Der Verbündete des modernen qualitativen Forschers: AI Coding Beta, Ihr neuer Denkpartner

AI Coding Beta ist eine auf künstlicher Intelligenz basierende Heuristik, die uns dabei helfen soll, uns mit unseren Daten vertraut zu machen. Wie ein vertrauter Freund, der bei der Navigation durch eine riesige Landschaft qualitativer Daten hilft, hilft AI Coding Beta, Daten zu kategorisieren, zu interpretieren und ihnen einen Sinn zu geben. Betrachten Sie es als einen Begleiter, der Texte sehr gut versteht und Ihnen viel über die Daten erzählen kann, aber es kennt noch nicht die Absichten, die Sie als Forscher haben könnten. Viele Forscher beginnen mit der Kodierung, indem sie auf sehr feine Details achten und diese Kodierungen später zu auftauchenden Kategorien weiterentwickeln, die einen höheren Abstraktionsgrad darstellen (Benaquisto, 2008), und jetzt kann AI Coding Beta bei den ersten Kodierungszyklen helfen, um "ähnliche Dateneinheiten zu finden und zu kategorisieren" (Miles et al., 2020, S. 63). Im Gegensatz zu einem menschlichen Freund ist KI Coding Beta jedoch in der Lage, jede beliebige Datenmenge zu verarbeiten, ohne dabei überfordert oder müde zu werden.

Ein Markenzeichen der qualitativen Analyse ist ihr einzigartiges Potenzial, neue Erkenntnisse zu gewinnen, indem sie untersucht, was induktiv aus den reichhaltigen Daten hervorgeht (Creswell, 2007). Die analytische Induktion zielt darauf ab, herauszufinden, welche Art von Ereignis, Aktivität, Situation oder Attribut in den Daten vorhanden ist (Preissle, 2008). Das Prinzip von AI Coding Beta ist es, die oft mühsame und komplizierte Aufgabe der Kodierung qualitativer Daten zu erleichtern. Durch den Einsatz von Algorithmen des maschinellen Lernens, die auf umfangreichen Datensätzen trainiert wurden, kann AI Coding Beta uns helfen, Muster, Themen und Kategorien in unseren Daten zu erkennen. Es ist wie ein erfahrener Freund, der auf der Grundlage Ihrer Daten potenzielle Codes vorschlagen kann.

Viele qualitative Methodiker plädieren für eine gleichzeitige Beteiligung an der Datenerhebung und -analyse, damit wir neue Ideen in unseren Daten entdecken und dann zusätzliche Daten erheben können, um diese aufkommenden Ideen weiter zu erforschen (Miles et al., 2020). Die anfänglichen Codes aus AI Coding Beta sind vorläufig (d. h. sie können sich noch ändern), aber dennoch hilfreich für die Auswertung der Daten und die Identifizierung von Lücken, die durch zusätzliche Datenerfassung gefüllt werden können. Auf diese Weise können wir mit der Sammlung und Analyse von Daten fortfahren, bis wir jede unserer theoretischen Kategorien ausreichend gesättigt haben oder keine neuen theoretischen Erkenntnisse mehr zutage treten (Charmaz, 2006).

Ein wichtiges Konzept in diesem Entdeckungsprozess ist Serendipität oder das unbeabsichtigte Finden von etwas Wertvollem, das an einem unerwarteten Ort oder auf unerwartete Weise auftreten kann (Stebbins, 2008). Wenn Forscher etwas Faszinierendes, Überraschendes oder Beunruhigendes finden, kann dies ein Zeichen für eine zufällige Entdeckung sein, die der Forscher ursprünglich nicht erwartet oder ausdrücklich gesucht hatte. Computergestützte Software zur qualitativen Datenanalyse (CAQDAS) wie ATLAS.ti kann Forschern den Zugang zu zufälligen Verbindungen erleichtern, da sie auf einfache Weise Muster zwischen Codes und Daten untersuchen können (Maietta, 2008).

In den ersten Analysezyklen ist es wertvoll, zu versuchen, "die Bedeutung der Daten zu erschließen" (Tracy, 2013, S. 189). Allerdings kann es natürlich sein, dass wir einige Dinge in den Daten übersehen, einfach weil wir müde sind oder eine bestimmte Weltsicht haben, mit der wir an die Daten herangegangen sind. Für diese erste Kodierung müssen wir unter Umständen viel Zeit aufwenden, denn sie kann von der Erfassung "jedes empirischen und konzeptionellen Vorkommens in jeder Zeile" bis zur Kodierung ganzer Absätze reichen (van den Hoonaard & van den Hoonaard, 2008, S. 187). Die Verarbeitung der Daten kann drei- bis fünfmal so viel Zeit in Anspruch nehmen, wie für die Erhebung der Daten benötigt wurde (Miles et al., 2020). CAQDAS, wie z. B. ATLAS.ti, kann die Datenverwaltung und -kodierung erheblich erleichtern (Yin, 2011). Im mühsamen Prozess der qualitativen Kodierung kann AI Coding Beta als pflichtbewusster Assistent dienen. Es kann potenzielle Kodierwege aufzeigen, die sonst vielleicht unbemerkt geblieben wären.

Jeder Datensatz kann auf viele verschiedene Arten interpretiert werden, und dies kann je nach Forscher, Ansatz oder den Aspekten der Daten, die in einem bestimmten Moment der Analyse auffallen, variieren. So sind beispielsweise sowohl der Forscher als auch die Teilnehmer in ihren eigenen Kontext eingebettet, der ihre Wahrnehmungen und Erfahrungen unweigerlich prägt (Braun & Clarke, 2013), so dass zwei Forscher, die dieselben Daten betrachten, diese auf sehr unterschiedliche Weise interpretieren können. Darüber hinaus kann ein und dasselbe Ereignis, ein Vorfall, eine Aktivität oder eine Darstellung in den Daten auf verschiedene Weise kodiert werden" (Benaquisto, 2008, S. 87) und somit zu unterschiedlichen Ergebnissen führen. Es ist auch wichtig, daran zu denken, dass "qualitative Forschung als eine Reihe von interpretativen Aktivitäten keine einzelne methodische Praxis gegenüber einer anderen bevorzugt" (Denzin & Lincoln, 2018, S. 46). Anstatt nach einem "richtigen" oder "falschen" Weg für die Durchführung dieser ersten Kodierung zu suchen, ist es daher entscheidend, für verschiedene mögliche Richtungen offen zu bleiben, in die sich die Analyse bewegen könnte, um uns zu helfen, Antworten auf unsere Forschungsfragen zu finden.

Dennoch muss betont werden, dass KI Coding Beta trotz seiner fortgeschrittenen Fähigkeiten ein Werkzeug und derzeit kein Ersatz für menschliches Urteilsvermögen und Intuition ist. AI Coding Beta fehlt das tiefe Verständnis und das instinktive Erfassen der Daten, das wir als Forscher verkörpern. Es sollte daher als Assistent ohne Intention oder Verständnis für komplexe Zusammenhänge gesehen werden, aber es arbeitet mit Ihnen zusammen, schlägt mögliche Interpretationen vor und fordert Ihre Argumentation heraus, indem es einfach Codes anzeigt, die den Inhalt der Daten genau widerspiegeln und so eine tiefere Auseinandersetzung mit Ihren Daten ermöglicht.

Unser primäres Ziel mit AI Coding Beta ist es nicht, die qualitative Forschung zu automatisieren, sondern sie mit automatisierten Tools zu unterstützen. Wir haben uns ein Werkzeug vorgestellt, das den Forschern hilft, sich im riesigen Meer qualitativer Daten zurechtzufinden, einen Freund, der bereit ist, bei hohem Wellengang zu helfen. Es ist jedoch Ihre Hand, die das Ruder führt, Ihr Verstand, der die subtilen Untertöne Ihrer Daten erkennt, und Ihre Erkenntnisse, die Rohdaten in wertvolles Wissen verwandeln.

Sie können AI Coding Beta Ihre Daten durchforsten lassen und dann beurteilen, welche Kategorien und Untercodes zu Ihrer Forschungsfrage passen, indem Sie die beigefügten Zitate lesen. Sie können auch Untercodes oder Kategorien zusammenführen und unnötige Codes löschen. Anstatt sich wochenlang durch Ihre Daten zu wühlen, können Sie Ihre Daten innerhalb weniger Tage erfassen. So wandte sich beispielsweise ein Nutzer, der im Bereich des investigativen Journalismus recherchiert, an uns, weil er 20.000 Dokumente hatte, aber einfach nicht die Zeit, sie zu durchforsten, um relevante Inhalte herauszufiltern. Mit AI Coding Beta war er in der Lage, relevante Codes zu identifizieren und in seinem investigativen Artikel voranzukommen. AI Coding Beta kann Ihnen also dabei helfen, aus dem Sumpf herauszukommen und die Kontrolle über Ihre Forschung zurückzuerlangen.

Während wir AI Coding Beta weiter verfeinern und verbessern, freuen wir uns auf das Feedback der breiteren Forschungsgemeinschaft. Ihre Erfahrungen, Beobachtungen und Empfehlungen werden von unschätzbarem Wert für die Gestaltung der Zukunft dieses Tools sein. Sie können das ATLAS.ti-Team jederzeit über Live-Chat, Telefon und E-Mail erreichen, 24 Stunden am Tag, 5 Tage die Woche. Wir freuen uns, dass jeder AI Coding Beta testen kann, und wir lernen viel von den Methodikexperten, die ihre wertvolle Zeit und Mühe opfern, um diese Beta-Version zu kritisieren und ihre Kommentare dazu abzugeben. Mit der unschätzbaren Hilfe dieser riesigen Gemeinschaft von Forschern wird ATLAS.ti weiter verbessert werden. Wir sind stets bemüht, ATLAS.ti an der Spitze der Forschungstechnologie zu halten. Wir danken der wunderbaren Forschergemeinde, die AI Coding Beta testet und uns hilft, ständig zu lernen und zu wachsen. Wir hoffen, dass sich AI Coding Beta als nützlicher Begleiter für alle Forscher erweist, der sie zum Nachdenken anregt und die Möglichkeiten verbessert, aus qualitativen Daten sinnvolle Erkenntnisse zu gewinnen. Wir werden alles tun, um auch weiterhin die besten und neuesten Technologien, die auf dem Markt verfügbar sind, in ATLAS.ti zu integrieren. Dies ist erst der Anfang.

Referenzen

• Benaquisto, L. (2008). Codes und Kodierung. In The SAGE encyclopedia of qualitative research methods (ed. Lisa Given) (Vol. 1-1-2). SAGE Publications, Inc.
• Braun, V., & Clarke, V. (2013). Erfolgreiche qualitative Forschung: Ein praktischer Leitfaden für Einsteiger. SAGE.
• Charmaz, K. (2006). Constructing grounded theory: Ein praktischer Leitfaden durch die qualitative Analyse. Sage Veröffentlichungen.
• Creswell, J. W. (2007). Qualitative Untersuchung und Forschungsdesign: Choosing among five approaches (2. Auflage). Sage Publications.
• Denzin, N. K., & Lincoln, Y. S. (Eds.). (2018). The SAGE handbook of qualitative research (Fifth edition). SAGE.
• Maietta, R. C. (2008). Computer-Assisted Data Analysis. In The SAGE encyclopedia of qualitative research methods (ed. Lisa Given) (Vol. 1-1-2). SAGE Publications, Inc.
• Miles, M. B., Huberman, A. M., & Saldaña, J. (2020). Qualitative data analysis: A methods sourcebook (Fourth edition). SAGE.
• Patton, M. Q. (2002). Qualitative Forschungs- und Bewertungsmethoden (3. Auflage). Sage Publications.
• Preissle, J. (2008). Analytische Induktion. In The SAGE encyclopedia of qualitative research methods (ed. Lisa Given) (Vols. 1-2). SAGE Publications, Inc.
• Stebbins, R. A. (2008). Entdeckung. In The SAGE encyclopedia of qualitative research methods (ed. Lisa Given) (Vol. 1-1-2). SAGE Publications, Inc.
• Tracy, S. J. (2013). Qualitative Forschungsmethoden: Collecting evidence, crafting analysis, communicating impact. Wiley-Blackwell.
• van den Hoonaard, D. K., & van den Hoonaard, W. C. (2008). Datenanalyse. In The SAGE encyclopedia of qualitative research methods (ed. Lisa Given) (Vol. 1-1-2). SAGE Publications, Inc.
• Yin, R. K. (2011). Qualitative Forschung von Anfang bis Ende. Guilford Press.