《Qualitative Research in Psychology》:Technological reflexivity in practice: how MAXQDA, NVivo, and ChatGPT shape qualitative survey analysis
编辑推荐:
生成式人工智能(GenAI)进入定性数据分析软件(CAQDAS)加剧了关于数字工具如何塑造定性分析的长期争论。本文突出了技术反身性(technological reflexivity)的概念,以考察分析实践和主张如何通过人-技术关系共同生产。基于对MAXQDA
生成式人工智能(GenAI)进入定性数据分析软件(CAQDAS)加剧了关于数字工具如何塑造定性分析的长期争论。本文突出了技术反身性(technological reflexivity)的概念,以考察分析实践和主张如何通过人-技术关系共同生产。基于对MAXQDA、NVivo和ChatGPT的反身性比较,研究人员(代替“我”)考察了不同软件架构和GenAI功能如何中介分析决策、研究人员-参与者关系和解释性权威。该分析利用了来自1300多名年轻人(8-25岁)的情感数据,他们回应了一项以气候为主题的定性调查,想象了2050年一个虚构同伴的生活。文章展示了研究人员策略如何通过不同的软件策略被塑造,以及GenAI如何扩展现有的CAQDAS逻辑。它将反身性概念化为一种分布式实践,在研究人员、工具和基础设施之间不均匀地共享,并主张在塑造定性探究的伦理和方法论未来方面承担集体责任。
**研究背景与问题**
定性研究中数字工具的使用长期以来存在争议,尤其是在计算机辅助定性数据分析软件(CAQDAS)出现后,关于其是否导致数据碎片化、研究者与数据疏离以及解释深度下降的讨论持续不断。然而,实际使用中CAQDAS对分析实践和结果的影响鲜有系统记录。近年来,生成式人工智能(GenAI)的兴起(如ChatGPT)进一步加剧了这些争论,但现有研究多集中于公开的LLM(大语言模型),而对嵌入CAQDAS平台(如MAXQDA和NVivo)的GenAI功能的批判性分析极为匮乏。研究人员旨在通过技术反身性的概念,探讨不同软件架构和GenAI功能如何与人类研究者共同生产分析实践和解释性主张,并填补关于工具如何塑造定性调查分析方法的文献空白。该研究论文发表在《Qualitative Research in Psychology》。
**研究内容与结论**
研究人员利用来自英国慈善机构“可持续性与环境教育”(SEEd)设计的青年可持续性与气候变化研究数据,包含1300多名8-25岁年轻人的开放式定性调查问卷,参与者完成句子提示任务,想象2050年虚构同龄人“Alex”的生活,共产生5000余条简短回答。研究人员采用反身性主题分析(RTA)方法,分别使用MAXQDA(24.9.1版及Tailwind [Beta])、NVivo(15.1.2版)和ChatGPT(4.5/4o版)分析数据,并比较不同平台如何影响分析过程。结论表明:不同软件架构和GenAI功能以不同方式中介了熟悉化、编码、研究者-参与者关系以及解释性权威;技术反身性应被理解为一种分布式实践,在研究者、工具和基础设施之间不均匀共享,而解释性责任最终仍由研究者承担;GenAI扩展了现有CAQDAS逻辑,但可能削弱分析的情感深度和关系性,并引发对数据正义、访问透明度和伦理可持续性的集体责任问题。
**主要技术方法**
研究人员主要采用反身性主题分析(RTA)作为分析框架,并比较三种数字工具在分析中的使用:MAXQDA(含AI Assist和Tailwind Beta)、NVivo(含AI Assistant和模式自动编码功能)以及公共ChatGPT(4.5/4o版)。数据来源为英国SEEd设计的青年气候定性调查,样本包括1300多名8-25岁年轻人。关键方法包括:通过平台架构熟悉化数据、手动编码与模式自动编码及GenAI辅助编码的比较、基于对话界面的提示互动,以及通过备忘录和可视化工具进行前后反思。研究人员注重分析策略与工具战术的磨合,并运用Paulus和Lester(2023)的四项指导性问题(方法、知识、关系、工具设计)进行结构化反思。
**研究结果**
**5.1 工具重塑熟悉化(Tools reshaping familiarisation)**
通过比较MAXQDA、NVivo和ChatGPT在数据导入和熟悉化阶段的作用,发现不同平台架构(如MAXQDA的文档中心视图与NVivo的电子表格逻辑)显著影响研究者对数据的整体感知和解释节奏。MAXQDA支持问题与案例之间的切换,有利于保持参与者声音的连贯性;NVivo则倾向于碎片化阅读,导致案例内一致性更难维持;ChatGPT缺乏分析环境,输出与原始数据脱节,难以支持持续解释。GenAI生成的摘要可能提前构成分析,而非单纯支持,因此熟悉化成为研究意图与技术基础设施共同生产分析可能性的场所。
**5.2 有AI和无AI的编码:谁的解释框架重要?(Coding with and without AI: whose interpretive frame counts?)**
通过比较手动编码、模式自动编码和GenAI辅助编码,发现手动编码在RTA中至关重要,能够捕捉情感和隐含意义,而自动化和GenAI工具(如NVivo的自动编码和ChatGPT的代码生成)虽然能提高效率,但往往缺乏解释深度,且易掩盖情感多样性。例如,ChatGPT生成的“负担修复者”类型虽捕捉到责任主题,但扁平化了情绪差异。研究者必须警惕这些工具的黑箱性质,并意识到解释性责任不能外包。
**5.3 研究者能动性与“聊天”数据(Researcher agency and ‘chatting’ with the data)**
通过使用ChatGPT和MAXQDA的Tailwind工具进行对话式分析,发现GenAI模拟的“聊天”可能导致研究者远离情感数据,如青年参与者的愤怒、恐惧和希望。ChatGPT生成的类型化(如“负担修复者”)虽然能反映主题,但忽略了情绪语气和多样性。研究者需要维持与参与者的关系,而非仅仅依赖算法解释,这要求研究者作为“提示工程师”时保持批判性。
**5.4 结构盲点:为访问、透明度和伦理设计(Structural blind spots: designing for access, transparency, and ethics)**
从宏观层面分析GenAI工具的使用条件,指出访问不平等(如订阅费用、IT限制)、透明度不足(如NVivo的AI摘要缺乏解释机制)以及伦理与可持续性问题(如能源消耗和剥削性劳动实践)。MAXQDA的审计功能(如链接源文本)是向透明度的积极一步,但结构性挑战需要集体行动,而非仅靠研究者个体。
**总结讨论与结论**
研究人员在讨论部分强调,技术反身性应被理解为一种分布式实践,涉及人类与非人类行动者在特定社会政治背景中的纠缠。尽管意义通过“内动”(intra-action)产生,但解释性责任最终仍属于研究者,且需通过情境判断行使。结论部分指出:数字工具(包括CAQDAS和GenAI)塑造并限制了解释可能性,但研究者不能完全依赖自动化;工具的设计应支持透明度和可审计性,而集体责任要求研究社区、软件开发者和机构共同塑造符合伦理和可持续的定性研究未来。研究人员引用Young(2006)的社会关联责任模型,呼吁通过集体行动(而非仅个体努力)来改变支撑GenAI的不公正系统,确保数字技术加强而非侵蚀定性研究价值,并与数据正义的伦理承诺一致。