Открытые вопросы в анкете: контент-анализ ответов респондентов

Здравствуйте, уважаемые читатели блога о контент-анализе! Сегодня я решил рассказать вкратце, каким образом происходит обработка ответов на открытые вопросы анкеты в социологии и маркетинге. По традиции углубляться в тему не буду: глубже вопрос будет рассмотрен в платном видеокурсе по контент-анализу, запись которого не за горами. По своему плану развития блога я хочу создать мой первый информационный продукт в видео формате в 2013 году. Перед этим я ещё пожалуй потренируюсь на бесплатном видеокурсе — коротком, но полезном. Подробности применения контент-анализа будут рассмотрены в коммерческом видео курсе.

Итак. На руках у нас есть результаты анкетного опроса в формате таблицы. В столбцах наименования параметров, каждая строка — ответы респондентов — значения параметров. Например, если ответы представлены в виде шкалы Лайкерта

• Полностью не согласен
• Не согласен
• Затрудняюсь ответить
• Согласен
• Полностью согласен.

то ответы будут закодированы как 1,2,3,4,5. В таблице набивки это будет видно. Если это номинальная шкала — признак либо присутствует, либо его нет, то набивка будет в формате 1-0 (единица — признак присутствует, 0 — отсутствует). И так далее.

Вот как-то так это может выглядеть:

Это просто анкетка по одному из замеров, который я проводил через свой кафедральный сайт в формате онлайн опроса. Но не суть.

Допустим у нас есть 1 открытый вопрос в анкете. Их может быть и 10 и сколько угодно — мы ограничимся одним параметром — одним столбцом в таблице. В ячейках соответственно будет текст ответов. Для того, чтобы продолжить обработку анкеты, например, в SPSS, нам надо «закрыть» открытый вопрос, закодировать ответы.

В таблицу набивки данных я добавил параметр — «удобство упаковки». Наименование столбца — «udobstvo upakovki». Представим, что в анкете был открытый вопрос — «как вы оцениваете удобство упаковки?»  То есть в анкете идёт речь о каком-то конкретном товаре или группе товаров заказчика.  Я придумал несколько ответов респондентов, вписал текст в ячейки, скопировал и вставил ответы ниже ещё один раз ниже, чтобы не мучать своё воображение 🙂 (в общем просто для объёма).

Нам необходимо закрыть эти ответы.

Вот как-то так это выглядит обычно.

Не будем мудрствовать и шаманить. Введём дополнительные параметры, по которым будем оценивать текст ответов, закрывая их. Введём шкалу: 1 — удобная упаковка, 2 — нейтральное отношение к удобству упаковки 3 — неудобная упаковка. Добавим в таблицу столбец для ввода значений и оценим каждое высказывание в соответствии с этой шкалой. Получим следующее:

Теперь мы можем удалить столбец с текстом и обрабатывать анкету в SPSS или в чём-то аналогичном. Например, в Form Processor.

Другой пример контент-анализа ответов на открытые вопросы в анкете — определение присутствия признака. Допустим, звучит вопрос: «как бы вы охарактеризовали упаковку товара X?» Мы прочитываем ответы на вопрос, видим, что часто повторяются одни и те же эпитеты, словосочетания. Под каждый из таких ответов (учитывая синонимы) добавляем столбец, например, «красочная», «удобная», «хрупкая», «легко мнущаяся» и т.д. Если в текста ответа на вопрос прозвучит ответ, содержащий слово «удобная» или синоним в рамках контекста, ставим 1 в столбце «удобная», если не звучит, ставим 0. Так прорабатываем весь массив ответов. Получаем следующее:

Могут применяться САМЫЕ РАЗНЫЕ шкалы в зависимости от задач замера. Об этом тоже буду говорить в платном курсе. Здесь — просто лёгкий экскурс в контент-анализ ответов на открытые вопросы анкеты.

Ещё важный момент. Если анкет ОЧЕНЬ много и ответы ОЧЕНЬ развёрнутые, то можно использовать специализированные средства экспресс контент-анализа текста, для идентификации наиболее частотных оценок — это ускорит процесс обработки массива ответов и включения в матрицу дополнительных параметров. Для этого можно использовать программу ЛЕКТА, WordStat и многие другие. При использовании ЛЕКТА, можно получить исходную матрицу контент-анализа и вставить её в матрицу набивки. Это ещё в большей степени удобно, а если массив ответов действительно БОЛЬШОЙ, то это просто необходимо. В противном случае кодирование может занять несколько дней, неделю и т.д. Аналогично, ЛЕКТА можно использовать и для формирования групп ответов (групп респондентов) с помощью факторного анализа матрицы контент-анализа ответов респондентов. Про это вы можете прочитать на блоге, кликнув по ссылке ЛЕКТА выше либо в сайдбаре справа (ссылка — ЛЕКТА в ряду других ссылок на софт)

На этом на сегодня всё! Спасибо

Если что-то непонятно — пишите в комментариях!

Удачи!