# Tw Research Content Analysis

> 內容分析工具，協助研究者對文本、媒體或文件資料進行系統性、 量化的內容分析。提供編碼類別設計、編碼矩陣生成、 Cohen's Kappa 信度計算（含詮釋指引），以及頻率統計輸出。 支援：傳播學媒體分析、政策文件分析、教科書分析、 社群媒體文字分析、歷史文獻分析。 當使用者提及「內容分析」「content analysis」「編碼矩陣」 「媒體分析」「文件分析」「Kappa 係數」「類別頻率」時觸發。 分類：學術研究（tw-research-*） 參考來源：Krippendorff (2019) Content Analysis + Cohen's Kappa

- Skill: `fw1201/tw-research-content-analysis` (Agent Skill, multi-file: 2 files)
- Install (CLI): `npx skillmds@latest add fw1201/tw-research-content-analysis`
- Raw SKILL.md: https://api.skillmd.com/api/skills/fw1201/tw-research-content-analysis/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Research & Search
- Author: fw1201 (https://skillmd.com/u/fw1201)
- Updated: 2026-09-17
- Page: https://skillmd.com/skills/fw1201/tw-research-content-analysis

---


# 內容分析工具 v1.0

## 核心哲學
「**內容分析讓「軟」的文本資料，說出「硬」的量化結論。**
關鍵在於：編碼類別是否清楚、編碼者是否一致。
信度不高的內容分析，比沒有分析更糟。」

> 學術依據：
> - Krippendorff, K. (2019). Content Analysis: An Introduction to Its Methodology (4th ed.)
> - Cohen, J. (1960). A coefficient of agreement for nominal scales
> - Neuendorf, K. A. (2017). The Content Analysis Guidebook

---

## Step 0：讀取參考資源

1. `references/content_analysis_codebook_guide.md` — 編碼手冊設計指南
2. `references/kappa_calculation_guide.md` — Cohen's Kappa 計算說明

---

## Step 1：概念對齊確認卡

```
╔══════════════ 內容分析工具啟動 ══════════════╗
📌 任務：系統性內容分析設計 + 信度評估
🎯 目標：編碼矩陣 + 頻率統計 + 信度係數

請提供：
1. 分析材料類型（新聞/教科書/政策文件/社群媒體等）
2. 研究問題（想知道這些材料的什麼特徵？）
3. 材料數量（N = X 篇/條/段）
4. 是否有多位編碼者（影響信度設計）
╚═══════════════════════════════════════════════╝
```

---

## Step 2：內容分析基本設定

```
Q1：「分析單元（Unit of Analysis）？
    A. 整篇文章/文件（粗粒度）
    B. 段落
    C. 句子
    D. 字詞/詞彙
    E. 圖像/影像元素
    F. 主題/議題（最常用於傳播研究）」

Q2：「分析類型？
    A. 顯性內容分析（表面意思，較客觀）
    B. 隱性內容分析（潛藏意義，需詮釋）
    C. 兩者並用」

Q3：「編碼系統？
    A. 類別編碼（Nominal）— 是否屬於某類別
    B. 方向編碼（Ordinal）— 正面/中立/負面
    C. 強度評分（Interval）— 1-5 分程度評估
    D. 混合：先分類再評強度」

Q4：「是否有既有分類框架可參考？
    A. 是，參考 [理論/先行研究]
    B. 否，從資料中歸納（Inductive）
    C. 混合（先演繹再修正）」
```

---

## Step 3：編碼手冊（Codebook）設計

```
編碼手冊標準格式：

編碼類別：[類別名稱]
編號：C01
定義：[清楚的操作性定義，2-3句]
包含（Include）：
  • [符合此類別的例子]
  • [邊界案例說明]
不包含（Exclude）：
  • [常見的誤判案例]
典型範例：
  • [正面範例引述]
  • [負面範例引述]
邊界案例處理：[如何處理不確定的案例]
```

**示範編碼手冊（以新聞框架分析為例）**：

```
類別：F1 衝突框架（Conflict Frame）
定義：新聞報導強調不同政治派系、個人或團體間
      的不同意見或對抗情況。

包含：
  • 明確的對立意見描述（支持vs.反對）
  • 政治攻防、批評言論
  • 贊成/反對的量化統計

不包含：
  • 純事實陳述無明顯立場
  • 歷史事件回顧
  • 科學研究結果報告

典型範例：
  ✅ 「執政黨與在野黨就該法案激烈交鋒，雙方各持立場...」
  ❌ 「政府昨日公布最新統計數字...」（無衝突）

編碼指示：若報導主要篇幅（>50%）呈現對立立場 → 編碼為 F1
```

---

## Step 4：編碼矩陣輸出格式

```
╔═════════════════════════════════════════════════════════╗
內容分析編碼矩陣
研究主題：[研究主題]
分析材料：[N] 篇/條/段
分析期間：[日期範圍]
編碼者：[代號清單]
╠═════════════════════════════════════════════════════════╣
材料編號 │ [類別C01] │ [類別C02] │ [類別C03] │ ... │ 備注
────────────────────────────────────────────────────────
M001     │    1      │    0      │    1      │ ... │
M002     │    0      │    1      │    0      │ ... │
M003     │    1      │    1      │    0      │ ... │
...
────────────────────────────────────────────────────────
頻率     │   X       │   X       │   X       │ ... │
百分比   │  X.X%     │  X.X%     │  X.X%     │ ... │
╚═════════════════════════════════════════════════════════╝
```

---

## Step 5：Cohen's Kappa 信度計算

### 5.1 為何需要信度？

```
內容分析的核心要求：不同編碼者看同一份材料，
應得到高度一致的結果（編碼者間信度）。
若一致性低，說明編碼定義不夠清楚，結論不可信。
```

### 5.2 Cohen's Kappa 計算步驟

```
公式：κ = (Po - Pe) / (1 - Pe)

其中：
Po = 實際觀察一致率（Observed Agreement）
Pe = 機率期望一致率（Expected Agreement by Chance）

手動計算步驟：

步驟 1：建立混淆矩陣（2分類為例）
         編碼者 B
         類別1  類別2  合計
編碼者A 類別1   a      b     a+b
        類別2   c      d     c+d
        合計  a+c    b+d    N

步驟 2：計算 Po
Po = (a + d) / N

步驟 3：計算 Pe
Pe = [(a+b)/N × (a+c)/N] + [(c+d)/N × (b+d)/N]

步驟 4：計算 κ
κ = (Po - Pe) / (1 - Pe)

示範計算：
N = 50 筆材料

         編碼者B
         類別1  類別2
編碼者A 類別1   20     3
        類別2    2    25

Po = (20+25)/50 = .90
Pe = [(23/50 × 22/50)] + [(27/50 × 28/50)]
   = (.46 × .44) + (.54 × .56)
   = .202 + .302 = .504
κ = (.90 - .504) / (1 - .504) = .396 / .496 = .80
```

### 5.3 κ 值詮釋標準

```
κ 值     │ 評估等級 │ 處理建議
─────────────────────────────────────────────
< .00    │ 低於隨機 │ 🔴 重新訓練，重新設計
.00-.20  │ 微弱一致 │ 🔴 不可接受，需大幅修訂
.21-.40  │ 尚可一致 │ 🟠 修訂編碼手冊，討論爭議案例
.41-.60  │ 中等一致 │ 🟡 可以接受（部分研究標準）
.61-.80  │ 高度一致 │ 🟢 良好（建議達到此標準）
.81-1.00 │ 幾乎完美 │ ✅ 優秀
─────────────────────────────────────────────
學術界最低標準：κ ≥ .70（Cohen, 1960）
                κ ≥ .80（傳播研究慣例）
```

---

## Step 6：頻率統計與圖表輸出建議

```
基本統計輸出：
□ 各類別出現頻率（絕對數 + 百分比）
□ 類別間交叉分析（Chi-square test）
□ 時間趨勢分析（若有時間軸）

視覺化建議：
• 橫條圖（各類別頻率比較）
• 折線圖（時間序列變化）
• 熱圖（兩個分類交叉分析）

報告格式：
「在 [N] 篇分析材料中，[類別X] 出現最頻繁（N = X，占 X%），
其次為 [類別Y]（N = X，占 X%）。
卡方檢定顯示不同媒體間的框架差異達統計顯著水準
（χ² = X.XX, df = X, p < .001）。」
```

---

## 降級方案

若使用者資料為網路爬蟲資料或大量文本：
- 建議使用 Python `pandas` 進行頻率統計
- 推薦 `krippendorff` 套件計算 Krippendorff's α
- 轉介 `tw-research-stat-consultant` 進行統計分析