DOI: https://doi.org/10.5296/ire.v14i1.23507
تاريخ النشر: 2026-01-07
المؤلف: David C. Coker
الموضوع الرئيسي: طرق البحث النوعي وتطبيقاتها
نظرة عامة
تنتقد هذه القسم الحالة الحالية لمسارات التدقيق في البحث النوعي، مشددة على تطورها من أداة تحليلية صارمة إلى مجرد قائمة تحقق تفتقر إلى التفاعل النقدي. تم اقتراحها في الأصل في الثمانينيات لتعزيز الموثوقية، وقد أصبحت مسارات التدقيق مخففة، وغالبًا ما تعمل كتحقق سطحي بدلاً من توثيق جوهري لعمليات البحث. استجابةً لذلك، يقدم المؤلفون أداة مسار تدقيق جنائي نوعي – الذكاء الاصطناعي (QFATT-AI)، التي تستفيد من الذكاء الاصطناعي التوليدي لتعزيز استجواب أكثر ديناميكية وصارمة لتحيزات الباحثين ومنهجياتهم. يهدف هذا الإطار إلى تحويل مسار التدقيق إلى عملية نشطة تشجع على الولاء المنهجي والتفسيرات البديلة، مما يعزز مصداقية الاستفسار النوعي.
تؤكد الخاتمة على قيود الممارسات الانعكاسية التقليدية، مثل بيانات الوضعية، التي قد تؤدي عن غير قصد إلى الأداء وتعيق التقييم الذاتي الحقيقي. بينما يتم الترويج لتدوين الانعكاسات والتدقيقات كأمور أساسية، غالبًا ما تفتقر الممارسات الحالية إلى الصرامة النظامية وتفشل في معالجة النواقص. تسعى أداة QFATT-AI إلى معالجة هذه القضايا من خلال تزويد الباحثين بطريقة منظمة لتقييم عملياتهم ونتائجهم بشكل نقدي، مما يشجع على نهج جدلي يتحدى الافتراضات ويعزز الجودة العامة للبحث النوعي.
مقدمة
تؤكد مقدمة الورقة على الدور الحاسم لمسارات التدقيق في تعزيز موثوقية ومصداقية البحث النوعي. تستشهد براناويرا (2024) حول كيف أن مسارات التدقيق لا تسمح فقط بالتدقيق ولكنها تساهم أيضًا في المعرفة الجماعية في هذا المجال. يناقش القسم الموضوعية الكامنة في البحث النوعي، مقارنًا إياها بالطرق الكمية، ويبرز الحاجة إلى نهج منهجي لتحسين الموثوقية. يدعو العديد من العلماء، بما في ذلك فيتيرمان (1988) وهالبرن (2021)، إلى مسارات التدقيق كوسيلة لتوثيق عمليات البحث بشفافية، مما يعالج التحيزات المحتملة ويعزز صرامة الدراسات النوعية.
يتم تتبع السياق التاريخي لمسارات التدقيق إلى عمل لينكولن وغوبا (1985)، الذي أعاد تعريف الصرامة النوعية من خلال مفاهيم مثل المصداقية والقابلية للتأكيد. توضح المقدمة تطور مسارات التدقيق منذ الثمانينيات، مشيرة إلى أنه بينما تهدف إلى تقديم حساب منهجي لعمليات البحث، فإن العديد من الممارسات الحالية تفتقر إلى العمق والدقة. يعبر المؤلفون عن قلقهم من أن العديد من الباحثين يدعون الموثوقية دون توثيق طرقهم بشكل كافٍ، مما يؤدي إلى فجوة بين الممارسات المبلغ عنها والإجراءات الفعلية. تهدف الورقة إلى التحقيق في كيفية وصف مسارات التدقيق في الأبحاث النوعية التي تمت مراجعتها من قبل الأقران، مع التركيز على تحسين الصرامة المنهجية، خاصة في ضوء التقنيات الناشئة مثل الذكاء الاصطناعي.
الطرق
يحدد قسم المنهجية نهج البحث النوعي الذي يركز على الدراسات المعتمدة على المشاركين التي تم إجراؤها من خلال المقابلات، مع الالتزام بمعايير عينة صارمة. كان من المطلوب أن تكون المقالات المختارة قد تمت مراجعتها من قبل الأقران، ونُشرت باللغة الإنجليزية بين عامي 2015 و2025، وتضم مسار تدقيق مُبلغ عنه. في البداية، كان من المتوقع أن يكون حجم العينة حوالي 50 مقالة، مع مرونة للتعديل بناءً على الرؤى الناشئة خلال عملية جمع البيانات وتحليلها المتسلسلة. تم استخدام العينة الملائمة لتحديد الممارسين العامين، مع الاعتراف بالقيود المحتملة في التمثيل.
تبع التحليل الموضوعي إطار عمل بوياتزيس (1998) بطريقة تكرارية. بدأت العملية بالتعرف على المنهجيات النوعية وجمع مراجع المقالات في Microsoft Word. تم إجراء مراجعة سطر بسطر، وتم تطوير مخطط ترميز في Microsoft Excel، يصنف الدراسات بناءً على سمات مختلفة ويستخدم كل من الترميز الحي والوصف. تقدم التحليل من خلال الترميز الاستقرائي للبيانات التي لم تناسب الفئات المحددة مسبقًا، تليها التصنيف الاستنتاجي بناءً على معايير هالبرن (1983). أخيرًا، تم صياغة موضوعات وصفية لتعكس البيانات بدقة، مع ضمان أخذ تعددية الأصوات في الاعتبار وأن النتائج تتماشى مع نوايا المشاركين، مع معالجة الشواذ والأدلة المناقضة.
النتائج
تكشف نتائج الدراسة أن البحث عن المقالات التي تستخدم مسارات التدقيق كان أكثر كثافة في العمل مما كان متوقعًا، حيث أسفر عن 39 مقالة ذات صلة فقط من مجموعة أولية تضم أكثر من 3000. وُجدت بشكل رئيسي في أدبيات التمريض والطب والرعاية الصحية، وكان الهدف من تضمين الكلمات الرئيسية المتعلقة بالتعليم والقيادة وعلم النفس هو تعزيز تنوع النتائج. أشار التحليل إلى أن مسارات التدقيق تم مناقشتها بشكل متكرر في سياق إنشاء الموثوقية والمصداقية في البحث النوعي بدلاً من التطبيق العملي. ومن الجدير بالذكر أن أوصاف مسارات التدقيق كانت غالبًا محدودة إلى جملة أو جملتين، مع ظهور حسابات شاملة فقط في ملحقات نادرة.
تسلط النتائج الضوء على تخفيف مفهومي كبير لمسارات التدقيق، يتميز بتعريفات ومنهجيات غامضة، مما ينحرف عن الرؤية الأصلية لهالبرن لفحص شامل للممارسات المنهجية. بدلاً من ذلك، غالبًا ما كانت مسارات التدقيق تعمل كتصديقات بسيطة للجودة، تفتقر إلى الشفافية والتقييم النقدي. تم إجراء معظم مسارات التدقيق داخليًا، حيث قام المؤلفون بتقييم أعمالهم الخاصة، وكان هناك غياب شائع للعمليات الرسمية أو التقارير التفصيلية. بينما تم ذكر التكنولوجيا كمعزز محتمل لمسارات التدقيق، كانت التفاصيل حول تنفيذها غائبة إلى حد كبير. بشكل عام، تؤكد الدراسة على تحول من النية الأساسية لمسارات التدقيق في الثمانينيات إلى تطبيقها الحالي الأقل صرامة في البحث النوعي، مما يثير القلق بشأن فعاليتها في ضمان النزاهة المنهجية.
المناقشة
في قسم المناقشة من كوكير (2023)، ينتقد المؤلف الحالة الحالية لمسارات التدقيق في البحث النوعي، مشددًا على عجزها في تعزيز الانعكاسية الحقيقية والشفافية. يشير كوكير إلى أنه بينما تكون التدقيقات شائعة في الأطروحات النوعية، فإنها غالبًا ما تفتقر إلى العمق والانخراط النقدي الذي كان مقصودًا في الأصل من قبل هالبرن، مما يفشل في إعادة تقييم والتفاوض على مجمل الدراسات. تقترح الورقة إطار عمل جديد، أداة مسار تدقيق جنائي نوعي – الذكاء الاصطناعي (QFATT-AI)، التي تدمج الذكاء الاصطناعي التوليدي كمدقق خارجي لتعزيز عملية التدقيق. يركز هذا الإطار على الحاجة إلى استخدام شفاف للذكاء الاصطناعي، وتحديد أربعة أنواع من مسارات التدقيق، وإقامة إرشادات أخلاقية لتطبيق الذكاء الاصطناعي في البحث النوعي.
يشجع إطار QFATT-AI الباحثين على اعتماد نهج أكثر ديناميكية تجاه الانعكاسية، متجاوزين الطرق التقليدية للتفكير الذاتي للتفاعل بنشاط مع الذكاء الاصطناعي في تحدي التحيزات والافتراضات. من خلال استخدام صور رمزية للذكاء الاصطناعي لمحاكاة وجهات نظر نقدية، يمكن للباحثين مواجهة تحيزاتهم وتعزيز صرامة تحليلاتهم. تؤكد المناقشة على أهمية توثيق الطبيعة التكرارية للبحث النوعي وضرورة الشفافية في الإبلاغ عن مساهمات الذكاء الاصطناعي، مما يدعو في النهاية إلى تحول من مجرد التحقق من النتائج إلى استكشاف أكثر دقة للجدوى والتماسك المنهجي. تهدف هذه الدعوة إلى العمل إلى إعادة تعريف ممارسات البحث النوعي، لضمان أنها قوية وشفافة وقادرة على معالجة التحيزات الكامنة.
DOI: https://doi.org/10.5296/ire.v14i1.23507
Publication Date: 2026-01-07
Author(s): David C. Coker
Primary Topic: Qualitative Research Methods and Applications
Overview
The section critiques the current state of audit trails in qualitative research, highlighting their evolution from a rigorous analytical tool to a mere checklist that lacks critical engagement. Originally proposed in the 1980s to enhance trustworthiness, audit trails have become diluted, often serving as superficial validations rather than substantive documentation of research processes. In response, the authors introduce the Qualitative Forensic Audit Trail Tool-Artificial Intelligence (QFATT-AI), which leverages generative AI to foster a more dynamic and rigorous interrogation of researcher biases and methodologies. This framework aims to transform the audit trail into an active process that encourages methodological fidelity and alternative interpretations, thereby enhancing the credibility of qualitative inquiry.
The conclusion emphasizes the limitations of traditional reflexive practices, such as positionality statements, which may inadvertently lead to performativity and hinder genuine self-assessment. While reflexive journaling and audits are advocated as essential, current practices often lack systematic rigor and fail to address shortcomings. The QFATT-AI seeks to address these issues by providing researchers with a structured method to critically evaluate their processes and findings, encouraging a dialectical approach that challenges assumptions and enhances the overall quality of qualitative research.
Introduction
The introduction of the paper emphasizes the critical role of audit trails in enhancing the reliability and credibility of qualitative research. It cites Ranaweera (2024) on how audit trails not only allow for scrutiny but also contribute to the collective knowledge of the field. The section discusses the inherent subjectivity of qualitative research, contrasting it with quantitative methods, and highlights the need for systematic approaches to improve trustworthiness. Various scholars, including Fetterman (1988) and Halpern (2021), advocate for audit trails as a means to document research processes transparently, thereby addressing potential biases and enhancing the rigor of qualitative studies.
The historical context of audit trails is traced back to Lincoln and Guba’s (1985) work, which redefined qualitative rigor through concepts like credibility and confirmability. The introduction outlines the evolution of audit trails since the 1980s, noting that while they are intended to provide a systematic account of research processes, many current practices lack depth and specificity. The authors express concern that many researchers merely claim trustworthiness without adequately documenting their methods, leading to a gap between reported practices and actual procedures. The paper aims to investigate how audit trails are described in peer-reviewed qualitative research, with a focus on improving methodological rigor, particularly in light of emerging technologies like artificial intelligence.
Methods
The methodology section outlines a qualitative research approach focused on participant-based studies conducted through interviews, adhering to strict sampling criteria. The selected articles were required to be peer-reviewed, published in English between 2015 and 2025, and include a reported audit trail. Initially, a sample size of approximately 50 articles was anticipated, with flexibility to adjust based on emerging insights during the sequential data collection and analysis process. Convenience sampling was employed to identify general practitioners, acknowledging potential limitations in representativeness.
The thematic analysis followed Boyatzis’s (1998) framework in an iterative manner. The process began with familiarization with qualitative methodologies and the collection of article references into Microsoft Word. A line-by-line review was conducted, and a coding schema was developed in Microsoft Excel, categorizing studies based on various attributes and employing both in vivo and descriptive coding. The analysis progressed through inductive coding for data that did not fit predetermined categories, followed by deductive categorization based on Halpern’s (1983) criteria. Finally, descriptive themes were crafted to reflect the data accurately, ensuring that multivocality was considered and that the findings aligned with participants’ intents, while also addressing outliers and disconfirmatory evidence.
Results
The results of the study reveal that the search for articles utilizing audit trails was more labor-intensive than anticipated, yielding only 39 relevant articles from an initial pool of over 3,000. Predominantly found in nursing, medicine, and healthcare literature, the inclusion of keywords related to education, leadership, and psychology aimed to enhance the diversity of findings. The analysis indicated that audit trails were more frequently discussed in the context of establishing trustworthiness and credibility in qualitative research rather than in practical application. Notably, descriptions of audit trails were often limited to one or two sentences, with comprehensive accounts appearing only in rare supplemental appendices.
The findings highlight a significant conceptual dilution of audit trails, characterized by vague definitions and methodologies, diverging from Halpern’s original vision of a thorough examination of methodological practices. Instead, audit trails often served as mere endorsements of quality, lacking transparency and critical evaluation. Most audit trails were conducted internally, with authors assessing their own work, and there was a prevalent absence of formal processes or detailed reporting. While technology was mentioned as a potential enhancer of audit trails, specifics on its implementation were largely absent. Overall, the study underscores a shift from the foundational intent of audit trails in the 1980s to their current, less rigorous application in qualitative research, raising concerns about their effectiveness in ensuring methodological integrity.
Discussion
In the discussion section of Coker (2023), the author critiques the current state of audit trails in qualitative research, highlighting their inadequacies in fostering true reflexivity and transparency. Coker notes that while audits are prevalent in qualitative dissertations, they often lack the depth and critical engagement originally intended by Halpern, failing to reevaluate and negotiate the entirety of studies. The paper proposes a new framework, the Qualitative Forensic Audit Trail Tool-Artificial Intelligence (QFATT-AI), which integrates generative AI as a peer debriefer and external auditor to enhance the audit process. This framework emphasizes the need for transparent AI usage, the identification of four types of audit trails, and the establishment of ethical guidelines for AI application in qualitative research.
The QFATT-AI framework encourages researchers to adopt a more dynamic approach to reflexivity, moving beyond traditional methods of self-reflection to actively engage AI in challenging biases and assumptions. By employing AI avatars to simulate critical perspectives, researchers can confront their own biases and enhance the rigor of their analyses. The discussion underscores the importance of documenting the iterative nature of qualitative research and the necessity of transparency in reporting AI contributions, ultimately advocating for a shift from mere verification of findings to a more nuanced exploration of plausibility and methodological coherence. This call to action aims to redefine qualitative research practices, ensuring they are robust, transparent, and capable of addressing inherent biases.