Skip to content
Retour aux résultats

Analyse de contenu quantitative longitudinale

Introduite par
Developed within communication and media studies; codified by Berelson (1952) and extended by Riffe, Lacy, Fico
Année
1950s onward; longitudinal application widely adopted in media research by the 1970s–1980s
Type
Quantitative observational research design
Famille
Survey / observational design

Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais

Taille de police

À quoi sert-elle ?

L'analyse de contenu quantitative longitudinale code et compte systématiquement les caractéristiques de textes, d'images ou de messages médiatiques recueillis à deux points dans le temps ou plus, permettant aux chercheurs de suivre l'évolution du contenu, la montée ou la chute de la prévalence des thèmes, et la manière dont les messages médiatiques ou institutionnels réagissent aux événements extérieurs.

La conception fusionne la logique de mesure structurée de l'analyse de contenu quantitative avec la puissance de suivi temporel de l'observation longitudinale.

L’intuition derrière la méthode

Imaginez une archive de presse couvrant 20 ans de reportages sur le climat. Une analyse de contenu ponctuelle vous indique à quoi ressemblait la couverture climatique à un instant T. Une conception longitudinale vous permet de compter le volume de la couverture, les choix de cadrage (framing) et les types de sources année par année – révélant si le cadrage d'alarme a augmenté après des événements climatiques majeurs, ou si la diversité des sources s'est réduite au fil du temps. L'idée clé est que le contenu n'existe pas dans un seul moment ; les messages s'accumulent et évoluent, et seule une mesure répétée peut documenter cette dérive. L'analyse de contenu quantitative longitudinale est l'outil qui rend le changement temporel dans le contenu symbolique visible et quantifiable.

Histoire

L'analyse de contenu quantitative a été établie comme une méthode formelle des sciences sociales par Bernard Berelson dans sa monographie de 1952, Content Analysis in Communication Research. Son application au fil du temps – le suivi des changements dans les messages médiatiques – a été rapidement adoptée dans la recherche en communication dans les années 1970 et 1980 pour étudier la définition d'agenda médiatique, le cadrage et la propagande. Riffe, Lacy et Fico's Analyzing Media Messages (première édition 1998, quatrième édition 2019) et Neuendorf's Content Analysis Guidebook (2002, deuxième édition 2017) ont formalisé les normes d'échantillonnage et de fiabilité qui sous-tendent les conceptions longitudinales actuelles.

Quand l’utiliser

Utilisez l'analyse de contenu quantitative longitudinale lorsque la question de recherche porte sur la manière dont le contenu ou le cadrage des messages évolue dans le temps – par exemple, comment la couverture médiatique d'un problème social a évolué avant et après une législation, comment la publicité a changé suite à une campagne de santé publique, ou comment la communication organisationnelle a évolué au fil des cycles économiques. Elle est appropriée lorsqu'une archive de contenu daté est accessible pour plusieurs points temporels, lorsque les variables peuvent être opérationnalisées comme des codes quantifiables, et lorsque l'objectif est la description de tendances généralisables plutôt que l'analyse interprétative approfondie de textes individuels. Ne l'utilisez pas lorsqu'un seul point temporel de contenu est disponible (utilisez plutôt l'analyse de contenu quantitative standard), lorsque la question de recherche nécessite la compréhension de l'interprétation de l'audience plutôt que des caractéristiques du message (utilisez des méthodes d'analyse de réception ou d'enquête), ou lorsque le nombre d'unités codables par vague est si faible que l'analyse statistique des tendances est dénuée de sens.

Limites et points d’attention

  • Nécessite l'accès au contenu archivé ou historiquement préservé à tous les points temporels pertinents – les lacunes dans les archives compromettent la comparabilité.
  • Le codage est limité aux caractéristiques manifestes (observables) du contenu ; le sens latent et l'interprétation de l'audience sont hors de portée de la méthode.
  • La dérive des codeurs sur une longue période d'étude peut introduire une erreur de mesure qui imite un réel changement de contenu.
  • Intensive en ressources lorsque les périodes sont longues et les corpus vastes, nécessitant une formation approfondie des codeurs et une surveillance de la fiabilité sur plusieurs vagues.

Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.

Points forts

  • Mesure directement le changement dans le contenu symbolique au fil du temps, ce que les conceptions transversales ne peuvent pas établir.
  • Produit des données quantifiables et reproductibles qui peuvent être comparées entre études utilisant le même livre de codes.
  • Convient aux grands corpus – des années entières de production médiatique, des décennies de documents politiques, ou des millions de publications sur les réseaux sociaux – en utilisant un échantillonnage systématique.
  • Non réactive : le contenu a déjà été produit, donc le processus de mesure ne peut pas altérer le comportement des participants.
  • Permet la détection de cycles d'agenda, de changements de cadrage et de l'impact d'événements extérieurs sur les messages institutionnels.

Applications

  • Suivi du cadrage du changement climatique dans la couverture médiatique sur plusieurs décennies pour détecter les changements d'agenda liés aux cycles politiques.
  • Analyse de l'évolution des affirmations publicitaires pharmaceutiques dans les revues médicales suite à des interventions réglementaires.
  • Mesure de la représentation des minorités de genre ou raciales à la télévision en prime time sur des saisons de diffusion successives.
  • Documentation des changements dans la rhétorique et les messages des partis politiques au fil des cycles électoraux à l'aide de manifestes de partis.
  • Surveillance des changements dans la communication sur les risques sanitaires sur les plateformes de médias sociaux avant, pendant et après une urgence de santé publique.
  • Évaluation de l'évolution du reporting de durabilité d'entreprise dans les rapports annuels sur une période de pression croissante des investisseurs ESG.

Comment ça marche

Comment ça marche

1

Le chercheur spécifie le phénomène d'intérêt (par ex., cadrage médiatique, affirmations publicitaires, rhétorique politique), l'univers du contenu (par ex., articles de première page de journaux, émissions de grande écoute, publications sur les réseaux sociaux) et la période à couvrir. Des limites claires sur la population des messages et la fenêtre temporelle empêchent l'expansion incontrôlée du périmètre (scope creep) et guident les décisions d'échantillonnage.

2

Étant donné que le codage exhaustif de tout le contenu sur tous les points temporels est généralement peu pratique, une stratégie d'échantillonnage sélectionne des fenêtres temporelles représentatives – semaines couramment construites, échantillons trimestriels, ou codage de recensement aux dates clés d'événements. Chaque échantillon temporel doit être tiré de la même manière pour assurer la comparabilité entre les vagues.

3

Un livre de codes (codebook) est construit, qui définit chaque variable à mesurer, y compris l'unité d'analyse (article, publication, publicité), les codes catégoriels et les règles de décision. Le livre de codes doit rester identique à tous les points temporels afin que les changements dans les comptes reflètent les changements dans le contenu plutôt que les changements dans la mesure.

4

Des codeurs formés appliquent le livre de codes au contenu échantillonné à chaque point temporel. Les codeurs sont aveugles à l'identité de la vague lorsque cela est possible afin d'éviter les biais d'attente temporelle. Chaque unité d'analyse est codée indépendamment, produisant un ensemble de données de fréquences et de distributions catégorielles pour chaque vague temporelle.

5

La fiabilité inter-codeurs est calculée – généralement à l'aide du kappa de Cohen ou de l'alpha de Krippendorff – à chaque vague et rapportée séparément. Une vérification de fiabilité effectuée uniquement lors de la formation, mais pas sur toutes les vagues, risque de manquer la dérive des codeurs pendant la période d'étude. Le seuil accepté est couramment un kappa ou un alpha supérieur à 0,80.

6

Les données de fréquences agrégées sur les vagues sont analysées à l'aide de statistiques descriptives, de tests du chi-carré d'indépendance dans le temps, d'analyse de tendances ou de régression de séries temporelles pour identifier des changements, des cycles ou des trajectoires significatifs dans le contenu. Les résultats sont interprétés à la lumière des événements contextuels survenant entre les vagues.

Pièges courants

  • Changer le livre de codes entre les vagues – même de petites révisions des définitions de catégories – invalide les comparaisons entre vagues en confondant le changement de mesure avec le changement réel du contenu.
  • Échantillonner les points temporels de manière incohérente – par exemple, coder les périodes de pointe d'actualité dans une vague et les périodes de routine dans une autre – biaise systématiquement les estimations de tendances.
  • Ignorer la fiabilité entre les vagues – vérifier la fiabilité inter-codeurs uniquement au début permet à une dérive progressive des codeurs de passer inaperçue, gonflant les tendances apparentes.
  • Surestimer les tendances statistiques sans ancrage contextuel – une augmentation significative d'un thème ne devient significative que lorsqu'elle est liée à des événements connus, des changements de politique ou des facteurs externes survenant entre les vagues.

Questions fréquentes

Combien de points temporels me faut-il pour une analyse de contenu longitudinale ?

Un minimum de deux points temporels est requis pour établir un changement, mais deux points ne montrent qu'une différence avant-après et ne peuvent pas établir une tendance. Trois vagues ou plus permettent l'analyse des tendances ; les études examinant les schémas à long terme utilisent couramment des échantillons annuels sur une décennie ou plus. Le nombre de vagues doit correspondre à la question de recherche – si vous voulez détecter l'effet d'un événement spécifique, deux points soigneusement choisis (avant et après) peuvent suffire.

Quelle est la meilleure statistique de fiabilité pour cette conception ?

L'alpha de Krippendorff est préféré car il prend en compte différents niveaux de mesure (nominal, ordinal, intervalle) et convient à plus de deux codeurs. Le kappa de Cohen est largement rapporté pour le codage nominal à deux codeurs. Les deux doivent dépasser 0,80 comme seuil conventionnel. De manière critique, la fiabilité doit être calculée et rapportée pour chaque vague de codage, et non seulement lors de la phase initiale de formation.

Puis-je ajouter de nouvelles catégories de codage dans une vague ultérieure si je remarque l'émergence de nouveaux phénomènes ?

Seulement si les nouvelles catégories sont ajoutées comme variables supplémentaires qui ne modifient pas le schéma de codage original. Changer ou redéfinir des catégories existantes rétroactivement nécessite de recoder toutes les vagues précédentes avec le schéma révisé avant que les comparaisons ne soient valides. Le non-respect de cette règle produit ce qu'on appelle une non-équivalence de mesure entre les vagues.

En quoi cela diffère-t-il d'une analyse de séries temporelles ?

L'analyse de contenu quantitative longitudinale produit les données – dénombrements et fréquences des caractéristiques de contenu codées à chaque point temporel. L'analyse de séries temporelles est une technique statistique appliquée à ces données pour modéliser les tendances, les cycles et les chocs externes. Les deux sont complémentaires : l'analyse de contenu génère les observations ; les statistiques de séries temporelles modélisent les schémas dans ces observations.

L'analyse de contenu longitudinale est-elle considérée comme expérimentale ou observationnelle ?

Elle est strictement observationnelle. Le chercheur ne manipule pas le contenu et n'assigne pas de conditions – le contenu a été produit indépendamment de la recherche. Par conséquent, les résultats peuvent établir que le contenu a changé au fil du temps (tendance descriptive) mais ne peuvent pas à eux seuls prouver qu'un facteur externe spécifique a causé le changement. Les affirmations causales nécessitent des preuves supplémentaires issues de conceptions expérimentales ou quasi-expérimentales.

Méthodes associées

Sources

  1. Riffe, D., Lacy, S., Watson, B., & Fico, F. (2019). Analyzing Media Messages: Using Quantitative Content Analysis in Research (4th ed.). Routledge.

    ISBN : 9781138490536
    Copié.
  2. Neuendorf, K. A. (2017). The Content Analysis Guidebook (2nd ed.). Sage.

    ISBN : 9781412979474
    Copié.