큰 구체성을 생성할 가능성이 있다.

However, prioritizing any of these moves is likely to generate different theoretical outcomes.

그러나 이러한 움직임 중 어느 하나에 우선순위를 두면 다른 이론적 결과를 낳을 가능성이 크다.

An emphasis on dropping will, for example, narrow researchers’ focus on a smaller part of the data, allowing them to develop a more detailed explanation of a smaller piece of the reality that is captured in the data.

예를 들어, 폐기에 대한 강조는 연구자들의 초점을 데이터의 더 작은 부분으로 좁히게 하여, 데이터에서 포착된 현실의 더 작은 부분에 대해 더 자세한 설명을 개발할 수 있게 한다.

This is often a cornerstone of qualitative analysis, as any given qualitative data set is multifaceted and complex and can be used to address a wide variety of theoretical questions.

이것은 종종 질적 분석의 초석이며, 주어진 질적 데이터 세트는 다면적이고 복잡하여 다양한 이론적 질문을 다루는 데 사용될 수 있다.

If researchers emphasize merging and splitting, the resulting theory is likely to be better at explaining cross-sectional variation, as has been done in research drawing on multiple cases (e.g., Graebner & Eisenhardt, 2004; Ozcan & Eisenhardt, 2009) or a matched pairing of cases (e.g., Barley, 1986; Kellogg, 2009, 2019).

연구자들이 통합과 분할에 초점을 맞추면, 결과 이론은 여러 사례를 활용한 연구나 사례의 맞대응(pairing)을 사용하는 연구에서 보여주듯이 단면적 변동을 설명하는 데 더 적합할 것이다 (예: Graebner & Eisenhardt, 2004; Ozcan & Eisenhardt, 2009) 또는 맞대응 사례 연구에서** (예: Barley, 1986; Kellogg, 2009, 2019).

In contrast, if researchers focus to a greater degree on sequencing, their resulting theories are more likely to excel at explaining processes and mechanisms (e.g., Navis & Glynn, 2010; Zietsma & Lawrence, 2010).

반대로, 연구자들이 순서 배열에 더 집중하면, 그들의 이론은 과정과 메커니즘을 설명하는 데 더 뛰어날 가능성이 크다 (예: Navis & Glynn, 2010; Zietsma & Lawrence, 2010).

The timing of our call for increased plurality in qualitative research is important.

질적 연구에서 다양성 확대를 촉구하는 시점이 중요하다.

Although both categorization scholars and qualitative scholars have shown that categorization processes are diverse, a renewed positivist orientation has, in practice, engendered uniformity in analytical approaches to qualitative organizational research.

범주화 학자들과 질적 연구 학자들은 모두 범주화 과정이 다양함을 보여주었지만, 새롭게 부상한 실증주의적 관점은 실질적으로 질적 조직 연구의 분석적 접근에서 일관성을 촉발시켰다 (Bansal & Corley, 2011; Gioia et al., 2013; Langley & Abdallah, 2015).

Nevertheless, as we have demonstrated, scholars across the social sciences have found that categories are often generated not solely through applying a single move but by focusing on puzzles that arise in the data and by applying a variety of possible moves to generate categories that yield answers to that puzzle.

그럼에도 불구하고, 우리가 보여준 것처럼 사회 과학 전반의 학자들은 범주가 단일 움직임을 적용함으로써 생성되는 것이 아니라 데이터에서 발생하는 퍼즐에 초점을 맞추고, 해당 퍼즐에 대한 답을 제공하는 범주를 생성하기 위해 다양한 가능한 움직임을 적용함으로써 종종 생성된다는 것을 발견했다 (예: Bingham & Kahl, 2013; Bloom, 2000; Bowker & Star, 2000; Khaire & Wadhwani, 2010; Lakoff, 2008; Murphy, 2004; Rosch, 1978).

Gehman, Glaser, Eisenhardt, Gioia, Langley, and Corley (2018: 14) counseled that “it is important to customize the method for your research context. Research situations are different and require the use of tools and techniques in different ways.”

Gehman, Glaser, Eisenhardt, Gioia, Langley, and Corley (2018: 14)는 “연구 상황에 맞게 방법을 맞춤화하는 것이 중요하다. 연구 상황은 다르며 도구와 기법을 다르게 사용하는 것이 필요하다”고 조언했다.

A call for increased rigor should therefore not be confused with a call for uniformity.

따라서 엄격성을 높이자는 요청을 일관성을 요구하는 것으로 혼동해서는 안 된다.

CONCLUSION

Overall, this article posits that qualitative analysis is fundamentally a categorization process.

전반적으로 이 논문은 질적 분석이 근본적으로 범주화 과정이라고 주장한다.

By drawing on categorization theory, we spotlight the range of diverse ways in which categories are actively formed.

범주화 이론을 바탕으로, 우리는 범주가 능동적으로 형성되는 다양한 방식을 조명한다.

To obtain rigor in qualitative analysis, we need to be transparent about these active moves because otherwise readers cannot assess the precision of our work.

질적 분석에서 엄격함을 얻기 위해서는 이러한 능동적 움직임에 대해 투명해야 한다. 그렇지 않으면 독자들은 우리의 작업의 정밀성을 평가할 수 없기 때문이다.

We also suggest that adopting an active categorization framework has critical consequences for how qualitative analysis unfolds and for the theoretical insights we generate.

또한, 능동적 범주화 프레임워크를 채택하는 것이 질적 분석이 전개되는 방식과 우리가 생성하는 이론적 통찰에 중요한 영향을 미친다고 제안한다.

If we do not problematize the creation of analytical categories, we will be limited in the kinds of theoretical insights we are able to develop.

분석적 범주의 생성을 문제화하지 않으면, 우리가 개발할 수 있는 이론적 통찰의 범위가 제한될 것이다.

In other words, an active categorization framework can liberate scholars to discover pathways through the data that might be less heavily traveled and, thus, more innovative.

다시 말해, 능동적 범주화 프레임워크는 학자들이 덜 탐색된 데이터 경로를 발견하고, 이를 통해 더 혁신적인 통찰을 얻을 수 있게 해준다.

Moving in lockstep, using identical tools, we may appear aligned and convey an impression of rigor when, in reality, we are trampling on the seeds of our own imaginations.

동일한 도구를 사용해 발맞추어 나아가는 것처럼 보일 수 있고, 그로 인해 엄격함의 인상을 줄 수 있지만, 실제로는 우리 자신의 상상력의 씨앗을 짓밟고 있을지도 모른다.