تحلیل فراداده

تحلیل فراداده مشخص می‌کند کدام فیلدهای فراداده داده‌های کیفی شما را به‌طور معنادار بخش‌بندی می‌کنند. برای مثال، می‌تواند نشان دهد که آیا شرکت‌کنندگان از گروه‌های سنی، مناطق یا نقش‌های مختلف در پاسخ‌های خود بر موضوع‌های متفاوتی تأکید می‌کنند یا نه.

اجرای تحلیل فراداده

برای اجرای تحلیل فراداده:

1. به نمای دسته‌ها پروژه خود بروید.
2. روی تحلیل فراداده کلیک کنید.
3. Skimle تمام فیلدهای فراداده شما را بررسی می‌کند و تعیین می‌کند کدام‌یک تفاوت‌های معناداری در میان دسته‌های بینش شما ایجاد می‌کنند.

این تحلیل در پس‌زمینه اجرا می‌شود و معمولاً چند دقیقه طول می‌کشد. نتایج پس از تکمیل در نمای دسته‌ها نمایش داده می‌شوند.

نحوه عملکرد

Skimle دو رویکرد مکمل را برای یافتن الگوهای معنادار ترکیب می‌کند:

• تحلیل معنایی - معنای بینش‌ها را در میان گروه‌های فراداده با استفاده از تعبیه‌های متنی مقایسه می‌کند. اگر شرکت‌کنندگان با مقادیر فراداده متفاوت واقعاً درباره چیزهای متفاوتی صحبت کنند، این سیگنال شناسایی می‌شود.
• تحلیل توزیع - از آزمون‌های آماری برای بررسی این موضوع استفاده می‌کند که آیا مقادیر فراداده معین در زیردسته‌های خاصی بیشتر از حد انتظار تصادفی خوشه‌بندی می‌شوند یا نه.

یک فیلد فراداده تنها زمانی معنادار در نظر گرفته می‌شود که هر دو سیگنال با هم هم‌خوانی داشته باشند، که این امر خطر یافته‌های کاذب را کاهش می‌دهد.

خوانش نتایج

برای هر دسته بینش، نمای دسته‌ها موارد زیر را نمایش می‌دهد:

• کدام فیلدهای فراداده بخش‌بندی معناداری ایجاد می‌کنند، که بر اساس میزان معناداری رتبه‌بندی شده‌اند.
• توضیحات گروه‌ها - برای هر فیلد معنادار، Skimle توضیح می‌دهد که چه چیزی پاسخ‌های هر گروه فراداده را مشخص می‌کند. برای مثال، زیر فیلد «گروه سنی» ممکن است ببینید که شرکت‌کنندگان جوان‌تر بر قابلیت استفاده تمرکز داشته‌اند، در حالی که شرکت‌کنندگان مسن‌تر به اعتمادپذیری اولویت داده‌اند.
• مقایسه زمانی - اگر اسناد شما دارای تاریخ ایجاد باشند، Skimle به‌طور خودکار دوره‌های زمانی اخیر و پیشین را مقایسه می‌کند تا نشان دهد موضوع‌ها چگونه در طول زمان تغییر کرده‌اند.

ابزارک‌های خط زمانی در تصویرسازی‌ها - روند خط زمانی و مقایسه دوره‌ها - به شما امکان می‌دهند همین پرسش را به‌صورت تعاملی کاوش کنید.

الزامات

برای اینکه تحلیل فراداده نتایج مفیدی ایجاد کند، پروژه شما به موارد زیر نیاز دارد:

• حداقل ۱۵ بینش در دسته‌هایی که تحلیل می‌شوند.
• حداقل دو مقدار متفاوت برای فیلد فراداده‌ای که بررسی می‌شود.
• حداقل دو بینش به ازای هر مقدار فراداده.

فیلدهایی که این آستانه‌ها را برآورده نمی‌کنند، به‌طور خودکار نادیده گرفته می‌شوند.

این آستانه‌ها در نهایت به حجم نمونه مربوط می‌شوند: بخش‌بندی کیفی تنها زمانی قابل اعتماد می‌شود که هر گروه بینش‌های کافی برای مقایسه داشته باشد. با حجم نمونه بسیار کوچک، بیشتر فیلدها به‌طور خودکار نادیده گرفته می‌شوند، بنابراین پیش از نتیجه‌گیری از تفکیک فراداده، ارزش دارد که اسناد کافی را تحلیل کنید.

نکاتی برای تحلیل مؤثر فراداده

• از مقادیر فراداده توصیفی استفاده کنید. «توسعه‌دهنده ارشد» مفیدتر از «نقش الف» است، زیرا به هوش مصنوعی کمک می‌کند توضیحات گروه‌ها را معنادارتر بنویسد.
• تعداد مقادیر یکتا را در حد قابل مدیریت نگه دارید. فیلدهایی با دهها مقدار یکتا تفسیر دشوارتری دارند. گروه‌بندی مقادیر را در نظر بگیرید (مثلاً بازه‌های سنی به‌جای سنین دقیق).
• افزودن فراداده پیش از اجرای تحلیل. تحلیل فراداده از هر فیلدی که در زمان اجرا وجود دارد استفاده می‌کند. اگر بعداً فیلدهای جدیدی اضافه کنید، برای در نظر گرفتن آنها تحلیل را دوباره اجرا کنید.