Nadat de resultaten van alle analyses bekend zijn zullen deze met elkaar vergeleken worden. Zo wordt er geprobeerd verschillen en overeenkomsten te vinden in het uiten van positieve en negatieve WOM-tweets. De resultaten worden vervolgens gerelateerd aan de theorie van Spitzberg (2006). Door de belangrijkste conclusies van de afzonderlijke analyses te weergegeven, wordt vastgesteld in welke mate er gebruik wordt gemaakt van de interpersonal skills. Zo kan er gekeken worden in welke mate aandacht besteed wordt aan een ander (other-orientation), aan de persoon zelf (self-promotion), er coördinatie (coordination) plaatsvindt, en er expressiviteit (expressiveness) getoond wordt in de tweets. Hoe deze skills te herkennen zijn is eerder besproken in het Theoretisch Kader.
Vervolgens worden in de conclusie de resultaten gerelateerd aan het onderzoek van Hennig-Thurau et al. (2004). Zij stellen dat men verschillende motieven kan hebben om eWOM te uiten. In paragraaf 2.3.5 worden deze motieven toegelicht. De motieven worden gebruikt als basis voor het opstellen van motieven in de WOM-tweets. Er wordt niet zozeer gekeken naar de aanwezigheid van alle motieven die zij opgesteld hebben, maar meer worden de onderliggende gedachten die zij beschreven hebben voor deze motieven, gekoppeld aan de gevonden resultaten in dit onderzoek.
3.7 Betrouwbaarheid
Het analyseren van teksten op een kwalitatieve manier is niet gemakkelijk, omdat het altijd gaat om een interpretatie. In een onderzoek heeft men altijd te maken met de subjectiviteit van een onderzoeker. Deze subjectiviteit kan de resultaten beïnvloeden. Om de betrouwbaarheid van de resultaten te vergroten is het daarom belangrijk dat een tweede codeur de data nogmaals bestudeerd. In dit onderzoek zijn de data daarom gecontroleerd door een tweede codeur. Bovendien is er een derde codeur geweest die op basis van een aantal random tweets, de tweets nogmaals geanalyseerd heeft.
43 Aan de hand van deze resultaten is de data wederom bestudeerd en zijn de resultaten aangepast. Er is in dit onderzoek dus sprake van een hoge interbeoordelaarsbetrouwbaarheid.
Naast de interne validiteit van het onderzoek te waarborgen is ook gepoogd de externe validiteit zo betrouwbaar mogelijk te maken. Er is gekozen voor een grote dataset van 450 tweets om de resultaten generaliseerbaar te maken. Bovendien zijn de tweets op verschillende momenten verzameld om te voorkomen dat de resultaten beïnvloed worden door bepaalde effecten zoals storingen. Een nadeel van de websites die gebruikt zijn voor dataverzameling, is dat de manier waarop de tweets geselecteerd worden niet controleerbaar zijn. Het is daardoor mogelijk dat bepaalde tweets uitgesloten worden van selectie.
44
4. Resultaten
4.1 Inleiding
In dit hoofdstuk worden de resultaten van de analyses besproken. Om er achter te komen wat de taalgebruikskarakteristieken zijn van tweets waarin word-of-mouth plaatsvindt en met welke bedoelingen deze worden geplaatst, zijn er drie verschillende analyses uitgevoerd. De eerste analyse is een macro-analyse die zich richt op de interactionele kenmerken van tweets. Onderzocht is in welke mate de tweet gericht is op uitwisseling door te kijken naar het gebruik van het apenstaartje (@), de hashtag (#) en hyperlinks. Vervolgens zijn de tweets onderworpen aan twee tekstanalytische micro-analyses. Aan de hand van de Appraisal Theory is op gedetailleerde wijze gekeken naar de attitude die men uit in de tweet, hoe sterk men de gevoelens bij deze attitude voelt, en tegelijkertijd hoe sterk men hiermee verbonden is. De laatste analyse is uitgevoerd om te onderzoeken welke bedoelingen mensen hebben met het plaatsen van WOM-tweets, en richt zich op de taalhandelingen in de tweets. Tot slot worden de resultaten gekoppeld aan de interpersonal skills van Spitzberg (2006).
Om te beginnen moeten er een aantal opvallendheden in het corpus opgemerkt worden. Ten eerste zijn er in de positieve dataset minder tweets aanwezig dan in de negatieve dataset. Dit komt doordat er per moment van verzamelen bij de positieve tweets niet altijd 15 bruikbare te halen waren. Sommige tweets waren te onduidelijk, te ambigu, of bevatten geen duidelijke attitude. Bij de negatieve tweets werd het totaal van 15 benodigde tweets elke keer ruimschoots behaald. Deze dataset komt daardoor uit op een totaal van 225, terwijl de positieve dataset iets minder tweets bevat, namelijk 218. In totaal bevat het corpus daardoor 443 tweets. Om toch een zuivere vergelijking te kunnen maken wordt, waar dat nodig is, de data vergeleken aan de hand van procenten.
Daarnaast hebben de WOM-tweets vaak een erg complexe structuur. Zo bevatten de tweets vaak meerdere attitudes en veel taalhandelingen. In de bespreking van de resultaten van de Appraisal-analyse (paragraaf 4.3) en de TaalhandelingsAppraisal-analyse (pararagraaf 4.4) zal dit verder toegelicht worden. Bovendien zijn sommige tweets soms erg lastig te begrijpen, zelfs al leken ze op het eerste gezicht begrijpelijk. Zoals eerder al uitgelegd werd in het Theoretisch Kader, is er vaak sprake van ambiguïteit, onduidelijkheid, veel spelfouten en elliptische zinnen. De tweets waar hierdoor geen eenduidige attitude of taalhandeling te identificeren waren, zijn daarom meervoudig gecodeerd. In de volgende paragrafen zullen nu de resultaten van de analyses afzonderlijk van elkaar besproken worden.
4.2 Uitwisselingsanalyse
Allereerst worden de resultaten weergegeven van de uitwisselingsanalyse. In deze analyse is er gekeken naar de mate waarin er gebruik wordt gemaakt van de mogelijkheden die Twitter beschikbaar stelt om uitwisseling te bevorderen. Aan de hand van de coderingstabellen in bijlage I zijn alle 443