Skip to content
بازگشت به نتایج جست‌وجو

تحلیل محتوای کمی

معرفی‌شده توسط
Bernard Berelson; later systematised by Klaus Krippendorff
سال
1950s (Berelson 1952; Krippendorff 1980/2004)
نوع
Quantitative observational research method
خانواده
Survey / observational design

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

اندازه قلم

چه کاری انجام می‌دهد؟

تحلیل محتوای کمی روشی نظام‌مند و تکرارپذیر برای تبدیل محتوای آشکار متن، تصاویر یا سایر ارتباطات ثبت‌شده به داده‌های عددی است. با به‌کارگیری یک دفترچه کد از پیش تعیین‌شده بر روی مجموعه‌ای مشخص از متون و شمارش یا مقیاس‌بندی دسته‌بندی‌های حاصل، پژوهشگران توزیع‌های فراوانی، نسبت‌ها و روابطی را به دست می‌آورند که می‌توانند تحت آزمون‌های آماری استاندارد قرار گیرند. این روش غالب برای تحلیل در مقیاس بزرگ و عینی رسانه‌ها، اسناد، پست‌های رسانه‌های اجتماعی، متون سیاستی و موارد مشابه است.

شهود پشت روش

تصور کنید می‌خواهید بدانید که رسانه‌های خبری چگونه تغییرات اقلیمی را در طول پنج سال پوشش خبری خود، بیشتر به عنوان یک تهدید اقتصادی یا یک خطر بهداشتی قاب‌بندی کرده‌اند. خواندن هزاران مقاله به صورت ذهنی، کند و ناسازگار خواهد بود. تحلیل محتوای کمی با ایجاد یک دفترچه قوانین دقیق - دفترچه کد - که به کدگذاران آموزش‌دیده دقیقاً می‌گوید کدام کلمات، جملات یا پاراگراف‌ها به عنوان هر قاب محسوب می‌شوند، این مشکل را حل می‌کند. دو کدگذار که به طور مستقل کار می‌کنند باید در مورد اکثر مقالات به دسته‌بندی یکسانی برسند. سپس شمارش‌ها مانند هر داده عددی دیگری تحلیل می‌شوند: فراوانی‌ها، روندها، مقایسه‌های گروهی یا رگرسیون‌ها. این رویکرد، عمق تفسیری را به ازای مقیاس و تکرارپذیری مبادله می‌کند.

تاریخ

تحلیل محتوای کمی روزنامه‌ها و تبلیغات در ایالات متحده در طول جنگ جهانی دوم ظهور کرد، با مونوگراف برنارد برلسون در سال ۱۹۵۲ با عنوان «تحلیل محتوا در پژوهش ارتباطات» که اولین بیانیه جامع روش‌شناختی را ارائه داد. هارولد لاسول و همکارانش در همان دوره از شمارش فراوانی برای ارتباطات سیاسی استفاده کردند. کتاب درسی کلاوس کرایپندورف در سال ۱۹۸۰ - که در سال ۲۰۰۴ بازنگری شد - مبانی معرفت‌شناختی این روش را پایه‌گذاری کرد، آلفای کرایپندورف را به عنوان معیار استاندارد پایایی معرفی کرد و چارچوب را فراتر از تحقیقات رسانه‌ای به هر ارتباط ثبت‌شده‌ای گسترش داد. ظهور تحلیل متن محاسباتی از دهه ۲۰۱۰ علاقه به منطق اصلی این روش را تجدید کرده است.

چه زمانی استفاده شود

تحلیل محتوای کمی زمانی انتخاب درستی است که هدف پژوهش توصیف، مقایسه یا توضیح الگوها در حجم زیادی از ارتباطات ثبت‌شده به شیوه‌ای عینی و تکرارپذیر باشد. این روش برای سؤالاتی در مورد فراوانی (X چند وقت یکبار رخ می‌دهد؟)، روندها (آیا X در طول زمان افزایش یافته است؟) و ارتباطات (آیا X با Y هم‌بستگی دارد؟) مناسب است. مجموعه‌های متنی مناسب شامل آرشیوهای خبری، مجموعه داده‌های رسانه‌های اجتماعی، اسناد سیاستی، رونوشت مصاحبه‌ها (برای ویژگی‌های سطحی)، تبلیغات و انتشارات دانشگاهی است. زمانی که سؤال پژوهش نیازمند درک معنای پنهان، قصد نویسنده یا تفسیر خوانندگان است، از آن استفاده نکنید - تحلیل محتوای کیفی یا تحلیل گفتمان مناسب‌تر است. همچنین نیازمند دسترسی به کل مجموعه متون یا نمونه‌ای نماینده و قابلیت تعیین دسته‌بندی‌های کدگذاری پایدار از قبل است.

محدودیت‌ها و ملاحظات

  • محدود به ویژگی‌های آشکار و قابل مشاهده محتوا؛ معنای پنهان یا بافتی نیازمند تحلیل کیفی تکمیلی است.
  • توسعه دفترچه کد زمان‌بر است و نیازمند آزمون‌های تکراری قبل از نهایی شدن دسته‌بندی‌های پایدار است.
  • واحد استنتاج خود محتوا است؛ این روش به تنهایی نمی‌تواند دلیل وجود الگوهای محتوایی یا نحوه واکنش مخاطبان به آن‌ها را مشخص کند.
  • کدگذاری خودکار (یادگیری ماشین، روش‌های دیکشنری) مقیاس را گسترش می‌دهد اما در صورت عدم اعتبارسنجی در برابر کدهای انسانی، خطرات اعتبار سنجی خاص خود را به همراه دارد.

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

نقاط قوت

  • بسیار تکرارپذیر: دفترچه کد و آمارهای پایایی به سایر پژوهشگران اجازه می‌دهد تا مطالعه را ارزیابی و بازتولید کنند.
  • مقیاس‌پذیر به مجموعه‌های متنی بسیار بزرگ - هزاران یا ده‌ها هزار سند - با استفاده از کدگذاران انسانی یا تحلیل متن خودکار.
  • غیر واکنشی: محتوا از قبل وجود دارد، بنابراین روش، پدیده مورد مطالعه را تغییر نمی‌دهد.
  • نتایج عددی هستند و با طیف کاملی از تکنیک‌های آماری توصیفی و استنباطی سازگارند.
  • شفاف: تمام قوانین کدگذاری و تخمین‌های پایایی گزارش می‌شوند و تصمیمات روش‌شناختی را قابل حسابرسی می‌کنند.

کاربردها

  • پیگیری نحوه تغییر پوشش خبری یک موضوع سیاسی یا نامزد در طول چرخه‌های انتخاباتی.
  • تجزیه و تحلیل حجم و احساسات پست‌های رسانه‌های اجتماعی در مورد یک کمپین بهداشت عمومی.
  • اندازه‌گیری نمایش جنسیتی یا قومیتی در تبلیغات تلویزیونی در طول زمان.
  • مقایسه فراوانی قاب‌بندی ریسک در مقابل قاب‌بندی مزایا در بیانیه‌های مطبوعاتی علمی.
  • ممیزی استفاده از زبان سیاستی خاص در اسناد قانون‌گذاری در سراسر حوزه‌های قضایی.
  • بررسی شیوع خشونت یا کلیشه‌سازی در محتوای رسانه‌ای کودکان.

چگونه کار می‌کند

چگونه کار می‌کند

1

پژوهشگر واحد تحلیل را مشخص می‌کند - یعنی کدام عنصر از مجموعه متون کدگذاری خواهد شد - مانند یک مقاله خبری منفرد، یک پاراگراف، یک جمله یا یک تصویر واحد. مرزهای مجموعه متون (دوره زمانی، لیست منابع، زبان) نیز در این مرحله تعیین می‌شوند و اطمینان حاصل می‌شود که جمعیت محتوا قبل از هرگونه کدگذاری به وضوح تعریف شده است.

2

یک دفترچه کد ساخته می‌شود که هر متغیر مورد نظر برای کدگذاری را تعریف می‌کند، تمام دسته‌بندی‌های پاسخ متقابل و جامع را فهرست می‌کند و قوانین تصمیم‌گیری و نمونه‌های لنگر برای هر دسته را ارائه می‌دهد. تعاریف عملیاتی واضح و بدون ابهام ضروری هستند؛ تعاریف مبهم منبع اصلی عدم پایایی در تحلیل محتوا هستند.

3

اگر مجموعه متون برای کدگذاری کامل بسیار بزرگ باشد، یک نمونه احتمالی انتخاب می‌شود - معمولاً یک نمونه تصادفی یا سیستماتیک طبقه‌بندی شده بر اساس منبع، دوره زمانی یا نوع محتوا. اندازه نمونه باید به اندازه‌ای بزرگ باشد که از تحلیل‌های آماری مورد نظر پشتیبانی کند و فراوانی دسته‌بندی‌های مورد علاقه را تشخیص دهد.

4

کدگذاران آموزش‌دیده دفترچه کد را به طور مستقل بر روی هر واحد تحلیل اعمال می‌کنند. کدگذاران آموزش استاندارد را با استفاده از مواد تمرینی که در نمونه اصلی ظاهر نمی‌شوند، دریافت می‌کنند و هرگونه ابهام باقی‌مانده در دفترچه کد قبل از شروع کدگذاری کامل برطرف می‌شود. تمام تصمیمات کدگذاری در یک فایل داده ساختاریافته ثبت می‌شوند.

5

پایایی بین کدگذاران محاسبه می‌شود - معمولاً با استفاده از کاپای کوهن (داده‌های اسمی) یا آلفای کرایپندورف (داده‌های ترتیبی یا فاصله‌ای) - بر روی زیرمجموعه‌ای تصادفی از مجموعه متون که توسط حداقل دو کدگذار مستقل کدگذاری شده است. آلفای ۰.۸۰ یا بالاتر آستانه متعارف برای پایایی قابل قبول است؛ دسته‌بندی‌هایی که زیر این آستانه قرار می‌گیرند قبل از تحلیل نهایی اصلاح یا ادغام می‌شوند.

6

داده‌های عددی کدگذاری شده با آمار توصیفی و استنباطی مناسب تحلیل می‌شوند: جداول فراوانی، جدول‌های توافقی، آزمون‌های مربع کای، تحلیل روند در طول زمان، یا مدل‌های رگرسیون. یافته‌ها در رابطه با سؤالات پژوهش تفسیر می‌شوند؛ واحد استنتاج محتوا است، نه نویسندگان یا مخاطبان آن محتوا.

دام‌های رایج

  • دسته‌بندی‌های کدگذاری مبهم: اگر دفترچه کد قوانین تصمیم‌گیری بدون ابهام را به کدگذاران ندهد، پایایی بین کدگذاران پایین خواهد بود و داده‌ها صرف نظر از اندازه نمونه بی‌معنی خواهند بود.
  • نادیده گرفتن پایایی: گزارش تنها کدگذاری یک کدگذار، یا محاسبه پایایی تنها بر روی دسته‌بندی‌هایی که توافق در آن‌ها آسان است، اعتبار ظاهری مطالعه را افزایش می‌دهد.
  • مخلوط کردن محتوا با علت یا معلول: فراوانی بالای یک قاب در رسانه‌ها نشان‌دهنده تأثیر آن قاب بر مخاطبان نیست - این امر نیازمند طراحی مطالعه‌ای جداگانه است.
  • نمونه‌گیری غیرنماینده: نمونه‌های راحتی از محتوای به راحتی قابل دسترس (مانند ۱۰ نتیجه برتر گوگل) سوگیری سیستماتیک را در تخمین‌های فراوانی وارد می‌کنند.
  • سردرگمی واحد: مخلوط کردن سطوح تحلیل (کدگذاری در سطح مقاله برای برخی متغیرها و سطح جمله برای دیگران) ساختار داده را نامعتبر و تحلیل‌ها را غیرقابل تفسیر می‌کند.

پرسش‌های متداول

چه آماره پایایی بین کدگذاران باید گزارش شود؟

آلفای کرایپندورف عمومی‌ترین انتخاب است: این آماره با داده‌های اسمی، ترتیبی، فاصله‌ای و نسبتی سازگار است و توافق تصادفی را تعدیل می‌کند. کاپای کوهن برای دو کدگذار بر روی یک متغیر اسمی مناسب است. توافق درصدی به تنهایی کافی نیست زیرا توافق تصادفی را تصحیح نمی‌کند. آماره، تعداد کدگذاران، نسبت مجموعه متونی که دو بار کدگذاری شده‌اند و آستانه‌ای که استفاده کرده‌اید را گزارش کنید - به طور متعارف آلفای ≥ ۰.۸۰ برای کارهای منتشر شده.

نمونه من چقدر باید بزرگ باشد؟

قانون جهانی وجود ندارد، اما نمونه باید به اندازه‌ای بزرگ باشد که فراوانی نادرترین دسته مورد علاقه شما را با دقت قابل قبول تخمین بزند. تحلیل توان یا شبیه‌سازی - با تعیین فراوانی مورد انتظار و عرض بازه اطمینان مورد نظر - رویکرد اصولی است. برای تحلیل‌های جدول توافقی، یک راهنمای رایج حداقل پنج مورد مشاهده شده در هر سلول است. کدگذاری آزمایشی یک نمونه تصادفی کوچک در ابتدا به شما تخمین‌های فراوانی تجربی می‌دهد تا محاسبه را اطلاع‌رسانی کند.

آیا می‌توانم به جای کدگذاران انسانی از کدگذاری خودکار یا مبتنی بر هوش مصنوعی استفاده کنم؟

بله، اما کدگذاری خودکار باید قبل از استفاده در برابر یک استاندارد طلایی کدگذاری شده توسط انسان اعتبارسنجی شود. روش‌های مبتنی بر دیکشنری (شمارش کلمات از پیش تعیین‌شده) شفاف هستند اما زمینه را از دست می‌دهند؛ طبقه‌بندهای یادگیری ماشین نظارت‌شده می‌توانند اعتبار بالاتری کسب کنند اما به مجموعه داده آموزشی برچسب‌دار نیاز دارند. در همه موارد، معیارهای اعتبارسنجی را در کنار یافته‌های موضوعی خود گزارش کنید.

تحلیل محتوای کمی چگونه با تحلیل محتوای کیفی متفاوت است؟

تحلیل محتوای کمی کدگذاری نظام‌مند و تکرارپذیر ویژگی‌های آشکار را برای تولید داده‌های عددی برای تحلیل آماری اولویت می‌دهد. تحلیل محتوای کیفی - و تحلیل گفتمان - عمق تفسیری را اولویت می‌دهد و به معنای پنهان، زمینه و ساخت معنا به جای شمارش فراوانی توجه می‌کند. این دو رویکرد می‌توانند در یک طرح روش‌های ترکیبی متوالی ترکیب شوند.

اگر مجموعه متون من به اندازه کافی کوچک باشد که به طور کامل کدگذاری شود، آیا به نمونه تصادفی نیاز دارم؟

خیر. اگر بتوانید کل جمعیت محتوای مرتبط را کدگذاری کنید - به عنوان مثال، تمام مقالات صفحه اول یک روزنامه در یک سال خاص - شما سرشماری دارید، نه نمونه، و آمار استنباطی مربوط به خطای نمونه‌گیری لازم نیست. شما همچنان باید مجموعه متون را به دقت تعریف کرده و کل N را گزارش کنید.

روش‌های مرتبط

منابع

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

    شابک: 978-0761915454
    کپی شد.
  2. Berelson, B. (1952). Content Analysis in Communication Research. Free Press.

    باز کردن مرجع انتشار
    کپی شد.