Метод контент-анализа

Размещено на http://www.allbest.ru/

Контент-анализ как метод психодиагностики

контент анализ семантический дифференциал

Контент-анализ (от англ. «содержание» и греч. «разложение, расчленение») - формализованный количественный метод анализа документов. Перевод в количественные показатели массовой текстовой или фонетической информации с последующей статистической ее обработкой. Характеризуется большой строгостью, систематичностью. Объектом контент-анализа может быть содержание различных печатных изданий, радио- и телепередач, кинофильмов, рекламных сообщений, документов, публичных выступлений, материалов анкет.

Включает в себя:

· выделение системы опорных понятий (категорий анализа);

· отыскание их индикаторов - слов, словосочетаний, суждений и т. п. - (единиц анализа);

· статистическую обработку данных.

Данный метод зародился в 20-е годы в американской журналистике как средство количественно-качественного изучения содержания прессы. В настоящее время активно применяется в социальной психологии, социологии, психодиагностике, политологии, психологии рекламы и пропаганды.

К числу его несомненных достоинств относятся возможность точной регистрации внешне неразличимых показателей в объемных массивах эмпирических данных, способность к выявлению скрытых тенденций и закономерностей, допустимость осуществления отсроченного по времени анализа событий и ситуаций, относительная объективность процедур и надёжность результатов, отсутствие проявлений эффекта воздействия исследователя на поведение испытуемых.

По сути, контент-анализ предполагает перевод качественно представленной информации на язык счета. Для этого необходимо, во-первых, иметь достаточно объемный и содержательно богатый текст, а во-вторых, обладать определенным уровнем исследовательской подготовленности, позволяющим эффективно реализовать потенциал данного метода.

Наряду с этим следует помнить, что контент-анализу присущи и некоторые ограничения. Так, известно, что характер информации во многом определяется замыслами ее автора и спецификой форм предъявления. Поэтому вполне возможно принятие исследователем вымысла за документальность или упущение каких-либо существенных данных вследствие недостаточной выраженности их в обрабатываемом материале. Искажения информации могут возникать и по вине исследователя, неспособного, к примеру, адекватно выделить категории анализа или учесть все имеющиеся варианты их словесного выражения. Кроме того, далеко не всякий материал поддается необходимой формализации. Предельно трудно было бы применить данный метод, скажем, к описанию поведения лирического героя поэтического произведения.

Описывая особенности применения контент-анализа, принято указывать меру устойчивости полученных сведений при замене кодировщиков (лиц, регистрирующих параметры и признаки) и давать характеристики, степени согласованности результатов этого метода с иными, собранными другими способами. Рассмотрим содержание основных этапов контент-анализа.

1. Подготовительный этап (разработка программы анализа материала)

Он включает постановку цели исследования, предварительную проверку адекватности избранного метода особенностям предстоящей работы, составление классификатора (опорной схемы для контент-анализа), подготовку инструкций для лиц, участвующих в реализации метода, пилотажное исследование, последующую коррекцию программы.

Особое внимание следует здесь обратить на составление классификатора, представляющего собой перечень категорий анализа, соответствующих им индикаторов, принятых единиц счета. Это основа алгоритма последующих действий, от качества которой зависит эффективность работы в целом.

Категории анализа - это ключевые элементы исследовательской концепции, смысловые единицы, выраженность которых подлежит регистрации в соответствии с поставленной целью. В качестве категорий анализа исследователь заранее выдвигает определенные проблемы, идеи или темы. Например, анализируя характер человека по итогам интервью или анкетирования, мы можем выделить следующие категории: отношение его к самому себе, другим людям, деятельности, вещам (предметам), природе. Изучая, допустим, тревожность как свойство личности, мы предварительно выделяем совокупность составляющих её «тем»: беспокойство по поводу здоровья, семьи, карьеры, финансового положения и др.

Главное, чтобы список категорий был предельно исчерпывающим, а также давал возможность однозначного соотнесения той или иной части текста с конкретной категорией.

Единицы анализа или индикаторы, признаки выраженности смысловых единиц, представляют собой части текста, характеризующиеся принадлежностью к определенной категории. Это могут быть символы, слова, термины, сочетания слов различной протяженности, ситуации, суждения, реплики, интонации и т. д. Это тот материал, который позволяет судить о значении в тексте каждой категории. Необходимо выбрать соответствующую единицу анализа - лингвистическую единицу речи или элемент содержания, служащие в тексте индикатором интересующих исследователя явления.

За единицу анализа может быть принято:

§ слово,

§ предложение,

§ тема,

§ идея,

§ автор,

§ персонаж,

§ социальная ситуация,

§ часть текста, объединенная чем-то, что соответствует смыслу категории анализа.

Сложные виды контент-анализа обычно оперируют не одной, а несколькими единицами анализа. Единицы анализа, взятые изолировано, могут быть не всегда правильно истолкованы, поэтому они рассматриваются на фоне более широких лингвистических или содержательных структур, указывающих на характер членения текста, в пределах которого идентифицируется присутствие или отсутствие единиц анализа - контекстуальных единиц. Например, для единицы анализа «слово» контекстуальная единица - «предложение».

Следует помнить, что одна и та же категория бывает выражена в тексте по-разному: от отдельных символов или слов до законченных суждений или абзацев. Поэтому выделение единиц анализа является непростым делом и требует от исследователя вдумчивости и проницательности.

Помимо того, необходимо учитывать, что категория может быть представлена в тексте различными по знаку единицами анализа. Например, в отрицательной (критической), нейтральной или же положительной форме. Разумеется, количество вариантов такого рода отношений бывает и более разнообразным.

Единицы счета - это количественные характеристики отношений категорий друг к другу или единиц анализа к категориям. В практике исследований обычно используют два их варианта:

· частоту проявлений в тексте категории или ее признака;

· пропорцию представленности категории (её признака) или, иначе, объём внимания, уделяемый ей автором текста.

Единица счета - количественная мера единицы анализа, позволяющая регистрировать частоту (регулярность) появления признака категории анализа в тексте. Единицами счета могут быть число определенных слов или их сочетаний, количество строк, печатных знаков, страниц, абзацев, авторских листов, площадь текста, выраженная в физических пространственных величинах и многое другое.

Важен выбор необходимых источников, подвергаемых контент-анализу.

Проблема выборки содержит в себе выбор источника, количества сообщений, даты сообщения и исследуемого содержания. Все эти параметры выборки определяются задачами и масштабами исследования.

Чаще всего контент-анализ проводится на годичной выборке: если это изучение протоколов собраний, то достаточно 12 протоколов (по числу месяцев), если изучение сообщений средств массовой информации - 12-16 номеров газеты или теле-, радиодней. Обычно выборка сообщений средств массовой информации составляет 200-600 текстов.

Разработка классификатора завершается составлением инструкций кодировщику и подготовкой кодировочной матрицы.

Инструкции содержат предельно четкие указания на то, каковы все выделенные категории, какой набор признаков в тексте соответствует каждой из них, какого типа единицы счета при этом используются. Объективность результатов контент-анализа будет более полной, если исследователь письменно сформулирует инструкции даже в том случае, когда он сам является кодировщиком.

Кодировочная матрица представляет собой таблицу, удобную для регистрации первичных результатов исследования. Обычно по вертикали в ней даны категории анализа, а по горизонтали - перечень источников информации (отдельные документы, сообщения, персоналии испытуемых и т.п.). Тогда середина таблицы заполняется цифрами, свидетельствующими о частотах присутствия данной категории в том или ином материале.

Пилотажное исследование, завершающее подготовительный этап контент-анализа, способствует выявлению недостающих категорий, упущенных из виду единиц анализа, неточностей инструкций.

Семантический дифференциал (англ. semanticdifferential) -- метод построения индивидуальных или групповыхсемантических пространств (англ. semanticspace). Координатами объекта в семантическом пространстве служат его оценки по ряду биполярных градуированных (трех-, пяти-, семибалльных) оценочных шкал (англ. ratescale), противоположные полюса которых заданы с помощью вербальных антонимов. Эти шкалы отобраны из множества пробных шкал методами факторного анализа.

Метод семантического дифференциала был введён в психологические исследования Чарльзом Осгудом (англ. Charles E.Osgood) в 1952 году. Ч. Осгуд обосновывал использование трёх базисных оценочных семибальных шкал:

Таблица

Метод Чарльза Осгуда

Метод семантического дифференциала позволяет ставить и решать следующие типовые вопросы:

1. различие в оценке одного понятия разными испытуемыми (или разными группами испытуемых в среднем по группе);

2. различие в оценке двух (или более) понятий одним и тем же испытуемым (или группой);

3. различие в оценке одного и того же понятия одним и тем же испытуемым (или группой) в разное время (то есть измерять изменения значений, которые возникают под воздействием средств массовой коммуникации, из-за изменения социальных или культурных контекстов, в результате обучения и т. д.).

Построение семантических пространств и анализ положения объектов в семантических пространствах -- важный инструмент во многих практических приложениях:

· Для анализа восприятия рекламы и для её проектирования;

· Для сравнительного анализа различных групп -- от групп потребителей в маркетингедо гендерных стереотиповh;

· Для исследования экономического поведения;

· Для изучения важнейших процессов социальной самоидентификации и для решения многих других задач социологии

· в политических технологиях.

и во многих других областях.

2. Исполнительный этап

Предусматривает совокупность {процедур по выделению индикаторов категорий и регистрации характеристик их присутствия в тексте.

Кодировщики могут допускать здесь такие ошибки как:

· неверное соотнесение единиц анализа с категориями;

· пропуск тех или иных единиц анализа;

· фиксация того, чего нет на самом деле.

Все это нарушает устойчивость результатов контент-анализа. Причины низких показателей устойчивости следует искать в качестве инструкций, недостаточной умелости кодировщиков, в неподходящей обстановке их работы, наконец, в отсутствии внимательности, терпения или добросовестности.

3. Этап обработки данных

Содержание его определяется целью исследования. В зависимости от этого при обработке результатов (одной или нескольких кодировочных матриц) могут быть использованы частотные или процентные распределения, коэффициенты корреляции, сопоставительные таблицы и т.д.

В тех случаях, когда анализируется большой массив данных, иногда используются специальные математико-статистические способы, разработанные для нужд контент-анализа.

Факторный анализ применяется, когда возникает необходимость определить совокупность вероятных причинно-следственных связей между переменными, установить наличие феноменов, объясняющих существование взаимосвязи.

В последние десятилетия все чаще при обработке данных контент-анализа или корреляционного анализа используется особый метод математической статистики, позволяющий выявить скрытые от непосредственного восприятия дензнаки (факторы), а также уточнить степень их влияния на те или иные рассматриваемые характеристики.

Приведем пример - расчёт коэффициента Яниса, при помощи которого может быть установлено соотношение положительных и отрицательных оценок относительно определенных категорий. Данный коэффициент исчисляется по формуле:

для случая, когда f>n ,

,

для случая, когда f<n

где f - число положительных оценок, n - число отрицательных оценко, r - объем единиц информации, отражающих изучаемую категорию, t - общий объем единиц анализируемого текста.

Факторный анализ

Факторный анализ зародился в психологии, в исследованиях интеллекта. Первые положения были сформулированы Френсисом Гальтоном - если несколько признаков измеренных на группе измеряются согласованно, то можно предположить существование одной общей латентной причины их совместной изменчивости. Позже Пирсон выдвинул важную для развития факторного анализа идею метода главных осей. Чарльз Спирмен, отстаивая однофактроную концепцию интеллекта, разработал математический аппарат для оценки этого фактора исходя из множества измерений способностей. В 1930 Терстоун впервые предлагает многофакторный анализ, для описания многочисленных измеренных способностей меньшим числом общих факторов. С середины 50-х годов метод факторного анализа становится общенаучным. Популяризации факторного анализа во многом способствовало разработка Кеттеллом 16Pf.

Основные задачи факторного анализа

· Исследование структуры взаимосвязи переменных. Каждая группировка переменных будет объясняться фактором, по которому эти переменные имеют максимальную нагрузку

· Идентификация факторов как латентных переменных

· Вычисление значений факторов для испытуемых ка новых интегральных переменных

Факторный анализ и матрица корреляций Факторный анализ построен на изучении корреляций множества признаков. Сам фактор понимается как причина совместной изменчивости нескольких исходных переменных. Поэтому, для расчета так называемой компонентной матрицы, используется исходная матрица корреляций. Далее определяются скореллированные переменные корреляция которых будет объяснять самую большую долю дисперсии. Эти переменные образуют первый фактор. Затем они исключаются и выбираются те переменные, которые будут объяснять остальную дисперсию. Процедура продолжается до тех пор, пока не будет объяснена вся дисперсия переменных. Основные показатели факторного анализа

Матрица компонент - является одной из основных матриц получаемых в результате применения факторного анализа и отражающей факторную структуру. Каждый элемент матрицы - это компонентная нагрузка конкретной переменной и соответствующей компоненты k, являющейся аналогом коэффициента корреляции. Компонентная матрица строится путем математического решения задачи сокращения количества переменных при условии сохранения их максимальной доли дисперсии, где полная, единичная дисперсия каждой переменной раскладывается по компонентам.

Максимальное количество выделяемых компонент равно числу переменных участвующих в факторном анализе, они описывают 100% дисперсии переменных. Факторные нагрузки переменных в компонентной матрице - аналог коэффициента корреляции, отображают степень взаимосвязи соответствующих переменных и факторов. Чем больше значение, тем сильнее связь переменной с фактором, тем больше данная переменная обусловлена действием соответствующего фактора. Квадрат факторной нагрузки интерпретируется как часть общей дисперсии, объясняемой конкретной переменной в факторе. Сумма квадратов всех компонентных нагрузок по строке равна 1, то есть равна полной дисперсии переменной объясняемой всеми факторами. Общность - понимается как часть дисперсии переменной, объясняемая факторами (всеми или несколькими). Общность расчитывается как сумма квадратов факторных нагрузок нагрузок по строке. Общность - часть дисперсии переменной, обусловленная действием самих факторов Характерность -- понимается как часть необъясненной факторами дисперсии переменной.

Характерность расчитывается как единица минус сумма квадратов факторных нагрузок нагрузок по строке. Характерность обусловленна спецификой данной переменной, а также возможными ошибками измерения. Сумма общности и характерности равна единице - полной дисперсии переменной. Собственное значение фактора - показатель пропорциональный общей доли дисперсии относительно общего числа переменных (понимается как мощность фактора). Собственное значение фактора рассчитывается как сумма квадратов всех компонентных нагрузок по столбцу. Собственные значения факторов выделяются в порядке их убывания. Сумма всех собственных значений равна количеству переменных (если все корреляции были бы равны 0, то каждое собственное значение было бы равно 1. Чем выше корреляции между исходными переменными, тем больше предыдущие собственные значения и меньше последующие. Число получаемое путем деления собственного значения фактора, на общее количество переменных, интерпретируется как доля дисперсии объясняемой данной компонентой. Показатель полноты факторизации - рассчитывается как сумма квадратов всех элементов факторной структуры деленная на число переменных.

Размещено на Allbest.ru