Problembestimmung

Intersektionale Zugänge können in Studien mit menschlichen Subjekten relevant sein. Während biologisches und soziales Geschlecht wichtige zu beachtende Konzepte sind (s. Biologisches Geschlecht (Sex) analysieren; Soziales Geschlecht (Gender) analysieren), werden sie von anderen sozialen und biologischen Faktoren geprägt. Die Formulierung der Forschungsfrage bestimmt, welche Überschneidungsvariablen für die Auswertung erforderlich sind. Die wichtigsten Kategorien, Faktoren und Beziehungen können nicht a priori bestimmt werden, sondern ergeben sich im Forschungsprozess (Hankivsky, 2014).

Bevor eine Studie in Angriff genommen wird, sollten Forschungsteams systematische Literaturrecherchen durchführen, um potentiell relevante Faktoren und Kategorien zu identifizieren. Derartige Kategorien und Faktoren können biologische, soziokulturelle oder psychologische Merkmale von Nutzer_innen, Kund_innen, Teilnehmenden, Versuchssubjekten oder Zellen sein (s. Kasten). Auch Überschneidungsfaktoren wie Ernährung oder genetische Variabilität können in der Betrachtung wichtig sein. Derartige Faktoren können Teilgruppen-Unterschiede unter männlichen und weiblichen Subjekten aufzeigen, die mit der alleinigen Verwendung des biologischen Geschlechts als Variable unentdeckt geblieben wären (s. Fallstudie: Nutrigenomik, öffnet eine externe URL in einem neuen Fenster).

In dieser Phase ist es auch wichtig, die sozialen Kontexte einschließlich gesellschaftlicher, institutioneller Umstände und Gruppenzugehörigkeiten zu betrachten (z. B. Gesetze, Gesundheitsdienstleister, Bildungssysteme, Gesetzesvollzug, religiöse Institutionen, Kriminalitätsraten), die Lebenserfahrungen, Chancen und Entscheidungen von Menschen auf unterschiedliche Weise prägen, je nach deren sozialem Geschlecht, ethnischer Zugehörigkeit, sozioökonomischem Status, Sexualität, Wohnort etc. (Bowleg, 2012; Hankivsky, 2014).

Letztlich kann es wichtig sein zu berücksichtigen, wessen praktisches Wissen oder praktische Erfahrung für das Projekt relevant ist. Die Einbeziehung diverser Gruppen von Forschungssubjekten oder potentiellen Endnutzer_innen in den Forschungsprozess (von der Problemstellung bis zum Forschungsdesign) kann die intersektionale Analyse schärfen und inklusivere Lösungen ermöglichen (s. Methode: Ko-Kreation und partizipatorische Forschung, öffnet eine externe URL in einem neuen Fenster).

Forschungsdesign

Intersektionale Forschung sollte dahingehend gestaltet sein, die multiplikativen Effekte von unterschiedlichen, aber interdependenten Kategorien und Faktoren zu erhellen. Es ist festzulegen, welche (qualitativen, quantitativen oder gemischtmethodischen) Ansätze am besten geeignet sind, die für das eigene Projekt relevanten sich gegenseitig überschneidenden Variablen zu untersuchen. Qualitative Ansätze (z. B. Fokusgruppen, Dokumentenanalyse, Interviews und Beobachtungen) können detaillierte Einblicke in das komplexe Geflecht aus Faktoren, Prozessen und Beziehungen bieten, das die Identität, Chancen und Praktiken von Menschen prägt. Quantitative Methoden (z. B. Fragebogenerhebungen, Social Media-Daten, Produktkäufe oder Registerdaten) ermöglichen es dem/der Forschenden, Ähnlichkeiten und Unterschiede über Gruppen und Teilgruppen hinweg zu untersuchen, und können erhellen, wie derartige Ähnlichkeiten und Unterschiede je nach sozialem Kontext variieren und sich im Lauf der Zeit entwickeln (Else-Quest und Hyde, 2016; Bowleg, 2008; Shields, 2008). In gemischtmethodischen Designs werden qualitative Methoden etwa angewandt, um zu erforschen, welche intersektionalen Kategorien, Faktoren und Beziehungen danach in einer quantitativen Auswertung untersucht werden sollen. Qualitative Methoden können allerdings auch angewandt werden, um ein tieferes Verständnis für hervorstechende Interaktionen und Beziehungen zu gewinnen, die in einer vorherigen quantitativen Auswertung ermittelt wurden. Eine quantitative Auswertung kann etwa unerwartete Unterschiede zwischen Frauen und Männern zeigen, die weder durch das soziale Geschlecht noch durch den sozioökonomischen Status alleine zu erklären sind, etwa dass Frauen mit hohem sozioökonomischem Status einen ähnlichen Gesundheitszustand aufweisen wie Männer mit niedrigem sozioökonomischem Status (Sen et al., 2010). In diesem Fall kann eine qualitative Folgestudie hilfreich sein, um die zugrundeliegenden Prozesse und Mechanismen abzuklären, die die beobachteten Unterschiede und Ähnlichkeiten bewirken.

Das potentiell dynamische Wesen der intersektionalen Kategorien und Faktoren im Fokus sollte dabei immer beachtet werden. Die Bedeutung unterschiedlicher Kategorien und Faktoren kann je nach sozialem Kontext variieren und sich im Lauf der Zeit verändern (Hankivsky, 2014). In quantitativer Forschung könnten derartige Variationen mittels raumbezogener Auswertungen oder Längsschnittdesigns untersucht werden (Weber et al., 2019; Warner & Brown, 2011).

Und schließlich sollten Forschungsteams, die qualitative Interviews oder Erhebungen, öffnet eine externe URL in einem neuen Fenster einsetzen, ihre Fragen und Kategorien nach irrigen oder stereotypen Annahmen durchforsten, bevor sie die Datensammlung beginnen. Ausgedehnte Pilotphasen und/oder kognitive Interviews mit der Zielbevölkerung können die Aussagekraft und Verlässlichkeit der Studie verbessern und die Datensammlung effizienter gestalten.

Datensammlung

Ein intersektionaler Zugang setzt die Datensammlung im Hinblick auf Faktoren voraus, die sich mit biologischem und sozialem Geschlecht überschneiden (z. B. ethnische Zugehörigkeit, Religion, Sexualverhalten, Lebensstil, sozioökonomischer Status, Behinderung, für Transgender-Personen relevante Genderkategorien etc.).

Die Betrachtung von Kategorien und Merkmalen auf individueller Ebene sollte durch einen Schwerpunkt auf Faktoren auf Gruppenebene ergänzt werden (z. B. auf der Ebene von Haushalten, Wohnvierteln, auf institutioneller, regionaler Länder- und nationaler Ebene). Auch hier sind die relevanten Variablen, die zu berücksichtigen sind, wiederum von der für die Untersuchung identifizierten Problemstellung, öffnet eine externe URL in einem neuen Fenster abhängig. Auf der Ebene des Wohnviertels kann es relevant sein, Werte über Luftqualität, Kriminalitätsraten, Bevölkerungsdichte oder Belegungsdichte von Wohneinheiten etc. zu inkludieren. Auf der Länder- und nationalen Ebene kann es relevant sein, Faktoren wie Maßnahmen im Gesundheitssystem, Karenzvorgaben oder die Gesetzeslage in Bezug auf Transgender-Rechte zu berücksichtigen (Bowleg & Bauer, 2016).

In der quantitativen Forschung ist die minimale Stichprobengröße zu berechnen, die für jede in die Auswertung einbezogene Gruppe notwendig ist, um eine aussagekräftige statistische Analyse zu ermöglichen (Rouhani, 2014). Strategisches Oversampling bestimmter Gruppen kann notwendig sein, um ausreichende statistische Aussagekraft für gruppenübergreifende Vergleiche und Interaktionsanalysen zu gewährleisten. Befragtenorientiertes Sampling (Heckathorn, 1997) und Time-Space-Sampling (MacKellar et al., 2007) können eingesetzt werden, um marginalisierte oder unsichtbare Populationen zu rekrutieren, die über traditionelle Sampling-Methoden schwer zu erreichen sind (Bowleg & Bauer, 2016).

In der qualitativen Forschung sollte die Stichprobe groß genug sein, um die unterschiedlichen intersektionalen Positionen abzudecken, die für das Forschungsproblem relevant sind.

Datenauswertung

Eine intersektionale Analyse soll die Multiplikationseffekte von verschiedenen, aber voneinander abhängigen Kategorien und Faktoren beleuchten.

Quantitative Forschung sollte über einen additiven Fokus auf Haupteffekte hinausgehen (z. B. die Abschätzung unabhängiger Auswirkungen für soziales Geschlecht, ethnische Zugehörigkeit und sexuelle Orientierung) und untersuchen, wie die in den Blick genommenen Variablen sich überschneiden (Bauer, 2014; Hancock, 2007; Bowleg & Bauer, 2016).

Vielstufige Modelle (z. B. hierarchisches lineares Modellieren) können eingesetzt werden, um die Auswirkungen von Variablen auf individueller Ebene und Faktoren auf Gruppenebene auf ein bestimmtes Resultat (z. B. Krankenhausrahmen, Wohnviertel, Staat oder Beschäftigung) herauszuarbeiten.

Bei Regressionsmodellen können Interaktionsgrößen genutzt werden, um zu prüfen, wie Auskunftspersonen an bestimmten Orten der Überschneidung von zwei oder mehreren Kategorien (z. B. schwuler schwarzer Mann oder heterosexuelle asiatische Frau) bezüglich eines bestimmten Resultats variieren. Mehrfache Haupteffekte können auch eingesetzt werden, um derartige Variationen zu untersuchen, wenn für jede der interessierenden Überschneidungskategorien Alternativvariablen errechnet werden (Sen et al., 2010). Eine medizinische Studie etwa, die die Haupteffekte für intersektionale Kategorien in Bezug auf biologisches Geschlecht und ethnische Zugehörigkeit untersuchte, ergab, dass die stationäre Mortalität von Herzinfarkt-Patient_innen bei weißen Frauen, weißen Männern und schwarzen Männern eine geringe Streuung zeigte, aber bei schwarzen Frauen höher war (Vaccarino et al., 2005). Diese wichtige Erkenntnis hätte übersehen werden können, wenn die Studie sich auf zwei Haupteffekte (biologisches Geschlecht und ethnische Zugehörigkeit) beschränkt und keine Alternativvariablen für jeden der vier Standorte in der Überschneidung inkludiert hätte (weißer Mann, weiße Frau, schwarzer Mann und schwarze Frau) (s.  auch Sen et al., 2010).

Qualitative Auswertungen werden oft explorativ sein und sollten umfangreiche beschreibende Darstellungen der unterschiedlichen Kategorien, Faktoren und Prozesse beinhalten, die sich in der Prägung der Identitäten, Chancen und Praktiken von Menschen in einem gegebenen Kontext überschneiden (Hunting, 2014). Eine derartige Analyse sollte sowohl Gemeinsamkeiten als auch Unterschiede über Kategorien und Faktoren hinweg untersuchen und innergruppale Variationen hinsichtlich Erfahrungen, Ansichten und Verhaltensweisen nicht ausblenden. Ein mehrstufiger Ansatz, der durch verschachtelte Codierung des Datenmaterials operationalisiert wird, kann eingesetzt werden, um zu untersuchen, wie individuelle Erfahrungen und Verhaltensweisen sich auf breitere Faktoren auf Gruppenebene und Kontextfaktoren beziehen (Hankivsky, 2014).

Bericht und Ergebnisdissemination

Berichte sollten die Stichprobenmerkmale nach sozialem und biologischem Geschlecht und relevanten intersektionalen Variablen angeben und beschreiben, wie die Informationen über jede einzelne Variable gewonnen wurden. Für bessere Transparenz sollten Forschende alle relevanten Resultate der intersektionalen Analyse einschließlich nicht aussagekräftiger Ergebnisse ausweisen. Dabei ist darauf zu achten, konkret anzugeben, welche Erkenntnisse generalisieren und welche sich auf bestimmte Populationen, Variablen oder Wohnorte beziehen.

Beim Ergebnisbericht über gruppenübergreifende Vergleiche ist bei der Verteilung die gruppeninterne Variabilität und die Überlappung zwischen den Gruppen anzugeben. Es ist darauf zu achten, die Unterschiede zwischen Individuen oder Gruppen nicht überzubetonen und sicherzustellen, dass Information sowohl zu Unterschieden als auch zu Ähnlichkeiten im Text, in Tabellen und Abbildungen angemessen dargestellt ist, und dass im gesamten Bericht hinweg das Feingefühl für Nuancen bewahrt wird (Else-Quest & Hyde, 2016b; Cole, 2009).

In der quantitativen Forschung sollten statistische Interaktionen (und Effektmessungs-Modifizierung) in ausreichendem Detail dargestellt werden, um Leser_innen die Interpretation der Effektstärke und der praktischen Bedeutung der Erkenntnisse zu ermöglichen (Bauer, 2014; Knol & Van der Weele, 2012).

Angesichts der engen Verknüpfung zwischen Intersektionalität und Fragen von Macht, Privileg und Ungleichheit ist es wichtig, die Studienergebnisse im Kontext der spezifischen gesellschaftlichen, institutionellen und gemeinschaftlichen Umstände der Zielbevölkerung zu verorten (Bowleg, 2012; Hankivsky, 2014; Else-Quest & Hyde, 2016b).

Disseminationsstrategien sollen die Komplexität des Zielpublikums in Betracht ziehen. Allzu oft beschränken Forschende ihr Publikum auf ihre akademischen Kolleg_innen. Ein intersektionaler Ansatz hilft, Forschungstreibende für viele andere potentielle Adressat_innen zu sensibilisieren.

Wenn intersektionale Datensätze Open-Access-zugänglich gemacht werden, sind umsichtige Abwägungen über Datenschutzfragen gerechtfertigt. Zum Beispiel können „anonymisierte” Daten, die demographische Informationen über Postleitzahl, Geburtsdatum, ethnische Zugehörigkeit und biologisches Geschlecht umfassen, für Dritte ausreichend Information bieten, um die Daten zu entanonymisieren (Sweeney, 2002).

Relevante Fallbeispiele

Klimawandel, öffnet eine externe URL in einem neuen Fenster
Knie ohne Geschlecht, öffnet eine externe URL in einem neuen Fenster
Ernährungsbewertung, öffnet eine externe URL in einem neuen Fenster
Umweltchemikalien, öffnet eine externe URL in einem neuen Fenster
Gesichtserkennung, öffnet eine externe URL in einem neuen Fenster
Gendervariablen für medizinische Forschung, öffnet eine externe URL in einem neuen Fenster
HIV Mikrobizide, öffnet eine externe URL in einem neuen Fenster
Inclusive Crash Test Dummies, öffnet eine externe URL in einem neuen Fenster
Maschinen zum Sprechen bringen, öffnet eine externe URL in einem neuen Fenster
Nanontechnology-Based Screening for HPV, öffnet eine externe URL in einem neuen Fenster
Nutrigenomik, öffnet eine externe URL in einem neuen Fenster
Osteoporose, öffnet eine externe URL in einem neuen Fenster
Smarte Energielösungen, öffnet eine externe URL in einem neuen Fenster
Stammzellen, öffnet eine externe URL in einem neuen Fenster