定量的内容分析
- 提唱者
- Bernard Berelson; later systematised by Klaus Krippendorff
- 年
- 1950s (Berelson 1952; Krippendorff 1980/2004)
- 種類
- Quantitative observational research method
- 系統
- Survey / observational design
この文章は機械翻訳で、まだ確認されていません。 英語の原文を読む
何をする手法か?
定量的内容分析は、テキスト、画像、またはその他の記録されたコミュニケーションのマニフェスト(顕在的)な内容を数値データに変換するための、系統的で再現可能な方法である。事前に指定されたコードブックを定義されたコーパスに適用し、結果のカテゴリをカウントまたはスケーリングすることにより、研究者は標準的な統計テストの対象となる度数分布、割合、および関係性を得る。これは、メディア、文書、ソーシャルメディアの投稿、政策文書、および類似の資料の大規模かつ客観的な分析のための主要な方法である。
手法の背後にある直感
ニュースアウトレットが5年間の報道において、気候変動を経済的脅威として、あるいは健康リスクとして、どのようにフレーミングしているかを頻繁に知りたいと想像してみよう。何千もの記事を主観的に読むのは、遅く、一貫性に欠けるだろう。定量的内容分析は、訓練されたコーダーに、どの単語、文、または段落が各フレームとしてカウントされるかを正確に指示する、正確なルールブック(コードブック)を作成することで、これを解決する。独立して作業する2人のコーダーは、ほとんどの記事で同じ分類に到達するはずである。その後、カウントは他の数値データと同様に分析される:度数、傾向、グループ比較、または回帰分析である。このアプローチは、解釈の深さと引き換えに、規模と再現性を得る。
歴史学
新聞やプロパガンダの体系的な内容分析は、第二次世界大戦中にアメリカ合衆国で出現し、Bernard Berelsonの1952年のモノグラフ『Content Analysis in Communication Research』が最初の包括的な方法論的声明を提供した。Harold Lasswellらは、同時期に政治コミュニケーションに頻度カウントを適用した。Klaus Krippendorffの1980年の教科書(2004年に改訂)は、この方法の認識論的基礎を確立し、クリッペンドルフのアルファを標準的な信頼性尺度として導入し、フレームワークをメディア研究を超えてあらゆる記録されたコミュニケーションに拡張した。2010年代以降の計算テキスト分析の台頭により、この方法のコアロジックへの関心が再燃している。
使うべき場面
定量的内容分析は、記録されたコミュニケーションの大量のパターンを客観的かつ再現可能な方法で記述、比較、または説明することが研究目標である場合に適切な選択肢である。頻度(Xはどれくらい頻繁に現れるか?)、傾向(Xは時間とともに増加したか?)、および関連性(XはYと共起するか?)に関する質問に適している。適切なコーパスには、ニュースアーカイブ、ソーシャルメディアデータセット、政策文書、インタビュートランスクリプト(表面的な特徴について)、広告、および学術出版物が含まれる。潜在的な意味、著者の意図、または読者の解釈を理解する必要がある研究質問には使用しないこと。定性的内容分析または談話分析の方が適切である。また、コーパス全体または代表的な標本にアクセスでき、信頼性の高いコーディングカテゴリを事前に指定できる必要がある。
限界と注意点
- コンテンツのマニフェスト(顕在的)、観察可能な特徴に限定される。潜在的または文脈的な意味には、補足的な定性的分析が必要である。
- コードブックの開発は時間がかかり、信頼性の高いカテゴリを最終決定する前に、反復的なパイロットテストが必要である。
- 推論の単位はコンテンツ自体である。この方法だけでは、コンテンツのパターンが存在する理由や、読者がどのように反応するかを確立することはできない。
- 自動コーディング(機械学習、辞書ベースの方法)は規模を拡大するが、人間のコードと比較して検証されない場合、独自の妥当性リスクをもたらす。
出典に示された条件は、独立した科学的レビューや分析エンジンによる検証の代わりにはなりません。
強み
- 高度に再現可能:コードブックと信頼性統計により、他の研究者は研究を評価し、再現することができる。
- 人間のコーダーまたは自動化されたテキスト分析を使用して、非常に大規模なコーパス(数千から数万の文書)に拡張可能である。
- 非反応性:コンテンツはすでに存在するため、この方法は研究対象の現象を変化させない。
- 結果は数値であり、記述統計および推測統計の全範囲に対応可能である。
- 透明性:すべてのコーディング規則と信頼性推定値が報告されるため、方法論的な決定は監査可能である。
応用
- 選挙サイクルを通じて政治問題または候補者のニュース報道がどのように変化するかを追跡する。
- 公衆衛生キャンペーンに関するソーシャルメディア投稿の量と感情を分析する。
- テレビ広告におけるジェンダーまたは民族の表現を経時的に測定する。
- 科学プレスリリースにおけるリスクフレーミングとベネフィットフレーミングの頻度を比較する。
- 管轄区域を横断する立法文書における特定の政策言語の使用を監査する。
- 子供向けメディアコンテンツにおける暴力またはステレオタイプの蔓延を調べる。
使い方
使い方
研究者は、分析単位(コーパスのどの要素がコード化されるか)、例えば個々のニュース記事、段落、文、または単一の画像を特定する。コーパスの境界(期間、ソースリスト、言語)もこの段階で区切られ、コーディングが行われる前にコンテンツの母集団が明確に定義されることを保証する。
コードブックが作成され、コード化されるすべての変数が定義され、相互に排他的で網羅的なすべての応答カテゴリがリストされ、各カテゴリの決定規則とアンカー例が提供される。明確で曖昧さのない操作的定義が不可欠である。曖昧な定義は、内容分析における信頼性の低さの主な原因である。
コーパス全体をコード化するには大きすぎる場合、確率標本が抽出される。一般的には、ソース、期間、またはコンテンツタイプで層別化されたランダムまたは系統的標本である。標本サイズは、意図された統計分析をサポートし、実質的な関心のあるカテゴリの度数を検出するのに十分な大きさでなければならない。
訓練されたコーダーが、各分析単位にコードブックを独立して適用する。コーダーは、主要な標本には含まれない練習資料を使用して標準化された訓練を受け、コーディングが本格的に始まる前に、コードブックに残っている曖昧さは解決される。すべてのコーディング決定は、構造化されたデータファイルに記録される。
コーダー間信頼性が計算される。通常、コーエンのカッパ(名義尺度データ)またはクリッペンドルフのアルファ(順序尺度または間隔尺度データ)が使用され、コーパスのランダムなサブセットに対して、少なくとも2人の独立したコーダーによってコード化される。アルファ値が0.80以上であることが、許容可能な信頼性の従来の閾値である。この閾値を下回るカテゴリは、最終分析の前に修正または統合される。
コード化された数値データは、適切な記述統計および推測統計を用いて分析される:度数表、クロス集計表、カイ二乗検定、経時的傾向分析、または回帰モデルである。結果は研究課題に関連して解釈される。推論の単位はコンテンツであり、そのコンテンツの著者や読者ではない。
よくある落とし穴
- 曖昧なコーディングカテゴリ:コードブックがコーダーに曖昧さのない決定規則を与えない場合、コーダー間信頼性は低くなり、標本サイズに関係なくデータは無意味になる。
- 信頼性の無視:1人のコーダーのコーディングのみを報告したり、合意が容易なカテゴリでのみ信頼性を計算したりすると、研究の見かけ上の厳密さが誇張される。
- コンテンツと原因または結果の混同:メディアにおけるフレームの頻度が高いからといって、そのフレームが読者に影響を与えたとは確立されない。それには別途の研究デザインが必要である。
- 非代表的なサンプリング:アクセスしやすいコンテンツの便宜的サンプル(例:Google検索結果の上位10件)は、頻度推定値に系統的なバイアスを導入する。
- 単位の混同:分析レベルの混同(一部の変数では記事レベル、他の変数では文レベルでコード化する)は、データ構造を無効にし、分析を解釈不能にする。
よくある質問
どのようなコーダー間信頼性統計を報告すべきか?
クリッペンドルフのアルファが最も一般的な選択肢である。名義尺度、順序尺度、間隔尺度、比率尺度を扱い、偶然の一致を調整する。2人のコーダーによる名義変数の場合は、コーエンのカッパが適切である。パーセンテージ一致だけでは不十分である。なぜなら、偶然の一致を補正しないからである。統計値、コーダー数、二重コード化されたコーパスの割合、および使用した閾値(出版物では慣例的にアルファ≧0.80)を報告すること。
私の標本はどれくらい大きければよいか?
普遍的な規則はないが、標本は、関心のある最も希少なカテゴリの頻度を許容可能な精度で推定するのに十分な大きさでなければならない。検出力分析またはシミュレーション(期待される頻度と望ましい信頼区間の幅を指定する)が原則的なアプローチである。クロス集計分析については、一般的なガイドラインは、セルあたり少なくとも5つの観測ケースである。最初に小さなランダム標本をパイロットコーディングすると、計算に役立つ経験的な頻度推定値が得られる。
人間のコーダーの代わりに、自動化またはAIベースのコーディングを使用できますか?
はい、ただし、自動コーディングは使用前に人間のコード化されたゴールドスタンダードに対して検証する必要があります。辞書ベースの方法(事前に定義された単語を数える)は透明ですが、文脈を見落とします。教師あり機械学習分類器は、より高い妥当性を達成できますが、ラベル付きトレーニングセットが必要です。いずれの場合も、実質的な結果とともに検証指標を報告してください。
定量的内容分析と定性的内容分析の違いは何ですか?
定量的内容分析は、マニフェスト(顕在的)な特徴の体系的で再現可能なコーディングを優先し、統計分析のための数値データを生成する。定性的内容分析(および談話分析)は、解釈の深さを優先し、頻度カウントではなく、潜在的な意味、文脈、および意味の構築に注意を払う。これら2つのアプローチは、逐次的な混合研究法デザインで組み合わせることができる。
コーパスが小さすぎて全体をコード化できる場合でも、ランダムサンプリングは必要ですか?
いいえ。もしあなたがコンテンツの関連する母集団全体をコード化できるなら(例えば、特定の年の1つの新聞のすべての一面記事)、それは標本ではなく国勢調査であり、標本誤差に関する推測統計は不要である。それでも、コーパスを正確に定義し、総Nを報告する必要がある。
関連する手法
参考文献
Krippendorff, K. (2004). Content Analysis: An Introduction to Its Methodology (2nd ed.). Sage.
ISBN:978-0761915454コピーしました。Berelson, B. (1952). Content Analysis in Communication Research. Free Press.
出版物の文献を開くコピーしました。