Cómo la IA de investigación puede mejorar su análisis

La inteligencia artificial (IA) y el aprendizaje automático pueden identificar puntos de datos esenciales en su investigación para informar y generar perspectivas críticas. Aprenda cómo las herramientas de IA en ATLAS.ti pueden trabajar para usted.

Visión general

Organizar los datos en bruto y prepararlos para el análisis de datos son tareas arduas y que requieren mucho tiempo, especialmente cuando se trata de grandes conjuntos de datos. Afortunadamente, los investigadores y analistas de datos pueden beneficiarse de la inteligencia artificial y el aprendizaje automático para facilitar la codificación y el análisis de datos. La IA y la tecnología de aprendizaje automático facilitan y agilizan más que nunca la búsqueda de información procesable.

Echemos un vistazo a la inteligencia artificial, sus aplicaciones para la investigación cualitativa, y cómo ATLAS.ti le da acceso a potentes herramientas que pueden ayudarle a automatizar la codificación y predecir los resultados derivados de los datos en su proyecto de investigación. Antes de eso, sin embargo, tendremos que tener una comprensión más completa del análisis de datos para tener una idea del papel de la inteligencia artificial en el proceso de investigación.

• Análisis de datos
• Objetivos del análisis de datos
• Retos del análisis de datos
• Inteligencia artificial
• La IA en la investigación
• Herramientas de IA de ATLAS.ti
• Aplicaciones de las herramientas de IA de ATLAS.ti
• IA y aportación humana

Análisis de datos

El objetivo central de cualquier investigación es organizar la información que de otro modo no estaría estructurada y cuya comprensión podría beneficiarse de una mayor sistematización. Sin organización a través de análisis de datos, la información no puede comprenderse fácilmente ni sintetizarse para crear nuevos conocimientos.

La tabla periódica de los elementos es un ejemplo bien conocido de esta sistematización del conocimiento, donde elementos como el hidrógeno y el mercurio se distinguen por aspectos como el número atómico y el peso atómico. A los novatos que carecen de una comprensión sistemática de los aspectos discretos que definen un elemento les resulta difícil entender las diferencias entre elementos.

El análisis o la analítica de datos ayuda a los investigadores y científicos de datos a organizar el conocimiento de una manera más sistemática y ordenada. Al convertir raw data en conceptos ordenados, un investigador analiza los datos para hacer más fácilmente predicciones basadas en la información.

Tomando como ejemplo la analítica empresarial, supongamos que uno de los objetivos es aumentar las ventas identificando aspectos de la satisfacción del cliente en plataformas móviles. Una pregunta como "¿Está satisfecho con nuestro programa?" es demasiado simplista y puede no ofrecer las respuestas más detalladas que busca una empresa para mejorar sus productos.

Una investigación más profunda sobre este tema podría implicar entrevistar a los usuarios de la empresa para ver qué factores informan sus decisiones de compra y evaluación. Un análisis exhaustivo del texto transcripciones de entrevistas puede ayudar a generar un concepto de satisfacción del cliente con aspectos como éste:

• costo del software
• rendimiento del software
• capacidades del software
• facilidad de uso

Una vez ordenada la información obtenida de la investigación en estos y otros aspectos comúnmente encontrados asociados a la satisfacción del cliente, la empresa puede formular a los clientes preguntas más específicas y útiles:

• ¿Cuánto pagaría por una licencia perpetua de este software?
• ¿Cuánto tiempo ha ahorrado utilizando este software?
• ¿Qué procesos empresariales se han facilitado con este software?
• ¿Es fácil de usar?

La información obtenida a partir de las respuestas a estas preguntas puede ayudar a generar y ordenar otros conceptos, como la naturaleza de la facilidad de uso y la rentabilidad.

Análisis de datos

Mientras que el análisis de datos proporciona a los investigadores y analistas de datos más información, el análisis avanzado de datos busca perspectivas procesables que puedan llevar a tomar decisiones críticas relevantes para una investigación. Por ejemplo, las respuestas a las preguntas anteriores sobre coste y tiempo pueden informar el proceso de toma de decisiones sobre futuros desarrollos de programas. Unos procesos más eficientes en los nuevos desarrollos destinados a hacer el producto más rápido podrían ayudar a justificar un mayor coste para el usuario final. Determinar hasta qué punto el programa puede hacerse más rápido para conseguir un precio más caro es un objetivo de la analítica de datos.

Los investigadores empresariales pueden utilizar ATLAS.ti como plataforma de análisis para identificar las tendencias del mercado, el comportamiento de los clientes y las preferencias de los productos. ATLAS.ti proporciona varias herramientas para análisis de texto y clasificación de texto para permitir a los investigadores realizar análisis que pueden ayudar a guiar la toma de decisiones.

Retos en el análisis de datos

La tarea de tomar decisiones basadas en datos en la investigación suele seguir este proceso

• utilizar diferentes fuentes de datos para recopilar una cantidad suficiente de datos
• organizar los datos para facilitar su rápida comprensión
• realizar análisis de datos para identificar patrones y obtener información valiosa.

La IA y el aprendizaje automático pueden ayudar a los investigadores en la organización y el análisis de los datos, sobre todo cuando la recopilación de datos arroja grandes cantidades de datos en diversas formas. Esencialmente, la necesidad de la analítica de IA surge de la llegada del big data, donde una recopilación de datos más rápida y automatizada plantea mayores exigencias de tiempo y esfuerzo a los investigadores para analizar cantidades increíbles de información insuficientemente organizada.

La complejidad de todo tipo de análisis de datos significativos puede ser formidable, especialmente a medida que se amplían el tamaño y el alcance de la investigación. La tarea de analizar grandes cantidades de datos puede llevar mucho tiempo y ser difícil de completar de forma fiable y transparente.

Imaginemos que un analista de datos empresariales ha realizado un estudio de entrevistas que ha recopilado cientos de páginas de transcripciones. La analítica de datos tradicional podría implicar leer cada una de las páginas de este conjunto de datos y resumirlos manualmente mediante codificación para generar la inteligencia empresarial necesaria para fundamentar decisiones importantes. Esto requiere tiempo y esfuerzo que, por muy importante que sea para el proceso de análisis de datos, también puede agotar la energía de los investigadores y retrasar la toma de decisiones.

Además, las perspectivas actuales del big data elevan la automatización del análisis de datos de una cualidad beneficiosa a una necesidad absoluta en la investigación aplicada a escala. La enorme escala de la recopilación de big data hace que los análisis de datos tradicionales con procesos manuales por sí solos sean incapaces de producir las decisiones necesarias basadas en datos.

¿Cómo puede un investigador en solitario analizar los datos de grandes proyectos de forma que identifique las ideas más poderosas para tomar decisiones basadas en datos? ¿Cómo puede llevarse a cabo esta investigación de una manera eficiente que ahorre tiempo y esfuerzo sin sacrificar la fiabilidad y la precisión? ¿Cómo puede la ciencia de datos resolver los retos de un análisis de datos cada vez más complejo? Para responder a preguntas como éstas se necesita una solución de IA.

Inteligencia artificial

El concepto de IA surgió hace décadas persiguiendo la idea de que los ordenadores podrían llegar a alcanzar la complejidad y las capacidades del cerebro humano, pero a velocidades que superasen el esfuerzo humano. Los científicos de datos han desarrollado técnicas de aprendizaje automático para construir una inteligencia artificial capaz de comprender datos, inferir significados de esos datos e imitar o ampliar los datos que ha procesado.

El concepto de IA surgió hace décadas persiguiendo la idea de que los ordenadores podrían llegar a alcanzar la complejidad y las capacidades del cerebro humano, pero a velocidades que superasen el esfuerzo humano. Los científicos de datos han desarrollado técnicas de aprendizaje automático para construir una inteligencia artificial capaz de comprender datos, inferir significados de esos datos e imitar o ampliar los datos que ha procesado.

Las aplicaciones más conocidas de la ciencia de datos incluyen análisis de IA en competiciones de ajedrez, contextos de atención al cliente y dispositivos domésticos inteligentes. En cada uno de estos contextos, la IA se basa en el análisis predictivo para guiar los procesos de toma de decisiones y la automatización eficiente de tareas que antes eran manuales.

Cómo funcionan la IA y el aprendizaje automático

Aunque todo el tema de la IA y el aprendizaje automático pueda parecer complicado, lo que hacen en última instancia los modelos de aprendizaje automático es procesar grandes cantidades de datos con el objetivo de hacer predicciones al analizar nuevos datos. Piensa en una persona que conozcas bien y en los patrones de su forma de hablar. ¿Qué palabras utiliza con más frecuencia que otras y en qué situaciones? Si tienes que pedirle un favor, ¿cómo redactar tu petición para tener más posibilidades de que acepte?

Las preguntas en este contexto no difieren mucho de los procesos de la inteligencia artificial. Cuando una persona pide algo a otra, tiene en cuenta sus experiencias pasadas y las interacciones que ha tenido con ella para adivinar cómo formular la frase más adecuada.

La tarea de un científico de datos es muy parecida. Supongamos que el objetivo es producir herramientas basadas en IA relevantes para la inteligencia empresarial. Ese científico de datos introduce datos de entrenamiento en el aprendizaje automático para desarrollar la IA. Los datos son relevantes para los contextos empresariales como ejemplo del que la IA debe aprender.

Después de incorporar el procesamiento del lenguaje natural para ayudar a procesar este texto, la inteligencia artificial puede llevar a cabo análisis de datos sobre el nuevo texto para hacer predicciones sobre las ideas que podría contener. A continuación, los aspectos de aprendizaje automático de la IA interiorizan esas decisiones para desarrollar recursivamente la inteligencia. En efecto, se vuelve más inteligente a medida que procesa más datos, de modo que sus capacidades son más aplicables a mayores escalas.

GPT

Recientemente, ChatGPT ha generado el mayor entusiasmo por el desarrollo de la inteligencia artificial. ChatGPT aprovecha el procesamiento del lenguaje natural para ser capaz de mantener conversaciones en línea con las personas. Este tipo de avances en IA pone de manifiesto las aplicaciones potenciales que la inteligencia artificial tiene para los datos textuales.

GPT en ChatGPT significa Generative Pre-trained Transformer (Transformador Generativo Preentrenado). Como ya se ha explicado, los modelos GPT se basan en enormes cantidades de datos de entrenamiento para aprender y hacer predicciones sobre el uso del lenguaje. El análisis a partir de modelos GPT tiene implicaciones significativas para muchos campos diferentes, pero puede ser especialmente potente para fines de investigación.

La IA en la investigación

A medida que los proyectos de investigación se hacen más grandes, los analistas de datos tienen una necesidad creciente de automatizar las partes del proceso de investigación que son más repetitivas y que tradicionalmente han requerido un mayor esfuerzo manual. Esto es especialmente cierto en el mundo empresarial, dada la necesidad de analizar rápidamente los datos empresariales más rápido de lo que puede ofrecer la analítica de datos tradicional. A diferencia de una plataforma de análisis de datos tradicional, el análisis de datos impulsado por IA puede proporcionar un análisis dinámico para ayudar a sus usuarios a tomar mejores decisiones basadas en sus datos.

Como resultado, los analistas de datos cualitativos han estado haciendo impresionantes desarrollos en IA y aprendizaje automático para procesar datos en bruto e identificar puntos de datos críticos que pueden conducir a percepciones significativas. Los expertos en ciencia de datos y los desarrolladores de inteligencia artificial utilizan el aprendizaje automático para realizar un análisis de texto de grandes cantidades de datos con el fin de generar modelos complejos de lenguaje que puedan predecir dónde se puede encontrar información útil y qué sentimientos es probable que conlleven.

En cualquier contexto que implique grandes volúmenes de datos, este tipo de predicción automatizada es un elemento necesario para responder a las preguntas y generar ideas procesables. Los proyectos de investigación en ciencias sociales de todos los tamaños pueden beneficiarse de la automatización de algunas tareas de análisis de datos. Incluso los proyectos más pequeños que contienen principalmente datos cualitativos no estructurados pueden beneficiarse del aprendizaje automático y el análisis de IA para ayudar a ahorrar tiempo y esfuerzo.

Usos de la inteligencia artificial en investigación

Las implicaciones de la IA tienen un gran potencial para el proceso de investigación. En la mayoría de los casos de investigación cualitativa, los analistas de datos organizan los datos aplicando códigos cortos y descriptivos a segmentos de texto, lo que facilita el resumen de grandes conjuntos de datos. Esto requiere que el investigador examine los datos, página por página, línea por línea, aplicando manualmente los códigos cuando identifica una posible idea. En condiciones manuales, es una tarea que lleva mucho tiempo, pero que sigue siendo necesaria para establecer el rigor de la investigación que otros investigadores necesitan ver antes de considerar creíble un proyecto de investigación.

El proceso manual de análisis de datos también es mentalmente agotador. Un investigador cualitativo puede emplear docenas, si no cientos, de códigos para representar los distintos segmentos de datos de su proyecto. Tener presentes todos esos códigos -y sus significados asociados- puede ser una tarea ardua.

Imaginemos que un investigador educativo tiene un código denominado "evaluación". ¿Sólo quiere codificar las evaluaciones formales, como exámenes y ensayos, o también las evaluaciones informales, como las preguntas a los estudiantes durante la clase? En ATLAS.ti, los códigos pueden ir acompañados de comentarios para que los investigadores tengan referencias claras a las que recurrir cuando necesiten más información sobre el significado de un código concreto.

No obstante, ambos retos ponen de manifiesto las limitaciones que puede encontrar un investigador humano sin la ayuda de la automatización impulsada por IA. En última instancia, el objetivo del análisis de IA es procesar suficientes datos mediante el aprendizaje automático para desarrollar un modelo fiable que permita extraer información esencial de los datos. Cumplir este objetivo mediante el análisis de datos con IA ahorraría tiempo en el proceso de investigación y haría más creíbles las
representaciones de los datos cualitativos.

Aplicaciones de la inteligencia artificial a la investigación

ATLAS.ti ya emplea la IA y el aprendizaje automático en el análisis de todo tipo de datos cualitativos:

• datos de encuestas
• comentarios de blogs
• transcripciones de entrevistas
• artículos de texto
• medios sociales

Cada una de estas fuentes de datos puede producir cantidades increíbles de datos que ATLAS.ti puede analizar a través de la inteligencia artificial y el aprendizaje automático. Sin las capacidades de la IA, un investigador tendría que tamizar manualmente a través de páginas y páginas de datos sin procesar para buscar información relativamente oculta útil para su investigación.

Principalmente, los análisis de IA integrados en ATLAS.ti pueden automatizar la codificación, identificar perspectivas esenciales o sugerir nuevas líneas de investigación. Esto significa que, además de ayudar a los investigadores a analizar los datos, la IA también puede orientarles sobre lo que deben investigar a continuación. Como veremos en las siguientes secciones, las herramientas de IA de ATLAS.ti permiten a los investigadores realizar análisis predictivos además de otras formas de análisis esenciales con todos sus proyectos de investigación.

Herramientas de IA de ATLAS.ti

La inteligencia artificial y el aprendizaje automático son aspectos importantes del análisis de datos en ATLAS.ti. Las herramientas de IA que incorporan técnicas de aprendizaje automático para facilitar la codificación automática y la búsqueda avanzada están integradas en nuestro software para proporcionar análisis avanzados que pueden ayudarle a encontrar información valiosa más rápidamente.

Codificación de IA

La herramienta de inteligencia artificial más reciente de ATLAS.ti realiza análisis de datos a escala para sugerir automáticamente códigos para su proyecto de investigación. El análisis de datos de IA en esta herramienta se basa en modelos GPT desarrollados por el laboratorio de investigación de vanguardia OpenAI.

Las capacidades de aprendizaje automático y lenguaje natural de los modelos GPT de OpenAI se han probado con textos científicos, transcripciones de entrevistas y otras formas de datos textuales representativos de las necesidades de análisis de datos de los usuarios de ATLAS.ti. Aprendiendo de estos textos, las capacidades de aprendizaje automático de OpenAI han dado lugar a un modelo de análisis de IA desarrollado que puede observar los datos y proponer nuevos códigos a una velocidad mucho mayor de la que es capaz un análisis de datos manual.

La herramienta Codificación de IA promete ser fácil de aplicar a todos los datos de texto de su proyecto. En ATLAS.ti, todo lo que necesita hacer es seleccionar los documentos en los que le gustaría automatizar el proceso de codificación. Los datos se procesan en línea a través de los servidores de OpenAI, donde la analítica de IA examina los datos y realiza predicciones informadas sobre qué códigos deben aplicarse y dónde. Aparece un cuadro de diálogo con un conjunto de códigos propuestos por los análisis de IA para que usted los revise.

Codificación de IA también es visualmente intuitivo y fácil de usar. Después de procesar los datos a través del aprendizaje automático, ATLAS.ti produce una visualización resumida de los resultados que proporciona a los científicos de datos análisis avanzados sobre qué códigos se pueden aplicar a sus datos, así como qué códigos aparecen juntos. La información proporcionada por la analítica de IA puede iluminar las ideas más importantes y las investigaciones potenciales que los investigadores pueden llevar a cabo a continuación.

Tenga en cuenta que el aprendizaje automático que facilita la codificación de IA está basado en la nube para garantizar que la codificación automática esté determinada por el procesamiento del lenguaje natural más actualizado. Este sistema le permite emplear Codificación de IA en determinadas partes de su proyecto como guía para la codificación posterior o simplificar todo el proceso codificando todos sus datos.

Búsqueda de texto con IA

A primera vista, esta herramienta de investigación con IA parece un simple motor de búsqueda para sus documentos de texto. Usando la Búsqueda de Texto, puede introducir una palabra o frase, y ATLAS.ti identificará párrafos, frases, o coincidencias exactas como citas potenciales para que aplique códigos. Esto tiene la capacidad de examinar un gran número de documentos y reorganizar los datos más relevantes en un solo lugar, permitiendo una codificación fácil y eficiente.

Sin embargo, el aspecto de IA de la Búsqueda de Texto reside en su capacidad para buscar sinónimos y formas flexionadas de una palabra. ATLAS.ti puede sugerir una lista de posibles sinónimos que podrían proporcionar el mismo significado que está buscando y buscar diferentes formas de la misma palabra (por ejemplo, "feliz" y "felicidad"). La capacidad de búsqueda ampliada puede ayudarle a identificar segmentos de datos más relevantes rápidamente y con menos esfuerzo.

Conceptos

Mientras que la herramienta Frecuencias de palabras puede ofrecerle un análisis estadístico directo de las palabras más comunes encontradas en su proyecto, la herramienta Conceptos se centra específicamente en las palabras que representan conceptos, filtrando otras palabras como artículos y preposiciones. Además, puede identificar fácilmente los conceptos principales y sus subconceptos, que engloban las palabras y frases vecinas asociadas al concepto principal. El aprendizaje automático puede observar el texto e identificar qué palabras van juntas, lo que afecta al matiz del lenguaje. Después de todo, "prueba de conducción" y "prueba de conducción" tienen significados muy diferentes, por lo que podría ser importante para un investigador ser capaz de distinguir qué frases aparecen con más frecuencia en su proyecto de investigación.

El procesamiento del lenguaje natural de ATLAS.ti puede crear una visualización basada en conceptos que aparecen con frecuencia en sus datos. Haciendo clic sobre cada elemento de la nube de palabras resultante, los investigadores pueden examinar qué otras palabras están conectadas a esa palabra. Esto puede ayudar a obtener una visión de pájaro de los temas incrustados en los datos para poder codificar el texto relevante al tiempo que se filtran los datos que utilizan las mismas palabras pero exploran temas no relacionados.

Análisis de sentimientos con IA

El análisis de textos puede descubrir no sólo significados, sino también sentimientos positivos o negativos en palabras y frases. El procesamiento del lenguaje natural puede identificar sentimientos incrustados en el texto que pueden ser útiles para extraer información de los datos.

La herramienta de Análisis de Sentimiento en ATLAS.ti puede aplicar códigos de sentimiento a sus datos. La IA y los modelos de aprendizaje automático se aplican a los datos para determinar si el texto es de naturaleza positiva, negativa o neutral. Al igual que con la herramienta de Codificación de IA, el Análisis de Sentimiento devuelve un conjunto propuesto de códigos que puede aplicar en su totalidad o sólo en partes seleccionadas de sus datos.

Minería de opinión

Como una extensión del Análisis de Sentimiento y Conceptos, la herramienta de Minería de Opinión puede automatizar el proceso de producir visualizaciones perspicaces basadas en un análisis interpretativo de los datos. La herramienta de minería de opiniones puede identificar las palabras más utilizadas en frases clave, visualizar estadísticas descriptivas de las palabras asociadas a cada término y proponer códigos de sentimiento y opinión para todas las citas relevantes. Esto facilita la comprensión no sólo de lo que se habla en los datos, sino también de lo que piensa la gente sobre ese tema concreto.

Reconocimiento de entidades nombradas

La investigación cualitativa depende a menudo de la identificación de relaciones entre fenómenos sociales y diferentes grupos de personas, lugares u organizaciones. Por ejemplo, es posible que desee analizar datos sobre sentimientos positivos y negativos en relación con un conjunto de países. Para ello es necesario utilizar los códigos de sentimiento que se producen en el Análisis de Sentimiento, así como los códigos descriptivos que puede proporcionar el Reconocimiento de Entidades Nombradas.

Las capacidades de aprendizaje automático del Reconocimiento de Entidades Nombradas pueden identificar los nombres de lugares, personas o grupos y sugerir códigos para los segmentos de datos que mencionan estos nombres. Después, la herramienta de Análisis de Co-Ocurrencias puede cruzar estos códigos con sus códigos de sentimiento para identificar la naturaleza de los sentimientos expresados en los datos que exploran una entidad con nombre particular.

Obtenga una ventaja competitiva con ATLAS.ti

La potente IA y el aprendizaje automático de ATLAS.ti pueden proporcionarle información valiosa para ayudarle en su proceso de toma de decisiones. Vea cómo con una prueba gratuita. Aplicaciones para las herramientas de IA de ATLAS.ti

La IA y el aprendizaje automático suenan bien, pero sólo son beneficiosos cuando se aplican con objetivos intencionados a su análisis de datos. ¿Qué quiere hacer con la información que descubra de sus datos? ¿Cuál es la investigación que persigue? ¿Cómo pueden ayudarle la inteligencia artificial y el aprendizaje automático con los objetivos de su investigación?

El análisis de datos puede tener varios objetivos en función de la investigación. Veamos algunos de los tipos más comunes de análisis de datos, así como una explicación de cómo la IA, el aprendizaje automático y ATLAS.ti pueden lograr el análisis deseado.

Análisis causal

Un objetivo central del análisis de datos es identificar las relaciones clave entre diferentes f### enómenos. Si ha codificado los diversos aspectos de sus datos con códigos cortos para su posterior resumen, entonces puede utilizar la herramienta de Análisis de Co-Ocurrencia de ATLAS.ti para determinar si los códigos y los fenómenos que representan se cruzan entre sí, señalando así la posibilidad de una relación sustantiva. El Análisis de Co-Ocurrencia por sí solo no puede probar la causalidad, pero puede sentar las bases para un análisis más profundo basado en la correlación.

La herramienta de Codificación de IA de ATLAS.ti también automatiza el proceso de Análisis de Co-Ocurrencia ya que la analítica de IA integrada en la herramienta puede determinar relaciones potenciales entre diferentes códigos generados automáticamente. Debido a esta automatización, la herramienta de Codificación de IA puede identificar relaciones de código de las que puede no ser consciente, dándole una mayor comprensión de sus datos.

Análisis descriptivo

Los modelos estadísticos y el análisis cuantitativo no siempre son los enfoques más adecuados en investigación. Especialmente cuando se indaga sobre fenómenos sociales que no pueden cuantificarse, el análisis descriptivo pretende identificar los aspectos clave que pueden definir un concepto.

Consideremos el tema de la felicidad asociada a la crianza de los hijos. Un análisis descriptivo puede definir el concepto de felicidad a partir de los aspectos de la felicidad de los que habla la gente.

La herramienta Conceptos es un buen punto de partida para procesar un conjunto de datos de redes sociales o transcripciones de entrevistas. Utilizando esta herramienta, un análisis descriptivo puede buscar frases que la gente utiliza cuando habla de la felicidad y la crianza de los hijos. Los códigos aplicados a esas frases a través de Conceptos pueden agruparse utilizando códigos de categoría, códigos inteligentes y/o grupos de códigos para obtener una idea de los temas más amplios aparentemente relevantes para el tema de la felicidad.

Análisis diagnóstico

Las llamadas a la acción para resolver un problema pueden surgir de percepciones negativas sobre un aspecto concreto de un tema o fenómeno. Por ejemplo, un estudio de mercado puede estar interesado en aumentar la satisfacción de los clientes de un producto que tiene dificultades en el mercado. ¿Están los clientes insatisfechos con el precio, la eficacia o el diseño del producto?

Para responder a esta pregunta, el investigador puede realizar un análisis de sentimientos en entrevistas y grupos de discusión en los que se pregunte a clientes actuales y potenciales sobre el producto. Diagnosticar el problema en este contexto puede ser tan fácil como que la analítica de IA del Análisis de Sentimientos identifique los sentimientos negativos y codifique las citas asociadas en función de los aspectos de la satisfacción del cliente mencionados anteriormente (es decir, "precio", "eficacia" y "diseño"). Un simple análisis de las frecuencias asociadas a cada aspecto puede proporcionar una idea más clara de los puntos débiles del producto, indicando a la empresa dónde puede mejorarse.

Más información sobre la IA y ATLAS.ti

ATLAS.ti ha dedicado mucho tiempo y recursos al desarrollo de aplicaciones con capacidades de IA para ayudar a los investigadores en el análisis de datos. Para saber más sobre las herramientas de IA que ofrecemos, visite el Laboratorio de IA de ATLAS.ti.

Decisión humana

Es importante destacar que cada herramienta de investigación de ATLAS.ti potenciada por IA sólo puede sugerir códigos para su proyecto de investigación. En cualquier análisis cualitativo de IA, la IA y el aprendizaje automático proporcionan la ventaja competitiva de analizar los datos más rápidamente, pero la aportación humana es necesaria para confirmar las posibles percepciones que la IA descubre.

Como analista de datos, usted tiene el control total de su proyecto y de sus datos. Las herramientas de ATLAS.ti que utilizan IA y aprendizaje automático dan a los usuarios la oportunidad de revisar las sugerencias antes de aprobarlas o rechazarlas.

Comprobación de miembros

Si está tratando con datos de entrevistas, grupos focales, o cualquier otra forma de recogida de datos que implique aportaciones habladas o escritas de los participantes en la investigación, el papel de la analítica de IA es resumir lo que esos participantes en la investigación dicen o escriben a través de códigos automatizados.

Automatizado o no, el proceso de análisis de datos cualitativos en proyectos de investigación a menor escala puede beneficiarse de un concepto denominado comprobación de miembros. Si después de la recogida de datos se sigue teniendo acceso a los participantes en la investigación, puede ser útil presentarles el análisis y confirmar hasta qué punto éste refleja sus perspectivas y opiniones. Este proceso de confirmación, aunque puede llevar mucho tiempo, puede garantizar la protección del análisis frente a críticas de parcialidad o falta de rigor en la investigación.

IA y protección de datos

La herramienta Codificación de IA aprovecha los modelos de análisis de IA que se encuentran en línea, lo que significa que los datos se procesan en línea. Esto puede plantear problemas de privacidad a los investigadores en ciencias sociales y a los participantes en sus investigaciones.

Cualquier recopilación de datos que implique la recogida de perspectivas de los participantes en la investigación debe garantizar el consentimiento informado sobre cómo se utilizan y protegen sus datos para que los malos actores no tengan acceso a ninguna información personal. Con cualquier herramienta de investigación impulsada por IA en ATLAS.ti, puede estar seguro de que todos los datos de su proyecto están protegidos localmente en sus dispositivos y encriptados cuando se almacenan en nuestra biblioteca de proyectos basada en la nube o se procesan a través de los modelos de OpenAI en sus servidores.