做内容分析，还在纠结人工编码，还是机器编码吗？

　　在内容分析法（Content Analysis）中，内容编码（Coding）是关键步骤，分类思维是核心要义。操作程序是把文本数据转化为量化数据，后续进行统计分析处理。在很多研究实践中，也常采用量化、质化数据结合解读的方式来达到研究目的。
　　传统内容分析法中，内容编码是人工针对文本进行逐一阅读，填答编码表，做完所有的内容编码后，将编码簿中的数据汇总整理，进行统计分析和可视化效果呈现。这个过程非常耗时耗力（小编经常听到用户朋友们抱怨，做人工编码做得头晕眼花，简直要哇的一声哭出来）。
　　为了解决传统内容分析法编码操作繁琐的问题， DiVoMiner 平台的研发团队可想了不少办法，最终确定采用结合了传统内容分析法和大数据技术的创新执行的方案，在内容编码的方式上，提供了机器编码和（机器辅助）人工编码两种方式。
　　那么，有小伙伴表示疑惑，同样是做内容编码，这两种方式到底有什么差别呢？应该如何做选择呢？想要弄明白这个问题，就得先了解这两者的执行差异和各自的优劣势。
　　先上结论，选择何种编码方式，关键看类目属性！
　　客观类目题目推荐机器编码，高效可靠；
　　主观类目题目用（机器辅助）人工编码，准确性高。
　　(见下表总结 )
　　什么情况下选择机器编码？
　　客观性的题目，如机构、人名、事件等，表达清晰，可以用语义概括，这种题目极为适合做机器编码，效率极高，非常省心省事，搭配算法机器人的信度检验，编码结果放入论文、发表高水平期刊无压力！ 什么情况下选择（机器辅助）人工编码？
　　如果是主观性类目题目，以目前的科技手段难以做出准确判断，如指定对象的意见判断、模糊态度等无法利用机器编码快速完成，就推荐人工编码，通过一定的机器辅助手段，相对提升编码效率 。
　　有时候在实践中，一套编码表中会同时含有客观和主观型类目，也可以采用混合编码的方式完成数据处理。
　　实际上，（机器辅助）人工编码、机器编码，还有机器学习编码，都是大数据技术辅助内容分析法的一部分，适合不同的文本数据研究场景。接下来就详细介绍一下（机器辅助）人工编码和机器编码。 （机器辅助）人工编码
　　顾名思义，由人工编码员阅读文本，并填答编码表，以此方式完成内容编码工作，适合分析主观性类目。传统内容分析法的操作方式正是如此，需要耗费大量的人力和时间成本，人工依赖性强，不适合大规模数据的分析任务。
　　作为长期围绕内容分析法展开工作的 DiVoMiner 研发团队深为理解人工编码的＂苦＂，因此在＂纯＂人工编码的基础上，开发出＂机器辅助＂的功能，用户可以对类目的选项设置配套关键字（词）条件（关于【类目设置】，相关信息可点这里回顾），设置好的字词可以在编码文本中 高亮显示 ，并提供机器预选，减少编码员检阅文本时查找、匹配信息的功夫，即便是人工做编码，相比传统编码方式，效率也有很大程度的提升，准确度也大为提高。
　　人工编码的数据准确性依赖于编码员的理解，因此为了保证数据的可靠性，需要在正式编码前进行编码员之间信度测试，关于信度测试的知识点，点这里回顾。 机器编码
　　大数据研究场景下，动用的数据样本动辄成千上万，甚至十万、百万、千万级别数据也不是稀罕事儿，人工编码在这种数据量的重压下捉襟见肘，难以为继。因此，在数据分析方面迫切需要计算机的协助。
　　在内容编码中，针对客观性类目，可以用文字总结出题目选项的语义范畴，则推荐利用计算机执行文本的分类工作，一键执行，依据用户自设的关键字（词）逻辑条件，自动完成编码表的填答，速度快，效率高，成千上万条数据可以在短时间内完成，而且多次重复执行结果完全一致，容易验证结果。
　　需要注意的是，机器编码并不是完全交由机器解决全部问题，机器编码结果高度依赖用户自设的选项关键词条件，＂人＂在其中发挥了极大的作用，人工介入的重要环节在于制定机器分类的标准，因此用户的研究能力、经验等容易影响编码结果的质量，并借此摆脱内容编码等机械性质的繁杂工作，让研究者的精力回归研究中。
　　那么，在机器编码的情况下，是否也需要做信度测试呢？答案是需要的。关于这一点，我们之前也写过相关文章。
　　不论是机器编码，还是人工编码中的预选，依据都是由用户自设的类目中选项关键词决定的，因此，编码数据质量的高低，依然是取决于研究者的研究能力和思考成果，在一个研究里，有可能需要研究者反复调整设定和矫正结果，才能达到一个较佳的编码结果。
　　本期内容就分享到这里，下一期我们具体介绍 大数据技术辅助内容编码的操作方式 。
　　如想了解更多操作方式，可登录 DiVoMiner 平台查阅《使用手册》。注册即免费使用！