Rozhovory do diplomové práce a 5 zásadních potíží s AI nástroji pro kódování dat. Máme tady AI (umělou inteligenci) a co si budeme, je to lákavá představa – stačí nahrát data a okamžitě se nám vysypou skvělé výsledky, které by nás jinak stály hodiny práce 😊. Jenže v praxi je to trochu složitější, obzvlášť pokud jde o kvalitativní analýzu dat (konkrétně kódování a tematickou analýzu). Potíže jsou totiž v tom, že nevíme, jestli AI skutečně dává smysl, nebo jestli nám „kecá“. Není úplně jasné, jak k závěrům dospěla. A to samé platí pro to, jestli správně pochopila kontext, kulturní rozdíly a všechny drobné nuance. A co je horší, často nevíme, jaké všechny možnosti AI zvážila při analýze. Nechci tím ale říct, že AI nemůže být nápomocná – naopak. Jde o to být si vědom těchto rizik, než ji pustíme na naše data. Tento článek vám pomůže pochopit, kde se mohou objevit úskalí, a ukáže vám, jak se jim vyhnout, abyste s AI pracovali efektivně a bezpečně.
1. Rozhovory do diplomové práce a problém důvěryhodnosti výsledků AI
AI nástroje dokážou produkovat výsledky, které vypadají velmi důvěryhodně, ale ve skutečnosti to tak vůbec nemusí být. Tento „efekt důvěryhodnosti“ je dost problém, protože výstupy mohou vypadat objektivně a přesně, i když jsou úplně mimo. Jednou jsem si nechala od AI udělat úkol v angličtině, kde šlo o to z poslechu pochopit, kdo ukradl mrkvový dort. AI pořád nabízela jiného podezřelého a já se jí pořád ptala, jestli si je jistá. AI generovala špatné výsledky, které se mi zdály prostě divné. Pomohlo až to, že jsem si úkol udělala sama. Každopádně to byla zajímavá lekce. 😊 Pokud nemáme přehled o procesu kódování, tak nevíme, jestli AI fakt dospěla k správným závěrům, nebo jestli to jen vypadá dobře. A když výstupy vypadají důvěryhodně, může být těžké je zpochybnit.
2. Rozhovory do diplomové práce a když chybí přehled o postupu kódování dat
AI nástroje pro kódování pracují automaticky, ale bez přehledu o tom, jaké kroky byly při analýze provedeny, není možné zjistit, jak k těm závěrům došlo. To znamená, že třeba nějaké fráze nebo témata můžou být označeny jako klíčové. Bez zpětné kontroly nevíme, jestli jsou výsledky správné nebo jestli je to jen náhodný výstup algoritmu. Když nemáme přehled, můžou být výsledky prostě chybné nebo neúplné.
3. Rozhovory do diplomové práce a když nejde ověřit, zda AI správně pochopila kontext
AI může mít problém správně pochopit kontext, ve kterém byla slova nebo fráze použita. Třeba slovo „stres“ může mít úplně jiný význam v různých situacích, a AI to nemusí vždy pochopit. Těžko zjistíme, jestli AI správně pochopila, co tím respondenti mysleli. A to může vést k tomu, že AI označí téma, které vlastně není vůbec relevantní pro výzkum.
4. AI může mít potíž s pochopením kulturních nebo emocionálních rozdílů
AI nemá vždy schopnost pochopit kulturní nebo emocionální rozdíly, které pro kvalitativní analýzu hodně znamenají. Tady je místo pro lidský zásah – je potřeba, abychom zachytili jemné nuance, které AI ne vždy rozpozná. Bez toho může být analýza neúplná nebo špatně interpretovaná.
5. Není jisté, jestli AI zvážila všechny možnosti
Bez zpětné kontroly procesu kódování nemůžeme vědět, zda AI skutečně pokryla všechna důležitá témata. Může se stát, že nějaké relevantní informace byly přehlédnuty, protože AI nedokáže vždy zohlednit všechny souvislosti mezi daty. Bez lidského dohledu prostě může být analýza neúplná.
A co s tím? Než tedy pustíte AI na svá data, je důležité si uvědomit, že i když vám může hodně usnadnit práci, je nezbytné mít přehled o tom, jak k závěrům došla. Kontrola, ověřování a lidský zásah a jsou klíčové pro to, aby výstupy zůstaly spolehlivé a relevantní pro váš výzkum. Takže nezapomeňte – AI není bez chyb, a pokud se do ní pustíte, vždy ji držte na uzdě! 😊
Pokud máte jakékoliv otázky, pochybnosti nebo chcete probrat, jak k tomu přistoupit u vašeho výzkumu, napište mi. Ráda vám poradím a pomůžu zorientovat se v nástrojích a metodách analýzy dat.