Analiza treści ilościowa
- Autor metody
- Bernard Berelson; later systematised by Klaus Krippendorff
- Rok
- 1950s (Berelson 1952; Krippendorff 1980/2004)
- Typ
- Quantitative observational research method
- Rodzina
- Survey / observational design
Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku
Do czego służy?
Ilościowa analiza treści jest systematyczną, powtarzalną metodą przekształcania jawnej treści tekstu, obrazów lub innych zapisanych komunikatów w dane liczbowe.
Poprzez zastosowanie z góry określonego kodeksu kodowania do zdefiniowanego korpusu i zliczanie lub skalowanie uzyskanych kategorii, badacze uzyskują rozkłady częstości, proporcje i zależności, które mogą być poddane standardowym testom statystycznym. Jest to dominująca metoda do analizy mediów, dokumentów, postów w mediach społecznościowych, tekstów politycznych i podobnych materiałów na dużą skalę, w sposób obiektywny.
Intuicja stojąca za metodą
Wyobraźmy sobie, że chcemy dowiedzieć się, jak często media informacyjne przedstawiają zmiany klimatu jako zagrożenie gospodarcze w porównaniu z zagrożeniem dla zdrowia w ciągu pięciu lat relacji. Subiektywne czytanie tysięcy artykułów byłoby powolne i niespójne. Ilościowa analiza treści rozwiązuje ten problem poprzez stworzenie precyzyjnej instrukcji — kodeksu kodowania — która mówi przeszkolonym kodującym dokładnie, które słowa, zdania lub akapity liczą się jako każda z tych ram. Dwóch kodujących pracujących niezależnie powinno osiągnąć tę samą kategoryzację w większości artykułów. Następnie zliczenia są analizowane jak każde inne dane liczbowe: częstości, trendy, porównania grupowe lub regresje. Podejście to poświęca głębię interpretacji na rzecz skali i powtarzalności.
Historia
Systematyczna analiza treści gazet i propagandy wyłoniła się w Stanach Zjednoczonych podczas II wojny światowej, a monografia Bernarda Berelsona z 1952 roku Content Analysis in Communication Research stanowiła pierwsze kompleksowe oświadczenie metodologiczne. Harold Lasswell i współpracownicy zastosowali zliczanie częstości do komunikacji politycznej w tym samym okresie. Podręcznik Klausa Krippendorffa z 1980 roku — zrewidowany w 2004 roku — ustanowił epistemologiczne podstawy metody, wprowadził alfa Krippendorffa jako standardowy miernik zgodności i rozszerzył ramy poza badania mediów na wszelkie zapisane komunikaty. Rozwój obliczeniowej analizy tekstu od lat 2010. wznowił zainteresowanie podstawową logiką metody.
Kiedy stosować
Ilościowa analiza treści jest właściwym wyborem, gdy celem badania jest opisanie, porównanie lub wyjaśnienie wzorców w dużej ilości zapisanych komunikatów w sposób obiektywny i powtarzalny. Pasuje do pytań dotyczących częstości (jak często pojawia się X?), trendów (czy X wzrosło w czasie?) i powiązań (czy X współwystępuje z Y?). Odpowiednie korpusy obejmują archiwa prasowe, zbiory danych z mediów społecznościowych, dokumenty polityczne, transkrypcje wywiadów (dla cech powierzchniowych), reklamy i publikacje naukowe. Nie należy jej stosować, gdy pytanie badawcze wymaga zrozumienia znaczenia ukrytego, intencji autora lub interpretacji czytelników — bardziej odpowiednia jest jakościowa analiza treści lub analiza dyskursu. Wymaga również dostępu do całego korpusu lub reprezentatywnej próby oraz możliwości z góry określenia wiarygodnych kategorii kodowania.
Ograniczenia i uwagi
- Ograniczenie do jawnych, obserwowalnych cech treści; znaczenie ukryte lub kontekstowe wymaga uzupełniającej analizy jakościowej.
- Opracowanie kodeksu kodowania jest czasochłonne i wymaga iteracyjnego pilotażu przed sfinalizowaniem wiarygodnych kategorii.
- Jednostką wnioskowania jest sama treść; metoda sama w sobie nie może ustalić, dlaczego istnieją wzorce treści ani jak odbiorcy na nie reagują.
- Zautomatyzowane kodowanie (uczenie maszynowe, metody słownikowe) zwiększa skalę, ale wprowadza własne ryzyko trafności, jeśli nie zostanie zweryfikowane w porównaniu z ludzkimi kodami.
Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.
Mocne strony
- Wysoka powtarzalność: kodeks kodowania i statystyki zgodności pozwalają innym badaczom ocenić i odtworzyć badanie.
- Skalowalność do bardzo dużych korpusów — tysięcy lub dziesiątek tysięcy dokumentów — przy użyciu ludzkich kodujących lub zautomatyzowanej analizy tekstu.
- Nie-reaktywność: treść już istnieje, więc metoda nie zmienia badanego zjawiska.
- Wyniki są liczbowe i poddają się pełnemu zakresowi technik statystyki opisowej i wnioskowania.
- Przejrzystość: wszystkie zasady kodowania i szacunki zgodności są raportowane, co czyni decyzje metodologiczne audytowalnymi.
Zastosowania
- Śledzenie, jak relacje medialne na temat kwestii politycznej lub kandydata zmieniają się w cyklach wyborczych.
- Analiza objętości i sentymentu postów w mediach społecznościowych na temat kampanii zdrowia publicznego.
- Pomiar reprezentacji płci lub pochodzenia etnicznego w reklamach telewizyjnych w czasie.
- Porównanie częstości ramowania ryzyka w porównaniu z ramowaniem korzyści w naukowych komunikatach prasowych.
- Audytowanie użycia specyficznego języka polityki w dokumentach legislacyjnych w różnych jurysdykcjach.
- Badanie rozpowszechnienia przemocy lub stereotypów w treściach medialnych dla dzieci.
Jak to działa
Jak to działa
Badacz określa jednostkę analizy — który element korpusu będzie kodowany — taki jak pojedynczy artykuł prasowy, akapit, zdanie lub pojedynczy obraz. Granice korpusu (okres czasu, lista źródeł, język) są również wyznaczane na tym etapie, zapewniając, że populacja treści jest jasno zdefiniowana przed rozpoczęciem jakiegokolwiek kodowania.
Konstruowany jest kodeks kodowania, który definiuje każdą zmienną do zakodowania, zawiera listę wszystkich wzajemnie wykluczających się i wyczerpujących kategorii odpowiedzi oraz podaje zasady podejmowania decyzji i przykłady kotwic dla każdej kategorii. Jasne, jednoznaczne definicje operacyjne są niezbędne; niejasne definicje są głównym źródłem zawodności w analizie treści.
Jeśli korpus jest zbyt duży, aby można go było zakodować w całości, losuje się próbę prawdopodobieństwa — zazwyczaj próbę losową lub systematyczną, stratyfikowaną według źródła, okresu czasu lub typu treści. Wielkość próby musi być wystarczająco duża, aby umożliwić zamierzone analizy statystyczne i wykryć częstości kategorii o istotnym znaczeniu.
Przeszkoleni kodujący stosują kodeks kodowania do każdej jednostki analizy niezależnie. Kodujący otrzymują standardowe szkolenie z wykorzystaniem materiałów ćwiczeniowych, które nie pojawiają się w głównej próbie, a wszelkie pozostałe niejasności w kodeksie kodowania są rozwiązywane przed rozpoczęciem pełnego kodowania. Wszystkie decyzje kodowania są rejestrowane w ustrukturyzowanym pliku danych.
Obliczana jest zgodność międzykodująca — zazwyczaj przy użyciu Kappa Cohena (dane nominalne) lub alfa Krippendorffa (dane porządkowe lub interwałowe) — na losowej podpróbie korpusu kodowanej przez co najmniej dwóch niezależnych kodujących. Alfa na poziomie 0,80 lub wyższym jest konwencjonalnym progiem akceptowalnej zgodności; kategorie poniżej tego progu są poprawiane lub łączone przed analizą końcową.
Zakodowane dane liczbowe są analizowane za pomocą odpowiednich statystyk opisowych i wnioskowań: tabele częstości, tabele krzyżowe, testy chi-kwadrat, analiza trendów w czasie lub modele regresji. Wyniki są interpretowane w odniesieniu do pytań badawczych; jednostką wnioskowania jest treść, a nie autorzy ani odbiorcy tej treści.
Częste pułapki
- Niejasne kategorie kodowania: jeśli kodeks kodowania nie zapewnia kodującym jednoznacznych zasad podejmowania decyzji, zgodność międzykodująca będzie niska, a dane będą bez znaczenia niezależnie od wielkości próby.
- Ignorowanie zgodności: raportowanie kodowania tylko jednego kodującego lub obliczanie zgodności tylko dla kategorii, w których zgoda jest łatwa, zawyża pozorną rygorystyczność badania.
- Mylenie treści z przyczyną lub skutkiem: wysoka częstotliwość występowania ramienia w mediach nie oznacza, że ramię wpłynęło na odbiorców — wymaga to odrębnego projektu badania.
- Nie-reprezentatywne próbkowanie: próby dogodne z łatwo dostępnej treści (np. dziesięć najlepszych wyników Google) wprowadzają systematyczne błędy do oszacowań częstości.
- Mylenie jednostek: mieszanie poziomów analizy (kodowanie na poziomie artykułu dla niektórych zmiennych i na poziomie zdania dla innych) sprawia, że struktura danych jest nieprawidłowa, a analizy nieinterpretowalne.
Najczęściej zadawane pytania
Jakiego statystyki zgodności międzykodującej powinienem użyć?
Alfa Krippendorffa jest najbardziej ogólnym wyborem: obsługuje skale nominalne, porządkowe, interwałowe i ilorazowe oraz koryguje o przypadek. Kappa Cohena jest odpowiednia dla dwóch kodujących na zmiennej nominalnej. Sam procent zgodności jest niewystarczający, ponieważ nie koryguje o przypadek. Należy podać statystykę, liczbę kodujących, odsetek korpusu zakodowany dwukrotnie oraz użyty próg — konwencjonalnie alfa ≥ 0,80 dla publikacji.
Jak duża musi być moja próba?
Nie ma uniwersalnej zasady, ale próba musi być wystarczająco duża, aby oszacować częstość najrzadszej kategorii zainteresowania z akceptowalną precyzją. Analiza mocy lub symulacja — określająca oczekiwaną częstość i pożądaną szerokość przedziału ufności — jest podejściem zasadniczym. W przypadku analiz tabel krzyżowych powszechną wytyczną jest co najmniej pięć zaobserwowanych przypadków na komórkę. Wstępne kodowanie małej losowej próby najpierw dostarczy empirycznych oszacowań częstości, które posłużą do obliczeń.
Czy mogę użyć kodowania zautomatyzowanego lub opartego na sztucznej inteligencji zamiast ludzkich kodujących?
Tak, ale kodowanie zautomatyzowane musi zostać zweryfikowane w porównaniu z ludzkim złotym standardem przed użyciem. Metody oparte na słownikach (zliczanie predefiniowanych słów) są przejrzyste, ale pomijają kontekst; nadzorowane klasyfikatory uczenia maszynowego mogą osiągnąć wyższą trafność, ale wymagają oznaczonego zestawu treningowego. We wszystkich przypadkach należy podać metryki walidacji wraz z wynikami merytorycznymi.
Czym ilościowa analiza treści różni się od jakościowej analizy treści?
Ilościowa analiza treści priorytetowo traktuje systematyczne, powtarzalne kodowanie jawnych cech w celu produkcji danych liczbowych do analizy statystycznej. Jakościowa analiza treści — i analiza dyskursu — priorytetowo traktuje głębię interpretacyjną, zwracając uwagę na znaczenie ukryte, kontekst i konstrukcję znaczenia, a nie na zliczanie częstości. Oba podejścia można połączyć w sekwencyjnym projekcie mieszanych metod.
Czy potrzebuję losowej próby, jeśli mój korpus jest wystarczająco mały, aby zakodować go w całości?
Nie. Jeśli można zakodować całą istotną populację treści — na przykład wszystkie artykuły na pierwszej stronie jednego dziennika w danym roku — ma się spis powszechny, a nie próbę, i nie są wymagane statystyki wnioskowania dotyczące błędu próbkowania. Nadal należy precyzyjnie zdefiniować korpus i podać całkowitą liczbę N.
Pokrewne metody
Źródła
Krippendorff, K. (2004). Content Analysis: An Introduction to Its Methodology (2nd ed.). Sage.
ISBN: 978-0761915454Skopiowano.Berelson, B. (1952). Content Analysis in Communication Research. Free Press.
Otwórz odnośnik do publikacjiSkopiowano.