Nu kommer vi till tredje och sista steget i DAS, där S:et står för ”Sample the impact”. Hur gick det för oss? Vad lärde vi oss? Vad är nu klokt att göra? Analys handlar i grunden om ett djupt och kollektivt lärande i syfte att dra lärdomar från det som varit, det som tänkts och det som gjorts hittills. Vi vill därigenom kunna ta klokare beslut gåendes framåt. Det är vad som skiljer intelligent handling från tanklös, vanemässig och oreflekterad handling.
Finessen med oss människor är att vi är utrustade med ett makalöst organ som gör sådan analys åt oss – vår hjärna. Hjärnans viktigaste roll är att använda tidigare resultat av sociala interaktioner som vägledning för framtida beslut. Hjärnan arbetar därmed inte i isolering. Vi lär oss genom att kroppen gör saker ute i världen – vi planerar, agerar, känner och får återkoppling.
På samma sätt fungerar lärande i arbetslivet. Vi förstår på djupet först när vi ser vad våra olika handlingar leder till på individ-, grupp- och organisationsnivå. När många människor gör och sedan delar sina erfarenheter socialt sker något kraftfullt – många hjärnor börjar tänka som en. I vårt uppkopplade samhälle sker detta ofta med hjälp av olika tekniska system – datorer och uppkopplad mjukvara från företag som Microsoft, Google och Facebook. Vi får då en särskilt kraftfull form av socioteknisk intelligens att ”tänka” med. Ett klassiskt exempel från kognitionsvetenskaplig forskning är flygplanscockpit. I cockpitens sociotekniska system lagras inte information i en enda pilots hjärna eller i ett enda instrument, utan i ett komplicerat ”tänkande” nätverk bestående av två piloters hjärnor, flygplanets stödinstrument och väl beskrivna arbetsrutiner (Hutchins, 1995).
DAS fungerar på samma sätt, men i större skala och med syftet att besvara den beforskningsfråga vi ställt upp. DAS etablerar ett sociotekniskt system för intelligent lärande bestående av människor, handlingar, tydliga arbetsrutiner och digitalt stöd som tillsammans utgör en kollektiv ”hjärna”, en sorts ”wisdom of crowds” vi själva kan styra i önskad riktning. Då samlas insikter som annars skulle försvinna i vardagen. Analys är när denna gemensamma sociotekniska hjärna ”tänker” – när vi ser våra samlade handlingar utifrån, upptäcker mönster och drar kloka slutsatser för en bättre framtid. Det är i analysen som DAS visar sin verkliga kraft att förvandla vardaglig aktivitet till djup insikt. Vi förstärker vår gemensamma intelligens och analysförmåga så att vi tillsammans bättre kan förstå och utveckla vår organisations kollektiva arbete.
Läs mer:
Clark, A. (2013). Whatever next? Predictive brains, situated agents, and the future of cognitive science. Behavioral and Brain Sciences, 36(03), 181-204.
Cowart, M. (2013). Andy Clark, Antonio Damasio and embodied cognition In A. Bailey (Ed.), Philosophy of Mind: The Key Thinkers (pp. 17). Bloomsbury Publishing.
Hutchins, E. (1995). How a cockpit remembers its speeds. Cognitive science, 19(3), 265-288.
6.1 Varför analys – djupare insikter, bättre beslut, bättre verksamhet
Analysförmåga behövs inte i en verksamhet som fungerar på topp i en värld som aldrig förändras. Som levererar precis det vi vill ha, i alla dimensioner vi kan komma på, så bra som det överhuvudtaget är möjligt och över tid. Analys behövs bara om vi vill nå längre än idag, om världen utanför förändras och vi behöver anpassa oss, om vi vill lyckas bättre med våra mål och övergripande syfte, och om det kanske finns andra som lyckas bättre än vi. Kanske har någon utomstående sagt till oss att vi med de resurser vi förfogar över borde kunna lyckas bättre. Ja, då behövs stark analysförmåga, vilket DAS kan ge oss.
Analys hjälper oss att synliggöra och förstå oss själva bättre, så vi kan ta klokare beslut och därmed få en bättre verksamhet. Analys hjälper oss också att se effekter och skillnader i utfall för alla nya idéer vi prövar. De där utomstående kritikerna har kanske varit vänliga nog att tipsa oss om något andra har gjort som vi också skulle kunna pröva. Då är det fortfarande vi själva som behöver studera effekterna av denna idé på just vår organisation. Nya idéer kommer aldrig med garanterad framgång. Analys krävs.
Analys är också steg 4, 5 och 6 i allt vetenskapligt arbete, se figur 6.1 nedan. Vilket utfall fick vi? För vem uppstod värde, när och hur? Hur relaterar dessa erfarenheter till mänsklighetens tidigare kunskap? Vad får det för implikationer? Hur besvarar vi nu vår beforskningsfråga? Sådan analys skapar också tillit och engagemang bland deltagarna – DAS-arbete som meningsfull praktik med praktiknära ”folkvetenskaplig” analys.
Det kan då verka som att analys är sista steget i DAS, men det är faktiskt näst sista steget. Det allra sista – och viktigaste steget – är att faktiskt lyckas fortsätta göra det som fungerar bra för oss, och att hålla i denna förändring över tid. Samt att göra mindre av det som inte fungerade så bra, eller att pröva igen så vi inte fastnar i klassikern ”Det där har vi prövat, det funkade inte”.
Figur 6.1. Slutpunkten för en beforskning – utfall, diskussion och slutsatser.
Läs mer:
Lackéus, M. (2021). Den vetenskapande läraren. Kapitel 8.
6.2 Som man sår får man skörda – skräp in skräp ut
Hur gör man då rent praktiskt med analysarbetet? Ja, det kommer vi strax till. Men först måste vi komma ihåg att stark analysförmåga kräver att vi har gjort vår läxa i steg ett (D) och två (A) av DAS-arbetet. I min egen forskning har jag många gånger blivit smärtsamt medveten om att min analysförmåga är helt beroende av hur jag gått tillväga när jag designat studien och sedan samlat in data. Jag sitter där med värdelösa data.
Inom datavetenskap finns en grundregel för detta, förkortad GIGO – Garbage In, Garbage Out. Om vi matar en dator med skräpdata, så kommer vi också få en skräpanalys. Ingen AI-motor i världen kan rädda analysen om vi slarvat oss fram dit. Om deltagarna får ut uppdrag som inte låter dem reflektera över deras egna handlingar eller erfarenhet så blir det ofta ointressanta reflektioner. Om reflektionsuppdragen inte känns viktiga på riktigt eller känslomässigt engagerande, då blir det på låtsas-reflektioner. Om uppdragstexten inte ger deltagarna stöd i hur de ska reflektera på djupet, ja då blir det skräpdata. Om jag inte avsatte tid för att ge deltagarna feedback på deras reflektioner medan beforskningen pågick, ja då får jag sota för det i analysarbetet.
Vad varje bonde vet gäller också inom DAS – som man sår får man skörda, se figur 6.2. En god sådd består av bra uppdrag och taggar, bra stöd till deltagare som bygger upp god vana att reflektera samt ledning som stöttar. Men skördetröskan och traktorn är lika viktiga. Tänk att skörda en hel åker för hand med lie. Så jobbar ingen bonde idag. Tidseffektiv datainsamling och visualisering av väl strukturerad data är helt nödvändigt för ett fungerande analysarbete. Här kan IT-stöd som Loopme hjälpa oss att samla in data av hög kvalitet och sedan ta fram siffror och diagram som hjälper oss se mönster. Först då får vi givande analys som på riktigt hjälper vår verksamhet att bli bättre över tid.
Figur 6.2. Som man sår får man skörda. Stark analysförmåga kräver väl fungerande datainsamling.
Läs mer:
Lackéus, M. (2021). Den vetenskapande läraren. Kapitel 8.
6.3 Att påbörja analysen direkt: Medföljning i stället för uppföljning
En styrka med DAS är att data samlas in över tid. Man kan jämföra det med skillnaden mellan foto och video. En klassisk enkät är som ett foto. Hur såg det ut just precis där och då? ”Oj, han blundade!” Med DAS fångar vi i stället förloppen mer löpande, lite som att spela in video som fångar rörelser och dynamik. Detta kallas för att vi arbetar longitudinellt, ett ord som kommer från latinets longitūdō, studien pågår varaktigt över tid. Longitudinella studier är att föredra eftersom vi då kan följa dynamiska processer, men är ofta dyrt och svårt att få till i praktiken via traditionella enkäter eller intervjuer. Vilken tur då att DAS är en i grunden longitudinell metod – samma formulär fylls i många gånger av samma personer, om än med olika uppdrag.
I analysen bör vi försöka dra fördel av att DAS är en longitudinell metodik. Vi bör påbörja analysen så snart datainsamling startat. Då kan vi vara där och ägna oss åt medföljning istället för mer klassisk uppföljning. Vi blir medresenärer på deltagarnas resa, varje eller varannan vecka, allteftersom de prövar olika saker. Vi ger pepp, ställer nyfikna frågor, klurar ihop kring varför det gick som det gick. Uppdragen vi designat åt deltagarna blir som en sorts finkornigt veckovis lärande vi ber dem ägna sig åt ihop med oss, se figur 6.3 nedan. Detta gör en DAS-studie mycket mer relationell, intim och personlig än klassisk enkätuppföljning.
I en medföljning är därför ömsesidighet viktigt, så kallad reciprocitet – ett växelvis givande och tagande. Försök sträva efter att arbetet upplevs som att lärledare och deltagare lär sig tillsammans. Inte bara ta emot deltagarnas reflektioner, utan också ge något tillbaka i form av feedback och analysöversikter. En deltagare sa att det känns som att få en brevvän. Försök skapa den känslan.
Figur 6.3. Finkornigt lärande triggas av DAS och fångas via medföljande analys.
Läs mer:
Lackéus, M. (2021). Den vetenskapande läraren. Kapitel 6 och 7.
Neale, B. (2018). What is qualitative longitudinal research? Bloomsbury Publishing.
Lackéus, M. (2025). “I have All the Feelings”: Navigating the Emotional and Practical Challenges of Research Method Innovation in Entrepreneurship Education. ECSB 3E, May 20-22, Munich.
6.4 Mixad analys i fem steg – taggar, uppdrag, fritext, anonymisering, dialog
När alla uppdrag är genomförda är det dags för summerande analys. Överför först gruppens reflektioner till ett kalkylark. I Loopme gör du det genom att gå till fliken Medlemmar i din grupp, och välja ”Exportera loopar och rapporter”. Då laddar du ner en så kallad CSV-fil (”Comma Separated Variables”), en textfil med kommatecken mellan varje värde. Öppna inte filen direkt. Öppna i stället ett tomt kalkylark i Excel och importera din CSV-fil via Excelfliken ”Data” -> ”Från text/CSV”. Då får du in alla reflektioner så att det blir lätt att sortera dem på uppdrag, känsloläge eller tagg, se figur 6.4.1 nedan. Om du ser text och siffror huller om buller i Excel utan möjlighet att sortera så har det blivit fel.
Det vi nu har framför oss är så kallad mixad data – en blandning av siffror och text. Vi ska nu ägna oss åt mixad analys, och den sker i fem steg, se figur 6.4.2 nedan. Börja sortera utifrån taggar, känsloläge eller uppdrag, och gå sedan vidare med att läsa intressanta texter överst i sorteringen. Öka storleken på läsfönstret så att du kan läsa en hel reflektion i fönstret ovanför alla celler. Jag brukar börja med att läsa reflektioner med högst respektive lägst känslovärde. Vad har varit mest positivt? Mest utmanande? Sen går jag kanske vidare till en viss tagg eller ett uppdrag som sticker ut. Vilket uppdrag är denna tagg vanligast på? Vad skriver deltagarna då? Sedan klipper jag ut intressanta texter och klistrar in i ett Powerpoint-dokument som jag kan visa för deltagare i min beforskning.
Det finns många bra sätt att ägna sig åt mixad analys utöver att följa dessa fem steg till punkt och pricka, men mixad analys handlar i grunden om att gå fram och tillbaka mellan siffror och text, att kreativt leta efter intressanta insikter och mönster, och att ta med sig de där guldkornen till citat som sedan kan visas upp anonymt för många.
Figur 6.4.1. Hur det ser ut i Excel när man går mellan taggar, uppdrag och fritext.
Figur 6.4.2. Mixad analys i fem steg från tagg och uppdrag via fritext till kollektiv analys
Läs mer:
Lackéus, M. (2021). Den vetenskapande läraren. Kapitel 8.
6.5 Kollegial analys – analysmöte, digitalt analysrum, andra sätt
Ett kollegialt analysmöte kan genomföras på lite olika sätt, men huvudfokus bör vara att låta deltagarna ta del av olika sammanställningar och diskutera dem ihop, se exempelvis översikten med olika figurer från Loopme i figur 5.5 i förra kapitlet. Syftet bör vara att få nya insikter som sedan fångas via avslutande skriftlig reflektion, kring frågor som: Varför tror vi att vi fick detta utfall? Vad är det som på djupet gör skillnad här? Hur kan vi lyckas bättre nästa gång? Vad vill vi nu tipsa andra om? Vilka förändringar vill vi nu genomföra?
Mötet kan följa strukturen IPAI – Individuell reflektion, Parvis diskussion i smågrupper, Alla diskuterar tillsammans i helgrupp, Individuell reflektion igen. Studieledarna kan inleda med att gå igenom analysmaterialet de har tagit fram, bestående av säg 4-6 bilder med grafiska sammanställningar och tematiserade utdrag av anonyma reflektioner, se exempel i figur 6.5 nedan. Det kan vara bra att skriva ut analysmaterialet i några exemplar på papper så att deltagarna kan bläddra runt i egen takt. Att skicka ut stödmaterialet digitalt på förhand kan också fungera. Kollegial analys kan också ske digitalt i en separat platt grupp i Loopme, helst då som komplement till ett fysiskt kollegialt analysmöte.
Många tycker att de har en öppen dela-kultur. Men faktum är att de flesta arbetsplatser kämpar med olika gruppdynamiska fenomen som defensiva kollegor, hemlighållanden, tävlingsmentalitet, förändringsovilja, rivalitet. Anonym delning är då en användbar teknik och utgör en mellanväg mellan total öppenhet och total slutenhet.
Figur 6.5. Exempel på en tematisk analys i Powerpoint med inklippta fritexter från Excel, bestående av illustrativa reflektioner bland deltagare på en beforskarutbildning.
Läs mer:
Lackéus, M. (2021). Den vetenskapande läraren. Kapitel 8.
Argyris, C., & Schön, D. A. (1978). Organizational Learning: A theory of Action perspective. Addison-Wesley Publishing Company, Inc.
6.6 Att tänka som en dataanalytiker: Några råd från Wendy Ruona
Hur ska man egentligen tänka som beforskare när det kommer till dataanalys? Jag tycker forskaren Wendy Ruonas kapitel “Analyzing Qualitative Data” är en utmärkt introduktion till just detta. Analys handlar enligt Ruona om att långsamt låta förståelsen växa fram ur materialet. Känna in vad som sker, bli djupt bekant med datan tills den nästan börjar tala tillbaka. Genom att läsa, lyssna och återvända till materialet om och om igen stiger insikterna sakta fram, först som svaga antydningar, över tid klarnande till tydliga mönster.
Nästa steg är att göra konstanta jämförelser – jämföra olika reflektioner med varandra, skissa på passande kategorier, omformulera kategorierna och försöka gruppera insikterna i olika teman. Varje ny observation du gör kastar nytt ljus på det gamla, varje ny kategori du försöker sätta ord på kan du pröva mot allt som redan skrivits. I en DAS-studie påbörjas detta redan under själva datainsamlingen. På så sätt växer förståelse, kategorier och teman av insikter fram parallellt. För att inte gå vilse i detta komplexa flöde av idéer behöver vi arbeta utifrån vår beforskningsfråga som sätter en tydlig riktning, håller ihop arbetet och hjälper oss att avgöra vad som är mest relevant.
När allt tydligare mönster börjar träda fram är det bra att rita modeller och figurer. Sådant visuellt arbete fördjupar tänkandet, gör det diffusa mer greppbart och hjälper till att se relationer mellan olika delar. Under hela processen gäller det också att växla mellan att låta insikter stiga ur datan och att på förhand formulera hypoteser som sedan prövas mot reflektionerna. Slutligen kommer det kanske svåraste men också mest tillfredsställande steget: att teoretisera. Att generalisera från det konkreta, pröva våra tolkningar mot nya reflektioner och långsamt närma oss en sammanhängande förklaring – vår egen teori som växer fram ur både materialet och ur våra nyvunna insikter kring reflektioner, kategorier och teman. Jag har försökt sammanfatta Ruonas råd i Figur 6.6 nedan.
Det är också bra att arbeta med triangulering, vilket innebär att jämföra olika datatyper med varandra. Eller varför inte räkna antal förekomster av olika intressanta företeelser – både hög och låg förekomst är intressant. Titta gärna på extremfall av olika slag, i både positiv och negativ bemärkelse. Fundera över avvikande företeelser som sticker ut, ofta ovanliga reflektioner. Leta också gärna efter sådant som överraskar i största allmänhet.
Figur 6.6. Sju steg i Ruonas föreslagna process för kvalitativ dataanalys. Forskning är dock inte linjär, så vi behöver gå mycket fram och tillbaka mellan dessa sju steg.
Läs mer:
Ruona, W. E. A. (2005). Analyzing Qualitative Data. In R. A. Swanson & E. F. Holton (Eds.), Research in organizations: Foundations and methods in inquiry (pp. 233-264). Berrett-Koehler Publishers.
6.7 Kritiska perspektiv på dataanalys
Det är en stor fördel i analysarbetet att vara väl förtrogen med det vi studerar, men det innebär också en del utmaningar. I DAS-forskning är vi både observatörer och deltagare samtidigt, vilket innebär att våra egna förväntningar, känslor och erfarenheter lätt påverkar vad vi ser. Vi behöver lära oss känna igen olika sorters bias i vårt analysarbete – snedvridningar på grund av vår partiska förförståelse – och aktivt hantera dem.
Den mest kända är bekräftelsebias – tendensen att lägga märke till sådant som bekräftar våra förväntningar och tona ner sådant som stör. Men det finns fler, se figur 6.7 nedan. Tillgänglighetsbias gör att vi överskattar det som är lätt att minnas eller redan ligger nära till hands. Gruppbias kan uppstå när kollegor delar samma perspektiv och därmed förstärker varandras tolkningar. Positivitetsbias får oss att överbetona det som fungerar bra, särskilt när vi själva är en del av det studerade systemet. Alla forskningsmetoder påverkas av dold bias, men vi kan göra dem synligare genom att skriva korta analysmemon, exempelvis som kommentarer på deltagares reflektioner. Sådana reflekterande anteckningar visar hur våra insikter löpande vuxit fram och gör våra tolkningar spårbara så vi i efterhand lättare kan se var bias kan ha smugit sig in.
Ett annat viktigt steg i analysen är att kritiskt pröva sin egen förståelse, att medvetet söka det som skaver. Leta efter motsägelsefulla exempel i datan. Reflektioner som bryter mot mönstret, känslor som går åt annat håll, citat som inte passar in, tankar som vi helst inte hade velat läsa om. Sådana avvikelser gör analysen både djupare och mer trovärdig. Jämför också olika datatyper – siffror, känslor och text – för att se om de pekar åt samma håll. En annan enkel teknik är att räkna. Hur ofta återkommer ett tema eller en känsla, och var skiljer det sig? Både frekventa och ovanliga teman är intressanta, fast av lite olika skäl. Vi kan också låta andra läsa samma material och jämför tolkningarna, exempelvis i ett kollegialt analysmöte. Vi kan också pröva våra slutsatser mot rivaliserande förklaringar, alternativa sätt att förstå samma fenomen. När vi aktivt försöker motbevisa oss själva blir analysen mer robust.
Figur 6.7. Några vanliga snedvridningar / bias i analysarbete som riskerar leda oss fel.
Läs mer:
Lackéus, M. (2021). Den vetenskapande läraren. Kapitel 8.
Kahneman, D. (2012). Tänka, snabbt och långsamt. Volante.
6.8 Kvalitetsledning med hjälp av DAS som analysmotor
Alla organisationer bedriver någon form av kvalitetsarbete. I skolan kallas det systematiskt kvalitetsarbete (SKA-arbete), i vården ledningssystem för kvalitet, i socialtjänsten ständigt förbättringsarbete och i näringslivet Quality Management eller PDCA-cykler – Plan, Do, Check, Act. Oavsett namn handlar det om att planera, genomföra, följa upp och förbättra verksamheten utifrån data och reflektion. Skillnaden ligger i graden av liv – om kvalitetsarbetet är ett administrativ pappersarbete eller en levande kvalitetsdialog. DAS konkretiserar kvalitetsarbetet: i Design-fasen (Plan) formuleras uppdrag och syften, i Action-fasen (Do) genomför deltagarna sina handlingar i vardagen och i Sample-fasen (Check/Act) samlas data in, analyseras och återkopplas. På så sätt blir kvalitetsarbetet inte en separat process utan en del av vardagens lärande.
I Hässleholm har ett 60-tal rektorer använt DAS för att göra kvalitetsarbetet mer vardagsnära. De kallar det för praktiknära SKA-arbete. Uppföljningen sker nu löpande i stället för några gånger per år, och arbetet har blivit enklare, tätare och mer meningsfullt. Rektorerna beskriver en förflyttning från omfattande till förenklat, från sällan till ofta, från enskilt till tillsammans och från ytligt till djupare, se figur 6.8 nedan.
Med DAS som analysmotor i kvalitetsarbetet flyttas förbättringscykler in mer i vardagen. Analysen blir då inte ett tungt slutsteg utfört av några få chefer eller kvalitetsansvariga, utan ett kontinuerligt och kollektivt lärande som driver praktiken framåt. När planering, handling och analys binds samman i digitala DAS-loopar blir PDCA-cykeln en mer mänsklig och meningsfull process driven av nyfikenhet snarare än kontroll.
Figur 6.8. Traditionellt kontra praktiknära kvalitetsarbete (Magnusson m fl., 2023).
Läs mer:
Magnusson, A., Lackéus, M., Ohlsson, K., & Holmén, P.-E. (2023). Praktiknära SKA-arbete: En ny modell för ett mer meningsfullt och mer vetenskapligt systematiskt kvalitetsarbete
6.9 Användning av AI vid kvalitativ dataanalys
I en DAS-studie kan det bli stora mängder text som ska analyseras av lärledarna – från några tusen ord till upp emot hundratusen ord, vilket motsvarar flera tjocka böcker. Jag har själv gjort många sådana textanalyser manuellt genom åren, och det har länge varit det svåraste steget att lära ut i DAS. Här kom nyligen AI-tekniken in som en tacksam räddning. Nu kan vi be en AI-motor leta mönster och anonyma citat från deltagarnas reflektioner, både medan studien pågår och när det är dags för summering. Det går fort och fungerar synnerligen väl, visar vår metodforskning. Deltagare i kollegiala analysmöten sätter också stort värde på AI-översikterna.
Vi har byggt in en första version av AI-stöd i Loopme, så att användare med ett enda knapptryck kan få ut en AI-analys av allas reflektioner i en grupp eller på ett specifikt uppdrag, se ett exempel på sådan analysrapport i figur 6.9 nedan. AI blir därmed ytterligare en komponent i det sociotekniska system DAS representerar – ännu en hjärna som deltar när många hjärnor tänker som en.
Samtidigt kräver AI-stödd DAS-analys en kritisk hållning. Algoritmer bär på egna snedvridningar och saknar förståelse för sammanhang. Därför behöver resultaten alltid prövas mot människors erfarenhet via kollektiv reflektion. AI-analysens kvalitet påverkas också av hur väl vi har skött utsädet – GIGO-skräpregeln gäller även för AI-analys. Det finns också legala, säkerhetsmässiga och etiska perspektiv som behöver tas i beaktande. Men vi ser att det är mödan värt. AI öppnar upp helt nya möjligheter genom en radikal förenkling av DAS-analys. Kvalitetsarbete blir nu ännu enklare, och fler kan vara med.
Figur 6.9. AI-analys av vad 26 lärare tyckte om att använda DAS för skolutveckling.
Läs mer:
Lackéus, M. (2025). “I have All the Feelings”: Navigating the Emotional and Practical Challenges of Research Method Innovation in Entrepreneurship Education. ECSB 3E, May 20-22, Munich.
6.10. Avslutande reflektion om DAS-analys
Efter att vi här har gått igenom hantverket kring DAS-analys utifrån ett flertal praktiska steg och tekniker, så vill jag avsluta detta kapitel med att höja blicken. Analys i DAS handlar i grunden förvisso om en hel del praktiskt arbete med siffror och text, men lika mycket handlar det om kollektivt meningsskapande. När människor stannar upp och tillsammans försöker förstå vad deras handlingar har lett till så uppstår något djupt mänskligt – en kollektiv förmåga att tänka, känna och lära. Det är i denna meningsskapande process som kvalitets- och utvecklingsarbetet hämtar kraft. Analys blir då inte bara en teknisk uppgift utan lika mycket en gemensam reflektionsprocess över vad som fungerar, varför det gör det och hur vi kan få mer av det.
Samtidigt är analys också känslomässig. Våra reflektioner bär på glädje, frustration, stolthet och tvivel – allt det som gör oss levande. Där det finns starka känslor finns det också starkt lärande. När vi vågar låta känslor bli en viktig del av analysen får vi tillgång till den energi som driver djupt lärande och verklig förändring. Därför behöver analys ske i tillitsfulla relationer där människor vågar göra, dela, lyssna, känna och tänka tillsammans. DAS gör detta möjligt genom att väva samman det kognitiva och det emotionella, det individuella och det kollektiva, det skriftliga och det muntliga, det digitala och det mänskliga.
I grunden är DAS-analys därmed ett uttryck för en sorts vetenskaplig demokrati – forskning åt folket, eller folkvetenskap. Det är en metod som fördelar tanke- och talutrymmet på många fler, där insikter inte produceras så mycket av experter på distans utan snarare växer fram där vardagen utspelar sig. Analysens syfte är därför inte att kontrollera utan att förstå, inte att granska utan att förbättra. När vi sluter analysloopen med nya och klokare handlingar blir lärandet mer hållbart och verksamheten mänskligare.
Men analys handlar också om rytm – att skapa balans varje vecka mellan att arbeta och att lära. Om vi sällan stannar upp och reflekterar förlorar vi riktningen, men om vi bara analyserar kommer inget nytt att hända. I DAS växlar dessa rörelser hela tiden: arbete föder lärande, och lärande föder nytt arbete. Det är detta som skapar en hållbar work–learn balance i organisationen, där förbättring och produktion går hand i hand. DAS handlar därmed om ett lärande värdeskapande: att genom lärande skapa mer värde – för dem vi är till för, för varandra och för oss själva. Att omsätta nya insikter i handlingar som gör verklig skillnad i vardagen för alla dem som berörs av vårt arbete. För en fördjupning i hur arbete och lärande kan balanseras bättre i vardagen, se min artikel om “Work-learn balance” nedan.
Läs mer:
Lackéus, M. (2023). Work-learn balance – a new concept that could help bridge the divide between education and working life? Industry and Higher Education, 38(2), 177-190.