メタデータの分析

メタデータ分析では、どのメタデータフィールドが質的データを意味のある形でセグメント化するかを特定します。例えば、年齢層、地域、役割の異なる参加者が、回答の中で異なるテーマを重視しているかどうかを明らかにできます。

メタデータ分析の実行

メタデータ分析を実行するには：

1. プロジェクトのカテゴリビューに移動します。
2. メタデータを分析をクリックします。
3. Skimleは、すべてのメタデータフィールドを調べ、インサイトカテゴリ全体で意味のある差異を生み出すフィールドを判定します。

分析はバックグラウンドで実行され、通常数分かかります。完了すると、結果はカテゴリビューに表示されます。

仕組み

Skimleは、重要なパターンを見つけるために、2つの補完的な手法を組み合わせています。

• 意味分析 - テキストエンベディングを使用して、メタデータグループ間でインサイトの意味を比較します。メタデータ値が異なる参加者が実際に異なる内容について話している場合、この信号が検出されます。
• 分布分析 - 統計的検定を使用して、特定のメタデータ値が偶然以上の頻度で特定のサブカテゴリに集中しているかどうかを確認します。

メタデータフィールドは、両方の信号が一致した場合にのみ有意と判断され、誤った結果のリスクを低減します。

結果の確認

各インサイトカテゴリについて、カテゴリビューには以下が表示されます：

• どのメタデータフィールドが意味のあるセグメンテーションを生み出すか、有意性の高い順に表示されます。
• グループの説明 - 有意なフィールドごとに、Skimleは各メタデータグループの回答の特徴を説明します。例えば、「年齢層」フィールドでは、若い参加者が使いやすさを重視し、年配の参加者が信頼性を重視していることが示されるかもしれません。
• 時系列比較 - ドキュメントに作成日が設定されている場合、Skimleは直近の期間と以前の期間を自動的に比較し、テーマが時間とともにどのように変化したかを明らかにします。

可視化内のタイムラインウィジェット - タイムライン傾向と期間の比較 - を使用すると、同じ質問をインタラクティブに検討できます。

要件

メタデータ分析で有用な結果を得るには、プロジェクトに以下が必要です：

• 分析対象のカテゴリに、少なくとも15件のインサイトがあること。
• 検証対象のメタデータフィールドに、少なくとも2つの異なる値があること。
• メタデータ値ごとに、少なくとも2件のインサイトがあること。

これらのしきい値を満たさないフィールドは、自動的にスキップされます。

これらのしきい値は、結局のところサンプルサイズに関するものです：質的セグメンテーションは、各グループに比較可能な十分な数のインサイトがある場合にのみ信頼できるものになります。サンプルサイズが非常に小さい場合、ほとんどのフィールドが自動的にスキップされるため、メタデータの内訳から結論を導く前に、十分な数のドキュメントを分析しておくことをお勧めします。

効果的なメタデータ分析のためのヒント

• 説明的なメタデータ値を使用してください。 「Senior developer」は「Role A」よりも有用です。AIがより意味のあるグループの説明を書きやすくなるためです。
• 一意の値の数を管理しやすい範囲に保ってください。 一意の値が数十個あるフィールドは解釈が難しくなります。値をグループ化することを検討してください（例：正確な年齢ではなく年齢層を使用する）。
• 分析を実行する前にメタデータを追加してください。 メタデータ分析は、実行時に存在するフィールドを使用します。後から新しいフィールドを追加した場合は、それらを含めるために分析を再実行してください。