Количественный кросс-секционный контент-анализ
- Автор метода
- Berelson, B.; Krippendorff, K.; Neuendorf, K. A.
- Год
- Mid-20th century (formalized 1952–2000s)
- Тип
- Quantitative observational research design
- Семейство
- Survey / observational design
Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском
Что он делает?
Количественный кросс-секционный контент-анализ — это наблюдательный дизайн исследования, в котором систематически отобранная выборка коммуникативного контента — новостные статьи, сообщения в социальных сетях, рекламные объявления или другие символические материалы — собирается в единый момент времени и кодируется с использованием заранее определенных числовых категорий для описания или проверки гипотез о закономерностях, частотах или ассоциациях в этом контенте.
Интуиция метода
Представьте, что вы хотите узнать, как женщины представлены в телевизионной рекламе в прайм-тайм в течение одного телевизионного сезона. Вы бы записали репрезентативную выборку рекламных роликов этого сезона, создали схему кодирования с числовыми категориями (например, тип роли, категория продукта, время речи), обучили кодировщиков систематически применять эти категории, а затем провели описательную статистику или корреляционные тесты на закодированных данных. Поскольку весь контент взят из одного временного окна, это кросс-секционный снимок — а не сравнение до и после или исследование тенденций. Сильные стороны — эффективность и воспроизводимость; ограничение заключается в том, что причинно-следственные связи и изменения во времени не могут быть установлены.
История
Количественный контент-анализ был систематизирован в социальных науках Бернардом Берисоном, чья монография «Content Analysis in Communication Research» 1952 года предоставила первую всеобъемлющую методологическую основу. Книга Клауса Криппендорфа 1980 года (пересмотренная в 2004 году) установила статистику надежности, используемую до сих пор, в первую очередь альфа Криппендорфа. Руководство Кимберли Нойендорф 2002 года стало стандартным учебным пособием, интегрировавшим теорию выборки, конструирование кодекса и статистический анализ. Кросс-секционный вариант — выборка контента из ограниченного временного окна вместо отслеживания изменений во времени — доминировал в исследованиях СМИ, политической коммуникации и коммуникации в области здравоохранения на протяжении десятилетий.
Когда применять
Используйте количественный кросс-секционный контент-анализ, когда вам необходимо систематическое, воспроизводимое, числовое описание того, что содержится в определенном объеме контента в конкретный момент времени — например, для картирования новостных фреймов во время определенного события, для аудита представленности в текущем медиакорпусе или для проверки того, отличаются ли два типа контента в использовании определенных признаков. Он подходит, когда исследовательский вопрос является описательным или реляционным (что присутствует? как часто? связана ли X с Y?) и когда корпус контента ограничен и доступен. Не используйте его, когда цель исследования — отследить, как контент менялся со временем (вместо этого используйте лонгитюдный контент-анализ), понять, почему коммуникаторы производят определенный контент (это требует интервью или экспериментов), или когда объем контента настолько велик и неструктурирован, что систематическая выборка и кодирование невозможны без дополнительных вычислительных методов.
Ограничения и замечания
- Невозможно установить причинно-следственные связи или направление влияния между признаками контента и эффектами аудитории.
- Кросс-секционный снимок не может выявить, изменились ли закономерности со временем; исторические выводы требуют лонгитюдных дизайнов.
- Результаты сильно зависят от качества кодекса: плохо определенные категории приводят к ненадежным или недействительным кодам независимо от усилий кодировщика.
- Проще надежно кодировать явный контент (видимые признаки), чем скрытый контент (скрытый смысл), что создает напряжение между надежностью и глубиной интерпретации.
- Невероятностная выборка удобных корпусов (например, одно новостное издание) ограничивает внешнюю обобщаемость.
Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.
Сильные стороны
- Систематическая воспроизводимость: кодекс и рамки выборки позволяют независимую репликацию и проверку.
- Эффективность для больших корпусов: обученные кодировщики могут обрабатывать сотни или тысячи единиц контента в рамках одного исследования.
- Не реактивность: контент уже существует, поэтому процесс измерения не влияет на то, что было изначально произведено.
- Предоставляет количественные доказательства закономерностей и ассоциаций, которые могут быть статистически проверены и сравнены между исследованиями.
- Гибкость в отношении типов носителей: применим к текстовому, графическому, видео-, аудио- и смешанному контенту.
Применение
- Аудит представленности мужчин и женщин, а также расовых групп в телевизионной рекламе в прайм-тайм в течение определенного телевизионного сезона.
- Картирование того, как газеты с различными политическими ориентациями освещали крупное политическое событие в неделю его возникновения.
- Анализ распространенности ложных утверждений о здоровье в сообщениях социальных сетей, собранных во время кризиса общественного здравоохранения.
- Измерение частоты и типа языка риска в корпусе рекламных объявлений фармацевтических препаратов, опубликованных в течение одного года.
- Сравнение разнообразия источников между национальными и местными новостными сайтами, отобранными в течение одного двухнедельного периода.
- Кодирование наличия визуальных стереотипов в выборке каталогов стоковых фотографий, доступ к которым был получен в единый момент времени.
Как это работает
Как это работает
Исследователь точно определяет совокупность контента для изучения — носитель, тема, временное окно и любые критерии включения или исключения. Четкое определение генеральной совокупности необходимо для воспроизводимости и для обоснования репрезентативности полученной выборки.
Из совокупности извлекается вероятностная или целенаправленная выборка единиц контента с использованием обоснованной стратегии выборки (случайная, систематическая, стратифицированная или сконструированная неделя). Поскольку весь контент поступает из одного и того же назначенного временного периода, дизайн является кросс-секционным: нет измерения во второй или последующие моменты времени для сравнения.
Составляется формальный кодекс, определяющий каждую переменную для кодирования, ее операциональное определение, ее исчерпывающие и взаимоисключающие категории ответов, а также правила принятия решений для неоднозначных случаев. Пилотное тестирование кодекса на небольшой подвыборке контента перед основным кодированием является стандартной практикой.
Два или более кодировщика обучаются по кодексу и кодируют идентичную выборку для оценки надежности (обычно 10–20% корпуса). Надежность между кодировщиками рассчитывается с использованием альфа Криппендорфа или каппы Коэна; приемлемые пороги обычно составляют альфа >= 0,80 или каппа >= 0,70 перед продолжением.
Кодировщики независимо применяют доработанный кодекс к полной выборке. Каждая единица контента получает числовое значение для каждой переменной. Любые оставшиеся расхождения разрешаются по правилу принятия решений (например, голосование большинством или решение третьего кодировщика) и документируются.
Закодированные данные вводятся в среду статистического программного обеспечения. Анализ обычно включает распределения частот и процентные соотношения для описательных переменных, тесты хи-квадрат или V Крамера для ассоциаций между категориальными переменными, а также корреляцию или регрессию, если доступны порядковые или интервальные коды. Результаты представляются со статистикой надежности наряду с основными выводами.
Частые ошибки
- Недостаточная надежность между кодировщиками: начало полного кодирования до достижения приемлемой надежности приводит к недействительным данным; всегда проводите формальную проверку надежности и сообщайте о ней.
- Смешение временного окна: маркировка исследования как «кросс-секционного» при смешивании контента из нескольких различных периодов создает неопределенную временную рамку — точно укажите единое временное окно.
- Тонкие операциональные определения: расплывчатые категории кодекса допускают дрейф кодировщика; каждая категория должна включать примеры, не-примеры и правила принятия решений для пограничных случаев.
- Преувеличенные причинные утверждения: кросс-секционное исследование контента может описывать ассоциации (например, политический тон совпадает с определенными типами источников), но не может утверждать, что одна характеристика вызывает другую.
- Игнорирование дизайна выборки при анализе: если использовалась стратифицированная выборка или выборка сконструированной недели, веса выборки или ее структура должны учитываться при статистическом анализе.
Часто задаваемые вопросы
Что делает этот дизайн «кросс-секционным», а не просто «контент-анализом»?
Метка «кросс-секционный» указывает на то, что все единицы контента поступают из единого, ограниченного временного окна и что повторные измерения не проводятся. Это отличает его от лонгитюдного контент-анализа, где отбирается один и тот же или сопоставимый контент в несколько моментов времени для изучения изменений. Кросс-секционная рамка важна для определения масштаба исследовательского вопроса и интерпретации того, что результаты могут и не могут утверждать о временных тенденциях.
Как решить, сколько контента нужно выбрать?
Размер выборки в контент-анализе зависит от количества анализируемых категорий контента, ожидаемых частот ячеек в перекрестных таблицах и точности, необходимой для статистических тестов. Общее практическое правило — не менее 200–300 единиц контента для базового описательного анализа и анализа хи-квадрат; анализ мощности может помочь при более сложных дизайнах. Метод сконструированной недели (случайный выбор дней из каждого дня недели в течение периода исследования) является общепринятой стратегией для обеспечения баланса между репрезентативностью и осуществимостью.
Какой коэффициент надежности следует сообщать?
Альфа Криппендорфа является предпочтительным коэффициентом для большинства работ по контент-анализу, поскольку он корректирует случайное согласие и применяется к любому уровню измерения (номинальный, порядковый, интервальный, относительный). Каппа Коэна приемлема для номинальных данных с двумя кодировщиками. Простое процентное согласие недостаточно, поскольку оно не корректирует случайность. Сообщайте статистику надежности, размер выборки для оценки надежности и количество кодировщиков для каждой закодированной переменной.
Можно ли комбинировать количественный кросс-секционный контент-анализ с другими методами?
Да. Количественный кросс-секционный контент-анализ часто комбинируется с опросами (для сравнения закономерностей контента с восприятием аудитории) или экспериментами (для проверки того, как определенные признаки контента влияют на реакции). В рамках проекта смешанных методов контент-анализ предоставляет описательную карту существующих сообщений, в то время как дополнительный метод касается восприятия или эффектов.
Какие статистические тесты подходят для данных контент-анализа?
Для категориальных кодов тесты независимости хи-квадрат и V Крамера измеряют ассоциации. Для сравнения пропорций между группами подходят z-тесты или логистическая регрессия. Порядковые коды поддерживают корреляции Спирмена или порядковую регрессию. Если коды рассматриваются как интервальные, могут использоваться корреляция Пирсона и регрессия OLS, хотя это требует тщательного обоснования. Всегда проверяйте предположения (ожидаемые размеры ячеек для хи-квадрат, распределение для регрессии) перед проведением тестов.
Похожие методы
Источники
Neuendorf, K. A. (2002). The Content Analysis Guidebook. Sage Publications.
ISBN: 978-0761919773Скопировано.Krippendorff, K. (2004). Content Analysis: An Introduction to Its Methodology (2nd ed.). Sage Publications.
ISBN: 978-0761915454Скопировано.