تحلیل محتوا در حسابداری

[Dreamy Girl 6672]

تحلیل محتوا در حسابداری (1)

 

 

 

مترجم: حبیب الله علیخانی

 

 

 

تحلیل محتوا (content analysis) (CA) به طور گسترده در تحقیقات حسابداری مورد استفاده قرار می‌گیرد. در این تحقیقات از این تحلیل به منظور آشکار سازی بصیرت های مفید در حسابرسی عملی استفاده می‌شود. این مقاله یک مطالعه‌ی پایلوت در زمینه‌ی تحقیقات حسابرسی است که در آن از تحلیل محتوا استفاده می‌شود (برای مثال، کار انجام شده بوسیله‌ی Guthrie و همکارانش در سال 2004 را مطالعه کنید). این مطالعه‌ی پایلوت گزارشات سالانه‌ی مربوط به سرمایه‌ی فکری در شرکت های نیوزیلندی را به طور داوطلبانه در این مطالعه شرکت داشتند را مورد ارزیابی قرار می‌دهد. اگر چه بسیاری از کتاب ها راهنمایی های جزئی در مورد چگونگی اجرای CA ارائه کرده اند (مثلاً Krippendorff در سال 2004)، کاربرد روش مورد استفاده در گزارشات سالانه‌ی نیوزیلند برخی از چالش های قابل توجه را آشکار ساخته است. این مقاله این چالش ها را شناسایی گرده و نحوه‌ی مدیریت آنها بوسیله‌ی محققین مختلف را ارائه کرده است.

ما چیزهایی که در مورد استفاده از تحلیل محتوا نوشته شده بود را مورد بررسی قرار دادیم و این مسئله را بررسی کردیم که چگونه این تحلیل محتوا می‌تواند بر روی مطالعات حسابرسی (شامل بررسی ICR) اعمال شود. این مقاله بر روی سه چالش عملی بوجود آمده تمرکز دارد که در هنگام استفاده از تحلیل محتوا در این مطالعه‌ی پایلوت با آن روبرو شدیم: این چالش ها عبارتند از تعیین گروه های مناسب و واحدهای ثبت؛ پیام های تکراری در شمارش و بررسی تفسیر و گروه بندی پیام های مبهم. این چالش ها با مثال هایی توضیح داده شده اند که در گزارش های سالانه‌ی نیوزیلند وجود داشته اند.

موضوعات کلیدی در اعمال تحلیل محتوا

تحلیل محتوا یک روش سیستماتیک در زمینه‌ی گروه بندی و آنالیز محتوای متون می‌باشد. این روش به طور سنتی بر روی آنالیز داده های بایگانی شده ای، اعمال می‌شود که معمولاً به ویژگی های مانیفست متن مانند تعداد رخدادهای کلمات و یا تعداد کلماتی وابسته اند که به موضوعات خاص مربوط می‌شوند. (Smith در سال 2003). به هر حال، دو روش عمومی و مجزا برای تحلیل محتوا تشخیص داده شده است: روش های تحلیل با جهت گیری ترکیبی (عینی) (form oriented analysis) (که مربوط به شمارش عادی کلمات، مفاهیم یا موضوعات) و تحلیل با جهت گیری معنایی (غیر عینی) (که بر روی استنتاج معانی متضمن موجود در متونی تمرکز دارد. این روش ها در مقالات پیشین مورد بررسی قرار گرفته است (Smith و Taffler در سال 2000)).

این مطالعه‌ی پایلوت گزارشات سالانه‌ی مربوط به سرمایه ها ی فکری در شرکت های نیوزیلندی را به طور داوطلبانه مورد ارزیابی قرار می‌دهد. این مقاله این چالش ها را شناسایی گرده است و نحوه‌ی مدیریت آنها بوسیله‌ی محققین را ارائه کرده است. تأمل در زمینه‌ی انتخاب واحدهای مناسب ثبت، پیام های پیام های تکراری در شمارش، قضاوت کردن غیر عینی به عنوان ابزاری برای بررسی معانی و طبقه بندی متون مورد استفاده قرار گرفلته است و نیاز به توصیف نحوه‌ی رفتار با متون نیز در نظر گرفته شده است . همچنین مفاهیمی را که در زمان تحلیل محتوا (در تحقیقات حسابرسی) با آنها روبروییم، نیز شناسایی شده است.

مفسرین به محدودیت رویه های تحلیلی اشاره کرده اند که منحصراً دارای جهت گیری ترکیبی بوده اند (مثلاً Weber ؛ 1990) و ادعا کرده اند که استفاده از تحلیل محتوا عمدتاً در کاربردهای با جهت گیری معنایی واقع شده است. در حقیقت، مقالات اصلی که اخیراً در مورد روش های تحلیل محتوا نوشته شده است، بر روی نقش آنها در تفسیر معانی متون ( از طریق شناسایی و تحلیل روابط میان کلمات و مفاهیم) و سپس مفهومی کردن استنتاج مربوط به پیام هایی است که در داخل متن وجود دارند (برای مثال کارهای انجام شده بوسیله‌ی Silverman 1993 ، Denscombe 1998 و Ahuvia در سال 2001 راببینید). بنابراین، یک توصیف همزمان در مورد تحلیل محتوا، یک روش تحقیقی برای ایجاد استنتاج های مجاز و تکرار پذیر از متون (یا سایر مطالب بی معنی) می‌باشد (Krippendorff ؛ 2008).

مشارکت بالقوه‌ی تحلیل محتوا این است که این تحلیل می‌تواند محققین را قادر سازد تا به بتن متون رخنه کنند و بتوانند استنباط کنند و رابطه ای بین معانی مخفی و پیام های مورد نظر، ایجاد کنند (Weber ، 1990 ؛ Denscombe ، 1998). درعلوم اجتماعی که معانی و تفاسیر برای یادگیری پدیده های اجتماعی مهم می‌باشد، تحلیل محتوا به عنوان یک روش بالقوه و مهم تلقی می‌شود (Krippendorff ، 2004).

به هر حال، اگر چه این روش، روشی قوی است، نیاز به رویارویی با چالش های زیادی دارد. همانگونه که Weber (1990) گفته است، یک موضوع کلیدی در زمینه‌ی تحبلیل محتوا، این است که این روش تا حدی یک هنر است و به قضاوت و تفسیر مفسر، بستگی دارد. متون در مورد خود صحبت نمی‌کنند... و از این رو، بازپرس ها باید درمورد آنها صحبت کنند.

نقش محقق در نعیین این مسئله که کدام داده های بدست آمده از تحلیل محتوا، مهم تر هستند، بسیار حیاتی است. همانگونه که Krippendorff به این نکته اشاره کرده است (2004)، داده ها همواره محصول رویه های انتخاب هستند و همواره به سمت مقاصد خاص حرکت می‌کند. بنابراین، داده های مربوط به تحلیل محتوا، ایجاد می‌شوند نه اینکه بوسیله‌ی محقق کشف شوند. این داده ها محصولی از رویه هایی هستند که محقق برای پاسخ گویی به سوالاتی موجود در متن معین، مورد استفاده قرار داده است.

یک جنبه‌ی کلیدی دیگر در مورد تحلیل محتوا این است که این روش برروی متن تمرکز دارد اما قلمرو و معانی متن می‌تواند به طور متفاوتی تحلیل شود. Krippendorff (2004) ادعاکرده است که در نوشته‌ی متنی، تعاریف به تحلیل متون نوشتاری محدود نمی‌شود. او (در صفحه‌ی 17) گزارش داده است که تحلیل محتوا شامل مجموعه ای از روش های تحقیقی است که بوسیله‌ی آنها حصول به استنتاج از طریق انواع داده های شفاهی، تصویری، نمادی و ارتباطی قطعی می‌گگردد. بنابراین، هر متنی مانند یک کتاب، مجله، روزنامه و عکس (یا هر ترکیب از آنها) ممکن است به عنوان منبعی از داده برای استفاده در تحلیل محتوا در نظر گرفته شوند. (Liuو Chen 2005). این مسئله باید در مورد انواع مختلفی از داده مانند اثر هنری، تصاویر، صداها، علامت ها، نقشه ها و نمادها صدق کند.

سومین جنبه‌ی کلیدی مربوط به تحلیل محتوا، این است که معانی استنباط شده‌ی یک متن به طور ذاتی مقید هستند و بوسیله‌ی محتوا تعیین می‌شوند. متون، پیام ها و نمادها هرگز در مورد خود صحبت نمی‌کنند اما دریافت کنندگان خاص خود را دارند. این دریافت کنندگان به احساساتی استناد می‌کند که موجب تغییرات رفتاری می‌شوند و یا منجر به ایجاد پاسخ های مختلف در آنها می‌شود. اطلاعات متضمن به خواننده اجازه می‌دهند تا تفاسیر مختلفی ارائه دهد و بنابراین معنی متون باید بر اساس محتوای نسبی یا خاص تفسیر شوند. همچنین استنباط های متضادی در مورد متون ممکن است بدست آید که این مسئله به دلیل این است که آنها این متون را به قصدهای مختلفی مطالعه می‌کنند و همانگونه که Krippendorff گفته است، این تفاسیر ضرورتاً از چشم انداز استفاده کننده یا نویسنده، ایجاد نشده است. این نکته مخصوصاً در تحلیل محتوا خود نمایی می‌کند. در واقع در تحلیل محتوا باید استنباط های خاصی درمورد بدنه‌ی متن ایجاد گردد. این استنباط ها در نهایت، شکل دهی می‌شوند برای مثال، این مسئله مهم است که محقق موضوعات مربوط به فرستنده‌ی پیام ها را مورد بررسی قرار دهد (Weber 1990 و Smith 2003).

به طور خلاصه باید گفت، تحلیل محتوا دارای دو بعد اصلی است: برشمارش (enumeration) ترکیب یک متن و استنباط کردن در مورد معانی یک متن.

بیشترین استفاده از تحلیل محتوا به عنوان یک روش تحقیقی در بخش دوم این مشارکت انجام می‌شود.

به طور خلاصه باید گفت، تحلیل محتوا دارای دو بعد اصلی است: برشمارش (enumeration) ترکیب یک متن و استنباط کردن در مورد معانی یک متن

به هر حال، برای انجام تحلیل محتوا بر اساس جهت گیری معنایی، محققین باید تصدیق کنند و نحوه‌ی تفسیر و بدست آوردن داده ها از متن را انعکاس دهند. همچنین باید در مورد اشکال متنی که در تحلیل آنها مورد استفاده قرار گرفته است، صحبت کنند. آنها همچنین باید در مورد محتوای سوالات تحقیقاتی صحبت کنند که بر روی ارتباط عینی متون و معانی آنها اثر می‌گذارد. اگر این موضوعات به خوبی مدیریت شوند، تحلیل محتوا دارای پتانسیلی است که محققین بوسیله‌ی آن به معانی پنهان متن پی می‌برند و موارد مهم موجود در متن را می‌فهمند.

آنالیز محتوا در تحقیق حسابداری

مقالات موجود در زمینه‌ی تحلیل محتوا در حسابرسی آشکار ساخته است که این تکنیک دارای کاربردهای روز افزون به عنوان یک روش تحقیقاتی است. نویسندگانی مانند Frazier و همکارانش (1984) و Smith (2003) به این نکته اشاره کرده اند که استفاده از استنتاج های مورد قبول از متن، ارائه ها و روایت ها، پتانسیل قابل توجهی برای تحلیل گزارشات دارد و می‌تواند برای ایجاد ارتباط موفقیت آمیز در فعالیت های حسابرسی، مورد استفاده قرار گیرد.

یک تعداد از پژوهشگران ازتحلیل محتوا برای بررسی بخش های روایی گزارشات سالانه (مانند اعلامیه های رئیس هیئت مدیره، نامه های رئیس و بررسی های مالی و عملیاتی) و سایر ارتباطات مربوط به حسابداری استفاده کرده اند. تحقیق آنها در مورد طبیعت گزارشات اجتماعی متحد ، محتوای اطلاعاتی مربوط به روایت های حسابرسی بوسیله‌ی رئسای شرکت ، تفاوت های بین المللی در پژوهش های حسابرسی و استفاده ها و اشکال مدیریت ادراک می‌باشد.

مقتضیات جزء به جزء مربوط به مطالعه‌ی پایلوت که در این مقاله ترسیم شده است، مطالعاتی است که به تحلیل محتوا اعمال می‌شود تا بدین صورت ICR در گزارشات سالانه مورد بررسی قرار گیرند. اگر چه مطالعات حسابداری دیگری از تحلیل محتوا استفاده می‌کنند، این مطالعات بین المللی یک سابقه‌ی مناسب درمورد استفاده از تحلیل محتوا دارند و بوسیله‌ی این تحلیل، موضوعات حسابرسی مانند افشای داوطلبانه‌ی ICR در گزارشات سالانه مورد بررسی قرار می‌گیرد.

مطالعه‌ی تحلیل محتوا بر روی ICR گویا

نحوه‌ی مدیریت شرکت ها و جنبه های افشاگری سرمایه‌ی فکری (IC) از زمینه های مورد علاقه‌ی محققین حسابداری است. بسیاری از مطالعات اخیر از تحلیل محتوا برای بررسی گزارشات مربوط به IC در کشورهای مختلف استفاده کرده اند.

واحدهای نمونه برداری برای مطالعات تحلیل محتوای ICR که در سایر کشورها انجام شده بود، معمولاً گزارشات سالانه هستند. مطالعه‌ی پایلوت انجام شده در نیوزیلند از گزارشات سالانه‌ی مربوط به 10 شرکت محلی بزرگ استفاده کرده است. این شرکت ها بزرگترین شرکت های محلی این کشور هستند که در بورس اوراق بهادار وجود داشتند. به دلیل اینکه مطالعه‌ی پایلوت در اواخر ماه های سال 2004 انجام شده بود، گزارشات سالانه‌ی مربوط به سال مالی 2003 انتخاب شده است. جدول 1 کشورهایی را نشان می‌دهد که در این گزارش حضور داشتند.

در یک تلاش به منظور افزایش سازگاری با مطالعات بین المللی در این زمینه، چارچوب طبقه بندی سرمایه‌ی فکری ارائه شده بوسیله‌ی Guthrie و Petty (2000) با آیتم های IC چندگانه می‌تواند در داخل یک پاراگراف منفرد، کد گذاری شود. مثال 2 این مسئله را نشان داده است.

حداقل دو آیتم IC مختلف می‌تواند در مثال 2 استنتاج و کد گذاری شود. اولین مورد که می‌تواند به عنوان سرمایه‌ی فکری کدگذاری شود، نام شرکت و دومین مورد همکاری تجاری می‌باشد.

رویارویی با این مشکل و نحوه‌ی شناسایی یک کد منفرد برای پاراگراف مثال 2، این مسئله را نشان داده است که تنها یک آیتم IC در هر مورد مشهود است. بنابراین، این به نظر می‌رسد که وقتی چالش مربوط به انحصار طلبی دو طرفه از این پاراگراف ها استفاده کند، مسئله قابل حل می‌باشد و در حالتی که از موارد مربوط به واحدهای ثبت استفاده شده است، این مسئله صدق نمی‌کند به هر حال، یک تحلیل آزمایشی با استفاده از این عبارات، آشکار ساخته است که آیتم های IC چندگانه همچنین در داخل یک عبارات ظاهر می‌شوند. مثال 3 و 4 این مسئله را نشان می‌دهد.

حداقل سه آیتم IC مختلف می‌تواند در مثال 3 استنتاج و طبقه بندی شود. تلاش های روزانه برای فروش و مسئله‌ی کارمندان دیگر، می‌تواند به عنوان سرمایه‌ی انسانی کدگذاری شوند. به طور مشابه، روابط مناسب با توزیع کننده ها، فروشندگان و شرکا می‌تواند به عنوان سرمایه‌ی خارجی ( همکاری تجاری یا اطمینان مشتریان ما) کدگذاری شود. بعلاوه، دومین عبارت در مثال 4 می‌تواند به عنوان پیام های انتقال (conveying messages)، حداقل در سه آیتم IC مختلف، تفسیر شوند. ارجاء به فروشندگان و پیمانکاران جزئی می‌تواند به عنوان سرمایه خارجی (همکاری تجاری) کدگذاری شود. همچنین بانکدارها و مشاورین به عنوان سرمایه داخلی (روابط مالی) و مشتریان با وفا به عنوان سرمایه خارجی (مشتری ها یا وفاداری مشتری) در نظر گرفته شوند. تحلیل گر با این چالش روبروست که باید به کل یک عبارت، یک گروه کدگذاریث اتلاق شود و یا مطالعه را طراحی مجدد کند تا بدین شیوه، واحد آنالیز اصلاح گردد (پاراگراف ها، تم ها یا کلمات)؛ با این کار، هر جنبه از IC مختلف می‌تواند بدست آمده و کدگذاری شود.

بنابراین، انتخاب واحد تحلیل (پاراگراف، عبارت و ... ) یک مسئله‌ی پیچیده است. در حالی که برخی از محققین CA ادعا کرده اند که واحدهای تحلیل بزرگتر (مثلا پاراگراف ها) قابلیت تحلیل را به منظور جمع آوری معانی ضمنی افزایش می‌دهند، این تحلیل یک چالش عملی در برطرف کردن نیازمندی های مربوط به انحصارطلبی دو طرفه در زمینه‌ی کدگذاری متن به گروه بندی ها را ایجاد می‌کند. واحدهای کوچکتر (مانند جملات یا کلمات) به طور بهتری مسئله‌ی انحصارطلبی دوطرفه را آدرس دهی می‌کنند اما موجب می‌شوند تا واحد تحلیل نسبت به اطراف خود، کوچکتر باشد. چیزی که بیشترجلوه می‌کند، این است که مسئله‌ی انتخاب یک واحد تحلیل مناسب، بوسیله‌ی سوال دیگری، تشدید می‌شوند: این سوال، این است که چه داده هایی به این تحلیل مربوط می‌شوند؟

داده های مربوط

سومین مسئله‌ی عملی در زمینه‌ی تعیین واحد ثبت مناسب، تعریف این مسئله است که چه داده هایی باید تحت تحلیل قرار گرفته و ثبت شود. به طور وسیع تر، CA برای موشکافی در متن، مورد استفاده قرار می‌گیرد. به هر حال، همانگونه که اشاره شد، متن به مواد نوشته شده محدود نمی‌شود و ممکن است شامل تصاویر، نمادها و سایر مسائل ایجاد شده، ارتباط داشته باشد. تصاویر بصری مانند گراف ها، اشکال، دیاگرام ها، تصاویر و عکس ها به بخش جدایی ناپذیر گزارشات تبدیل شده اند. این مسئله منجر شده است تا برخی از محققین، رویه‌ی موجود برای بسط CA به منظور دریافت یک چنین اطلاعات تصویری را در کارهای خود دنبال کنند. به هر حال، راهنمایی عملی که در مقالات CA وجود دارد، ترکیب شده اند. در خارج از قلمروی حسابداری، برخی از محققین محتوا، طرفدار شمول تصاویر هستند . به اعتقاد آنها در نظر گرفتن این مسئله موجب از دست رفتن اطلاعات یا تفسیر نامناسب، می‌شود. این مسئله در مطالعات آن دسته از محققین حسابداری نمود دارد که ادعا می‌کنند مطالعات CA موجب پدید آمدن نتایج ناقصی می‌شود اگر از تصاویر صرفنظر کرد. به عبارت دیگر، برخی از تلاش های مشاهده شده برای تفسیر تصاویر در کل غیر عینی بوده اند. همانا در تحقیقات محققینی که این ادعا را انجام داده اند، اطاعات اندکی در مورد نحوه‌ی انجام این کار، آمده است. برای مثال، در حالی که Unerman (2000) حامی شمول تصاویر بوده است، بحث او راهنمایی اندکی در مورد نحوه‌ی تفسیر و در نظرگرفتن پیام های تصویری، ارائه کرده است.

با توجه به اهمیت ارائه‌ی تصویر در گزارشات سالانه، این مسئله تصمیم گرفته شد تا برای مطالعه‌ی پایلوت نیوزیلند از رویه‌ی Abeysekera (2003) استفاده کنیم. این فرد یکی از معدود محققین در زمینه‌ی حسابداری است که بطور صریح تصاویر را در تحلیل محتوای خود استفاده کرده است. چالش اصلی ایجاد شده در زمینه‌ی شمول تصاویر، در زمینه‌ی تفسیر غیر عینی آنها می‌باشد (همانگونه که بعدا در این مقاله این مسئله گفته می‌شود). همچنین، این اثبات شده است که معادل سازی تصاویر بصری (که در این مقاله، تصاویر هستند) با سایر واحدهای تحلیل، کاری مشکل است. آیا یک تصویر که یک مفهوم IC را ارئه می‌دهد، باید دارای وزن بیشتری نسبت به عبارتی باشد که انعکاس دهنده‌ی همان جنبه می‌باشد؟ در واقع یک تصویر هزاران کلمه بیان می‌کند.

چالش های عملی در پیام های تکراری

قابلیت اطمینان نتایج CA تا حدی به سرعت شمارش ایجاد شده در واحدهای ثبت، وابسته است (سرعت کیوورد یا مدارها). این مسئله موجب پدید آمدن مشکلات عملی در زمینه‌ی پیام های تکراری می‌شود: آیا آنها باید تنها به صورت یک بار برای هر محتوا ثبت شوند و یا با توجه به این مسئله ثبت شوند که چند وقت یکبار تکرار میشوند؟

این انتخاب بوسیله‌ی محققینی انجام می‌شود که در مورد نحوه‌ی ثبت یک واحد تحلیل (مانند کیوورد) یا فرکانس رخداد، کار می‌کنند. همانگونه که Carney (1972)، Holsti (1969) و Krippendorff (2004) ، بر این نکته اشاره کرده اند، شمارش می‌تواند به طور ساده و با بررسی حضور یک چیز مانند کلمه، انجام شود. بررسی وقتی متوقف می‌شود که یک مثال پیدا شود. به طور مشابه، شمارش فرکانس به عنوان راه هایی برای ارزیابی کمی این مسئله تلقی می‌شوند که بموجب آن، هر رخدادی از یک مشارکت محاسبه شود (Holsti 1969 ،). اندازه گیری فرکانس برای نشان دادن اهمیت و توجه مشارکتی در نظر گرفته می‌شود که در یک پیام ظاهر می‌شود.

این روش های متقابل برای شمارش در زمانی که در حال مرور مقالات هستیم، موجب سر در گمی می‌شود. از آنجایی که حضور و همچنین فرکانس یک چیز یکسانی نیستند، این مهم است که محققین در مورد چیزی که آنها گزارش می‌دهند، آگاه باشند. به هر حال، بسیاری از آنها در مورد جنبه های عملی شمارش پیام های تکراری، صحبت نمی‌کنند. برای مثال April (2003) و همکارانش گفته است که آنها از پیام های تکراری، صرفه نظر کرده اند. اما سپس به یک جدول از فرکانس هایی را ارائه کرده اند که در ارتباط با مشارکت بوده است. به طور مشابه، Brennan (2001 در صفحه‌ی 429)، تعداد شرکت هایی را مورد بررسی قرار داده است که آیتم های IC را انتشار داده اند که یک رویه‌ی ارائه را پیشنهاد می‌دهد اما یافته های خود را به عنوان فرکانس گزارش، معرفی کرده است. Guthrie و همکارانش (2006 ) نوشته اند که: اگر افشای آیتم های یکسان در گزارش سالانه تکرار شوند، این آیتم ها تنها یکبار ثبت می‌شوند. به هر حال ، آنها نیز نتایج خود را به عنوان فرکانس گزارش، بیان کرده اند (همچنین کار انجام شده بوسیله‌ی Bozzolan و همکارانش در سال 2003 را مشاهده کنید). تنها در یک مطالعه به طور واضح بیان شده است که این مقاله بر روی تعداد آیتم هایی IC زمانی تمرکز دارد که موجب پدید آمدن و گزارش نتایج می‌شوند (Abeysekera 2003). آمار توصیفی ارائه شده در برخی مطالعات، بر روی حضور، تمرکز دارند. برای مثال، Guthrie و Petty (2000) 20 شرکت را مورد ارزیابی قرار دادند که دارای 24 آیتم IC در جارچوب خود بودند. این افراد به طور متوسط 8.9 آیتم IC را گزارش داده اند و یک ماکزیمم 17 تایی برای این آیتم ها، ارائه کرده اند. به طور مشابه، April و همکارانش (2003) 20 شرکت را مورد ارزیابی قرار دادند که توانستند 24 آیتم IC را در داخل چارچوب آنها پیدا کنند. این گروه متوسط 10.4 را برای این آیتم ها گزارش داده اند. همچنین ماکزیمم آیتم های حاصله برابر با 18 آیتم IC بوده است.

در رویارویی با این رویه های مختلف، این مشکل است که راهنمایی های عملی در زمینه‌ی شمارش پیام های تکراری، استنتاج شود. به هر حال، Holsti (1969) برخی جهت گیری های کلی در مورد تحلیل محتوا را ارائه داده است و این پیشنهاد را داده است که اندازه‌ی واحد محتوا، فرکانسی را تعیین می‌کند که در آن، آیتم های تکرار شونده که در مجاورت همدیگر، قرار ارند، نیز به طور مجزا شمارش می‌شوند. بسته به واحد محتوا، تکرار یک مشارکت معین در داخل یک عبارت، پاراگراف یا آیتم، موجب تغییر در شمارش نمی‌شود. این مسئله پیشنهاد می‌دهد که چالش عمل در مورد تصمیم گیری در مورد تعداد شمارش هایی است که در زمان تکرار، ثبت شده اند. این تکرار a) در واحدهای محتوای مختلف و b) در داخل یک واحد محتوا، ایجاد می‌شود.

روش مورد استفاده در این مطالعه، پیام های تکراری در واحدهای محتوای مختلف (بخش های گزارش سالانه) را به عنوان شمارش مجزا ثبت می‌کند و پیام های داخل یک واحد را نیز تنها یکبار شمارش می‌کند. مثال های زیر پتانسیل ناسازگاری در اعمال یک چنین رویه‌ی ساده ای در مطالعه‌ی پایلوت نیوزیلند را نشان می‌دهد. مثال های 5 و 6 در مورد پیام هایی هستند که در واحدهای محتوای مختلف ثبت شده اند.

عبارت نقل قول شده در مثال 5 در بخش باقی مانده از گزارش سالانه وجود داشته است. این پیام در بخش مربوط به ریاست، تکرار شده است (مشابه مثال 6).

عبارت های موجود در مثال های 5 و 6 به عنوان پیام های انتقالی در مورد نام شرکت و شهرت آنها تفسیر می‌شود و به عنوان سرمایه خارجی (اسم شرکت) کد گذاری می‌شود. چالش ایجاد شده در اینجا، این است که آیا ثبت یک بار انجام شود یا دو تا؟ برای این مطالعه، انتخاب برای ثبت دو شمارش به حساب می‌آید زیرا بخش های باقی‌مانده و ریاست مربوط به گزارش سالانه، واحدهای محتوای مختلف را در نظر می‌گیرند.

عبارت مربوط به مثال 7 دو بار در بخش ریاست گزارش سالانه وجود دارد (یک بار به عنوان یک پاراگراف جدا در بالای این بخش و یک بار نیز به عنوان یک پاراگراف در متن نوشته شده در گزارش ریاست، آورده شده است). در این مطالعه، این عبارت تنها یک بار در نظر گرفته شده است زیرا این عبارت در داخل یک واحد محتوا تکرار شده است. به هرحال، این مشکل است که تعیین کنیم، آیا این عمل با کارهای انجام شده در سایر مطالعات، هماهنگی دارد یا نه! علت این مسئله این است که خیلی از این مطالعات در مورد رویه‌ی مورد استفاده، صحبت نکرده اند.

 

منبع:راسخون

[Dreamy Girl 6672]

تحلیل محتوا در حسابداری (2)

 

 

 

 

 

مترجم: حبیب الله علیخانی

 

 

چالش های عملی در مورد قضاوت های غیر عینی

سومین چالش اصلی در مورد قضاوت های غیر عینی است كه به عنوان معانی و گروه بندی های مناسب (کدگذاری) متون در نظر گرفته میشوند. همانگونه که Krippendorff گفته است و Stanton و Stanton نیز در سال 2002 بدان اشاره کرده اند، متون هیچ معنا یا هستی مستقلی ندارند. آنها تا حدی به خواننده وابسته هستند و خواننده است که معانی متن را تعیین می کند. در نتیجه، یک متن یک معنای منفرد ندارد که بتوان آن را به طور کامل توصیف كرد. این متن تا حدی ممکن است انبوهی از اطلاعات را به افراد مختلف و حتی یک نفر، انتقال دهد. به جای دیدن این ذهنیت به عنوان یک ضعف برای روش CA، Krippendorff (1980) ادعا کرده است که تحلیل محتوا مجاز نمی داند که متن از خواننده ای به خواننده ی دیگر، مختلف خوانده شود. به عبارت دیگر، این مسئله در زمانی که تحلیل گر متن در حال تفسیر معانی متن می باشد، او را با چالش عملی روبرو می کند.

در مقالات حسابرسی و سایر مقالات مربوطه، بسیاری از نویسندگان مسئله ی وجود معانی مبهم در تحلیل محتوا را بیان می کنند و برخی دیگر نیز راهنمایی ها درمورد نحوه ی آدرس دهی آنها را ارائه کرده اند. به هر حال، معمولا بحث های شفاف اندکی در مورد نحوه ی مدیریت این موضوع مشاهده می شود. بنابراین، مقایسه میان تجربیات نویسندگان و تشخیص بهترین رویه، انجام نشده است و هر محقق باید چیزی را که بدرد روش خود می خورد، انتخاب کند.

این مسئله چالش بزرگی در مطالعه ی پایلوت نیوزیلند ایجاد كرد. در اینجا، محتوای استنتاج در مورد فرستنده هایی نیست که به خودی خود در پیام های IC حضور دارند . این محتوا همچنین در مورد شوندگانی نیست که به پیام پاسخ می دهند و یا مربوط به عقیده ای نیست که شنوندگان بعد از شنیدن این پیام ها بدست می آورند. هیچکدام از این استنتاج ها، استنتاجی نیست که بر اساس تفسیر نویسنده و یا خواننده، بدست آمده باشد. در این حالت Ahuvia از واژه ی مفسرین مرکزی استفاده کرده است. استنباط های بدست آمده در این مطالعه ی پایلوت در مورد خود پیام می باشد که در محتوای ICR حاصل شده است و منحصراً به تفاسیر مربوط به این آنالیز وابسته است. این یک روش متداول در تحقیقات حسابداری است اما موجب پدید آمدن چالش هایی در زمینه ی تصدیق فردیت و ذهنیت تفاسیر ارائه شده بوسیله ی تحلیل گر، می شود (مسائل مربوط به معانی متن و نحوه ی کدگذاری آنها). مثال 8 (که از مطالعه ی پایلوت نیوزیلند، انتخاب شده است)، مشکلاتی را نشان می دهد که در مورد قضاوت کردن در مورد نحوه ی کدگذاری متون نوشته شده و تبدیل آنها به گروه های انحصاری، وجود دارد.

عبارت موجود در مثال 8 می تواند به دو روش تفسیر شود. اولین روش این است که این عبارت می تواند یک پیام در مورد نام و شهرت شرکت را انتقال دهد: مثلا شرکت Contact Energy بزرگترین خرده فروش وسایل الکترونیک در نیوزیلند است. یک چنین تفسیری می تواند به عنوان سرمایه خارجی (اسم شرکت) کدگذاری شود. به طور متقابل، این عبارت ممکن است به عنوان انتقال یک پیام درمورد روابط روز افزون شرکت با مشتریهای آن تفسیر شود و بنابراین، به عنوان سرمایه خارجی (مشتری) در نظر گرفته شود. این تحلیل گر باید قضاوت غیر عینی در زمینه ی تصمیم گیری در مورد بهترین انعکاس ایجاد شده از طریق تفسیر، مورد بررسی قرار دهد و در نتیجه بتواند آن را کدگذاری کند. نحوه ی انتخاب معمولا در مقاله چاپ نمی شود، اگر چه این مسئله در زمینه ی شمارش فرکانس و برای مفاهیم IC بسیار مهم می باشد.

برخی از مطالعات CA مربوط به حسابداری، به واضح غیر عینی بودن آنالیزهای خود را مورد تأیید قرار داده اند. آنها به این نکته اشاره کرده اند که برای مثال، قضاوت برای این ضروری است كه در مورد مشارکت آنها، تصمیم گیری می شود. برای مثال، April و همکارانش (2003) در مورد مطالعه ی IC خود گفته اند: این مسئله معمولا مشکل است که تصمیم بگیریم یک پاراگراف در یک گزارش سالانه شامل مراجع خاصی است که مربوط به سرمایه ی فکری است یا اینکه این عبارت، یک عبارت ظاهری (مانند عبارت: کارمندان من بزرگترین دارایی من هستند) است. به هر حال، هیچ راهنمایی نمی تواند در این مقالات و در مورد رویه های شناختی پیدا شود که بتوان آنها را به منظور مشخص کردن معانی اعمال کرد و بدین صورت آنها را به طور مؤثر و با قابلیت اطمینان بالا، ثبت کرد. بنابراین، این مشکل است که از قابلیت قیاس میان مطالعات مربوط به تحلیل محتوای حسابداری، اطمینان حاصل شود. علت این مسئله این است که قضاوت های غیرعینی مورد نیاز در مورد معانی و گروه بندی ها، از روی ناچاری، متغیر خواهد بود. علاوه براین، چالش مربوط به تفسیر غیر عینی در مواردی تشدید می شود که تحلیل گر،تصاویر را به عنوان داده های با قابلیت اطمینان انتحاب کند (مشابه مطالعه ی پایلوت نیوزیلند). دو مثال زیر این مسئله را نشان می دهد.

مثال اول در مورد یک تصویر از بیماری است که به سیتسم تنفسی متصل شده است و یک دکتر و یک پرستار در حال معاینه ی او هستند ( گزارش سالانه ی شرکت Fisher & Paykel Healthcare ، 2003). اسم شرکت (Fisher & Paykel به طور آشکار بر روی سیستم تنفسی حک شده است. یک تفسیر که می تواند حاصل شود، این است که این تصویر دارای پیامی در مورد اسم شرکت است که از این رو، پیشنهاد می دهد این شکل به صورت سرمایه ی خارجی (اسم شرکت) در نظر گرفته شود. یک تفسیر دیگر که می تواند از این تصویر حاصل شود، در مورد مشتری (یعنی بیمار یا کارکنان بیمارستان) باشد و از این رو می توان آن را به عنوان سرمایه ی خارجی (یعنی مشتریها) در نظر گرفته شود.

در مثال دوم، یک تصویر وجود دارد که در آن یک ساختمان فرودگاه نشان داده شده است که هواپیما در جلوی ساختمان واقع شده است ( گزارش سالانه ی شرکت Auckland International Airport در سال 2003). نام Auckland بر روی ساختمان و Qantas بر روی هواپیما در این شکل قابل مشاهده است. یک تفسیر که می توان از مشاهده ی این تصویر گرفته شود، نام شرکت است. این تصویر با توجه به این موضوع، به عنوان سرمایه ی خارجی (اسم شرکت) کدگذاری می شود. یکی دیگر از تفسیرها در مورد Qantas است. این تفسیر راجع به همکاری این شرکت با دیگر شرکاء می باشد. در مورد آخر، این تصویر را می توان به عنوان سرمایه ی خارجی (هممگاری تجاری) در نظر گرفت.

در هر دو مثال، غیر عینی بودن یا ذهنیت تفسیرها و کدگذاری داده های تصویری، واضح است و این مسئله را نشان میدهد که چرا بسیار از تحلیل گرهای محتوا تصویر را به عنوان یک داده های مناسب در نظر نمی گیرند مگر آنکه در نظر نگرفتن آن خللی در اوضاع ایجاد کند.

مدیریت چالش های مربوط به تحلیل محتوا

مقالات مورد بررسی در این مطالعه، پیشنهاد کرده اند که وقتی تحلیل محتوا به عنوان یک روش تحقیقاتی در حسابرسی مورد استفاده قرار گیرد، این روش صرفا، یک تمرین ساده در دنیای شمارش نیست. در عوض، این روش، تکنیکی است برای ایجاد و جمع آوری داده ها (بوسیله ی استنباط کردن) در زمینه ی پیام های انتقال یافته از متون نوشته شده و تصاویر بصری مربوط به افشاگری حسابرسی. همانند یک روش تحقیقاتی، CA به طور ذاتی غیر عینی است و برخی چالش ها را ایجاد می کند.

برای یک محقق حسابرس که در جستجوی عملی کردن، روش های CA است، مهمترین دغدغه، اطمینان حاصل کردن از این موضوع است که سازگاری و شفافیت فرایند تحلیل، چگونه می باشد. این مسئله موجب افزایش اعتبار این مطالعه و قابلیت قیاس آن با سایر مطالعات می باشد و بنابراین، موجب حمایت و توسعه ی اطلاعات مربوط به مطالعات CA می شود. ما انعکاس های زیر در مورد نحوه ی بهبود سازگاری و شفافیت ارائه کرده ایم که در آنها، چالش های موجود در سر راه CA، به طور عملی، آدرس دهی شده اند.

واحدهای ثبت

در گروه های کدگذاری انتخاب کننده، این مفید است که از گروه های قبلی استفاده کنیم تا زمانی که سازگاری با سایر مطالعات، افزایش یابد. اگر اصلاحات برای مطلوب شدن این مطالعه باید انجام شود، این مهم است که تحلیل محتوا، تغییرات ایجاد شده و دلایل مربوط به آنها را توصیف كرد. تحلیل گر باید همچنین اثر محتمل اصلاحات بر روی یافته های مطالعات آنها و همچنین مقایسه های حاصله را در نظر بگیرد. رویه های کدگذاری اصلاح شده باید به گونه ای ترسیم شوند که مطالعات بعدی قادر به استفاده از آنها باشند.

تحلیل محتوا همچنین باید روشی را که برای تعیین واحدهای مناسب تحلیل، از آنها استفاده شده است را بیان کند. خواه پاراگراف، اصطلاح، موضوع یا سایر واحدهای تحلیلی مورد استفاده قرار گیرد، انتخاب واحدهای ثبت و محتوا باید به طور واضح تعریف شوند و بدون تناقض در مطالعه ی CA اعمال شوند. این مسئله همچنین مفید است که یک تحلیل آزمایشی انجام شود تا بدین صورت فهمیده شود، کدام واحدهای تحلیلی برای متن مورد آنالیز، مناسب ترند و سوالات ایجاد شده در این تحقیق چه سوالاتی هستند.

آزمایشات مربوط به مطالعات پایلوت نیوزیلند پیشنهاد می دهد که استفاده از موضوعات به عنوان واحد ثبت، ممکن است بر مشکلاتی که در هنگام استفاده از جملات و پاراگراف ها با آن روبرو می شویم ، غلبه کند. علت این مسئله این است که موضوعات چندگانه ممکن است در داخل یک جمله ی منفرد وجود داشته باشند یا بطور معکوس، چندین پاراگراف می توانند به عنوان یک موضوع در نظر گرفته شوند. این روش بوسیله ی Holsti مورد حمایت قرار گرفته است. این محقق ادعا می کند که جملات و پاراگراف ها به خودی خود طبقه بندی نمی شوند Krippendorff (2004) نیز از این مسئله حمایت می کند. او پیشنهاد می دهد در زمانی که قضاوت استفاده کننده، برای استنتاج پیام ها مورد نیاز باشد، باید از واحدهای موضوعی استفاده شود. به دلیل اینکه موضوعات صریح مانند کلمات یا جملات، بدیهی و واضح نیستند، آنها باید به خوبی تعریف شوند و ترجیحا به جای عمومیت دادن، باید شرح داده شوند. علاوه بر این، از آنجایی که تفسیر معانی در موضوعات بوسیله ی مفاهیمی شکل دهی می شود که در اطراف متن واحد ثبت کننده، وجود دارد، پاراگراف ها یا زیر بخش ها یک واحد مفهومی مناسب تر نسبت به پاراگراف های طولانی تر هستند (همانگونه که در مطالعه ی پایلوت نیوزیلند مورد استفاده قرار گرفت). واحدهای محتوایی ممکن است موجب ایجاد شکست در شناسایی اختلافات کوچک موجود در معنایی، شوند.

برای تعیین داده های آنالیزی وابسته، پیشنهاد ما این است که تصاویر به عنوان یک بخش مهم از متن در نظر گرفته شوند. این مسئله گاهاً تذکرداده می شود که تصاویر از بخش کاملی از گزارشات حسابرسی تشکیل شده اند بنابراین، حذف آنها می تواند موجب کاهش مطلوبیت نتایج CA شود. به دلیل ذهنیت ذاتی استنباط های بدست آمده از تصاویر، این مسئله بسیارمهم است که تحلیل گر در مورد نحوه ی کد گذاری آنها، صراحت داشته باشد. استفاده از موضوعات به عنوان واحدهای تحلیلی، در اینجا مفید است زیرا بیش از یک موضوع ممکن است در یک تصویر وجود داشته باشد (همانگونه که در مثال های قبلی مشاهده کردید).

پیام های تکراری

چالش عملی دوم در مورد آدرس دهی، کدگذاری پیام های تکراری است. موضوع متداول در اینجا، نیاز به صراحت در انتخاب می باشد. ابتدا، تحلیل گر باید این موضوع را مشخص کند که آیا این مطالعه بر روی حضور یا فرکانس شمارش تمرکز دارد یا نه! زیرا این مسئله اثر قابل توجهی بر روی نتایج گزارش شده دارند. دوم اینکه، اثر واحد مفهومی بر روی روش شمارش باید مشخص شود. آیا چندین بار شمارش یک واژه یا موضوع کلیدی در داخل یک واحد مفهمومی اتفاق می افتد یا در واحدهای مفهومی مختلف؟ دوباره باید گفت، این مسئله بر روی یافته های گزارش شده اثر می گذارد. علاوه بر این، این مسئله موجب تفسیرهای مختلف بوسیله ی خواننده می شود. پیشنهادات بدست آمده در مطالعه ی پایلوت نیوزیلند،این است که شمارش پیغام های تکراری در واحدهای مفهمومی مختلف به عنوان شمارش های مجزا و پیغام های تکراری موجود در داخل یک مفهوم به عنوان یک شماره ی یکسان، در نظر گرفته می شود. به هرحال، هر کدام از این رویه ها انتخاب شوند، این قوانین باید به طور واضح بیان و بدون تناقض اعمال گردد.

قضاوت های غیرعینی (Subjective judgments)

سومین چالش عملی مربوط به غیر عینی بودن (ذهنیت) استنباط ها و تفسیرهای CA است. در حالی که غیر عینی بودن یک روش CA ذاتی است، این مسئله به عنوان یک ضعف تلقی نمی شود. در حقیقت، این مسئله یکی از جوانب مهم تفسیر است که بیشترین پتانسیل را برای مشارکت CA با جهت گیری معنایی به سمت یادگیری ما از افشای حسابرسی، دارا می باشد. به هر حال، این مهم است که در مورد نحوه ی انجام قضاوت صریح باشیم تا بدین وسیله، این قضاوت ها به محققین دیگر نیز انتقال یابد. یک استراتژی برای نشان دادن نواحی دارای دهنیت بالا، استفاده از کدگذارهای چندگانه است که به طور غیر وابسته یک متن را کدگذاری می کنند، نتایج آنها مقایسه می شود و استنباط های متنوع حاصل شده از آنها انعکاس داده می شود. استفاده از این روش موجب می شود تا تحلیل گرهای محتوا بتوانند بیشتر نسبت به جنبه ها و معانی مربوط به تفاسیر غیر عینی، متمایل باشند. به هر حال، خواه تشخیص از طریق کدرهای چندگانه باشد یا از طریق یک کدر، جنبه های غیر عینی بهترین نمایش را از مثال های مربوط به شفاف سازی و قابلیت اعتراض، دارند. تعداد اندکی از مطالعات مربوط به CA که در این مقاله مورد بررسی قرار گرفتند، شامل مثال های روشن هستند. این مسئله راهنمایی در زمینه ی تحقیقات آینده را محدود می کند و این امید است که با انجام مطالعات مقایسه ای، راه برای بهبود این رویه باز گردد.

یک چالش دیگر که مربوط به تفسیر غیر عینی در مطالعه ی نیوزیلند می شود، در مورد این است که آیا تصاویر باید وزن بالاتری را ایفا کنند یا نه؟ زیرا آنها هزاران حرف برای گفتن دارند. به هر حال، این مسئله بوسیله ی محققینی مورد سوال قرار گرفته است که فقدان شفافیت و قابلیت قیاس برای خواننده وجود داشته است. پیشنهاد ما این نیست که تلاش کنیم تا فضای اشغال شده بوسیله ی فاش سازی غیر روایی را با فضای مربوط به متن نوشته شده، برابر قرار دهیم. وقتی مفاهیم افشاگری های تصویری تفسیرمی شوند، ما پیشنهاد می کنیم تا یک آیتم IC را در هر تصویر کدگذاری کنیم و یک شمارش را برای هر عکس ثبت کنیم. علاوه بر این، این مهم است که در مورد نحوه ی کدگذار آیتم های IC و نحوه ی ثبت شمارش ها در هر تصویر را شفاف سازی کنیم تا بدین صورت مقایسه میان مطالعات CA امکان پذیر شود.

نتیجه گیری

این بحث سه چالش کلیدی در زمینه ی استفاده از تحلیل محتوا به عنوان یک روش تحقیقی را شناسایی کرده و شرح داده است. در حالی که هیچ راهنمایی در زمینه ی مدیریت این چالش ها وجود نداشت و هیچ راه ساده ای به منظور انجام تحلیل محتوا نیز وجود نداشت (Weber 1990)، استراتژی های عملی پیشنهاد شده در مقالات CA پایه گذاری شدند و بوسیله ی تجربیات عملی مربوط به انجام این کار در مطالعه ی پایلوت نیوزیلند، مورد حمایت قرار گرفت. امید است تا اثبات گردد این استراتژی ها برای محققین حسابرسی، مفید هستند.

با نگاه کردن به بینش خارجی بدست آمده از مطالعات CA، چندین راه برای توسعه ی مطالعات حسابرسی باز می شود. اول از همه، از بسط اطلاعات تصویری، آگاهی بیشتری نسبت به نتایج حاصل می شود. دوم اینکه یک پتانسیل برای بسط محتوای اثرات به خودی خود وجود دارد که شامل حضور فرستنده در پیام و نحوه ی پاسخ شوندگان است. علاوه بر این، محققین می توانند نحوه ی ایجاد رویه های حسابرسی را بررسی کنند و خوانندگان نیز در مورد متن اطلاعات کسب کنند (یعنی تحلیل محتوا بر اساس پذیرش (Ahuvia 2001)).

این نکته باید تذکر داده شود که روش تحقیق CA نیازمند توصیف و انعکاس پذیری صریح است. برای مثال، تعداد اندکی از مطالعات CA قبلی در مورد سرمایه ی فکری، به طور آشکار در مورد نحوه ی کار با متن در زمان جمع آوری داده ها، صحبت کرده اند. شاید این مسئله به دلیل ادعایی باشد که Guthrie و همکارانش (2004) ارائه کرده اند. آنها ادعا کرده اند که نمی توان در این مورد به مقایسه ی معنادار رسید. بنابراین، این مسئله حیاتی است که محققین CA حسابداری باید به طور واضح در مورد روش مورد استفاده، صحبت کنند. انعکاس پذیری نیز مسئله ی مهمی است. این اهمیت حداقل در دو سطح است. اول از همه، وقتی شروع به مطالعه ی می کنیم، محقق باید نحوه ی طراحی بهتر در زمینه ی یک آنالیز را انعکاس دهد که بوسیله ی آن، سوالات تحقیقاتی متضمن در متون خاص، تحلیل گردد. دوم اینکه، وقتی این مطالعه گزارش می شود، محقق باید به طور آزاد در مورد چالش های پیش روی اعمال روش CA صحبت کند. این شفافیت به خواننده کمک می کند تا نتایج تحقیقاتی را تحلیل کند و با مقایسه، در مورد آنها قضاوت کند. این مسئله به سایر محققین نیز امکان یادگیری تجربیات قبلی را می دهد. با این کار، تجربیات CA در تحقیقات حسابرسی، پیشرفت و توسعه می یابد.

 

 

 

منبع:راسخون