Skip to content

الفروق الدلالية

اضبط مقاييس الفروق الدلالية في Potato لقياس المواقف عبر أزواج من الصفات المتقابلة مع عدد نقاط قابل للضبط.

يعرض مخطط توسيم الفروق الدلالية على الموسِّمين مقاييس من صفات متقابلة لقياس المواقف أو التصورات أو المعاني الإيحائية. لكل مقياس صفتان متضادتان عند طرفيه (مثل «جيد» مقابل «سيئ»)، ويختار الموسِّمون نقطة على المتصل تبيّن أين يقع العنصر.

مقاييس الفروق الدلالية في Potato تقدّر نصاً على محاور رسمي/غير رسمي وإيجابي/سلبي وبسيط/معقدالفروق الدلالية في Potato

نظرة عامة

طوّر تشارلز أوسغود مقاييس الفروق الدلالية في خمسينيات القرن الماضي، وهي منهج راسخ في علم النفس والعلوم الاجتماعية لقياس المعنى الإيحائي للمفاهيم. وفي مهام التوسيم، تفيد في التقاط تصورات دقيقة متعددة الأبعاد يعجز مقياس تقدير واحد عن التعبير عنها.

البدء السريع

yaml
annotation_schemes:
  - annotation_type: semantic_differential
    name: text_perception
    description: Rate how you perceive this text on each scale.
    pairs:
      - ["Formal", "Informal"]
      - ["Positive", "Negative"]
      - ["Simple", "Complex"]
    scale_points: 7

خيارات الإعدادات

الحقلالنوعالافتراضيالوصف
annotation_typestringمطلوبيجب أن يكون "semantic_differential"
namestringمطلوبمعرّف فريد لهذا المخطط
descriptionstringمطلوبالتعليمات المعروضة للموسِّمين
pairsarrayمطلوبقائمة أزواج [left_adjective, right_adjective]
scale_pointsinteger7عدد النقاط على كل مقياس متقابل (5 أو 7 عادةً)
show_center_labelbooleantrueعرض تسمية «محايد» في منتصف المقياس
label_requirement.requiredbooleanfalseهل يجب تقدير كل المقاييس قبل الانتقال

أمثلة

تقدير أسلوب النص

yaml
annotation_schemes:
  - annotation_type: semantic_differential
    name: writing_style
    description: Rate the writing style of this text on each dimension.
    pairs:
      - ["Formal", "Informal"]
      - ["Objective", "Subjective"]
      - ["Concise", "Verbose"]
      - ["Clear", "Ambiguous"]
    scale_points: 7

تصوّر المتحدث

yaml
annotation_schemes:
  - annotation_type: semantic_differential
    name: speaker_impression
    description: Rate your impression of the speaker on each dimension.
    pairs:
      - ["Competent", "Incompetent"]
      - ["Warm", "Cold"]
      - ["Trustworthy", "Untrustworthy"]
      - ["Dominant", "Submissive"]
    scale_points: 7

تقييم المنتج

yaml
annotation_schemes:
  - annotation_type: semantic_differential
    name: product_perception
    description: How do you perceive this product?
    pairs:
      - ["Innovative", "Traditional"]
      - ["Affordable", "Expensive"]
      - ["Reliable", "Unreliable"]
      - ["Simple", "Complex"]
    scale_points: 5

أبعاد الانفعال (EPA)

إطار التقييم والقوة والنشاط الكلاسيكي:

yaml
annotation_schemes:
  - annotation_type: semantic_differential
    name: epa_rating
    description: Rate this concept on each dimension.
    pairs:
      - ["Good", "Bad"]
      - ["Powerful", "Weak"]
      - ["Active", "Passive"]
    scale_points: 7

صيغة المخرجات

json
{
  "text_perception": {
    "labels": {
      "Formal-Informal": 5,
      "Positive-Negative": 2,
      "Simple-Complex": 4
    }
  }
}

تتراوح القيم من 1 (الصفة اليسرى) إلى scale_points (الصفة اليمنى)، وتمثّل النقطة الوسطى الحياد.

أفضل الممارسات

  1. استخدم مقاييس من 7 نقاط افتراضياً - هي المعيار في أبحاث الفروق الدلالية وتعطي تدرجاً كافياً
  2. وازن القطبية بين الأزواج - نوّع الجهة التي تحمل الصفة «الإيجابية» لتفادي أنماط الاستجابة النمطية
  3. اقصر الأزواج على 5 إلى 8 لكل عنصر - كثرة المقاييس تسبب الإرهاق وتخفض جودة البيانات
  4. استخدم أزواج صفات معتمدة - أعد استعمال الأزواج المتحقق منها في الأبحاث القائمة متى توافرت
  5. أبقِ تسمية المنتصف - النقطة الوسطى المحايدة مرجع مهم للموسِّمين
  6. رتّب الأزواج عشوائياً - نوّع ترتيب العرض إن أمكن لتقليل أثر التثبيت

قراءة إضافية

للاطلاع على تفاصيل التنفيذ، راجع الوثائق المصدرية.