Skip to content
Назад к результатам поиска

Сравнительный количественный контент-анализ

Автор метода
Bernard Berelson (quantitative content analysis); Kimberly Neuendorf (codebook systematization); Hallin & Mancini (comparative media application)
Год
1952 (Berelson); comparative extensions prominent from 1980s onward
Тип
Quantitative observational research design
Семейство
Survey / observational design

Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском

Размер шрифта

Что он делает?

Сравнительный количественный контент-анализ — это систематический, воспроизводимый метод подсчета и категоризации характеристик коммуникационного контента — таких как новостные сообщения, публикации в социальных сетях или политические документы — в двух или более группах, периодах времени, источниках или странах.

Применяя стандартизированный кодификатор к каждому контексту сравнения, он выявляет закономерности сходства и различий в представлении тем, укладов, действующих лиц или настроений, а также позволяет статистически проверять эти различия.

Интуиция метода

Представьте, что вы хотите узнать, освещают ли газеты в трех разных странах изменение климата одинаково или с различными акцентами. Вы бы разработали схему кодирования, которая превращает наблюдаемые характеристики контента — какие источники цитируются, какие уклады появляются, сколько места уделяется — в числа. Затем вы бы применили ту же схему к выборкам из каждой страны и статистически сравнили полученные таблицы частот. В этом заключается основная логика: превратить контент в подсчеты, затем сравнить подсчеты между контекстами. Сравнительный аспект возвышает контент-анализ одного контекста до обобщаемого, контрастивного вывода.

История

Количественный контент-анализ был систематизирован Бернардом Берисоном в его основополагающем труде 1952 года, который установил определяющие характеристики метода: объективность, системность и квантификация. Гарольд Лассуэлл и его коллеги применяли его для анализа пропаганды во время войны в 1940-х годах, что дало методу раннюю институциональную легитимность. Сравнительное измерение развивалось по мере того, как исследователи коммуникаций начали проводить межстрановые исследования в 1980-х и 1990-х годах, особенно в области сравнительной журналистики и исследований медиасистем (например, Hallin and Mancini, 2004). Справочник Кимберли Нойендорф 2002 года стал стандартным методологическим справочником для прикладного контент-анализа, включая сравнительные дизайны.

Когда применять

Используйте сравнительный количественный контент-анализ, когда ваш исследовательский вопрос явно включает сравнение того, как контент различается между группами, источниками, странами или временными точками, и когда этот контент может быть представлен наблюдаемыми, кодируемыми признаками. Он подходит для больших и средних корпусов, где ручное кодирование осуществимо, или где автоматизированное кодирование (например, на основе словарей или обучение с учителем) может быть проверено на соответствие человеческим суждениям. Не используйте его, когда исследовательский вопрос касается скрытого смысла, нюансов риторики или интерпретационной глубины — для этих целей более подходит качественный анализ или критический дискурс-анализ. Избегайте его, когда контексты сравнения структурно настолько различны, что концептуальная эквивалентность кодов не может быть достигнута; навязывание единого кодификатора несоизмеримым контекстам приводит к вводящим в заблуждение сравнениям.

Ограничения и замечания

  • Ограничен явными, наблюдаемыми характеристиками контента; скрытый смысл, двусмысленность тона и контекстно-зависимая ирония плохо улавливаются схемами кодирования.
  • Концептуальная эквивалентность между языками и культурами труднодостижима и редко полностью проверяема.
  • Разработка кодификатора занимает много времени, а плохая операционализация подрывает все исследование, даже когда кодирование надежно.
  • Результаты описывают то, что появляется в корпусе контента, а не почему продюсеры сделали этот выбор или как аудитория интерпретирует контент.
  • Большие сравнительные корпуса требуют существенного обучения и надзора кодировщиков, что увеличивает потребность в ресурсах.

Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.

Сильные стороны

  • Производит прозрачные, воспроизводимые результаты, поскольку кодификатор, выборка и правила кодирования полностью документированы.
  • Поддерживает статистическую генерализацию от отобранного контента к определенному корпусу при строгом отборе.
  • Обеспечивает прямое статистическое тестирование различий между контекстами сравнения, а не импрессионистические утверждения.
  • Хорошо масштабируется: после разработки кодификатора его можно применять к очень большим корпусам, в том числе с помощью автоматизированного кодирования.
  • Особенно мощный для лонгитюдных сравнительных дизайнов, которые отслеживают изменения во времени в нескольких контекстах одновременно.
  • Проверки межкодировочной надежности обеспечивают встроенный механизм контроля качества, которого обычно не хватает качественным подходам.

Применение

  • Сравнение укладов иммиграции, изменения климата или терроризма в национальных новостных источниках.
  • Отслеживание различий в политической рекламе в разных избирательных системах или предвыборных периодах.
  • Анализ гендерного или меньшинственного представительства в развлекательных СМИ в разных странах или десятилетиях.
  • Сравнение дискурса в социальных сетях о кризисах общественного здравоохранения на разных платформах или языковых сообществах.
  • Изучение того, как политические документы по-разному освещают реформу образования в разных школьных системах.
  • Бенчмаркинг организационной коммуникации — сравнение отчетности о корпоративной социальной ответственности в разных отраслях или регионах.

Как это работает

Как это работает

1

Определите единицу анализа — дискретный элемент контента, который будет кодироваться (например, газетная статья, публикация в социальной сети, предложение или абзац) — и укажите измерение сравнения: какие страны, источники, временные точки или группы будут сравниваться. Эта постановка определяет, какие сравнения имеют смысл и какие смешивающие факторы должны контролироваться.

2

Разработайте кодификатор, который операционализирует каждую переменную интереса во взаимоисключающие, исчерпывающие категории. Каждая категория должна быть определена достаточно точно, чтобы два независимых кодировщика, читающие одну и ту же единицу, присвоили ей одинаковый код. Для сравнительного исследования кодификатор должен быть концептуально эквивалентным во всех контекстах — это может потребовать перевода и обратного перевода при работе с разными языками.

3

Составьте выборочную совокупность для каждого контекста сравнения и примените последовательную стратегию выборки (например, сконструированные недели, случайная выборка, полная перепись за определенный период), чтобы контент из каждого контекста был сопоставим по количеству и репрезентативности. Документируйте решения по выборке, чтобы исследование можно было воспроизвести.

4

Примените кодификатор к отобранному контенту, обычно используя как минимум двух независимых кодировщиков на каждый контекст. Каждый кодировщик работает с единицами и присваивает значения для каждой переменной. Кодировщики должны быть обучены работе с кодификатором и, по возможности, не знать о гипотезах исследования.

5

Рассчитайте межкодировочную надежность для каждой переменной с использованием соответствующих статистических показателей — каппы Коэна (κ) или альфы Криппендорфа (α) для категориальных переменных, коэффициента внутриклассовой корреляции (ICC) для переменных интервального уровня. Допустимые пороги варьируются в зависимости от типа переменной, но κ или α ≥ 0,70 широко цитируемый минимум. Переменные, не прошедшие проверку надежности, должны быть пересмотрены или исключены до анализа.

6

Агрегируйте закодированные данные по контекстам сравнения и проведите инференциальную статистику для проверки различий: хи-квадрат тесты или лог-линейные модели для категориальных переменных, t-тесты или ANOVA для непрерывных мер и статистику размера эффекта для передачи практической значимости. Отчитывайтесь о результатах отдельно по каждому контексту перед проведением межконтекстных сравнений, чтобы сохранить прозрачность.

Частые ошибки

  • Рассмотрение межкодировочной надежности как финального этапа, а не итеративного процесса — надежность следует проверять во время обучения кодировщиков и пересмотра кодификатора, а не только после завершения всего кодирования.
  • Использование контекстов сравнения, которые структурно несравнимы — если медиасистемы, правовая среда или жанровые конвенции настолько различны, что один и тот же код означает разные вещи, числовые сравнения вводят в заблуждение.
  • Перегрузка кодификатора — добавление переменных, выходящих за рамки требуемых исследовательскими вопросами, увеличивает нагрузку на кодировщиков, снижает надежность и редко добавляет интерпретационную ценность.
  • Смешение надежного кода с валидной мерой — два кодировщика, последовательно присваивающие один и тот же код, не гарантируют, что код отражает то, что намеревался исследователь; валидность должна быть обоснована теоретически.
  • Игнорирование размеров эффекта — статистически значимые различия в больших корпусах могут быть тривиально малыми в содержательном плане; всегда сообщайте статистику размера эффекта наряду с p-значениями.

Часто задаваемые вопросы

Чем сравнительный количественный контент-анализ отличается от стандартного количественного контент-анализа?

Стандартный количественный контент-анализ описывает контент в рамках одного, определенного корпуса. Сравнительный вариант специально разработан для сопоставления двух или более контекстов — стран, периодов времени, источников или групп — с использованием кодификатора, который целенаправленно разработан для концептуальной эквивалентности между этими контекстами. Добавление измерения сравнения требует дополнительных этапов проектирования, связанных с эквивалентностью, паритетом выборки и соответствующей инференциальной статистикой для межгрупповых контрастов.

Какой порог межкодировочной надежности следует сообщать?

Наиболее широко цитируемый минимум для альфы Криппендорфа (α) или каппы Коэна (κ) составляет 0,70 для категориальных переменных, причем 0,80 или выше предпочтительнее для основных переменных. Для переменных интервального уровня более подходящими являются коэффициенты внутриклассовой корреляции (ICC). Надежность следует рассчитывать для каждой переменной, а не как единый общий показатель; слабые переменные должны быть пересмотрены или исключены до начала анализа.

Могу ли я использовать автоматизированное кодирование для сравнительного контент-анализа?

Да, но с осторожностью. Методы на основе словарей (например, LIWC, VADER) или классификаторы машинного обучения с учителем могут обрабатывать большие корпуса, но они должны быть проверены на соответствие человеческому кодированию для каждого языка и контекста сравнения. Нельзя предполагать, что классификатор, обученный на данных на английском языке, будет надежно переноситься на французский или арабский контент. Проверяйте отдельно для каждого контекста и сообщайте статистику валидации вместе с вашими результатами.

Насколько велика моя выборка?

Универсального минимума нет, но каждая ячейка сравнения должна содержать достаточно единиц для обнаружения ожидаемых размеров эффекта с достаточной мощностью. Практической отправной точкой для межгрупповых хи-квадрат тестов является минимум 30–50 закодированных единиц на ячейку, причем большее количество требуется, если ожидаемые частоты для некоторых категорий малы. Программное обеспечение для анализа мощности (например, G*Power) может помочь в планировании размера выборки после того, как вы оцените размеры эффекта из предыдущей литературы.

Что делать, если в моих контекстах сравнения используются разные языки?

Инструкции к кодификатору должны быть переведены и обратно переведены для каждого языка, и для каждого контекста должны использоваться кодировщики — носители языка. Проверьте концептуальную эквивалентность, пилотируя кодификатор на небольшой подвыборке контента из каждого контекста перед началом полного кодирования. Там, где переменная не может быть эквивалентной между языками — например, маркер грамматического уклада, который существует в одном языке, но не в другом — рассмотрите возможность его исключения из межконтекстного сравнения или ограничения сравнений контекстами, где эквивалентность сохраняется.

Похожие методы

Источники

  1. Berelson, B. (1952). Content Analysis in Communication Research. Free Press.

    Открыть ссылку на публикацию
    Скопировано.
  2. Neuendorf, K. A. (2002). The Content Analysis Guidebook. Sage.

    ISBN: 978-0761919773
    Скопировано.