做内容分析，还在纠结人工编码，还是机器编码吗？

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。

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。

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！

返回搜狐，查看更多