Соотношение различных обозначений

компонентов логической модели контент-анализа

Несмотря на существующие различия в обозначении компонентов логической модели контент-анализа, большинство исследователей, использующих данный метод (Алексеев А.Н., 1973; Соковнин В.М., 1973; Алексеев А.Н., Дудченко В.С., 1976; Рабочая книга социолога, 1983; Богомолова Н.Н., Стефаненко Н.Г., 1992; Тарасов С.В., 1998 и др.), проявляют единодушие, во-первых, в признании основной единицей контент-анализа категории анализа (ключевого понятия, соответствующего целям исследования и теоретическим позициям автора и являющегося аналогом проблемы исследования), и, во-вторых, в формулировании общих правил, которым должен отвечать контент-анализ и соблюдение которых удовлетворяет требованиям строгости метода и его надежности:

-принцип повторяемости элементов содержания, требования статистической значимости и формализации (достаточность изучаемого материала с точки зрения его объема, однородность материала; достаточная частота встречаемости элементов содержания);

§ соответствие процедуры контент-анализа определенной цели, задаче;

§ четкое определение (формулирование) категорий для обеспечения высокой степени согласия исследователей (экспертов) по поводу отнесения частей содержания к определенным категориям; устойчивость системы категорий и единиц измерения;

§ охват категориями всего текста (репрезентативность категорий по отношению ко всему тексту), взаимоисключаемость категорий (одни и те же части текста не должны принадлежать к различным категориям);

§ обоснованность по независимому критерию: данные контент-аналитического исследования должны быть сопоставимы с данными, полученными с помощью других методов.

Использование метода контент-анализа предполагает разработку и реализацию программы исследования, включающей 6 этапов (Богомолова Н.Н., Стефаненко Н.Г., 1992):

§ Формулировка целей и задач исследования, определение его теоретической основы, выбор объекта изучения (вербальный, визуальный тексты, коммуникативный акт и т.д.), разработка категориальной схемы исследования (выбор качественных и количественных единиц).

2) Составление кодировочной инструкции, предполагающей четкое изложение алгоритма действий кодировщика. Кодировочная инструкция включает описание единиц анализа, правила их регистрации. В случае дедуктивного контент-анализа производится соотнесение категорий и подкатегорий контент-анализа с конкретными элементами содержания текста (т.е. осуществляется поиск индикаторов, релевантных выбранным категориям); составляется словарь индикаторов категорий либо предлагается полное описание категорий с учетом специфики изучаемого текста. При этом всем категориям и подкатегориям присваивается цифровой или буквенный код. В случае индуктивного контент-анализа эмпирически выделенные содержательные элементы текста заносятся в единый список, а затем обобщаются в категории. Определяющей в данном случае является теоретическая база исследования, необходимо также использовать процедуру экспертной оценки. Составление кодировочной инструкции выступает необходимым методическим этапом независимо от того, кто является кодировщиком – сам автор исследования или группа приглашенных специалистов.

3) Пилотажная (пробная) кодировка текста (или его части) и коррекция кодировочной инструкции. Цель этого этапа – проверка методики, изложенной в кодировочной инструкции, на надежность (т.е. обоснованность и устойчивость). Пилотажный контент-анализ включает нахождение в тексте индикаторов различных категорий (и подкатегорий), перевод последних в условные обозначения – цифровые или буквенные коды, которые оговариваются в кодировочной инструкции. Процедура апробации методики требует следующих действий:

а) фиксацию всего «поля» смысловых единиц изучаемого материала – контент-анализу последовательно подвергаются несколько текстов, по результатам анализа самого первого текста составляется список единиц, в дальнейшем пополняющийся за счет тех единиц, которые еще не были зафиксированы ранее;

б) обеспечение контроля над обоснованностью выделения смысловых единиц и оперирования ими – привлечение к исследованию экспертов – специалистов в данной предметной области;

в) проверку обоснованности по независимому критерию – получение аналогичных данных посредством других методов (наблюдение, опрос, тестирование);

г) определения устойчивости полученных данных – выяснение «устойчивости во времени» (повторное кодирование текстов тем же кодировщиком) и «устойчивости среди аналитиков» (кодирование текстов разными кодировщиками по единой инструкции). Высокая надежность методики фиксируется тогда, когда расхождения между данными разных кодировщиков не превышают 5 % (коэффициент корреляции на уровне значимости 0,05) (Богомолова Н.Н., Стефаненко Н.Г., 1992). Как правило, высокой степенью надежности характеризуются простые формы контент-анализа, не предусматривающие тонкой дифференциации категорий.

По результатам пилотажного исследования в случае необходимости осуществляется коррекция кодировочной инструкции.

§ Кодировка всего текста (всего массива изучаемых текстов). На этом этапе осуществляется квантификация всей совокупности текстов, т.е. регистрируется частота появления категорий и подкатегорий анализа в определенном объеме информации. Первичная информация оформляется в виде таблицы частот встречаемости элементов, регистрируемых в текстах. Эта таблица носит название «кодировочная матрица контент-анализа» (или «кодировальная матрица для контент-анализа»), столбцы этой таблицы означают отдельные тексты или отдельных испытуемых, а строки – определенные качественные единицы контент-анализа (категории, подкатегории). В клетке на пересечении соответствующих столбца и строки отмечается в цифровом выражении количество упоминаний данной категории или подкатегории в каком-либо тексте или каким-либо испытуемым (в случае сплошного, терминологического подсчета), знаками «+» и «-» - присутствие/отсутствие данной категории в каком-либо тексте или в тексте какого-либо испытуемого (в случае сегментарного, тематического подсчета). Составление кодировочной матрицы является удобной формой организации первичной информации, особенно тогда, когда эта информация избыточна.

§ Статистическая обработка количественных данных. Она может производиться как вручную, так и с помощью специальных компьютерных пакетов прикладных программ (например, система прикладного анализа текстов ВААЛ ®). Процедура статистической обработки результатов контент-анализа не отличается от процедуры статистической обработки данных, полученных в других видах психологических исследований (применяются анализ процентных и частотных распределений, корреляционный, факторный, кластерный, дисперсионный, регрессионный виды анализа). Целесообразно использовать различные графические средства отображения результатов (диаграммы, графики), которые обеспечивают наглядность полученных эмпирических данных. Вместе с тем существуют и специфические способы количественной обработки данных, отвечающие целям контент-аналитического исследования:

§ процедура подсчета с помощью коэффициента Яниса (С), позволяющего установить соотношение положительных и отрицательных оценок, характеризующих определенную категорию. Приведем формулу, по которой вычисляется этот коэффициент:

С=f ² - f ª / r t для случая, когда f>a;

С= f ª - f ² / r t для случая, когда f<a,

Где f – число положительных оценок; а – число отрицательных оценок; r – объем единиц информации, отражающей изучаемую категорию; t – общий объем единиц анализируемого источника информации;

2) предложенная А.Н. Алексеевым формула оценки “удельного веса” различных категорий в общем объеме текста, указывающая на уровень интенсивности представления в тексте какой-либо темы, способов обращения к читателю и т.д.:

Укс=Кгл + Квт /Σ (2Кгл + Квт) х 100%,

Где Укс – «удельный вес» данной смысловой единицы; Кгл – число случаев, когда смысловая единица оказалась главной; Квт – число случаев, когда смысловая единица оказалась второстепенной; Σ – сумма анализируемых документов;

3) методика Ч. Осгуда, направленная на выявление случайных и неслучайных элементов содержания (определение случайности-неслучайности совместной встречаемости в тексте определенных единиц анализа). Использование данной методики предполагает, во-первых, регистрацию единиц анализа (их наличия или отсутствия), во-вторых, подсчет фактической совместной встречаемости этих единиц в исследуемом тексте и вычисление математически ожидаемой вероятности совместного появления единиц, в-третьих, сравнение фактических и вероятностных величин. Если обнаруженное число совместного появления единиц больше, чем ожидаемое, можно предположить, что возникшие сочетания (зависимости) единиц являются неслучайными, при этом, однако, необходимо определить уровень статистической значимости неслучайных сочетаний. Для того, чтобы проиллюстрировать данный вид анализа, обратимся к примеру, приводимому Н.Н. Богомоловой и Н.Г. Стефаненко: «Процедура данной методики состоит в том, что после подсчета совместной встречаемости единиц анализа рассчитывается квадратная матрица возможных и фактических совместных появлений этих единиц в тексте. Например, единица А встречается в 40% анализируемых сообщений (Ра=0,4), а единица В – в 2% сообщений (Рв=0,2), тогда можно ожидать, что по теореме умножения вероятностей совместно эти единицы появятся с вероятностью 0,08 (Рав = Ра х Рв = 0,4 х 0,2 = 0,08). Записываем это значение в соответствующую верхнюю от матричной диагонали клетку. Но на самом деле единицы А и В совместно встречаются только в 6% сообщений (fав = 0,06). Это число записываем в соответствующую нижнюю от диагонали клетку. Сравнивая фактические и вероятностные величины, определяем, какие фактические зависимости оказываются неслучайными. В нашем примере совместное появление единиц А и В – случайно, т.к. фактическая величина ниже вероятностной» (Богомолова Н.Н., Стефаненко Н.Г., 1992, с. 28-29).

§ Интерпретация полученных данных. Этот этап характеризуется усилением качественного аспекта контент-анализа (в отличие от промежуточных этапов, в рамках которых доминировал количественный аспект). Для того чтобы интерпретация данных была адекватной, необходимо соотнести полученные результаты с целями исследования, сформулированными на первом этапе, по возможности учесть теоретический и эмпирический контекст проведенного исследования, в т.ч. сопоставить обнаруженные факты с теми данными, которые были получены посредством иных методов.

В настоящее время все большее распространение получают компьютерные методы контент-анализа, использующиеся при оценке больших массивов текстов. Речь идет, в частности, о следующих методах анализа:

· оценка частот упоминания каких-либо элементов содержания – отдельных слов или категорий (выделяют простые и относительные, или условные, частоты);

· оценка частоты встречаемости в тексте той или иной характеристики в сравнении с нормой (т.е. частотой встречаемости этой характеристики в текстах среднего носителя языка, текстах профессионально определенной группы людей и т.д.);

· связи категорий (выявление совместной встречаемости – cooccurence – слов различных категорий), обнаруживающиеся посредством использования факторного и кластерного анализа;

· контекстный анализ (collocations), при котором анализируется не весь текст, а некоторая выборка из него, являющаяся контекстом употребления тех или иных слов и категорий;

· шкалированные категории, объединяющие множество характеристик, каждой из которых приписана одна или несколько оценок по заранее фиксированным шкалам.

Данные методы анализа текстов получили свою реализацию в психолингвистической компьютерной экспертной системе ВААЛ (http: //www.vaal.ru/).

Как и любой другой метод психологического исследования, контент-анализ обладает рядом достоинств и недостатков, которые необходимо учитывать при его использовании.

К достоинствам контент-анализа можно отнести следующие характеристики:

-возможность точной регистрации внешне неразличимых показателей в объемных массивах эмпирических данных;

-обеспечение высокой степени надежности полученных данных (возможность их перепроверки);

-допустимость осуществления отсроченного во времени анализа событий и ситуаций, в т.ч. исследования социально-психологических феноменов в историческом плане;

-обеспечение интегрального видения моделируемого объекта в многообразии его свойств;

-возможность исключить влияние исследователя на изучаемый объект (невключенность, «ненавязчивость» метода, предполагающая элиминирование «эффекта присутствия»).

В отношении последнего пункта исследователи придерживаются разных точек зрения. Так, В.Ю. Хотинец относит эту характеристику контент-анализа к несомненным его достоинствам (Хотинец В.Ю., 2001). А.Е. Войскунский и С.В. Скрипкин отмечают неоднозначность данного критерия: «…процедура анализа не может влиять на поведение источника данных. Однако нельзя забывать, что предшествующий анализу сбор информации производится на основе несомненно «навязчивых» методик (интервью, включенное наблюдение, проективный тест), что влечет за собой типичные ошибки (влияние присутствия исследователя, срабатывание стереотипов и предпочтений и др.), отрицательно влияющие на надежность данных» (Войскунский А.Е., Скрипкин С.В., 2001, с. 99).

Недостатками контент-анализа выступают:

-опасность абсолютизации его процедурной стороны;

-трудности, связанные с определением набора категорий анализа (в частности, принятие решения об отнесенности элемента содержания к той или иной категории, о введении иерархии категорий и подкатегорий анализа);

-вероятность искажающего влияния исследователя (например, по причине низкой его квалификации) на анализ текста;

-трудоемкость и громоздкость процедуры контент-анализа, требующие от исследователя большого внимания и упорства.

Обозначим способы преодоления указанных недостатков:

а) использование с целью оценки надежности результатов ручного контент-анализа и повышения их достоверности следующих методов:

· соблюдение точности, ясности и однозначности при разработке категориальной схемы исследования и кодировочной инструкции;

· параллельное кодирование текста разными кодировщиками (используется вариант самостоятельного кодирования текста другими, что позволяет оценить надежность воспроизведения результатов); сравнение полученных результатов с уже имеющимися; вынесение согласованного решения в случае несовпадения мнений кодировщиков; повторное отсроченное кодирование исследователем ранее проанализированного текста с целью оценки стабильности кодирования;

· использование методов многомерного статистического анализа данных (например, факторного анализа);

· проверка обоснованности выделения категорий анализа по независимому критерию (привлечение результатов, полученных с помощью других методов).

Б) разработка компьютерных методов контент-анализа текстов, использование которых позволяет:

· осуществлять автоматическую категоризацию текстов (предупреждать появление неоднозначности критериев анализа);

· решать проблему трудоемкости за счет быстродействия;

· исключить фактор невнимательности.

Перспективы развития метода контент-анализа усматриваются в реализации следующих направлений деятельности:

-использование при работе с этим методом компьютерных программ (технологий), позволяющих производить анализ не только текстов, но и изображений, видеофрагментов (AQUAD, NUD*IST, EtnoVision, Observer и др.);

-расширение междисциплинарных связей (обогащение контент-анализа средствами лингвистики, психолингвистики, математической статистики, математической логики и др.),

-укрепление внутридисциплинарных связей (связь контент-анализа с другими методами психологического исследования – наблюдением, интервью, биографическим методом, проективными техниками).

Поскольку метод контент-анализа является междисциплинарным, существует необходимость определить специфику использования этого метода в психологии. В таблице 2 представлены результаты анализа специфики реализации контент-анализа в психологических исследованиях.

Таблица 2.