El aliado del investigador cualitativo moderno: AI Coding Beta, su nuevo socio de pensamiento

Un rasgo distintivo del análisis cualitativo es su potencial único para generar nuevas perspectivas explorando lo que emerge inductivamente de los datos ricos (Creswell, 2007). La inducción analítica trata de responder qué tipo de acontecimiento, actividad, situación o atributo está presente en los datos (Preissle, 2008). El principio en el que se basa AI Coding Beta es aliviar la tarea, a menudo tediosa y complicada, de codificar datos cualitativos. Aprovechando algoritmos de aprendizaje automático entrenados en vastos conjuntos de datos, AI Coding Beta puede ayudarnos a identificar patrones, temas y categorías en nuestros datos. Es como un amigo experto que puede sugerir códigos potenciales basándose en la esencia de los datos.

Muchos metodólogos cualitativos abogan por la participación simultánea en la recopilación y el análisis de datos para permitirnos descubrir nuevas ideas en nuestros datos y, a continuación, recopilar datos adicionales para explorar más a fondo estas ideas emergentes (Miles et al., 2020). Los códigos iniciales de AI Coding Beta son provisionales (es decir, están sujetos a cambios) pero, no obstante, son útiles para extraer datos e identificar las lagunas que pueden llenarse con la recopilación de datos adicionales. De este modo, podemos seguir recopilando y analizando datos hasta que hayamos saturado suficientemente cada una de nuestras categorías teóricas o hasta que no se revelen nuevas percepciones teóricas (Charmaz, 2006).

Un concepto importante en este proceso de descubrimiento es la serendipia, o el hallazgo involuntario de algo valioso, que puede producirse en un lugar o de una manera inesperados (Stebbins, 2008). Cuando los investigadores encuentran algo intrigante, sorprendente o inquietante, esto puede indicar un hallazgo serendípico que el investigador no había esperado inicialmente o buscado explícitamente. El software de análisis de datos cualitativos asistido por ordenador (CAQDAS), como ATLAS.ti, puede hacer que las conexiones serendípicas sean más accesibles para los investigadores, ya que pueden explorar fácilmente patrones entre códigos y datos (Maietta, 2008).

En los ciclos iniciales de análisis, es valioso intentar "abrir el significado en los datos" (Tracy, 2013, p. 189). Sin embargo, es posible que, naturalmente, pasemos por alto algunas cosas en los datos simplemente debido a la fatiga o a la visión particular del mundo con la que nos acercamos a los datos. Es posible que necesitemos dedicar una cantidad de tiempo considerable a esta codificación inicial, ya que puede ir desde capturar "cada ocurrencia empírica y conceptual en cada línea" hasta codificar párrafos enteros (van den Hoonaard y van den Hoonaard, 2008, p. 187). Procesar los datos puede llevar de tres a cinco veces más tiempo del que se necesitó para recopilarlos (Miles et al., 2020). Los CAQDAS, como ATLAS.ti, pueden facilitar enormemente la gestión y codificación de los datos (Yin, 2011). En el laborioso proceso de codificación cualitativa, AI Coding Beta puede servir como un ayudante obediente. Puede iluminar posibles vías de codificación que de otro modo habrían pasado desapercibidas.

Cualquier conjunto de datos puede interpretarse de muchas maneras diferentes, y esto puede variar según el investigador, el enfoque que se siga o los aspectos de los datos que destaquen en un momento dado del análisis. Por ejemplo, tanto el investigador como los participantes están inmersos en sus propios contextos que, invariablemente, conforman sus percepciones y experiencias (Braun y Clarke, 2013), de modo que dos investigadores que analicen los mismos datos pueden interpretarlos de maneras muy distintas. Además, el "mismo acontecimiento, incidente, actividad o representación en los datos puede codificarse de múltiples maneras" (Benaquisto, 2008, p. 87) y, por tanto, dar lugar a conclusiones diferentes. También es importante recordar que "la investigación cualitativa, como conjunto de actividades interpretativas, no privilegia ninguna práctica metodológica sobre otra" (Denzin & Lincoln, 2018, p. 46). Por lo tanto, en lugar de buscar una forma "correcta" o "incorrecta" de llevar a cabo esta codificación inicial, lo crucial es permanecer abiertos a varias direcciones posibles en las que podría moverse el análisis para ayudarnos a construir respuestas a nuestras preguntas de investigación.

No obstante, hay que insistir en el hecho de que AI Coding Beta, a pesar de sus avanzadas capacidades, es una herramienta y actualmente no sustituye al discernimiento y la intuición humanos. AI Coding Beta carece de la comprensión profunda y el entendimiento instintivo de los datos que nosotros, como investigadores, encarnamos. Por lo tanto, debe considerarse como un asistente sin intención ni comprensión de las interrelaciones complejas, pero coopera con usted, sugiriendo posibles interpretaciones y desafiando su razonamiento simplemente mostrando códigos que reflejan fielmente el contenido de los datos, facilitando así un compromiso más profundo con sus datos.

Nuestro principal objetivo con AI Coding Beta no es automatizar la investigación cualitativa, sino reforzarla con herramientas automatizadas. Imaginamos una herramienta que pudiera ayudar a los investigadores a navegar por el vasto mar de datos cualitativos, un amigo dispuesto a echar una mano cuando las olas se levantan. Sin embargo, es su mano la que guía el timón, su intelecto el que discierne los matices sutiles de sus datos y sus percepciones las que transforman los datos brutos en conocimientos valiosos.

Puede dejar que AI Coding Beta explore sus datos y evaluar qué categorías y subcódigos se adaptan a su pregunta de investigación leyendo las citas adjuntas. También puede fusionar subcódigos o categorías y eliminar los códigos innecesarios. En lugar de pasarse semanas rebuscando entre los datos, puede comprenderlos en cuestión de días. Por ejemplo, un usuario que investigaba en periodismo de investigación acudió a nosotros porque tenía 20.000 documentos pero no tenía tiempo de peinarlos para seleccionar el contenido relevante. Con AI Coding Beta, pudo identificar los códigos pertinentes y avanzar en su artículo de investigación. Así pues, AI Coding Beta puede ayudarle a salir del atolladero y retomar el control al frente de su investigación.

Mientras seguimos perfeccionando y mejorando AI Coding Beta, esperamos con impaciencia los comentarios de la comunidad investigadora en general. Sus experiencias, observaciones y recomendaciones serán muy valiosas para dar forma al futuro de esta herramienta. Siempre puede ponerse en contacto con el equipo de ATLAS.ti a través de chat en vivo, teléfono y correo electrónico, 24 horas al día, 5 días a la semana. Estamos contentos de que todo el mundo pueda probar AI Coding Beta, y estamos aprendiendo mucho de metodólogos expertos que están ofreciendo su valioso tiempo y esfuerzo para criticar y compartir sus comentarios sobre esta versión beta. Con toda la inestimable ayuda de esta enorme comunidad de investigadores, ATLAS.ti seguirá mejorando. Siempre nos esforzamos por mantener ATLAS.ti a la vanguardia de la tecnología de investigación. Agradecemos a la maravillosa comunidad de investigadores que están probando la versión beta de AI Coding y ayudándonos siempre a aprender y crecer. Esperamos que AI Coding Beta demuestre ser un compañero útil para todos en sus viajes de investigación, despertando el pensamiento serendípico y mejorando las posibilidades de derivar ideas significativas de los datos cualitativos. Haremos todo lo posible para seguir incorporando a ATLAS.ti las mejores y más recientes tecnologías disponibles en el mercado. Esto es sólo el principio.

Referencias

• Benaquisto, L. (2008). Codes and Coding. In The SAGE encyclopedia of qualitative research methods (ed. Lisa Given) (Vol. 1–1–2). SAGE Publications, Inc.
• Braun, V., & Clarke, V. (2013). Successful qualitative research: A practical guide for beginners. SAGE.
• Charmaz, K. (2006). Constructing grounded theory: A practical guide through qualitative analysis. Sage Publications.
• Creswell, J. W. (2007). Qualitative inquiry & research design: Choosing among five approaches (2nd ed). 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 research and evaluation methods (3 ed). Sage Publications.
• Preissle, J. (2008). Analytic Induction. In The SAGE encyclopedia of qualitative research methods (ed. Lisa Given) (Vols. 1–2). SAGE Publications, Inc.
• Stebbins, R. A. (2008). Discovery. In The SAGE encyclopedia of qualitative research methods (ed. Lisa Given) (Vol. 1–1–2). SAGE Publications, Inc.
• Tracy, S. J. (2013). Qualitative research methods: Collecting evidence, crafting analysis, communicating impact. Wiley-Blackwell.
• van den Hoonaard, D. K., & van den Hoonaard, W. C. (2008). Data Analysis. In The SAGE encyclopedia of qualitative research methods (ed. Lisa Given) (Vol. 1–1–2). SAGE Publications, Inc.
• Yin, R. K. (2011). Qualitative research from start to finish. Guilford Press.