Wie KI in der Forschung Ihre Analyse verbessern kann

Künstliche Intelligenz (KI) und maschinelles Lernen können wichtige Datenpunkte in Ihrer Forschung identifizieren, um wichtige Erkenntnisse zu gewinnen. Erfahren Sie, wie KI-Tools in ATLAS.ti für Sie arbeiten können.

Überblick

Organisieren von Rohdaten und deren Aufbereitung für die Datenanalyse sind mühsame, zeitraubende Aufgaben, vor allem, wenn man es mit großen Datenmengen zu tun hat. Zum Glück können Forscher und Datenanalysten von Künstliche Intelligenz und maschinelles Lernen profitieren, um die Kodierung und Datenanalyse zu erleichtern. Künstliche Intelligenz und maschinelles Lernen machen die Suche nach verwertbaren Erkenntnissen schneller und einfacher als je zuvor.

Lassen Sie uns einen Blick auf künstliche Intelligenz werfen, ihre Anwendungen für qualitative Forschung und wie ATLAS.ti Ihnen Zugang zu leistungsstarken Tools verschafft, die Ihnen helfen können, automatisches Kodieren und Ergebnisse aus den Daten Ihres Forschungsprojekts vorherzusagen. Zuvor müssen wir jedoch ein umfassenderes Verständnis der Datenanalyse erlangen, um ein Gefühl für die Rolle der künstlichen Intelligenz im Forschungsprozess zu bekommen.

• Datenanalyse
• Zielsetzungen für die Datenanalyse
• Herausforderungen bei der Datenanalyse
• Künstliche Intelligenz
• KI in der Forschung
• ATLAS.ti's AI-Werkzeuge
• Anwendungen für ATLAS.ti's KI-Werkzeuge
• KI und menschlicher Input

Datenanalyse

Das zentrale Ziel jeder Forschung ist es, Informationen zu organisieren, die ansonsten unstrukturiert sind und deren Verständnis von einer größeren Systematisierung profitieren kann. Ohne Organisation durch Datenanalyse können Informationen nicht leicht verstanden oder synthetisiert werden, um neues Wissen zu schaffen.

Das Periodensystem der Elemente ist ein bekanntes Beispiel für diese Systematisierung von Wissen, bei dem Elemente wie Wasserstoff und Quecksilber nach Aspekten wie der Ordnungszahl und dem Atomgewicht unterschieden werden. Anfängern, denen ein systematisches Verständnis der einzelnen Aspekte, die ein Element definieren, fehlt, fällt es daher schwer, die Unterschiede zwischen den Elementen zu verstehen.

Die Datenanalyse oder Datenanalytik hilft Forschern und Datenwissenschaftlern, Wissen systematischer und geordneter zu organisieren. Indem Rohdaten in geordnete Konzepte umgewandelt werden, kann ein Forscher Daten analysieren und auf der Grundlage der Informationen leichter Vorhersagen treffen.

Nehmen wir als Beispiel die Geschäftsanalytik: Angenommen, ein Ziel besteht darin, den Umsatz zu steigern, indem Aspekte der Kundenzufriedenheit auf mobilen Plattformen ermittelt werden. Eine Frage wie "Sind Sie mit unserem Programm zufrieden?" ist zu simpel und liefert möglicherweise nicht die detaillierten Antworten, die ein Unternehmen zur Verbesserung seiner Produkte benötigt.

Eine tiefergehende Untersuchung zu diesem Thema könnte eine Befragung von Geschäftskunden beinhalten, um herauszufinden, welche Faktoren ihre Kauf- und Bewertungsentscheidungen beeinflussen. Eine gründliche Textanalyse von Interview Transkripts kann helfen, ein Konzept der Kundenzufriedenheit mit Aspekten wie diesen zu erstellen:

• Kosten der Software
• Leistung der Software
• Fähigkeiten der Software
• Benutzerfreundlichkeit

Nachdem das Unternehmen die aus der Forschung gewonnenen Informationen zu diesen und anderen häufig vorkommenden Aspekten der Kundenzufriedenheit geordnet hat, kann es den Kunden spezifischere und hilfreichere Fragen stellen:

• Wie viel würden Sie für eine unbefristete Lizenz für diese Software bezahlen?
• Wie viel Zeit haben Sie mit dieser Software gespart?
• Welche Geschäftsprozesse wurden durch diese Software vereinfacht?
• Wie benutzerfreundlich ist diese Software?

Die aus den Antworten auf diese Fragen gewonnenen Erkenntnisse können helfen, weitere Konzepte wie die Art der Benutzerfreundlichkeit und die Kostenleistung zu erstellen und einzuordnen.

Datenanalytik

Während die Datenanalyse Forschern und Datenanalysten mehr Informationen liefert, sucht die fortgeschrittene Datenanalyse nach verwertbaren Erkenntnissen, die zu wichtigen Entscheidungen im Rahmen einer Forschungsuntersuchung führen können. So können beispielsweise die Antworten auf die oben genannten Fragen zu Kosten und Zeit in den Entscheidungsprozess für künftige Programmentwicklungen einfließen. Effizientere Prozesse in neuen Entwicklungen, die darauf abzielen, das Produkt schneller zu machen, könnten dazu beitragen, höhere Kosten für den Endbenutzer zu rechtfertigen. Ein Ziel der Datenanalyse ist es, festzustellen, inwieweit das Programm schneller gemacht werden kann, um einen höheren Preis zu rechtfertigen.

Wirtschaftsforscher können ATLAS.ti als Analyseplattform nutzen, um Markttrends, Kundenverhalten und Produktpräferenzen zu ermitteln. ATLAS.ti bietet verschiedene Werkzeuge zur Textanalyse und Textklassifikation, die es Forschern ermöglichen, Analysen durchzuführen, die bei der Entscheidungsfindung helfen können.

Herausforderungen bei der Datenanalyse

Die Aufgabe, datengestützte Entscheidungen in der Forschung zu treffen, folgt in der Regel diesem Prozess:

• Nutzung verschiedener Datenquellen, um eine ausreichende Menge an Daten zu sammeln
• Daten so organisieren, dass sie leichter und schneller zu verstehen sind
• Durchführung von Datenanalyse, um Muster für wertvolle Erkenntnisse zu identifizieren

KI und maschinelles Lernen kann Forschern bei der Datenorganisation und Datenanalyse helfen, insbesondere wenn die Datensammlung große Mengen von Daten in verschiedenen Formen liefert. Der Bedarf an KI-Analytik ergibt sich im Wesentlichen aus dem Aufkommen von Big Data, bei dem eine schnellere und stärker automatisierte Datenerfassung den Forschern mehr Zeit und Mühe abverlangt, um unglaubliche Mengen an unzureichend organisierten Informationen zu analysieren.

Die Komplexität aller Arten von aussagekräftigen Datenanalysen kann gewaltig sein, insbesondere wenn der Umfang und die Reichweite der Forschung zunehmen. Die Aufgabe, riesige Datenmengen zu analysieren, kann zeitaufwändig sein und eine Herausforderung darstellen, wenn sie auf zuverlässige und transparente Weise durchgeführt werden soll.

Stellen Sie sich vor, ein Unternehmensdatenanalyst hat eine Interviewstudie durchgeführt, bei der Hunderte von Seiten von Transkripten gesammelt wurden. Die herkömmliche Datenanalyse könnte das Durchlesen jeder einzelnen Seite dieses Datensatzes und die manuelle Zusammenfassung der Daten durch kodieren beinhalten, um die notwendigen Geschäftsinformationen für wichtige Entscheidungen zu erhalten. Dies erfordert Zeit und Mühe, die, so wichtig sie auch für den Datenanalyseprozess ist, die Forscher auch erschöpfen und die Entscheidungsfindung verzögern kann.

Darüber hinaus machen die aktuellen Aussichten auf Big Data die Automatisierung der Datenanalyse von einer nützlichen Eigenschaft zu einer absoluten Notwendigkeit in der Forschung, die in großem Maßstab angewandt wird. Aufgrund des enormen Umfangs der Big-Data-Sammlung sind herkömmliche Datenanalysen mit manuellen Verfahren allein nicht in der Lage, die notwendigen datengestützten Entscheidungen zu treffen.

Wie kann ein einzelner Forscher Daten aus großen Projekten so analysieren, dass die wichtigsten Erkenntnisse für datengestützte Entscheidungen ermittelt werden? Wie kann diese Forschung auf effiziente Weise durchgeführt werden, die Zeit und Mühe spart, ohne die Zuverlässigkeit und Genauigkeit zu beeinträchtigen? Wie kann die Datenwissenschaft die Herausforderungen der zunehmend komplexen Datenanalyse lösen? Für die Beantwortung solcher Fragen ist eine KI-Lösung erforderlich.

Künstliche Intelligenz

Das Konzept der künstlichen Intelligenz (KI) entstand vor Jahrzehnten aus der Vorstellung heraus, dass Computer irgendwann die Komplexität und die Fähigkeiten des menschlichen Gehirns erreichen könnten, allerdings mit einer Geschwindigkeit, die die menschliche Anstrengung übertrifft. Datenwissenschaftler haben Techniken des maschinellen Lernens entwickelt, um eine künstliche Intelligenz aufzubauen, die Daten verstehen, aus diesen Daten eine Bedeutung ableiten und die verarbeiteten Daten nachahmen oder erweitern kann.

Zu den bekanntesten Anwendungen der Datenwissenschaft gehören KI-Analysen bei Schachwettbewerben, im Kundendienst und bei intelligenten Haushaltsgeräten. In jedem dieser Kontexte stützt sich die KI auf prädiktive Analysen, um Entscheidungsprozesse zu steuern und ehemals manuelle Aufgaben effizient zu automatisieren.

Wie KI und maschinelles Lernen funktionieren

Das Thema KI und maschinelles Lernen mag zwar kompliziert klingen, aber was maschinelle Lernmodelle letztlich leisten, ist die Verarbeitung großer Datenmengen mit dem Ziel, bei der Analyse neuer Daten Vorhersagen zu treffen. Denken Sie an eine Person, die Sie gut kennen, und an die Muster in ihrer Sprechweise. Welche Wörter verwendet sie häufiger als andere, und in welchen Situationen? Wenn Sie sie um einen Gefallen bitten müssen, wie formulieren Sie Ihre Bitte, um die besten Chancen zu haben, dass sie ihr zustimmt?

Die Fragen in diesem Zusammenhang unterscheiden sich nicht wesentlich von den Prozessen bei der künstlichen Intelligenz. Wenn eine Person andere um etwas bittet, berücksichtigt sie frühere Erfahrungen und Interaktionen mit ihnen, um eine bestmögliche Vermutung darüber anzustellen, wie sie die am besten geeignete Äußerung formulieren kann.

Die Aufgabe eines Datenwissenschaftlers ist sehr ähnlich. Angenommen, das Ziel ist es, KI-gestützte Tools zu entwickeln, die für Business Intelligence relevant sind. Dieser Datenwissenschaftler speist Trainingsdaten in das maschinelle Lernen ein, um KI zu entwickeln. Die Daten sind für geschäftliche Zusammenhänge relevant und dienen als Beispiel, von dem die KI lernen soll.

Nach Einbeziehung der Verarbeitung natürlicher Sprache zur Unterstützung bei der Verarbeitung dieses Textes kann die künstliche Intelligenz Datenanalysen zu neuem Text durchführen, um Vorhersagen über die darin enthaltenen Erkenntnisse zu treffen. Die maschinellen Lernaspekte der KI verinnerlichen dann diese Entscheidungen, um rekursiv Intelligenz zu entwickeln. Je mehr Daten verarbeitet werden, desto intelligenter wird die KI, so dass ihre Fähigkeiten in größerem Umfang eingesetzt werden können.

GPT

In jüngster Zeit hat ChatGPT die größte Aufregung um die Entwicklung künstlicher Intelligenz ausgelöst. ChatGPT nutzt die Verarbeitung natürlicher Sprache, um Online-Gespräche mit Menschen führen zu können. Diese Art von Fortschritt im Bereich der künstlichen Intelligenz verdeutlicht das Anwendungspotenzial, das künstliche Intelligenz für Textdaten hat.

Das GPT in ChatGPT steht für Generative Pre-trained Transformer. Wie oben erläutert, stützen sich GPT-Modelle auf enorme Mengen von Trainingsdaten, um zu lernen und Vorhersagen über den Sprachgebrauch zu treffen. Die Analyse von GPT-Modellen hat bedeutende Auswirkungen auf viele verschiedene Bereiche, kann aber für Forschungszwecke besonders leistungsfähig sein.

AI in der Forschung

Da die Forschungsprojekte immer umfangreicher werden, müssen Datenanalysten zunehmend die Teile des Forschungsprozesses automatisieren, die sich am meisten wiederholen und traditionell den größten manuellen Aufwand erfordern. Dies gilt insbesondere für die Geschäftswelt, da Geschäftsdaten schneller analysiert werden müssen, als dies mit traditionellen Datenanalysen möglich ist. Im Gegensatz zu einer herkömmlichen Datenanalyseplattform kann die KI-gestützte Datenanalyse eine dynamische Analyse liefern, die den Nutzern hilft, bessere Entscheidungen auf der Grundlage ihrer Daten zu treffen.

Infolgedessen haben qualitative Datenanalysten beeindruckende Entwicklungen im Bereich der KI und des maschinellen Lernens gemacht, um Rohdaten zu verarbeiten und kritische Datenpunkte zu identifizieren, die zu aussagekräftigen Erkenntnissen führen können. Experten für Datenwissenschaft und Entwickler künstlicher Intelligenz nutzen maschinelles Lernen, um eine Textanalyse großer Datenmengen durchzuführen und komplexe Sprachmodelle zu erstellen, die vorhersagen können, wo nützliche Informationen zu finden sind und welche Gefühle sie wahrscheinlich transportieren.

In jedem Kontext, in dem es um große Datenmengen geht, ist diese Art der automatisierten Vorhersage ein notwendiges Element, um Fragen zu beantworten und umsetzbare Erkenntnisse zu gewinnen. Sozialwissenschaftliche Forschungsprojekte jeder Größe können von der Automatisierung einiger Datenanalyseaufgaben profitieren. Selbst kleinere Projekte, die hauptsächlich unstrukturierte qualitative Daten enthalten, können von maschinellem Lernen und KI-Analysen profitieren, um Zeit und Aufwand zu sparen.

Forschungsanwendungen für künstliche Intelligenz

Die Auswirkungen der künstlichen Intelligenz bergen ein erhebliches Potenzial für den Forschungsprozess. In den meisten Fällen organisieren Datenanalysten in der qualitativen Forschung Daten, indem sie kurze, beschreibende Codes auf Textsegmente anwenden, was die Zusammenfassung großer Datensätze erleichtert. Dies erfordert, dass der Forscher die Daten Seite für Seite, Zeile für Zeile durchgeht und manuell Codes anwendet, wenn er eine mögliche Erkenntnis erkennt. Unter manuellen Bedingungen ist dies eine zeitaufwändige Aufgabe, die dennoch notwendig ist, um die Forschungsstrenge zu gewährleisten, die andere Forscher sehen müssen, bevor sie ein Forschungsprojekt für glaubwürdig halten.

Der manuelle Datenanalyseprozess ist auch psychisch anstrengend. Ein qualitativer Forscher kann Dutzende, wenn nicht Hunderte von Kodes verwenden, um die verschiedenen Datensegmente in seinem Projekt darzustellen. All diese Kodes - und die damit verbundenen Bedeutungen - im Kopf zu behalten, kann eine mühsame Aufgabe sein.

Stellen Sie sich vor, ein Bildungsforscher hat einen Kode mit der Bezeichnung "Bewertung". Meint er damit nur die formellen Beurteilungen wie Tests und Aufsätze oder auch informelle Beurteilungen wie Fragen an die Schüler während des Unterrichts? In ATLAS.ti können die Kodes mit Kommentaren versehen werden, so dass der Forscher eine klare Referenz hat, auf die er zurückgreifen kann, wenn er die Bedeutung eines bestimmten Kodes näher erläutern möchte.

Nichtsdestotrotz zeigen beide Herausforderungen die Grenzen auf, auf die ein menschlicher Forscher ohne Unterstützung durch KI-gestützte Automatisierung. Letztendlich besteht das Ziel der KI-Analytik darin, durch maschinelles Lernen genügend Daten zu verarbeiten, um ein zuverlässiges Modell zu entwickeln, mit dem wesentliche Erkenntnisse aus den Daten gewonnen werden können. Das Erreichen dieses Ziels durch KI-Datenanalyse würde Zeit im Forschungsprozess sparen und die Darstellung qualitativer Daten glaubwürdiger machen.

Forschungsanwendungen der künstlichen Intelligenz

ATLAS.ti setzt KI und maschinelles Lernen bereits bei der Analyse aller Arten von qualitativen Daten ein:

• Umfragedaten
• Blog-Kommentare
• Interview-Transkripte
• Textartikel
• Soziale Medien

Jede dieser Datenquellen kann unglaubliche Mengen an Daten produzieren, die ATLAS.ti durch künstliche Intelligenz und maschinelles Lernen analysieren kann. Ohne KI-Funktionen müsste ein Forscher seitenweise unbearbeitete Daten manuell durchforsten, um nach relativ versteckten Erkenntnissen zu suchen, die für seine Untersuchung nützlich sind.

Die in ATLAS.ti eingebettete KI-Analytik kann entweder die Kodierung automatisieren, wesentliche Erkenntnisse identifizieren oder neue Forschungsansätze vorschlagen. Das bedeutet, dass KI den Forschern nicht nur bei der Datenanalyse helfen kann, sondern auch bei der Entscheidung, was sie als nächstes erforschen sollten. Wie wir in den folgenden Abschnitten sehen werden, ermöglichen die KI-Tools von ATLAS.ti den Forschern neben verschiedenen anderen Formen der Analyse auch die Durchführung prädiktiver Analysen bei all ihren Forschungsprojekten.

ATLAS.ti's AI-Werkzeuge

Künstliche Intelligenz und maschinelles Lernen sind wichtige Aspekte der Datenanalyse in ATLAS.ti. KI-gestützte Tools, die maschinelle Lerntechniken zur Erleichterung der automatischen Kodierung und der erweiterten Suche beinhalten, sind in unsere Software eingebettet, um fortschrittliche Analysen zu ermöglichen, die Ihnen helfen, wertvolle Erkenntnisse schneller zu finden.

AI-Kodierung

Das neueste Tool der künstlichen Intelligenz in ATLAS.ti führt Datenanalysen in großem Umfang durch, um automatisch Codes für Ihr Forschungsprojekt vorzuschlagen. Die KI Datenanalyse in diesem Tool stützt sich auf GPT-Modelle, die vom Spitzenforschungslabor OpenAI entwickelt wurden.

Die Fähigkeiten des maschinellen Lernens und der natürlichen Sprache in OpenAIs GPT-Modellen wurden mit wissenschaftlichen Texten, Interviewtranskriptionen und anderen Formen von Textdaten getestet, die repräsentativ für die Datenanalysebedürfnisse der ATLAS.ti-Nutzer sind. Ausgehend von diesen Texten haben die maschinellen Lernfähigkeiten von OpenAI zu einem KI-Analysemodell geführt, das Daten untersuchen und neue Kodes vorschlagen kann, und zwar viel schneller als eine manuelle Datenanalyse es könnte.

Das AI Koding Tool verspricht, einfach auf alle Textdaten in Ihrem Projekt anwendbar zu sein. In ATLAS.ti müssen Sie lediglich die Dokumente auswählen, für die Sie den Kodierungsprozess automatisieren möchten. Die Daten werden online über die Server von OpenAI verarbeitet, wo KI-Analysen die Daten untersuchen und fundierte Vorhersagen darüber treffen, welche Kodes an welcher Stelle angewendet werden sollten. Es erscheint ein Dialog mit einer Reihe von Kodes, die von der KI-Analytik vorgeschlagen werden und die Sie überprüfen können.

AI Koding ist auch visuell intuitiv und benutzerfreundlich. Nach der Datenverarbeitung durch maschinelles Lernen erstellt ATLAS.ti eine zusammenfassende Visualisierung der Ergebnisse, die Datenwissenschaftlern fortschrittliche Analysen darüber liefert, welche Kodes auf Ihre Daten angewendet werden können und welche Kodes zusammen auftreten. Die von der KI-Analyse bereitgestellten Informationen können die wichtigsten Erkenntnisse und potenziellen Untersuchungen aufzeigen, denen die Forscher als nächstes nachgehen können.

Beachten Sie, dass das maschinelle Lernen, das AI Koding ermöglicht, Cloud-basiert ist, um sicherzustellen, dass die automatische Kodierung durch die modernste natürliche Sprachverarbeitung bestimmt wird. Mit diesem System können Sie AI Koding entweder für bestimmte Teile Ihres Projekts als Leitfaden für die spätere Kodierung verwenden oder den gesamten Prozess vereinfachen, indem Sie alle Ihre Daten kodieren.

Textsuche mit AI

Auf den ersten Blick sieht dieses KI-Recherchetool wie eine einfache Suchmaschine für Ihre Textdokumente aus. Mit Text Search können Sie ein Wort oder eine Phrase eingeben, und ATLAS.ti identifiziert Absätze, Sätze oder exakte Übereinstimmungen als potentielle Zitate, die Sie mit Kodes versehen können. Auf diese Weise können Sie eine große Anzahl von Dokumenten durchsuchen und die wichtigsten Daten an einer Stelle reorganisieren, was eine einfache und effiziente Kodierung ermöglicht.

Der KI-Aspekt der Textsuche liegt jedoch in der Fähigkeit, nach Synonymen und flektierten Formen eines Wortes zu suchen. ATLAS.ti kann eine Liste möglicher Synonyme vorschlagen, die dieselbe Bedeutung haben könnten wie das gesuchte Wort, und nach verschiedenen Formen desselben Wortes suchen (z.B. "happy" und "happiness"). Die erweiterte Suchfunktion kann Ihnen helfen, schneller und mit weniger Aufwand relevante Datensegmente zu identifizieren.

Konzepte

Während Sie mit dem Tool Worthäufigkeiten eine einfache statistische Analyse der häufigsten Wörter in Ihrem Projekt erhalten, konzentriert sich das Tool Konzepte speziell auf Wörter, die Konzepte darstellen, und filtert andere Wörter wie Artikel und Präpositionen heraus. Darüber hinaus können Sie leicht die Hauptkonzepte und ihre Unterkonzepte identifizieren, die die mit dem Hauptkonzept verbundenen benachbarten Wörter und Sätze umfassen. Das maschinelle Lernen kann einen Text untersuchen und erkennen, welche Wörter zusammengehören, was sich auf die Nuancen der Sprache auswirkt. Schließlich haben "Fahrprüfung" und "Probefahrt" sehr unterschiedliche Bedeutungen, so dass es für einen Forscher wichtig sein könnte, zu unterscheiden, welche Ausdrücke in seinem Forschungsprojekt häufiger vorkommen.

ATLAS.ti's Natural Language Processing kann eine Visualisierung basierend auf häufig vorkommenden Begriffen in Ihren Daten erstellen. Wenn Sie mit dem Mauszeiger über ein Element in der resultierenden Wortwolke fahren, können Sie untersuchen, welche anderen Wörter mit diesem Wort verbunden sind. Auf diese Weise können Sie die in den Daten enthaltenen Themen aus der Vogelperspektive betrachten, um den relevanten Text zu kodieren und gleichzeitig Daten herauszufiltern, die zwar dieselben Wörter verwenden, sich aber mit nicht verwandten Themen beschäftigen.

Stimmungsanalyse mit KI

Die Textanalyse kann nicht nur die Bedeutung, sondern auch positive oder negative Gefühle in Wörtern und Sätzen aufdecken. Die Verarbeitung natürlicher Sprache kann im Text eingebettete Stimmungen identifizieren, die für die Gewinnung von Erkenntnissen aus Ihren Daten nützlich sein können.

Das Sentiment Analysis Tool in ATLAS.ti kann Sentiment Kodes auf Ihre Daten anwenden. KI und maschinelle Lernmodelle werden auf die Daten angewendet, um festzustellen, ob der Text positiv, negativ oder neutral ist. Wie das AI Koding Tool liefert auch die Sentiment-Analyse eine Reihe von Vorschlägen für Kodes, die Sie entweder vollständig oder nur auf ausgewählte Teile Ihrer Daten anwenden können.

Die Textanalyse kann nicht nur die Bedeutung, sondern auch positive oder negative Gefühle in Wörtern und Sätzen aufdecken. Die Verarbeitung natürlicher Sprache kann in Text eingebettete sentiments identifizieren, die für die Gewinnung von Erkenntnissen aus Ihren Daten nützlich sein können.

Das Sentiment Analysis tool in ATLAS.ti kann Sentiment-Kodes auf Ihre Daten anwenden. KI und maschinelle Lernmodelle werden auf die Daten angewendet, um festzustellen, ob der Text positiv, negativ oder neutral ist. Wie bei dem AI Koding tool liefert die Sentiment-Analyse eine Reihe von Vorschlägen für Kodes, die Sie vollständig oder nur auf ausgewählte Teile Ihrer Daten anwenden können.

Meinungsforschung

Als Erweiterung von Sentiment Analysis und Concepts kann das Opinion Mining Tool den Prozess der Erstellung aufschlussreicher Visualisierungen auf der Grundlage einer interpretativen Analyse der Daten automatisieren. Das Opinion Mining Tool kann häufig verwendete Wörter in Schlüsselsätzen identifizieren, deskriptive Statistiken der mit jedem Begriff verbundenen Wörter visualisieren und Stimmungs- und Meinungskodes für alle relevanten Zitate vorschlagen. Auf diese Weise lässt sich nicht nur leicht nachvollziehen, worüber in Ihren Daten gesprochen wird, sondern auch, wie die Menschen über diese spezifische Sache denken.

Named Entity Recognition

In der https://atlasti.com/guides/qualitative-research-guide-part-1/qualitative-research geht es oft darum, Beziehungen zwischen sozialen Phänomenen und verschiedenen Gruppen von Menschen, Orten oder Organisationen zu ermitteln. So können Sie beispielsweise Daten über positive und negative Stimmungen in Bezug auf eine Reihe von Ländern analysierenwollen. Dies erfordert die Verwendung von Stimmungskodes, wie sie in der Stimmungsanalyse erzeugt werden, sowie von deskriptiven Kodes, die die Named Entity Recognition liefern kann.

Die Funktionen für maschinelles Lernen in der Named Entity Recognition können die Namen von Orten, Personen oder Gruppen identifizieren und Kodes für Datensegmente vorschlagen, die diese Namen erwähnen. Anschließend kann das Tool "Co-Occurrence Analysis" diese Kodes mit Ihren Stimmungskodes kreuztabellieren, um die Art der in den Daten ausgedrückten Stimmungen zu identifizieren, die eine bestimmte benannte Entität erforschen.

Anwendungen für ATLAS.ti's AI-Werkzeuge

KI und maschinelles Lernen klingen cool, sind aber nur dann von Nutzen, wenn sie zielgerichtet auf Ihre Datenanalyse angewendet werden. Was wollen Sie mit den Erkenntnissen, die Sie aus Ihren Daten gewinnen, erreichen? Welches ist die Forschungsfrage, die Sie verfolgen? Wie können künstliche Intelligenz und maschinelles Lernen Sie bei der Verwirklichung Ihrer Forschungsziele unterstützen?

Die Datenanalyse kann je nach Fragestellung verschiedene Ziele verfolgen. Lassen Sie uns einige der gängigsten Arten der Datenanalyse betrachten und erklären, wie KI, maschinelles Lernen und ATLAS.ti die gewünschte Analyse erreichen können.

Kausalanalyse

Ein zentrales Ziel der Datenanalyse ist die Identifizierung von Schlüsselbeziehungen zwischen verschiedenen Phänomenen. Wenn Sie die verschiedenen Aspekte Ihrer Daten mit kurzen Kodes kodiert haben, um sie später zusammenfassen zu können, können Sie ATLAS.ti's Co-Occurrence Analyse Werkzeug nutzen, um festzustellen, ob sich die Kodes und die Phänomene, die sie repräsentieren, überschneiden und damit die Möglichkeit einer substantiellen Beziehung signalisieren. Die Co-Occurrence Analysis allein kann keine Kausalität nachweisen, aber sie kann den Grundstein für eine tiefergehende Analyse auf der Basis von Korrelationen legen.

Ein zentrales Ziel der Datenanalyse ist die Identifizierung von Schlüsselbeziehungen zwischen verschiedenen Phänomenen. Wenn Sie die verschiedenen Aspekte Ihrer Daten mit kurzen Kodes für eine spätere Zusammenfassung kodiert haben, dann können Sie ATLAS.ti's Co-Occurrence Analysis tool, um festzustellen, ob sich die Kodes und die von ihnen repräsentierten Phänomene überschneiden und damit die Möglichkeit eines inhaltlichen Zusammenhangs signalisieren. Die Co-Occurrence Analysis allein kann keine Kausalität nachweisen, aber sie kann den Grundstein für eine tiefergehende Analyse auf der Basis von Korrelationen legen.

ATLAS.ti's AI Koding Tool automatisiert auch den Co-Occurrence Analysis Prozess, da die in das Tool eingebettete AI-Analytik potentielle Beziehungen zwischen verschiedenen, automatisch generierten Kodes bestimmen kann. Aufgrund dieser Automatisierung kann das KI-Kodierungstool Kode-Beziehungen identifizieren, die Ihnen möglicherweise nicht bewusst sind, und Ihnen so ein besseres Verständnis Ihrer Daten ermöglichen.

Deskriptive Analyse

Statistische Modelle und quantitative Analysen sind nicht immer die am besten geeigneten Ansätze in der Forschung. Insbesondere bei der Untersuchung sozialer Phänomene, die sich nicht quantifizieren lassen, zielt die deskriptive Analyse darauf ab, Schlüsselaspekte zu identifizieren, die ein Konzept definieren können.

Nehmen wir das Thema Glück im Zusammenhang mit der Kindererziehung. Eine deskriptive Analyse kann das Konzept des Glücks durch die Aspekte des Glücks definieren, über die die Menschen sprechen könnten.

Das Werkzeug Konzepte ist ein guter Ausgangspunkt für die Verarbeitung einer Reihe von Social Media Daten oder Interviewtranskripten. Mit diesem Tool kann eine deskriptive Analyse nach Ausdrücken suchen, die Menschen verwenden, wenn sie über Glück und Kindererziehung sprechen. Kodes, die durch Konzepte auf diese Ausdrücke angewandt werden, können mit Hilfe von Kategoriekodes, Smart Kodes und/oder Kodegruppen gruppiert werden, um ein Gefühl für die größeren Themen zu bekommen, die offensichtlich für das Thema Glück relevant sind.

Diagnostische Analyse

Handlungsaufforderungen zur Lösung eines Problems können aus negativen Wahrnehmungen eines bestimmten Aspekts eines Themas oder Phänomens entstehen. Beispielsweise könnte eine Marktforschungsstudie daran interessiert sein, die Kundenzufriedenheit mit einem Produkt zu erhöhen, das sich auf dem Markt schwer tut. Sind die Kunden unzufrieden mit dem Preis, der Wirksamkeit oder dem Design des Produkts?

Um diese Frage zu klären, kann der Forscher eine Stimmungsanalyse von Interviews und Fokusgruppen durchführen, in denen aktuelle und potenzielle Kunden zu dem Produkt befragt werden. Die Diagnose des Problems in diesem Zusammenhang kann so einfach sein wie die KI-Analytik in der Sentiment-Analyse, die negative Gefühle identifiziert und die damit verbundenen Zitate in Bezug auf die oben genannten Aspekte der Kundenzufriedenheit kodiert (d. h. "Preis", "Wirksamkeit" und "Design"). Eine einfache Analyse der Häufigkeiten, die mit den einzelnen Aspekten verbunden sind, kann ein klareres Gefühl dafür vermitteln, wo das Produkt Schwierigkeiten hat, und das Unternehmen darauf hinweisen, wo das Produkt verbessert werden kann.

Mehr Informationen über AI und ATLAS.ti

ATLAS.ti hat viel Zeit und Ressourcen in die Entwicklung von Anwendungen mit KI-Fähigkeiten gesteckt, um Forscher bei der Datenanalyse zu unterstützen. Um mehr darüber zu erfahren, welche KI-gestützten Tools wir anbieten, besuchen Sie unser ATLAS.ti AI Lab.

Menschliche Entscheidung

Es ist wichtig zu betonen, dass jedes KI-gestützte Recherche-Tool von ATLAS.ti nur Kodes für Ihr Forschungsprojekt vorschlagen kann. In jeder KI qualitative Analyse bieten KI und maschinelles Lernen den Wettbewerbsvorteil, Daten schneller zu analysieren, aber menschlicher Input ist notwendig, um die möglichen Erkenntnisse zu bestätigen, die KI aufdeckt.

Als Datenanalyst haben Sie die volle Kontrolle über Ihr Projekt und Ihre Daten. ATLAS.ti-Tools, die KI und maschinelles Lernen nutzen, geben dem Benutzer die Möglichkeit, Vorschläge zu überprüfen, bevor er sie genehmigt oder ablehnt.

Mitgliederprüfung

Wenn Sie mit Daten aus Interviews, Fokusgruppen oder anderen Formen der Datenerhebung zu tun haben, die mündliche oder schriftliche Eingaben von Forschungsteilnehmern beinhalten, besteht die Aufgabe der KI-Analytik darin, das, was diese Forschungsteilnehmer sagen oder schreiben, durch automatische Kodes zusammenzufassen.

Ob automatisiert oder nicht, der Prozess der qualitativen Datenanalyse in kleineren Forschungsprojekten kann von einem Konzept profitieren, das als Mitgliederkontrolle bezeichnet wird. Wenn Sie nach der Datenerhebung weiterhin Zugang zu Ihren Forschungsteilnehmern haben, kann es hilfreich sein, ihnen Ihre Analyse zu präsentieren und zu bestätigen, inwieweit die Analyse ihre Perspektiven und Meinungen widerspiegelt. Dieser Bestätigungsprozess ist zwar potenziell zeitaufwändig, kann aber sicherstellen, dass die Analyse gegen den Vorwurf der Voreingenommenheit oder mangelnden Forschungsgenauigkeit geschützt ist.

KI und Datenschutz

Das KI-Codierungstool nutzt die Vorteile von KI-Analysemodellen, die online zu finden sind, was bedeutet, dass die Daten online verarbeitet werden. Dies kann zu Bedenken hinsichtlich des Datenschutzes für sozialwissenschaftliche Forscher und ihre Forschungsteilnehmer führen.

Bei jeder Datenerhebung, bei der Perspektiven von Forschungsteilnehmern gesammelt werden, sollte eine informierte Zustimmung über die Verwendung ihrer Daten sichergestellt und diese geschützt werden, damit böswillige Akteure keinen Zugang zu persönlichen Informationen haben. Mit jedem KI-gestützten Forschungstool in ATLAS.ti können Sie sicher sein, dass alle Ihre Projektdaten lokal auf Ihren Geräten geschützt und verschlüsselt sind, wenn sie in unserer Cloud-basierten Projektbibliothek gespeichert oder durch die Modelle von OpenAI auf deren Servern verarbeitet werden.