分析元数据

元数据分析可识别哪些元数据字段能对您的定性数据进行有意义的细分。例如，它可以揭示来自不同年龄组、地区或角色的参与者在回答中是否强调不同的主题。

运行元数据分析

要运行元数据分析：

1. 导航到您项目的类别视图。
2. 点击分析元数据。
3. Skimle 会检查您所有的元数据字段，并确定哪些字段在您的洞察类别之间产生有意义的差异。

分析将在后台运行，通常需要几分钟。完成后，结果将显示在类别视图中。

运作方式

Skimle 结合两种互补的方法来发现显著的模式：

• 语义分析 - 使用文本嵌入比较元数据组之间洞察的含义。如果具有不同元数据值的参与者讨论的内容确实不同，则会检测到此信号。
• 分布分析 - 使用统计检验来检查某些元数据值是否比随机预期更多地聚集在特定子类别中。

只有当两个信号一致时，元数据字段才被视为显著，从而降低出现虚假发现的风险。

解读结果

对于每个洞察类别，类别视图会显示：

• 哪些元数据字段产生有意义的细分，并按显著性排序。
• 群组描述 - 对于每个显著字段，Skimle 会描述每个元数据组的回答有何特征。例如，在“年龄组”字段下，您可能会看到年轻参与者关注易用性，而年长参与者更重视可靠性。
• 时间比较 - 如果您的文档具有创建日期，Skimle 会自动比较近期和早期的时间段，以突出显示主题随时间的变化情况。

可视化中的时间线小组件 - 时间线趋势和比较时期 - 让您以交互方式探索相同的问题。

要求

为了让元数据分析产生有用的结果，您的项目需要：

• 所分析类别中至少有15 个洞察。
• 所测试的元数据字段至少有两个不同的值。
• 每个元数据值至少有两个洞察。

未达到这些阈值的字段将被自动跳过。

这些阈值归根结底关乎样本量：只有当每个组都有足够的洞察可供比较时，定性细分才会变得可靠。如果样本量非常小，大多数字段将被自动跳过，因此在根据元数据细分得出结论之前，值得先分析足够多的文档。

有效进行元数据分析的技巧

• 使用具有描述性的元数据值。“高级开发人员”比“角色 A”更有用，因为它有助于 AI 写出更有意义的群组描述。
• **将唯一值的数量控制在可管理的范围内。**具有数十个唯一值的字段更难解读。请考虑对值进行分组（例如使用年龄范围而非确切年龄）。
• **在运行分析之前添加元数据。**元数据分析使用运行时存在的任何字段。如果您之后添加了新字段，请再次运行分析以将其纳入。