Quirks: Культурный контекст в AI-модерированных качественных интервью

Краткое содержание: Прямое сравнение AI и человека-модератора показало, что AI-модерированные интервью с афро-американскими и латиноамериканскими респондентами дали более поверхностные данные, более слабый раппорт и упустили культурно-специфические сигналы — что свидетельствует о критическом разрыве в качестве, который исследователи должны учитывать, прежде чем рассматривать «qual at scale» как полноценную замену квалифицированной модерации человека.

Может ли AI стать вашим модератором?

AI играет ключевую роль в работе многих маркетинговых исследователей, а некоторые специалисты полагают, что маркетинговые исследования с «человеческим взаимодействием скоро могут уйти в прошлое» (Bohne, 2025). На фоне этих изменений наблюдается рост числа компаний, продвигающих возможности для AI-модерированных качественных исследований. Исследователи всё активнее используют AI-модерацию качественных интервью, чтобы достичь того, что некоторые называют «qual at scale» — подхода, объединяющего преимущества снижения затрат, расширения выборки и ускорения получения результатов.

Так же, как маркетинговые исследователи проявляли должную осторожность в 1990-х годах при переходе от CATI-интервью к онлайн-полевой работе, аналогичная осторожность необходима сегодня при внедрении AI-инструментов в маркетинговые исследования (McDonald, 2026, в печати). Проведя данный сравнительный анализ, авторы стремятся предоставить ключевые соображения по применению AI-модерации в качественных исследованиях. Кроме того, они надеются, что полученные результаты и рекомендации вдохновят на более тесное сотрудничество между исследовательским сообществом и коммерческими технологическими компаниями, поскольку такое взаимодействие необходимо для максимизации преимуществ AI-модерации при одновременном снижении вреда и рисков, возникающих при её непроверенном использовании.

Методология

Данный анализ документирует наблюдаемые различия в видеозаписях и транскриптах, полученных в ходе AI-модерированных и человеческих интервью. Темой взаимодействия стало доверие к брендам — тема, широко изучаемая в контексте маркетинговых исследований.

Было проведено 34 онлайн-качественных интервью с сравнением AI-модерированных и человеческих подходов. Интервью распределились между модераторами-социальными учёными и AI-модераторами.

Рекрутинг осуществлялся через Sago, участникам выплачивалось денежное вознаграждение. Выборка была поделена между самоидентифицирующимися афро-американскими и латиноамериканскими респондентами старше 18 лет, включая участников, говорящих на английском и испанском языках. При скрининге использовались стандартные маркетинговые вопросы для рекрутинга респондентов, охватывающих различия по полу, занятости, возрасту, принятию решений о брендах, доходу, расе, этнической принадлежности, языку, образованию, семейному положению и географии.

Исследование сосредоточено на представителях афро-американских и латиноамериканских сообществ по двум причинам. Эти группы населения в США растут, тогда как доля белого неиспаноязычного населения сокращается — что делает их особенно важными для бизнеса, ориентированного на рост. Кроме того, многие AI-инструменты созданы командами, в которых отсутствует разнообразие, характерное для современного общества, и нередко обучены на данных из открытых источников, преимущественно отражающих точку зрения белых, мужского пола, гетеросексуальных авторов на английском языке (см. Atari et al., 2023; McDonald, 2026, в печати). Этот разрыв делает намеренное включение недостаточно представленных групп участников в оценку AI-инструментов необходимым шагом.

В исследовании использовались AI-модераторы двух компаний (Таблица 1). Псевдонимы (K и L) применяются с целью стимулирования здорового совершенствования AI-модерации по всей отрасли маркетинговых исследований, без намерения одобрять или осуждать конкретного поставщика в период его развития.

AI-модераторы и человека-модераторы использовали одно и то же полуструктурированное руководство для дискуссии с ограничением в 20 минут на каждое интервью. Участникам задавались вопросы о доверии и недоверии к брендам, причинах такого отношения, эмоциональных ассоциациях с брендами и о том, как взаимоотношения бренда с сообществом участника влияют на доверие. Обоим типам модераторов было разрешено выходить за рамки предусмотренных вопросов.

Аналитик кодировал деперсонифицированные транскрипты, не зная о сравнительном характере исследования. В дополнение к ручному кодированию проводилась AI-оценка транскриптов с использованием большой языковой модели (LLM) для оценки нюансированности, связности, глубины insight, эффективности маркетинговых исследований и продолжительности интервью. Соответствие фрагментов транскриптов выводам, установленное LLM, проверялось исследователем, повторно прочитавшим транскрипты.

Результаты

Направление вопросов и зондирование

AI-модерированные интервью следовали более стандартизированной последовательности вопросов с ограниченной гибкостью. Это обеспечивало единообразие в интервью, но ограничивало зондирование и уточнения. AI-интервью незначительно расширяли ответы участников сверх их первоначальных высказываний и нередко интерпретировали паузы как завершение ответа, переходя к следующим вопросам до того, как участники полностью выражали свои мысли. Типичные ответы AI-модераторов представляли собой эхо-повторение слов участника или формульные реакции («Понятно», «Я понимаю»). В результате вклад участников с большей вероятностью оставался поверхностным — закономерность, наблюдавшаяся как среди афро-американских, так и среди латиноамериканских респондентов.

Человеческие интервью вызывали более нюансированные и детальные ответы (Таблица 2a). Модераторы-люди демонстрировали гибкость в адаптации к ответам участников посредством зондирования, уточняющих вопросов и пояснений, что поощряло рефлексию и детализацию. AI-взаимодействия эффективно генерировали краткие и согласованные ответы, близко соответствующие заданным вопросам.

Напротив, более адаптивное зондирование в человеческой модерации способствовало глубине и широте нарратива, создавая данные, отражающие тонкости опыта и истории участников (Таблица 2b). AI-модерация, будучи эффективной, ограничивала развёртывание ответов и появление нарративов.

Вариативность и согласованность

Транскрипты интервью демонстрировали высокую согласованность в AI-интервью наряду со значительной вариативностью среди пяти модераторов-людей. Видеозаписи и транскрипты свидетельствуют о том, что модераторы-люди, будучи обученными социальными учёными, совершали намеренные поведенческие и языковые корректировки в режиме реального времени применительно к конкретным комментариям, демографическим характеристикам, языку и коммуникативному стилю участников.

Как показывают наблюдаемые тематические различия (Таблица 3), эти человеческие корректировки приводили к большей глубине понимания, что способствует формированию прорывных insights и высоко релевантных рекомендаций к действию. Данные наблюдения указывают на важные соображения в контексте дизайна качественных исследований, особенно когда требуются детальные, контекстуально обоснованные insights. Потребность в согласованности в качественных контекстах отличается от той ситуации, когда целью является сбор данных в стиле опроса.

Вовлечённость и невербальное поведение

В AI-модерированных интервью вовлечённость участников была ниже, а выраженные маркеры раздражения — выше (Таблица 4). Когда участники пытались перебить AI (например, спрашивая «Можете повторить?» или уточняя ответ после паузы), система нередко игнорировала этот сигнал, преждевременно переходила к следующему вопросу или повторяла ту же формулировку, что порой приводило к видимому недовольству или просьбам завершить интервью.

Афро-американские участники демонстрировали такие реакции, как закатывание глаз, скептические взгляды, отвод взгляда от экрана и заметное выполнение посторонних дел (Таблица 4). Эти поведенческие паттерны сигнализировали о скептицизме и раздражении по отношению к AI-модератору. Среди латиноамериканских участников наблюдалось частое снижение зрительного контакта, жесты разочарования и менее выразительная коммуникация после того, как становилось ясно, что AI-система недостаточно отзывчива (Таблица 5).

Это чрезвычайно важно, поскольку в коллективистских и ориентированных на отношения традициях, характерных для афро-американских и латиноамериканских сообществ, доверие и открытость возникают через реляционные сигналы — зрительный контакт, управление взглядом, тёплое выражение лица и культурно-настроенное back-channeling — в противовес нейтральному, ориентированному на эффективность стилю, более типичному для белых, средних классов норм интервью в США (Larivière et al., 2025). В совокупности эти паттерны свидетельствуют о том, что в данной выборке AI с трудом устанавливал и поддерживал раппорт с афро-американскими и латиноамериканскими респондентами, тогда как модераторы-люди лучше умели распознавать и реагировать на культурно детерминированные вербальные и невербальные сигналы, способствуя более открытому и нюансированному разговору.

Обсуждение чувствительных тем

Эти различия в невербальных сигналах становились ещё более заметными, когда участники затрагивали темы расизма, общественных конфликтов или семейного стресса. AI-модератор принимал подобные рассказы, не признавая их эмоционального веса, нередко нарушал очерёдность уточняющих вопросов и не перефразировал сбивающие с толку или культурно-специфические вопросы, что приводило к путанице и замыканию участников в себе. Для афро-американских участников эти сбои взаимодействовали с историческим опытом надзора и пренебрежения, делая невербальные маркеры — закатывание глаз и отвод взгляда — показательными индикаторами скептицизма и самозащиты. Для латиноамериканских участников аналогичные недостатки AI-модератора разрушали коммуникативную ориентацию, наблюдавшуюся в человеческих интервью и обычно поддерживающую confianza.

Обсуждение

«Качественное интервьюирование — это нечто большее, чем просто способность задавать релевантные вопросы: это язык тела, тон, паузы, колебания, энтузиазм, страсть, скука. Это тонкие элементы, требующие способности к рассуждению, культурному пониманию и человеческой эмпатии, которыми AI попросту не обладает» (Wilson, 2023). Это ставит высокую планку перед AI-модератором, которому пока недостаёт интерпретативных способностей, приобретаемых через человеческий жизненный опыт, — в частности, умения считывать культурно-специфические реакции через невербальную коммуникацию: жесты, мимику, паузы, язык тела.

Базовое обещание AI-модерации заключается в обеспечении скорости, масштаба и эффективности без ущерба для качества. AI-интервью были удобнее для кодирования благодаря своей структурированности, однако это достигалось ценой тематического богатства, личных нарративов и нюансированного рассуждения. Следовательно, быстрый, «бесфрикционный» сбор данных не должен приравниваться к качественному пониманию.

Данное исследование показало, что AI-модераторам по-прежнему не хватает способности человека-модератора поддерживать вовлечённость, стимулировать глубину и нарратив, улавливать тонкости и гибко зондировать при проведении качественных маркетинговых интервью с афро-американскими и латиноамериканскими респондентами в США. AI-системы, возможно, способны имитировать поверхностные маркеры эмпатии, однако пока не обладают способностью адаптивно распознавать эмоции, прояснять смысл и корректировать вопросы в культурно укоренённой манере.

Этот разрыв существенно важен в контексте AI-модерированных интервью. Некоторые люди могут говорить больше, чувствуя меньше осуждения, однако при этом теряется культурно обоснованная взаимность: распознавание эмоций, прояснение смысла и реальная корректировка вопросов в режиме реального времени с учётом контура конкретной жизни. В этом смысле AI-модерация может давать полезный контент, но упускать эмное значение. Тонкие изменения в аффекте — колебания, ирония и внезапная тишина — могут игнорироваться или расцениваться как помехи.

Рекомендации

На сегодняшний день применение AI-модераторов было бы целесообразным при работе с афро-американскими и латиноамериканскими участниками в тех случаях, когда требуется масштаб и скорость получения ответов в большей степени, чем нюансированный insight, социальное, эмоциональное или культурное понимание. Кроме того, AI-модерированные интервью могут служить ценной заменой традиционным открытым ответам в опросном исследовании. AI-модерация также применима для быстрого и недорогого изучения новых тем, возникающих по результатам анализа количественных данных.

Вместе с тем следует сохранять осторожность и критический взгляд при рассмотрении применения AI-модераторов в маркетинговых исследованиях с афро-американскими и латиноамериканскими респондентами — поскольку каждое человеческое взаимодействие определяется культурой. Квалифицированная модерация человека по-прежнему необходима для установления раппорта, поддержания вовлечённости, считывания сигналов, укрепления доверия, поощрения обмена информацией и зондирования тем в культурно укоренённой манере, которую в противном случае можно неверно интерпретировать.

По мере развития возможностей AI-инструментов важно проводить непрерывные исследования, касающиеся устранения обозначенных здесь проблем: интерпретации человеческих эмоций, понимания культурной динамики, неспособности адекватно выражать эмпатию и общего потенциала для ошибок. Пока остаётся неясным, станет ли в ближайшее время возможной интерпретация культурно-специфических невербальных сигналов AI-модератором.

Отношение к AI варьируется внутри стран и между ними, что может приводить к смещению выборки, если люди, не доверяющие AI, с меньшей вероятностью будут участвовать в исследованиях с применением AI-модераторов — или участвовать с меньшей вовлечённостью. Важно подчеркнуть, что результаты данного сравнительного исследования имеют значение, выходящее за рамки афро-американских и латиноамериканских сообществ в США. Авторы призывают практиков проводить собственные исследования AI-платформ для модерации и добиваться большего, чем поверхностных заверений относительно возможностей и обучающих данных, лежащих в их основе. Непрерывное совершенствование AI-модерации возможно путём партнёрства с экспертами в области качественных исследований и участниками исследований, а также сбора обратной связи от них.

AI меняет качественные исследования. Сможет ли индустрия маркетинговых исследований внедрять его таким образом, чтобы сохранять культурный интеллект, защищать нюансы и поддерживать целостность исследуемых сообществ?

Авторы: Autumn D. McDonald (ADM Insights and Strategy, Howard University), Tharius Sumter (ADM Insights and Strategy), Max Matus (ADM Insights and Strategy, Колехио-де-ла-Фронтера-Норте), Melissa Vogel (ADM Insights and Strategy, профессор Университета Клемсон в отставке), Christopher Ashford (ADM Insights and Strategy), Josie Murphy (ADM Insights and Strategy).