تحلیل محتوای کمی طولی
- معرفیشده توسط
- Developed within communication and media studies; codified by Berelson (1952) and extended by Riffe, Lacy, Fico
- سال
- 1950s onward; longitudinal application widely adopted in media research by the 1970s–1980s
- نوع
- Quantitative observational research design
- خانواده
- Survey / observational design
این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید
چه کاری انجام میدهد؟
تحلیل محتوای کمی طولی به طور سیستماتیک ویژگیهای متون، تصاویر یا پیامهای رسانهای را که در دو یا چند نقطه زمانی جمعآوری شدهاند، کدگذاری و شمارش میکند و به پژوهشگران امکان میدهد تا نحوه تغییر محتوا، افزایش یا کاهش شیوع مضامین، و چگونگی واکنش پیامهای رسانهای یا سازمانی به رویدادهای خارجی را ردیابی کنند. این طرح، منطق اندازهگیری ساختاریافته تحلیل محتوای کمی را با قدرت ردیابی زمانی مشاهده طولی ادغام میکند.
شهود پشت روش
به آرشیو خبری که ۲۰ سال گزارشگری اقلیمی را پوشش میدهد، فکر کنید. یک تحلیل محتوای یکباره نشان میدهد که پوشش اقلیمی در یک مقطع زمانی چگونه بوده است. یک طرح طولی به شما امکان میدهد حجم پوشش، انتخابهای چارچوببندی و انواع منابع را سال به سال بشمارید - و نشان میدهد که آیا چارچوببندی هشدارآمیز پس از رویدادهای مهم اقلیمی افزایش یافته است یا خیر، یا اینکه تنوع منابع در طول زمان کاهش یافته است. بینش کلیدی این است که محتوا در یک لحظه واحد وجود ندارد؛ پیامها انباشته و تغییر میکنند، و تنها اندازهگیری مکرر میتواند این انحراف را مستند کند. تحلیل محتوای کمی طولی ابزاری است که تغییر زمانی در محتوای نمادین را قابل مشاهده و کمی میسازد.
تاریخ
تحلیل محتوای کمی توسط برنارد برلسون در رساله خود در سال ۱۹۵۲ با عنوان «تحلیل محتوا در تحقیقات ارتباطات» به عنوان یک روش رسمی علوم اجتماعی تأسیس شد. کاربرد آن در طول زمان - ردیابی تغییرات در پیامهای رسانهای - به سرعت در تحقیقات ارتباطات در دهههای ۱۹۷۰ و ۱۹۸۰ برای مطالعه دستور کار رسانهها، چارچوببندی و تبلیغات پذیرفته شد. کتابهای «تحلیل پیامهای رسانهای» ریف، لیسی و فیکو (ویرایش اول ۱۹۹۸، ویرایش چهارم ۲۰۱۹) و «راهنمای تحلیل محتوا» نویندورف (۲۰۰۲، ویرایش دوم ۲۰۱۷) استانداردهای نمونهگیری و قابلیت اطمینان را که امروزه مبنای طرحهای طولی هستند، رسمی کردند.
چه زمانی استفاده شود
زمانی از تحلیل محتوای کمی طولی استفاده کنید که سوال تحقیق میپرسد چگونه محتوا یا چارچوببندی پیامها در طول زمان تغییر میکند - به عنوان مثال، پوشش خبری یک مسئله اجتماعی چگونه قبل و بعد از قانونگذاری تکامل یافته است، تبلیغات پس از یک کمپین بهداشت عمومی چگونه تغییر کرده است، یا ارتباطات سازمانی در طول چرخههای اقتصادی چگونه تغییر کرده است. این روش زمانی مناسب است که آرشیوی از محتوای تاریخدار برای نقاط زمانی متعدد در دسترس باشد، زمانی که متغیرها را میتوان به عنوان کدهای قابل شمارش عملیاتی کرد، و زمانی که هدف توصیف روند قابل تعمیم باشد نه تحلیل تفسیری عمیق متون فردی. زمانی که فقط یک نقطه زمانی از محتوا در دسترس است (به جای آن از تحلیل محتوای کمی استاندارد استفاده کنید)، زمانی که سوال تحقیق نیاز به درک تفسیر مخاطب به جای ویژگیهای پیام دارد (از تحلیل دریافت یا روشهای نظرسنجی استفاده کنید)، یا زمانی که تعداد واحدهای قابل کدگذاری در هر موج آنقدر کم است که تحلیل روند آماری بیمعنی است، از آن استفاده نکنید.
محدودیتها و ملاحظات
- نیاز به دسترسی به محتوای بایگانی شده یا حفظ شده تاریخی در تمام نقاط زمانی مربوطه دارد - شکاف در آرشیوها قابلیت مقایسه را تضعیف میکند.
- کدگذاری به ویژگیهای محتوای آشکار (قابل مشاهده) محدود میشود؛ معنای نهفته و تفسیر مخاطب خارج از دامنه روش است.
- انحراف کدگذار در طول یک دوره مطالعه طولانی میتواند خطای اندازهگیری را معرفی کند که تغییر واقعی محتوا را تقلید میکند.
- هنگامی که دوره زمانی طولانی و مجموعهها بزرگ هستند، فشرده از نظر منابع است و نیاز به آموزش گسترده کدگذاران و نظارت بر قابلیت اطمینان در طول امواج دارد.
شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.
نقاط قوت
- تغییر در محتوای نمادین را در طول زمان مستقیماً اندازهگیری میکند، که طرحهای مقطعی نمیتوانند آن را اثبات کنند.
- دادههای کمی، قابل تکرار تولید میکند که با استفاده از همان دفترچه کد در مطالعات مختلف قابل مقایسه است.
- مناسب برای مجموعههای بزرگ - خروجی سالانه اخبار، دههها اسناد سیاستی، یا میلیونها پست رسانههای اجتماعی - با استفاده از نمونهگیری سیستماتیک.
- غیر واکنشی: محتوا از قبل تولید شده است، بنابراین فرآیند اندازهگیری نمیتواند رفتار شرکتکنندگان را تغییر دهد.
- امکان تشخیص چرخههای دستور کار، تغییرات چارچوببندی، و تأثیر رویدادهای خارجی بر پیامرسانی سازمانی را فراهم میکند.
کاربردها
- ردیابی چارچوببندی تغییرات اقلیمی در پوشش روزنامهها در طول چندین دهه برای تشخیص تغییرات دستور کار مرتبط با چرخههای سیاسی.
- تجزیه و تحلیل چگونگی تغییر ادعاهای تبلیغاتی دارویی در مجلات پزشکی پس از مداخلات نظارتی.
- اندازهگیری نمایش اقلیتهای جنسیتی یا نژادی در تلویزیون زمان اوج در طول فصلهای پخش متوالی.
- مستندسازی تغییرات در لفاظیها و پیامرسانی احزاب سیاسی در طول چرخههای انتخاباتی با استفاده از بیانیههای احزاب.
- نظارت بر تغییرات در ارتباطات ریسک سلامت در پلتفرمهای رسانههای اجتماعی قبل، حین و بعد از یک وضعیت اضطراری بهداشت عمومی.
- ارزیابی چگونگی تکامل گزارشگری پایداری شرکتها در گزارشهای سالانه در طول دورهای از افزایش فشار سرمایهگذاران ESG.
چگونه کار میکند
چگونه کار میکند
پژوهشگر پدیده مورد علاقه (مانند چارچوببندی رسانهای، ادعاهای تبلیغاتی، لفاظیهای سیاستی)، جهان محتوا (مانند مقالات صفحه اول روزنامه، پخشهای زمان اوج، پستهای رسانههای اجتماعی) و دوره زمانی مورد پوشش را مشخص میکند. مرزهای روشن برای جمعیت پیامها و پنجره زمانی از گسترش دامنه جلوگیری کرده و تصمیمات نمونهگیری را هدایت میکنند.
از آنجایی که کدگذاری جامع تمام محتوا در تمام نقاط زمانی معمولاً غیرعملی است، یک استراتژی نمونهگیری پنجرههای زمانی نماینده را انتخاب میکند - که معمولاً هفتهها، نمونههای فصلی یا کدگذاری سرشماری در تاریخهای کلیدی رویدادها را تشکیل میدهند. هر نمونه زمانی باید به همان روش نمونهگیری شود تا از قابلیت مقایسه در طول امواج اطمینان حاصل شود.
یک دفترچه کد (codebook) ساخته میشود که هر متغیر قابل اندازهگیری را تعریف میکند، از جمله واحد تحلیل (مقاله، پست، تبلیغ)، کدهای دستهبندی و قوانین تصمیمگیری. دفترچه کد باید در تمام نقاط زمانی یکسان باقی بماند تا تغییرات در شمارشها منعکسکننده تغییرات در محتوا باشد نه تغییرات در اندازهگیری.
کدگذاران آموزشدیده دفترچه کد را در هر نقطه زمانی به محتوای نمونهگیری شده اعمال میکنند. کدگذاران در صورت امکان از هویت موج بیاطلاع هستند تا از سوگیری انتظارات زمانی جلوگیری شود. هر واحد تحلیل به طور مستقل کدگذاری میشود و مجموعه دادهای از شمارشهای فراوانی و توزیعهای دستهبندی برای هر موج زمانی تولید میکند.
قابلیت اطمینان بین کدگذاران محاسبه میشود - معمولاً با استفاده از کاپای کوهن یا آلفای کریپندورف - در هر موج و به طور جداگانه گزارش میشود. بررسی قابلیت اطمینان که فقط در طول آموزش انجام میشود اما در تمام امواج نه، خطر از دست دادن انحراف کدگذار در طول دوره مطالعه را دارد. آستانه پذیرفته شده معمولاً کاپا یا آلفای بالاتر از ۰.۸۰ است.
دادههای فراوانی تجمیع شده در طول امواج با استفاده از آمار توصیفی، آزمونهای مربع کای برای استقلال در طول زمان، تحلیل روند، یا رگرسیون سری زمانی برای شناسایی تغییرات، چرخهها یا مسیرهای معنیدار در محتوا تجزیه و تحلیل میشوند. یافتهها در پرتو رویدادهای زمینهای که بین امواج رخ میدهند، تفسیر میشوند.
دامهای رایج
- تغییر دفترچه کد بین امواج - حتی اصلاحات کوچک در تعاریف دستهبندی، مقایسههای بین امواج را با مخلوط کردن تغییر اندازهگیری با تغییر واقعی محتوا بیاعتبار میکند.
- نمونهگیری نامنظم نقاط زمانی - به عنوان مثال، کدگذاری دورههای اوج اخبار در یک موج و دورههای معمول در موج دیگر به طور سیستماتیک تخمینهای روند را سوگیری میکند.
- نادیده گرفتن قابلیت اطمینان در طول امواج - بررسی قابلیت اطمینان بین کدگذاران فقط در ابتدا اجازه میدهد انحراف تدریجی کدگذار بدون شناسایی باقی بماند و روند ظاهری را افزایش دهد.
- تفسیر بیش از حد روندهای آماری بدون زمینه زمینهای - افزایش معنیدار یک موضوع تنها زمانی معنیدار میشود که با رویدادهای شناخته شده، تغییرات سیاستی، یا عوامل خارجی که بین امواج رخ میدهند، مرتبط شود.
پرسشهای متداول
برای تحلیل محتوای طولی به چند نقطه زمانی نیاز دارم؟
حداقل دو نقطه زمانی برای اثبات هرگونه تغییر لازم است، اما دو نقطه فقط تفاوت قبل و بعد را نشان میدهند و نمیتوانند روند را اثبات کنند. سه موج یا بیشتر امکان تحلیل روند را فراهم میکنند؛ مطالعاتی که الگوهای بلندمدت را بررسی میکنند معمولاً از نمونههای سالانه در طول یک دهه یا بیشتر استفاده میکنند. تعداد امواج باید با سوال تحقیق مطابقت داشته باشد - اگر میخواهید تأثیر یک رویداد خاص را تشخیص دهید، دو نقطه زمانی که به دقت انتخاب شدهاند (قبل و بعد) ممکن است کافی باشد.
بهترین آمار قابلیت اطمینان برای این طرح چیست؟
آلفای کریپندورف ترجیح داده میشود زیرا سطوح مختلف اندازهگیری (اسمی، ترتیبی، فاصلهای) را در بر میگیرد و برای بیش از دو کدگذار مناسب است. کاپای کوهن به طور گسترده برای کدگذاری اسمی دو کدگذار گزارش میشود. هر دو باید بالاتر از ۰.۸۰ به عنوان یک آستانه متعارف باشند. به طور حیاتی، قابلیت اطمینان باید برای هر موج کدگذاری محاسبه و گزارش شود، نه فقط در مرحله آموزش اولیه.
آیا میتوانم دستهبندیهای کدگذاری جدیدی را در موج بعدی اضافه کنم اگر پدیدههای جدیدی را متوجه شوم؟
فقط در صورتی که دستهبندیهای جدید به عنوان متغیرهای اضافی اضافه شوند که طرح کدگذاری اصلی را تغییر ندهند. تغییر یا بازتعریف دستهبندیهای موجود به صورت گذشتهنگر نیاز به کدگذاری مجدد تمام امواج قبلی با طرح اصلاح شده قبل از معتبر بودن مقایسهها دارد. عدم انجام این کار باعث ایجاد چیزی میشود که به عنوان عدم همارزی اندازهگیری در طول امواج شناخته میشود.
این با تحلیل سری زمانی چه تفاوتی دارد؟
تحلیل محتوای کمی طولی دادهها را تولید میکند - شمارشها و فراوانی ویژگیهای محتوای کدگذاری شده در هر نقطه زمانی. تحلیل سری زمانی یک تکنیک آماری است که بر روی آن دادهها برای مدلسازی روندها، چرخهها و شوکهای خارجی اعمال میشود. این دو مکمل یکدیگر هستند: تحلیل محتوا مشاهدات را تولید میکند؛ آمار سری زمانی الگوهای آن مشاهدات را مدل میکند.
آیا تحلیل محتوای طولی تجربی در نظر گرفته میشود یا مشاهدهای؟
این کاملاً مشاهدهای است. پژوهشگر محتوا را دستکاری نمیکند یا شرایط را تعیین نمیکند - محتوا به طور مستقل از تحقیق تولید شده است. در نتیجه، یافتهها میتوانند اثبات کنند که محتوا در طول زمان تغییر کرده است (روند توصیفی) اما به تنهایی نمیتوانند ثابت کنند که یک عامل خارجی خاص باعث تغییر شده است. ادعاهای علّی نیاز به شواهد اضافی از طرحهای تجربی یا شبهتجربی دارند.
روشهای مرتبط
منابع
Riffe, D., Lacy, S., Watson, B., & Fico, F. (2019). Analyzing Media Messages: Using Quantitative Content Analysis in Research (4th ed.). Routledge.
شابک: 9781138490536کپی شد.Neuendorf, K. A. (2017). The Content Analysis Guidebook (2nd ed.). Sage.
شابک: 9781412979474کپی شد.