ניתוח מטא-נתונים

ניתוח מטא-נתונים מזהה אילו שדות מטא-נתונים מפלחים באופן משמעותי את הנתונים האיכותניים שלכם. לדוגמה, הוא יכול לחשוף אם משתתפים מקבוצות גיל, אזורים או תפקידים שונים מדגישים נושאים שונים בתשובותיהם.

הרצת ניתוח מטא-נתונים

כדי להריץ ניתוח מטא-נתונים:

1. עברו לתצוגת הקטגוריות של הפרויקט שלכם.
2. לחצו על ניתוח מטא-נתונים.
3. Skimle בוחנת את כל שדות המטא-נתונים שלכם וקובעת אילו מהם מניבים הבדלים משמעותיים בין קטגוריות התובנה שלכם.

הניתוח רץ ברקע ולרוב נמשך כמה דקות. התוצאות מופיעות בתצוגת הקטגוריות לאחר שהניתוח הושלם.

איך זה עובד

Skimle משלבת שתי גישות משלימות כדי לזהות דפוסים משמעותיים:

• ניתוח סמנטי - משווה את המשמעות של התובנות בין קבוצות המטא-נתונים באמצעות הטבעות טקסט (text embeddings). אם משתתפים עם ערכי מטא-נתונים שונים דנים בדברים שונים באמת, האיתות הזה מתגלה.
• ניתוח התפלגות - משתמש במבחנים סטטיסטיים לבדוק אם ערכי מטא-נתונים מסוימים מתקבצים בתת-קטגוריות ספציפיות יותר מכפי שהיה ניתן לצפות באקראי.

שדה מטא-נתונים נחשב משמעותי רק כאשר שני האיתותים מסכימים, מה שמפחית את הסיכון לממצאים מקריים.

קריאת התוצאות

עבור כל קטגוריית תובנה, תצוגת הקטגוריות מציגה:

• אילו שדות מטא-נתונים מניבים פילוח משמעותי, מסודרים לפי מידת המשמעותיות.
• תיאורי קבוצות - עבור כל שדה משמעותי, Skimle מתארת מה מאפיין את התשובות של כל קבוצת מטא-נתונים. לדוגמה, תחת שדה "קבוצת גיל", אתם עשויים לראות שמשתתפים צעירים יותר התמקדו בשימושיות בעוד משתתפים מבוגרים יותר העדיפו אמינות.
• השוואה זמנית - אם למסמכים שלכם יש תאריכי יצירה, Skimle משווה באופן אוטומטי בין פרקי זמן מאוחרים לפרקי זמן מוקדמים יותר, כדי להדגיש כיצד נושאים השתנו עם הזמן.

ווידג'טי ציר הזמן בויזואליזציות - מגמת ציר הזמן והשוואת פרקי זמן - מאפשרים לכם לחקור את אותה השאלה באופן אינטראקטיבי.

דרישות

כדי שניתוח מטא-נתונים יניב תוצאות שימושיות, הפרויקט שלכם זקוק ל:

• לפחות 15 תובנות בקטגוריות המנותחות.
• לפחות שני ערכים נבדלים לשדה המטא-נתונים הנבדק.
• לפחות שתי תובנות לכל ערך מטא-נתונים.

שדות שלא עומדים בספים האלה מדולגים באופן אוטומטי.

הספים האלה נוגעים בסופו של דבר לגודל המדגם: פילוח איכותני הופך למהימן רק כאשר בכל קבוצה יש מספיק תובנות להשוואה. במדגם קטן מאוד, רוב השדות ידלגו באופן אוטומטי, ולכן שווה לנתח מספיק מסמכים לפני הסקת מסקנות מפילוח המטא-נתונים.

טיפים לניתוח מטא-נתונים אפקטיבי

• השתמשו בערכי מטא-נתונים תיאוריים. "מפתח בכיר" שימושי יותר מ"תפקיד א'", כי זה עוזר לבינה המלאכותית לכתוב תיאורי קבוצות משמעותיים יותר.
• שמרו על מספר ערכים ייחודיים שניתן לניהול. שדות עם עשרות ערכים ייחודיים קשים יותר לפרשנות. שקלו לקבץ ערכים (למשל, טווחי גילאים במקום גילאים מדויקים).
• הוספת מטא-נתונים לפני הרצת הניתוח. ניתוח מטא-נתונים משתמש בכל השדות הקיימים בזמן ההרצה. אם תוסיפו שדות חדשים בהמשך, הריצו את הניתוח שוב כדי לכלול אותם.