AI在質化研究中的應用與限制

生成式人工智慧 (GenAI) 為質性消費者文化研究帶來新的機會，可以增強人類的意義建構和詮釋能力，但同時也面臨固有的挑戰，特別是在理論、具身、經驗和歷史維度上，這些維度凸顯了人類研究者與AI在研究過程中的根本差異。雖然GenAI可以作為高效的工具，但它無法取代人類研究者獨特的理論視角、具身經驗、對數據的深入熟悉以及對歷史背景的理解。成功的合作需要透明度、對AI局限性的認識以及將其用於輔助而非取代人類分析的策略。 核心主題和重要觀點/事實：GenAI作為文本分析工具的演進與淵源：研究文化並非新鮮事，早期的民族誌學者使用筆記本記錄觀察，而Marcel Mauss則依賴已有的印刷技術研究。電腦的出現顯著提升了數據的收集、儲存、合成和檢索能力。早期的應用包括對各種文本內容進行分析。更進一步的文本分析工具，如詞嵌入 (word2vec) 和神經網路模型 (BERT)，能夠理解並納入詞彙的上下文含義。大型語言模型 (LLMs) 根源於這些文本分析形式，通過預測下一個最可能的詞來生成文本，並根據訓練數據集中的模式回答查詢。重要事實： 消費者文化研究者已經採用了許多文本分析工具，如基於字典的分析、主題模型和詞嵌入。人類研究者與GenAI在研究維度上的差異（機遇與挑戰）：理論維度：研究者視角 versus AI 的「無處不在的視角」主要差異： 人類研究者擁有明確的視角、理論框架、目標和知識，這些驅動著研究。「LLMs呈現出 Lorraine Daston 所稱的『無處不在的視角』——一種科學距離，將其對象表示為沒有視角的整體。」AI的局限性： LLMs缺乏自主性，無法生成自己的規範或目標。「ChatGPT應被描述為一個對話者或語言自動機，一個會說話的圖書館，缺乏（自主）能動性。」它無法提出研究問題，選擇研究背景，或表現出興趣。正如學術研究者Mattias所說：「這個工具不會自己提出研究問題。它不會選擇情境，也不會對任何事物感興趣。它只是一個工具。」GenAI的機遇（總結數據）： 儘管缺乏自主能動性，LLMs在總結大量文本和合成信息方面表現出色。一位行業研究者指出，使用AI「對於匯總訪談以提供基本摘要是高效的」。它可以快速提供「高層次、大塊的主題」，提高分析效率。挑戰： 深度的詮釋和新的見解不會自發地從GenAI中出現。人類研究者通過數據與其先前的假設、理論理解和經驗之間的摩擦來生成見解。具身維度：具身、整體的人類經驗價值 versus 複合經驗主要差異： 人類研究者擁有具身經驗和鏈接的傳記身份，這塑造了他們對世界的感知和理解。AI無法直接或自主地感知世界，其合成的經驗基於訓練數據集的表徵。Merleau-Ponty指出，人類「通過身體與世界持續的交流，使世界作為我們生活的熟悉場所呈現給我們。感知到的對象和感知的主體因感知而獲得其厚度。」 AI無法複製這種深度。GenAI的機遇（合成消費者視角）： AI合成多個個體傳記的能力提供了發聲來自數據中「典型」消費者的可能性。學術研究者Kathryn認為GenAI是一個「合成或複合多個視角的工具」，類似於小說或電影中的角色，可用於「捕捉 schemas」，這對於文化社會學的工作至關重要。它可以用於綜合大量和多樣的訪談或媒體數據，並以高效的方式呈現最常見的文化 schemas。挑戰： 使用AI來近似個體人類的經驗存在局限性，特別是缺乏該人的生活背景。合成的受訪者常常缺乏人類訪談中的自發性和獨特性，無法像真人一樣根據社交、心理和物理環境調整語言。數據往往缺乏「指稱細節」，使得研究結果不真實。「當你編造這些東西時，你錯失了只有通過觀察人們在家中，或看他們在緊張時刻，或在夜總會或咖啡館與社區互動，才能發現的真正令人著迷的事情。」隱藏的偏見： AI訓練數據集的構成至關重要。如果數據集不足或存在偏見，則無法準確反映未被充分代表的群體或利基文化現象。Arya評論道：「如果他們在數據中沒有得到充分代表，那麼我們怎麼可能想像我們會喜歡——我不明白...... 對我來說，這似乎與直覺完全相反。」經驗維度：對數據的深入熟悉 versus 不熟悉主要差異： 人類研究者通過與數據的互動（包括數據收集和分析）來建立對數據的深入熟悉，這是一個反覆和遞歸的過程。AI的能力主要來自於其訓練數據集，缺乏對特定研究數據的內在熟悉。GenAI的機遇：總結表面層次主題： AI可以快速總結數據中的表面層次主題，提高效率。「這是一個提高效率的工具...... 在我們綜合、分析和匯總數據點的方式上，我們可以更高效。」發現新主題： AI可以生成自下而上的分析，幫助研究者發現可能遺漏的新主題。「生成自下而上的分析，以發現新的主題，並確保研究者的詮釋反映整體主題。」這可以作為「催化劑」或激發靈感。對話式探索數據： 研究者可以向AI上傳收集到的數據並提出分析問題，實現與數據的對話式互動。「研究者上傳收集到的數據，並詢問分析性問題（例如，反例、引文）。」連接不同數據集中的文化論述： AI可以連接檔案文件、訪談或其他來源中的論述。「研究者使用GenAI連接數據集之間的文化論述。」證實編碼： AI可用於作為額外的判斷者來證實編碼，提高內容分析的可靠性。「生成分析以提供對文本數據的替代和實質性衡量。」挑戰： AI缺乏人類研究者在數據分析中的關鍵技能，例如識別不尋常、矛盾或富有洞察力的時刻。「我們的分析取決於做出觀察...... 什麼看起來不尋常...... 在某人說的話中？某人如何解釋他們展示的東西？...... 這會觸發，這成為我尚未見過平台能夠提供的分析性觀察。」此外，雖然AI可以處理大量數據，但它可能難以識別「差異島」或利基模式，容易被主要模式淹沒。目前的AI工具在處理具有上下文的數據方面可能存在困難。歷史維度：對歷史背景的理解 versus 時間扁平化主要差異： 人類研究者將消費者的思想和行為置於歷史背景中理解，認識到文化、意義和實踐受時間段和社會政治時刻的束約束。AI由於從大量的時間跨度中合成數據，可能導致歷史特異性被模糊或「扁平化」，掩蓋文化差異。GenAI的機遇：創建歷史相關的字典： AI可以通過對特定歷史時間段的檔案材料進行訓練，創建反映當時語言和認知維度的歷史相關字典。保護瀕危語言： GenAI可以訓練用於保護瀕危語言，儘管挑戰在於保留歷史和文化背景以及語音方面。挑戰： AI的「時間扁平化」是其固有的局限性，使其難以捕捉特定歷史時刻的細微差別和背景。人類-AI協作的原則與實踐：該文獻提出了一個實用的框架，詳細說明了研究者在研究不同階段的協作實踐。關鍵原則： 透明度、來源、隱私和真實性 (verisimilitude)。協作實踐示例：文獻回顧： 研究者上傳精選的文章，使用AI概念化關鍵概念和差距（限制AI的作用為總結理論或識別概念差異）。數據生成/收集： 研究者上傳經驗數據，使用AI生成「複合」消費者的反應（合成），或翻譯研究工具和數據以擴展研究者的具身能力（擴展）。研究者向AI提問以了解其運作方式（查詢）。數據分析和詮釋： 研究者上傳經驗數據，使用AI總結表面層次主題（總結）、生成自下而上的分析以發現新主題（發現）、與AI對話以探索數據（對話）、訓練AI連接不同數據集中的文化論述（連接）、使用AI證實發現（證實）、訓練AI訪問特定數據集以理解特定視角（訪問）。工具選擇： 不同AI工具具有不同的屬性，研究者應考慮隱私保護（「圍牆式」與「非圍牆式」）、初始訓練數據集、是否包含輸出來源以及內容選擇參數。超參數（例如，「溫度」、「頻率懲罰」、「頂級概率」）也會影響AI輸出的隨機性和多樣性，研究者應根據研究目的進行調整。結論：人類研究者作為核心的「儀器」消費者文化理論主要是在「研究者作為儀器」的範式下發展起來的，其目標是實現對文化現象的深入理解。「為此，GenAI工具只有在促進而不是取代人類分析時才更高效。」成功的GenAI應用需要對其能力和局限性有清晰的認識，並將其整合到以人類專業知識和詮釋為核心的研究過程中。AI應被視為一個可以增強人類能力的工具，而不是一個自主的研究主體。支持性引文：「生成式人工智慧 (GenAI) 提高了人類意義建構和詮釋的新可能性，可以作為研究工具來增強。」「LLMs提供了一系列越來越多的可能性，以新的方式合成和與質性及文本數據互動。」「消費者文化研究者持有明確的視角，這意味著他們受理論視角、目標、背景意圖和知識的指導，這些驅動著研究。」「然而，因為LLMs代表了一種廣義的語言形式，從特定文本中高度抽象出來，它們呈現出 Lorraine Daston 所稱的『無處不在的視角』——一種科學距離，將其對象表示為沒有視角的整體。」「GenAI在訓練數據的表徵上進行訓練，因此可以綜合報告具身經驗，但它不能直接或自主地感知世界。」「我會將其[合成受訪者]視為訓練數據的合成。......它不是一個人，對嗎？它是訓練數據中圍繞你所捕捉到的論述的合成。它不具有代表性。它不是你實際上會聽到真實的人在歷史上說的話。」「最重要的是，訓練數據的質量。...... 如果它們在數據中沒有得到充分代表，那麼我們怎麼可能想像我們會喜歡——我不理解。」「我們的分析取決於做出觀察。...... 什麼看起來不尋常。...... 在某人說的話中？某人如何解釋他們展示的東西？...... 這會觸發，這成為我尚未見過平台能夠提供的分析性觀察。」「Large language models are a little tricky because it all gets garbled into one thing right. So we have to approach it with a lot of care. There’s no data provenance. There’s no labels. We don’t know who wrote what. So it gets a little bit tricky, and we have to be really careful now as we’re approaching large language models not to allow these systems to get swamped by the dominant patterns.」「For this, GenAI tools are only more efficient when they facilitate, rather than replace, human analysis.」總結： 該文獻強調，儘管GenAI為消費者文化研究提供了強大的文本分析和數據處理能力，但它無法取代人類研究者在理論、具身經驗、數據熟悉度和歷史理解方面的關鍵作用。GenAI的優勢在於數據的總結、合成和初步探索，但深度的詮釋、批判性分析、對細微差別的捕捉以及對文化現象的整體理解仍然是人類研究者的領域。因此，最佳方法是採用協作模式，將GenAI作為輔助工具，在研究過程的不同階段增強人類的能力，同時保持透明度並認識到AI固有的局限性。留言告訴我你對這一集的想法： https://open.firstory.me/user/cma3wycxc1h3j01w16c9o0ueb/comments Powered by Firstory Hosting