Skip to content
Назад к результатам поиска

Лонгитюдный контент-анализ — Отслеживание смысла во времени

Автор метода
Developed within the content analysis tradition; longitudinal extensions widely applied since the mid-20th century in communication and political science research
Год
Mid-20th century onward; systematized alongside content analysis (Berelson, 1952; Krippendorff, 1980)
Тип
Qualitative and mixed-methods research design
Семейство
Qualitative design and analysis

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

Размер шрифта

Что он делает?

Лонгитюдный контент-анализ (LCA) применяет систематический контент-анализ к документам, медиа или текстам, отобранным в двух или более временных точках, чтобы выявить, как темы, фреймы, язык или паттерны дискурса изменяются или сохраняются со временем.

Опираясь на устоявшуюся логику контент-анализа, он добавляет временное измерение, которое позволяет исследователям отслеживать тенденции, прослеживать эволюцию репрезентаций и проверять гипотезы об исторических или социальных изменениях. Он широко используется в коммуникационных исследованиях, политологии, медиаисследованиях и здравоохранении.

Интуиция метода

Представьте, что вы хотите узнать, стала ли газетная подача информации об изменении климата более тревожной или более ориентированной на решения в период с 2000 по 2020 год. Одиночный контент-анализ дает вам снимок; лонгитюдный контент-анализ дает вам кинопленку. Вы применяете одну и ту же схему кодирования к выборкам, сделанным через регулярные промежутки времени — скажем, каждые два или пять лет — а затем сравниваете полученные частоты или темы во времени. Метод является строгим, поскольку правила кодирования остаются постоянными, поэтому различия между периодами отражают реальные изменения в документах, а не сдвиги в том, как кодеры их интерпретируют.

История

Контент-анализ как формальный метод был кодифицирован Бернардом Берисоном в его справочнике 1952 года и расширен Гарольдом Лассуэллом и его коллегами в исследованиях политической коммуникации. Лонгитюдное применение — повторные контент-анализы одного и того же канала коммуникации во времени — развивалось естественным образом, поскольку исследователи стремились отслеживать, как медиаподача политических вопросов, социальных групп и событий развивалась на протяжении десятилетий. Основополагающий текст Клауса Криппендорфа, впервые опубликованный в 1980 году и теперь в четвертом издании, обеспечивает методологическую основу как для кросс-секционных, так и для лонгитюдных дизайнов. К 1990-м и 2000-м годам лонгитюдный контент-анализ стал стандартной практикой в исследованиях постановки повестки дня и медиафрейминга.

Когда применять

Используйте лонгитюдный контент-анализ, когда основной исследовательский вопрос касается изменений или преемственности в том, как тема, проблема или группа представлены в документах или медиа с течением времени. Он подходит для изучения тенденций медиафрейминга, эволюции политического дискурса, культурных сдвигов в текстах или исторических изменений в общественной коммуникации. Метод требует корпуса сопоставимых документов, доступных в течение как минимум двух различных временных точек, и стабильной схемы кодирования, применимой ко всем периодам. Не используйте его, когда документы из разных периодов не являются подлинно сопоставимыми (например, разные жанры или форматы), когда доступна только одна временная точка, или когда интересующее явление находится в опыте участников, а не в документах — в этих случаях более подходящим является стандартный контент-анализ или лонгитюдный дизайн качественного интервью.

Ограничения и замечания

  • Требует доступа к сопоставимым корпусам документов для всех целевых временных периодов; отсутствующие или неполные архивы могут подорвать временной охват.
  • Схема кодирования должна быть определена до сбора данных; если явление развивается в непредвиденных направлениях, заранее заданные категории могут упустить новые темы.
  • Надежность между кодерами должна поддерживаться для каждой временной точки, увеличивая нагрузку по обучению и координации, когда исследования охватывают много периодов.
  • Результаты описывают документы, а не аудитории или намерения; выводы о том, как контент был воспринят или произведен, требуют дополнительных доказательств.
  • Длительные временные горизонты увеличивают риск дрейфа кодера — постепенных, незамеченных сдвигов в том, как кодеры применяют категории — что может имитировать реальные изменения.

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

Сильные стороны

  • Непосредственно отвечает на временные вопросы об изменениях, тенденциях и сохранении, на которые не может ответить кросс-секционный анализ.
  • Систематические правила кодирования, остающиеся постоянными для всех временных точек, обеспечивают сопоставимость и прозрачность.
  • Масштабируемость: может применяться к большим архивам документов с обученными кодерами или, все чаще, с помощью вычислительного текстового анализа.
  • Совместимость как с качественной интерпретацией, так и с количественным тестированием тенденций в рамках одного исследования.
  • Хорошо подходит для архивных и вторичных данных, снижая этическую и логистическую нагрузку по сбору первичных данных.

Применение

  • Отслеживание сдвигов в медиафрейминге новостей об иммиграции, изменении климата или кризисах в области общественного здравоохранения на протяжении лет или десятилетий.
  • Анализ того, как политические партии в своих манифестах или политических документах изменяют язык и приоритеты в течение электоральных циклов.
  • Мониторинг изменений в изображении гендера, расы или инвалидности в рекламе, кино или учебниках с течением времени.
  • Изучение эволюции стратегий научной или общественной коммуникации в ответ на новые данные.
  • Документирование долгосрочных изменений в отчетности об устойчивом развитии компаний или дискурсе в годовых отчетах.
  • Изучение того, как дискурс в социальных сетях вокруг социального движения развивается от зарождения до институционализации.

Как это работает

Как это работает

1

Исследователь формулирует исследовательский вопрос об изменении или стабильности во времени, выбирает схему кодирования (категории, темы или фреймы для измерения) и определяет временные периоды для сравнения. Схема кодирования должна быть определена до начала сбора данных и оставаться постоянной для всех временных точек, чтобы обеспечить сопоставимость.

2

Корпус документов собирается для каждой временной точки с использованием последовательной стратегии выборки — такой как случайная выборка первых полос газет, сообщений в социальных сетях или политических документов — чтобы различия между периодами не были артефактами неравномерной выборки. Единица анализа (статья, абзац, изображение и т. д.) фиксируется для всех периодов.

3

Обученные кодеры независимо применяют схему кодирования к корпусу каждого временного периода, записывая наличие, частоту или интенсивность каждой категории. Надежность между кодерами рассчитывается для каждой временной точки с использованием каппы Коэна или альфы Криппендорфа, чтобы подтвердить, что кодирование является последовательным и воспроизводимым в рамках исследования.

4

Закодированные данные из каждого временного периода агрегируются и сравниваются — обычно посредством подсчета частот, пропорций или совместной встречаемости категорий — для выявления увеличения, уменьшения или стабильных паттернов во временной шкале. Там, где дизайн достаточно масштабен, статистические тесты тенденций (например, хи-квадрат для тенденции, регрессия по времени) могут дополнить описательное сравнение.

5

Аналитик интерпретирует наблюдаемые изменения или стабильность в свете исторического контекста, теоретических рамок и предыдущей литературы. Рассматриваются альтернативные объяснения — такие как изменения в объеме публикаций, дрейф кодера или сдвиги в доступности документов — и, где это возможно, исключаются перед тем, как делать выводы о подлинной тенденции.

Частые ошибки

  • Изменение схемы кодирования в середине исследования — пересмотр определений категорий между временными точками — разрушает сопоставимость и делает сравнение тенденций недействительным; финализируйте и протестируйте схему перед любым сбором данных.
  • Пренебрежение дрейфом кодера — без периодических сеансов перекалибровки и проверок надежности в каждой временной точке кодеры могут постепенно применять категории по-разному, создавая ложные тенденции.
  • Неравномерная или несопоставимая выборка между периодами — если объем, жанр или источник документов систематически меняются между периодами, наблюдаемые тенденции могут отражать артефакты выборки, а не реальные изменения контента.
  • Рассмотрение тенденций в документах как тенденций аудитории или общества без обоснованного вывода — метод показывает, что изменилось в текстах, но не обязательно, что изменилось в умах или обществе.

Часто задаваемые вопросы

Сколько временных точек мне нужно для лонгитюдного контент-анализа?

Минимум две временные точки необходимы для любого лонгитюдного сравнения, но две точки могут показать только изменение по сравнению со стабильностью и не могут выявить тенденции или траектории. Три или более временных точек позволяют анализировать тенденции и обычно рекомендуются. Для богатого моделирования тенденций желательны пять или более периодов выборки. Соответствующее количество зависит от исследовательского вопроса: для исследования политики «до и после» может потребоваться всего две точки, в то время как для исследования фрейминга, охватывающего десятилетия, полезны ежегодные или пятилетние интервалы.

Могу ли я использовать одну и ту же схему кодирования для документов из очень разных эпох?

Это центральная проблема валидности лонгитюдного контент-анализа. Категории должны быть определены достаточно точно, чтобы последовательно применяться в разных периодах, но не настолько узко, чтобы упустить специфическое для периода выражение одной и той же основной концепции. Пилотное кодирование документов из каждой эпохи перед финализацией схемы — и документирование любых решений по границам — является существенным. Если явление изменилось настолько фундаментально, что одни и те же названия категорий означают разные вещи в разные периоды, дизайн может потребовать пересмотра или дополнения качественной интерпретацией контекста каждого периода.

Чем это отличается от простого проведения нескольких отдельных контент-анализов?

Ключевое отличие — интеграция и дизайн. Лонгитюдный контент-анализ изначально планирует временное сравнение: он использует общий протокол выборки, фиксированную схему кодирования и проверки надежности в каждой временной точке специально для того, чтобы сравнения между периодами были действительными. Несколько отдельных контент-анализов, проведенных независимо — с разными кодерами, разными определениями категорий или разными правилами выборки — не могут поддержать действительные выводы о тенденциях, даже если они случайно охватывают одну и ту же тему.

Могут ли вычислительные методы, такие как NLP или тематическое моделирование, заменить ручное кодирование в LCA?

Вычислительный текстовый анализ может дополнить или, для очень больших корпусов, заменить ручное кодирование на этапах определения частоты и паттернов. Инструменты, такие как структурные тематические модели, могут отслеживать, как меняется распространенность тем с течением времени. Однако вычислительные подходы требуют собственных проверок валидности — модель должна быть валидирована на основе человеческого суждения, а метки тем должны интерпретироваться исследователем. Для исследований, где важны точные определения категорий и тонкие стандарты надежности, ручное кодирование с вычислительной помощью часто является наиболее надежным подходом.

Как мне справиться с изменениями в самом медиаландшафте — например, появлением новых источников между временными точками?

Изменения в медиасреде представляют собой серьезную угрозу сопоставимости и должны быть явно учтены в дизайне исследования. Варианты включают ограничение корпуса источниками, которые существовали на протяжении всего периода исследования (с компромиссом потенциально нерепрезентативного охвата в более поздние периоды), стратификацию выборки по типу источника и представление пропорциональных, а не абсолютных частот, или рассмотрение структурных изменений как модерирующих переменных. Любые принятые решения должны быть прозрачно сообщены, чтобы читатели могли оценить, отражают ли наблюдаемые тенденции изменения контента или изменения канала.

Похожие методы

Источники

  1. Krippendorff, K. (2018). Content Analysis: An Introduction to Its Methodology (4th ed.). Sage.

    ISBN: 978-1506395661
    Скопировано.
  2. Neuendorf, K. A. (2017). The Content Analysis Guidebook (2nd ed.). Sage.

    ISBN: 978-1412979474
    Скопировано.