Leximancer Software as a Research Tool for Social Marketers
Notice bibliographique
Résumé
The amount of human effort required to do content analysis research “by hand” is often time-consuming, and unreliability is a common concern. Our aim was to conduct a content analysis that traces the history of Social Marketing Quarterly ( SMQ) articles by using Leximancer (version 4.5)—a software tool designed for analyzing natural-language text data. We adhered to Krippendorff’s network of steps to address two research questions: (1) “What are the prevailing conceptualizations of the application of social marketing?” and (2) “How have those conceptualizations changed over time?” We identified all SMQ volumes/issues published between May 1994 (inaugural issue) and September 2015. Our sampling units consisted of all SMQ “Application” articles published during that time ( n = 162). Leximancer output includes a conceptual map representing the main concepts within the text and how they are related (themes). Based on conceptual and relational analyses, one would surmise that social marketing applications (e.g., campaigns) predominantly address health-related problems through behavioral influence strategies, informed by audience research and designed to include the elements of the marketing mix (e.g., messaging). The predominant health topic addressed by social marketing applications has been tobacco use and smoking. Leximancer has a number of desirable features including an ability to quickly handle large amounts of text in various formats and languages. However, those features are no substitute for a content analysis design that makes the research reproducible and available for critical examination—a shortcoming of previous content analyses of the social marketing field.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,019 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,019 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».