收益：
- 能够通过收听录音来验证文字记录并使用人工智能来建议代码和主题
- 通过将每个代码和引用连接到文本中的实际语句（最好使用行号）来忠实于参与者的声音
- 能够区分代码和主题，避免肤浅的评论，并通过引用支持数据的深度。
定性研究与数字无关，而是与数字相关。这是一种处理意义、经验和背景的方法。它试图深入了解人们如何解释一个事件，用什么词来描述它，以及他们为什么关心它。最常见的工具是深度访谈——根据预先确定但灵活的问题与某人进行长时间的对话。采访结束后有三项任务：转录（逐字转录录音）、编码（标记文本中有意义的段落）和主题分析（从代码中提取更大的、重复出现的模式——主题）。在本单元中，您将学习如何在这三项工作中使用人工智能；但您将学习如何保持参与者的声音和对口译的责任。
人工智能对于定性分析来说是一个非常强大的帮助，因为大部分工作都是在处理文本，而人工智能处理文本的速度很快。但这正是最大风险所在的原因：将参与者未曾说过的事情归咎于他或她。人工智能可以“纠正”引述、“解释”情绪或“弥补”文本中没有的主题。定性研究的核心是忠实于参与者自己的话。因此，黄金法则是：人工智能建议代码和主题，但每个建议都必须链接到文本中的实际语句（最好带有行号），并且您必须确认它。
一步一步：从注册到主题
1. 验证成绩单。自动转录工具速度很快，但也会出错：它们可能会拼错名称、技术术语、方言表达。听录音并改正笔录很重要； AI可以编辑格式，但听不到声音。
2. 进行开放编码。逐行阅读文本，并为每个有意义的部分添加标签（代码）。 AI可以根据前几个转录本生成代码建议；这给出了一个起始列表。
3. 使代码列表与理论一致。根据你自己的研究问题和框架，组合、分离、重命名人工智能建议的代码。这是人的判断。
4. 编码保持一致。相同的含义应在各处用相同的代码标记。人工智能可以帮助标记剩余的成绩单，使其与您批准的代码集保持一致。
5.提取主题。对代码进行分组并命名较大的模式（主题）。 AI建议草稿主题；由您决定哪一个真正反映您的数据。用直接引用来支持每个主题。
提示：在定性分析中澄清“代码”和“主题”之间的区别：代码是文本中含义的小标签（“对工作不安全感的焦虑”）；主题是汇集了许多代码的大模式（“关于未来的不确定性”）。人工智能可能会混淆两者；你保持这种区别。
三个迷你箱子
案例 1 — 捏造的报价被抓获。一位研究人员向人工智能询问支持某个主题的引言。 AI 呈现了一个流利的句子，但并未像“参与者所说的那样”出现在笔录中。当研究人员询问行号时，YZ 无法引用来源；该报价是捏造的。这已成为一条规则：不接受没有引号或行号的提案。
案例 2 — 编码一致性提高。在对 30 份成绩单的研究中，两名研究人员使用了不同的代码。他们让人工智能起草了一个通用的密码本——每个密码的名称、描述和示例；编码人员之间的一致性显着增加，并且每个代码的含义都被记录下来。
案例3——表面主题加深。在第一轮中，人工智能提出了一个肤浅的主题，例如“参与者快乐/不快乐”。当研究人员说“这太肤浅了，显示了数据中的张力”时，AI 又回到引文，根据文本勾画出了更丰富的模式，比如“寻求安全感与渴望自由之间的张力”；研究人员通过引用证实了这一点。
四个可复制模板
1）开放编码推荐：
逐行编写以下采访记录。为每个有意义的段落建议一个简短的代码标签，并在其旁边放置行号和直接引用。不要添加文本中没有的任何内容。请勿评论；只需在文本中标记该短语即可。文字记录：[此处]
2）代码定义书（codebook）：
根据以下代码列表创建代码定义书：对于每个代码，(1) 名称，(2) 一句话描述，(3) 文本摘录（带行号），(4) 注释“超出此代码的范围”。标记不明确的代码。代码：[此处]
3）主题推断（基于引用）：
附件是我批准的代码清单。通过对这些代码进行分组来建议 3-5 个主题草图。对于每个主题：显示它包含哪些代码以及至少 2 个支持它的直接引号（带有行号）。不要建议没有引用的主题。主题：[此处] 代码：[此处]
4）忠诚度控制：
以下是主题及其所依据的引言的摘要。检查每个句子：这个评论是否真的如引文所述，还是一个额外的推论？标记出文本不支持的每个句子。参与者的声音被夸大或扭曲。摘要：[此处]
弱提示/强提示
弱提示：
阅读这些采访，为我找出主题和精彩的引言。
人工智能可以产生数据所不具备的流畅但虚构的引言和肤浅的主题。参与者的声音消失了，归因变得不可靠。
强力提示：
仅根据文本分析下面的文字记录。对于每个主题建议：（1）构成主题的代码，（2）直接引用+支持每个代码的行号。请勿将文中未提及的任何表述归咎于参与者；如果不确定，请写“文中不清楚”。文字记录：[此处]
不同之处在于：第二种方法将每条评论都归因于参与者的实际用词，从而使捏造成为不可能。
定性分析阶段
舞台
人工智能的贡献
男人的决定
转录
格式编辑
聆听并验证音频
开放编码
代码建议（带引用）
理论选择
密码本
定义草案
设置代码限制
一致的编码
设置应用程序
一致性检查
主题分析
图案素描
评论和命名
报告
报价编辑
忠诚与意义
常见错误
- 接受不带行号的报价。虚构报价之门从这里打开。
- 不听文字记录就相信。自动记录的名称和术语有误。
- 将代码与主题混合。小标签和大图案是两个不同的东西。
- 对肤浅的主题感到满意。品质的力量在于深度；查找数据中的电压。
- “美化”参与者的声音。在简化文本的同时更改含义会破坏保真度。
总之
人工智能在定性访谈分析中的应用；它可以在编辑脚本、建议代码、创建代码定义书籍和主题起草等任务中节省大量时间。但定性研究的核心是忠实于参与者自己的话。每个代码和主题都应该链接到文本中的实际语句 - 最好通过行号；未经核实，报告中不得引用任何言论；未经证实，报告中不得发表任何评论。人工智能产生建议；对意义、深度和忠诚度的责任在于你。
应用任务
录制简短的采访录音（您可以自己制作 10-15 分钟）并使用自动化工具进行转录。听录音并改正抄本。使用“开放编码提案”模板，从人工智能中获取行编号代码，将它们组织到您自己的框架中并创建密码本。然后，通过“主题提取”，起草 3 个主题，并用真实的引用来确认每个主题。通过“保真度检查”，清除文本不支持的任何句子。
清单
- [ ] 我通过听录音验证了文字记录。
- [ ] 我将每个代码与行号和引用链接起来。
- [ ] 我已经记录了与代码定义书的一致性。
- [ ] 我用至少两个直接引用来支持每个主题。
- [ ] 我用文本确认了参与者的每句话。