Spark Insights Rápido con AI Coding Beta

AI Coding Beta: Tu nuevo asistente virtual de investigación

Aprenda a integrar AI Coding Beta en su investigación. AI Coding Beta es un asistente obediente que puede peinar cualquier cantidad de datos y sugerir códigos y categorías iniciales que describan sus datos. Esto puede suscitar nuevas ideas y ayudarte a comprender rápidamente lo que ocurre en tus datos, para que puedas tomar decisiones informadas sobre cómo avanzar en tu investigación.

En este artículo, compartimos consejos prácticos para sacar el máximo partido a AI Coding Beta a través de un ejemplo de investigación real en el que exploramos cómo las personas pueden cambiar sus estilos de vida cotidianos para ser más sostenibles. Uno de nuestros principales objetivos era describir actitudes y comportamientos clave relacionados con estilos de vida sostenibles. Hemos realizado 30 entrevistas y ahora queremos explorar inductivamente lo que dicen nuestros datos hasta ahora. Los patrones que identifiquemos en estas entrevistas también podrían merecer ser explorados más a fondo en posteriores oleadas de recogida y análisis de datos.

Podemos proceder a la codificación manual inicial de las entrevistas para comprender lo que ocurre en los datos, o podemos utilizar AI Coding Beta para que nos sugiera códigos. Dicho de otro modo, tenemos un destino al que queremos llegar, y ahora podemos elegir si queremos conducir directamente hasta allí o dar un paseo más tranquilo para serpentear por los caminos de camino a nuestro destino, quizás parándonos también a oler las flores. Ambas opciones son atractivas a su manera, y ambas pueden aportarnos mucho valor. Depende de cada persona elegir el enfoque que más le convenga.

Cómo utilizar AI Coding Beta

Abra la herramienta AI Coding Beta y seleccione los documentos que desea analizar. Nuestras 30 entrevistas se codificaron en poco más de una hora. Mientras AI Coding Beta analiza tus datos, puedes minimizar la ventana y hacer otras cosas en tu ordenador, o simplemente ir a tomar un café o un té mientras tu asistente virtual trabaja.

A continuación, puede ver un resumen de los resultados que proporcionó AI Coding Beta. Este resumen de las codificaciones junto con los principales códigos coincidentes puede desencadenar ideas serendípicas sobre posibles patrones que surjan en los datos. Por ejemplo, es interesante observar que la sostenibilidad está relacionada con los valores humanos, y podríamos examinar las citas que han sido codificadas con ambos códigos para explorar más a fondo este patrón.

A continuación, podemos revisar los resultados y hacer cambios si es necesario. En la parte izquierda, puede ver todas las categorías creadas por AI Coding Beta. Haga clic en la flecha desplegable situada junto al nombre de una categoría para ver los subcódigos específicos. Para ver sólo las citas adjuntas a una categoría o subcódigo concreto, haga clic en él.

De este modo puede explorar los resultados de AI Coding Beta, y es muy fácil añadir o eliminar códigos de cualquier cita desde el área del margen derecho. Para eliminar un código, haga clic en el icono del signo menos cuando pase el ratón por encima del código. Para añadir un código, haga clic en el icono del código y seleccione cualquier código ya existente o escriba un nuevo nombre de código para crear los códigos adicionales que desee.

A medida que avance por las codificaciones, podrá observar que algunos subcódigos son muy similares. También puede ver las citas de varios códigos seleccionando más de un código en la ventana de la izquierda. Por ejemplo, observamos que los subcódigos "Colaboración" y "Colaboración/Cooperación" se refieren al mismo tipo de citas. Por lo tanto, podemos fusionar estos dos subcódigos para limpiar aún más nuestra lista de códigos. Simplemente seleccione los dos subcódigos en el panel de la izquierda, haga clic con el botón derecho y seleccione "Fusionar", como se muestra a continuación. Fusionar subcódigos es una forma eficaz de limitar el enfoque analítico a los aspectos más relevantes para la pregunta y los objetivos de la investigación. Si alguno de los subcódigos hace referencia a aspectos irrelevantes para la pregunta o los objetivos de la investigación, basta con eliminar el código. Haciendo clic con el botón derecho en cualquier código, puede cambiarle el nombre, eliminarlo, cambiar el color, etc.

Por otra parte, podemos incluso decidir combinar categorías, crear nuevas categorías y/o mover subcódigos a categorías diferentes. Todo esto puede hacerse arrastrando y soltando códigos en el panel izquierdo. Por ejemplo, podemos darnos cuenta de que la categoría "Responsabilidad" se refiere sobre todo a responsabilidades sociales y sólo a unas pocas responsabilidades individuales. Entonces podemos mover los subcódigos de responsabilidad individual a la categoría "Actitud y mentalidad": Basta con seleccionar los subcódigos y arrastrarlos y soltarlos en el código de la nueva categoría, después seleccionar la opción "Mover" del menú que aparece. A continuación, podemos mover los códigos que hacen referencia a las responsabilidades sociales a la categoría "Cuestiones sociales", y después podemos cambiar el nombre de la categoría a "Cuestiones y responsabilidades sociales" para darle un nombre más descriptivo.

Durante el proceso de depuración de los códigos de IA, también podemos anotar las decisiones que vamos tomando en una nota metodológica, y podemos escribir cualquier idea que se nos ocurra en notas analíticas. De este modo, podemos hacer memoria y reflexionar mientras examinamos los datos codificados. Al depurar nuestros códigos, pasamos de 281 códigos a 161 códigos. A continuación, mostramos una nube de códigos que muestra los códigos que quedan después de ordenar la lista.

Ahora podemos profundizar en los datos para cumplir nuestros objetivos de investigación. Por ejemplo, para describir actitudes relacionadas con estilos de vida sostenibles, podemos examinar qué tipo de valores mencionan los participantes al describir sus actitudes. Podemos explorar qué códigos aparecen juntos en los datos con la herramienta de co-ocurrencia de códigos. El diagrama de Sankey que aparece a continuación ofrece una visualización fácil de entender de qué valores humanos se mencionaron junto con qué actitudes y mentalidades. Podemos ver qué valores formaban parte de las actitudes hacia la sostenibilidad, como la esperanza, la sencillez y la gratitud.

Haciendo clic en cualquier parte del diagrama de Sankey, podemos ver los datos subyacentes. De este modo, ATLAS.ti nos permite ver patrones generales a través de las codificaciones y, al mismo tiempo, volver fácilmente a los datos para interpretar estos patrones dentro de su contexto. A medida que examinamos las co-ocurrencias de los códigos y releemos los datos, podemos escribir ideas y percepciones en notas analíticas. A partir de estas codificaciones, podemos extraer conclusiones provisionales y, a continuación, volver fácilmente a los datos para verificar y desarrollar nuestras interpretaciones.

Por ejemplo, es interesante observar que la frustración estaba relacionada con el sentimiento de preocupación/compasión, lo que sugiere que preocuparse por el medio ambiente puede tener como contrapartida experimentar mayores frustraciones al enfrentarse al problema global de la sostenibilidad. A continuación, podemos examinar las citas de estos dos códigos y describir cómo se relacionan en el contexto de nuestros datos. Así pues, las codificaciones de AI Coding Beta pueden ayudarnos a identificar patrones interesantes y a elaborar interpretaciones iniciales, y es importante volver a revisar los datos para extraer y verificar nuestras conclusiones.

ATLAS.ti facilita la exploración de sus codificaciones de numerosas formas. Por ejemplo, también podemos echar un vistazo a qué tipo de barreras se identificaron para vivir de forma sostenible. Podemos ver la categoría que se refiere a las barreras, y en el gestor de códigos, podemos cambiar a la vista de gráfico de barras para ver fácilmente las frecuencias de cada código. Al hacer clic en cualquier código, podemos ver las citas asociadas a continuación. Esto facilita el desplazamiento por nuestros datos y anotar nuestras reflexiones en una nota.

Conclusión

La utilización de AI Coding Beta es tan eficaz como gratificante. En resumen, AI Coding Beta puede ayudarnos a comprender lo que ocurre en nuestros datos y, potencialmente, suscitar nuevas ideas. Una de las características más llamativas de esta herramienta es su importante potencial de ahorro de tiempo, ya que crea una lista de códigos descriptivos para 30 entrevistas en una fracción de tiempo, una tarea que podría llevar días si se hiciera manualmente.

A continuación, dedicamos algún tiempo a examinar las citas codificadas y a depurar la lista de códigos fusionándolos, cambiándoles el nombre y trasladando los subcódigos a categorías diferentes según fuera necesario. Al cabo de unas horas, teníamos una lista concisa de códigos y varias ideas anotadas en notas analíticas. A continuación, profundizamos en estas codificaciones para trabajar en la consecución de nuestros objetivos de investigación.

La exploración de los datos desde distintos ángulos puede dar lugar a ideas inesperadas, y la amplia gama de funciones de ATLAS.ti facilita la observación de los datos a vista de pájaro o el acercamiento a los detalles de cualquier cita. Usted está siempre al timón del barco cuando se trata de su investigación, y ahora puede contar con ATLAS.ti como un asistente trabajador que puede ayudarle a comprender sus datos y averiguar en qué direcciones quiere dirigir su barco a continuación.

Con el poder de AI Coding Beta, puede ganar control de su tiempo, dirigir su investigación con confianza, y hacer descubrimientos impactantes más rápido.