定性数据编码:如何定性研究代码

人工智能与NLP 反馈分析

由Alyona Medelyan博士——自然语言处理和机器学习

你花了多少个小时坐在前面的Excel电子表格试图找到新的见解来自客户的反馈吗?

你知道问开放式调查问卷给你更多可行的见解比要求你的客户只是一个数值净推荐值(NPS)。但当你问开放式的自由文本的问题,你最终得到的数百个(甚至数千)的自由文本响应。

你怎么能把所有的文本变成可量化的,适用的信息,客户的需求和期望?通过编码定性数据。

继续阅读学习:

编码定性数据意味着什么(为什么是很重要的)
不同的编码方法定性数据
如何手动代码定性数据找到重要的主题在你的数据

在定性研究编码是什么?

编码标签的过程和组织你的定性数据来识别不同的主题和它们之间的关系。

当编码客户反馈,你分配标签词或短语表示每个响应的重要主题(重复)。这些标签可以是单词、短语,或数字;我们建议使用单词或短语,因为它们容易记住,脱脂,并组织。

编码定性研究寻找共同的主题和概念的一部分专题分析。专题分析从文本中提取主题通过分析词和句子结构。

定性数据分析是什么?

定性数据分析是研究和解释的过程定性数据来理解它的意思。

定性数据被定义为任何非数值和非结构化数据;在查看客户反馈时,定性数据通常指任何逐字或基于文本的反馈如评论,开放式的反应调查、投诉、聊天信息、客户访谈、案例笔记或社交媒体文章

例如,NPS可以严格的定量指标,但是当你问客户为什么给你评级得分你需要定性数据分析方法来理解客户的评论一起离开数值反应。

类型的定性数据分析

内容分析:这指的分类、标签和专题分析的定性数据。这可以包括结合分析的结果行为数据更深入的见解。
叙事分析:一些定性数据,如面试或专业笔记可能包含一个故事。例如,选择一个产品的过程中,使用它,评估其质量和决定下次买或不买这个产品。叙事分析有助于理解底层事件及其影响整体的结果。
话语分析:这是指分析社会和文化背景的人们说什么。这是特别有用,当你关注建立或加强品牌。
框架分析:当执行定性数据分析,它是有用的框架。代码框架(一套分层编码定性数据)中使用的主题是框架的一个例子。
扎根理论:这种方法的分析首先制定一个理论在单个数据情况。因此在实际数据理论是“接地”。然后可以检查额外的情况下是否相关,可以添加到原始理论。

自动编程软件

的进步自然语言处理&机器学习了自动化定性数据的分析成为可能,在特定的内容和框架分析

尽管人工分析仍然是受欢迎的由于其精度高,自动化分析正迅速成为首选。与手工分析,容易产生偏见和不规模的定性数据生成的今天,自动化分析不仅是一致的,因此可以更准确,但也可以节省大量的时间,因此钱。

最常用的软件的自动编码的定性数据文本分析软件如主题。

为什么它是重要的代码定性数据?

编码定性数据更易于解释客户反馈。将代码分配给单词和短语在每个响应帮助捕获的反应是什么,反过来,可以帮助你更好的分析和总结整个调查的结果。

研究人员使用编码和其他定性数据分析流程,以帮助他们基于客户反馈的数据驱动决策。当你使用代码来分析客户的反馈,你可以量化客户语言的共同主题。这使得它更容易准确地解释和分析客户满意度。

定性数据的自动和手动编码

编码方法定性数据分为两类:自动编码和手工编码。

您可以自动化你的定性数据的编码专题分析软件。专题分析和定性数据分析软件使用机器学习,人工智能(AI),自然语言处理(NLP)代码你的定性数据和文本分解成主题。

专题分析软件是自主的,这意味着…

你不需要提前设置主题或类别。
你不需要训练算法——它自行学习。
你可以很容易地抓住“未知的未知”来确定主题你可能没有发现自己。

…所有这一切将会节省你的时间(和大量不必要的头痛)在分析你的客户反馈。

使用主题的企业也看到了好处分析软件,有能力作为一个单一的数据源,帮助分解数据仓库,统一整个组织的数据。这是现在被称为统一的数据分析。

主题编码是什么?

主题编码,也称为主题分析,是一种定性数据分析发现主题文本通过分析单词和句子结构的意义。

当你使用主题编码分析客户反馈为例,你可以学习哪些主题最频繁的反馈。这有助于你理解是什么驱使客户满意度的准确、可行的方法。

学习更多的关于主题分析软件如何帮助您自动化数据编码过程,看看这篇文章。

如何手动代码定性数据

对于这篇文章的其余部分,我们将专注于手工编码。不同的研究者有不同的流程,但手工编码通常是这样的:

选择是否使用演绎或归纳编码。
通读你的数据来了解它是什么样子。第一组分配代码。
通过您的数据逐行代码尽可能多。您的代码应该更详细的在这一步。
分类代码和找出他们如何融入你的编码框架。
识别哪些主题最——和采取行动。

让我们进一步分解…

演绎编码与归纳编码

定性数据编码之前,您需要决定哪些代码将使用。

演绎的编码是什么?

演绎编码意味着你开始一组预定义的编码,然后将这些代码分配给新的定性数据。这些代码可能来自先前的研究,或者您可能已经知道你感兴趣的主题分析。演绎编码也称为概念编码。

例如,假设你正在进行一项调查客户体验。你想了解的问题来自呼叫等待时间长,所以你选择“等待时间”你的代码在你开始观察数据。

演绎方法可以节省时间和帮助保证你感兴趣的领域是编码。但是你也需要小心的偏见;当你开始使用预定义的编码,你有一个偏见的答案会是什么。确保你不要错过其他重要主题通过过度关注证明自己的假设。

归纳编码是什么?

归纳编码,也叫做开放编码、从头开始并创建代码基于定性数据本身。你没有设置码;所有代码直接从调查结果出现。

归纳编码是如何工作的:

打破你的定性数据集分解成更小的样品。
读一个样本的数据。
创建代码,将涵盖样本。
重读样例和应用代码。
读一个新的样本数据,创建的代码申请第一个示例。
注意,代码不匹配或者需要额外的代码。
基于第二个示例创建新的代码。
又回去重新编码所有响应。
重复步骤5,直到你编码的所有数据。

如果您添加一个新的代码,分裂成两个现有的代码,或改变的描述代码,确保审查这一变化将如何影响编码的响应。否则,相同的反应在不同调查最终可能会用不同的代码。

听起来像一个大量的工作,对吧?归纳编码是一个迭代的过程,这意味着它需要更长的时间和更彻底的演绎编码。但它也给你一个更完整的,无偏见的主题在你的数据。

分类你的代码编码帧

一旦你创建你的代码,你需要把它们放进一个编码帧。编码帧代表了组织结构的主题在你的研究。有两种类型的编码帧:平面和层次。

平面编码帧

一个平面编码帧分配相同级别的特异性和对每一个代码的重要性。虽然这可能会觉得更容易和更快的方法手动编码,很难组织和导航在您创建的主题和概念越来越多的代码。它也很难找出哪些主题是最重要的,它可以减缓决策。

分层编码帧

分层框架帮助你根据他们如何组织代码涉及到另一个。例如,你可以根据你的客户的组织代码在特定主题的感受:

在这个例子中:

的顶级代码描述了主题(客户服务)
中层代码指定是否积极或消极的情绪
第三层次的细节与主题相关的属性或特定的主题

分层框架支持一个更大的代码框架,允许您基于组织结构的组织代码。它还允许在你的编码不同的粒度级别。

代码框架层次还是平的,应该灵活的代码框架。手动分析调查数据需要大量的时间和精力;确保你可以用你的结果在不同的上下文中。

例如,如果您的调查询问客户关于客户服务,你可能只使用编码获取关于客服的回答。然后你意识到相同的调查结果有很多评论关于你的公司的产品。更多地了解人们说什么关于你的产品,你可能需要代码从头开始所有的反应!一个灵活的编码框架涵盖了不同的主题和见解,它可以让你以后重用结果。

小贴士编码定性数据

现在你知道基本的编码你的定性数据,这里有一些建议让你的定性研究。

使用密码本记录你的代码

你的代码越来越多的数据,很难记住你所有的代码从你的头顶。跟踪你的代码在一个码书可以帮助你组织在整个数据分析过程。你的电报密码本可以简单如Excel电子表格、字处理程序文档。当你代码的新数据,添加新代码到你的电报密码本和重组所需的类别和主题。

确保跟踪:

标签用于每一个代码
概念的描述或主题指的代码
谁原始编码
这是原始编码或更新日期
任何笔记的代码如何与其他代码分析

如何创建高质量的代码- 4技巧吗

1。覆盖尽可能多的调查结果。

代码应该足够一般适用于多个注释,但具体足以是有用的在你的分析。例如,“产品”是一个宽泛的代码,将涵盖各种各样的反应,但也很模糊。这个产品怎么样?另一方面,“产品停止工作后使用3小时”是非常具体的,可能不会适用于许多反应。“产品质量”或“短的产品生命周期”可能是一个快乐的媒介。

2。避免共性。

有类似的代码是好的,只要他们为不同的目的。“客户服务”和“产品”是不同的,而“客户服务”和“客户支持”可能有细微的差别,但应该可能结合成一个代码。

3所示。捕捉积极和消极。

尝试创建代码相互对比追踪的正面和负面的元素分别一个主题。例如,“有用的产品功能”和“不必要的产品特性”是两个不同的码捕获两个不同的主题。

4所示。减少数据到一个点。

让我们看一下两个极端:有尽可能多的代码有反应,或每个代码适用于每一个响应。在这两种情况下,编码运动是毫无意义的;你不了解新的东西你或你的客户数据。让你尽可能有用的分析,试图找到一个平衡太多和太少之间的代码。

集团响应基于主题,而不是措辞

确保集团响应相同的主题在相同的代码,即使他们不使用相同的措辞。例如,代码如“清洁”可以涵盖反应包括单词和短语:

清洁
整洁
脏
尘土飞扬的
看起来就像一个垃圾场
脱离地板可以吃吗

只有几码和分层框架更易于组织不同的单词和短语在一个代码。如果你有太多的代码,特别是在一个平面框架,你的结果会变得模糊和主题可以重叠。手工编码还需要编码器记住或者能够找到所有的相关代码;代码越多,越难找到你所需要的,无论如何组织你的电报密码本。

优先考虑准确性

手动编码定性数据意味着编码器的认知偏见会影响编码过程。对于每一个研究,确保你有编码指南和培训到位保持编码可靠、一致和准确。

要注意的一件事是明确的,这发生在年初的数据集的数据被编码不同的材料编码。检查明确的漂移在整个数据集和记录与描述代码的不同结果。

如果您有多个程序员在一个团队工作,让他们检查彼此的编码来帮助消除认知偏见。

结论:6主要外卖编码定性数据

这里有6最终外卖手动编码你的定性数据:

编码标签的过程和组织你的定性数据来确定主题。你的定性数据的代码之后,可以分析它就像数值数据。
归纳编码(没有一个预定义的代码框架)是更加困难,容易产生偏见,但低于演绎编码。
代码框架可以平(更容易、更快捷使用)或层次(更强大的和有组织的)。
代码框架需要足够灵活,你可以充分利用你的结果和在不同的上下文中使用它们。
在创建代码时,确保它们覆盖几个响应,对比,和太多和太少之间取得平衡的信息。
编码=精度一致。建立编码程序和指导方针和留意在你的定性数据分析明确的漂移。