El an\u00e1lisis de contenido (AC) es una metodolog\u00eda ampliamente utilizada en las ciencias sociales, en especial en el \u00e1rea de la comunicaci\u00f3n, que se emplea en numerosos estudios de medici\u00f3n del contenido de los medios. Se trata de una t\u00e9cnica en origen cuantitativo, nacida a partir del aumento de informaci\u00f3n producido por los mass media en EEUU, centrada en ofrecer una descripci\u00f3n sistem\u00e1tica del creciente contenido de las comunicaciones (Mar\u00edn, Galera y Ruiz San Rom\u00e1n 1999). A partir de esta t\u00e9cnica, es posible evaluar la imagen que adquieren ciertas ideas, instituciones o personas, adem\u00e1s de servir como punto de partida para el estudio de los efectos de los medios de comunicaci\u00f3n. En este sentido, lo que interesa fundamentalmente es el estudio de las ideas, significados y temas, y no tanto las palabras o estilos con que estas se expresan (Ander-Egg 2003).<\/p>\n
1. Introducci\u00f3n<\/strong><\/p>\n El desarrollo sistem\u00e1tico del AC durante las \u00faltimas d\u00e9cadas ha dado lugar a que se lo considere como una metodolog\u00eda per se<\/em>, a pesar de que muchos autores sostengan que se trata m\u00e1s bien de una t\u00e9cnica de an\u00e1lisis (Pi\u00f1uel Raigada y Gait\u00e1n Moya 1995). Si bien su origen hist\u00f3rico tiene ra\u00edces en la hermen\u00e9utica y en las investigaciones sobre los efectos de la comunicaci\u00f3n de masas de la psicolog\u00eda y sociolog\u00eda funcionalista norteamericana, en el presente su uso se ha extendido a todas las ciencias sociales, en particular gracias al uso de procedimientos inform\u00e1ticos para el tratamiento de datos.<\/p>\n Seg\u00fan Berelson (1952), considerado el padre del AC, junto a Lasswell y Lazarsfeld, se trata de una \u201ct\u00e9cnica de investigaci\u00f3n para la descripci\u00f3n objetiva, sistem\u00e1tica y cuantitativa del contenido manifiesto de los medios de comunicaci\u00f3n\u201d (Crespo 2000: 120). Los requisitos de objetividad y sistematicidad se relacionan con la exigencia de que sus resultados sean reproducibles, esto es, la necesidad de que sus reglas sean suficientemente expl\u00edcitas e igualmente aplicables a todas las unidades de an\u00e1lisis (Krippendorf 1990). La restricci\u00f3n de que los contenidos sean manifiestos, orientada a asegurar que sean intersubjetivamente verificables, ha generado no pocas cr\u00edticas sustanciales, en tanto que excluye taxativamente del an\u00e1lisis los contenidos latentes. Esto ha llevado a autores como Klaus Krippendorf a considerar que el objeto del AC ha de ser no tanto el contenido manifiesto, sino m\u00e1s bien el significado simb\u00f3lico de los mensajes, puesto que, por su propia naturaleza vicaria, \u201cun mensaje es capaz de transmitir una multiplicidad de contenidos incluso a un \u00fanico receptor\u201d (Krippendorf, 1990: 0)***. A \u00e9stos se suma otro fundamental: la inferencia de los \u201cdatos\u201d al \u201ccontexto\u201d de referencia. \u00c9ste es el prop\u00f3sito primordial del an\u00e1lisis: realizar, a partir de ciertos datos, inferencias v\u00e1lidas y replicables, que pueden aplicarse a su contexto. Ello exige que el an\u00e1lisis re\u00fana condiciones m\u00ednimas de validez y de fiabilidad, en el proceso de medici\u00f3n (Cea D\u201dAncona, 1999).<\/p>\n Para que un proceso sea reproducible, las reglas que lo gobiernan deben ser expl\u00edcitas e igualmente aplicables a todas las unidades de an\u00e1lisis (Krippendorf, 1990). El requisito original de que la t\u00e9cnica sea cuantitativa se ha considerado asimismo restrictivo, ya que s\u00f3lo permite abordar aspectos formales y sint\u00e1cticos de los textos (su extensi\u00f3n, su frecuentaci\u00f3n y distribuci\u00f3n l\u00e9xica, rasgos estil\u00edsticos, construcciones t\u00edpicas, etc.). As\u00ed, la misma pr\u00e1ctica investigadora ha ido imponiendo ampliaciones a su metodolog\u00eda, siempre orientada a incorporar al an\u00e1lisis meramente t\u00e9cnico un marco te\u00f3rico de referencia. En este proceso de teorizaci\u00f3n de la t\u00e9cnica se fueron a\u00f1adiendo nuevas t\u00e9cnicas cada vez m\u00e1s diversas que fueron modificando su definici\u00f3n original, entre otras: la aplicaci\u00f3n de tests y escalas cuantitativas y cualitativas como el An\u00e1lisis Autom\u00e1tico, el Test de Aptitud Tem\u00e1tica, el an\u00e1lisis de estil\u00edstica cuantitativa, el an\u00e1lisis de las contingencias de Baldwin y Osgood, el cociente de acci\u00f3n de Buseman y el an\u00e1lisis de diferencial sem\u00e1ntico (Pi\u00f1uel Raigada y Gait\u00e1n Moya 1995).<\/p>\n En esencia, se comenz\u00f3 a advertir que los procedimientos interpretativos y las t\u00e9cnicas de comprobaci\u00f3n propias del AC requer\u00edan del concurso necesario de una elaboraci\u00f3n te\u00f3rica previa, que brinde un repertorio estructurado de categor\u00edas de an\u00e1lisis, y una serie de hip\u00f3tesis y objetivos claramente definidos, en suma, una base te\u00f3rica firme sobre la cual normalizar la diversidad superficial del corpus analizado.<\/p>\n De ah\u00ed que se haya empezado a concebir al AC como una t\u00e9cnica orientada a \u201cformular inferencias identificando de manera sistem\u00e1tica y objetiva ciertas caracter\u00edsticas especificadas dentro de un texto\u201d (Stone et. al., 1996: 5). Esta definici\u00f3n del AC apartada de su concepci\u00f3n original, que reconoce como rasgo definitorio el car\u00e1cter inferencial de la codificaci\u00f3n de unidades textuales en categor\u00edas conceptuales (Krippendorf 1990), exige que el vaciado meramente t\u00e9cnico se incluya dentro de un marco de referencia conceptual que gu\u00ede desde un principio la conceptualizaci\u00f3n del dise\u00f1o general, y que apoye sobre bases te\u00f3ricas el examen cr\u00edtico y el an\u00e1lisis sistem\u00e1tico de los datos y sus resultados.<\/p>\n As\u00ed, a medida que el AC fue incluyendo variables cualitativas a su propuesta metodol\u00f3gica cuantitativa, dej\u00f3 de estar limitado a la descripci\u00f3n para comenzar a dedicarse a la inferencia. La mera descripci\u00f3n, esto es, la enunciaci\u00f3n de las caracter\u00edsticas del texto, constituye de esta forma la primera etapa del an\u00e1lisis, mientras que la interpretaci\u00f3n, es decir, la significaci\u00f3n de estas caracter\u00edsticas, se presenta como la segunda fase del proceso. Entre ambas etapas, se ubica la inferencia, como procedimiento de an\u00e1lisis intermedio que permite el paso de una a otra.<\/p>\n En suma, el AC comienza a concentrarse en la b\u00fasqueda de los procesos inferenciales que operan entre los datos (unidades de informaci\u00f3n registradas en un medio duradero) y su contexto referencial (teor\u00edas, modelos y conocimientos estables acerca de las relaciones de los datos), es decir, en la tarea de realizar inferencias v\u00e1lidas y replicables a partir de ciertas variables, que puedan aplicarse sistem\u00e1ticamente a su contexto de referencia. Desde esta perspectiva Wimmer y Dominick proponen definir al AC como una \u201ct\u00e9cnica de investigaci\u00f3n sistem\u00e1tica y objetiva, que permite realizar inferencias v\u00e1lidas y estables a partir de algunas variables\u201d (Wimmer y Dominick 1996, 35), y que Krippendorff sugiere precisarlo, an\u00e1logamente, como una \u201ct\u00e9cnica de investigaci\u00f3n destinada a formular, a partir de ciertos datos, inferencias reproducibles y v\u00e1lidas que puedan aplicarse a su contexto\u201d (Krippendorf 1990: 28).<\/p>\n En este cambio de paradigma del AC desarrollado en los \u00faltimos a\u00f1os, la mirada del analista se concentra, pues, en formular inferencias en relaci\u00f3n con el contexto de los datos, justificando estas inferencias en funci\u00f3n de los factores estables, es decir, a partir de las relaciones fijas y conocidas entre las variables del contexto analizado. Se trabaja as\u00ed en aras de construir una teor\u00eda operacional de estas relaciones, que considera a los datos como variables independientes, y al contexto y objetivos de la investigaci\u00f3n como parte de las variables dependientes (Krippendorf 1990).<\/p>\n En conclusi\u00f3n, el AC, que comenz\u00f3 siendo una t\u00e9cnica de an\u00e1lisis y compendio de informaci\u00f3n eminentemente cuantitativa, orientado en origen a sistematizar y objetivar los aspectos formales y sint\u00e1cticos de un corpus de datos definido, deriva con el tiempo en un abordaje te\u00f3rico-metodol\u00f3gico complejo, centrado en la b\u00fasqueda de una teor\u00eda anal\u00edtica inferencial, que pretende, por sobre todo, formular inferencias sistem\u00e1ticas entre la descripci\u00f3n objetiva de los datos y su interpretaci\u00f3n contextual, con el fin \u00faltimo de teorizar de forma v\u00e1lida y fiable acerca del significado simb\u00f3lico de los mensajes contenidos en los textos analizados.<\/p>\n De ah\u00ed que Pi\u00f1uel Raigada y Gait\u00e1n Moya ensayen una definici\u00f3n completa del AC, a la cual suscribimos, que describe en esencia la complejidad de su propuesta anal\u00edtica:<\/p>\n \u201c[E]l an\u00e1lisis de contenido ha de entenderse como un metatexto resultado de la transformaci\u00f3n de un texto primitivo (o conjunto de ellos) sobre el que se ha operado aquella transformaci\u00f3n para modificarlo (controladamente) de acuerdo a unas reglas de procedimiento, de an\u00e1lisis y de verificaci\u00f3n (metodolog\u00eda) confiables y v\u00e1lidas, que se han justificado te\u00f3ricamente para alcanzar ciertos objetivos interpretativos (teor\u00eda e hip\u00f3tesis)\u201d (Pi\u00f1uel Raigada y Gait\u00e1n Moya 1995: 520).<\/p><\/blockquote>\n Definido pues de este modo el an\u00e1lisis de contenido, y revisada sint\u00e9ticamente su g\u00e9nesis y evoluci\u00f3n, pasaremos a continuaci\u00f3n a estudiar sus requisitos, procedimientos, reglas y componentes constituyentes, a fin de abarcar lo m\u00e1s completamente posible la complejidad de su propuesta metodol\u00f3gica.<\/p>\n 2. Validez y fiabilidad<\/strong><\/p>\n La inferencia en el AC est\u00e1 condicionada por la validez y la fiabilidad de la t\u00e9cnica de medici\u00f3n aplicada. La validez se refiere a la adecuaci\u00f3n del sistema de clasificaci\u00f3n utilizado para la medici\u00f3n de los conceptos te\u00f3ricos, es decir, denota el nivel de correspondencia que existe entre los constructos te\u00f3ricos y las variables emp\u00edricas generadas a partir de ellos (Cea D\u2019Ancona 1999). La fiabilidad, por su parte, es un \u00edndice de la consistencia del procedimiento de medici\u00f3n definido, que implica que distintos codificadores puedan llegar a id\u00e9nticos resultados sobre el mismo corpus de an\u00e1lisis (fiabilidad intersubjetiva), o que el mismo codificador extraiga las mismas conclusiones del mismo corpus en dos per\u00edodos de tiempo separados (fiabilidad intrasubjetiva).<\/p>\n La fiabilidad puede descomponerse en dos clases principales: la estabilidad (grado en el que los resultados de la clasificaci\u00f3n permanecen invariantes o sin modificaciones a lo largo del tiempo, siempre que se emplee la misma agrupaci\u00f3n de categor\u00edas) y la reproductibilidad (grado en el que var\u00edan los resultados cuando el mismo corpus es analizado por distintos codificadores). En esencia, lo que se busca en ambos casos es minimizar las arbitrariedades en la codificaci\u00f3n, procurando siempre eliminar, o al menos reducir a un m\u00ednimo posible, las categor\u00edas ambiguas, que dependen de la percepci\u00f3n subjetiva de un codificador (Krippendorf,1990). Para ello, se construyen manuales de instrucciones de registro, que deben ser usados por los codificadores como \u00fanicas gu\u00edas de procedimiento, asegurando de esta forma la fiabilidad del sistema de codificaci\u00f3n.<\/p>\n 3. Dise\u00f1o de un an\u00e1lisis de contenido<\/strong><\/p>\n Las siguientes etapas corresponden a los pasos metodol\u00f3gicos necesarios de todo an\u00e1lisis de contenido[1]. Se presupone en este punto la definici\u00f3n previa de un objeto de investigaci\u00f3n, un problema asociado a dicho objeto, una o varias hip\u00f3tesis como respuestas a dicho problema y unos objetivos generales y espec\u00edficos claramente definidos.<\/p>\n 3.1. Definici\u00f3n del universo<\/strong><\/p>\n Se trata de una delimitaci\u00f3n del material o corpus de an\u00e1lisis, esto es, la poblaci\u00f3n de documentos que componen el universo muestral que ser\u00e1 sometido a estudio. La definici\u00f3n del universo debe ajustarse a los objetivos y al problema de la investigaci\u00f3n.<\/p>\n 3.2. Extracci\u00f3n de una muestra representativa<\/strong><\/p>\n Definido el universo, se procede a tomar una muestra estad\u00edsticamente representativa, esto es, un subconjunto cuyas unidades muestrales tienen equiprobabilidad de ser seleccionadas respecto de aquellas que quedaron fuera de la muestra. Para realizar dicha selecci\u00f3n, que debe ser idealmente aleatoria, se deben tener en cuenta las caracter\u00edsticas de la poblaci\u00f3n general de documentos y el tipo de inferencia que desea realizarse a partir de la muestra respecto del universo como un todo (Cea D\u2019ancona 1999).<\/p>\n Hay que mencionar, sin embargo, que existen procedimientos de muestreo no aleatorio, por ejemplo, el muestreo estratificado (que reconoce la existencia de subpoblaciones diferenciadas) y el muestreo por conglomerados (que utiliza como unidades muestrales grupos de elementos que presentan designaciones y l\u00edmites naturales) (Krippendorf 1990).<\/p>\n Un problema importante en cualquier proceso de muestreo radica en la definici\u00f3n del tama\u00f1o de la muestra, esto es, en la determinaci\u00f3n de la cantidad m\u00ednima de unidades muestrales que es necesario extraer para asegurar la representatividad. El tama\u00f1o muestral \u00f3ptimo se desprende de los par\u00e1metros del universo, que por supuesto se desconocen. De ah\u00ed que deba trabajarse con intervalos de confianza, aceptando una probabilidad m\u00e1xima de error muestral (Krippendorff 1990).<\/p>\n 3.3. Construcci\u00f3n del sistema de categor\u00edas<\/strong><\/p>\n A fin de contrastar emp\u00edricamente la teor\u00eda que subyace al an\u00e1lisis de contenido, los conceptos y proposiciones definidas en el marco te\u00f3rico deben transformarse en variables e indicadores, procedimiento deductivo que se denomina operacionalizaci\u00f3n de conceptos te\u00f3ricos (Lazarsfeld 1973), y que opera como fase intermedia entre la formulaci\u00f3n te\u00f3rica del problema y la medici\u00f3n de las variables relevantes (Cea D\u2019Ancona 1999). Este proceso se concreta a trav\u00e9s de una serie de pasos relacionados: primero, descomponiendo los conceptos en diversas dimensiones; segundo, seleccionando de cada dimensi\u00f3n una serie de indicadores; tercero, sintetizando cada indicador mediante la elaboraci\u00f3n de \u00edndices. Se trata, en pocas palabras, de la construcci\u00f3n de un sistema de categor\u00edas.<\/p>\n La determinaci\u00f3n de un sistema de categor\u00edas exhaustivo y preciso es un aspecto clave del dise\u00f1o de todo an\u00e1lisis de contenido, en tanto que su abordaje metodol\u00f3gico se basa precisamente en la codificaci\u00f3n, esto es, en el proceso en virtud del cual las caracter\u00edsticas relevantes del contenido de un mensaje son transformadas en unidades de registro que ser\u00e1n a la postre insertadas, colocadas o encasilladas en categor\u00edas (Hern\u00e1ndez Sampieri et. al. 2000). Tal es as\u00ed que Berelson (1952) no dudaba en afirmar que el \u00e9xito o el fracaso del an\u00e1lisis de contenido dependen de la correcta determinaci\u00f3n de sus categor\u00edas (Ander-Egg 2003).<\/p>\n Las categor\u00edas son los niveles dentro de los cuales se caracterizan las unidades de registro (Holsti 1968). Estos niveles singularizan el contenido de una unidad puesto que proporcionan una denominaci\u00f3n gen\u00e9rica a unidades de contenido similar, contribuyendo as\u00ed a su clasificaci\u00f3n (Cea D\u2019Ancona 1999). Desde una perspectiva formal, las categor\u00edas, derivadas del marco te\u00f3rico y de la hip\u00f3tesis de trabajo, representan campos sem\u00e1nticos, dimensiones o variables en las que tienen lugar las unidades de an\u00e1lisis (Pi\u00f1uel Raigada y Gait\u00e1n Moya 1995). La estructuraci\u00f3n de las categor\u00edas permite configurar el protocolo de an\u00e1lisis, que toma la forma de una parrilla, plantilla o ficha de codificaci\u00f3n, y m\u00e1s propiamente de una base de datos estructurada, que permite el registro de las respuestas o las confirmaciones (en suma, los valores) de las incidencias de cada categor\u00eda.<\/p>\n Se pueden definir los siguientes niveles jer\u00e1rquicos de categor\u00edas: categor\u00edas generales, dimensiones o variables; categor\u00edas espec\u00edficas o indicadores; y subcategor\u00edas. A su vez, respecto de la sem\u00e1ntica de los datos (modos de definici\u00f3n del significado de las categor\u00edas), debe se\u00f1alarse que todo sistema categorial debe cumplir con los siguientes requisitos: de un lado, las categor\u00edas y subcategor\u00edas deben ser exhaustivas, esto es, abarcar todas las unidades de registro posibles del lenguaje fuente; de otro, deben ser mutuamente excluyentes, es decir, deben establecer distinciones netas entre las unidades de an\u00e1lisis, evitando as\u00ed que una misma unidad pueda pertenecer a dos categor\u00edas al mismo tiempo.<\/p>\n La correcta determinaci\u00f3n y jerarquizaci\u00f3n del sistema de categor\u00edas redunda en un sistema de medici\u00f3n v\u00e1lido y fiable. De ah\u00ed que sea recomendable su comprobaci\u00f3n emp\u00edrica con una peque\u00f1a muestra, previa a su utilizaci\u00f3n definitiva en toda la poblaci\u00f3n muestreada. Esta verificaci\u00f3n inicial permite precisar la adecuaci\u00f3n del esquema de codificaci\u00f3n al lenguaje de los datos y a los objetivos de la investigaci\u00f3n (Cea D\u2019Ancona 1999).<\/p>\n 3.4. Determinaci\u00f3n de las unidades<\/strong><\/p>\n Seleccionada la muestra de an\u00e1lisis y definido el sistema de categor\u00edas se procede a la preparaci\u00f3n de los documentos para su tratamiento estad\u00edstico, esto es, a la fragmentaci\u00f3n de las unidades de muestreo en unidades de codificaci\u00f3n y de contexto. Las unidades de codificaci\u00f3n, significantes, de registro o, m\u00e1s ampliamente, unidades de an\u00e1lisis, se definen como aquella porci\u00f3n m\u00ednima que el investigador a\u00edsla por contener elementos de contenido considerados significativos para el an\u00e1lisis (L\u00f3pez Aranguren 1989). Se trata del segmento m\u00ednimo de contenido que ser\u00e1 sometido a categorizaci\u00f3n. Las unidades de contexto, por otra parte, corresponden a la porci\u00f3n del material simb\u00f3lico cuyo tama\u00f1o, siempre mayor a la unidad de codificaci\u00f3n, es \u00f3ptimo para captar la significaci\u00f3n y caracterizar la unidad de registro. Las unidades de contexto no deben ser independientes entre s\u00ed, y pueden contener varias unidades de registro (Bardin 1986; Krippendorf 1990).<\/p>\n 3.5. Medici\u00f3n, inferencia y an\u00e1lisis<\/strong><\/p>\n Recolectada la muestra y registradas sus unidades por las plantillas de codificaci\u00f3n derivadas del sistema categorial definido, se procede a la medici\u00f3n, esto es, a la cuantificaci\u00f3n de las unidades de an\u00e1lisis y de contexto. Aqu\u00ed deben mencionarse principalmente los an\u00e1lisis de contenido frecuenciales, que contabilizan el n\u00famero de ocurrencias (AC distribucionales) o de co-ocurrencias (AC relacionales) de indicadores o categor\u00edas (Pi\u00f1uel Raigada y Gait\u00e1n Moya 1995). Los AC distribucionales miden la intensidad de los valores, es decir, su frecuencia relativa de incidencia, que se atienen, como se\u00f1ala Krippendorff (1990), a diversas normas, a saber: de distribuci\u00f3n uniforme (utilizada cuando la frecuencia de una categor\u00eda es mayor o menor que el promedio de todas las categor\u00edas), de distribuci\u00f3n estable (empleada en los casos en que se aprecian modificaciones en las frecuencias a lo largo del tiempo) y de representaci\u00f3n no desviada (se usa cuando se advierte que las frecuencias observadas son mayores o menores de lo que ser\u00eda esperable si la muestra fuera representativa). De uno u otro modo, los an\u00e1lisis distribucionales permiten detectar relaciones sem\u00e1nticas de oposici\u00f3n y de identidad entre las distintas categor\u00edas.<\/p>\n Los an\u00e1lisis relacionales, por su parte, se ocupan de medir la frecuencia de co-ocurrencias de los valores de una variable y los valores de otra, para lo cual se utilizan normalmente tablas de contingencia, que permiten detectar la dependencia o la independencia entre variables y categor\u00edas, fijando en cada caso relaciones de determinaci\u00f3n, asociaci\u00f3n, equivalencia, oposici\u00f3n, exclusi\u00f3n, proximidad, simultaneidad, secuencialidad u orden, entre otras (Pi\u00f1uel Raigada y Gait\u00e1n Moya 1995).<\/p>\n Desde el punto de vista del an\u00e1lisis estad\u00edstico, deben diferenciarse los abordajes de estad\u00edstica descriptiva de los de estad\u00edstica inferencial. En los primeros, se trata principalmente de realizar una descripci\u00f3n exhaustiva de las puntuaciones sostenidas para cada variable por medio de distribuciones de frecuencia, que permiten adem\u00e1s detectar medidas de tendencia central (la media, la mediana, etc.) y medidas de dispersi\u00f3n (desv\u00edo est\u00e1ndar, varianza, etc.). En cambio, en los abordajes de estad\u00edstica inferencial, lo que se busca son los efectos de relaci\u00f3n entre una variable dependiente y una variable dependiente (m\u00e9todos univariables), o entre dos o m\u00e1s variables dependientes y una variable dependiente (m\u00e9todos multivariables). Entre los m\u00e9todos multivariables, que son los m\u00e1s significativos en este tipo de an\u00e1lisis, pueden identificarse, siguiendo la clasificaci\u00f3n de J. N. Sheth (1968) los siguientes: regresi\u00f3n m\u00faltiple lineal, an\u00e1lisis discriminante m\u00faltiple, an\u00e1lisis multivariable de la varianza, an\u00e1lisis can\u00f3nico, an\u00e1lisis factorial, an\u00e1lisis de grupos o cluster analysis, an\u00e1lisis de escalas multidimensionales m\u00e9tricas y no m\u00e9tricas, y an\u00e1lisis de la estructura latente.<\/p>\n En todos los casos, se trata de aproximaciones estad\u00edsticas ampliamente utilizadas en los estudios de imagen y posicionamiento empresarial. Su aporte principal radica en la estimaci\u00f3n de un coeficiente de correlaci\u00f3n m\u00faltiple (R), que se\u00f1ala la correlaci\u00f3n entre la variable dependiente y todas las variables independientes tomadas en su conjunto. A su vez, cada variable independiente se mide con el valor beta (B), que indica el peso relativo que ejerce sobre la variable dependiente (Hern\u00e1ndez Sampieri et. al. 2000). De esta forma, puede conocerse el efecto que tiene cualquier factor sobre determinada variable reconocida como fundamental por una empresa o instituci\u00f3n, como por ejemplo, su imagen de marca.<\/p>\n [1] Este listado de etapas del dise\u00f1o del an\u00e1lisis de contenido es una s\u00edntesis de los trabajos de Sampieri et. al 2000; Ander-Egg 2003; Sanz de la Tajada 1996; Krippendorff 1990; Pi\u00f1uel Raigada y Gait\u00e1n Moya 1995; Cea D\u2019Ancona 1999.<\/p>\n Bibliograf\u00eda<\/strong><\/p>\n El an\u00e1lisis de contenido (AC) es una metodolog\u00eda ampliamente utilizada en las ciencias sociales, en especial en el \u00e1rea de la comunicaci\u00f3n, que se emplea en numerosos estudios de medici\u00f3n del contenido de los medios. Se trata de una t\u00e9cnica … <\/p>\n","protected":false},"author":1,"featured_media":13556,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_joinchat":[],"footnotes":""},"categories":[6553,6556,6557,6559],"tags":[6580,6563,6565,6568,6569],"class_list":["post-13548","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-articulos","category-investigacion","category-libros","category-trabajos-academicos","tag-articulos-cientificos","tag-investigacion","tag-metodo-cientifico","tag-redaccion-academica","tag-redaccion-cientifica"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/kubernetica.com\/academy\/wp-json\/wp\/v2\/posts\/13548","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/kubernetica.com\/academy\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/kubernetica.com\/academy\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/kubernetica.com\/academy\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/kubernetica.com\/academy\/wp-json\/wp\/v2\/comments?post=13548"}],"version-history":[{"count":5,"href":"https:\/\/kubernetica.com\/academy\/wp-json\/wp\/v2\/posts\/13548\/revisions"}],"predecessor-version":[{"id":13815,"href":"https:\/\/kubernetica.com\/academy\/wp-json\/wp\/v2\/posts\/13548\/revisions\/13815"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/kubernetica.com\/academy\/wp-json\/wp\/v2\/media\/13556"}],"wp:attachment":[{"href":"https:\/\/kubernetica.com\/academy\/wp-json\/wp\/v2\/media?parent=13548"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/kubernetica.com\/academy\/wp-json\/wp\/v2\/categories?post=13548"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/kubernetica.com\/academy\/wp-json\/wp\/v2\/tags?post=13548"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}\n