Cómo se cuentan las palabras
Las respuestas se dividen en palabras con el segmentador integrado del navegador (Intl.Segmenter), que aplica las reglas de límites de palabra de Unicode y diccionarios para chino, japonés y tailandés, de modo que el texto sin espacios también se separa en palabras. Las palabras se pasan a minúsculas y se normalizan; la puntuación se descarta y los números pueden descartarse.
Las palabras vacías (el, de, que, muy…) se eliminan con listas estándar compactas para nueve idiomas. En modo automático, cada respuesta usa su propia lista: por escritura para chino, japonés y coreano, y por la lista con más coincidencias para español, inglés, francés, alemán, portugués e italiano. Los plurales ingleses pueden unificarse; no se aplica otra lematización, así que «pedido» y «pedidos» se cuentan por separado. Las frases de dos y tres palabras se forman dentro de cada oración.
Fórmula
% de respuestas que mencionan w = suma de ponderaciones de las respuestas que contienen w ÷ suma de ponderaciones de las respuestas con texto (sin ponderación, cada respuesta vale 1). Las repeticiones dentro de una respuesta cuentan una vez; «menciones» recoge todas las apariciones.
La comparación entre segmentos usa para cada palabra la prueba z de dos proporciones con varianza combinada: z = (p₁ − p₂) ÷ √(p̄(1 − p̄)(1/n₁ + 1/n₂)), donde p₁ es el porcentaje del segmento, p₂ el del resto de segmentos juntos y p̄ el porcentaje combinado. Con ponderación, n es el tamaño muestral efectivo de Kish (Σw)² ÷ Σw² (aproximación).
Ejemplo práctico
«Usar datos de ejemplo» carga una encuesta sintética sobre un servicio de comida a domicilio: 480 personas responden a «¿Qué es lo que más mejoraría nuestro servicio de comida a domicilio?» y 464 escriben algo. Con la configuración por defecto (palabras vacías automáticas en español, al menos 2 respuestas por palabra), la palabra más mencionada es «llegan»: aparece en 72 respuestas (15,5 %), 72 veces en total. Le siguen «pedidos» (15,5 %) y «tarde» (15,5 %).
Por tipo de cliente, los suscriptores (n = 121) mencionan «suscripción» en el 28,1 % de sus respuestas frente al 4,7 % del resto: z = 7,15, p < 0,001. Los clientes nuevos (n = 147) destacan en «app» (20,4 % frente a 9,1 %).
Al hacer clic en la palabra y leer las respuestas de ese segmento, el recuento se convierte en un hallazgo: qué es exactamente lo que les molesta, con sus propias palabras.
Cuándo usarla y cuándo no
La frecuencia de palabras responde a «qué palabras usaron», no a «qué quisieron decir».
- Una primera lectura de una pregunta abierta grande antes de crear un libro de códigos.
- Detectar palabras que un segmento, una oleada o un mercado usa mucho más que el resto.
- Respuestas breves en varios idiomas, incluidos chino, japonés y coreano, sin subirlas a ningún servidor.
- Informar de significado o sentimiento: el recuento ignora la negación y el contexto; para eso hay que codificar.
- Muy pocas respuestas (menos de unas 30): las diferencias entre palabras son sobre todo ruido.
- Documentos largos, donde los modelos de temas o una codificación cuidadosa encajan mejor.
Cómo interpretar los resultados
Lea el porcentaje de respuestas, no el tamaño de la palabra: una palabra en el 20 % de las respuestas es un tema frecuente; en el 2 %, un detalle. Lea las respuestas que hay detrás de cada palabra que cite. En la comparación por segmentos, ▲ indica que ese segmento menciona la palabra significativamente más (p < 0,05); con muchas palabras algunas diferencias son fruto del azar, así que priorice las grandes, coherentes y con valores q de Benjamini–Hochberg bajos en el CSV. El siguiente paso es convertir los temas recurrentes en códigos con la codificación de respuestas abiertas.