近日，澳门大学张文瑜教授等在SSCI期刊上发表了一篇健康传播领域的论文，核心主题是研究中文语言场景下非传染性疾病（Non-communicable Diseases, NCDs）的新闻报道框架。
研究团队回顾了整整十年（2010-2019）主流新闻媒体报道，利用DiVoMiner®特有的大数据技术辅助在线内容分析法，梳理和描述不同地区各具特点的新闻报道框架，并理解导致框架差异存在的潜在原因，试图为预防和对抗非传染性疾病做出研究贡献。论文中有不少有趣的结果，揭示代谢性类型疾病是新闻报道中最受到关注的类型，而造成非传染性疾病的风险来源分别是压力、吸烟、基因。
按照惯例，接下来小编为大家“拆解”研究过程，介绍研究团队如何完成文本数据分析研究，作出SSCI级别论文！
梳理文献，列明研究问题
根据世界卫生组织WHO的报告，非传染性疾病是基因、生理、环境和行为因素综合作用的结果。心血管疾病、慢性呼吸系统疾病、癌症、糖尿病和中风是非传染性疾病中在全球造成死亡的五大原因。非传染性疾病显然是一个危险的杀手。
论文梳理非传染性疾病的现况及新闻报道的情况，以及综述该领域的框架研究成果，从报道量、风险、后果、归因四个方面提炼研究问题：
- 在中国内地及周边地区的报纸，非传染性疾病的报道量有多少？随着时间的推移，报道量有何变化？How much coverage was devoted to NCDs in mainland China newspapers, and in the neighboring areas, and how did that change over time?
- 非传染性疾病新闻中，如何报道评估风险？How were the NCDs covered along with risk assessment?
- 非传染性疾病新闻中，如何报道代价后果？How were the NCDs covered along with cost consequences?
- 中文新闻报道中是否存在某种疾病与归因的关联，个人层面（片段式结构框架）还是社会层面（主题式结构框架）？What associations, if any, do Chinese news attribute risks with individual‐level (episodic theme) or social‐level frames (thematic theme)?
为回答上述研究问题，论文以跨度十年（2010年1月1日-2019年12月31日）的主流新闻媒体报道为数据选取范围，检索数据关键词包括非传染疾病相关词汇。该研究有两大特点及价值：（1）是以中国内地、港澳台地区为对象的大型中文网络新闻比较分析之一；（2）利用自动化流程收集和解析十年来面对大量中国读者的文本资料。
数据预处理，提高数据相关性及准确度
选取提及关键词至少两次的文本目标样本
在数据样本来源的选取方面，综合考虑媒体属性和影响力，最终选定11家主流新闻媒体，中国内地（4家），香港地区（3家），澳门地区（1家），台湾地区（3家）。
以非传染疾病相关词汇作为检索数据关键词，在中文关键词的拟定方面，由于不同地区在语言表达上存在本土化差异，在设定检索关键词时，充分考虑这一因素，确保数据检索流程的合理性。为提高数据的相关性和准确度，研究团队执行了数据预处理，以关键词次数为依据，如果一篇文章仅提及关键词少于2次，则剔除出样本范围。
编码簿（Codebook）包括疾病种类、风险评估和疾病后果三部分
编码簿中，考量了26种疾病类型，13种风险评估因素以及8种疾病后果，共计10个类目，涉及54个选项，可谓是相当复杂的内容编码体系，含有跳题设计（想知道类目跳题如何设计？小编后续介绍，敬请关注）。
对于编码簿的制作过程，作者团队在论文中指出，一方面，前期根据研究问题设计出编码簿，涵盖研究需求，另一方面，在数据处理过程中，也可方便地随时调整编码簿。
使用大数据技术辅助在线内容分析法
选取1%样本进行人机结果比对检验
该研究设计利用机器编码批量处理数据，为检验和说明机器编码的准确度，团队随机抽取了1%的数据作为比对样本，由张文瑜教授带领4位经过训练的研究助理完成人工编码的部分，且编码员之间信度达到Cohen’s Kappa = 0.78 (p < 0.001), 95% CI (0.604, 0.948)。最终人机对比一致性达到80%，机器编码结果可接受。
过去十年，共有137,175篇新闻报道了非传染性疾病相关的内容，各地区的报道量均是稳定上升趋势。代谢性疾病（如糖尿病、慢性肾脏等）是媒体提及最多的疾病类型。压力、吸烟和基因是风险来源前三位。结果证明，媒体对疾病风险信息的框架性表达，会改变对疾病类型的选择、理解和后果的传播方式。
