2 Methode
2.1 Corpusanalyse
2 Methode
In dit hoofdstuk zal de methode van het onderzoek behandeld worden. Allereerst zullen voor wat betreft de corpusanalyse het samenstellen van het corpus, de gevolgde werkwijze tijdens het analyseren en de betrouwbaarheid & validiteit besproken worden. Vervolgens komen voor wat betreft het veldwerk de selectie van de webcare-afdelingen en de gevolgde werkwijze aan bod.
2.1 Corpusanalyse
Met de corpusanalyse wilde ik de persoonlijker wordende communicatie tussen webcare-medewerkers en consumenten onderzoeken. De aandachtspunten die ik hierbij had waren de reacties van de webcare-medewerkers, de gebruikte humortechnieken en het te ver gaan als webcare-medewerker door het reageren op een persoonlijke wijze.
2.1.1 Samenstellen van het corpus
De data die ik tijdens de corpusanalyse heb geanalyseerd zijn online conversaties tussen medewerkers en consumenten op Twitter. Het ging hierbij om honderd conversaties tussen webcare-medewerkers van bekende Nederlandse organisaties en consumenten. Ik heb de conversaties geselecteerd van 15 t/m 22 september 2015.
Ik heb hierbij eerst organisaties geselecteerd die een webcare-account op Twitter hebben. Hiervoor heb ik gekeken naar een Twitter Webcare top 100. 14 Op deze manier was het mogelijk om te zien welke organisaties aan webcare via Twitter doen. Daarnaast heb ik ook gezocht naar voorbeelden van humor binnen webcare op marketing – en social media gerichte sites als Marketingfacts.nl, 15 Frankwatching.com 16 en Debestesocialmedia.nl. 17 Het ging hierbij om voorbeelden van humor in de ogen van de auteurs die schrijven voor deze marketingsites. Ik ben er vanuit gegaan dat zij als personen die werkzaam zijn binnen de marketing, social media en/of webcare bekwaam zijn om iets dat als humor wordt ervaren, ook zo te duiden.
Op basis van deze bronnen heb ik tien webcare-accounts van organisaties gekozen, waarvan op deze sites voorbeelden stonden van een webcare-medewerker van de organisatie die humor gebruikte in een reactie op een bericht van een consument. Op deze wijze was ik er zeker van dat de gekozen organisaties en haar webcare-medewerkers überhaupt een keer humor hebben gebruikt in reacties op berichten van consumenten. Van deze tien webcare accounts heb ik vervolgens conversaties tussen de webcare-medewerker en consumenten bekeken. Het ging om conversaties van de volgende organisaties: NS, KLM, Nuon, IKEA, KPN, Post NL, Coolblue, Ziggo, bol.com en T-Mobile. Om tot een selectie binnen alle conversaties te komen heb ik twee criteria gebruikt. Allereerst moest er vooraf aan de reactie van de webcare-medewerker sprake zijn van een vraag/opmerking van een consument. Daarnaast moest de reactie van de webcare-medewerker minimaal twee keer gedeeld (geretweet) of favoriet gemaakt zijn. Hierdoor kon ik er vanuit gaan dat de reactie van de
14 Twittergids Webcare top 100.
15 Koster, Van webcare naar productinnovatie: “Broek, niet KLM-blauw”, 2013.
16
Broekhuizen, Humor op social media: 10 do’s & don’ts voor bedrijven, 2014.
26
medewerker leuk en/of de moeite waard gevonden werd door het publiek. Door alleenconversaties te analyseren waarbij de reactie van de webcare-medewerker ‘populair’ gevonden werd, was het mogelijk om maar een klein deel (honderd conversaties) van alle conversaties die webcare-medewerkers dagelijks met consumenten hebben te analyseren. In figuur 2 is een voorbeeld te zien van een conversatie tussen een webcare-medewerker van Post NL en een consument. Binnen deze conversatie is er sprake van een opmerking van de consument en een reactie die minimaal twee keer gedeeld is (retweets) of favoriet gemaakt is (favorites).
Figuur 2. Voorbeeld van een conversatie die voldeed aan de gehanteerde criteria.
Om alleen de conversaties zichtbaar te maken die aan dit laatste criterium voldeden, is er bij de zoekbalk van Twitter het volgende ingetikt (met de NS als voorbeeld):
@ns_online min_retweets:2 OR min_faves:2.
Door bovenstaande zin iedere keer in de zoekbalk op Twitter te plaatsen, filterde Twitter
automatisch alleen berichten die twee of meer keer gedeeld of favoriet gemaakt zijn. In tabel 2 is te zien van welke organisaties ik wel en niet voldoende conversaties heb gevonden die voldeden aan de hiervoor genoemde criteria.
Tabel 2. Organisaties, hun webcare accounts en het aantal conversaties in het corpus.
Organisatie Webcare account op Twitter Aantal conversaties
NS @NS_online 20 KLM @KLM - Nuon @Nuon - IKEA @IKEAHelpt - KPN @KPNwebcare 20 PostNL @PostNL 20 Coolblue @Coolblue_NL 20 Ziggo @ZiggoWebcare - Bol.com @bol_com 10 T-Mobile @Tmobile_webcare 10
De periode waarbinnen de gevonden conversaties vallen was van begin juni tot half september 2015. Ik heb binnen de conversaties van meest recent naar ouder gezocht, vanwege het feit dat de meest
27
recente conversaties door Twitter als eerste werden geladen na het intypen van de code in dezoekbalk. Daarnaast heb ik er voor gekozen om per organisatie een rond aantal aan conversaties te selecteren. Ik heb dus telkens (tot op zijn vroegst begin juni) doorgezocht tot de grens van 10 of 20 conversaties werd bereikt. Dit heb ik gedaan om het corpus zo overzichtelijk mogelijk te houden. KLM, Nuon, IKEA en Ziggo zijn afgevallen, omdat ik niet genoeg conversaties kon vinden van webcare-medewerkers van deze organisaties die voldeden aan de criteria.
2.1.2 Werkwijze tijdens corpusanalyse
Aan het begin van paragraaf 1.3 gaf ik aan dat humor een verschijnsel is dat lastig op zichzelf is vast te stellen. Humor is bij online conversaties in principe alleen af te leiden uit de context en/of omringende reacties van andere gespreksdeelnemers en/of overhearing audience. De manieren waarop andere gespreksdeelnemers en het publiek laten blijken iets humoristisch te vinden waren voor mij indicatoren om humor te kunnen herkennen. Om deze reden wil ik, voordat ik het
codeerproces en de wijze van coderen beschrijf, eerst deze indicatoren bespreken.
2.1.2.1 Indicatoren voor het herkennen van humor
Ik heb tijdens het onderzoek drie indicatoren gebruikt om humor te kunnen herkennen, namelijk metadata, “gelach” en emoticons. Bij elk van deze indicatoren heb ik de context waarbinnen deze stond geanalyseerd om te kunnen bepalen of het daadwerkelijk een indicatie was voor humor. Metadata
De eerste manier die ik heb gebruikt om humor te herkennen zijn metadata. Met metadata doel ik op gegevens die de karakteristieken van andere gegevens beschrijven. Het is mogelijk dat de ontvanger van een uiting in zijn reactie iets zegt waaruit blijkt hoe hij of zij de voorgaande reactie interpreteert. Het is mogelijk dat de ontvanger bijvoorbeeld reageert met: “Dat vind ik nou echt humor!”. Uit deze reactie is af te leiden dat diegene het voorgaande humoristisch vond.
“Gelach”
Een tweede indicator die ik heb gebruikt om humor in conversaties te herkennen is “gelach”. Wanneer een ontvanger in zijn reactie iets zegt als “haha” of “ROFL”, geeft hij of zij aan te moeten lachen om het voorgaande. De eerste uiting “haha” is een nabootsing van lachen. De tweede uiting “ROFL” betekent: “Rolling on the floor laughing”. De ontvangers laten ook hier door middel van hun reactie zien dat zij het voorgaande humoristisch vinden.
Emoticons
Naast metadata en “gelach” waren emoticons voor mij de derde indicator om humor in conversaties te herkennen. Het gebruiken van emoticons is volgens Kelleher & Miller (2006) en Van Noort et al. (2014) een manier om bij te dragen aan een persoonlijke tone of voice. Emoticons hebben echter ook nog andere functies dan het persoonlijker maken van een conversatie. Uit onderzoek van Derks, Bos en Von Grumbkow (2008) naar het gebruik van emoticons blijkt dat emoticons het meest gebruikt worden om emotie te uiten, het bericht te versterken en humor uit te drukken. Emoticons kunnen volgens Derks, Bos en Von Grumbkow (2008) dus een indicatie zijn voor humor. In tegenstelling tot indicaties als metadata en gelach, betekent echter niet iedere emoticon direct humor. De
28
2.1.2.2 Coderingsrondes
Op welke wijze ik te werk ben gegaan bij het selecteren van de conversaties voor het corpus is in paragraaf 2.1.1 uitgelegd. Na het selecteren van de conversaties ben ik de conversaties gaan analyseren. Het analyseren van de conversaties heb ik gedaan door de conversaties te coderen met behulp van de software ATLAS.ti. De honderd conversaties zijn eerst via printscreens gekopieerd naar Microsoft Word. Vervolgens zijn de conversaties van 30 september t/m 8 oktober 2015 vanuit Microsoft Word overgetypt in ATLAS.ti. Dit kostte wat meer tijd dan dat het kopiëren van de gemaakte printscreens zou kosten, maar kwam het overzicht voor de analyse ten goede.
Voor het analyseren van de conversaties heb ik gebruik gemaakt van het stappenplan dat Boeije (2005) beschrijft over het analyseren bij kwalitatief onderzoek. Zij beschrijft het analyseren hierbij in drie fases, namelijk door open, axiaal en selectief te coderen.
Open coderen
De eerst stap binnen het codeerproces was het open coderen van de conversaties. Ik ben de conversaties gaan lezen en heb alle fragmenten, woorden, zinsdelen en/of uitingen die relevant waren voor mijn onderzoek een code gegeven. Deze eerste codeerronde ben ik ingegaan vanuit enkele sensitizing concepts. Deze sensitizing concepts waren voor mij uitgangspunten vanuit de literatuur over hoe ik naar de data ben gaan kijken. Hieronder de sensitizing concepts,
(schuingedrukt) met daarachter de motivatie waarom ieder concept relevant was voor dit onderzoek.
Humortechnieken – satire, hyperbool, parabool, ironie, sarcasme, cynisme, woordspeling en zelfspot
(Kelly & Solomon, 1975; Long & Greasser, 1988). Wanneer er binnen de conversaties door metadata, “gelach” en/of emoticons bleek dat iets humoristisch gevonden werd, kon ik onderzoeken met welke humortechniek datgene te beschrijven is.
Emoticons – smiley, knipoog, uitstekende tong etc. (Taylor, Smiley & Richards, 2009; Derks, Bos en
Von Grumbkow, 2008). Emoticons waren voor mij tijdens het analyseren van de conversaties een indicator voor het herkennen van humor. Wanneer ik een emoticon tegenkwam bij het analyseren van een uiting/conversatie, was dit een mogelijke aanwijzing voor humor.
Metadata – uitingen waaruit blijkt dat iets humoristisch gevonden word. Metadata waren tijdens het
analyseren ook een indicator voor het herkennen van humor. Wanneer ik metadata wat betreft humor tegenkwam tijdens het analyseren van een conversatie, wees dit erop dat er sprake was van humor binnen deze conversatie.
“Gelach” – haha (nabootsing van lachen), ROFL (Rolling on the floor laughing) etc. “Gelach” was
tijdens het analyseren net als emoticons en metadata ook een indicator voor het herkennen van humor in conversaties. Wanneer ik “gelach” tegenkwam tijdens het analyseren, wees dit mogelijk op humor.
Excuses – sorry, excuses, excuus, spijtig, pardon (Coosto, 2015). Wanneer een webcare-medewerker
zich binnen een conversatie verontschuldigde, kon dit er mogelijk op wijzen dat de webcare-medewerker te ver is gegaan wat betreft het reageren op een persoonlijke manier.
Type reacties – vraag, opmerking/klacht. Aan het begin van iedere conversatie is geanalyseerd met
wat voor type reactie de conversatie begon. Op deze wijze kon ik onderzoeken of humortechnieken alleen voorkomen binnen conversaties die beginnen met vragen, of ook binnen conversaties die beginnen met opmerkingen en klachten, waarbij vooral klachten vaak negatiever van aard zijn.
29
Verbaal duelleren – Verbale duels tussen een consument en medewerker of
webcare-medewerkers onderling konden erop wijzen dat de gespreksdeelnemers onder toeziend oog van het publiek (overhearing audience) het verbale duel willen winnen (Rizza, 2012).
Het open coderen van de conversaties heeft plaatsgevonden van 27 oktober t/m 3 november 2015. Axiaal coderen
Toen ik alle honderd conversaties open had gecodeerd, ben ik de conversaties axiaal gaan coderen. Kort gezegd houdt dit in dat ik de data verder heb gecodeerd in groepen en categorieën. De volgende stappen heb ik tijdens deze fase van coderen genomen:
Het gehele corpus opnieuw langs gegaan en hierbij sommige fragmenten anders ingedeeld;
Sommige codes samengevoegd;
Clusters gemaakt van codes die bij elkaar horen; hoofdcategorieën gemaakt en hierbij
subcategorieën ingedeeld. Op deze wijze grote aantallen codes ingedeeld in kleinere clusters;
De onderdelen van de verschillende clusters (codes) opnieuw bekeken, om te kijken of de gecodeerde stukken de verschillende codes voldoende dekken en of de subcategorieën bij elkaar de hoofdcategorieën voldoende dekken.
Deze activiteiten vonden plaats tussen 4 en 6 november 2015. Selectief coderen
Nadat ik alle codes heb gecodeerd in hoofd – en subcategorieën, ben ik selectief gaan coderen om verklaringen te vinden. Allereerst heb ik tijdens het selectief coderen patronen, relaties en
verbanden tussen de verschillende codes gevonden. Daarna heb ik relevante fragmenten uit de conversaties bij de gevonden patronen, relaties en verbanden gevonden. Vervolgens ben ik deze gevonden patronen, relaties en verbanden gaan vergelijken met bestaande theorieën en literatuur. Deze laatste stap binnen het codeerproces vond plaats van 17 t/m 20 november 2015.
2.1.2.3 Codes en bijbehorende specificaties
Lijst met alle hoofdcategorieën
Na de drie fases van het coderen bleven er 12 hoofdcategorieën over. In tabel 3 is op alfabetische volgorde een overzicht te zien van alle hoofdcategorieën uit de corpusanalyse. Achter iedere
hoofdcategorie staat een beschrijving van de categorie en een motivatie met de reden waarom deze categorie relevant/interessant is voor mijn onderzoek.
30
Tabel 3. Overzicht van alle hoofdcategorieën.
Hoofdcategorie Specificatie Motivatie
Bekende
gespreksdeelnemer
Wanneer er binnen de conversatie sprake was van een bekende gespreksdeelnemer (>1000 volgers = bekend).
Om te onderzoeken of bekende
gespreksdeelnemers van invloed zijn op de gevolgen van het te ver gaan als webcare-medewerker.
Emoticons Wanneer er binnen de conversatie sprake was van emoticons.
Om humor (mogelijk) te kunnen herkennen.
Gespreksonderdeel Wanneer er binnen de conversatie sprake was van een bepaald gespreksonderdeel
Om de conversaties en alle reacties/beurten beter te kunnen begrijpen/identificeren.
Initiatief tot humor Wanneer één van beide gespreksdeelnemers het initiatief nam om humor in te zetten. Om dit te kunnen herkennen is er gekeken naar metadata, “gelach” en emoticons. *
Om te kunnen achterhalen wie van de gespreksdeelnemers het initiatief neemt om humor in te zetten.
Metafoor Wanneer er binnen de conversatie sprake was van metaforen, waarbij termen over een bepaald onderwerp worden gebruikt om iets over een ander onderwerp aan te geven.
Om te bekijken welke metaforen er worden gebruikt door webcare-medewerkers en consumenten.
Negatief Wanneer er binnen de conversatie sprake was van een ongunstige reactie van een
gespreksdeelnemer richting een andere of de eigen organisatie. Diegene beklaagt zich en/of uit kritiek
Om te kijken wat voor negatieve gevolgen, in de vorm van negatieve reacties, er volgden op reacties waarbij één van de
gespreksdeelnemers op een persoonlijke manier reageerde.
Positief Wanneer er binnen de conversatie sprake was van een gunstige, als goed beschouwende reactie van een gespreksdeelnemer richting een andere of de eigen organisatie.
Om erachter te komen wat voor positieve gevolgen, in de vorm van positieve reacties, er volgden op reacties waarbij er op een
persoonlijke manier werd gereageerd.
Publiek Wanneer er sprake was van publiek dat zich mengde in de conversatie.
Om te kunnen zien wat er gebeurde wanneer publiek zich in de conversatie mengde.
Soort humor De soorten humor/humortechniek waarvan binnen de conversatie sprake was.
Om te onderzoeken welke humortechnieken er worden gebruikt in de conversaties.
Type reactie Wanneer er binnen de conversatie sprake was van een type reactie (iedere 1e beurt van een conversatie is gecodeerd als type reactie)
Om te achterhalen of humortechnieken alleen voorkomen in conversaties die beginnen met vragen, of ook bij klachten/opmerkingen.
Verbaal duel Wanneer er binnen de conversatie sprake was van dat de webcare-medewerker en
consument elkaar probeerden te overbluffen of dat webcare-medewerkers elkaar
probeerden te overbluffen.
Om te onderzoeken wat er gebeurde wanneer een webcare-medewerker en consument of webcare-medewerkers elkaar onderling verbaal probeerden te overbluffen onder toeziend oog van een overhearing audience.
Webcare-medewerker
Wanneer er binnen de conversatie sprake was van iets dat de webcare-medewerker deed.
Om dat wat de webcare-medewerker doet en zegt in beeld te kunnen brengen, om o.a. te kijken hoe webcare-medewerkers reageren.
*: In tegenstelling tot humor, kan het initiatief tot humor ook voorkomen zonder dat er sprake is van metadata en “gelach”. De reden hiervoor is dat metadata en “gelach” pas ontstaan wanneer een initiatief tot humor uitmondt in humor. Echter, dit is niet altijd het geval. Het kan namelijk ook zo zijn dat het initiatief tot humor niet wordt gewaardeerd door de ontvanger, andere gespreksdeelnemers en/of een overhearing audience.
Een compleet overzicht van alle hoofdcategorieën in tabellen met bijbehorende subcategorieën, specificaties en waargenomen talige/verbale uitingen is te zien in bijlage II. Ik zal nu de hoofd – en subcategorieën bespreken die relevant waren voor de drie aandachtspunten bij de corpusanalyse.
31
Hoofd – en subcategorieën per aandachtspuntAandachtspunt 1: De reacties van webcare-medewerkers
Bij dit aandachtspunt wilde ik erachter komen hoe webcare-medewerkers reageren op vragen, klachten en andere opmerkingen van consumenten. Ik heb hierbij gelet op de eerste reactie van de medewerker, aangezien ik vooral geïnteresseerd ben om te achterhalen hoe webcare-medewerkers in eerste instantie reageren. De aanleiding voor dit onderzoek was namelijk het verschil in reageren bij conversatie 1 en 2 aan het begin van de inleiding. Dit verschil kwam duidelijk naar voren bij de eerste reactie van de webcare-medewerkers.
De verschillende manieren waarop webcare-medewerkers reageerden zijn met hoofd – en subcategorieën in tabel 4 weergegeven.
Tabel 4. Hoofd – en subcategorieën wat betreft de reacties van webcare-medewerkers.
Hoofdcategorie Subcategorie Specificatie
Webcare-medewerker Webcare-medewerker beaamt het
voorgaande.
De webcare-medewerker is het eens met dat wat de andere gespreksdeelnemer zegt. Webcare-medewerker Webcare-medewerker
doet mee.
De webcare-medewerker doet mee met de andere gespreksdeelnemer(s). De webcare-medewerker reageert op berichten waarbij er niet eens sprake is van een probleem bij de consument.
Webcare-medewerker Webcare-medewerker geeft informatie.
De webcare-medewerker geeft relevante informatie m.b.t. het voorgaande, bijvoorbeeld antwoord op een voorgaande vraag.
Webcare-medewerker Webcare-medewerker toont interesse/vraagt door.
De webcare-medewerker toont interesse in datgene wat de andere gespreksdeelnemer zegt door het voorgaande te beamen en vervolgens door te vragen om dit helder te krijgen. Webcare-medewerker Webcare-medewerker
toont medeleven.
De webcare-medewerker geeft in haar reactie aan mee te leven en mee te voelen met de andere gespreksdeelnemer(s).
Webcare-medewerker Webcare-medewerker verontschuldigt zich.
De webcare-medewerker geeft aan dat het hem of haar spijt en biedt zijn of haar excuses aan. Initiatief tot humor Initiatief tot humor van
webcare-medewerker.
De webcare-medewerker neemt het initiatief om humor in te zetten.
Verbaal duel Webcare-medewerker en consument of webcare-medewerkers onderling proberen elkaar te overbluffen.
Webcare-medewerker en consument of webcare-medewerkers onderling proberen elkaar te overbluffen. Beiden gaan verbaal met elkaar de strijd aan.
Aandachtspunt 2: De humortechnieken binnen de conversaties
Met dit tweede aandachtspunt wilde ik achterhalen welke humortechnieken er door webcare-medewerkers en consumenten worden gebruikt in de conversaties die zij met elkaar hebben op Twitter. De verschillende humortechnieken waarop is gelet zijn eerder geclassificeerd door Kelly & Solomon (1975) en Long & Greasser (1988). Tijdens het analyseren kwam ik meerdere keren vormen van een metafoor tegen, waarop ik heb besloten deze toe te voegen. Metaforen zijn een vorm van
32
beeldspraak waarbij termen over een bepaald onderwerp (brondomein) worden gebruikt omiets over een ander onderwerp (doeldomein) aan te geven. Zoals ik aan het begin van paragraaf 2.1.2 al aangaf kan, of iets humor is, alleen vastgesteld worden door de context en/of omringende