Метод триангуляции кодов интервью с данными опроса
Промпт запрашивает практический и воспроизводимый метод интеграции закодированных качественных данных с результатами опроса: с шагами, тестами, визуализациями, порогами решений, шаблоном отчёта и коротким примером применения.
Подготовь практический, воспроизводимый метод триангуляции результатов из закодированных качественных данных с количественными данными опроса. Не задавай уточняющих вопросов. Если каких-то параметров не хватает, перечисли допущения в самом начале отдельным кратким списком. Роль: ты методолог по смешанным методам исследования, который пишет инструкцию для исследователя, готовую к применению без дополнительной консультации. Предполагаемые входы: - таблица закодированных качественных данных: единица анализа, `respondent_id`, список кодов/тем, при наличии интенсивность или приоритет кода; - таблица опроса: `respondent_id`, переменные с номинальными, порядковыми и интервальными/рациональными значениями; - кодбук с определениями кодов и правилами кодирования. Верни ответ строго в 8 нумерованных разделах: 1. Краткое описание подхода. 2. Пошаговая инструкция. 3. Аналитические приёмы и когда их применять. 4. Визуализации. 5. Шаблон отчёта и интерпретации. 6. Рекомендуемые инструменты и пакеты. 7. Практические критерии и пороги решений. 8. Короткий пример применения на гипотетических данных. Требования к содержанию: - в разделе 2 дай не менее 6 шагов; - для каждого шага укажи цель, действия и ожидаемый результат; - обязательно покрой: очистку данных, обработку идентификаторов, проверку пропусков, выравнивание единиц анализа, правила агрегирования множественных кодов, квантитизацию, количественное сопоставление, проверку валидности и чувствительный анализ; - в разделе 3 обязательно укажи, когда применять: - таблицы сопряжённости + `χ²` или Fisher для бинарных/категориальных кодов; - корреляцию Пирсона/Спирмена и регрессию для частот или интенсивности; - фиктивные переменные, множественную регрессию, `MCA` и кластеризацию для множественных кодов; - многоуровневые модели и логистическую регрессию для причинных гипотез и бинарных исходов; - в разделе 4 перечисли минимум 4 вида визуализаций и объясни, какую задачу решает каждая; - в разделе 5 дай короткий чек-лист интерпретации: совпадения, расхождения, ключевые статистики, ограничения; - в разделе 6 включи инструменты для `R`, `Python`, `SPSS`, `Stata` и хотя бы одно ПО для качественного анализа; для каждого укажи короткую причину выбора; - в разделе 7 укажи практические пороги, например правила бинаризации, ориентиры для силы связи и критерии сопоставимости, но помечай их как адаптируемые при иных задачах; - в разделе 8 дай короткий, наглядный пример без персональных данных: вход, агрегирование кодов, выбранные тесты, визуализации и интерпретация. Ограничения: - общий объём до 900 слов; - язык русский, стиль профессиональный и прикладной; - не уходи в широкую методологическую дискуссию; - не используй термин без краткого пояснения при первом упоминании; - если ссылаешься на код, давай только псевдокод или названия функций, без длинных скриптов.
ChatGPT, Claude, GigaChat, Алиса ИИ, Обучение, По нейросетям, Разработка, Тексты, Типы промптов, Яндекс GPT