Skip to content
返回搜索结果

纵向定量内容分析

提出者
Developed within communication and media studies; codified by Berelson (1952) and extended by Riffe, Lacy, Fico
年份
1950s onward; longitudinal application widely adopted in media research by the 1970s–1980s
类型
Quantitative observational research design
类别
Survey / observational design

本文为机器翻译,尚未经过审校。 阅读英文原文

字号

它有什么作用?

纵向定量内容分析系统地编码和计数在两个或更多时间点收集的文本、图像或媒体信息特征,使研究人员能够追踪内容如何变化、主题的流行度如何上升或下降,以及媒体或机构信息如何响应外部事件。该设计将定量内容分析的结构化测量逻辑与纵向观察的时间追踪能力相结合。

方法背后的直觉

以涵盖20年气候报道的新闻档案为例。一次性内容分析只能告诉你气候报道在某个时间点的快照。纵向设计则允许你逐年统计报道量、框架选择和来源类型——揭示在重大气候事件后警示性框架是否增加,或者来源多样性是否随时间推移而缩小。关键的洞察是,内容并非存在于单一时刻;信息会累积和变化,只有重复测量才能记录这种漂移。纵向定量内容分析是使符号内容的时间变化可见和可量化的工具。

历史学

定量内容分析由Bernard Berelson在其1952年的专著《传播研究中的内容分析》中确立为一种正式的社会科学方法。其随时间的应用——追踪媒体信息的变化——在20世纪70年代和80年代迅速被传播研究采纳,用于研究媒体议程设置、框架和宣传。Riffe、Lacy和Fico的《分析媒体信息》(第一版1998年,第四版2019年)以及Neuendorf的《内容分析指南》(2002年,第二版2017年)规范了支撑当今纵向设计的抽样和信度标准。

何时使用

当研究问题涉及信息内容或框架如何随时间变化时,可使用纵向定量内容分析——例如,社会问题新闻报道在立法前后如何演变,公共卫生运动后广告如何转变,或组织沟通在经济周期中如何变化。当可访问多个时间点的带日期内容档案、变量可操作化为可计数代码,且目标是可推广的趋势描述而非对单个文本的深入解释分析时,此方法是合适的。当只有单个时间点的内容可用时(应使用标准定量内容分析),当研究问题需要理解受众解释而非信息特征时(应使用接受分析或调查方法),或者当每个波次可编码单元数量过少导致统计趋势分析无意义时,不应使用此方法。

局限与注意事项

  • 需要访问所有相关时间点的存档或历史保存内容——档案中的空白会损害可比性。
  • 编码仅限于显性(可观察)内容特征;潜在含义和受众解释超出该方法的范围。
  • 在长期研究期间,编码员漂移可能引入测量误差,从而模拟真实的内容变化。
  • 当时间跨度长且语料库大时,资源密集,需要大量的编码员培训和跨波次信度监控。

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

  • 直接测量符号内容随时间的变化,这是横断面设计无法确立的。
  • 生成可量化、可复制的数据,可使用相同编码本在不同研究之间进行比较。
  • 适用于大型语料库——整年的新闻产出、数十年的政策文件或数百万的社交媒体帖子——采用系统抽样。
  • 非反应性:内容已经生成,因此测量过程不会改变参与者的行为。
  • 能够检测议程周期、框架转变以及外部事件对机构信息传递的影响。

应用

  • 追踪报纸报道中气候变化的框架跨越数十年,以检测与政治周期相关的议程转变。
  • 分析医学期刊中制药广告声明在监管干预后如何变化。
  • 测量黄金时段电视节目中性别或少数民族代表性在连续播出季中的变化。
  • 使用政党宣言记录政党言论和信息传递在选举周期中的转变。
  • 监测公共卫生紧急事件发生前、发生期间和发生后社交媒体平台上健康风险沟通的变化。
  • 评估企业可持续发展报告在ESG投资者压力增加期间的年度报告中如何演变。

使用方式

使用方式

1

研究人员需明确感兴趣的现象(例如,媒体框架、广告宣传、政策言论)、内容范围(例如,报纸头版文章、黄金时段广播、社交媒体帖子)以及涵盖的时间跨度。对信息总体和时间窗口的清晰界定可防止范围蔓延并指导抽样决策。

2

由于对所有时间点的所有内容进行详尽编码通常不切实际,因此抽样策略会选择代表性的时间点窗口——通常是构建周、季度样本或在关键事件日期进行普查编码。每个时间点样本必须以相同的方式抽取,以确保各波次之间的可比性。

3

构建一个编码本,定义所有要测量的变量,包括分析单位(文章、帖子、广告)、分类代码和决策规则。编码本在所有时间点必须保持一致,以便计数的变化反映的是内容变化而非测量变化。

4

受过训练的编码员在每个时间点将编码本应用于抽样内容。在可行的情况下,编码员对波次身份保持盲态,以防止时间预期偏差。每个分析单位独立编码,生成每个时间波次的频率计数和分类分布数据集。

5

计算编码员间信度——通常使用科恩Kappa系数(Cohen's kappa)或克里彭多夫Alpha系数(Krippendorff's alpha)——并在每个波次单独报告。如果在训练阶段进行信度检查,但未涵盖所有波次,则可能错过研究期间编码员的漂移。公认的阈值通常是Kappa或Alpha系数高于0.80。

6

使用描述性统计、卡方独立性检验(用于跨时间独立性)、趋势分析或时间序列回归分析各波次的汇总频率数据,以识别内容中的显著变化、周期或轨迹。根据波次之间发生的背景事件解释研究结果。

常见陷阱

  • 在波次之间更改编码本——即使是类别定义的微小修改,也会通过混淆测量变化与真实内容变化而使跨波次比较失效。
  • 不一致地抽样时间点——例如,在一个波次编码新闻高峰期,而在另一个波次编码常规期,会系统性地偏离趋势估计。
  • 忽视跨波次信度——仅在开始时检查编码员间信度,会导致渐进的编码员漂移未被发现,从而夸大表观趋势。
  • 过度解释没有背景基础的统计趋势——主题的显著增加只有在与已知事件、政策变化或波次之间发生的外部因素相关联时才变得有意义。

常见问题

纵向内容分析需要多少个时间点?

至少需要两个时间点才能确定任何变化,但两个点只能显示前后差异,无法确立趋势。三个或更多波次允许进行趋势分析;研究长期模式的通常使用十年或更长时间的年度样本。波次数量应与研究问题相匹配——如果你想检测特定事件的影响,两个精心选择的时间点(之前和之后)可能就足够了。

哪种信度统计量最适合这种设计?

克里彭多夫Alpha系数(Krippendorff's alpha)是首选,因为它适用于不同测量水平(名义、序数、区间)且适用于两个以上编码员。科恩Kappa系数(Cohen's kappa)广泛用于双编码员名义编码。两者都应超过0.80作为常规阈值。关键是,信度应在每个编码波次计算和报告,而不仅仅是在初始训练阶段。

如果我注意到新现象出现,我可以在后续波次中添加新的编码类别吗?

只有当新类别作为附加变量添加且不改变原始编码方案时才可以。追溯性地更改或重新定义现有类别需要使用修订后的方案重新编码所有早期波次,然后比较才有效。否则会导致跨波次的测量不等效。

这与时间序列分析有何不同?

纵向定量内容分析生成数据——每个时间点编码内容特征的计数和频率。时间序列分析是一种应用于该数据的统计技术,用于建模趋势、周期和外部冲击。两者是互补的:内容分析生成观测结果;时间序列统计建模这些观测结果中的模式。

纵向内容分析被认为是实验性的还是观察性的?

它严格来说是观察性的。研究人员不操纵内容或分配条件——内容是独立于研究而产生的。因此,研究结果可以确立内容随时间变化(描述性趋势),但不能仅凭自身证明特定外部因素导致了变化。因果主张需要来自实验或准实验设计的额外证据。

相关方法

参考文献

  1. Riffe, D., Lacy, S., Watson, B., & Fico, F. (2019). Analyzing Media Messages: Using Quantitative Content Analysis in Research (4th ed.). Routledge.

    ISBN:9781138490536
    已复制。
  2. Neuendorf, K. A. (2017). The Content Analysis Guidebook (2nd ed.). Sage.

    ISBN:9781412979474
    已复制。