TechCabal: человеко-ИИ-коллаборация как катализатор качественного тематического анализа

Оладапо Авоинка, UX-исследователь из Шотландии. Материал основан на докладе, представленном на конференции UX Glasgow в феврале 2026 года.

ИИ не вытеснит качественных исследователей. Но исследователи, работающие с ИИ, опередят тех, кто этого не делает.

Искусственный интеллект часто преподносят как инструмент повышения продуктивности. Такая трактовка упускает более важную роль: помогать исследователям глубже понимать людей, а не просто работать быстрее. Нигде это не проявляется так ярко, как в качественных UX-исследованиях, где главная проблема — не сбор данных, а их осмысление достаточно быстро, чтобы влиять на решения.

Четыре пересекающихся давления делают эту задачу сложнее, чем кажется: беспорядочные транскрипты, нехватка времени, отсутствие согласованных стандартов применения ИИ в исследованиях и обоснованные опасения снизить научную строгость. В этой статье предложен структурированный подход ко всем четырём, основанный на кейсе с VR-технологиями в строительном секторе.

Кейс: VR и коммуникация со стейкхолдерами

Исследование изучало, как VR-среды меняют качество коммуникации между архитекторами и нетехническими стейкхолдерами — заказчиками, управляющими объектами и представителями сообщества — в ходе сложных строительных проектов. Традиционные 2D-чертежи нередко не передают нетехническим участникам пространственный замысел и масштаб, что ведёт к расхождению ожиданий и дорогостоящим переработкам. Для понимания того, что меняет VR, было проведено четырнадцать полуструктурированных интервью.

Оригинальное исследование проводилось в рамках магистратуры по User Experience and Interaction Design в Университете Каледониан Глазго. После защиты автор вернулся к данным и применил рабочий процесс тематического анализа с участием ИИ — тот, которого не использовал тогда, — исследуя ретроспективно, как он мог бы укрепить аналитический процесс.

Четыре этапа с AI-ассистентом

Анализ применял систематический подход к тематическому анализу по Наиму и соавторам (2023), где темы формируются из пробелов в исследованиях и исследовательских вопросов, а не только из паттернов в данных, как в традиционной модели Брауна и Кларка (2006). ИИ поддерживал первые четыре этапа.

На первом этапе ChatGPT был ознакомлен с контекстом исследования, методологией и теоретической рамкой до того, как в него загрузили данные. Затем он выделил релевантные цитаты из транскриптов. На втором этапе ключевые слова были выявлены с помощью фреймворка 6R: Realness, Richness, Repetition, Rationale, Repartee, Regal — паттерны были обнаружены в четырнадцати транскриптах темпами, недостижимыми вручную. На третьем этапе коды были сгенерированы и сравнены по участникам. На четвёртом — предложены и сгруппированы пять тем. Первая из них, «Улучшенное пространственное понимание», зафиксировала, как VR снижает вероятность неверной интерпретации проектных решений. Человеческая интерпретация оставалась центральной на каждом этапе: исследователь проверял, корректировал и валидировал все результаты ИИ перед переходом к следующему шагу.

«ИИ снижает структурную нагрузку анализа. Исследователь сохраняет авторство смысла.»

Что показало исследование

Три вывода устойчиво повторялись в четырнадцати интервью. Участники сообщали, что перемещение в VR-модели значительно улучшило их пространственное понимание предложений, устраняя путаницу, которую 2D-планы регулярно создают. Второй вывод — меньше циклов недопонимания: исследование пространства в реальном времени заменило абстрактные описания на встречах и в переписке, ускорив согласование. Третий — более уверенные решения нетехнических стейкхолдеров, которые иначе передоверили бы решение специалистам.

ИИ не сформулировал эти выводы. Он вычленил повторяющиеся свидетельства, которые сделали их доказательными на большом массиве транскриптов.

Ответственность, которую нельзя автоматизировать

Прежде чем применять ИИ к любому качественному датасету, исследователи должны осознать обязательство, которое аргументы эффективности не отменяют. Качественные транскрипты содержат слова людей и личные откровения, переданные в доверии. Передача этих данных в сторонний AI-инструмент без защитных мер вызывает реальные вопросы о согласии, конфиденциальности и соответствии требованиям защиты персональных данных.

На практике это означает: анонимизировать транскрипты до любой AI-обработки; убедиться, что согласие участников покрывает AI-ассистированный анализ; проверить, соответствует ли работа AI-инструмента с данными требованиям GDPR и институциональным стандартам; и рассматривать все результаты ИИ как отправную точку, а не вывод. Исследователь остаётся этическим куратором данных участников на всём протяжении работы. Эта ответственность возрастает при введении стороннего слоя обработки, а не снижается.

Практические выводы

Для исследователей и продуктовых команд, рассматривающих этот подход:

«Отказ от качественного анализа не закрывает разрыв в понимании. Это означает, что конкуренты заполнят его первыми.»

Будущее качественных исследований — не в замене исследователей ИИ. Оно в том, чтобы исследователи работали с ИИ для более эффективного анализа данных, сохраняя полное авторство интерпретации, контекста и этической ответственности. Для команд, создающих продукты на быстро меняющихся рынках, такое сочетание становится конкурентным преимуществом.

Оладапо Авоинка — UX-исследователь и interaction designer из Шотландии. Завершил магистратуру по User Experience and Interaction Design в Университете Каледониан Глазго в ноябре 2025 года и представил эту работу на UX Glasgow (2026).

Источники: Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative Research in Psychology, 3(2), 77–101. Naeem, M., Ozuem, W., Howell, K., & Ranfagni, S. (2023). A step-by-step process of thematic analysis to develop a conceptual model in qualitative research. International Journal of Qualitative Methods, 22.