استفاده نمونه گیری در تحقیقات

نمونه گیری
تحلیل گر اجتماعی در اکثر تحقیقات باید از نوعی طرح نمونه گیری برای انجام تحقیق سود جوید.
ارتباط همواره در تمام عرصه های زندگی حضور داشته است. اما چاپ انبوه، وجود دستگاه ضبط صوت و تصویر، دستگاه فتوکپی و کامپیوترها دسترسی به اطلاعات نمادین را به طور گسترده ای افزایش داده است. به محض آن که تحلیل گر محتوا مسئله ای را مطرح می کند با سیلی از اطلاعات مواجه می شود که این نهادها تولید می کنند. و هنگامی که محقق درصدد تحلیل نوار ضبط مکالمات گروه آزمونی که ترتیب داده بر می آید چه بسا ساعت کار تحلیل محتوای چنین نواری ۱۰ تا ۱۰۰ برابر زمان نوار طول بکشد. غالبا حتی عملیات پژوهشی مجهز نیز در کل داده های خام موجود غرق می شود.

تحلیل گر محتوا در مواجهه با چنین حجم عظیمی از داده ها باید دو کار انجام دهد. نخست، وی باید از تمام اطلاعاتی که می تواند برای تفکیک مطالب مربوط از مطالب بی ربط به دست اورد سود جوید. ممکن است اطلاعات مقتضی برای استنباط های مورد نظر به طور ناموزونی در رسانه ها، انتشارات، اسناد، زمان ها یا مناطق جغرافیایی مختلف توزیع شده باشد. دوم، چنانچه بعد از بررسی تمام اطلاعات، حجم اطلاعات مربوط کماکان بسیار بزرگ باشد باید با اعمال روش های تصادفی نمونه ای انتخاب کند که برای دربرگرفتن اطلاعات مناسب به اندازه کافی بزرگ و برای تحلیل به اندازه کافی کوچک باشد.

انواع طرح نمونه گیری
عمل نمونه گیری برحسب برنامه نمونه گیری صورت می گیرد. در این برنامه جزئیات مقتضی طرز عمل دستیابی به نمونه ای از واحدها که مجموعا معرف جامعه آماری مورد نظرند مشخص می شود. برای نیل به نمونه ای معرف برنامه نمونه گیری تضمین بخش آن است که در چهارچوب محدودیت های ناشی از شناخت موجود درباره پدیده ها هر واحد از شانس برابری در انتخاب شدن در مجموعه واحدهای نمونه گیری برخوردار است. برنامه نمونه گیری تضمین می کند که هیچ اریبی در شمول واحدها در نمونه وجود ندارد.

نمونه تصادفی
با فرض عدم شناخت پیشین درباره پدیده ها طرح نمونه گیری برای انتخاب نمونه تصادفی ساده تهیه فهرست تمام واحدهای مربوط (شماره های روزنامه، اسناد، سخنرانی ها یا جملات) است که در مورد آنها تعمیم صورت می گیرد.

نمونه های طبقه بندی
نمونه گیری طبقه بندی در جایی است که چند زیر مجموعه متمایز در جامعه آماری مشخص شده است که بدان ها طبقه اطلاق می شود. هر واحد نمونه گیری فقط به یک طبقه تعلق دارد. از هر طبقه به طور جداگانه نمونه گیری تصادفی می شود به گونه ای که نتایج حاصله بازتاب تمایزات مشخص پیشین است که در جمعیت آماری وجود دارد.

نمونه گیری سیستماتیک
نمونه گیری سیستماتیک متضمن انتخاب هر k امین واحد از فهرست جامعه آماری بعد از تعیین تصادفی نقطه شروع است. در تحلیل محتوا نمونه گیری سیستماتیک هنگامی مناسب است که داده ها از انتشارات منظم، توالی تعامل اشخاص، نظم رشته گونه نوشتار، فیلم و موزیک به دست می آید. مسئله اصلی در نمونه گیری سیستماتیک این است که فاصله طول k ثابت است و چنانچه با آهنگ طبیعی مانند تغییرات موسومی و نظم های دورانی دیگر منطبق گردد نمونه ای اریب به بار می آورد. به همین دلیل توصیه می شود از این روش برای انتخاب هر هفتمین شماره روزنامه استفاده نشود اما استفاده از مثلا هر پنجمین شماره اشکالی ندارد.

 

نمونه گیری خوشه ای
در نمونه گیری خوشه ای از گروههایی از عناصر به منزله واحدهای نمونه گیری استفاده می شود که از حد و مرز و عنوان طبیعی برخوردارند. انتخاب یک خوشه همه عناصر آن را مشمول نمونه می کند و از آنجا که گروهها حاوی تعداد نامشخصی عناصراند احتمال شمول واحدی در نمونه به اندازه گروهها بستگی دارد.

نمونه گیری با احتمال متغیر
نمونه گیری با احتمال متغیر تعیین احتمال شمول هر واحد در نمونه برحسب معیاری پیشین است. پاره نمونه گیری با احتمال منطبق با حجم رایج ترین شیوه ای است که نمونه هایی به بار می آورد که غالبا نمونه های مناسب خوانده می شوند.

نمونه گیری چند مرحله ای
غالبا نمونه ها به طور متوالی و با استفاده از یک یا چند شیوه نمونه گیری انتخاب می شود. به این نمونه گیری متوالی نمونه گیری چند مرحله ای اطلاق می شود و می توان آن را تعدیل نمونه گیری خوشه ای به شمار آورد.

حجم نمونه
معمولا بعد از تعیین نحوه نمونه گیری مسئله بعدی اندازه نمونه است. برای این مسئله هیچ پاسخ ثابتی وجود ندارد. هنگامی که همه واحدهای نمونه گیری دقیقا همسان اند نمونه ای با حجم یک واحد رضایتبخش است. این حالت غالبا در آزمون مصرف کننده و مهندسی مفروض است. آنجا که فهرست واحدها شامل رویدادهای نادر و معنادار است نمونه باید بزرگ باشد و هنگامی که هر یک از واحدهای نمونه گیری منحصر بفردند باید شامل همه آنها باشد. در عمل این عدم قطعیت چندان هم مخاطره آمیز نیست. در حالی که هر واحد اضافی نمونه هزینه تحلیل را بالا می برد افزایش واحدها به نقطه ای می رسد که از آن به بعد ارتقاء محسوسی در تعمیم پذیری یافته به بار نمی آورد. این همان نقطه ای است که حجم نمونه از حداکثر کارایی برخوردار است. تعیین این نطه موضوع سود و هزینه است که عمدتا به نحوه توزیع ویژگی مورد تعمیم در نمونه بستگی دارد.

 

ضبط داده ها
ضبط داده ها یکی از مسائل اساسی روش شناسی در علوم اجتماعی انسانی است. این قضیه مورد اذعان علوم طبیعی که واقعیت جز از طریق ابزار سنجش به دست نمی آید در اینجا نیز صدق می کند. نمی توان چیزی را که به طور مناسبی ضبط نشده مورد تحلیل قرار داد و نمی توان انتظار داشت که اطلاعات منبع در قالب رسمی زبان داده ها ارائه شود. هر جا که پدیده های مورد نظر یا نسبت به روش های موجود بی ساخت اند یا نمادین اند از این لحاظ که حامل

اطلاعاتی درباره پدیده ها هستند که خارج از نمودهای عینی آنهاست ضرورت ضبط به میان می آید. شکل های نمادین طبیعی آکنده از ساختارهای مبهم و حذف ها و مملو از ابهامات و وابستگی های متنی است که ابزارهای سنجش عینی به ندرت از پس ضبط آنها بر می آیند. ارتباطات نمادین را که به صورت مکتوب، نوار ضبط صوت و نوار ویدئویی اند باید قبل از استفاده برای پردازش داده ها و استنباط عمدتا به صورت زبان رسمی درآورد.

 

دستور عمل های صریح ضبط داده ها باید حاوی این نکات باشد:
خصوصیات مشاهده گران (کدگذاران، داوران) که برای عمل ضبط داده ها گمارده می شوند.
تعلیم و آماده سازی این مشاهده گران برای ضبط داده ها
در صورت اقتضاء نحو و معناشناسی زبان داده های مورد استفاده باید حاوی مطرح کردن عملیات شناختی مورد استفاده در مقوله بندی پیام ها باشد.
تهیه برگه داده ها

مشاهده گران
طبعا مشاهده گران و داوران باید با ماهیت داده های مورد ضبط آشنا باشند اما همچنین باید قارد باشند با پایایی به مقولات و اصطلاحات زبان داده ها بپردازند. تحقق این شرط دوگانه چندان هم ساده نیست. فی المثل اگر مسئله ضبط زبان بومی است یافتن متکلمین زبان بومی ساده است اما پیدا کردن کسی که از آموزش مناسبی در روش علمی برخوردار باشد دشوار است. از این رو تحلیل گر محتوا غالبا به طور معکوس به مسئله می پردازد و از افرادی چون دانشجویان

که آموزش علمی دیده اند استفاده می کند که باید با پدیده مورد ضبط آشنا گردند. گو اینکه بدین ترتیب احتمالا تحریف ها اندک می شوند فی المثل دانشجویان سفیدپوست طبقه متوسط وقت چندانی برای فراگیری زبان بومی ندارند. حتی در مورد توصیف نمایش های تلویزیون، موضوع ها و شخصیت هایی که مخاطبان آن مردم عادی اند زمینه اجتماعی اقتصادی و زبانی و تفاوت های تحصیلی کدگذاران غالبا نقش قاطعی در امکان ضبط پایای داده ها دارد.

تعلیم
تعلیم کدگذاران کار آماده سازی متداولی در تحلیل محتواست. نه تنها افراد باید در مورد جزئیات کار ضبط داده ها آموزش ببینند – عمل ضبط داده ها و تعریف آنها به ندرت با تجربه شهودی منطق است – بل این کدگذاران غالبا وسیله شکل دادن به این فرایند خاصه در مرحله آماده سازی تحلیل محتوا هستند.

معناشناسی داده ها
(طرق تعریف معنای مقوله ها)
نحو و معناشناسی زبان داده ها اساسا در قواعد حاکم بر قرار دادن واحدها در مقوله یا کدها نمود پیدا می کند. علامت وارسی در برگه داده ها، سوراخ کارت پانچ، تفسیر رمزی تحلیل گر در حاشیه متن منبع تا جایی حاصل اطلاعات اند که با پایایی از قواعد تبعیت کنند. اما آنها تا حدی معنا دارند که خواصی که موجب ظهور داده ها می شوند به طور مشخصی در آن ها تجلی یافته باشند، داده ها پدیده های نمادین هستند.

برگه داده ها
برگه داده ها حاوی شکل ابتدایی و صریح ترین شکل اطلاعات است. هنگامی که پدیده های مورد ضبط بدون بر جای گذاشتن هیچ نشانه عینی جاری است مانند بحث گروهی یا برنامه زنده تلویزیونی برگه داده ها می تواند تنها ضبط این پدیده ها باشد و موقعی که پدیده های مورد نظر بی ساخت اند مانند سخنرانی های ضبط شده یا دستنویس ها که غالبا بدین گونه اند برگه داده ها اطلاعاتی درباره این پدیده هاست که تحلیل می تواند به بررسی آنها بپردازد.
برگه داده ها شامل چند نوع اطلاعات اند که برخی بدیهی اند و بقیه به طور کلی مطرح شده اند.
این اطلاعات به اختصار عبارتند از:

اطلاعات اجرائی
اطلاعات درباره سازمان داده ها
اطلاعات درباره پدیده های مورد ضبط، یعنی داده ها

اطلاعات اجرایی
اطلاعات اجرایی راهنمای پردازش داده ها در دفتر کار است. لزوم گنجاندن این اطلاعات را نباید دست کم گرفت. غالبا برگه داده ها فاقد نظم و ترتیب بوده، بازسازی توالی داده ها را غیر ممکن می سازد. بررسی برگه های تکمیل شده ای که در آن تعیین قطعی این که داده ها به چه بخش از مطالعه تعلق دارند، تایید شده اند، پانچ شده اند یا ذخیره شده اند امکان پذیر نیست بس وقت گیر است.
اطلاعات اجرایی حاوی این نکات است:

الف- مشخصات طرح تحلیل محتوا که داده ها برای آن ضبط می شوند از جمله مرحله بسط وسیله ضبط در جایی که دستخوش تغییر می گردد و احتمالا مشخص کردن نوع کلی داده ها و نوع واحدی که برای آن به کار می رود. این اطلاعات را که به کار تفکیک طرح ها یا پدیده های مورد تحلیل می آید می توان بر روی هر برگه داده ها چاپ کرد.

ب- مشخصات وضعیت برگه داده ها: تکمیل شده، تایید شده، پر شده (برحسب شماره)، تکثیر شده، به برگه دیگری منتقل شده، پانچ شده و غیره. قطع نظر از نوع پردازش داده ها مجری تحقیق باید قبل از بایگانی کردن آنها قادر به تشخیص نحوه پردازش داده ها و باقیمانده کارها باشد.
ج- مشخصات افراد مشمول پردازش داده ها، خاصه مشاهدگردان که پدیده های اصلی را کدگذاری کرده اند و همچنین کسانی که داده ها را وارسی و پردازش کرده اند و چه بسا لازم باشد در برخورد متعاقب با خطاها با آنها تبادل نظر کرد.

د- مشخصات نحوه پانچ داده ها (شماره ستون های اختصاص یافته به متغیرها، شماره مقوله ها) یا به هر طریق دیگری که برای پردازش کامپیوتری آماده شده اند.

اطلاعات درباره سازمان داده ها
اطلاعات درباره سازمان داده ها در جایی حائز اهمیت است که تحلیل گر از چند نوع واحد ضبط سود می جوید.
برای استفاده از یک نوع داده ها در تحلیل نوع دیگری از داده ها باید اطلاعات مربوط به سازمان داده ها را یا به شکل فایل مادر که نحوه جفت و جور شدن داده ها را توصیف می کند یا به شکل مدخل های خاص در جایی که داده ها با هم رابطه دارند بدان افزود.

زبان داده ها
دستگاه توصیفی که تحلیل گر داده های خود را در قالب آن می ریزد زبان داده ها خوانده می شود. زبان داده ها رابط دنیای واقعی پدیده ها با داده های علمی است و غالبا گلوگاه بینش علمی است. زبان داده ها دارای نحو و معناشناسی است. معناشناسی آن داده ها را به دنیای واقعی پیوند می دهد در حالی که نحو آن داده ها را به شیوه علمی مرتبط می سازد.

تعریف
زبان داده ها شکل ضبط داده ها را معین می کند و شامل اینهاست:
متغیرها که مقادیرشان در چهارچوب بعدی مفهومی دارای تغییرپذیری در واحدهای ضبط است.
ثابت ها با معنای عملیاتی ثابت که رابطه متغیرها را مشخص می کند.

نحو که قواعد آن حاکم بر ساخت ضبط های دارای قالب (فرمول، بیان) مناسب است که در مورد متغیرها و ثابت ها ا عمال می شود.
منطق که تعیین می کند کدام ضبط ها متضمن همدیگرند یا باید همسنگ به شمار آورد.
منطق مشخص کننده وابستگی های منطقی (پیشینی) در بین متغیرهاست.

سازه های استنباط
سازه تحلیلی دانسته های محقق درباره وابستگی متقابل در بین داده ها و متن را عملیاتی می کند.
ساده ترین شکل سازه تحلیلی مجموعه ای از گزاره های شرطی (اگر … آنگاه…) است. فی الواقع سازه تحلیلی تحلیل محتوا را می توان به مدل وابستگی متقابل پایدار در متن تشبیه کرد که خصوصیات ناپایدار همان خصوصیاتی است که هدف استنباط است. سازه های تحلیلی مانند مدل ها باید از لحاظ کارکرد ولونه از لحاظ ساختار با خصوصیاتی که مدعی اند معرف آنها هستند متناظر باشند.

سازه های تحلیلی را می توان نظریه درباره متن نیز تعریف کرد که به گونه ای عملیاتی شده که متغیرهای مستقل آن معرف بالقوه همه داده های ممکن است و متغیرهای وابسته آن مبین چیزی است که تحلیل محتوا در پی استنباط، پیش بینی آن یا کسب اطلاع از آن درباره متن داده هاست.
شناختی که به ایجاد سازه های تحلیلی و توجیه آن می کشد باید از منابع دیگر کسب شود یا کسب شده باشد، چه با داده هایی که محتوای آنها تحلیل شده است نمی توان به متن آن ها دست یافت. منبع شناخت، نحوه عملیاتی کردن آن و شکل سازه های تحلیلی در این بخش به میان می آید.

منبع عدم قطعیت
استنباط هرگز قطعیت های مطلق نیستند. از این رو تحلیل گر باید بتواند احتمال کشیدن داده های موجود در استنباط های مورد نظر را نیز تعیین کند. سه منبع اصلی این احتمالات عبارتند از:
فراوانی نسبی وابستگی های مشاهده شده مربوط به متن
اطمینان به اعتبار سازه تحلیلی

مناسب بوده سازه در وضعیتی معین
گواینکه تعیین کمیت این احتمالات به ندرت صورت می گیرد ملاحظه عوامل موثر بر این عدم قطعیت ها حائز اهمیت است.
فراوانی نسبی وابستگی مشاهده شده مربوط به متن آشکارترین منبع این احتمالات اند.
اطمینان به اعتبار سازه این احتمال استقرایی است که سازه حاصل تصادفی شرایطی نیست که تجربیات گذشته از آن برخاسته باشد.
مناسب بودن سازه تحلیلی در وضعیتی معین بر این قائل است که هیچ دو وضعیتی دقیقا یکسان نیست و تجربیاتی که در یک وضعیت یا یک مقطع زمانی به دست آمده هر چند هم که قطعی و معتبر باشند قابل تعمیم به وضعیت های دیگر یا مقاطع زمانی دیگر نیستند یا تا حد محدودی قابل تعمیم اند.

منبع قطعیت ها
استنباط هایی که تا حدی صحیح تر از استنباط های تصادفی باشند مستلزم شناخت این چهار مورد زیر است که در بررسی نوع استدلال تحلیل گر محتوا در ساختن یا توجیه سازه های تحلیلی خود دیده می شود:

موفقیت های گذشته
تجربیات مربوط به متن
نظریه های جا افتاده
مفسران معرف
موفقیت گذشته اطمینان محقق را در اعمال سازه تحلیلی خود ارتقاء می بخشد مشروط به این که ویژگی هایی که سازه بیانگر آن است در واقعیت پایدار و غیر متغیر باشد. گذشته از این فرض استناد به موفقیت های گذشته متضمن هیچ شناختی نیست و هیچ بصیرت خاصی درباره ماهیت روابط متنی که تحلیل محتوا تبیین می کند به بار نمی آورد.

انواه سازه
رویکرد سیستمی به تحلیل محتوا در پی استنباط روندها، الگوها و تفاوت هاست. روندها متضمن مشاهده یک یا چند متغیر در مقاطع زمانی مختلف است. استنباط این متغیرها در زمان های مختلف مستلزم آن است که سازه های تحلیلی به صورت تابع تکرار شونده یا خود همبسته باشد.
سازه های تحلیلی شناسایی، ارزیابی و حسابرسی متضمن استانداردهایی است که نتایج تحلیل محتوا با آن مقایسه شود مانند ارزیابی عملکرد مطبوعات، تحلیل آسیب شناسی روانی، سوگیری های روزنامه نگاران و اعمال ضوابط در صنعت رسانه های جمعی. اعتبار این دست سازه ها از نهادهایی برمی خیزد که کاربرد آنها را تضمین می کند و عمدتا متکی است بر استنباط های به عمل آمده. عموما این سازه های تحلیلی به شکل فرایندی دو مرحله هستند:

۱- تخلیص داده هاست به گونه ای که قابل مقایسه گردند. ۲- اعمال استانداردهایی برای تعیین انحرافات ممکن است. عمل نهادی هر دو را توجیه می کند.
شاخص ها و نشانه ها متغیرهایی هستند که با چیزی که مدعی اند بیانگر آنند همبسته اند. اصلی ترین شکل سازه تحلیلی را که متضمن شاخص های مستقیم است می توان یک دستگاه درون داد – بیرون داد تصور کرد. قوی ترین شکل تحقق چنین سازه ای به صورت رابطه یک به یک یا تابع ریاضی تجلی پیدا می کند. فی المثل فرض است که قدمت اشیا باستانی با اندازه گیری فعالیت رادیوکربن مشخص می شود یا سرعت سنج اتوموبیل به گونه یا ساخته می شود که به موتور اتوموبیل وصل گردد. در علوم اجتماعی قطعیت شاخص بسیار پایین است و همبستگی ها نمی توانند کامل باشند.

شاخص ها علاوه بر داشتن همبستگی با پدیده های مورد نظر باید به گونه ای انتخاب شوند که دو شرط دیگر را نیز برآورده سازند.
نخست، شاخص باید برای متمایز ساختن پدیده های مورد نظر به اندازه کافی حساس باشد. تفاوت های معناداری در پدیده ها باید به صورت تفاوت های محسوس در شاخص منعکس گردند و بالعکس. در واقع بسیاری از شاخص ها برای کمک به تفکیک پدیده ها، حالت ها یا ویژگی ها ساخته شده اند مانند تشخیص اسکیزوفرنیا در بیمار روانی، تعیین خواناترنی کتاب، تعیین این که خشونت در برنامه تلویزیونی امروز بیشتر است یا در برنامه های گذشته. پایزلی (۱۹۶۴) با بررسی کارهایی که در زمینه استنباط مولفان اسناد گمنام صورت گرفته چند معیار برای تمیز این امر ارائه داده است:
شاخص باید مبین واریانس کم در درون آثار معلوم ارتباط گیرنده باشد.

شاخص باید مبین واریانس زیاد در بین آثار نویسندگان مورد مقایسه باشد.
فراوانی سهیم در ارزش شاخص باید نسبت به خطای نمونه گیری بالا باشد.
دوم، شاخص نباید از متغیرهایی متاثر باشد که ربطی به پدیده مورد نظر ندارند یا برای آنها جنبه تصادفی دارند.

تکنیک های تحلیلی
کار محاسبه در تحلیل محتوا عمدتا صرف گردآوری داده ها و اعمال سازه های تحلیلی می شود.
بعد از این که معلوم شد معنای داده ها چیست یا مبین چه چیزی هستند لازم است که:
داده ها را تلخیص کرد، آنها را به گونه ای ارائه کرد تا بتوان بهتر درک کرد، تفسیر کرد یا به تصمیماتی که خواننده می خواهد اتخاذ کند ربط داد.
الگوها و روابط درون داده ها را که چشم غیر مسلح به راحتی تشخیص نمی دهد کشف کرد، فرضیه های رابطه ای را آزمود.
به منظور اعتبار بخشیدن به روش های مشمول یا تصریح اطلاعات ناقص، داده های حاصل از تحلیل محتوا را به داده های به دست آمده با روش های دیگر یا در وضعیت های دیگر مرتبط ساخت.

این کارها از هم جدا نیستند، معمولا هر سه را باید همزمان انجام داد. همچنین این کارها مختص تحلیل محتوا نیست و در بسیاری از کارهای تحقیقی خاصه کارهای آماری معمول است.

فراوانی
رایج ترین شکل ارائه داده ها که اساسا وظیفه تلخیص تحلیل را بردوش دارد فراوانی ها هستند: فراوانی های مطلق مانند تعداد تصادفات مشاهده شده در نمونه یا فراوانی های نسبی مانند درصدهای حجم نمونه. در تحلیل محتوا اندازه های حجم مانند مساحت مقاله ها در روزنامه، زمان، فضا یا سایر فراوانی های مبتنی بر شاخص ها از همان مقام برخوردارند و لزومی به متمایز ساختن آنها در اینجا نیست. این فراوانی ها به جز ویژگی های دلالت کننده ای چون مقدار توجه یا درجه رواج نگرش یا اعتقاد در جمعیت فی نفسه معنایی ندارند. در واقع خواننده هر آماری معمولا برای تفسیر فراوانی ها استانداردهای را در نظر می گیرد.

هنگامی که معلوم می شود فراوانی مقوله ای بزرگتر یا کوچکتر از متوسط فراوانی همه مقوله هاست به استاندارد توزیع یکسدت تمسک جسته می شود.
آنجا که مشاهده می شود فراوانی ها در طول زمان دستخوش تغییر شده اند به توزیع پایدار تمسک جسته می شود.

پیوستگی، همبستگی و جدولبندی تقاطعی
بعد از فراوانی ها رایج تری شکل ارائه داده ها روابط متغیرهاست. چنین روابطی را می توان در جدول بندی تقاطعی فراوانی توامی گونه های یک متغیر با گونه های متغیری دیگر دید.
برای آزمون ساختارهای پیچیده در داده های چند بعدی می توان از تکنیک های چند متغیره سود جست.
روابط (پیوستگی ها و همبستگی ها) بر دو نوع اند:
روابط در درون نتایج تحلیل محتوا

روابط در بین نتایج تحلیل محتوا و داده هایی که مستقلا به دست آمده است.
از آنجا که دست محقق در تعریف و انتخاب متغیرها کاملا باز است همواره این خطر وجود دارد که پیوستگی ها درون نتایج تحلیل محتوا مصنوع نحوه ضبط داده ها باشد. با اینکه فراوانی های مثال فوق از جهتی تعجب برانگیزند (پلیس بد، جانی خوب) همبستگی مثبت مثلا در بین «خصوصیات شخصیتی مردانه – زنانه» و «جنس شخصیت» شگفت انگیز نیست، چه این دو متغیر فعلا منطقا همبسته اند. چه بسا آزمون های سنتی معناداری آماری یا روابط درون نتای تحلیل محتوا معنایی جز این که محقق طرز عمل خویش را بدین طریق معین کرده نداشته باشد. در این شرایط آزمون های معتبر باید انتظاراتی جز انتظارات استقلال آماری را مفروض بگیرید. در اینجا ضرایب همبستگی قابل تفسیر نیستند.

روابط بین نتایج تحلیل محتوا و داده های دیگر دستخوش این مسئله نیست که عمدتا از ان روست که داده های دیگر مستقلانه، با وسایل دیگر و در زمان های مختلف و وضعیت های مختلف به دست امده اند. آزمون این روابط برای این موارد اهمیت فوق العاده ای دارد:
اعتبار بخشیدن به نتایج تحلیل (نگاه کنید به بخش اعتبار) با تمسک به شواهد مختلف.
اعتبار بخشیدن به نتایج تحلیل با ارائه منبع مستقلی از شواهد مشابه (عملیاتی کردن چندگانه)
آزمون نظریه های دربرگیرنده متغیرها که با تکنیک های مختلف ارزیابی می شود.

تحلیل تصویر، سیما و تمایزات
محور مطالعه بسیاری از تحلیل محتواها پدیده، شخص، اندیشه یا رویدادی خاص است و هدف آن وقوف بر نحوه ارائه یا مفهوم سازی آن، تصویر نمادین آن است. این نوع تحلیل دارای دو رویکرد است:
اوصاف، سیمای فراوانی، خواص توزیعی
پیوستگی ها

 

وابستگی ها، تحلیل وابستگی
هدف تحلیل وابستگی استنباط شبکه پیوستگی های منبع از روی الگوی توامی نمادها در پیام هاست. در اینجا فرض است که نمادها، مفاهیم یا اندیشه هایی که از لحاظ مفهومی پیوستگی نزدیکی دارند از لحاظ آماری نیز رابطه نزدیکی دارند. این امر در مورد هر منبعی خواه نویسنده ای واحد، خواه گروهی اجتماعی با پیشداوری و تقیدات ایدئولوژیکی خود و خواه کل یک فرهنگ با الگوهای آداب و رسوم خود مفروض گرفته می شود. آزمایش ها نیز نشان داده اند که پیوستگی ها را وابستگی های آماری موجود در پیام ها می رسانند به گونه ای که تحلیل وابستگی را نیز می توان برای استنباط پیوستگی های مخاطبان به کار برد. قطع نظر از این استنباط های ممکن تحلیل وابستگی فی نفسه یک تکنیک تحلیلی است.

تحلیل وابستگی با مجموعه ای از واحدهای ضبط آغاز می شود که هر یک با مجموعه ای از اوصاف توصیف می شوند که یا حضور دارند یا غایب اند. انتخاب واحدهای ضبط حائز اهمیت است و چنین واحدهایی باید از لحاظ اطلاعات آنقدر غنی بوده که حامل توامی ها باشند. یک کلمه بیش از حد کوچک است و جمله معمولا حاوی چند مفهوم است اما غالبا واحدهای بزرگ ترجیح داده می شوند.
در مرحله دوم توامی ها ممکن صفت ها در هر واحد شمارش شده و به صورت درصد ارائه می شود.
در مرحله سوم باید معناداری آماری این توامی ها آزموده شود.

خوشه بندی
با بزرگ شدن جدول توامی های ممکن مفهوم سازی نتایج دشوار می شود. بررسی ماتریسی با ۲۰۰*۲۰۰ پیوستگی در بین مفاهیم که برای تحلیل محتوا چندان غیر عادی نیست کار شاقی است و احتمالاً روابط مهم از قلم می افتد . خوشبختانه غالباً معلوم می شود که پاره ای از مفاهیم آنقدر شبیه هم هستند یا چنان رابطه متقابلی دارند که می توان بدون هدر رفتن جزئیات زیاد آنها را یکی به شمار آورد . با پیدا کردن تعدادزیادی از ” خوشه ها ” کار مفهوم سازی داده ها ساده ترمی شود .

خوشه بندی گروه بندی یا ادغام چیزها یا متغیرهایی است که در پاره ای ویژگی های مشاهده شده سهیم اند یا بالعکس افراز یا تقسیم مجموعه ای از چیزها یا متغیرها به طبقات مانعت الجمعی است که حد و حدودشان منعکس کننده تفاوت ویژگی های مشاهده شده در عضوهایشان است.

طبقه بندی متن
طبقه بندی متن تکنیکی چند متغیره است برای زدودن نوع خاصی از حشور و زوائد در داده ها و در نتیجه استخراج چیزی از آنهاست که به نظر می رسد مفهوم سازی اصلی است. در اینجا فرض گرفته می شود که هر چه وجه اشتراک یا مترادف بودن چیزها و آشکارتر از همه کلمات بیشتر باشد تشابه متن آنها بیشتر است. در اینجا متن محیط زبانی کلمات یا محیط درونی داده های واحد ضبط است.

کاربرد کامپیوتر
کامپیوتر با تجهیز تحلیل محتوا به ابزاری پایاه، سریع و ارزان سخت مورد استقبال قرار گرفته و در واقع کاربرد کامپیوتر انقلابی در جنبه های خاصی از تحلیل محتوا به وجود آورده است.
خواص کامپیوتر که در تحلیل محتوا حائز اهمیت است عبارتند از:
۱- حجم عظیمی از داده های رقمی به طور متوالی در کامپیوتر خوانده می شود.
۲- اعمال منطقی یا جبری که می توان در مورد این داده ها تعریف کرد با سرعت زیادی اجرا می شود.
۳- اجرای این اعمال را برنامه ای مشخص می کند که عمل کامپیوتر را تعیین و کنترل می کند و از این رو همبسنگ نظریه های کامل یا بازنمایی نحوه کار کامپیوتر است.

۴- فرآیندهای کامپیوتری جبری اند و از این رو کاملا پایا هستند. کامپیوتر به هیچ ابهام و عدم قطعیتی تن در نمی دهد.
کاربرد کامپیوتر را در تحلیل محتوا می توان به سه نوع اصلی تقسیم کرد:
تحلیل های آماری
پیمایش و اکتشاف

تحلیل محتوای کامپیوتری

تحلیل های آماری
در علوم اجتماعی تکنیک های آماری اعمالی استاندارد هستند. عملا همه این ها به صورت برنامه کامپیوتری درآمده اند. در واقع به ندرت کسی با دست به تحلیل محتوا می پردازد و شاید هم به ندرت کسی قادر به انجام آن باشد.

کاربرد کامپیوتر در پیمایش و اکتشاف
محقق قبل از مفهوم سازی داده های خود و قبل از انتخاب تکنیک های تقلیل داده ها، ساختار واژه نامه و اعمال تحلیلی مقتضی ممکن است در پی نیل به دیدی کلی از تنوع و نوع و توزیع داده ها برآید. انگیزه اصلی تمسک به کامپیوتر در نیل به چنین دید کلی حجم عظیمی از مطالب است که محقق ناگزیر از بررسی آن است. محققی که فاقد این ابزار کمکی است احتمالا به برداشتی اریب، ناقص و کاملا گزینشی می رسد.

تحلیل محتوای کامپیوتری
ما اصطلاح تحلیل محتوای کامپیوتری را محدود به وضعیتی می دانیم که کامپیوتر برای شبیه سازی، مدل سازی، همتاسازی یا ارائه جنبه ای از متن اجتماعی داده های مورد پردازش برنامه ریزی شده است، یعنی در جایی که فرایند استنباط از روی متن نوشتار اصلی (یا کلا داده ها) تماما یا عمدتا با کامپیوتر صورت می گیرد.
گواینکه هدف تحلیل محتوای کامپیوتری پذیرش متن نوشتاری خام به منزله ورودی است کامپیوتر غالبا قادر به تشخیص تمایزاتی نیست که از لحاظ نظری مطرح اند و ناگزیر باید با پیش ویرایشی دستی وارد کامپیوتر شوند.