解释性内容分析——文本的有意义定性分析
- 提出者
- Philipp Mayring (systematic qualitative variant); Klaus Krippendorff (foundational framework)
- 年份
- 1983 (Mayring's German original); 2000 (English publication)
- 类型
- Qualitative text analysis approach
- 类别
- Qualitative design / analysis
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?
解释性内容分析是一种系统的定性方法,用于分析文本、视觉或文献数据中嵌入的潜在意义和解释性框架。与基于频率的内容分析不同,它优先考虑研究者对文本的解释性参与,以揭示意义是如何被构建、争论或再现的。Philipp Mayring 的定性内容分析和更广泛的解释性传统为这种方法提供了方法论基础。
方法背后的直觉
设想您有一系列政策文件、访谈记录或媒体文章,您想了解的不仅仅是出现的主题,还有这些文本的含义、它们携带的假设以及它们如何构建现实。解释性内容分析将文本视为充满意义的载体,而不是可计数词语的容器。研究者仔细并反复阅读,构建基于数据的解释性类别,并解释文本在做什么——而不仅仅是它说了什么。目标是深入理解,而不是广泛覆盖。
历史学
内容分析作为一种系统方法,其根源可以追溯到二十世纪初的大众传播研究,Bernard Berelson 于 1952 年出版的手册提供了一个基础性的定量框架。定性化和解释性转向最明确地体现在 Philipp Mayring 从 1983 年开始在德语社会科学领域的工作中,并通过他 2000 年在《定性社会研究论坛》上发表的文章在英语中得到正式化。Klaus Krippendorff 的《内容分析》(多版,最近一版为 2018 年)为定量和解释性变体奠定了基础性的认识论原则。此后,解释性传统已在媒体研究、组织研究和健康传播领域得到阐述。
何时使用
当研究问题涉及文本中嵌入的意义、框架、意识形态或潜在假设时——例如政策文件、新闻媒体、访谈数据、历史记录或组织沟通——解释性内容分析非常适用。当材料量太大,无法进行纯粹的民族志沉浸式研究,但研究目标需要深度解释而非数值模式时,它也是合适的。当您的问题涉及表面特征的频率或普遍性时(请改用定量内容分析),当您需要做出因果断言时(请使用实验或纵向设计),或者当文本内容浅薄且难以产生解释性内容时,请避免使用。
局限与注意事项
- 研究结果是特定于语境的解释性结果,不能在统计上推广到总体。
- 质量在很大程度上取决于分析者的反思性、领域知识和解释技巧。
- 类别开发耗时,需要多次迭代才能达到稳定。
- 共同编码者可靠性指标可能会造成压力,迫使将解释性细微差别简化为简单的同意分数。
- 内容分析与主题分析或话语分析之间的界限存在争议,这可能导致定义上的模糊性。
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
- 捕捉基于频率的方法所遗漏的潜在意义、意识形态框架和假设。
- 足够灵活,可以处理各种文本类型——记录、文件、媒体、在线内容。
- 将内容分析的系统严谨性与定性解释的深度相结合。
- 类别系统可以迭代地完善,使该方法能够适应新兴的发现。
- 通过编码规则、备忘录和锚定示例提供的透明审计跟踪支持方法论问责。
- 非常适合分析量大的文本语料库,这些语料库通过沉浸式民族志阅读进行分析是不切实际的。
应用
- 分析政策文件或政府报告,以揭示关于社会问题及其原因的隐含假设。
- 检查新闻媒体对某个社会问题的报道,以识别其如何为不同受众进行框架化。
- 对组织研究中的访谈记录进行编码,以揭示员工如何解释变革过程或领导力。
- 调查在线论坛讨论或社交媒体内容,以理解社区如何构建共享意义。
- 审查历史文件或机构档案,以追踪概念或类别随时间的演变。
- 评估教育材料或课程的意识形态假设或表征模式。
使用方式
使用方式
分析者定义语料库——限定将要分析的文本、文件、记录或媒体项目的范围——并阐明指导解释的研究问题。分析方向(从数据归纳或从理论演绎)在此阶段确定,并明确指定分析单位(一个句子、一个段落、一个文档)。
类别系统是通过仔细阅读材料进行归纳,或从现有理论进行演绎,或两者结合来构建的。在解释性传统中,类别捕捉潜在意义和潜在主题,而不是表面词语频率。类别通过锚定示例和编码规则来定义,以指导一致的应用。
通过仔细阅读和解释性判断,将每个分析单位分配到一个或多个类别。分析者关注语气、框架、隐含假设和语境线索,而不是将词语视为无语境的数据点。在编码片段旁边记录边注、备忘录和分析性评论,以保留解释性推理。
进行共同编码者一致性或系统性自我检查,以测试类别定义是否足够清晰并得到一致应用。在解释性内容分析中,这并非纯粹的统计练习——分歧被视为完善类别定义和深化解释性框架的机会,而不仅仅是需要减少的错误。
编码片段在每个类别内收集,并一起解释,以对语料库中存在的意义、模式和框架进行连贯的叙述。研究结果以丰富的解释性描述形式报告,而不是频率表,并且以源材料的直接引语为基础。
常见陷阱
- 在充分沉浸于数据之前就将类别视为固定不变——过早的封闭会产生遗漏关键意义的类别,并将材料强行纳入不合适的框架。
- 混淆显性内容(字面意思)与隐性内容(其含义)——解释性内容分析针对隐性意义,需要超越简单描述的明确解释性步骤。
- 在编码过程中忽略研究问题——解释性类别应以分析目的为指导;编码所有存在的内容会产生一个不集中且笨拙的类别系统。
- 将共同编码者可靠性视为主要有效性标准——在解释性分析中,透明的推理、反思性和基于文本的依据比在模糊的解释性判断上获得高百分比的一致性更重要。
- 忽略语境——文本意义依赖于语境;将片段从其文档或对话语境中剥离会扭曲解释。
常见问题
解释性内容分析与主题分析有何不同?
这两种方法都识别定性数据中的意义模式,但它们在起源和侧重点上有所不同。解释性内容分析继承了内容分析的系统、结构化的类别编码传统——它要求明确的编码规则、定义的分析单位,并且通常进行可靠性检查。主题分析(尤其是 Braun 和 Clarke 的反思性变体)对结构的要求较低,并将研究者的解释性主观性视为一种资源而非需要控制的变量。对于需要系统覆盖大量语料库的文本,解释性内容分析是更强的选择。
我可以使用解释性内容分析来处理社交媒体数据吗?
是的。社交媒体帖子、评论串和论坛讨论是解释性内容分析日益常见的语料库。该方法可以处理多模态内容(文本、标签、图像),只要分析单位被仔细定义即可。请注意语境崩溃——在线文本通常会与其生成的对话脱离语境——并在编码过程中纳入语境信息。
我需要不止一个编码员吗?
第二个编码员通过测试类别定义是否足够清晰来加强解释性内容分析的方法论严谨性。然而,单个分析者通过详细的编码规则、备忘录和成员检查透明地工作,也可以产生严谨的解释性内容分析。目标不是消除解释性判断,而是使其负责任且可追溯。
我应该使用归纳式还是演绎式类别?
选择取决于您的研究目的。如果现有理论已经成熟,您想对其进行检验或扩展,请从演绎式开始,使用源自理论的类别。如果该现象尚未得到充分探索,或者您希望研究结果从数据中涌现而不施加先前的框架,请归纳式地构建类别。一种结合方法——从演绎式开始,使用广泛的类别,然后通过数据进行归纳式完善——很常见,并且通常是最合适的方法。
哪种软件最适合解释性内容分析?
MAXQDA、NVivo 和 ATLAS.ti 都支持解释性内容分析所需的编码、备忘录编写和检索功能。MAXQDA 在 Mayring 传统中备受推崇。软件有助于组织和检索;定义类别和阅读潜在意义的解释性工作仍然是分析者的责任。
相关方法
参考文献
Mayring, P. (2000). Qualitative content analysis. Forum: Qualitative Social Research, 1(2), Art. 20.
打开出版物文献已复制。Krippendorff, K. (2018). Content Analysis: An Introduction to Its Methodology (4th ed.). Sage.
ISBN:978-1506395678已复制。