Voitot:
- Kyky jakaa haastattelusuoritukset ja avoimet kyselyvastaukset teemoihin tekoälyllä ja tukea niitä näyttöviitteillä
- Kyky tehdä yhteenveto kvantitatiivisista tutkimustiedoista ja välttää harhaanjohtavaa tulkintaa (pieni otos, johtava kysymys, valintaharha)
- Kyky työskennellä eettisesti ja KVKK-yhteensopiva suojelemalla osallistujien luottamuksellisuutta ja anonymisoimalla transkriptit
Konsultoinnin rikkaimmat oivallukset eivät useinkaan ole kaavioissa, vaan siinä, mitä ihmiset sanovat. Esimiehen haastattelu, avoimia vastauksia asiakaskyselyyn, muistiinpanoja kenttävierailusta... Nämä ovat ei-numeerista (laadullista) dataa ja niiden lukeminen, koodaaminen ja teemoihin jakaminen kestää tunteja. Tekoäly nopeuttaa suuresti tätä työtä: Se pilkkoo 30 haastattelun transkriptiota teemoiksi minuuteissa ja löytää toistuvia malleja. Mutta on olemassa kaksi vaaraa: malli voi "kehittää" teeman (lisätä kommentti, joka ei ole kopiossa), ja osallistujien luottamuksellisuus voi loukata helposti. Tässä osiossa opimme analysoimaan laadullista dataa näyttöön perustuvalla ja turvallisella tavalla.
Laadullinen analyysi: koodauksesta teemaan
Kvalitatiivisessa analyysissä on kolme vaihetta. Koodaus ensin: jokaiselle lausunnolle annetaan lyhyt nimike ("hintavalitus", "kiitokset toimituksesta"). Sitten teemoiminen: samankaltaiset koodit kootaan teemaksi ("toiminnallinen tyytymättömyys"). Lopussa kommentti: teemojen ja "niin mitä" -kerroksen välinen suhde on vahvistettu. AI on erittäin nopea kahdessa ensimmäisessä vaiheessa; Kolmas vaihe edellyttää asianajajan harkintaa.
Kriittisin varmistus on tämä: jokaisen teeman tukena on oltava sanatarkasti lainaus. Tämä vahvistaa, että teema todella tulee tiedoista; Lainaus-lainausteemaan liittyy hallusinaatioiden riski.
Roolisi: kvalitatiivinen tutkimusanalyytikko.Alla on anonymisoitu transkriptio 12 asiakashaastattelusta (merkitty P1, P2...).Tehtävä:1) Pura toistuvia teemoja (enintään 7 teemaa).2) Jokaisen teeman osalta: kuinka moni osallistuja näki sen + 2 sanatarkkaa lainausta (osallistujakoodilla).3) Näytä ja lisää lausekkeita: CONFLIC, jotka tukevat erikseen, älä näytä erikseen. mahdolliset mielipiteet, joita ei ole transkriptiossa; Jokainen teema on todistettava lainauksella. - Älä tuota muita tunnistetietoja kuin osallistujakoodeja. - Listaa yksittäiset "vähemmistön mutta tärkeät" mielipiteet erikseen lopussa (eriävät äänet).
Toinen tehokas tekniikka on pyytää mallia koodaamaan määrittämilläsi kiinteillä luokilla sen sijaan, että se määrittäisi ensin oman koodimallinsa. Jos esimerkiksi annat asiakastyytyväisyystutkimuksessa ennalta määritettyjä teemoja, kuten "hinta, tuotteen laatu, toimitus, tuki, helppokäyttöisyys", eri transkriptioista tulee vertailukelpoisia ja mallia estetään muodostamasta eri nimiä joka kerta. Ilmainen teeman poimiminen sopii löytöihin, kun taas kiinteän kategorian koodaus sopii vertailuun ja mittaukseen; Useimmissa projekteissa molempien käyttäminen yhdessä toimii parhaiten: ensin ilmainen tutkiminen ja sitten digitointi kiinteällä mallilla.
Tehtäväsi: laadukas koodausassistentti. Kiinteät luokat: [hinta, laatu, toimitus, tuki, helppokäyttöisyys, muu]. Tehtävä: Määritä jokainen alla oleva avoin vastaus yhteen tai useampaan näistä luokista. - Kirjoita laukaisulause vastaukseen (sanatarkasti) kunkin tehtävän viereen. - Rastita onko vastaus positiivinen vai negatiivinen. Kommenttien lisääminen, jotka eivät sisälly vastaukseen.
Vinkki: On erittäin arvokasta kysyä "vähemmistön, mutta tärkeiden" mielipiteitä erikseen. Kerran sanottu mutta kriittinen hälytys (esim. yksittäinen suuri asiakas, joka sanoo "harkimme sopimuksen uusimista") katoaa useimpiin teemoihin; näkyy erikseen lueteltuna.
Yksityisyys ja anonymisointi
Haastattelukopiot ovat henkilökohtaisia tietoja ja ovat usein arkaluonteisia (työntekijöiden valitukset, esimiehen kritiikki). Ennen kuin ne ladataan tekoälytyökaluun, ne on anonymisoitava: nimet, otsikot, sisäiset tunnistetiedot korvataan koodinumerolla (K1, K2...). Osallistujalle luvataan usein, että "sanomasi tiedot ilmoitetaan anonyymisti"; Tämän lauseen tekninen vastine on anonymisointi.
Tietotyyppi
Riski
varotoimenpide
Osallistujan nimi/titteli
henkilöllisyyden paljastaminen
Korvaa koodinumerolla
Sisäinen yksityiskohta
epäsuora diagnoosi
Yleistä tai peitä
herkkä näkö
Kostotoimien riski
Yksilöllinen vastaavuus joukkoraportilla
Ääni/videotallennus
korkein herkkyys
Renderöi hyväksytyssä työkalussa ja poista sitten
Voit antaa mallin suorittaa anonymisoinnin alustavana vaiheena ennen transkriptien lataamista työkaluun. Mutta muista tarkistaa visuaalisesti tulos:
Sinun roolisi: tietosuojaeditori. Valmistele seuraava haastattelukopio analyysiä varten; tee seuraava peitto:- Tee kaikki yhteyshenkilöiden nimet K1, K2...- Yleistä epäsuorasti tunnistetiedot, kuten nimike, osasto, sijainti ("Ainoa ulkomainen insinööri T&K:ssa" → "insinööri").- Poista yritysten/asiakkaiden nimet. Anna vain peitetty teksti; Luettele lyhyesti, minkä tyyppisiä tietoja peität ja miksi.
Varoitus: "Anonyymi" ei riitä. Lause "Ainoa markkinoinnista vastaava naisjohtaja" tunnistaa henkilön, vaikka hänen nimeään ei ole kirjoitettu. Anonymisoinnin tulee sisältää myös kaikki epäsuorasti tunnistettavat tiedot. KVKK-rikkomus ja osallistujien luottamuksen menetys alkavat tästä.
Kvantitatiivisten tutkimustietojen tulkitseminen
Tekoäly tuottaa yhteenvedon ja erittelyn suljetuista (numeerisista) tutkimustuloksista. Mutta kvantitatiivisella analyysillä on omat sudenkuopat, ja malli voi jättää ne huomiotta:
- Pieni näyte: 18 henkilön kyselyn sanominen "61 % asiakkaista on tyytyväisiä" on harhaanjohtavaa. Jos näyte on pieni, tulee keskustella raakamäärästä ja epävarmuudesta, ei prosenteista.
- Johtava kysymys: "Kuinka tyytyväinen olet erinomaiseen palveluumme?" Kysymys sisältää vastauksen; Tulos on puolueellinen.
- Valintaharha: Jos vain tyytyväisimmät tai vihaisimmat asiakkaat vastaisivat, tulos ei edustaisi maailmankaikkeutta.
Ennen kuin teet yhteenvedon tämän tutkimuksen tuloksista, tee metodologinen tarkistus: - Onko otoskoko riittävä esittämään tulokset prosentteina? - Onko kysymyksissä johtavia/johtavia lausuntoja? Rasti.- Mikä on vastausprosentti ja valintaharhan riski? Anna vain tarkastusraportti; Teemme sen sitten yhteenvedon erillisessä viestissä.
kolme minilaukkua
Tapaus 1 – keksitty teema kiinni. Konsultti antaa mallille 20 haastattelua; malli poimii teeman "osallistujat haluavat työskennellä etänä". Konsultti pyytää tarjousta; Malli löytää vain yhden epäselvän lainauksen. Teemaa ei todellisuudessa ollut olemassa, malli keksi sen yleisestä trendistä. Jos viittausvaatimusta ei olisi, virheellinen havainto sisällytettäisiin raporttiin.
Tapaus 2 — Epäsuora diagnoosi. Työntekijöiden tyytyväisyysprojektissa transkripti sisältää "Ainoa ulkomainen tutkimus- ja kehitysinsinööri sanoi tämän." Nimeä ei ole, mutta henkilö on selvä; Kun raportti menee johtajalle, on olemassa koston riski. Konsultin oli alusta alkaen yleistettävä kaikki erottavat yksityiskohdat ("insinööri").
Tapaus 3 – Pieni näyteloukku. Tuotetestissä 15 käyttäjää 22:sta piti siitä; mallissa lukee "68% tyytyväisyys" ja se asetetaan dialle. Sijoituslautakunta vastustaa: "22 ihmistä ei edusta maailmankaikkeutta." Konsultti kirjoittaa rehellisesti uudelleen tulokseksi "15 positiivista käyttäjää 22:sta; tarvitaan suuntaa-antava, vahvistava suuri näyte"; luottamus palaa.
Heikko kehote / Vahva kehote
Heikko kehote:
Lue nämä haastattelut ja poimi tärkeimmät havainnot.
Malli tuottaa teemoja ilman lainauksia, ilman todisteita; Valmistuksen ja luottamuksellisuuden riski on suuri.
Tehokas kehotus:
Tehtäväsi: laadullinen analyytikko. Transkriptio alla, anonymisoitu (K1..Kn). Tehtävä: Enintään 7 teemaa; osallistujien määrä kutakin + 2 sanatarkasti lainausta (koodilla); tukevat ja ristiriitaiset lausunnot erikseen; vähemmistön, mutta kriittisten mielipiteiden erillinen luettelo. Säännöt: sellaisten mielipiteiden lisääminen, jotka eivät sisälly transkriptiin; identiteetin luominen; Älä anna teemaa ilman lainausmerkkejä; merkitse aihe, josta et ole varma, "heikoksi todisteeksi".
Teemojen kylläisyys ja paino
Kvalitatiivisessa analyysissä kaksi käsitettä määrää tulkinnan laadun. Ensimmäinen on kylläisyys: tietojen sanotaan olevan "kyllästynyt", kun uudet haastattelut eivät enää tuota uusia teemoja; Tämä on merkki siitä, että näyte on riittävä. Jos vielä 8. haastattelussa tulee uusia teemoja, tarvitaan lisää haastatteluja. Toiseksi, teemojen painoarvo: kuinka monta ihmistä näkee teeman ja sen tärkeys ovat eri asioita. Viiden henkilön mainitsema pieni vaiva ja yhden henkilön mainitsema sopimuksen irtisanomisen riski eivät ole yhtä tiheästi, mutta jälkimmäinen voi olla paljon kriittisempi. Siksi teemojen asettaminen taajuuden mukaan on harhaanjohtavaa; Arvioi kutakin teemaa sekä "kuinka monta ihmistä" ja "kuinka tärkeä" kannalta. Tekoälyn sanominen "arvostele nämä teemat kahdessa eri sarakkeessa, jossa kerrotaan tiheydestä ja mahdollisista vaikutuksista liiketoimintaan", tämä ero näkyy. Sinä päätät yrityksen vaikutuksesta.
Yleisiä virheitä
- Lainaukseton teeman hyväksyminen. Jokainen teema on todistettava sanatarkasti lainauksella transkriptiosta; Muuten on olemassa hallusinaatioiden vaara.
- Anonymisoinnin tekeminen pintapuoliseksi. Nimen poistaminen ei riitä; Epäsuorat tunnistetiedot tulee myös peittää.
- Esitetään pieni näyte prosentteina. Pienellä osallistujamäärällä tulisi keskustella raakaluvuista ja epävarmuudesta, ei prosenteista.
- Ohjaava kysymys huomioimatta. Johtavien kysymysten tulos on puolueellinen; Tarkista menetelmä.
- Poikkeamien menettäminen. Kun kriittinen varoitus on puhuttu, enemmistöteemat nielevät sen; lista erikseen.
- Sekoitetaan määrällinen ja laadullinen. Käsittele avoimia kommentteja numeerisilla tuloksilla eri tavoin.
Yhteenvetona
Laadullinen data on rikkain oivalluksen lähde konsultoinnissa, ja tekoäly säästää tunteja koodauksessa ja teemoinnissa. Jokainen teema tulisi kuitenkin todistaa sanatarkasti lainauksin, osallistujien luottamuksellisuus on suojattava täysin, mukaan lukien epäsuora tunnistaminen, ja metodologisia sudenkuoppia, kuten otanta, kysymysten harhaa ja valintaa, olisi valvottava kvantitatiivisissa tutkimuksissa. Malli on nopea luku- ja etiketöintilaite; konsultin tehtävänä on tarkistaa todisteet, säilyttää luottamuksellisuus ja luoda "niin mitä" -taso.
Sovellustehtävä
Valmistele useita haastattelukopioita (tai avoimen kyselyn vastauksia), joko todellisia tai edustavia, ja tee ne ensin anonymisoiduksi (mukaan lukien nimi ja epäsuora tunniste). Poimi teemoja, lainauksia, ristiriitaisia lausuntoja ja eriäviä ääniä vahvalla laadullisella kehotuksella. Tarkista transkription ainakin yhden teeman lainaus varmistaaksesi, että se todella on olemassa. Tee sitten pieni kvantitatiivinen tutkimus ja arvioi otos- ja kysymysharha pyytämällä metodologista auditointia.
tarkistuslista
- [ ] Anonymisoin transkriptit, mukaan lukien nimen ja epäsuoran tunnisteen.
- [ ] Todistin jokaisen teeman sanatarkasti lainauksella.
- [ ] Näytin erikseen ristiriitaiset ilmaisut ja ristiriitaiset äänet.
- [ ] Pienessä otoksessa käytin prosenttilukujen sijaan raakalukuja ja epävarmuutta.
- [ ] Merkkasin johtavat kysymykset.
- [ ] Arvioin valintaharhariskin.
- [ ] Ilmoitin arkaluontoisista kommenteista kollektiivisesti yhdistämättä niitä yksittäiseen henkilöön.