메타데이터 분석하기

메타데이터 분석은 어떤 메타데이터 필드가 질적 데이터를 의미 있게 세분화하는지 식별합니다. 예를 들어, 연령대, 지역, 역할이 다른 참가자들이 응답에서 서로 다른 주제를 강조하는지 보여줄 수 있습니다.

메타데이터 분석 실행

메타데이터 분석을 실행하려면:

1. 프로젝트의 카테고리 보기로 이동하십시오.
2. 메타데이터 분석을 클릭하십시오.
3. Skimle은 모든 메타데이터 필드를 검토하여 어떤 필드가 인사이트 카테고리 전반에서 의미 있는 차이를 만들어내는지 판단합니다.

분석은 백그라운드에서 실행되며 일반적으로 몇 분 정도 걸립니다. 완료되면 결과가 카테고리 보기에 표시됩니다.

작동 방식

Skimle은 유의미한 패턴을 찾기 위해 상호 보완적인 두 가지 방법을 결합합니다.

• 의미 분석 - 텍스트 임베딩을 사용하여 메타데이터 그룹 전반에서 인사이트의 의미를 비교합니다. 서로 다른 메타데이터 값을 가진 참가자들이 실제로 다른 내용을 다룬다면, 이 신호가 감지됩니다.
• 분포 분석 - 통계적 검정을 사용하여 특정 메타데이터 값이 우연히 예상되는 것보다 더 많이 특정 하위 카테고리에 모이는지 확인합니다.

메타데이터 필드는 두 신호가 모두 일치할 때만 유의미한 것으로 간주되며, 이는 잘못된 결과가 나올 위험을 줄여줍니다.

결과 읽기

각 인사이트 카테고리에 대해 카테고리 보기에는 다음이 표시됩니다.

• 어떤 메타데이터 필드가 유의미한 세분화를 만들어내는지를 유의성 순으로 보여줍니다.
• 그룹 설명 - 유의미한 필드마다 Skimle은 각 메타데이터 그룹의 응답을 특징짓는 내용을 설명합니다. 예를 들어 "연령대" 필드에서 젊은 참가자는 사용성에 중점을 두고 나이가 많은 참가자는 신뢰성을 우선시했다는 것을 볼 수 있습니다.
• 시간적 비교 - 문서에 생성 날짜가 있는 경우 Skimle은 최근 기간과 이전 기간을 자동으로 비교하여 시간에 따라 주제가 어떻게 변화했는지 보여줍니다.

시각화의 타임라인 위젯 - 타임라인 추세와 기간 비교 - 을 사용하면 동일한 질문을 직접 탐색할 수 있습니다.

요구사항

메타데이터 분석이 유용한 결과를 내려면 프로젝트에 다음이 필요합니다.

• 분석 대상 카테고리에 최소 인사이트 15개.
• 테스트 대상 메타데이터 필드에 최소 두 개의 고유한 값.
• 메타데이터 값마다 최소 두 개의 인사이트.

이 기준을 충족하지 못하는 필드는 자동으로 제외됩니다.

이러한 기준은 결국 표본 크기에 관한 것입니다. 질적 세분화는 각 그룹이 비교할 만큼 충분한 인사이트를 가지고 있을 때만 신뢰할 수 있게 됩니다. 표본 크기가 매우 작으면 대부분의 필드가 자동으로 제외되므로, 메타데이터 분석 결과로 결론을 내리기 전에 충분한 문서를 분석하는 것이 좋습니다.

효과적인 메타데이터 분석을 위한 팁

• 설명적인 메타데이터 값을 사용하십시오. "Role A"보다 "Senior developer"가 더 유용한데, AI가 더 유의미한 그룹 설명을 작성하는 데 도움이 되기 때문입니다.
• 고유 값의 수를 관리 가능한 수준으로 유지하십시오. 고유 값이 수십 개에 달하는 필드는 해석하기 어렵습니다. 값을 그룹화하는 것을 고려하십시오(예: 정확한 나이 대신 연령대 사용).
• 분석을 실행하기 전에 메타데이터 추가. 메타데이터 분석은 실행 시점에 존재하는 필드를 모두 사용합니다. 나중에 새 필드를 추가하면 해당 필드를 포함하도록 분석을 다시 실행하십시오.