Debatten om GenAI og kvalitativ analyse kommer hurtigt til at handle om effektivitet over for kvalitet. Men måske er det ikke et enten-eller. Her kan du læse om, hvordan teknologien både kan spare tid og styrke analysen – så længe ansvaret ligger hos en kompetent analytiker.
Mange aktuelle debatter om generativ AI og kvalitativ analyse opstiller en modsætning mellem effektivitet og kvalitet:
AI laver hurtige og effektive analyser af lav kvalitet.
Mennesker laver langsomme og dybe analyser af høj kvalitet.
Det sker fx i en episode af podcasten UX Research Club, hvor værten, Emmanuelle Savarit, udtaler, at følgende:
“AI gives you speed across many transcripts, recurring patterns, quick summaries. Human researchers bring meaning, contradiction, ambiguity, emotional context, and behavioral nuance. Insight is not simply the detection of repeated words. Insight is understanding what those words actually mean in context.”
Málaga og den menneskelige forståelsesevne
Emmanuelle Savarit har helt ret i, at GenAI ikke kan matche den menneskelige evne til at læse mellem linjerne i fx et interviewmateriale og forstå de underliggende betydninger, som knytter sig til undersøgelsens konkrete kontekst.
Det kan fx være kulturelle betydninger, referencer til en historik, eller udsagn der refererer til en organisatorisk kontekst.
Lad mig give et eksempel:
Når en AGF-fan siger Málaga, refererer hun ikke til den andalusiske by, men til en sang af Thomas Helmig, som synges ved AGF’s kampe. Det vil en chatbot, hvis træningsmateriale primært kommer fra en amerikansk kontekst, ikke nødvendigvis fange – mens det for en århusianer vil være helt indlysende.
Den type betydning er netop central i kvalitative analyser, hvor det analyserede materiale altid vil stamme fra en specifik kontekst.
To krav til den person, der er ansvarlig for analysen
Betyder det, at GenAI er ubrugelig i kvalitativ analyse?
Nej. Det betyder, at teknologien ikke kan alt, og at den menneskelige forståelsesevne fortsat er en uundværlig del af en kvalitativ analyse.
Modstillingen mellem effektivitet og kvalitet er dog ikke nødvendigvis holdbar.
GenAI kan sagtens levere hastige, overfladiske analyser. Men brugt med omtanke kan teknologien også bidrage til robuste og indsigtsfulde analyser.
At inddrage GenAI på en måde, der fremmer kvaliteten, stiller to krav til dig, der er ansvarlig for analysen:
1. Personen skal vide, hvad analytisk kvalitet er, og løbende kunne vurdere kvaliteten af de analytiske resultater. Hvis det ikke er tilfældet, er han eller hun næppe i stand til at levere en analyse af høj kvalitet – med eller uden inddragelse af GenAI.
Læs også: Tre metodebøger, du skal læse
2. Personen skal forstå, hvad GenAI kan og ikke kan bidrage med, og hvor i den samlede analyseproces dette bidrag kan indgå. På den baggrund kan vedkommende inddrage teknologien i udvalgte delprocesser frem for at lade GenAI overtage hele analysen.
GenAI har forskellige kapabiliteter
Det andet krav er særligt vigtigt, fordi GenAI ikke bidrager på kun én måde.
Teknologien har forskellige kapabiliteter, som kan bruges forskellige steder i analyseprocessen.
Blandt de vigtigste kapabiliteter i forbindelse med kvalitativ analyse er mønstergenkendelse, transformation af indhold og dialogisk interaktion.
At gennemgå dem alle vil være for omfangsrigt til et blogindlæg, så lad mig fokusere på én nyttig kapabilitet: mønstergenkendelse.
Mønstre, du ikke selv har fået øje på
GenAI er en mester til at finde mønstre i et datamateriale, og det vil være oplagt at inddrage GenAI i arbejdet med at identificere kategorier og temaer i et kvalitativt datamateriale.
Her er det vigtigt at være opmærksom på, at GenAI forholder sig til det eksplicitte indhold og ikke nødvendigvis – som i Málaga-eksemplet – til det implicitte, det underforståede.
Lad os antage, at den analyseansvarlige er dig:
Måske kan GenAI på kort tid udpege nogle mønstre, som du havde overset, og på den måde styrke kvaliteten af din analyse. Samtidig vil du med dit kendskab til det sociale felt, som din undersøgelse udspiller sig i, få øje på betydningsindhold, som GenAI overser.
Adgang til et kollektivt resonansrum
Mønstergenkendelse er ikke kun nyttig, når du skal finde gentagelser i dit eget materiale. GenAI kan også bruges til at spejle dine foreløbige fund i bredere kulturelle, vidensmæssige eller teoretiske mønstre.
AI-modeller kan på den måde fungere som en form for kollektivt resonansrum for din undersøgelse.
Det fremhæver Susanne Friese i artiklen From coding to conversation:
“Engaging with LLMs allows researchers to access perspectives that may otherwise remain inaccessible. These models can introduce interpretive angles, nuances, or contrasts that extend the scope of human inquiry.”
GenAI hjælpe kan dig med at sætte din undersøgelse ind i en større sammenhæng, udforske sigende detaljer eller holde dine resultater op imod andres.
Husk kvalitetssikring – stil fx disse spørgsmål
Du ved det sikkert allerede:
I dit analysesamarbejde med GenAI er det din opgave at kvalitetssikre det output, AI-modellen producerer.
Det gør du ved at stille og besvare spørgsmål som:
- Er outputtet tydeligt funderet i datamaterialet?
- Er eventuelle citater gengivet nøjagtigt?
- Er der åbenlyse misforståelser, som du skal rette op på? Er misforståelserne så fundamentale, at noget af arbejdet må gøres om?
- Sker der skævvridninger, så der er dele af datamaterialet, som bliver overset, eller som kommer til at fylde uforholdsmæssigt meget? Hvordan kan skævvridningerne undgås eller udbedres?
- Hvilken dokumentation er der for eventuelle nye perspektiver, som du trækker ind i analysen?
Fra analyse til undersøgelse
GenAI gør ikke per automatik en analyse hverken værre eller bedre. Det afgørende er, hvordan teknologien indgår i analysearbejdet – og hvem der vurderer de resultater, den bidrager til.
Vil du arbejde mere metodisk med GenAI i kvalitative undersøgelser, finder du inspiration i min og Tine Wirenfeldt Jensens seneste bog, Kvalitative undersøgelser med AI – trin for trin.
Her kan du læse om, hvordan GenAI kan inddrages i forskellige dele af undersøgelsesprocessen med fokus på kvaliteten af det endelige resultat.
