الانتقال إلى المحتوى
العودة إلى نتائج البحث

تحليل المحتوى الكمي

قدّمه
Bernard Berelson; later systematised by Klaus Krippendorff
السنة
1950s (Berelson 1952; Krippendorff 1980/2004)
النوع
Quantitative observational research method
العائلة
Survey / observational design

هذا النص ترجمة آلية ولم تتم مراجعته بعد. اقرأ النص الأصلي بالإنجليزية

حجم الخط

ماذا تفعل؟

تحليل المحتوى الكمي هو طريقة منهجية وقابلة للتكرار لتحويل المحتوى الظاهر للنصوص أو الصور أو غيرها من الاتصالات المسجلة إلى بيانات رقمية. من خلال تطبيق دليل ترميز محدد مسبقًا على مجموعة محددة من النصوص، وعدّ أو قياس الفئات الناتجة، يحصل الباحثون على توزيعات تكرارية ونسب وعلاقات يمكن إخضاعها للاختبارات الإحصائية القياسية. إنها الطريقة السائدة للتحليل الموضوعي واسع النطاق للوسائط والمستندات ومنشورات وسائل التواصل الاجتماعي ونصوص السياسات والمواد المماثلة.

الفكرة الحدسية وراء الطريقة

تخيل أنك تريد معرفة عدد المرات التي تصور فيها وسائل الأخبار تغير المناخ كتهديد اقتصادي مقابل خطر صحي عبر خمس سنوات من التغطية. قراءة آلاف المقالات بشكل ذاتي ستكون بطيئة وغير متسقة. يحل تحليل المحتوى الكمي هذه المشكلة من خلال إنشاء دليل قواعد دقيق - دليل الترميز - يخبر المرمزين المدربين بالضبط أي الكلمات أو الجمل أو الفقرات تُعتبر كل إطار. يجب أن يصل اثنان من المرمزين يعملان بشكل مستقل إلى نفس التصنيف في معظم المقالات. ثم يتم تحليل الأعداد مثل أي بيانات رقمية أخرى: التكرارات، الاتجاهات، مقارنات المجموعات، أو الانحدارات. هذا النهج يضحي بالعمق التفسيري مقابل النطاق وقابلية التكرار.

التاريخ

ظهر تحليل المحتوى المنهجي للصحف والدعاية في الولايات المتحدة خلال الحرب العالمية الثانية، مع تقديم مونوجراف برنارد بيرلسون عام 1952 "تحليل المحتوى في أبحاث الاتصال" أول بيان منهجي شامل. طبق هارولد لاسويل وزملاؤه عد التكرار على الاتصال السياسي خلال نفس الفترة. أسس كلاوس كريبن دورف عام 1980 (مُراجع عام 2004) الأسس المعرفية للطريقة، وقدم ألفا كريبن دورف كمقياس موثوقية قياسي، ووسع الإطار إلى ما وراء أبحاث الإعلام ليشمل أي اتصال مسجل. أدى صعود تحليل النصوص الحاسوبي منذ عام 2010 إلى تجديد الاهتمام بالمنطق الأساسي للطريقة.

متى تُستخدم

تحليل المحتوى الكمي هو الخيار الصحيح عندما يكون الهدف البحثي هو وصف أو مقارنة أو شرح الأنماط في مجموعة كبيرة من الاتصالات المسجلة بطريقة موضوعية وقابلة للتكرار. يناسب الأسئلة المتعلقة بالتكرار (كم مرة يظهر X؟)، والاتجاهات (هل زاد X بمرور الوقت؟)، والارتباطات (هل يتواجد X مع Y؟). تشمل مجموعات النصوص المناسبة أرشيفات الأخبار، ومجموعات بيانات وسائل التواصل الاجتماعي، ووثائق السياسات، ونصوص المقابلات (للميزات السطحية)، والإعلانات، والمنشورات الأكاديمية. لا تستخدمه عندما يتطلب السؤال البحثي فهم المعنى الكامن، أو نية المؤلف، أو تفسيرات القراء - تحليل المحتوى النوعي أو تحليل الخطاب أكثر ملاءمة. كما يتطلب إمكانية الوصول إلى مجموعة النصوص الكاملة أو عينة ممثلة، وإمكانية تحديد فئات ترميز موثوقة مسبقًا.

الحدود والاعتبارات

  • مقتصر على الميزات الظاهرة والقابلة للملاحظة للمحتوى؛ المعنى الكامن أو السياقي يتطلب تحليلًا نوعيًا تكميليًا.
  • يستغرق تطوير دليل الترميز وقتًا طويلاً ويتطلب تجريبًا تكراريًا قبل أن يمكن الانتهاء من الفئات الموثوقة.
  • وحدة الاستدلال هي المحتوى نفسه؛ الطريقة وحدها لا يمكنها تحديد سبب وجود أنماط المحتوى أو كيفية استجابة الجماهير لها.
  • الترميز الآلي (التعلم الآلي، طرق القواميس) يوسع النطاق ولكنه يقدم مخاطر صحة خاصة به إذا لم يتم التحقق منه مقابل الرموز البشرية.

لا تغني شروط المصدر عن المراجعة العلمية المستقلة أو التحقق بواسطة محرك تحليل.

نقاط القوة

  • قابلية تكرار عالية: يسمح دليل الترميز والإحصاءات الموثوقية للباحثين الآخرين بتقييم الدراسة وإعادة إنتاجها.
  • قابلية التوسع لمجموعات نصوص كبيرة جدًا - آلاف أو عشرات الآلاف من المستندات - باستخدام مرمزين بشريين أو تحليل نصي آلي.
  • غير تفاعلي: المحتوى موجود بالفعل، لذا فإن الطريقة لا تغير الظاهرة قيد الدراسة.
  • النتائج رقمية وقابلة للتطبيق على مجموعة كاملة من تقنيات الإحصاء الوصفي والاستدلالي.
  • شفاف: يتم الإبلاغ عن جميع قواعد الترميز وتقديرات الموثوقية، مما يجعل القرارات المنهجية قابلة للتدقيق.

التطبيقات

  • تتبع كيفية تغير تغطية الأخبار لقضية سياسية أو مرشح عبر الدورات الانتخابية.
  • تحليل حجم ومشاعر منشورات وسائل التواصل الاجتماعي حول حملة للصحة العامة.
  • قياس التمثيل الجنسي أو العرقي في الإعلانات التلفزيونية عبر الزمن.
  • مقارنة تكرار تأطير المخاطر مقابل تأطير الفوائد في البيانات الصحفية العلمية.
  • التدقيق في استخدام لغة سياسات محددة في الوثائق التشريعية عبر الولايات القضائية.
  • فحص انتشار العنف أو الصور النمطية في محتوى وسائل الإعلام للأطفال.

كيف يعمل

كيف يعمل

1

يحدد الباحث وحدة التحليل - أي عنصر من مجموعة النصوص سيتم ترميزه - مثل مقال إخباري فردي، أو فقرة، أو جملة، أو صورة واحدة. يتم أيضًا تحديد حدود مجموعة النصوص (الفترة الزمنية، قائمة المصادر، اللغة) في هذه المرحلة، مما يضمن تحديد مجموعة المحتوى بوضوح قبل إجراء أي ترميز.

2

يتم إنشاء دليل ترميز يحدد كل متغير سيتم ترميزه، ويسرد جميع فئات الاستجابة الحصرية والمستوعبة بشكل متبادل، ويوفر قواعد اتخاذ القرار وأمثلة مرجعية لكل فئة. التعريفات التشغيلية الواضحة وغير الغامضة ضرورية؛ التعريفات الغامضة هي المصدر الرئيسي لعدم الموثوقية في تحليل المحتوى.

3

إذا كانت مجموعة النصوص كبيرة جدًا بحيث لا يمكن ترميزها بالكامل، يتم سحب عينة احتمالية - غالبًا عينة عشوائية أو منهجية مقسمة حسب المصدر أو الفترة الزمنية أو نوع المحتوى. يجب أن يكون حجم العينة كبيرًا بما يكفي لدعم التحليلات الإحصائية المقصودة واكتشاف تكرارات الفئات ذات الأهمية الجوهرية.

4

يطبق المرمزون المدربون دليل الترميز على كل وحدة تحليل بشكل مستقل. يتلقى المرمزون تدريبًا موحدًا باستخدام مواد تدريبية لا تظهر في العينة الرئيسية، ويتم حل أي غموض متبقٍ في دليل الترميز قبل بدء الترميز الكامل. يتم تسجيل جميع قرارات الترميز في ملف بيانات منظم.

5

يتم حساب موثوقية المرمزين المشتركين - عادة باستخدام كابا كوهين (بيانات اسمية) أو ألفا كريبن دورف (بيانات ترتيبية أو فئوية) - على مجموعة فرعية عشوائية من مجموعة النصوص التي قام بترميزها اثنان على الأقل من المرمزين المستقلين. يعتبر ألفا 0.80 أو أعلى هو الحد التقليدي للموثوقية المقبولة؛ يتم مراجعة الفئات التي تقع دون هذا الحد أو دمجها قبل التحليل النهائي.

6

يتم تحليل البيانات الرقمية المرمزة باستخدام الإحصاءات الوصفية والاستدلالية المناسبة: جداول التكرار، جداول التقاطعية، اختبارات مربع كاي، تحليل الاتجاهات عبر الزمن، أو نماذج الانحدار. يتم تفسير النتائج فيما يتعلق بأسئلة البحث؛ وحدة الاستدلال هي المحتوى، وليس مؤلفي أو جمهور هذا المحتوى.

الأخطاء الشائعة

  • فئات ترميز غامضة: إذا لم يوفر دليل الترميز قواعد اتخاذ قرار غير غامضة للمرمزين، فستكون موثوقية المرمزين المشتركين منخفضة وستكون البيانات بلا معنى بغض النظر عن حجم العينة.
  • تجاهل الموثوقية: الإبلاغ عن ترميز مرمز واحد فقط، أو حساب الموثوقية فقط على الفئات التي يسهل فيها الاتفاق، يضخم الصرامة الظاهرية للدراسة.
  • خلط المحتوى مع السبب أو التأثير: التكرار العالي لإطار في وسائل الإعلام لا يثبت أن الإطار أثر على الجماهير - هذا يتطلب تصميم دراسة منفصل.
  • أخذ عينات غير ممثلة: عينات الراحة من المحتوى الذي يسهل الوصول إليه (مثل، أفضل عشر نتائج بحث في جوجل) تُدخل تحيزًا منهجيًا في تقديرات التكرار.
  • خلط الوحدات: خلط مستويات التحليل (الترميز على مستوى المقال لبعض المتغيرات وعلى مستوى الجملة لمتغيرات أخرى) يجعل بنية البيانات غير صالحة والتحليلات غير قابلة للتفسير.

الأسئلة الشائعة

ما هي إحصائية موثوقية المرمزين المشتركين التي يجب أن أبلغ عنها؟

ألفا كريبن دورف هو الخيار الأكثر عمومية: فهو يتعامل مع المقاييس الاسمية والترتيبية والفئوية والنسبية ويعدل للاتفاق العشوائي. كابا كوهين مناسب لمرمزين على متغير اسمي. اتفاق النسبة المئوية وحده غير كافٍ لأنه لا يصحح للصدفة. أبلغ عن الإحصائية، وعدد المرمزين، ونسبة مجموعة النصوص المرمزة مزدوجًا، والحد الذي استخدمته - تقليديًا ألفا ≥ 0.80 للعمل المنشور.

ما مدى حجم العينة التي أحتاجها؟

لا توجد قاعدة عالمية، ولكن يجب أن تكون العينة كبيرة بما يكفي لتقدير تكرار أندر فئة تهمك بدقة مقبولة. تحليل القوة أو المحاكاة - تحديد التكرار المتوقع وعرض فترة الثقة المطلوبة - هو النهج المبدئي. لتحليلات الجداول التقاطعية، هناك إرشادات شائعة تتمثل في وجود خمس حالات مُلاحظة على الأقل لكل خلية. ترميز تجريبي لعينة عشوائية صغيرة أولاً سيعطيك تقديرات تكرارية تجريبية لإعلام الحساب.

هل يمكنني استخدام الترميز الآلي أو القائم على الذكاء الاصطناعي بدلاً من المرمزين البشريين؟

نعم، ولكن يجب التحقق من صحة الترميز الآلي مقابل معيار ذهبي مرمّز بشريًا قبل الاستخدام. طرق القواميس (عد الكلمات المحددة مسبقًا) شفافة ولكنها تفوت السياق؛ يمكن لمصنفات التعلم الآلي الخاضعة للإشراف تحقيق صحة أعلى ولكنها تتطلب مجموعة تدريب مُصنفة. في جميع الحالات، أبلغ عن مقاييس التحقق من الصحة جنبًا إلى جنب مع نتائجك الموضوعية.

كيف يختلف تحليل المحتوى الكمي عن تحليل المحتوى النوعي؟

يعطي تحليل المحتوى الكمي الأولوية للترميز المنهجي والقابل للتكرار للميزات الظاهرة لإنتاج بيانات رقمية للتحليل الإحصائي. يعطي تحليل المحتوى النوعي - وتحليل الخطاب - الأولوية للعمق التفسيري، مع الاهتمام بالمعنى الكامن والسياق وبناء المعنى بدلاً من عد التكرارات. يمكن دمج النهجين في تصميم مختلط متسلسل.

هل أحتاج إلى عينة عشوائية إذا كانت مجموعة النصوص صغيرة بما يكفي لترميزها بالكامل؟

لا. إذا كان بإمكانك ترميز السكان ذوي الصلة بالكامل من المحتوى - على سبيل المثال، جميع المقالات في الصفحة الأولى من صحيفة واحدة في سنة معينة - فلديك تعداد سكاني، وليس عينة، ولا يلزم إجراء إحصاءات استدلالية تتعلق بخطأ أخذ العينات. لا تزال بحاجة إلى تحديد مجموعة النصوص بدقة والإبلاغ عن إجمالي N.

طرق ذات صلة

المصادر

  1. Krippendorff, K. (2004). Content Analysis: An Introduction to Its Methodology (2nd ed.). Sage.

    ردمك: 978-0761915454
    تم النسخ.
  2. Berelson, B. (1952). Content Analysis in Communication Research. Free Press.

    افتح مرجع المنشور
    تم النسخ.