内容分析

破除误解#

内容分析不是“读几篇文章后谈感想”，也不是把关键词出现次数直接当成社会态度。它是一套系统研究文本、图像、声音和符号材料的方法。研究者要定义材料总体，抽样，确定分析单位，设计编码规则，训练编码者，检验可靠性，再解释模式。

它也不等于计算文本挖掘。人工编码的内容分析、定性话语分析、定量词频分析、主题模型和大型语料分析都可以研究内容，但它们的证据逻辑不同。内容分析的核心问题是：某种社会意义如何被符号化、重复、分类和传播。

研究对象#

内容分析可以研究新闻、影视、教材、法律、政策文件、演讲、广告、社交媒体、评论区、论坛、组织文件、会议纪要、图片、表情包和弹幕。只要材料承载可记录的符号，就可能成为对象。

研究对象要和问题匹配。若问题是“媒体如何建构失业青年”，材料可能是新闻报道和评论节目。若问题是“政策如何定义家庭责任”，材料可能是法律条文、政策通知和地方执行手册。若问题是“平台如何塑造公共情绪”，材料可能是热榜、推荐标题、短视频评论和平台规则。

材料不是越多越好。大量材料如果没有清楚总体和抽样，反而会制造假精确。研究者必须说明：为什么选择这些平台、这些年份、这些关键词、这些栏目？遗漏了什么？

内容分析还要注意材料的生产制度。同一篇新闻不是单个记者自由表达的结果，它受到编辑规范、机构立场、采访资源、平台流量和法律风险影响。政策文本也不是抽象国家意志，而是部门博弈、专业语言、预算约束和执行压力的产物。理解材料如何生产，才能避免把文本当作透明窗口。

内容分析回答的是材料里有什么，不是公众想什么。把新闻框架的分布直接读成民意，是把生产者的输出当成了受众的头脑。要谈影响，必须把内容数据接到调查、实验或民族志上。见 调查研究。内容分析可以独立成立，只要它不越权。

分析单位#

内容分析首先要定义分析单位。单位可以是一篇文章、一段话、一个句子、一个标题、一张图片、一次镜头、一个账号、一个评论线程，也可以是一个政策文件中的条款。

单位定义会影响结果。研究“移民是否被犯罪化”时，以文章为单位可能统计有多少报道提到犯罪；以段落为单位可以看犯罪框架出现的位置；以人物为单位可以看移民被赋予哪些角色；以图片为单位可以看视觉符号如何制造威胁感。

单位越细，编码越精确，但成本越高，也更容易丢失上下文。单位越大，保留语境更多，但内部差异可能被抹平。方法设计需要在精度和意义之间取舍。

克里彭多夫把切分单位和给单位赋值分成两步。前者叫单位化：这段评论算一条还是三条？这张图配的标题算不算同一单位？单位化不一致，后面的编码者信度会虚高或虚低，因为两个人根本不在给同一件东西打标签。报告里只给 kappa 或 alpha、不说明单位如何切，等于隐瞒了编码的第一刀。

抽样单位和分析单位也不必相同。可以按报纸的“天”抽样，再按“篇”编码；可以按账号抽样，再按帖子编码。混用而不声明，读者无法复现，也无法判断哪些推断被抽样设计允许。

编码规则#

编码是把材料中的意义转化为可比较类别。编码规则必须清楚到不同研究者可以相对一致地使用。“负面报道”这样的类别太粗，因为负面可能指犯罪、贫困、道德失败、国家安全、疾病风险或文化冲突。

好的编码手册会定义每个类别，给出正例和反例，说明模糊情况如何处理。它还会记录层级关系。例如研究性别呈现，可以区分职业角色、家庭角色、身体描写、能力评价、情绪标签和责任归因。

编码不是把复杂文本压扁，而是把研究问题所需的维度稳定提取出来。研究者应保留原文链接和片段，避免编码表脱离材料。

手册写得越像法律，信度通常越高，代价是把灰色地带强行塞进格子。训练编码者时，争议案例比清楚案例更有用：它们暴露的是概念裂缝，而不是某人“不够认真”。编码者之间的系统分歧，常常不是态度问题，而是类别在材料里根本切不开。这时该改手册，而不是加压训练到表面一致。

开放编码和封闭编码服务不同阶段。探索期允许从材料里长出类别；一旦进入正式编码，类别应冻结，否则前后样本不可比。中途改类却不重编旧样本，等于用两把尺子量同一根木头。

信度与效度#

内容分析常需要检验编码者间信度。如果两个训练过的编码者对同一材料经常给出不同分类，说明规则不清或概念不稳定。常用指标包括 Cohen's kappa、Krippendorff's alpha 等。

但信度高不等于效度高。两个编码者可以一致地使用一个错误分类。效度要求编码真的捕捉研究概念。例如用“女性出现次数”衡量性别平等可能太浅，因为女性可以频繁出现，却被固定在照护、消费或被拯救角色中。

内容分析需要同时问两件事：我们是否稳定地测量，以及我们是否真的测到了想测的东西。缺一不可。

克里彭多夫的 α 被提出来当标准，不是因为它好看，而是因为它比许多替代指标更不挑数据形态。它可以处理两名以上编码者、缺失赋值、以及名义、顺序、等距等不同测量层次。百分比一致把碰巧猜对的部分也算进去；科恩的 kappa 主要为两名编码者、完整数据而设计。海斯和克里彭多夫 2007 年在《传播方法与测量》上主张：若只能报一个系数，报 α。

门槛是约定，不是自然定律。克里彭多夫常用的经验规则是：α ≥ 0.800 可把数据当可靠数据用；0.800 > α ≥ 0.667 只适合谨慎、试探性的结论；α < 0.667 的数据，不该再拿去支撑实质性推断。代价越高的结论，门槛应越高。一项关于“某群体被犯罪化”的公共主张，和一项课堂练习的探索编码，不该共用同一个 0.67。

α 也不是护身符。它依赖抽样到的单位、类别的边缘分布，以及编码者是否真独立。两名编码者若在同一间屋子里商量着标，α 会虚高。只抽“好标的”材料做信度检验，α 也会虚高。信度样本应覆盖正式样本的难度，包括模糊、反讽、否定和多模态单位。

效度要另找证据。把编码结果拿到知情者、历史学家或当事人那里核对，是一种。看类别能否预测独立测量的行为或制度结果，是另一种。内容分析的报告惯例仍以一致性系数为主，效度讨论往往只有一段话。这不是因为效度不重要，而是因为它比 α 更难写成一个数。

定量内容分析#

定量内容分析适合研究分布和趋势。例如某类新闻框架在十年中是否增加，不同媒体对同一事件的归因是否不同，政策文件中“权利”与“责任”的语汇如何变化。

定量的优势是可比较、可复核、可视化。它能让研究者从单篇文本走向系统模式。但它也容易把意义简化为出现次数。一个词出现少，不代表不重要；一个词出现多，也不代表意义相同。

因此，定量内容分析最好与样本阅读结合。研究者要定期回到文本，检查数字背后是否有语义变化、讽刺用法、否定结构和语境差异。

恩特曼 1993 年把框架说成选择和凸显：定义问题、诊断原因、做出道德评价、提出对策。定量内容分析若只数关键词，会把这四步压成词频。一篇把移民写成“劳动力短缺”的社论，和一篇写成“边境失控”的社论，可能共享不少词，框架却相反。类别必须按研究概念切，不能按软件默认的词表切。

时间序列还有语义漂移。同一个词在二十年间指称的对象可能已经换了。不先确认词义是否稳定，就画“某观念的兴起”，画的可能是词典的老化。

定性内容分析与话语#

定性内容分析更关注意义结构。它会问：文本如何定义问题？谁被赋予责任？哪些解决方案被认为合理？哪些身份被自然化？哪些声音被排除？

话语分析进一步关注语言与权力。政策把“贫困”称为“能力不足”还是“结构性剥夺”，会影响责任归属。媒体把抗议者称为“暴徒”“市民”“青年”还是“组织者”，会改变公众理解。

定性分析不意味着随意解释。研究者仍需系统比较材料，呈现反例，说明解释如何从文本证据中来。

定性与定量不是两条河。先定性读出框架，再把框架写成可重复的类别，是常见的稳健做法。反过来也可以：定量找出异常年份或异常栏目，再回去做话语细读。互相提出问题，比先站队“我们是质性的”有用。

反例仍然关键。若理论说某报只会把失业写成个人失败，却在经济危机期间改用结构语言，这个转折比再确认十条符合理论的报道更有信息。内容分析的深度，往往藏在那些手册差点标不下去的地方。

图像与多模态内容#

当代公共生活不只由文字构成。照片、短视频、封面、配乐、滤镜、弹幕、表情包和界面排序都在制造意义。内容分析需要处理多模态材料。

分析图像时，研究者可以关注人物位置、视角、光线、身体姿态、服装、空间、颜色、字幕和剪辑节奏。分析短视频时，还要关注平台模板、热门音乐、评论互动和推荐机制。

多模态材料的难点是单位划分和解释一致性。研究者需要更清楚的编码手册，也需要保留代表性材料，让读者看到解释如何建立。

图像编码的 α 通常低于文字。不是编码者更懒，而是单位更难切：一张照片里的威胁感，来自构图、用光、字幕和它旁边的另一张图。把多模态拆成“有没有某物”的清单，信度会上去，意义会下来。保留代表性材料、让读者看到编码如何落到画面上，是目前比再提高 0.05 个 α 更负责任的做法。

数字平台中的内容分析#

平台时代给内容分析带来新机会，也带来新陷阱。研究者可以收集大量帖子、评论和视频，但这些材料受算法推荐、审核规则、用户自我呈现和平台接口限制影响。

“热榜上的话题”不是自然民意，而是平台规则、媒体账号、用户互动、商业推广和审核机制共同生产的结果。评论区也不是公众整体，而是愿意发言、能被看见、没有被删除的一部分人。

因此，平台内容分析必须把平台机制写进方法说明。数据如何抓取？是否违反服务条款？删除内容如何处理？机器人和营销号如何识别？用户隐私如何保护？这些不是技术细节，而是证据边界。

平台材料还会随时间变化。一次截图、一次抓取和一个接口返回值，可能只是算法系统在某一刻给研究者看的结果。若研究问题涉及趋势，研究者应记录抓取时间、排序规则、登录状态、地理位置和关键词策略。否则，研究者以为自己在研究公共讨论，实际研究的是平台给某个账号呈现的局部切片。

被删除的内容尤其麻烦。研究仇恨言论或审查，却只能看到还留在接口里的帖子，等于按因变量做了选择。能看到删除痕迹、能用时间戳回溯，和只能抓此刻的可见层，是三种不同的总体。把可见层写成“公共讨论的全部”，是平台内容分析最常见的覆盖误差。

与计算社会科学结合#

计算方法可以扩展内容分析的规模。词向量、主题模型、监督分类、情感分析和大型语言模型可以帮助处理海量文本。但模型输出不是解释本身。研究者仍要定义概念、验证分类、检查偏差。

人工编码可以作为训练集和验证集，计算模型可以帮助发现模式和异常。最稳健的做法，是让机器扩大视野，让人工守住概念。

模型的错误很少是随机的。它在少数类别、反讽、方言和非标准语体上更差，总体准确率会掩盖对特定群体的系统性误判。因此，验证集不能只报一个准确率。要按类别、按来源、按语体分层看。α 在这里仍然有用：人与模型的一致，和人与人的一致，是两种不同的信度。把模型当编码者，就要按编码者的标准考核它。

机器可以标百万条，标得对不对仍须靠人工基准集来估计。基准集一旦有偏，后面的“大”只是把偏放大。计算社会科学没有取消内容分析的老问题，它把老问题变成了规模问题。

跨域连接#

• 大语言模型：自动标注把内容分析的规模瓶颈从编码员工时移到了验证——模型可以标注百万条文本，而"标得对不对"仍须靠人工标注的基准集来估计。关键是模型的错误不是随机的：它在少数类别与非标准语体上系统性更差，因而总体准确率会掩盖对特定群体的系统性误判。
• 媒体与公共领域：议程设置与框架研究的经验基础几乎全部来自内容分析，而这一方法能确立的是媒体说了什么，不能确立受众想了什么。把内容分布直接读作影响，是这一领域最常见的推论跳跃；建立影响需要把内容数据与受众数据接起来。
• 史学方法之争：把历史文本编码统计，使长时段的观念变化第一次可被绘制（词频、主题、情感）。其风险是语义漂移：同一个词在两百年间指称的东西可能已经改变，因而时间序列的解释必须先确立词义的稳定性——这一步在多数"文化组学"研究中被跳过。
• 癔症：症状表现随时代变化，是文化如何塑造疾病表达最著名的论据，而它在方法上可被检验：症状谱与医学教科书、大众媒体描述的对应关系可以被编码统计。近年经社交媒体传播的抽动样症状群，为这条老命题提供了一次实时的检验机会。
• 测量等价与公平比较：编码者一致性高不等于编码类别切中了任何真实变量——两者需要不同的证据支持。这与心理测量中信度与效度的关系完全同构，而内容分析的报告惯例仍以一致性系数为主，这使效度问题长期缺乏系统讨论。

参考文献#

• Krippendorff, Klaus. Content Analysis: An Introduction to Its Methodology. SAGE, 2019.
• Neuendorf, Kimberly A. The Content Analysis Guidebook. SAGE, 2017.
• Weber, Robert Philip. Basic Content Analysis. SAGE, 1990.
• Entman, Robert M. “Framing: Toward Clarification of a Fractured Paradigm.” Journal of Communication, 1993.
• Grimmer, Justin and Stewart, Brandon M. “Text as Data.” Political Analysis, 2013.
• Hayes, Andrew F. and Krippendorff, Klaus. “Answering the Call for a Standard Reliability Measure for Coding Data.” Communication Methods and Measures, 2007.

延伸阅读#

• Fairclough, Norman. Critical Discourse Analysis. Longman, 1995.
• Rose, Gillian. Visual Methodologies. SAGE, 2016.