Skip to content
Новость ACM Digital Library окт. 2026 г.

NordiCHI '26: от помощи к автономии — потенциал ИИ в качественном анализе данных

На конференции NordiCHI 2026 опубликована работа «From Assistance to Autonomy», посвящённая тому, как исследователи воспринимают роль ИИ в качественном анализе данных (QDA). Авторы — Elisabeth Kirsten, Annalina Buckmann, Leona Lassak, Nele Borgert, Abraham Mhaidli и Steffen Becker — провели полуструктурированные интервью с 15 исследователями в области Human-Computer Interaction, имеющими опыт в QDA.

Что обнаружили авторы

Участники в целом открыты к тому, чтобы ИИ поддерживал их рабочие процессы QDA, однако выражают обеспокоенность по трём ключевым направлениям: защита данных и приватность, сохранение исследовательской автономии и качество выводов, генерируемых ИИ.

В ответ на эти обеспокоенности авторы разработали фреймворк, охватывающий спектр от минимального до высокого участия ИИ. Фреймворк предлагает конкретные сценарии интеграции ИИ в практику QDA, учитывая как потребности исследователей, так и их опасения. Авторы привязали сценарии к реальным рабочим процессам QDA и выявили потенциал для инструментов ИИ в таких областях, как предобработка данных, адаптация новых исследователей к проекту и медиация разногласий при кодировании.

Структура фреймворка

Исследование не предлагает единого шаблона интеграции ИИ: вместо этого авторы описывают несколько уровней участия. На нижнем конце спектра ИИ выполняет вспомогательные функции — транскрипцию, организацию данных, первичную разметку. На верхнем конце ИИ берёт на себя более самостоятельные роли, которые традиционно требуют интерпретационного суждения исследователя. Промежуточные уровни включают совместную работу, при которой ИИ предлагает коды или темы, а исследователь оценивает и корректирует их.

Цель фреймворка — стимулировать дальнейшую дискуссию о разработке систем ИИ-поддержки QDA и помочь сформировать стандарты ответственного сотрудничества человека и ИИ.

Почему это важно для исследователей

Публикация обозначает растущее признание в академическом сообществе того, что вопрос об ИИ в качественных исследованиях — это не «использовать или нет», а «как использовать ответственно». Перечень опасений, названных участниками, совпадает с тем, что практики упоминают на профессиональных форумах: риск потери авторского голоса в анализе, неопределённость вокруг сохранения данных в облачных сервисах и отсутствие воспроизводимых стандартов для аудита ИИ-ассистированного кодирования.

Предлагаемый фреймворк может служить отправной точкой для команд, которые хотят осмысленно подойти к вопросу об автоматизации частей своего аналитического процесса, не жертвуя рефлексивностью и строгостью метода.

Полный текст доступен в ACM Digital Library: https://dl.acm.org/doi/10.1145/3829807.3829820