分析中介資料

中介資料分析用於識別哪些元資料欄位能對您的質性資料進行有意義的分群。例如，它能揭示來自不同年齡群組、地區或角色的參與者，是否在回應中強調不同的主題。

執行中介資料分析

若要執行中介資料分析：

1. 前往您專案的類別檢視。
2. 點擊分析中介資料。
3. Skimle 會檢查您所有的元資料欄位，並判斷哪些欄位在您的洞察類別間產生有意義的差異。

此分析會在背景執行，通常需要幾分鐘。完成後，結果會顯示在類別檢視中。

運作方式

Skimle 結合兩種互補的方法來找出顯著的模式：

• 語義分析 - 使用文字嵌入技術，比較不同元資料群組之間洞察的意義。如果擁有不同中介資料值的參與者確實在討論不同的事情，便會偵測到此訊號。
• 分布分析 - 使用統計檢定來檢查某些中介資料值是否比隨機機率預期更集中於特定子類別中。

只有當兩種訊號一致時，元資料欄位才會被視為顯著，從而降低產生虛假研究發現的風險。

解讀結果

針對每個洞察類別，類別檢視會顯示：

• 哪些元資料欄位能產生有意義的分群，並依顯著性排序。
• 群組描述 - 針對每個顯著欄位，Skimle 會描述每個中介資料群組的回應有何特徵。例如，在「年齡群組」欄位下，您可能會看到年輕參與者較關注易用性，而年長參與者則較重視可靠性。
• 時間比較 - 如果您的文件有建立日期，Skimle 會自動比較近期與較早的時間段，以凸顯主題隨時間的變化。

視覺化中的時間線小工具 - 時間線趨勢和比較時期 - 可讓您以互動方式探索相同的問題。

要求

若要讓中介資料分析產生有用的結果，您的專案需要：

• 在正在分析的這些類別中，至少有15 個洞察。
• 所測試的元資料欄位至少有兩個不同的值。
• 每個元資料值至少有兩個洞察。

未達到這些門檻的欄位會自動被略過。

這些門檻最終關乎樣本量：只有當每個群組擁有足夠的洞察可供比較時，質性分群才會變得可靠。樣本量非常小時，大多數欄位會自動被略過，因此在根據中介資料細分得出結論之前，值得先分析足夠數量的文件。

有效進行中介資料分析的技巧

• 使用具描述性的中介資料值。「Senior developer」比「Role A」更有用，因為這有助於 AI 撰寫更有意義的群組描述。
• 將唯一值的數量控制在合理範圍內。 具有數十個唯一值的欄位較難解讀。請考慮將數值分組（例如使用年齡範圍而非確切年齡）。
• 在執行分析前先添加元資料。 中介資料分析使用的是執行當下存在的所有欄位。如果您之後新增欄位，請再次執行分析以納入這些欄位。