内容分析——文本与媒体的系统编码
- 提出者
- Klaus Krippendorff (systematic formulation); roots in early 20th-century communications research
- 年份
- Systematised through Krippendorff's methodology work; 4th edition 2018
- 类型
- Qualitative / mixed-method research technique
本文为机器翻译,尚未经过审校。 阅读英文原文
它有什么作用?
内容分析是一种系统的研究技术,用于将文本、视觉或媒体材料归纳为编码类别,以便对模式进行计数、比较和解释。该方法由Klaus Krippendorff在其广受引用的方法学教科书(最新版为2018年)中正式确立,它介于定性探究和定量探究的边界:它对本质上充满意义的材料施加结构化、可复制的编码。
方法背后的直觉
想象一下阅读一千篇报纸文章,想知道它们各自使用恐惧型语言和希望型语言的频率。你可以凭印象来判断,但两位读者很少会达成一致。内容分析通过首先制定明确的规则来定义每个类别,然后让一位或多位编码员独立应用这些规则,最后检查他们是否一致来解决这个问题。曾经主观的判断变成了一个有据可查、可审计的过程,其可靠性可以被衡量和报告。
历史学
内容分析起源于20世纪初的传播研究,当时学者们系统地统计报纸和战时广播中的宣传主题。该方法在中期社会科学中逐渐被正式化。Klaus Krippendorff的书于1980年首次出版,现已出到第四版(2018年),成为规范性的方法学参考,确立了单元化、抽样、编码和信度测量的严格定义。如今,内容分析已广泛应用于人文学科、社会科学、健康研究和计算文本挖掘。
何时使用
当研究问题涉及文本或媒体中特定特征的存在、频率或模式,并且需要对语料库进行系统、可复制的编码时,内容分析是合适的。它适用于健康、社会科学、教育、传播和商业研究中的描述性和探索性目的。最低可行语料库约为十份文档;在此之下,无法产生可靠的主题,最好对较小、更丰富的数据集进行主题分析。该方法不要求正态性假设,并且适用于纯文本变量。
局限与注意事项
- 开发可靠的代码手册是劳动密集型的;通常需要多轮试点和修订。
- 需要高于0.70 Kappa的信度——对于定义不佳的类别或复杂内容,达到此阈值很困难。
- 该方法捕捉内容中明确存在的内容,但不太适合潜在意义、讽讽或文本之外的上下文。
- 语料库必须包含至少十份文档才能支持有意义的类别频率;非常小的语料库应改用主题分析。
来源中的条件不能替代独立的科学审查或分析引擎的验证。
优势
- 提供了一个透明、可审计且可复制的过程,用于分析大量的文本或媒体。
- 编码员间信度统计数据提供了纯粹的解释性方法所缺乏的定量质量检查。
- 弥合了定性丰富性和定量汇总之间的差距——类别可以被计数、比较并纳入进一步的统计分析。
- 适用于各种领域和内容类型:新闻文章、访谈记录、社交媒体帖子、政策文件、图像和广播。
应用
- 分析报纸或社交媒体报道,以追踪某个主题或群体随时间的变化。
- 对健康或政策研究中的访谈或焦点小组记录进行编码,以识别反复出现的主题。
- 审计组织文件、年度报告或政策文本中的特定语言模式。
- 当开放式调查回复的数量过大,无法进行纯粹的解释性阅读时,对其进行系统性审查。
- 媒体研究,考察广播和印刷来源中的代表性、刻板印象或议程设置。
使用方式
使用方式
分析师定义分析单元——将接收单个代码的内容片段。这可能是一个词、一个句子、一个段落、一篇文章、一张图片或一个广播片段。选择正确的单元至关重要:单元太小(单个词)会丢失上下文;单元太大(整篇文档)会模糊文档内部的变化。
从相关内容的总体中建立一个抽样框。当语料库很大时,会抽取随机样本或分层样本,以便将研究结果推广到更广泛的总体。当语料库很小时(所有可用文档),则包含整个集合。
编写一本代码手册,精确定义每个类别,为模糊情况提供决策规则,并提供示例。这是研究的核心思想:定义明确的类别会产生可靠的编码;模糊的类别则不会。在开始全面编码之前,代码手册会经过反复试验和修订。
一位或多位训练有素的编码员将代码手册应用于样本中的每个单元,独立分配代码。每位编码员都遵循相同的说明,但看不到另一位编码员的决定,这可以防止锚定偏差。
计算编码员间信度——通常是Cohen's Kappa或Krippendorff's Alpha——以验证编码员是否超越了偶然性达成一致。Kappa值高于0.70是可接受性的常规最低阈值。低于该阈值的单元在接受结果之前会触发代码手册的修订和重新编码。
对编码数据进行计数、交叉制表或进行进一步的统计或比较分析。可以检查频率、比例、随时间变化的趋势或跨来源的差异。研究结果将根据研究问题进行解释,并将代码手册作为方法学附录。
常见陷阱
- 模糊地定义类别或隐含决策规则——编码员会产生分歧,Kappa值会低于0.70阈值;在全面收集数据之前,请投入时间进行试点编码。
- 跳过信度检查并报告单个编码员的结果——没有编码员间信度,结果不能被认为是系统的或可信的。
- 将显性内容(字面意思)与隐性内容(暗示的意思)混淆,而未在代码手册和结果中明确区分。
- 将该方法应用于少于十份文档——对于非常小的语料库,内容分析无法产生可靠的基于频率的结果;改用主题分析。
常见问题
内容分析与主题分析有何区别?
内容分析强调系统化的、基于规则的编码,可以进行编码员间信度检查并产生可量化的频率。主题分析更具解释性,在较小的数据集上寻找潜在模式,并且不需要多个编码员或正式的信度检查。当您拥有大型语料库并需要可复制的计数时,内容分析是正确的选择;当您拥有较小、更丰富的数据集并希望深入探索含义时,主题分析更可取。
我如何知道我的编码足够可靠?
在每次试点轮次后,至少两位独立编码员之间计算Cohen's Kappa或Krippendorff's Alpha。Kappa值高于0.70是可接受性的常规最低值。如果信度低于此阈值,请修改代码手册——通常通过为编码员意见不一致的类别添加决策规则和示例——并在接受结果之前重新编码。
一位研究者可以进行内容分析吗?
一位编码员可以应用代码手册,但如果没有第二位独立编码员,则无法计算编码员间信度。因此,单编码员研究在同行评审中可信度较低。在无法获得第二位人类编码员的情况下,一些研究者使用自动化编码(基于规则或机器学习)作为比较点,并报告与自动化系统的一致性。
我的语料库需要多大?
有意义的内容分析的最低要求约为十份文档。在此之下,基于频率的结果不稳定,对可用材料进行主题分析更为合适。没有硬性的上限——大型语料库可以抽样——但样本中的每份文档都必须根据代码手册进行编码。
相关方法
参考文献
Krippendorff, K. (2018). Content Analysis: An Introduction to Its Methodology (4th ed.). Sage.
ISBN:978-1506395661已复制。