一项探索开发小样本定性数据半自动化分析方法之理论与方法学挑战的实验
摘要
本文尝试设计一种半自动化定性数据分析（QDA）算法，利用免费软件对20份转录文本进行分析。文本挖掘（TM）与QDA以频率和关联度量为指导，因为这些统计量在小样本量下仍保持稳健。精炼后的TM算法基于人工修订的词典将文本切分为不同粒度。这种词形还原方法可能比将文本统一切分为单一粒度更能反映文本语境。TM结果用于初始编码。代码重打包由关联度量和外部数据指导，以实施一种通用归纳式QDA方法。TM与QDA检索的信息以子图形式呈现以供比较。分析在6-7天内完成。两种算法均检索出语境一致且相关的信息。然而，QDA算法比单独TM检索出更具体的信息。QDA算法并未严格遵循TM或QDA的惯例，但相比传统QDA方法成为一种更高效、系统且透明的文本分析方法。将QDA规模化以从文本中可靠地发现知识正是本研究目的。本文也有助于理解信息技术、理论与方法学之间的关系。
引用
@article{arxiv.2002.04513,
title = {An experiment exploring the theoretical and methodological challenges in developing a semi-automated approach to analysis of small-N qualitative data},
author = {Sandro Tsang},
journal= {arXiv preprint arXiv:2002.04513},
year = {2020}
}
备注
Page 2: "qualitative" research (QR); Page 3 and Appendix: Cited the second and third authors of a paper; Page 4: Redundant citation of author names; Page 8: Replaced wordclouds with higher resolution ones (cited facilities on page 3); Page 13: TM is a big-data/"quantitative" method and replaced "supplementary material" with "appendix"; Showed author names after see or cf. on pages 4, 5, 6 and 15