定量内容分析
- 提出者
- Bernard Berelson; later systematised by Klaus Krippendorff
- 年份
- 1950s (Berelson 1952; Krippendorff 1980/2004)
- 类型
- Quantitative observational research method
- 类别
- Survey / observational design
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?
定量内容分析是一种系统、可重复的方法,用于将文本、图像或其他记录的传播的显性内容转化为数值数据。通过将预先指定的代码簿应用于定义的语料库并对结果类别进行计数或评分,研究人员可以获得可进行标准统计检验的频率分布、比例和关系。它是大规模、客观分析媒体、文件、社交媒体帖子、政策文本及类似材料的主导方法。
方法背后的直觉
设想您想了解在五年的报道中,新闻媒体将气候变化视为经济威胁与健康风险的频率。主观阅读数千篇文章既缓慢又不一致。定量内容分析通过创建一个精确的规则手册——代码簿——来解决这个问题,该手册明确告诉训练有素的编码员哪些词语、句子或段落属于每种框架。两位独立工作的编码员应该对大多数文章得出相同的分类。然后,这些计数像任何其他数值数据一样进行分析:频率、趋势、群体比较或回归。该方法以规模和可重复性为代价来换取解释深度。
历史学
报纸和宣传的系统内容分析在美国兴起于第二次世界大战期间,Bernard Berelson 于 1952 年出版的《传播研究中的内容分析》一书提供了第一个全面的方法论陈述。Harold Lasswell 及其同事在此期间将频率计数应用于政治传播。Klaus Krippendorff 于 1980 年出版的教科书——2004 年修订——确立了该方法论的认识论基础,引入了 Krippendorff's alpha 作为标准可靠性度量,并将框架从媒体研究扩展到任何记录的传播。自 2010 年代以来,计算文本分析的兴起重新激发了对该方法核心逻辑的兴趣。
何时使用
当研究目标是以客观、可重复的方式描述、比较或解释大量记录传播中的模式时,定量内容分析是正确的选择。它适用于关于频率(X 出现的频率是多少?)、趋势(X 随时间增加了吗?)和关联(X 是否与 Y 共现?)的问题。适用的语料库包括新闻档案、社交媒体数据集、政策文件、访谈记录(用于表面特征)、广告和学术出版物。当研究问题需要理解潜在含义、作者意图或读者解释时,请勿使用它——定性内容分析或话语分析更合适。它还需要能够访问完整的语料库或代表性样本,并且能够预先指定可靠的编码类别。
局限与注意事项
- 仅限于内容的显性、可观察特征;潜在或上下文含义需要补充定性分析。
- 代码簿的开发耗时且需要反复试验才能最终确定可靠的类别。
- 推断的单元是内容本身;该方法本身无法确定内容模式存在的原因或受众如何对其做出反应。
- 自动化编码(机器学习、字典方法)可以扩展规模,但如果未针对人工编码进行验证,则会带来自身的有效性风险。
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
- 高度可重复:代码簿和可靠性统计数据允许其他研究人员评估和重现研究。
- 可扩展到非常大的语料库——数千甚至数万份文件——使用人工编码员或自动化文本分析。
- 非反应性:内容已存在,因此该方法不会改变正在研究的现象。
- 结果是数值的,并且可以进行各种描述性和推断性统计技术分析。
- 透明:报告所有编码规则和可靠性估计,使方法学决策可审计。
应用
- 跟踪新闻报道如何跨选举周期变化,报道某个政治议题或候选人。
- 分析关于公共卫生宣传的社交媒体帖子的数量和情绪。
- 随时间推移衡量电视广告中的性别或种族代表性。
- 比较科学新闻稿中风险框架与收益框架的频率。
- 审计不同司法管辖区立法文件中特定政策语言的使用情况。
- 检查儿童媒体内容中暴力或刻板印象的普遍性。
使用方式
使用方式
研究人员指定分析单元——语料库的哪个元素将被编码——例如单个新闻文章、段落、句子或单个图像。语料库的边界(时间段、来源列表、语言)在此阶段也已确定,确保在进行任何编码之前,内容的总体已明确定义。
构建一个代码簿,该代码簿定义了要编码的每个变量,列出了所有互斥且穷尽的响应类别,并为每个类别提供了决策规则和锚定示例。清晰、明确的操作性定义至关重要;模糊的定义是内容分析中不可靠性的主要来源。
如果语料库太大而无法完全编码,则抽取概率样本——通常是按来源、时间段或内容类型分层的随机或系统样本。样本量必须足够大,以支持预期的统计分析并检测具有实质意义的类别频率。
训练有素的编码员独立地将代码簿应用于每个分析单元。编码员使用不出现在主样本中的练习材料接受标准化培训,并在开始全面编码之前解决代码簿中任何剩余的歧义。所有编码决策都记录在结构化数据文件中。
计算编码间可靠性——通常使用 Cohen's Kappa(标称数据)或 Krippendorff's alpha(有序或区间数据)——在至少两位独立编码员编码的语料库的随机子集上。alpha 为 0.80 或更高是可接受可靠性的常规阈值;低于此阈值的类别在最终分析之前会进行修订或合并。
使用适当的描述性和推断性统计方法分析编码的数值数据:频率表、交叉制表、卡方检验、时间趋势分析或回归模型。根据研究问题解释研究结果;推断的单元是内容本身,而不是该内容的作者或受众。
常见陷阱
- 模糊的编码类别:如果代码簿没有为编码员提供明确的决策规则,则编码间可靠性将很低,无论样本量如何,数据都将毫无意义。
- 忽略可靠性:仅报告一位编码员的编码,或仅在易于达成一致的类别上计算可靠性,会夸大研究的表面严谨性。
- 混淆内容与因果关系:媒体中某个框架的高频率并不意味着该框架影响了受众——这需要单独的研究设计。
- 非代表性抽样:方便抽样易于访问的内容(例如,Google 排名前十的结果)会在频率估计中引入系统偏差。
- 单元混淆:混合分析级别(对某些变量在文章级别进行编码,对其他变量在句子级别进行编码)会使数据结构无效,分析难以解释。
常见问题
我应该报告哪个编码间可靠性统计量?
Krippendorff's alpha 是最通用的选择:它处理标称、有序、区间和比率尺度,并对机会一致性进行校正。Cohen's Kappa 适用于两个编码员对标称变量的分析。仅百分比一致性是不够的,因为它没有校正机会一致性。报告统计量、编码员数量、双重编码的语料库比例以及您使用的阈值——对于已发表的作品,通常是 alpha ≥ 0.80。
我的样本需要多大?
没有普遍规则,但样本必须足够大,以便以可接受的精度估计您最稀有类别频率的估计值。功效分析或模拟——指定预期的频率和所需的置信区间宽度——是原则性的方法。对于交叉制表分析,一个常见的经验法则是每个单元至少有五个观察到的案例。首先对一小部分随机样本进行试点编码,将为您提供经验频率估计值,以指导计算。
我可以使用自动化或基于人工智能的编码代替人工编码吗?
可以,但自动化编码在使用前必须针对人工编码的黄金标准进行验证。基于字典的方法(计数预定词语)是透明的,但会忽略上下文;监督式机器学习分类器可以实现更高的有效性,但需要标记的训练集。在所有情况下,请在报告实质性发现的同时报告验证指标。
定量内容分析与定性内容分析有何不同?
定量内容分析优先对显性特征进行系统、可重复的编码,以产生用于统计分析的数值数据。定性内容分析——以及话语分析——优先考虑解释深度,关注潜在含义、上下文和意义的构建,而不是频率计数。这两种方法可以在顺序混合方法设计中结合使用。
如果我的语料库足够小,可以完全编码,我还需要随机抽样吗?
不需要。如果您可以对内容的整个相关总体进行编码——例如,特定年份一家报纸的所有头版文章——那么您拥有的是普查,而不是样本,并且不需要关于抽样误差的推断统计。您仍然需要精确定义语料库并报告总 N。
相关方法
参考文献
Krippendorff, K. (2004). Content Analysis: An Introduction to Its Methodology (2nd ed.). Sage.
ISBN:978-0761915454已复制。Berelson, B. (1952). Content Analysis in Communication Research. Free Press.
打开出版物文献已复制。