Come vengono contate le parole
Le risposte vengono divise in parole dal segmentatore integrato nel browser (Intl.Segmenter), che segue le regole Unicode sui confini di parola e usa dizionari per cinese, giapponese e thailandese: anche il testo senza spazi viene diviso in parole. Le parole sono convertite in minuscolo e normalizzate; la punteggiatura viene scartata e i numeri possono esserlo. Gli articoli elisi (l', dell', un') vengono rimossi, così «l'abbonamento» conta come «abbonamento».
Le stopword (il, di, che, molto…) vengono rimosse con elenchi standard compatti per nove lingue. In modalità automatica ogni risposta riceve il suo elenco: in base alla scrittura per cinese, giapponese e coreano, altrimenti in base all'elenco che riconosce più parole tra italiano, inglese, spagnolo, francese, tedesco e portoghese. I plurali inglesi si possono unificare; non viene applicata altra lemmatizzazione, quindi «consegna» e «consegne» restano distinte. Le espressioni di due o tre parole si formano all'interno della stessa frase.
Formula
% di risposte che citano w = somma dei pesi delle risposte che contengono w ÷ somma dei pesi delle risposte con testo (senza ponderazione ogni risposta vale 1). Le ripetizioni nella stessa risposta contano una volta; «menzioni» riporta tutte le occorrenze.
Il confronto tra segmenti usa per ogni parola il test z per due proporzioni con varianza combinata: z = (p₁ − p₂) ÷ √(p̄(1 − p̄)(1/n₁ + 1/n₂)), dove p₁ è la quota nel segmento, p₂ la quota in tutti gli altri segmenti insieme e p̄ la quota combinata. Con i pesi, n è la numerosità campionaria effettiva di Kish (Σw)² ÷ Σw² (approssimazione).
Esempio pratico
«Usa dati di esempio» carica un'indagine sintetica su un servizio di consegna di cibo: 480 persone rispondono a «Qual è la cosa che migliorerebbe di più il nostro servizio di consegna di cibo?» e 464 scrivono qualcosa. Con le impostazioni predefinite (stopword italiane automatiche, almeno 2 risposte per parola), la parola più citata è «consegna»: compare in 98 risposte (21,1%), 100 volte in tutto. Seguono «arrivano» (20,7%) e «servizio» (18,3%).
Per tipo di cliente, gli abbonati (n = 121) citano «abbonamento» nel 28,1% delle risposte contro il 4,7% degli altri: z = 7,15, p < 0,001. I nuovi clienti (n = 147) si distinguono per «app» (20,4% contro 9,1%).
Un clic sulla parola e la lettura delle risposte di quel segmento trasformano il conteggio in un risultato: che cosa disturba esattamente quel gruppo, con le sue parole.
Quando usarla e quando no
La frequenza delle parole dice quali parole sono state usate, non che cosa volevano dire.
- Una prima lettura di una domanda aperta numerosa prima di costruire un codebook.
- Trovare parole che un segmento, un'ondata o un mercato usa molto più degli altri.
- Risposte brevi in più lingue, compresi cinese, giapponese e coreano, senza caricarle su alcun server.
- Riportare significato o sentiment: il conteggio ignora negazioni e contesto, per questo serve la codifica.
- Pochissime risposte (meno di una trentina): le differenze tra parole sono per lo più rumore.
- Testi lunghi, per i quali i topic model o una codifica accurata sono più adatti.
Come leggere i risultati
Guarda la quota di risposte, non la dimensione della parola: una parola nel 20% delle risposte è un tema frequente, nel 2% un dettaglio. Leggi le risposte dietro ogni parola che citi. Nel confronto per segmento, ▲ indica che quel segmento cita la parola significativamente più spesso (p < 0,05); con molte parole alcune differenze nascono per caso, quindi privilegia quelle ampie, sensate e con valori q di Benjamini–Hochberg bassi nel CSV. Il passo successivo è trasformare i temi ricorrenti in codici con la codifica delle risposte aperte.