Skip to content
بازگشت به نتایج جست‌وجو

تحلیل محتوای طولی — ردیابی معنا در طول زمان

معرفی‌شده توسط
Developed within the content analysis tradition; longitudinal extensions widely applied since the mid-20th century in communication and political science research
سال
Mid-20th century onward; systematized alongside content analysis (Berelson, 1952; Krippendorff, 1980)
نوع
Qualitative and mixed-methods research design
خانواده
Qualitative design and analysis

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

اندازه قلم

چه کاری انجام می‌دهد؟

تحلیل محتوای طولی (LCA) تحلیل محتوای نظام‌مند را بر روی اسناد، رسانه‌ها یا متونی که در دو یا چند نقطه زمانی نمونه‌برداری شده‌اند، به کار می‌برد تا چگونگی تغییر یا تداوم مضامین، چارچوب‌ها، زبان یا الگوهای گفتمان را در طول زمان تشخیص دهد. با بهره‌گیری از منطق تثبیت‌شده تحلیل محتوا، بُعد زمانی را اضافه می‌کند که به پژوهشگران اجازه می‌دهد روندها را ترسیم کنند، تکامل بازنمایی‌ها را ردیابی کنند و فرضیه‌هایی درباره تغییرات تاریخی یا اجتماعی را بیازمایند. این روش به طور گسترده در پژوهش‌های ارتباطی، علوم سیاسی، مطالعات رسانه‌ای و علوم بهداشت استفاده می‌شود.

شهود پشت روش

تصور کنید می‌خواهید بدانید که پوشش خبری روزنامه‌ها درباره تغییرات اقلیمی بین سال‌های ۲۰۰۰ تا ۲۰۲۰ نگران‌کننده‌تر شده یا بیشتر بر راه‌حل‌ها متمرکز شده است. یک تحلیل محتوای منفرد، تصویری لحظه‌ای به شما می‌دهد؛ تحلیل محتوای طولی، نوار فیلم را به شما می‌دهد. شما از طرح کدگذاری یکسان برای نمونه‌هایی که در فواصل منظم - مثلاً هر دو یا پنج سال - گرفته شده‌اند، استفاده می‌کنید و سپس فراوانی‌ها یا مضامین حاصل را در طول زمان مقایسه می‌کنید. این روش دقیق است زیرا قوانین کدگذاری ثابت می‌مانند، بنابراین تفاوت‌های بین دوره‌ها نشان‌دهنده تغییرات واقعی در اسناد است تا تغییرات در نحوه تفسیر آنها توسط کدگذاران.

تاریخ

تحلیل محتوا به عنوان یک روش رسمی توسط برنارد برلسون در کتاب راهنمای خود در سال ۱۹۵۲ تدوین شد و توسط هارولد لسول و همکاران در تحقیقات ارتباطات سیاسی گسترش یافت. کاربرد طولی - تحلیل‌های محتوای تکراری از یک کانال ارتباطی در طول زمان - به طور طبیعی با تلاش پژوهشگران برای ردیابی چگونگی تکامل پوشش رسانه‌ای مسائل سیاسی، گروه‌های اجتماعی و رویدادها در طول دهه‌ها توسعه یافت. متن بنیادی کلاوس کرایپندورف، که اولین بار در سال ۱۹۸۰ منتشر شد و اکنون در ویرایش چهارم خود قرار دارد، مبنای روش‌شناختی را برای طرح‌های مقطعی و طولی فراهم می‌کند. تا دهه ۱۹۹۰ و ۲۰۰۰، تحلیل محتوای طولی به رویه استاندارد در تحقیقات تعیین دستور کار و مطالعات چارچوب‌بندی رسانه‌ای تبدیل شده بود.

چه زمانی استفاده شود

هنگامی که سؤال اصلی پژوهش درباره تغییر یا تداوم در نحوه بازنمایی یک موضوع، مسئله یا گروه در اسناد یا رسانه‌ها در طول زمان است، از تحلیل محتوای طولی استفاده کنید. این روش برای مطالعه روند چارچوب‌بندی رسانه‌ها، تکامل گفتمان سیاستی، تغییرات فرهنگی در متون، یا تغییرات تاریخی در ارتباطات عمومی مناسب است. این روش نیازمند مجموعه‌ای از اسناد قابل مقایسه است که در حداقل دو نقطه زمانی متمایز در دسترس باشند و یک طرح کدگذاری پایدار که در تمام دوره‌ها قابل اعمال باشد. زمانی که اسناد دوره‌های مختلف واقعاً قابل مقایسه نیستند (مانند ژانرها یا فرمت‌های مختلف)، زمانی که فقط یک نقطه زمانی در دسترس است، یا زمانی که پدیده مورد علاقه به جای اسناد در تجربیات شرکت‌کنندگان قرار دارد، از آن استفاده نکنید - در این موارد، تحلیل محتوای استاندارد یا طرح مصاحبه کیفی طولی مناسب‌تر است.

محدودیت‌ها و ملاحظات

  • نیاز به دسترسی به مجموعه‌های اسناد قابل مقایسه در تمام نقاط زمانی هدف دارد؛ آرشیوهای گمشده یا ناقص می‌توانند پوشش زمانی را تضعیف کنند.
  • طرح کدگذاری باید قبل از جمع‌آوری داده‌ها تعریف شود؛ اگر پدیده در جهت‌های غیرمنتظره‌ای تکامل یابد، دسته‌بندی‌های از پیش تعیین شده ممکن است مضامین نوظهور را از دست بدهند.
  • قابلیت اطمینان بین کدگذاران باید در هر نقطه زمانی حفظ شود، که بار آموزش و هماهنگی را هنگام طولانی شدن مطالعات در دوره‌های زمانی زیاد، افزایش می‌دهد.
  • یافته‌ها اسناد را توصیف می‌کنند نه مخاطبان یا نیات را؛ استنباط درباره چگونگی دریافت یا تولید محتوا نیازمند شواهد اضافی است.
  • افق‌های زمانی طولانی، خطر انحراف کدگذار - تغییرات تدریجی و ناخواسته در نحوه اعمال دسته‌بندی‌ها توسط کدگذاران - را افزایش می‌دهد که می‌تواند تغییر واقعی را تقلید کند.

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

نقاط قوت

  • مستقیماً به سؤالات زمانی درباره تغییر، روند و تداوم که تحلیل مقطعی قادر به پاسخگویی به آنها نیست، می‌پردازد.
  • قوانین کدگذاری نظام‌مند که در طول نقاط زمانی ثابت نگه داشته می‌شوند، قابلیت مقایسه و شفافیت را تضمین می‌کنند.
  • مقیاس‌پذیر: می‌تواند با کدگذاران آموزش‌دیده یا به طور فزاینده‌ای با تحلیل متنی محاسباتی بر روی آرشیوهای بزرگ اسناد اعمال شود.
  • سازگار با تفسیر کیفی و آزمون روند کمی در یک مطالعه واحد.
  • برای داده‌های آرشیوی و ثانویه مناسب است و بار اخلاقی و لجستیکی جمع‌آوری داده‌های اولیه را کاهش می‌دهد.

کاربردها

  • ردیابی تغییرات در چارچوب‌بندی رسانه‌های خبری مهاجرت، تغییرات اقلیمی، یا بحران‌های بهداشت عمومی در طول سال‌ها یا دهه‌ها.
  • تحلیل چگونگی تغییر زبان و اولویت‌های بیانیه‌های احزاب سیاسی یا اسناد سیاستی در طول چرخه‌های انتخاباتی.
  • نظارت بر تغییرات در بازنمایی جنسیت، نژاد، یا ناتوانی در تبلیغات، فیلم، یا کتاب‌های درسی در طول زمان.
  • بررسی تکامل استراتژی‌های ارتباطی علمی یا بهداشت عمومی در پاسخ به شواهد نوظهور.
  • مستندسازی تغییرات بلندمدت در گزارش‌دهی پایداری شرکت‌ها یا گفتمان گزارش سالانه.
  • مطالعه چگونگی تحول گفتمان رسانه‌های اجتماعی پیرامون یک جنبش اجتماعی از ظهور تا نهادینه‌شدن.

چگونه کار می‌کند

چگونه کار می‌کند

1

پژوهشگر سؤال پژوهش درباره تغییر یا ثبات در طول زمان را مشخص می‌کند، طرح کدگذاری (دسته‌بندی‌ها، مضامین یا چارچوب‌هایی که باید اندازه‌گیری شوند) را انتخاب می‌کند و دوره‌های زمانی برای مقایسه را تعیین می‌کند. طرح کدگذاری باید قبل از شروع جمع‌آوری داده‌ها تعریف شود و در تمام نقاط زمانی ثابت نگه داشته شود تا قابلیت مقایسه تضمین شود.

2

مجموعه‌ای از اسناد برای هر نقطه زمانی با استفاده از یک استراتژی نمونه‌برداری سازگار - مانند نمونه‌برداری تصادفی از صفحات اول روزنامه‌ها، پست‌های رسانه‌های اجتماعی یا اسناد سیاستی - جمع‌آوری می‌شود، به طوری که تفاوت‌های بین دوره‌ها مصنوعات نمونه‌برداری نامتوازن نباشند. واحد تحلیل (مقاله، پاراگراف، تصویر و غیره) در تمام دوره‌ها ثابت است.

3

کدگذاران آموزش‌دیده طرح کدگذاری را به طور مستقل بر روی هر مجموعه اسناد دوره زمانی اعمال می‌کنند و حضور، فراوانی یا شدت هر دسته را ثبت می‌کنند. قابلیت اطمینان بین کدگذاران در هر نقطه زمانی با استفاده از کاپای کوهن یا آلفای کرایپندورف محاسبه می‌شود تا تأیید شود که کدگذاری در طول مطالعه سازگار و قابل تکرار است.

4

داده‌های کدگذاری شده از هر دوره زمانی تجمیع و مقایسه می‌شوند - معمولاً از طریق شمارش فراوانی، نسبت‌ها یا هم‌وقوعی دسته‌ها - تا افزایش‌ها، کاهش‌ها یا الگوهای پایدار در طول خط زمانی شناسایی شوند. در مواردی که طرح پژوهش به اندازه کافی بزرگ باشد، آزمون‌های روند آماری (مانند مربع کای برای روند، رگرسیون بر زمان) می‌توانند مقایسه توصیفی را تکمیل کنند.

5

تحلیلگر تغییرات یا ثبات مشاهده شده را در پرتو زمینه تاریخی، چارچوب‌های نظری و ادبیات پیشین تفسیر می‌کند. توضیحات رقیب - مانند تغییرات در حجم انتشار، انحراف کدگذار، یا تغییرات در دسترسی به اسناد - در نظر گرفته می‌شوند و در صورت امکان، قبل از نتیجه‌گیری درباره روند واقعی، رد می‌شوند.

دام‌های رایج

  • تغییر طرح کدگذاری در اواسط مطالعه - بازنگری تعاریف دسته‌بندی بین نقاط زمانی، قابلیت مقایسه را از بین می‌برد و مقایسه‌های روند را بی‌اعتبار می‌کند؛ طرح را قبل از هرگونه جمع‌آوری داده نهایی و آزمایشی کنید.
  • نادیده گرفتن انحراف کدگذار - بدون جلسات کالیبراسیون دوره‌ای و بررسی‌های قابلیت اطمینان در هر نقطه زمانی، کدگذاران ممکن است به تدریج دسته‌بندی‌ها را متفاوت اعمال کنند و روندهای کاذب ایجاد کنند.
  • نمونه‌برداری نامتوازن یا غیرقابل مقایسه در طول دوره‌ها - اگر حجم، ژانر یا منبع اسناد به طور سیستماتیک در طول دوره‌ها تغییر کند، روندهای مشاهده شده ممکن است منعکس‌کننده مصنوعات نمونه‌برداری باشند تا تغییر محتوای واقعی.
  • رفتار با روندهای اسناد به عنوان روندهای مخاطبان یا اجتماعی بدون استنباط موجه - این روش به شما می‌گوید چه چیزی در متون تغییر کرده است، نه لزوماً چه چیزی در ذهن یا جامعه تغییر کرده است.

پرسش‌های متداول

برای تحلیل محتوای طولی به چند نقطه زمانی نیاز دارم؟

حداقل دو نقطه زمانی برای انجام هرگونه مقایسه طولی لازم است، اما دو نقطه فقط می‌تواند تغییر در مقابل ثبات را نشان دهد و قادر به آشکار کردن روندها یا مسیرها نیست. سه نقطه یا بیشتر امکان تحلیل روند را فراهم می‌کند و به طور کلی توصیه می‌شود. برای مدل‌سازی روند غنی، پنج دوره نمونه‌برداری یا بیشتر مطلوب است. تعداد مناسب به سؤال پژوهش بستگی دارد: یک مطالعه سیاستی قبل و بعد ممکن است فقط به دو نقطه نیاز داشته باشد، در حالی که یک مطالعه چارچوب‌بندی ده‌ها ساله از فواصل سالانه یا پنج ساله بهره می‌برد.

آیا می‌توانم از همان طرح کدگذاری برای اسناد دوره‌های زمانی بسیار متفاوت استفاده کنم؟

این چالش اصلی اعتبار تحلیل محتوای طولی است. دسته‌بندی‌ها باید به اندازه کافی دقیق تعریف شوند تا به طور مداوم در طول دوره‌ها اعمال شوند، اما نه آنقدر محدود که بیانگرهای خاص دوره از همان مفهوم اساسی را از دست بدهند. کدگذاری آزمایشی بر روی اسناد هر دوره قبل از نهایی کردن طرح - و مستندسازی هرگونه تصمیم مرزی - ضروری است. اگر پدیده به طور بنیادی تغییر کرده باشد به طوری که نام‌های دسته‌بندی یکسان در دوره‌های مختلف معانی متفاوتی داشته باشند، ممکن است نیاز به بازنگری طرح یا تکمیل آن با تفسیر کیفی زمینه هر دوره باشد.

این با انجام صرف چندین تحلیل محتوای جداگانه چه تفاوتی دارد؟

تفاوت کلیدی در ادغام و طرح است. تحلیل محتوای طولی از ابتدا مقایسه زمانی را برنامه‌ریزی می‌کند: از یک پروتکل نمونه‌برداری مشترک، یک طرح کدگذاری ثابت، و بررسی‌های قابلیت اطمینان در هر نقطه زمانی استفاده می‌کند تا مقایسه‌های بین دوره‌ای معتبر باشند. تحلیل‌های محتوای جداگانه که به طور مستقل انجام می‌شوند - با کدگذاران مختلف، تعاریف دسته‌بندی متفاوت، یا قوانین نمونه‌برداری متفاوت - نمی‌توانند استنباط‌های روند معتبر را پشتیبانی کنند، حتی اگر به طور اتفاقی موضوع یکسانی را پوشش دهند.

آیا روش‌های محاسباتی مانند NLP یا مدل‌سازی موضوعی می‌توانند کدگذاری انسانی را در LCA جایگزین کنند؟

تحلیل متنی محاسباتی می‌تواند در مراحل شناسایی فراوانی و الگو، کدگذاری دستی را تکمیل کند یا، برای مجموعه‌های بسیار بزرگ، جایگزین کند. ابزارهایی مانند مدل‌های موضوعی ساختاری می‌توانند تغییرات شیوع موضوع را در طول زمان ردیابی کنند. با این حال، رویکردهای محاسباتی نیاز به بررسی‌های اعتبار خود دارند - مدل باید در برابر قضاوت انسانی اعتبارسنجی شود و برچسب‌های موضوع باید توسط پژوهشگر تفسیر شوند. برای مطالعاتی که در آنها تعاریف دسته‌بندی دقیق و استانداردهای قابلیت اطمینان ظریف اهمیت دارند، کدگذاری انسانی با کمک محاسباتی اغلب قوی‌ترین رویکرد است.

چگونه با تغییرات در خود چشم‌انداز رسانه‌ای برخورد می‌کنم - به عنوان مثال، ظهور رسانه‌های جدید بین نقاط زمانی؟

تغییرات در محیط رسانه‌ای تهدید بزرگی برای قابلیت مقایسه است و باید به صراحت در طرح مطالعه مورد توجه قرار گیرد. گزینه‌ها شامل محدود کردن مجموعه اسناد به رسانه‌هایی است که در کل دوره مطالعه وجود داشته‌اند (با بده‌بستان پوشش غیرنماینده بالقوه در دوره‌های بعدی)، طبقه‌بندی نمونه بر اساس نوع رسانه و گزارش نسبت‌های نسبی به جای فراوانی‌های مطلق، یا در نظر گرفتن تغییرات ساختاری به عنوان متغیرهای تعدیل‌کننده. هرگونه تصمیمی که گرفته می‌شود باید به طور شفاف گزارش شود تا خوانندگان بتوانند ارزیابی کنند که آیا روندهای مشاهده شده منعکس‌کننده تغییر محتوا یا تغییر کانال هستند.

روش‌های مرتبط

منابع

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

    شابک: 978-1506395661
    کپی شد.
  2. Neuendorf, K. A. (2017). The Content Analysis Guidebook (2nd ed.). Sage.

    شابک: 978-1412979474
    کپی شد.