Skip to content
Назад к результатам поиска

Количественный контент-анализ

Автор метода
Bernard Berelson; later systematised by Klaus Krippendorff
Год
1950s (Berelson 1952; Krippendorff 1980/2004)
Тип
Quantitative observational research method
Семейство
Survey / observational design

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

Размер шрифта

Что он делает?

Количественный контент-анализ — это систематический, воспроизводимый метод преобразования явного содержания текста, изображений или других записанных сообщений в числовые данные.

Применяя заранее определенную книгу кодов к заданному корпусу и подсчитывая или масштабируя полученные категории, исследователи получают распределения частот, пропорции и взаимосвязи, которые могут быть подвергнуты стандартным статистическим тестам. Это доминирующий метод для крупномасштабного, объективного анализа средств массовой информации, документов, сообщений в социальных сетях, политических текстов и аналогичных материалов.

Интуиция метода

Представьте, что вы хотите узнать, как часто новостные издания представляют изменение климата как экономическую угрозу по сравнению с риском для здоровья в течение пяти лет освещения. Субъективное чтение тысяч статей было бы медленным и непоследовательным. Количественный контент-анализ решает эту проблему, создавая точное руководство — книгу кодов — которое точно указывает обученным кодировщикам, какие слова, предложения или абзацы относятся к каждой рамке. Два кодировщика, работающие независимо, должны прийти к одинаковой категоризации большинства статей. Затем подсчеты анализируются как любые другие числовые данные: частоты, тенденции, сравнения групп или регрессии. Этот подход жертвует глубиной интерпретации ради масштаба и воспроизводимости.

История

Систематический контент-анализ газет и пропаганды возник в Соединенных Штатах во время Второй мировой войны, а монография Бернарда Берилсона 1952 года «Контент-анализ в исследованиях коммуникации» предоставила первое всестороннее методологическое заявление. Гарольд Лассуэлл и его коллеги применяли подсчет частот к политической коммуникации в тот же период. Учебник Клауса Криппендорфа 1980 года, пересмотренный в 2004 году, заложил эпистемологические основы метода, ввел Альфу Криппендорфа как стандартную меру надежности и расширил рамки за пределы медиаисследований на любую записанную коммуникацию. Рост вычислительного текстового анализа с 2010-х годов возродил интерес к основной логике метода.

Когда применять

Количественный контент-анализ является правильным выбором, когда цель исследования состоит в описании, сравнении или объяснении закономерностей в большом объеме записанных сообщений объективным, воспроизводимым способом. Он подходит для вопросов о частоте (как часто встречается X?), тенденциях (увеличилось ли X со временем?) и ассоциациях (сопутствует ли X Y?). Подходящие корпуса включают новостные архивы, наборы данных социальных сетей, политические документы, стенограммы интервью (для поверхностных признаков), рекламные объявления и научные публикации. Не используйте его, когда исследовательский вопрос требует понимания скрытого смысла, намерения автора или интерпретаций читателей — более подходящим является качественный контент-анализ или дискурс-анализ. Он также требует, чтобы полный корпус или репрезентативная выборка были доступны и чтобы надежные категории кодирования могли быть определены заранее.

Ограничения и замечания

  • Ограничен явными, наблюдаемыми признаками контента; скрытый или контекстуальный смысл требует дополнительного качественного анализа.
  • Разработка книги кодов требует времени и итеративного пилотного тестирования перед окончательным утверждением надежных категорий.
  • Единицей вывода является сам контент; метод сам по себе не может установить, почему существуют закономерности в контенте или как аудитория на них реагирует.
  • Автоматизированное кодирование (машинное обучение, словарные методы) расширяет масштаб, но вводит собственные риски валидности, если не валидировано по сравнению с человеческим кодированием.

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

Сильные стороны

  • Высокая воспроизводимость: книга кодов и статистика надежности позволяют другим исследователям оценивать и воспроизводить исследование.
  • Масштабируемость до очень больших корпусов — тысячи или десятки тысяч документов — с использованием человеческих кодировщиков или автоматизированного текстового анализа.
  • Неинвазивность: контент уже существует, поэтому метод не изменяет изучаемое явление.
  • Результаты являются числовыми и поддаются полному спектру описательных и инференциальных статистических методов.
  • Прозрачность: все правила кодирования и оценки надежности сообщаются, что делает методологические решения проверяемыми.

Применение

  • Отслеживание того, как освещение в новостях политического вопроса или кандидата меняется в течение избирательных циклов.
  • Анализ объема и тональности сообщений в социальных сетях о кампании общественного здравоохранения.
  • Измерение гендерного или этнического представительства в телевизионной рекламе с течением времени.
  • Сравнение частоты фрейминга риска по сравнению с фреймингом выгоды в пресс-релизах научных организаций.
  • Аудит использования конкретного политического языка в законодательных документах различных юрисдикций.
  • Изучение распространенности насилия или стереотипов в детском медиаконтенте.

Как это работает

Как это работает

1

Исследователь определяет единицу анализа — какой элемент корпуса будет кодироваться — например, отдельная новостная статья, абзац, предложение или одно изображение. Границы корпуса (период времени, список источников, язык) также определяются на этом этапе, гарантируя, что совокупность контента четко определена до начала какого-либо кодирования.

2

Создается книга кодов, которая определяет каждую переменную, подлежащую кодированию, перечисляет все взаимоисключающие и исчерпывающие категории ответов и предоставляет правила принятия решений и примеры якорей для каждой категории. Четкие, недвусмысленные операциональные определения имеют важное значение; расплывчатые определения являются основной причиной ненадежности контент-анализа.

3

Если корпус слишком велик для полного кодирования, из него извлекается вероятностная выборка — обычно случайная или систематическая выборка, стратифицированная по источнику, периоду времени или типу контента. Размер выборки должен быть достаточным для поддержки предполагаемых статистических анализов и для обнаружения частот категорий, представляющих существенный интерес.

4

Обученные кодировщики независимо применяют книгу кодов к каждой единице анализа. Кодировщики проходят стандартизированное обучение с использованием практических материалов, которые не входят в основную выборку, и любые оставшиеся неясности в книге кодов разрешаются до начала полного кодирования. Все решения по кодированию записываются в структурированный файл данных.

5

Рассчитывается межкодерная надежность — обычно с использованием Каппы Коэна (номинальные данные) или Альфы Криппендорфа (порядковые или интервальные данные) — на случайной подвыборке корпуса, закодированной по крайней мере двумя независимыми кодировщиками. Альфа 0,80 или выше является общепринятым порогом для приемлемой надежности; категории, находящиеся ниже этого порога, пересматриваются или объединяются перед окончательным анализом.

6

Закодированные числовые данные анализируются с использованием соответствующих описательных и инференциальных статистик: таблицы частот, перекрестные таблицы, критерий хи-квадрат, анализ тенденций во времени или регрессионные модели. Результаты интерпретируются в отношении исследовательских вопросов; единицей вывода является контент, а не авторы или аудитория этого контента.

Частые ошибки

  • Нечеткие категории кодирования: если книга кодов не предоставляет кодировщикам недвусмысленные правила принятия решений, межкодерная надежность будет низкой, а данные будут бессмысленными независимо от размера выборки.
  • Игнорирование надежности: сообщение кодирования только одного кодировщика или расчет надежности только для категорий, где согласие легко достижимо, завышает предполагаемую строгость исследования.
  • Смешение контента с причиной или следствием: высокая частота определенной рамки в СМИ не доказывает, что эта рамка повлияла на аудиторию — для этого требуется отдельный дизайн исследования.
  • Непредставительная выборка: выборки удобства легкодоступного контента (например, топ-10 результатов Google) вносят систематическую ошибку в оценки частот.
  • Путаница единиц: смешивание уровней анализа (кодирование на уровне статьи для одних переменных и на уровне предложения для других) делает структуру данных недействительной, а анализы — неинтерпретируемыми.

Часто задаваемые вопросы

Какую статистику межкодерной надежности следует сообщать?

Альфа Криппендорфа является наиболее универсальным выбором: она обрабатывает номинальные, порядковые, интервальные и относительные шкалы и корректирует случайное совпадение. Каппа Коэна подходит для двух кодировщиков по номинальной переменной. Процент совпадения сам по себе недостаточен, поскольку он не корректирует случайность. Сообщайте статистику, количество кодировщиков, долю корпуса, закодированную двумя кодировщиками, и использованный вами порог — обычно альфа ≥ 0,80 для опубликованной работы.

Насколько большой должна быть моя выборка?

Универсального правила нет, но выборка должна быть достаточно большой, чтобы с приемлемой точностью оценить частоту вашей самой редкой категории интереса. Анализ мощности или симуляция — с указанием ожидаемой частоты и желаемой ширины доверительного интервала — является принципиальным подходом. Для перекрестных таблиц распространенным руководством является наличие по крайней мере пяти наблюдаемых случаев на ячейку. Пилотное кодирование небольшой случайной выборки сначала даст вам эмпирические оценки частот для информирования расчета.

Могу ли я использовать автоматизированное или основанное на ИИ кодирование вместо человеческих кодировщиков?

Да, но автоматизированное кодирование должно быть валидировано по сравнению с золотым стандартом, закодированным человеком, перед использованием. Словарные методы (подсчет предопределенных слов) прозрачны, но упускают контекст; классификаторы контролируемого машинного обучения могут достичь более высокой валидности, но требуют размеченного обучающего набора. Во всех случаях сообщайте метрики валидации вместе с вашими основными результатами.

Чем количественный контент-анализ отличается от качественного контент-анализа?

Количественный контент-анализ отдает приоритет систематическому, воспроизводимому кодированию явных признаков для получения числовых данных для статистического анализа. Качественный контент-анализ — и дискурс-анализ — отдает приоритет глубине интерпретации, уделяя внимание скрытому смыслу, контексту и конструированию смысла, а не подсчету частот. Эти два подхода могут быть объединены в последовательном смешанном методологическом дизайне.

Нужна ли мне случайная выборка, если мой корпус достаточно мал, чтобы закодировать его полностью?

Нет. Если вы можете закодировать всю релевантную совокупность контента — например, все статьи на первой полосе одной газеты за определенный год — у вас есть перепись, а не выборка, и инференциальные статистики, касающиеся ошибки выборки, не требуются. Вам все равно нужно точно определить корпус и сообщить общее N.

Похожие методы

Источники

  1. Krippendorff, K. (2004). Content Analysis: An Introduction to Its Methodology (2nd ed.). Sage.

    ISBN: 978-0761915454
    Скопировано.
  2. Berelson, B. (1952). Content Analysis in Communication Research. Free Press.

    Открыть ссылку на публикацию
    Скопировано.