Porovnání manuální a automatizované obsahové analýzy

(přesměrováno z 11) Porovnání manuální a automatizované obsahové analýzy)

Pojem obsahová analýza lze definovat následovně:

„Analýza obsahu dokumentu zahrnující metody a pravidla pro stanovení tematiky dokumentu, příp. časového a prostorového hlediska, čtenářského určení a formy dokumentu. Slovní vyjádření obsahu dokumentu v přirozeném jazyce je transformováno do věcných selekčních údajů v procesu věcného pořádání nebo do vět v procesu sémantické redukce textu dokumentu.“[1]

Pomocí obsahové analýzy, dle Bohuslava Kováře, konkretizujeme obsahovou stránku dokumentu co nejpřesněji formulovanými slovy přirozeného jazyka a při její tvorbě vycházíme z údajů, které nám dokument poskytuje. Celý proces obsahové analýzy náleží k základu věcného pořádání informací.[2] Obsahová analýza (zpracovaná manuálně i automaticky) tudíž odráží jednu z důležitých součástí zpracování dokumentu, jehož cílem je specificky profilovat jeho obsahové prvky a objektivně určit vztahy mezi nimi, tzn. přesně stanovit, o čem daný dokument tématicky pojednává.

Kromě oboru informačních věd a knihovnictví se obsahová analýza využívá jako systematický výzkumný nástroj ve společenských vědách s kvantitativní i kvalitativní aplikací na zhodnocení různých typů textových dat (sociologické, psychologické i jiné výzkumy, případové studie, projekty, zprávy z konferencí).[3]

Praktické využití obsahové analýzy

Produktem manuální i automatizované obsahové analýzy jsou redukované texty charakterizující jasně, přesně a objektivně obsah dokumentu v přirozeném jazyce, ale i prvky jazyka selekčního. Mezi tyto výstupy řadíme:

  • referát
  • anotaci
  • abstrakt
  • rejstříky
  • odkazy
  • předmětová hesla
  • deskriptory[2]

Techniky zpracování obsahové analýzy

Při identifikaci dokumentu ve vztahu k jeho obsahu využíváme postupy manuální a automatizované indexace, které zahrnují zpracování dokumentu lexikálními prvky selekčního jazyka, ale i komplexní proces obsahové analýzy, určení hlavních pojmů a vyjádření tématu dokumentu, i interpretaci textu.[4] Manuální a automatizovanou indexací tedy koncovým uživatelům zajistíme relevantní a přesné podklady pro vyhledání a zjištění tématiky dokumentu.

Definice indexace dle TDKIV:

„Proces vyjádření obsahu dokumentu pomocí prvků selekčního jazyka, obvykle s cílem umožnit zpětné vyhledávání. Podle použitých metod se rozlišuje pojmová a slovní indexace, podle použitých postupů se rozlišuje intelektuální, automatická a poloautomatická indexace.“[5] Dle výše zmíněné definice tedy pro funkční zpětné vyhledání musí být obsah dokumentu kvalitně zpracován selekčním jazykem.

Manuální obsahová analýza

Manuální obsahovou analýzou rozumíme indexaci obsahové stránky dokumentu realizovanou lidmi - tzv. indexátory - tudíž se jedná o zpracování analýzy pouze na intelektuální rovině, bez využití automatizovaných systémů. Tento druh indexace je značně subjektivním, jelikož proces zpracování velice ovlivňuje lidský faktor. Popis obsahu dokumentu probíhá dle předem stanovených pravidel. Zpracovatel primárně čerpá z tradičních zdrojů informací (níže blíže specifikováno dle normy) a očekává se, že kvalitně postihne obsahové prvky dokumentu a porozumí kombinacím termínů v textu. Mezi dovednosti kvalifikovaného indexátora řadíme:

  • zkušenosti v oboru a se zpracováním dokumentů
  • schopnost porozumění danému dokumentu po obsahové i jazykové stránce
  • znalost sémantiky a problematiky různých typů textu
  • znalost konkrétního selekčního jazyka
  • efektivní práce s dokumenty - např. racionální čtení
  • rozvinutá slovní zásoba, včetně odborných termínů napříč obory
  • systematické, logické a analytické myšlení
  • soustředění, pečlivost, zaměření na detail[6]


Při manuálním zpracování obsahové analýzy vychází indexátor i z normy ČSN ISO 5963 (010174) - Metody analýzy dokumentů, určování jejich obsahu a výběru lexikálních jednotek selekčního jazyka, která předkládá obecné metody obsahové analýzy využitelné v procesu indexace. Dle uvedené normy je prioritou objektivně posoudit a porozumět veškerým důležitým prvkům dokumentu.


Části dokumentu, z nichž lze primárně čerpat data k analýze obsahu (zaměřujeme se na viditelné obsahové prvky, ale i samotné tělo textu):

  • název a podnázev
  • identifikační, nakladatelské údaje
  • zpracovaný obsah dokumentu
  • úvod dokumentu, předmluva i závěr
  • úvody jednotlivých kapitol, kapitoly samotné a jejich shrnutí
  • rejstřík
  • přílohy
  • seznam použité literatury
  • kontext celého dokumentu
  • slova napsaná jiným typem písma, či jinak graficky odlišená
  • často opakované pojmy tvořící podstatu textu atd.[7]

Při provedení profesionální intelektuální analýzy je zvláště kladen důraz na objektivitu, využití dosavadních znalostí při identifikaci obsahových prvků a zhodnocení dokumentu jako celku. Tato technika je díky hlubšímu porozumění obsahu textu kvalitnější než automatizovaná. Zpracování je ale velice časově a intelektuálně náročné a celkově nákladnější v poměru cena/zanalyzovaný dokument.[8] Zmíněné faktory jistě v praxi ukazují na upřednostňování automatické indexace, ale i tento postup má své nedostatky.

Automatizovaná obsahová analýza

Zcela podléhá využití informačních technologií, aplikuje se pomocí informačních systémů a dalších počítačových programů - v současné době nezbytný postup. Tato technika obsahové analýzy disponuje v porovnání s manuálním/intelektuálním postupem nenáročností, jelikož programy pro automatizovanou indexaci obsáhnou při zpracování dokumentu obrovské množství dat s minimální časovou prodlevou. V rámci procesu probíhá analýza obsahu pomocí automatických postupů, které umožní rychlou identifikaci pojmu a následné přiřazení vhodných termínů selekčního jazyka (důležité pro možnost zpětného vyhledání dokumentu). Počítačové programy pro zpracování analýzy ale nemají dostatečné schopnosti správně interpretovat obsah dat daného dokumentu, tudíž mu neporozumí jako lidé.[9] Informační systémy pro tvorbu automatizované obsahové analýzy jsou díky technologickému pokroku neustále vyvíjeny, avšak nákladně.

Jedná se o techniku efektivní, rychlou, funkční a levnější. Automatická indexace zabraňuje přílišné subjektivitě intelektuální obsahové analýzy, ale využívá značně zjednodušujících metod, čímž snižuje náročnost celého procesu - kvalita výsledku je tak relativní. Komplikací pro automatizovaný systém naprogramovaný pro obsahovou analýzu jsou např.:

  • slovní spojení mající význam pouze jako celek
  • neexplicitně vyjádřené pojmy
  • nerelevantní termíny
  • nepřímé odkazy na jiné souvislosti, či texty
  • synonyma
  • homonyma
  • slova v různých tvarech a mluvnických kategoriích
  • symboly a znaky (pokud dokument není psaný latinkou)[6]

Dva typy automatické indexace

  • automatická extrakce (automatic extraction indexing)/slovní indexace: - získání indexačních prvků z textu dokumentu ve formě přirozeného jazyka - jednodušší metoda, většinově využívaná
  • automatické přiřazování (automatic assignment indexing)/pojmová indexace - označení vhodných indexačních termínů vyhledaných v řízeném slovníku systému a následné porovnání s pojmy textu dokumentu - prakticky náročné na programování

100% automatizované využití indexace je úzce spjato s náročným technologickým vývojem informačních systémů z hlediska času i financí. Metoda prozatím není plně automatická - probíhá implementace hybridních systémů - tzn. automatická indexace společně s intelektuálním zpracováním (indexátor pracuje s aktivní podporou počítačového programu). Obě techniky se metodicky liší, ale ve výsledku jsou vzájemně kompatibilní. Při tvorbě obsahové analýzy jsou systémem předvoleny vhodné výrazy pro indexaci, ale jejich finální výběr provede a potvrdí indexátor dle své profesionální úvahy, aby vystihl obsah dokumentu.[8]

Kvalita zpracování

Kvalitním manuálním i automatizovaným zpracováním rozumíme proces zaručující relevanci zpětně vyhledaných výsledků. V rámci obsahové analýzy se jedná o maximalizaci shody obsahu selekčního obrazu s tématem dokumentu, či rešeršním dotazem.[10] Při hodnocení kvality indexace tedy vycházíme z kontextu účelu a funkcí systému, který pro zpracování využíváme. Hodnotu kvality zpracování při indexaci nelze přesně určit, vždy závisí na:

  • indexátorovi a jeho zkušenostech - nejpodstatnější faktor
  • informačním systému
  • rozsahu slovníku selekčního jazyka
  • konkrétní strukturě dokumentu


Ačkoliv je hodnota kvality relativní, mezi možnosti k její kontrole zahrnujeme:

Metodu hodnocení indexace, značící kontrolu obsahové i formální správnosti dle indexačních pravidel. Jedná se o kompletní opakování procesu indexace a minimalizace chyb nezávislým indexátorem (časově náročné, ale přínosné). Dále hodnotíme relevanci výsledků vyhledávání dle uživatelského dotazu a využívá se i tzv. analýza konzistence, která spočívá ve výpočtu souhlasných termínů ve dvou a více selekčních obrazech dokumentů.[10]

Shrnutí

  • Zpracování obsahové analýzy manuálním i automatizovaným způsobem pomáhá uživatelům s lepším vyhledáváním, či orientací v tématice dokumentu.
  • Indexátor při aplikaci intelektuální metody na obsahovou analýzu dokumentu nemá problém s interpretací přirozeného jazyka, má rozvinutou slovní zásobu, dokáže spojit synonyma, odlišit významově podobné termíny, odhalit skryté souvislosti v textu a nahlíží na dokument jako na celek. Automatizovaný systém srovnává symboly, které text tvoří, neporozumí obsahu.
  • Každý pracovník na pozici indexátora může chápat obsah textu individuálně. Kvalita zpracování může být ovlivněna jeho vzděláním, prostředím, momentálním osobním rozpoložením, vlastní motivací atd. Jakýkoliv systém funguje automaticky, na základě naprogramování - nezávisí na lidském faktoru.
  • Systém zvládá přesně analyzovat bez problému obrovské množství dat, chybí ovšem porozumění obsahu v přirozeném jazyce.
  • Větší shoda ve zpracovaném výsledku u dvou stejných dokumentů je u automatické indexace. Průběh manuální obsahové analýzy zcela závisí na zkušenostech indexátora, je reálné, že v případě obsahové analýzy dvou stejných dokumentů narazíme na odlišnosti.
  • Jako ideální postup odborníci prozatím shledávají kombinaci a propojení obou technik.
  • Finální produkt obsahové analýzy (např. referát, anotaci atd.) je vhodné přizpůsobit koncovému uživateli dle formy a tématu dokumentu.

Odkazy

Reference:

  1. BALÍKOVÁ, Marie. Obsahová analýza. In: KTD: Česká terminologická databáze knihovnictví a informační vědy (TDKIV) [online]. Praha : Národní knihovna ČR, 2003 [cit. 2018-05-17]. Dostupné z: http://aleph.nkp.cz/F/?func=direct&doc_number=000001586&local_base=KTD
  2. 2,0 2,1 KOVÁŘ, Blahoslav. Obsahová analýza dokumentu. Praha: Ústředí vědeckých, technických a ekonomických informací, 1974.
  3. DVOŘÁKOVÁ, Ilona. Obsahová analýza / formální obsahová analýza / kvantitativní obsahová analýza. AntropoWebzin. [online] Plzeň: AntropoWeb při Katedře antropologie FF ZČU v Plzni, 2005 [cit. 2018-05-17] Dostupné z: http://antropologie.zcu.cz/media/webzin/webzin_2_2010/Dvorakova__I-2-2010.pdf
  4. KOVÁŘ, Blahoslav. České termíny pro pojmenování procesu věcného pořádání a jeho druhů. Knihovnictví a bibliografie. 1973, roč. 2, č. 2, s. 37-44. Příl. čas. Čtenář, 1973, roč. 24, č. 2.
  5. BALÍKOVÁ, Marie. indexace. In: KTD: Česká terminologická databáze knihovnictví a informační vědy (TDKIV) [online]. Praha : Národní knihovna ČR, 2003 [cit. 2018-05-17]. Dostupné z: http://aleph.nkp.cz/F/?func=direct&doc_number=000001549&local_base=KTD
  6. 6,0 6,1 BLAŽEK, Jakub. Srovnání automatické a intelektuální indexace. Inflow: information journal [online]. 2008, 1(4) [cit. 2018-05-28]. Dostupné z: http://www.inflow.cz/srovnani-automaticke-intelektualni-indexace
  7. Metody analýzy dokumentů, určování jejich obsahu a výběru lexikálních jednotek selekčního jazyka: ČSN ISO 5963 (01 0174). 1. vyd. Praha: Český normalizační institut, 1995, 10 s.
  8. 8,0 8,1 SCHWARZ, Josef. Současný stav a trendy automatické indexace dokumentů. Ikaros [online]. 2003, 7(3) [cit. 2018-05-28]. Dostupné z: http://ikaros.cz/node/11231
  9. KUČEROVÁ, Helena. Co analyzujeme při obsahové analýze dokumentů? K pojmu aboutness v organizaci znalostí = What Do we Analyze during Subject Analysis of Documents? The Concept of Aboutness in Knowledge Organization. Knihovna: knihovnická revue [online]. 2014, 25(1), 36-54 [cit. 2018-05-28]. Dostupné z: http://oldknihovna.nkp.cz/knihovna141/141036.htm
  10. 10,0 10,1 SCHWARZ, Josef. Praktické aspekty hodnocení kvality a konzistence indexace. Ikaros [online]. 2001, 5(2) [cit. 2018-05-28]. Dostupné z: http://ikaros.cz/node/12378

Související články:

Analýza vybraných trendů ve věcném pořádání a vyhledávání informací
Obsahová analýza
Selekční jazyk
Tradiční systémy pořádání informací a znalostí - vlastnosti a možnosti jejich využití
Vliv interpretace textu na výsledky textové a obsahové analýzy

Klíčová slova:

obsahová analýza, obsah dokumentů, indexace, věcné pořádání informací, zpracování dokumentu