کاربرد آنتروپی شانون در تحلیل محتوا

کاربرد آنتروپی شانون در تحلیل محتوا به ارزیابی اهمیت مقوله‌های شناسایی شده براساس تعداد دفعات تکرار و فراوانی مشاهده شده، اشاره دارد. برای تحلیل داده‌ها، روش‌های بسیاری ارائه شده است که اساس آنها درصدگیری از فراوانی مقوله‌ها است. این روش‌ها مشکلات محاسباتی خاص خود را دارند که از اعتبار نتایج آنها می‌کاهد. در روش تحقیق کیفی و تحلیل محتوا از روش انتروپی شانون می‌توان استفاده کرد.

روش آنتروپی شانون برگرفته از نظریه دستگاه‌ها است. براساس این روش، پردازش داده‌ها در بحث تحلیل محتوا با نگاهی جدید و به صورت کمی و کیفی مطرح می‌شود. براساس این روش تحلیل داده‌ها، در تحلیل محتوا بسیار قوی‌تر و معتبرتر عمل می‌کند. آنتروپی در تئوری اطلاعات، شاخصی است برای اندازه‌گیری عدم اطمینان که بوسیله یک توزیع احتمال بیان می‌شود. براساس این روش که به مدل جبرانی مشهور است، محتوای طرح مورد تحلیل قرار خواهد گرفت.

تحلیل محتوای تحقیقات کیفی همراه با انتروپی شانون برای دوره ارشد و دکتری پذیرفته می‌شود.

پس از شناسایی شاخص‌های پژوهش براساس تحلیل محتوا و تعیین واحدهای تحلیل (کلمه‌ها و مضامین)، برای تحلیل داده‌ها از روش انتروپی شانون به صورت زیر استفاده خواهد شد.

کاربرد آنتروپی شانون در تحلیل محتوا

از منظر ریاضی دو دسته از روش‌های مختلف در پردازش اطلاعات موجود از یک مساله تحلیل محتوا وجود دارد:

• مدل‌های جبرانی Non-Compensatory
• مدل‌های غیرجبرانی Compensatory

مدل غیر جبرانی شامل روش‌هایی است که در آنها مبادله trade-off بین مقوله‌ها مجاز نیست. یعنی نقاط ضعف یک مقوله توسط مزیت مقوله دیگر جبران نمی‌شود. در مدل‌های جبرانی اجازه مبادله بین شاخص‌ها وجود دارد. یعنی تغییری دریک مقوله می‌تواند توسط تغییری مخالف در مقوله دیگر جبران شود. روش آنتروپی شانون در دسته روش‌های جبرانی قرار دارد.

استفاده از روش‌های جبرانی در تحلیل اطلاعات حاصل از پیام مفیدتر و از دقت ریاضی برخوردار است. این روش‌ها با توجه به ماهیت تعاملی خود، بخوبی می‌توانند اطلاعات بیشتری را در تفسیر پیام ارائه دهند. علت اصلی استفاده از مدل‌های غیرجبرانی، سادگی و سهولت محاسبات است. بنابراین دلایل ریاضی نشان می‌دهد کاربرد آنتروپی شانون در تحلیل محتوا معتبر از روش جاری در تحلیل فراوانی‌ها است.

مراحل آنتروپی شانون در تحلیل محتوا

ابتدا باید فراوانی هریک از مقوله‌های شناسایی شده براساس تحلیل محتوا مشخص شود.

ماتریس فراوانی‌های مورد نظر باید به هنجار شود. برای این منظور از روش نرمال سازی خطی استفاده می‌شود:

نرمال سازی خطی

بار اطلاعاتی هر مقوله باید محاسبه شود. برای این منظور از رابطه زیر استفاده می‌شود:

بار اطلاعاتی هر مقوله

ضریب اهمیت هر مقوله باید محاسبه شود. هر مقوله که دارای بار اطلاعاتی بیشتری باشد، از درجه اهمیت بیشتری برخوردار است.

برای این منظور از رابطه W_j = E_j/(∑E_j) استفاده می‌شود.

آموزش آنتروپی شانون در اکسل

آموزش کاربرد آنتروپی شانون در تحلیل محتوا  مقاله عادل آذر

کدنویسی کامل مساله حل شده عادل آذر در فایل اکسل

محتویات:فایل PDF مقاله آذر + فایل اکسل کدنویسی شده مقاله آذر + فایل ورد شامل توضیحات

کدهای فایل اکسل قابل مشاهده و دستکاری است.

خلاصه و جمع‌بندی

روش‌های پردازش داده‌ها در تحلیل محتوی عمدتا به صورت غیر جبرانی و بر اساس فراوانی هر مقوله بنا شده است. این روش‌ها دارای معضلات ریاضی و تئوری هستند که کاربرد آنها را محدود می‌سازد و عمدتا نوع اطلاعات حاصل از آنها از اعتبار لازم برخوردار نیست. در حالی که میتوان برای رفع این نقیصه از مدل‌های جبرانی استفاده کرد، که کمتر (شاید بتوان گفت اصلا) در حوزه تحلیل داده‌ها در تحلیل محتوی مورد توجّه قرار نگرفته اند. در این مقاله تلاش شد یکی از روش‌های اصلی مهندسی سیستم‌ها در حوزه تحلیل محتوی مطرح شود. بدین وسیله رویکردی نوین به فن تحلیل محتوی بسط و توسعه یافت.
بخش اصلی مقاله به بیان الگوریتم روش آنتروپی شانون در تحلیل محتوی، ذکر مثال برای تشریح بیشتر روش و در نهایت اجرای عملی (مطالعه موردی) روش جدید و مقایسه آن با روش جاری تحلیل داده‌ها اختصاص یافته است. سپس اعتبار نتایج روش جدید در مقایسه با روش جاری پردازش داده‌ها از دو دیدگاه ریاضی و سازه‌های مورد مقایسه و تحلیل قرار گرفته است.

منبع: آذر، عادل. (۱۳۸۰). بسط و توسعه روش آنتروپی شانون برای پردازش داده‌ها در تحلیل محتوا، فصلنامه علوم انسانی الزهرا، ۱۱ (۳۷)، ۱-۱۸.