Gewinne:
- Fähigkeit, das Transkript durch Anhören der Aufzeichnung zu überprüfen und mithilfe künstlicher Intelligenz Codes und Themen vorzuschlagen
- Bleiben Sie der Stimme des Teilnehmers treu, indem Sie jeden Code und jedes Zitat mit der tatsächlichen Aussage im Text verbinden, vorzugsweise mit einer Zeilennummer
- Fähigkeit, Code vom Thema zu unterscheiden, oberflächliche Kommentare zu vermeiden und die Tiefe der Daten durch Zitate zu untermauern.
Bei qualitativer Forschung geht es nicht um Zahlen; Es ist ein Ansatz, der sich mit Bedeutung, Erfahrung und Kontext befasst. Es wird versucht, im Detail zu verstehen, wie Menschen ein Ereignis interpretieren, mit welchen Worten sie es beschreiben und warum es ihnen am Herzen liegt. Das gebräuchlichste Instrument ist das Tiefeninterview – ein langes Gespräch mit einer Person auf der Grundlage vorher festgelegter, aber flexibler Fragen. Nach dem Interview folgen drei Aufgaben: Transkription (wörtliches Transkribieren der Audioaufnahme), Kodierung (Kennzeichnen bedeutungsvoller Passagen im Text) und Themenanalyse (Extrahieren größerer, wiederkehrender Muster – Themen – aus den Codes). In dieser Einheit erfahren Sie, wie Sie KI in diesen drei Berufen einsetzen. Aber Sie werden lernen, wie Sie die Stimme und Verantwortung des Teilnehmers für die Interpretation wahren.
KI ist ein wirklich leistungsstarkes Hilfsmittel bei der qualitativen Analyse, da die meiste Arbeit mit Text zu tun hat und KI schnell mit Text umgehen kann. Aber genau darin liegt das größte Risiko: dem Teilnehmer etwas zuzuschreiben, was er oder sie nicht gesagt hat. KI kann ein Zitat „korrigieren“, ein Gefühl „interpretieren“ oder ein Thema „erfinden“, das nicht im Text vorkommt. Das Herzstück qualitativer Forschung ist die Treue zu den eigenen Worten des Teilnehmers. Also die goldene Regel: KI schlägt Code und Themes vor, aber jeder Vorschlag muss mit der eigentlichen Aussage im Text verknüpft sein – am besten mit einer Zeilennummer – und Sie müssen diese bestätigen.
Schritt für Schritt: von der Anmeldung bis zum Thema
1. Überprüfen Sie das Transkript. Automatisierte Transkriptionstools sind schnell, machen aber Fehler: Sie können Namen, Fachbegriffe oder Dialektausdrücke falsch schreiben. Es ist wichtig, sich die Aufnahme anzuhören und das Transkript zu korrigieren; Die KI kann das Format bearbeiten, aber den Ton nicht hören.
2. Führen Sie eine offene Codierung durch. Lesen Sie den Text Zeile für Zeile und geben Sie jedem aussagekräftigen Teil eine Beschriftung (Code). Die KI kann aus den ersten Transkripten Codevorschläge generieren; Dies ergibt eine Startliste.
3. Richten Sie die Codeliste an der Theorie aus. Kombinieren, trennen und benennen Sie die von der KI vorgeschlagenen Codes entsprechend Ihrer eigenen Forschungsfrage und Ihrem Forschungsrahmen um. Das ist das Urteil des Menschen.
4. Kodieren Sie konsequent. Die gleiche Bedeutung sollte überall mit dem gleichen Code gekennzeichnet sein. KI hilft dabei, verbleibende Transkripte entsprechend Ihrem genehmigten Codesatz zu kennzeichnen.
5. Themen extrahieren. Gruppieren Sie Codes und benennen Sie größere Muster (Themen). KI schlägt Themenentwurf vor; Es liegt an Ihnen, zu entscheiden, welches Ihre Daten wirklich widerspiegelt. Unterstützen Sie jedes Thema mit direkten Zitaten.
Tipp: Klären Sie den Unterschied zwischen „Code“ und „Thema“ in der qualitativen Analyse: Ein Code ist ein kleines Bedeutungsmerkmal im Text („Angst vor Arbeitsplatzunsicherheit“); Das Thema ist das große Muster, das viele Codes vereint („Unsicherheit über die Zukunft“). KI kann beides verwechseln; Sie behalten die Unterscheidung bei.
drei Mini-Koffer
Fall 1 – Ein erfundenes Zitat wurde erwischt. Ein Forscher hat die KI nach Zitaten gefragt, die ein Thema unterstützen. AI präsentierte einen Satz, der fließend war, aber im Transkript nicht so vorkam, wie „der Teilnehmer sagte“. Als der Forscher nach einer Zeilennummer fragte, konnte YZ die Quelle nicht angeben; Das Zitat wurde erfunden. Es ist zur Regel geworden: Kein Vorschlag ohne Anführungszeichen oder Zeilennummer wird akzeptiert.
Fall 2 – Codierungskonsistenz erhöht. In einer Studie mit 30 Transkripten verwendeten zwei Forscher unterschiedliche Codes. Sie ließen von der KI ein gemeinsames Codebuch entwerfen – den Namen, die Beschreibung und das Beispiel jedes Codes; Die Konsistenz zwischen den Programmierern wurde erheblich verbessert und die Bedeutung jedes Codes wurde dokumentiert.
Fall 3 – Oberflächliches Thema vertieft. In der ersten Runde schlug die KI ein oberflächliches Thema wie „Teilnehmer glücklich/unzufrieden“ vor. Als der Forscher sagte: „Das ist zu oberflächlich, zeigen Sie die Spannung in den Daten“, griff AI auf die Zitate zurück und skizzierte ein umfassenderes Muster, wie zum Beispiel „die Spannung zwischen der Suche nach Sicherheit und dem Wunsch nach Freiheit“, basierend auf dem Text; Der Forscher bestätigte dies mit Zitaten.
Vier kopierbare Vorlagen
1) Offene Codierungsempfehlung:
Kodieren Sie das folgende Interviewprotokoll Zeile für Zeile. Schlagen Sie für jede aussagekräftige Passage ein kurzes Code-Tag vor und fügen Sie daneben die Zeilennummer und ein direktes Zitat ein. Fügen Sie nichts hinzu, was nicht im Text enthalten ist. Kommentieren Sie nicht; Markieren Sie einfach den Satz im Text. Transkript: [hier]
2) Codedefinitionsbuch (Codebuch):
Erstellen Sie ein Codedefinitionsbuch aus der folgenden Liste von Codes: für jeden Code (1) Name, (2) Beschreibung in einem Satz, (3) Auszug aus dem Text (mit Zeilennummer), (4) Hinweis „außerhalb des Geltungsbereichs dieses Codes“. Kennzeichnen Sie mehrdeutige Codes. Codes: [hier]
3) Themenschlussfolgerung (basierend auf Zitat):
Im Anhang finden Sie die von mir genehmigte Codeliste. Schlagen Sie 3–5 Themenskizzen vor, indem Sie diese Codes gruppieren. Für jedes Thema: Zeigen Sie an, welche Codes es enthält und mindestens 2 direkte Zitate (mit Zeilennummer), die es unterstützen. Schlagen Sie kein Thema ohne Zitat vor. Themen: [hier] Codes: [hier]
4) Loyalitätskontrolle:
Nachfolgend finden Sie eine Zusammenfassung des Themas und der Zitate, auf denen es basiert. Überprüfen Sie jeden Satz: Entspricht dieser Kommentar wirklich dem Zitat, oder handelt es sich um eine zusätzliche Schlussfolgerung? Markieren Sie jeden Satz, der nicht vom Text unterstützt wird. Übertreibung oder Verzerrung der Stimme des Teilnehmers. Zusammenfassung: [hier]
Schwache Eingabeaufforderung / Starke Eingabeaufforderung
Schwache Eingabeaufforderung:
Lesen Sie diese Interviews und bringen Sie die Hauptthemen und guten Zitate für mich heraus.
KI kann fließende, aber erfundene Zitate und oberflächliche Themen erzeugen, die die Daten nicht enthalten. Die Stimme des Teilnehmers geht verloren, die Zuschreibung wird unzuverlässig.
Kraftvolle Aufforderung:
Analysieren Sie die folgenden Transkripte und achten Sie dabei NUR auf den Text. Für jeden Themenvorschlag: (1) die Codes, die das Thema bilden, (2) das direkte Zitat + Zeilennummer, die jeden Code unterstützt. Dem Teilnehmer keine Ausdrücke zuschreiben, die nicht im Text erwähnt werden; Wenn Sie sich nicht sicher sind, schreiben Sie „es ist im Text nicht klar“. Transkripte: [hier]
Der Unterschied: Beim zweiten Ansatz wird jeder Kommentar auf das tatsächliche Wort des Teilnehmers zurückgeführt, was eine Fälschung unmöglich macht.
Stufen der qualitativen Analyse
Bühne
Beitrag der KI
Entscheidung des Menschen
Transkription
Formatbearbeitung
Hören Sie zu und überprüfen Sie den Ton
offene Codierung
Codevorschlag (mit Zitat)
Theoretische Wahl
Codebuch
Definitionsentwurf
Legen Sie Codelimits fest
Konsistente Codierung
Anwendung festlegen
Konsistenzprüfung
Themenanalyse
Musterskizze
Kommentar und Benennung
Berichterstattung
Angebotsbearbeitung
Loyalität und Sinn
Häufige Fehler
- Annahme des Angebots ohne Zeilennummer. Von hier aus öffnet sich die Tür zum erfundenen Angebot.
- Vertrauen, ohne auf das Transkript zu hören. Automatisierte Transkripte enthalten fehlerhafte Namen und Begriffe.
- Code mit Theme mischen. Das kleine Etikett und das große Muster sind zwei verschiedene Dinge.
- Geben Sie sich mit dem oberflächlichen Thema zufrieden. Die Kraft der Qualität liegt in der Tiefe; Suchen Sie in den Daten nach Spannung.
- „Verschönerung“ der Stimme des Teilnehmers. Eine Änderung der Bedeutung bei gleichzeitiger Straffung des Textes beeinträchtigt die Wiedergabetreue.
Zusammenfassend
KI in der qualitativen Interviewanalyse; Es spart viel Zeit bei Aufgaben wie dem Bearbeiten von Transkripten, dem Vorschlagen von Code, dem Erstellen von Code-Definitionsbüchern und dem Entwerfen von Themen. Aber das Herzstück qualitativer Forschung ist die Treue zu den eigenen Worten des Teilnehmers. Jeder Code und jedes Thema sollte mit einer tatsächlichen Aussage im Text verknüpft sein – vorzugsweise durch die Zeilennummer; Kein Zitat sollte ohne Überprüfung in den Bericht aufgenommen werden, und kein Kommentar sollte ohne Bestätigung in den Bericht aufgenommen werden. KI produziert Vorschläge; Die Verantwortung für Bedeutung, Tiefe und Treue liegt bei Ihnen.
Anwendungsaufgabe
Machen Sie eine kurze Interviewaufzeichnung (10–15 Minuten, die Sie selbst erstellen können) und transkribieren Sie sie mit einem automatisierten Tool. Hören Sie sich die Aufnahme an und korrigieren Sie das Transkript. Mit der Vorlage „Offener Codierungsvorschlag“ übernehmen Sie zeilennummerierte Codes aus der KI, organisieren sie in Ihrem eigenen Framework und erstellen ein Codebuch. Entwerfen Sie dann mit der „Themenextraktion“ drei Themen und bestätigen Sie diese jeweils mit echten Zitaten. Mit der „Treueprüfung“ können Sie alle Sätze aussortieren, die der Text nicht unterstützt.
Checkliste
- [ ] Ich habe das Transkript überprüft, indem ich mir die Aufnahme angehört habe.
- [ ] Ich habe jeden Code mit Zeilennummer und Zitat verknüpft.
- [ ] Ich habe die Konsistenz mit dem Codedefinitionsbuch dokumentiert.
- [ ] Ich habe jedes Thema mit mindestens zwei direkten Zitaten unterstützt.
- [ ] Ich habe jeden dem Teilnehmer zugeschriebenen Satz mit dem Text bestätigt.