DOI: https://doi.org/10.1007/s11135-025-02165-z
تاريخ النشر: 2025-06-02
المؤلف: Kien Nguyen‐Trung
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية والتعليم
نظرة عامة
تناقش هذه القسم تطبيق الذكاء الاصطناعي التوليدي (GenAI) في تحليل البيانات النوعية، من خلال تقديم تحليل موضوعي مدعوم بالذكاء الاصطناعي (GAITA)، الذي يعدل تحليل القالب بواسطة كين وآخرون (2018). يضع GAITA الباحثين كقادة عاكسين بينما يوجه الذكاء الاصطناعي من خلال أربع مراحل: التعرف على البيانات، الترميز الأولي، تشكيل القالب والانتهاء منه، وتطوير الموضوع. يقدم المقال أيضًا إطار ACTOR لدمج تقنيات التحفيز الفعالة مع GenAI. تشير النتائج إلى أن GenAI يمكنه تحليل البيانات النوعية بفعالية، مما ينتج رموزًا، ورموزًا فرعية، ومجموعات، ومواضيع، بينما يوفر أيضًا تعلمًا تكيفيًا ومساعدة في تنظيم البيانات غير المنظمة. ومع ذلك، تشمل القيود نافذة سياق محدودة لمجموعات البيانات الكبيرة، ومخرجات غير متسقة، ونقص في بيانات التدريب ذات الصلة لأبحاث النوعية.
تؤكد الخاتمة على التكامل الحذر لأدوات GenAI في البحث النوعي، مشددة على مخاطر التبسيط المفرط وإمكانية أن تعكس المخرجات التي ينتجها الذكاء الاصطناعي التحيزات الموجودة في بيانات التدريب الخاصة بها. وتبرز أهمية الحفاظ على دور الباحث في التحليل النوعي، والذي يتميز بالانعكاسية، والإبداع، والانخراط الشخصي مع المشاركين. يجادل المؤلف بأنه بينما يمكن أن يساعد GenAI في تحليل البيانات، إلا أنه لا ينبغي أن يحل محل الفهم الدقيق والحكم الذي يجلبه الباحثون النوعيون إلى عملهم. في النهاية، تنبع المساهمات الفريدة للبحث النوعي من البناء الاجتماعي للمعرفة من خلال التفاعل بين الباحثين والمشاركين، مما يتطلب من الباحثين أن يكونوا على دراية جيدة بأساليب تحليل البيانات النوعية لتوجيه الذكاء الاصطناعي بفعالية.
النتائج
في قسم النتائج، يوضح المؤلف عملية تحليل القالب كما تم تنفيذها من خلال الخطوات الأربع لنهج GAITA. تم تصميم هذه المنهجية المنظمة لتسهيل فحص منهجي للبيانات، مما يضمن تحديد وتحليل الموضوعات والأنماط الرئيسية بفعالية. يتم تفصيل كل خطوة من خطوات نهج GAITA، مع تسليط الضوء على دورها في تعزيز صرامة ووضوح التحليل. تؤكد النتائج على فعالية هذا النهج في تحقيق رؤى ذات مغزى من البيانات، وبالتالي تساهم في تحقيق الأهداف البحثية العامة.
المناقشة
ت outlines قسم المناقشة في الورقة تطور وحالة الذكاء الاصطناعي (AI) وتعلم الآلة (ML) في تحليل البيانات النوعية (QDA). تتبع السياق التاريخي للذكاء الاصطناعي في البحث النوعي، بدءًا من العمل الأساسي لتورينغ في الخمسينيات، مرورًا بتطوير برامج تحليل البيانات النوعية المدعومة بالكمبيوتر (CAQDAS) في الثمانينيات، إلى دمج تعلم الآلة في السنوات الأخيرة. من الجدير بالذكر أنه بينما اقترحت الأنظمة المبكرة مثل “دفتر الملاحظات التلقائي للبحث الاجتماعي” لجيرسون (1984) قدرات طموحة للذكاء الاصطناعي في البحث النوعي، فإن القيود العملية حالت دون تحقيقها. لقد دمجت الأدوات الأحدث، مثل DiscoverText وQDA Miner، وظائف تعلم الآلة، لكنها لا تزال مقيدة باعتمادها على خوارزميات محددة مسبقًا وتفتقر إلى القدرة على الانخراط في حوار دقيق وذو مغزى مع الباحثين.
تشير ظهور الذكاء الاصطناعي التوليدي (GenAI) إلى تقدم كبير، حيث يستفيد من التقنيات الحديثة لمعالجة مجموعات بيانات متنوعة وتسهيل تفاعل المستخدم. تشمل تطبيقات GenAI في QDA تحسينات على CAQDAS الحالية، وتطوير أدوات بحث نوعية جديدة، واستخدام روبوتات الدردشة الذكية لتحليل البيانات. تشير الأدبيات الحالية إلى أنه بينما يمكن أن يساعد GenAI في تلخيص البيانات واقتراح الموضوعات، هناك حاجة ملحة لمزيد من البحث في دمجه ضمن سير عمل التحليل النوعي. تدعو الورقة إلى نهج “تحليل موضوعي مدعوم بالذكاء الاصطناعي” (GAITA)، مشددة على أهمية الحفاظ على وكالة الباحث طوال عملية التحليل. يهدف هذا النهج إلى ضمان بقاء الباحثين هم صناع القرار الرئيسيين، مستخدمين GenAI كأداة داعمة بدلاً من وكيل مستقل، مما يتماشى مع المبادئ الأساسية للبحث النوعي.
القيود
يسلط قسم القيود الضوء على القيود الجوهرية لنموذج ChatGPT الحالي في سياق تحليل البيانات النوعية (QDA). على الرغم من قدراته الواعدة، يظهر النموذج عيوبًا محددة قد تعيق فعاليته في هذا المجال. يعترف المؤلف بهذه القيود ويقترح حلولًا عملية تهدف إلى التخفيف من تأثيرها، مما يعزز من فائدة النموذج لتطبيقات QDA.
DOI: https://doi.org/10.1007/s11135-025-02165-z
Publication Date: 2025-06-02
Author(s): Kien Nguyen‐Trung
Primary Topic: Artificial Intelligence in Healthcare and Education
Overview
This section discusses the application of generative AI (GenAI) in qualitative data analysis, specifically through the introduction of Guided AI Thematic Analysis (GAITA), which adapts Template Analysis by King et al. (2018). GAITA positions researchers as reflexive leaders while guiding the AI through four stages: data familiarization, preliminary coding, template formation and finalization, and theme development. The article also presents the ACTOR framework for integrating effective prompting techniques with GenAI. Findings indicate that GenAI can effectively analyze qualitative data, generating codes, subcodes, clusters, and themes, while also providing adaptive learning and assistance in organizing unstructured data. However, limitations include a restricted context window for large datasets, inconsistent outputs, and a lack of relevant training data for qualitative research.
The conclusion emphasizes the cautious integration of GenAI tools in qualitative research, highlighting the risks of oversimplification and the potential for AI-generated outputs to reflect biases inherent in their training data. It underscores the importance of maintaining the researcher’s role in qualitative analysis, which is characterized by reflexivity, creativity, and personal engagement with participants. The author argues that while GenAI can assist in data analysis, it should not replace the nuanced understanding and judgement that qualitative researchers bring to their work. Ultimately, the unique contributions of qualitative research stem from the social construction of knowledge through the interaction between researchers and participants, necessitating that researchers remain well-versed in qualitative data analysis methodologies to guide AI effectively.
Results
In the Results section, the author outlines the Template Analysis process as implemented through the four steps of the GAITA approach. This structured methodology is designed to facilitate a systematic examination of the data, ensuring that key themes and patterns are effectively identified and analyzed. Each step of the GAITA approach is detailed, highlighting its role in enhancing the rigor and clarity of the analysis. The findings underscore the efficacy of this approach in yielding meaningful insights from the data, thereby contributing to the overall research objectives.
Discussion
The discussion section of the paper outlines the evolution and current state of artificial intelligence (AI) and machine learning (ML) in qualitative data analysis (QDA). It traces the historical context of AI in qualitative research, starting from Turing’s foundational work in the 1950s, through the development of Computer-Assisted Qualitative Data Analysis Software (CAQDAS) in the 1980s, to the integration of ML in recent years. Notably, while early systems like Gerson’s “Automatic Notebook for Social Research” (1984) proposed ambitious capabilities for AI in qualitative research, practical limitations hindered their realization. More recent tools, such as DiscoverText and QDA Miner, have incorporated ML functionalities, yet they remain constrained by their reliance on predefined algorithms and lack the ability to engage in nuanced, meaningful dialogue with researchers.
The emergence of Generative AI (GenAI) marks a significant advancement, leveraging modern technologies to process diverse datasets and facilitate user interaction. GenAI applications in QDA include enhancements to existing CAQDAS, the development of new qualitative research tools, and the use of AI chatbots for data analysis. Current literature indicates that while GenAI can assist in summarizing data and suggesting themes, there is a pressing need for further research into its integration within the qualitative analysis workflow. The paper advocates for a “Guided AI Thematic Analysis” (GAITA) approach, emphasizing the importance of maintaining researcher agency throughout the analytical process. This approach aims to ensure that researchers remain the primary decision-makers, utilizing GenAI as a supportive tool rather than an autonomous agent, thereby aligning with the fundamental principles of qualitative research.
Limitations
The section on limitations highlights the inherent constraints of the current ChatGPT model in the context of Qualitative Data Analysis (QDA). Despite its promising capabilities, the model exhibits specific shortcomings that may hinder its effectiveness in this domain. The author acknowledges these limitations and proposes practical solutions aimed at mitigating their impact, thereby enhancing the model’s utility for QDA applications.