Самое соблазнительное в анализе качественных интервью — загрузить 15 транскриптов в ИИ и попросить: «проверь гипотезы и найди основные паттерны».

От этого подхода я сейчас пытаюсь уйти 🙈

На большом массиве данных модель может потерять часть интервью, слишком быстро обобщить ответы, не заметить контрпример или уверенно сформулировать вывод, который исходниками подтверждается так себе.

Поэтому вместо одного большого промпта я собираю в Codex — среде, где ИИ может работать с файлами и выполнять последовательность действий, — повторяемый маршрут анализа качественных интервью.

💡Идея простая: у исследователя уже есть согласованные с командой цели и гипотезы, проведены интервью и готовы транскрибации. Дальше ИИ ведёт анализ по заранее заданному процессу, делает механическую работу и останавливается там, где нужно решение исследователя.

🗺️ Сейчас маршрут выглядит так:

1. Фиксируем цель и правила анализа. Заранее определяем, что именно проверяем и что считаем подтверждением гипотезы. Чтобы критерии не начали меняться уже после знакомства с данными.

2. Разбираем интервью по отдельности. Сначала — факты, цитаты, наблюдения и контрпримеры по каждому респонденту. Никаких общих выводов на этом этапе.

3. Проверяем исходники и спорные места. Цитаты сверяются с транскриптами. Неоднозначные случаи ИИ не решает самостоятельно, а выносит мне на проверку и при необходимости задаёт уточняющие вопросы.

4. Только потом агрегируем. Сравниваем респондентов и сегменты, ищем паттерны и оцениваем гипотезы. До этого этапа у ИИ буквально стоит запрет на финальные статусы и общие выводы.

5. В конце — отдельная проверка качества. Проверяем, не потерялись ли контрпримеры, нет ли выводов без подтверждения (цитат), не исказились ли цитаты и действительно ли итог опирается на исходные данные.

При этом часть проверок вообще не оставляю «на совести» модели: отдельные скрипты контролируют, например, количество обработанных интервью, дословность цитат и соответствие результатов исходным файлам.

🎯 В идеале хочу прийти к системе, где ИИ забирает большую часть механической аналитической работы, но методологически важные решения остаются за исследователем.

А сам процесс можно запускать снова в следующем исследовании, не собирая каждый раз анализ заново из отдельных промптов.

Сейчас оформляю его в команды и скиллы и тестирую на реальных исследованиях. Отдельно хочу проверить, насколько такой маршрут действительно экономит время, если учитывать не только сам анализ, но и весь контроль качества.

Если вы уже используете ИИ для анализа больших объёмов текстовых данных — с какими сложностями сталкиваетесь? Это поможет докрутить проверки и промпты!