Verziószám: v2.0 (érvényes 2026. február 1-től)
Az előző verziójú módszertani ismertető ide kattintva érhető el
A Minerva Intézet kutatásainak célja a magyar felnőtt lakosság közérzetének, problématudatának, biztonságérzetének, valamint politikai attitűdjeinek és a mesterséges intelligenciával való interakció élményének feltérképezése, valamint a piac- és közvéleménykutatás területén a mesterséges intelligenciának, mint technológiának a megvalósíthatósági vizsgálata és demonstrációja.
Az adatfelvétel telefonon zajlik, mesterséges intelligencia alapú hangasszisztens segítségével. A megkeresések alapját véletlenszám-generálással előállított telefonszámok képzik, tehát nem használunk meglévő adatbázist vagy előre rögzített célcsoportokat. A válaszadás önkéntes, és kizárólag 18 év feletti személyek vehetnek részt a kutatásban.
Az adatfelvétel párhuzamosan 100 híváscsatornán zajlik, a sikeres hívások célszáma 1000.
A végleges eredmények a felnőtt magyar népesség kor, nem és lakóhely szerinti megoszlásához igazodva kerülnek súlyozásra. A súlyozást raking (iterative proportional fitting) eljárással végezzük, amely lehetővé teszi, hogy az eloszlások több szempont mentén egyszerre közelítsenek a hivatalos statisztikai adatokhoz (pl. KSH). A súlyozás részletes leírása a következő fejezetben található.
Az adatok az interjú után .sav formátumban kerülnek letárolásra, a feldolgozás SPSS Statistics statisztikai szoftverrel történik. A nyílt szöveges válaszokat gépi szövegelemzéssel klaszterezzük és kódoljuk.
A válaszadók minden esetben rövid adatvédelmi tájékoztatást kapnak a beszélgetés elején. Az adatkezelés teljes mértékben megfelel a hatályos jogszabályoknak, különös tekintettel a GDPR előírásaira. A részvétel önkéntes, a válaszok rögzítése pedig névtelen. A válaszok alapján a válaszadó személye visszakereshetetlen.
A beszélgetéseket minőségbiztosítási célból 30 napig tároljuk, ezt követően automatikusan törlésre kerülnek. Az interjúkat ember nem hallgatja vissza, a feldolgozás kizárólag gépi úton történik.
A Minerva Intézet kutatásaiban alkalmazott teljes minta a KSH 2022. évi népszámlálási adataira épülő összevont változók súlyozással kerül meghatározásra: a súlyozás során a nem, kor, településtípus és iskolai végzettség szerinti ismert sokasági eloszlásokhoz igazítjuk a mintát, biztosítva ezzel a vizsgálati eredmények reprezentativitását a magyar lakosságra vonatkozóan.
Központi Statisztikai Hivatal (KSH) Népszámlálási Adatbázis
A 15 éves és idősebb népesség befejezetett iskolai végzettsége vármegyénként, településtípusonként
Népszámlálási adatbázis – Központi Statisztikai Hivatal
A hivatkozott adatforrás a 2022-es népszámláláskor felvett adatok alapján közli a magyar lakosság létszámát legmagasabb befejezett iskolai végzettség (10 kategória), nemek (2 kategória), településtípus (4 kategória) és 5 évenkénti korcsoport (15 kategória) szerinti bontásban.
A Minerva Intézet a fenti, KSH által használt dimenziók alapján a következő kategóriarendszert használja:
| KSH kategória | Minerva Intézet kategória |
| Általános iskola 8. évfolyamnál alacsonyabb | Alapfokú |
| Általános iskola 8. évfolyam | Alapfokú |
| Középfokú iskola érettségi nélkül, szakmai oklevéllel | Középfokú |
| Érettségi, általános oklevéllel | Középfokú |
| Érettségi, szakmai oklevéllel | Középfokú |
| Érettségire épülő középfokú szakképesítés | Középfokú |
| Felsőoktatási (felsőfokú) szakképesítés | Felsőfokú |
| Főiskola, felsőfokú alapképzés (BA/BSc) oklevéllel | Felsőfokú |
| Egyetem, felsőfokú mesterképzés (MA/MSc) oklevéllel | Felsőfokú |
| Doktori (PhD- vagy DLA-) fokozat | Felsőfokú |
| KSH kategória | Minerva Intézet kategória |
| Férfi | Férfi |
| Nő | Nő |
| KSH kategória | Minerva Intézet kategória |
| Budapest | Budapest |
| Megyei jogú város(ok) | Megyei jogú város |
| Egyéb város(ok) | Egyéb város |
| Község(ek) | Község |
| KSH kategória | Minerva Intézet kategória |
| 15 – 19 éves | 18 – 39 (fiatalok) |
| 20 – 24 éves | 18 – 39 (fiatalok) |
| 25 – 29 éves | 18 – 39 (fiatalok) |
| 30 – 34 éves | 18 – 39 (fiatalok) |
| 35 – 39 éves | 18 – 39 (fiatalok) |
| 40 – 44 éves | 40 – 60 (középkorúak) |
| 45 – 49 éves | 40 – 60 (középkorúak) |
| 50 – 54 éves | 40 – 60 (középkorúak) |
| 55 – 59 éves | 40 – 60 (középkorúak) |
| 60 – 64 éves | 60 + (idősek) |
| 65 – 69 éves | 60 + (idősek) |
| 70 – 74 éves | 60 + (idősek) |
| 75 – 79 éves | 60 + (idősek) |
| 80 – 84 éves | 60 + (idősek) |
| 85 éves és idősebb | 60 + (idősek) |
A Minerva Intézet súlyozási arányszámainak kialakításához az első lépés a redukált végzettség kategória szerinti lakosságszám meghatározása. Ez a lépés adatösszevonással történik, mely szerint nem, településtípus és 5 évenkénti életkori kategóriák szerint összeadásra kerül
A KSH adatfelvételi ideje (2022) óta eltelt 3 év, aminek megfelelően a végzettség adatokat érdemes korrigálni, hiszen a 2022-es adatfelvétel során még alapfokú végzettségűek egy része középfokú végzettséget, míg a 2022-es adatfelvétel során még középfokú végzettségűek egy része azóta felsőfokú végzettséget szerezett.
A korrekció során
A 15 – 19 éves, a 20-24 éves, és a 25 – 30 éves korcsoportban hasonlóan jártunk el a középfokú és a felsőfokú végzettséggel rendelkezők esetében is, amellett, hogy a korrigált lakosságszámokat a példaszámítás szerint számoltuk mindkét nemnél, valamint a településtípusok szerint.
Annak érdekében, hogy a minta pontosabban illeszkedjen a mai magyar lakosság összetételéhez érdemes a KSH általi 2022-es népszámlálási adatokat az egyes korcsoportok halandósági mutatóival korrigálni. ( www.ksh.gov.hu/stadat_files/nep/hu/nep0011.html )
A KSH éves bontásban közli nemenként és korcsoportonként az 1000 főre vetített éves halandósági statisztikákat, amiből leképezhető a 2022-es népszámlálási időszak óta eltelt kumulált halandósági mutatók.
Ennek megfelelően a férfiak esetében az 1000 főre vetített kumulált halandósági mutatók a következők:
| Korcsoport | Elhunytak száma/1000 fő |
| 15-19 éves | 2,73 |
| 20-24 éves | 2,73 |
| 24-29 | 2,73 |
| 30–34 | 4,68 |
| 35–39 | 7,41 |
| 40–44 | 11,50 |
| 45–49 | 19,39 |
| 50–54 | 36,64 |
| 55–59 | 65,25 |
| 60–64 | 110,45 |
| 65–69 | 163,19 |
| 70–74 | 212,95 |
| 75–79 | 288,01 |
| 80–84 | 420,17 |
| 85+ | 646,80 |
Ennek megfelelően a nők esetében az 1000 főre vetített kumulált halandósági mutatók a következők:
| Korcsoport | Elhunytak száma/1000 fő |
| 15-19 | 1,21 |
| 20-24 | 1,21 |
| 24-29 | 1,21 |
| 30–34 | 2,36 |
| 35–39 | 4,06 |
| 40–44 | 5,88 |
| 45–49 | 9,57 |
| 50–54 | 17,11 |
| 55–59 | 30,52 |
| 60–64 | 51,34 |
| 65–69 | 80,24 |
| 70–74 | 115,40 |
| 75–79 | 183,02 |
| 80–84 | 307,11 |
| 85+ | 562,75 |
A fenti halandósági mutatókkal felszorozva a nemenkénti, településtípusok szerinti, végzettségek szerinti és korcsoportok szerinti lakosságszámot megkapjuk a halandósággal korrigált lakosságszámokat.
Végül utolsó lépésként a korcsoportonkénti adatösszevonás következik, amellyel megkapjuk az általunk használt 3 életkori kategóriát. Az egyes életkori kategóriák egyszerű összeadását itt is érdemes a 2022-es népszámlálás óta eltelt idővel korrigálni, hiszen az a megkérdezett, aki a 2022-es adatfelvételnél 39 éves volt, és ennek megfelelően még a fiatal (18 – 39 éves) korcsoportba tartozott, az mára már a középkorú (40 – 60 éves) korcsoportba tartozik.
Az adatösszevonást követően rendelkezésre áll az a 4 dimenzió mentén számított, a 2022-es népszámlálás óta eltelt időt is figyelembe vevő, és ezáltal a végzettségi adatok változásával, valamint a halandósággal korrigált adattábla, amely a jelenlegi magyar népesség lakosságszámát mutatja. Az így meghatározott 4 dimenzió szerinti korrigált adattábla képezi a kutatásaink során használt minta összevont kategória súlyozásának alapját.
| Férfi | Nő | Férfi | Nő | Férfi | Nő | összesen | ||
| alapfokú | alapfokú | középfokú | középfokú | felsőfokú | felsőfokú | |||
| Főváros | 18-39 | 19566 | 14389 | 110372 | 87552 | 100819 | 127278 | 459976 |
| Főváros | 40-60 | 21008 | 17964 | 131451 | 115259 | 107705 | 138554 | 531941 |
| Főváros | 60+ | 16637 | 46387 | 74087 | 118681 | 52975 | 74416 | 383184 |
| Megyei jogú város(ok) | 18-39 | 26903 | 20110 | 152760 | 121333 | 71229 | 98361 | 490696 |
| Megyei jogú város(ok) | 40-60 | 27408 | 24073 | 184090 | 161247 | 85962 | 121601 | 604381 |
| Megyei jogú város(ok) | 60+ | 25090 | 78758 | 112133 | 158669 | 48954 | 66581 | 490185 |
| város | 18-39 | 63736 | 52841 | 251146 | 197721 | 71216 | 112774 | 749434 |
| város | 40-60 | 66545 | 62628 | 318669 | 269566 | 92541 | 140337 | 950285 |
| város | 60+ | 59100 | 166988 | 191860 | 218151 | 48023 | 67862 | 751983 |
| Község | 18-39 | 85030 | 73331 | 244723 | 191105 | 46517 | 81288 | 721995 |
| Község | 40-60 | 90789 | 85908 | 296517 | 240788 | 56752 | 89138 | 859892 |
| Község | 60+ | 72377 | 187689 | 176595 | 161904 | 28291 | 38082 | 664937 |
| összesen | 574187 | 831066 | 2244403 | 2041976 | 810985 | 1156272 | 7658889 |
| Férfi | Nő | Férfi | Nő | Férfi | Nő | összesen | ||
| alapfokú | alapfokú | középfokú | középfokú | felsőfokú | felsőfokú | |||
| Főváros | 18-39 | 0.26% | 0.19% | 1.44% | 1.14% | 1.32% | 1.66% | 6.01% |
| Főváros | 40-60 | 0.27% | 0.23% | 1.72% | 1.50% | 1.41% | 1.81% | 6.95% |
| Főváros | 60+ | 0.22% | 0.61% | 0.97% | 1.55% | 0.69% | 0.97% | 5.00% |
| Megyei jogú város(ok) | 18-39 | 0.35% | 0.26% | 1.99% | 1.58% | 0.93% | 1.28% | 6.41% |
| Megyei jogú város(ok) | 40-60 | 0.36% | 0.31% | 2.40% | 2.11% | 1.12% | 1.59% | 7.89% |
| Megyei jogú város(ok) | 60+ | 0.33% | 1.03% | 1.46% | 2.07% | 0.64% | 0.87% | 6.40% |
| város | 18-39 | 0.83% | 0.69% | 3.28% | 2.58% | 0.93% | 1.47% | 9.79% |
| város | 40-60 | 0.87% | 0.82% | 4.16% | 3.52% | 1.21% | 1.83% | 12.41% |
| város | 60+ | 0.77% | 2.18% | 2.51% | 2.85% | 0.63% | 0.89% | 9.82% |
| Község | 18-39 | 1.11% | 0.96% | 3.20% | 2.50% | 0.61% | 1.06% | 9.43% |
| Község | 40-60 | 1.19% | 1.12% | 3.87% | 3.14% | 0.74% | 1.16% | 11.23% |
| Község | 60+ | 0.95% | 2.45% | 2.31% | 2.11% | 0.37% | 0.50% | 8.68% |
| összesen | 7.50% | 10.85% | 29.30% | 26.66% | 10.59% | 15.10% | 100.00% |
A súlyozás után a mintából számolt mutatók (pl. pártpreferenciák, vélemények) jobban reprezentálják a teljes népesség véleményét. A súlyozás azonban statisztikai bizonytalanságot is bevezethet, így a súlyozott adatokkal végzett elemzések esetén különösen fontos a konfidenciaintervallumok és a hibahatárok értelmezése.
A kutatás során nyílt kérdések is elhangzanak, amelyekben a válaszadókat arra kérjük, hogy saját szavaikkal fogalmazzák meg a véleményüket. A válaszokat szó szerinti leirat rögzíti és a kutatás lezárása után kerülnek gépi elemzésre.
A nyílt szöveges válaszok feldolgozásához szövegbányászati eljárásokat és nagy nyelvi modellt (LLM – large language model) alkalmazunk.
Ennek módszertana a következő: egy adott kérdés teljes válasz-korpuszát klaszterezési eljárásnak vetjük alá, ennek segítségével megállapítjuk a válaszok jelentésalapú klasztereit, azaz gyűjtő kategóriáit. Ezután az összes választ egyenként besoroljuk valamelyik kategóriába, s az adatbázisban a szabad szöveges választ ennek a kategóriának a kódjával cseréljük fel.