Лонгитюдный количественный контент-анализ
- Автор метода
- Developed within communication and media studies; codified by Berelson (1952) and extended by Riffe, Lacy, Fico
- Год
- 1950s onward; longitudinal application widely adopted in media research by the 1970s–1980s
- 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?
Лонгитюдный количественный контент-анализ систематически кодирует и подсчитывает характеристики текстов, изображений или медиасообщений, собранных в два или более момента времени, что позволяет исследователям отслеживать изменения контента, рост или падение распространенности тем, а также реакцию медиа или институциональных сообщений на внешние события.
Дизайн объединяет логику структурированного измерения количественного контент-анализа с возможностью отслеживания во времени, присущей лонгитюдным наблюдениям.
Интуиция метода
Представьте себе новостной архив, охватывающий 20 лет освещения климатической тематики. Единоразовый контент-анализ покажет, как выглядело освещение климата в один конкретный момент. Лонгитюдный дизайн позволяет подсчитывать объем освещения, выбор фрейминга и типы источников год за годом — выявляя, увеличился ли фрейминг тревоги после крупных климатических событий или сузилось ли разнообразие источников с течением времени. Ключевой вывод заключается в том, что контент не существует в один момент; сообщения накапливаются и меняются, и только повторное измерение может задокументировать эту динамику. Лонгитюдный количественный контент-анализ — это инструмент, который делает временные изменения в символическом контенте видимыми и измеримыми.
История
Количественный контент-анализ был установлен как формальный метод социальных наук Бернардом Берисоном в его монографии 1952 года «Content Analysis in Communication Research». Его применение во времени — отслеживание изменений в медиасообщениях — было быстро принято в коммуникационных исследованиях в 1970-х и 1980-х годах для изучения установления повестки дня в СМИ, фрейминга и пропаганды. Работы Риффе, Лэйси и Фико «Analyzing Media Messages» (первое издание 1998 г., четвертое издание 2019 г.) и Нойендорф «Content Analysis Guidebook» (2002 г., второе издание 2017 г.) формализовали стандарты выборки и надежности, которые лежат в основе современных лонгитюдных дизайнов.
Когда применять
Используйте лонгитюдный количественный контент-анализ, когда исследовательский вопрос касается того, как контент или фрейминг сообщений меняются со временем — например, как освещение социальной проблемы в новостях развивалось до и после принятия законодательства, как изменилась реклама после кампании общественного здравоохранения или как организационная коммуникация менялась в течение экономических циклов. Он подходит, когда доступен архив датированного контента для нескольких временных точек, когда переменные могут быть операционализированы как подсчитываемые коды, и когда цель состоит в обобщаемом описании тенденций, а не в глубоком интерпретативном анализе отдельных текстов. Не используйте его, когда доступна только одна временная точка контента (вместо этого используйте стандартный количественный контент-анализ), когда исследовательский вопрос требует понимания интерпретации аудиторией, а не характеристик сообщения (используйте анализ рецепции или методы опроса), или когда количество кодируемых единиц на волну настолько мало, что статистический анализ трендов бессмыслен.
Ограничения и замечания
- Требует доступа к архивированному или исторически сохраненному контенту во всех соответствующих временных точках — пробелы в архивах подрывают сопоставимость.
- Кодирование ограничено явными (наблюдаемыми) характеристиками контента; латентный смысл и интерпретация аудиторией находятся за пределами сферы применения метода.
- Дрейф кодировщика в течение длительного периода исследования может привести к ошибкам измерения, имитирующим реальные изменения контента.
- Ресурсоемкий, когда временные интервалы длительны, а корпуса велики, требуя обширного обучения кодировщиков и мониторинга надежности между волнами.
Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.
Сильные стороны
- Напрямую измеряет изменения в символическом контенте во времени, что не могут установить кросс-секционные дизайны.
- Производит количественные, воспроизводимые данные, которые могут быть сопоставлены между исследованиями с использованием одной и той же кодировочной книги.
- Подходит для больших корпусов — годовых объемов новостных материалов, десятилетий политических документов или миллионов сообщений в социальных сетях — с использованием систематической выборки.
- Нереактивный: контент уже произведен, поэтому процесс измерения не может изменить поведение участников.
- Позволяет выявлять циклы повестки дня, сдвиги во фрейминге и влияние внешних событий на институциональные сообщения.
Применение
- Отслеживание фрейминга изменения климата в газетных материалах на протяжении нескольких десятилетий для выявления сдвигов в повестке дня, связанных с политическими циклами.
- Анализ того, как изменились рекламные заявления фармацевтических компаний в медицинских журналах после регуляторных вмешательств.
- Измерение представленности гендерных или расовых меньшинств в телевизионных программах прайм-тайм в течение последовательных сезонов вещания.
- Документирование изменений в риторике и сообщениях политических партий в течение избирательных циклов с использованием партийных манифестов.
- Мониторинг изменений в коммуникации о рисках для здоровья в социальных сетях до, во время и после чрезвычайной ситуации в области общественного здравоохранения.
- Оценка того, как изменилась корпоративная отчетность об устойчивом развитии в годовых отчетах за период растущего давления со стороны инвесторов, ориентированных на ESG.
Как это работает
Как это работает
Исследователь определяет интересующий феномен (например, медиафрейминг, рекламные заявления, риторику политики), вселенную контента (например, статьи на первой полосе газет, телевизионные трансляции в прайм-тайм, сообщения в социальных сетях) и временной интервал для охвата. Четкие границы совокупности сообщений и временное окно предотвращают разрастание масштаба и направляют решения по выборке.
Поскольку исчерпывающее кодирование всего контента во всех временных точках обычно непрактично, стратегия выборки выбирает репрезентативные временные окна — обычно построенные недели, квартальные выборки или сплошное кодирование в ключевые даты событий. Каждая выборка временной точки должна быть сделана одинаково, чтобы обеспечить сопоставимость между волнами.
Создается кодировочная книга (codebook), которая определяет каждую измеряемую переменную, включая единицу анализа (статья, сообщение, реклама), категориальные коды и правила принятия решений. Кодировочная книга должна оставаться идентичной во всех временных точках, чтобы изменения в подсчетах отражали изменения в контенте, а не изменения в измерении.
Обученные кодировщики применяют кодировочную книгу к отобранному контенту в каждой временной точке. Кодировщики по возможности не осведомлены о идентичности волны, чтобы предотвратить смещение, связанное с временными ожиданиями. Каждая единица анализа кодируется независимо, что приводит к созданию набора данных с частотами и категориальными распределениями для каждой временной волны.
Надежность между кодировщиками (intercoder reliability) рассчитывается — обычно с использованием каппы Коэна (Cohen's kappa) или альфы Криппендорфа (Krippendorff's alpha) — для каждой волны и сообщается отдельно. Проверка надежности, проведенная только на этапе обучения, но не на всех волнах, рискует упустить дрейф кодировщика в течение периода исследования. Общепринятый порог обычно составляет каппу или альфу выше 0.80.
Агрегированные данные частот по волнам анализируются с использованием описательной статистики, критериев хи-квадрат для независимости во времени, анализа трендов или регрессии временных рядов для выявления значительных изменений, циклов или траекторий в контенте. Результаты интерпретируются в свете контекстуальных событий, происходящих между волнами.
Частые ошибки
- Изменение кодировочной книги между волнами — даже небольшие изменения в определениях категорий — делает недействительными сравнения между волнами, смешивая изменения измерения с реальными изменениями контента.
- Непоследовательная выборка временных точек — например, кодирование пиковых периодов новостей в одной волне и обычных периодов в другой — систематически искажает оценки трендов.
- Игнорирование надежности между волнами — проверка надежности между кодировщиками только в начале позволяет незамеченным остаться постепенному дрейфу кодировщика, раздувая кажущиеся тренды.
- Чрезмерная интерпретация статистических трендов без контекстуального обоснования — значительное увеличение темы становится осмысленным только при связи с известными событиями, изменениями политики или внешними факторами, происходящими между волнами.
Часто задаваемые вопросы
Сколько временных точек мне нужно для лонгитюдного контент-анализа?
Минимум две временные точки необходимы для установления каких-либо изменений, но две точки показывают только разницу до и после и не могут установить тренд. Три или более волны позволяют проводить анализ трендов; исследования, изучающие долгосрочные закономерности, обычно используют годовые выборки на протяжении десятилетия или более. Количество волн должно соответствовать исследовательскому вопросу — если вы хотите выявить эффект конкретного события, двух тщательно выбранных точек (до и после) может быть достаточно.
Какая статистика надежности лучше всего подходит для этого дизайна?
Предпочтительнее альфа Криппендорфа, поскольку она учитывает различные уровни измерения (номинальный, порядковый, интервальный) и подходит для более чем двух кодировщиков. Каппа Коэна широко используется для номинального кодирования двумя кодировщиками. Обе должны превышать 0.80 как общепринятый порог. Критически важно, чтобы надежность рассчитывалась и сообщалась для каждой волны кодирования, а не только на начальном этапе обучения.
Могу ли я добавить новые категории кодирования в более поздней волне, если замечу появление новых явлений?
Только если новые категории добавляются как дополнительные переменные, которые не изменяют исходную схему кодирования. Изменение или переопределение существующих категорий ретроактивно требует повторного кодирования всех предыдущих волн с пересмотренной схемой, прежде чем сравнения будут действительны. Невыполнение этого требования приводит к тому, что называется неэквивалентностью измерения между волнами.
Чем это отличается от анализа временных рядов?
Лонгитюдный количественный контент-анализ производит данные — подсчеты и частоты закодированных характеристик контента в каждой временной точке. Анализ временных рядов — это статистический метод, применяемый к этим данным для моделирования трендов, циклов и внешних шоков. Эти два метода дополняют друг друга: контент-анализ генерирует наблюдения; статистика временных рядов моделирует закономерности в этих наблюдениях.
Считается ли лонгитюдный контент-анализ экспериментальным или наблюдательным?
Он строго наблюдательный. Исследователь не манипулирует контентом и не назначает условия — контент был произведен независимо от исследования. Следовательно, результаты могут установить, что контент изменился со временем (описательный тренд), но сами по себе не могут доказать, что конкретный внешний фактор вызвал это изменение. Причинно-следственные утверждения требуют дополнительных доказательств из экспериментальных или квазиэкспериментальных дизайнов.
Похожие методы
Источники
Riffe, D., Lacy, S., Watson, B., & Fico, F. (2019). Analyzing Media Messages: Using Quantitative Content Analysis in Research (4th ed.). Routledge.
ISBN: 9781138490536Скопировано.Neuendorf, K. A. (2017). The Content Analysis Guidebook (2nd ed.). Sage.
ISBN: 9781412979474Скопировано.