138. Dane tekstowe w badaniu ilościowym – kiedy i jak je kategoryzować?

W badaniach ilościowych dane tekstowe pojawiają się częściej, niż sugerowałby klasyczny arkusz z kolumnami liczbowymi. Respondent może wpisać powód rezygnacji z wizyty, opisać działanie niepożądane, wskazać źródło wiedzy o programie profilaktycznym albo doprecyzować odpowiedź zaznaczoną wcześniej w kwestionariuszu. Takie wypowiedzi nie są automatycznie „bałaganem w bazie”. Mogą zawierać ważne informacje, ale aby wykorzystać je w analizie ilościowej, trzeba podjąć decyzję, czy i w jaki sposób przekształcić tekst w zmienne kategoryczne.

W tej lekcji kursu dostępnego na statystyk.edu.pl rozróżnimy surową odpowiedź tekstową, kod analityczny i zmienną kategorialną. Pokażemy, kiedy kategoryzacja jest uzasadniona, jak ją zaplanować, jak ograniczać arbitralność oraz dlaczego zakodowany tekst nie powinien być traktowany tak, jakby od początku był pomiarem liczbowym.

1. Czym są dane tekstowe w badaniu ilościowym?

Dane tekstowe to informacje zapisane za pomocą słów, zdań, skrótów, opisów lub komentarzy, a nie za pomocą wcześniej określonych wartości liczbowych albo zamkniętego zestawu kategorii. Przykładami są odpowiedzi na pytania otwarte, notatki kliniczne, opisy zdarzeń, komentarze pacjentów i uzasadnienia wyboru odpowiedzi.

W badaniu ilościowym tekst może pełnić różne funkcje:

• uzupełniającą – respondent wyjaśnia odpowiedź zamkniętą;
• diagnostyczną – badacz sprawdza, dlaczego część osób nie odpowiedziała zgodnie z instrukcją;
• klasyfikacyjną – tekst służy do przypisania obserwacji do kategorii, na przykład rodzaju bariery w dostępie do leczenia;
• eksploracyjną – odpowiedzi pomagają odkryć kategorie, których nie przewidziano w kwestionariuszu;
• ilustracyjną – wybrane wypowiedzi pokazują znaczenie wyników liczbowych, ale nie są same w sobie podstawą wnioskowania statystycznego.

Trzeba odróżnić kategoryzację od zwykłego oczyszczania tekstu. Ujednolicenie zapisu „COVID-19”, „covid” i „SARS-CoV-2” może być etapem przygotowania danych, ale nie zawsze rozstrzyga, czy wszystkie te określenia oznaczają tę samą kategorię analityczną. Kategoria musi wynikać z definicji operacyjnej, a nie wyłącznie z podobieństwa słów.

2. Kiedy warto kategoryzować tekst?

Kategoryzowanie danych tekstowych jest zasadne, gdy pytanie badawcze dotyczy częstości, współwystępowania lub różnic między jasno zdefiniowanymi typami odpowiedzi. Przykładowo można zapytać: „Jaki odsetek pacjentów wskazuje barierę finansową, transportową lub organizacyjną w dostępie do rehabilitacji?”. Aby odpowiedzieć na takie pytanie, trzeba przełożyć treść wypowiedzi na zmienną albo zestaw zmiennych.

2.1. Sytuacje sprzyjające kategoryzacji

• odpowiedzi tekstowych jest dużo i nie można analizować każdej z osobna;
• badacz ma określone kategorie wynikające z teorii, wcześniejszych badań lub celu projektu;
• konieczne jest połączenie odpowiedzi otwartej z wynikami pomiarów liczbowych;
• kategorie mają służyć opisowi populacji, analizie zależności albo planowaniu interwencji;
• możliwe jest zachowanie oryginalnych odpowiedzi i pełnej dokumentacji kodowania.

Kategoryzacja nie jest jednak obowiązkowa. Jeżeli celem jest zrozumienie doświadczeń pacjentów, sposobu uzasadniania decyzji lub znaczeń nadawanych objawom, redukcja tekstu do kilku kodów może usunąć właśnie te elementy, które są najważniejsze. W takim przypadku odpowiedniejsza może być analiza jakościowa, analiza tematyczna albo podejście mieszane, w którym wyniki tekstowe i ilościowe są integrowane, lecz nie sprowadzane całkowicie do jednej tabeli.

3. Dwa poziomy kodowania: od tekstu do zmiennej

Warto rozdzielić dwa etapy. Pierwszy to kodowanie treści: przypisanie wypowiedzi do jednej lub kilku etykiet zgodnie z ksiażką kodową (codebookiem). Drugi to zbudowanie zmiennej analitycznej: ustalenie, jak te etykiety będą zapisane i użyte w analizie statystycznej.

Załóżmy, że pacjent odpowiada na pytanie: „Co najbardziej utrudniało Panu/Pani udział w rehabilitacji?”. Wypowiedź brzmi: „Nie mogłem dojechać, bo autobus kursuje tylko rano”. Kod treści może brzmieć transport. W bazie można następnie utworzyć zmienną binarną:

Kod	Znaczenie
0	brak wzmianki o barierze transportowej
1	wzmianka o barierze transportowej

Jeżeli respondent może wymienić kilka przeszkód, jedna zmienna wielokategorialna może być niewystarczająca. Lepszym rozwiązaniem jest utworzenie kilku zmiennych binarnych: bariera_transportowa, bariera_finansowa, bariera_organizacyjna i tak dalej. Wtedy jedna osoba może otrzymać wartość 1 w kilku kolumnach. Nie jest to błąd, ponieważ kategorie nie są wzajemnie rozłączne.

4. Jak zbudować kategorie?

Kategorie można tworzyć dedukcyjnie, indukcyjnie albo w sposób mieszany.

4.1. Podejście dedukcyjne

Badacz ustala kategorie przed analizą, korzystając z teorii, modelu pojęciowego, wcześniejszych badań lub celu projektu. W badaniu dotyczącym powodów niezgłaszania się na szczepienie można z góry wyróżnić: obawy o bezpieczeństwo, brak wiedzy, trudność organizacyjną, przeciwwskazania medyczne i brak zaufania do instytucji.

Zaletą jest większa porównywalność i możliwość zaplanowania analizy. Ryzykiem pozostaje pominięcie odpowiedzi, które nie pasują do pierwotnego modelu. Dlatego książka kodowa powinna zawierać kategorię „inne”, ale nie wolno używać jej jako wygodnego pojemnika na wszystko, czego badacz nie umie sklasyfikować.

4.2. Podejście indukcyjne

Badacz najpierw czyta część materiału, identyfikuje powtarzające się znaczenia, a dopiero potem tworzy kategorie. Takie rozwiązanie jest przydatne, gdy wcześniejsza wiedza jest ograniczona albo pytanie otwarte miało charakter eksploracyjny.

Indukcja nie oznacza braku zasad. Należy określić, jaki fragment danych został przejrzany, kto tworzył kategorie, jak rozstrzygano przypadki niejednoznaczne i kiedy zakończono rozwijanie książki kodowej. W przypadku dużego zbioru można zastosować procedurę dwuetapową: wygenerować wstępne kody na próbie, a następnie zakodować cały materiał przy użyciu ustalonego słownika.

4.3. Kategorie rozłączne i nierozłączne

Kategorie rozłączne oznaczają, że każda obserwacja może otrzymać tylko jedną kategorię. Przykładem jest główny powód opóźnienia przyjęcia pacjenta: „brak personelu”, „brak miejsca”, „problem z dokumentacją” albo „inny”. Taki podział wymaga reguły rozstrzygającej, gdy wypowiedź wskazuje kilka powodów.

Kategorie nierozłączne pozwalają przypisać wiele kodów jednej obserwacji. Są właściwe wtedy, gdy pytanie dotyczy wszystkich wymienionych elementów, a nie tylko elementu dominującego. W raporcie trzeba jasno podać, czy odsetki odnoszą się do osób, czy do wszystkich zakodowanych wzmianek. Suma odsetków może wtedy przekraczać 100%.

5. Codebook jako centralny dokument badania

Codebook, czyli słownik kodów, powinien określać nie tylko nazwę kategorii, ale również jej sens i granice. Minimalna książka kodowa może zawierać następujące pola:

Element	Przykładowa zawartość
Nazwa kodu	bariera_transportowa
Definicja	Wypowiedź wskazuje trudność dotarcia do miejsca świadczenia
Włącz	brak autobusu, zbyt daleka odległość, brak możliwości dojazdu
Wyłącz	koszt wizyty bez wzmianki o transporcie
Przykład pozytywny	„Nie miałem czym dojechać”
Przykład negatywny	„Wizyta była za droga”
Reguła szczególna	Jeśli wymieniono kilka barier, koduj każdą osobno

Definicje powinny być operacyjne. Sformułowanie „problemy psychiczne” może być zbyt szerokie, jeśli nie wiadomo, czy obejmuje lęk przed oceną, obniżony nastrój, objawy kliniczne, stres związany z badaniem czy formalne rozpoznanie. Im bardziej niejednoznaczna kategoria, tym większe ryzyko, że różni koderzy będą stosować ją odmiennie.

6. Rzetelność kodowania i zgodność między koderami

Jeżeli tekst koduje więcej niż jedna osoba, warto ocenić zgodność kodowania. Najpierw koderzy niezależnie klasyfikują tę samą próbę odpowiedzi, a następnie porównuje się ich decyzje. Sama zgodność procentowa bywa myląca, szczególnie gdy jedna kategoria występuje bardzo często. W zależności od typu danych można rozważyć współczynnik kappa Cohena dla dwóch koderów albo kappa Fleissa dla większej liczby koderów.

Dla dwóch koderów kappa Cohena jest często zapisywana jako:

κ = (P_o − P_e) / (1 − P_e)

• κ – współczynnik zgodności skorygowany o zgodność oczekiwaną przypadkowo;
• P_o – obserwowany odsetek zgodnych klasyfikacji;
• P_e – oczekiwany odsetek zgodności wynikający z rozkładu kategorii u koderów.

Wartość kappa nie jest uniwersalnym „certyfikatem jakości”. Zależy między innymi od częstości kategorii, liczebności próby i sposobu rozstrzygania niezgodności. Dlatego należy raportować także liczbę ocenianych przypadków, definicję jednostki kodowania, sposób szkolenia koderów i procedurę uzgadniania. W przypadku kategorii uporządkowanych można rozważyć kappa ważoną, a przy danych wielokategorialnych lub złożonych – inne miary zgodności odpowiednie dla projektu.

7. Przykład praktyczny: działania niepożądane po szczepieniu

W badaniu ankietowym dotyczącym doświadczeń osób po szczepieniu respondent odpowiada na pytanie: „Jakie objawy wystąpiły po szczepieniu?”. Odpowiedź może brzmieć: „Przez dwa dni bolała mnie ręka, miałem stan podgorączkowy i byłem bardzo zmęczony”.

Jeżeli celem jest oszacowanie częstości objawów, można utworzyć trzy zmienne binarne:

• bol_miejsca_wklucia – 0/1;
• stan_podgoraczkowy – 0/1;
• zmeczenie – 0/1.

Nie należy natomiast kodować tych objawów jako wartości 1, 2 i 3, a następnie obliczać średniej „liczby” objawu bez uzasadnienia. Numery są tu etykietami kategorii, a nie miarą na skali ilościowej. Można policzyć odsetek osób z każdym objawem, a także utworzyć zmienną „liczba zgłoszonych objawów”, jeśli reguły kodowania są jasne i każda kategoria oznacza obecność jednego odrębnego objawu.

Trzeba także odróżnić objaw od jego nasilenia. Wypowiedź „lekki ból ręki” zawiera informację o obecności bólu i potencjalnie o jego nasileniu. Jeżeli badacz chce analizować nasilenie, powinien ustalić osobny schemat: na przykład brak, łagodne, umiarkowane, silne – wraz z definicjami. Nie wolno zakładać, że wszystkie naturalne określenia respondentów tworzą porównywalną skalę.

8. Dane tekstowe a automatyzacja

Przy dużych zbiorach można stosować wyszukiwanie słów kluczowych, reguły słownikowe, klasyfikację komputerową lub narzędzia sztucznej inteligencji. Automatyzacja może przyspieszyć pracę, ale nie usuwa problemu trafności kodowania. Słowo „ból” może wystąpić w zdaniu „nie odczuwałem bólu”, a określenie „nie mogłem przyjść z powodu transportu” może nie zawierać wcześniej przewidzianego słowa kluczowego.

Rozsądna procedura obejmuje: przygotowanie książki kodowej, ręczne zakodowanie próby, przetestowanie reguł automatycznych, porównanie wyników z oceną człowieka, analizę błędów oraz kontrolę przypadków nietypowych. W publikacji należy podać, czy kodowanie było ręczne, półautomatyczne czy automatyczne, kto przygotował reguły, jak walidowano klasyfikację i ile obserwacji zakodowano ponownie.

9. Najczęstsze błędy

• Usuwanie tekstu bez sprawdzenia jego znaczenia. Komentarze mogą zawierać informacje o błędach pomiaru, zdarzeniach niepożądanych lub przyczynach braku danych.
• Tworzenie kategorii po obejrzeniu wyłącznie „wygodnych” odpowiedzi. Selektywne kodowanie może zniekształcić częstości i związki między zmiennymi.
• Mylenie kodu z wartością liczbową. Kod 1 nie musi oznaczać „więcej” niż kod 0, a kod 3 nie musi oznaczać trzykrotnie większego nasilenia.
• Brak kategorii „nie można ocenić”. Niezrozumiała, pusta lub wieloznaczna odpowiedź nie powinna być automatycznie zakodowana jako brak danej cechy.
• Łączenie różnych konstruktów w jedną kategorię. „Brak wiedzy”, „brak zaufania” i „brak dostępu do informacji” mogą mieć odmienne znaczenie analityczne.
• Zmiana reguł w trakcie kodowania bez dokumentacji. Jeżeli książkę kodową zmieniono, trzeba zapisać wersję, zakres zmiany i ewentualnie ponownie zakodować wcześniejsze obserwacje.
• Raportowanie odsetków bez mianownika. Przy odpowiedziach wielokrotnego kodowania trzeba wskazać, czy procenty liczono względem wszystkich respondentów, czy względem wszystkich wzmianek.
• Wnioskowanie przyczynowe z samych opisów tekstowych. Zakodowanie „problemu z transportem” nie dowodzi, że transport spowodował nieuczestniczenie w świadczeniu, chyba że cały schemat badania uzasadnia taki wniosek.

10. Jak opisać kategoryzację w artykule?

Opis powinien umożliwić czytelnikowi odtworzenie decyzji badacza. W metodach należy wskazać: treść pytania otwartego, jednostkę kodowania, źródło kategorii, sposób utworzenia książki kodowej, liczbę koderów, procedurę szkolenia, sposób rozstrzygania niezgodności, obsługę odpowiedzi wielokategorialnych oraz plan analizy.

W badaniach obserwacyjnych elementy te wiążą się z wymaganiami dotyczącymi jasnego opisu zmiennych, źródeł danych i sposobu pomiaru, obecnymi w zaleceniach STROBE (von Elm et al., 2007). Standardy APA JARS również podkreślają znaczenie przejrzystego opisu zmiennych, procedur analitycznych i decyzji podjętych przed lub po obejrzeniu danych (Appelbaum et al., 2018).

Wyniki warto przedstawiać wraz z liczebnościami bezwzględnymi, odsetkami i – gdy ma to sens – przedziałami ufności. Sama wartość p nie opisuje jakości kodowania ani prawdopodobieństwa prawdziwości hipotezy zerowej. Istotność statystyczną należy oddzielić od wielkości efektu i znaczenia praktycznego.

11. Co warto zapamiętać?

• Dane tekstowe można wykorzystać ilościowo, ale dopiero po zdefiniowaniu jednostki analizy i reguł kodowania.
• Kategoryzacja powinna wynikać z pytania badawczego, a nie z wygody pracy w arkuszu.
• Książka kodowa musi zawierać definicje, kryteria włączania i wyłączania oraz przykłady.
• Trzeba rozróżnić kategorie rozłączne od nierozłącznych i odpowiednio zaplanować strukturę zmiennych.
• Numery przypisane kategoriom są często etykietami, a nie wartościami ilościowymi.
• Zgodność między koderami jest ważnym elementem kontroli jakości, ale żadna pojedyncza miara nie zastępuje dobrej definicji kategorii.
• Oryginalny tekst, kolejne wersje książki kodowej i decyzje analityczne należy zachować, aby ograniczyć utratę informacji i zwiększyć odtwarzalność badania.

Dobrą praktyką jest rozpoczęcie od małej próby odpowiedzi, przetestowanie kategorii, omówienie przypadków granicznych i dopiero potem zakodowanie całego zbioru. Dzięki temu tekst nie zostaje ani bezrefleksyjnie usunięty, ani sztucznie wtłoczony w kategorie, których badacz nie potrafi obronić metodologicznie.

Źródła i dalsza lektura

1. Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. DOI: 10.1037/amp0000191.
2. Conry-Murray, C., Waltzer, T., DeBernardi, F. C., Fossum, J. L., Haasova, S., Matthews, M. S., O’Mahony, A., Moreau, D., Baum, M. A., Karhulahti, V.-M., McCarthy, R. J., Paterson, H. M., McSweeney, K., & Elsherif, M. (2024). Validity and Transparency in Quantifying Open-Ended Data. Advances in Methods and Practices in Psychological Science, 7(4), 1–23. DOI: 10.1177/25152459241275217.
3. Etz, R. S., Gonzalez, M. M., Eden, A. A., & Winship, J. (2018). Rapid Sense Making: A Feasible, Efficient Approach for Analyzing Large Data Sets of Open-Ended Comments. Field Methods, 30(1), 3–20. DOI: 10.1177/1609406918765509.
4. Goldberg, E. M., Macis, M., Bounds, M., Gomez Picazo, J., & Nicholas, L. H. (2025). Free-Text Responses in a Nationally Representative Experimental Survey about End-of-Life Care Choices: ChatGPT-4o-Assisted Qualitative Analytical Study. JMIR Aging, 8, e66355. DOI: 10.2196/66355.
5. Hsieh, H.-F., & Shannon, S. E. (2005). Three Approaches to Qualitative Content Analysis. Qualitative Health Research, 15(9), 1277–1288. DOI: 10.1177/1049732305276687.
6. von Elm, E., Altman, D. G., Egger, M., Pocock, S. J., Gøtzsche, P. C., & Vandenbroucke, J. P. (2007). The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) Statement: Guidelines for Reporting Observational Studies. PLoS Medicine, 4(10), e296. DOI: 10.1371/journal.pmed.0040296.
7. American Psychological Association (2018). APA Style Journal Article Reporting Standards. American Psychological Association. Źródło.
8. EQUATOR Network (2026). STROBE: Strengthening the Reporting of Observational Studies in Epidemiology. EQUATOR Network. Źródło.