Skip to content
بازگشت به نتایج جست‌وجو

تحلیل محتوا — کدگذاری نظام‌مند متن و رسانه

معرفی‌شده توسط
Klaus Krippendorff (systematic formulation); roots in early 20th-century communications research
سال
Systematised through Krippendorff's methodology work; 4th edition 2018
نوع
Qualitative / mixed-method research technique

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

تحلیل محتوا یک تکنیک پژوهشی نظام‌مند برای تقلیل مواد متنی، بصری یا رسانه‌ای به مقوله‌های کدگذاری‌شده است تا بتوان الگوها را شمارش، مقایسه و تفسیر کرد. این روش که توسط کلاوس کرایپندورف در کتاب روش‌شناسی پرارجاع او (آخرین ویرایش ۲۰۱۸) به‌طور رسمی تدوین شده است، در مرز پژوهش کیفی و کمی قرار دارد: این روش، کدگذاری ساختاریافته و تکرارپذیر را بر مواد ذاتاً بار معنایی تحمیل می‌کند.

شهود پشت روش

تصور کنید هزاران مقاله روزنامه را می‌خوانید و می‌خواهید بدانید هر کدام چند بار از زبان مبتنی بر ترس در مقابل زبان مبتنی بر امید استفاده کرده‌اند. می‌توانید به برداشت‌های خود تکیه کنید، اما دو خواننده به ندرت توافق خواهند داشت. تحلیل محتوا با ابتدا نوشتن قواعد صریح که هر مقوله را تعریف می‌کنند، سپس داشتن یک یا چند کدگذار که این قواعد را به‌طور مستقل اعمال می‌کنند، و در نهایت بررسی توافق آن‌ها، این مشکل را حل می‌کند. آنچه یک قضاوت ذهنی بود، به یک فرآیند مستند و قابل حسابرسی تبدیل می‌شود که قابلیت اطمینان آن قابل اندازه‌گیری و گزارش‌دهی است.

تاریخ

تحلیل محتوا ریشه‌هایی در تحقیقات ارتباطات اوایل قرن بیستم دارد، جایی که محققان به‌طور نظام‌مند مضامین تبلیغاتی را در روزنامه‌ها و پخش‌های زمان جنگ شمارش می‌کردند. این روش به‌تدریج در طول علوم اجتماعی اواسط قرن رسمی شد. کتاب کلاوس کرایپندورف، که اولین بار در سال ۱۹۸۰ منتشر شد و اکنون در چهارمین ویرایش خود (۲۰۱۸) است، مرجع روش‌شناختی متعارف شد و تعاریف دقیقی از واحدبندی، نمونه‌گیری، کدگذاری و اندازه‌گیری قابلیت اطمینان را ایجاد کرد. امروزه تحلیل محتوا در علوم انسانی، علوم اجتماعی، تحقیقات بهداشت و استخراج متن محاسباتی کاربرد دارد.

چه زمانی استفاده شود

تحلیل محتوا زمانی مناسب است که سؤالات پژوهش مربوط به حضور، فراوانی یا الگوی ویژگی‌های خاص در متن یا رسانه باشد و زمانی که کدگذاری نظام‌مند و تکرارپذیر در سراسر یک مجموعه لازم باشد. این روش برای اهداف توصیفی و اکتشافی در پژوهش‌های بهداشت، علوم اجتماعی، آموزش، ارتباطات و کسب‌وکار مناسب است. حداقل مجموعه قابل دوام تقریباً ده سند است؛ کمتر از آن، تولید موضوع قابل اطمینان امکان‌پذیر نیست و تحلیل موضوعی یک مجموعه داده کوچک‌تر و غنی‌تر ترجیح داده می‌شود. این روش نیازی به مفروضات نرمال بودن ندارد و بر روی متغیرهای صرفاً متنی کار می‌کند.

محدودیت‌ها و ملاحظات

  • توسعه یک کتاب کد قابل اطمینان پرزحمت است؛ معمولاً به چندین دور آزمایشی و بازنگری نیاز دارد.
  • قابلیت اطمینان بالاتر از کاپای ۰.۷۰ مورد نیاز است — با مقوله‌های بد تعریف شده یا محتوای پیچیده، دستیابی به این آستانه دشوار است.
  • این روش آنچه را که به‌طور صریح در محتوا وجود دارد، ثبت می‌کند اما برای معنای پنهان، کنایه یا زمینه‌ای که خارج از متن قرار دارد، کمتر مناسب است.
  • مجموعه باید حداقل ده سند را برای حفظ فراوانی‌های موضوعی معنادار در بر گیرد؛ مجموعه‌های بسیار کوچک باید به‌جای آن از تحلیل موضوعی استفاده کنند.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • فرایندی شفاف، قابل حسابرسی و تکرارپذیر برای تحلیل حجم زیادی از متن یا رسانه فراهم می‌کند.
  • آمارهای قابلیت اطمینان بین کدگذاران، یک بررسی کیفی کمی را ارائه می‌دهد که در روش‌های صرفاً تفسیری وجود ندارد.
  • غنای کیفی و جمع‌بندی کمی را پیوند می‌دهد — مقوله‌ها می‌توانند شمارش، مقایسه و وارد تحلیل‌های آماری بیشتر شوند.
  • در حوزه‌ها و انواع محتوا قابل اجرا است: مقالات خبری، رونوشت مصاحبه‌ها، پست‌های رسانه‌های اجتماعی، اسناد سیاستی، تصاویر و پخش‌ها.

کاربردها

  • تحلیل پوشش روزنامه‌ها یا رسانه‌های اجتماعی برای ردیابی اینکه چگونه یک موضوع یا گروه در طول زمان قاب‌بندی می‌شود.
  • کدگذاری رونوشت مصاحبه‌ها یا گروه‌های کانونی برای شناسایی مضامین تکرارشونده در تحقیقات بهداشت یا سیاست‌گذاری.
  • ممیزی اسناد سازمانی، گزارش‌های سالانه، یا متون سیاستی برای الگوهای زبانی خاص.
  • مرور نظام‌مند پاسخ‌های نظرسنجی باز برای زمانی که حجم برای خواندن صرفاً تفسیری بیش از حد بزرگ است.
  • تحقیقات مطالعات رسانه‌ای که نمایندگی، کلیشه، یا تعیین دستور کار را در سراسر منابع پخش و چاپی بررسی می‌کند.

چگونه کار می‌کند

چگونه کار می‌کند

1

تحلیلگر واحد تحلیل را تعریف می‌کند — قطعه محتوایی که یک کد واحد به آن اختصاص داده می‌شود. این می‌تواند یک کلمه، جمله، پاراگراف، مقاله، تصویر یا بخش پخش باشد. انتخاب واحد مناسب پیامدهای مهمی دارد: واحد خیلی کوچک (کلمات منفرد) زمینه را از دست می‌دهد؛ واحد خیلی بزرگ (کل اسناد) تنوع درون سندی را محو می‌کند.

2

یک چارچوب نمونه‌گیری از جمعیت محتوای مرتبط ایجاد می‌شود. هنگامی که مجموعه بزرگ است، یک نمونه تصادفی یا طبقه‌بندی‌شده انتخاب می‌شود تا یافته‌ها به جمعیت گسترده‌تر تعمیم داده شوند. هنگامی که مجموعه کوچک است (تمام اسناد موجود)، کل مجموعه گنجانده می‌شود.

3

یک کتاب کد نوشته می‌شود که هر مقوله را به‌دقت تعریف می‌کند، قواعد تصمیم‌گیری برای موارد مبهم را ارائه می‌دهد و نمونه‌هایی را ارائه می‌کند. این هسته فکری مطالعه است: مقوله‌های خوش‌تعریف، کدگذاری قابل اطمینان تولید می‌کنند؛ مقوله‌های مبهم این کار را نمی‌کنند. کتاب کد قبل از شروع کدگذاری کامل، به‌طور تکراری آزمایشی و بازبینی می‌شود.

4

یک یا چند کدگذار آموزش‌دیده، کتاب کد را بر روی هر واحد در نمونه اعمال می‌کنند و کدها را به‌طور مستقل اختصاص می‌دهند. هر کدگذار از همان دستورالعمل‌ها پیروی می‌کند اما بدون دیدن تصمیمات کدگذار دیگر، که از سوگیری لنگر انداختن جلوگیری می‌کند.

5

قابلیت اطمینان بین کدگذاران محاسبه می‌شود — معمولاً کاپای کوهن (Cohen's Kappa) یا آلفای کرایپندورف (Krippendorff's Alpha) — برای تأیید اینکه کدگذاران فراتر از شانس توافق دارند. کاپای بالاتر از ۰.۷۰ آستانه حداقل متعارف برای پذیرش است. واحدهایی که زیر آستانه قرار می‌گیرند، قبل از پذیرش نتایج، بازنگری کتاب کد و کدگذاری مجدد را ایجاب می‌کنند.

6

داده‌های کدگذاری‌شده شمارش، جدول‌بندی متقاطع، یا تحت تحلیل آماری یا مقایسه‌ای بیشتر قرار می‌گیرند. فراوانی‌ها، نسبت‌ها، روندها در طول زمان، یا تفاوت‌ها در سراسر منابع را می‌توان بررسی کرد. یافته‌ها در رابطه با سؤالات پژوهش تفسیر می‌شوند و کتاب کد به‌عنوان پیوست روش‌شناختی گنجانده می‌شود.

دام‌های رایج

  • تعریف مبهم مقوله‌ها یا ضمنی گذاشتن قواعد تصمیم‌گیری — کدگذاران اختلاف نظر خواهند داشت و کاپا به زیر آستانه ۰.۷۰ سقوط خواهد کرد؛ قبل از جمع‌آوری کامل داده‌ها، زمان را صرف کدگذاری آزمایشی کنید.
  • نادیده گرفتن بررسی قابلیت اطمینان و گزارش یافته‌ها از یک کدگذار واحد — بدون قابلیت اطمینان بین کدگذاران، نتایج را نمی‌توان نظام‌مند یا قابل اعتماد در نظر گرفت.
  • درهم آمیختن محتوای آشکار (آنچه به‌طور تحت‌اللفظی گفته می‌شود) با محتوای پنهان (آنچه تلویحاً بیان می‌شود) بدون ایجاد صریح تمایز در کتاب کد و نتایج.
  • اعمال روش بر روی کمتر از ده سند — با مجموعه‌های بسیار کوچک، تحلیل محتوا نمی‌تواند یافته‌های مبتنی بر فراوانی قابل اطمینان تولید کند؛ به‌جای آن از تحلیل موضوعی استفاده کنید.

پرسش‌های متداول

تفاوت بین تحلیل محتوا و تحلیل موضوعی چیست؟

تحلیل محتوا بر کدگذاری نظام‌مند و مبتنی بر قاعده تأکید دارد که می‌تواند برای قابلیت اطمینان بین کدگذاران بررسی شود و فراوانی‌های قابل اندازه‌گیری تولید کند. تحلیل موضوعی تفسیری‌تر است، الگوهای پنهان را در یک مجموعه داده کوچک‌تر جستجو می‌کند و نیازی به چندین کدگذار یا بررسی رسمی قابلیت اطمینان ندارد. هنگامی که یک مجموعه بزرگ دارید و به شمارش‌های تکرارپذیر نیاز دارید، تحلیل محتوا انتخاب درستی است؛ هنگامی که یک مجموعه داده کوچک‌تر و غنی‌تر دارید و می‌خواهید معنا را عمیقاً کاوش کنید، تحلیل موضوعی ترجیح داده می‌شود.

چگونه بفهمم کدگذاری من به اندازه کافی قابل اطمینان است؟

کاپای کوهن یا آلفای کرایپندورف را بین حداقل دو کدگذار مستقل پس از هر دور آزمایشی محاسبه کنید. کاپای بالاتر از ۰.۷۰ حداقل متعارف برای پذیرش است. اگر قابلیت اطمینان زیر این آستانه قرار گرفت، کتاب کد را بازنگری کنید — معمولاً با افزودن قواعد تصمیم‌گیری و نمونه‌ها برای مقوله‌هایی که کدگذاران در مورد آن‌ها اختلاف نظر داشتند — و قبل از پذیرش نتایج، دوباره کدگذاری کنید.

آیا تحلیل محتوا می‌تواند توسط یک محقق واحد انجام شود؟

یک کدگذار واحد می‌تواند کتاب کد را اعمال کند، اما بدون کدگذار مستقل دوم، هیچ راهی برای محاسبه قابلیت اطمینان بین کدگذاران وجود ندارد. بنابراین، مطالعات تک‌کدگذار در بررسی همتا کمتر معتبر هستند. در مواردی که کدگذار انسانی دوم در دسترس نیست، برخی از محققان از کدگذاری خودکار (مبتنی بر قاعده یا یادگیری ماشین) به‌عنوان نقطه مقایسه استفاده می‌کنند و توافق با سیستم خودکار را گزارش می‌دهند.

مجموعه من چقدر باید بزرگ باشد؟

حداقل برای تحلیل محتوای معنادار تقریباً ده سند است. کمتر از آن، یافته‌های مبتنی بر فراوانی ناپایدار هستند و تحلیل موضوعی مواد موجود مناسب‌تر است. هیچ حد بالای سختی وجود ندارد — مجموعه‌های بزرگ را می‌توان نمونه‌گیری کرد — اما هر سند در نمونه باید طبق کتاب کد کدگذاری شود.

روش‌های مرتبط

منابع

  1. Krippendorff, K. (2018). Content Analysis: An Introduction to Its Methodology (4th ed.). Sage.

    شابک: 978-1506395661
    کپی شد.