AIEd база знанийAIEd KB
На этой странице

Читать эту страницу на английском

Концепции

Качественное исследование

Создано 2026-10-13

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Качественное исследование — это семейство эмпирических методов, изучающих, как люди переживают, интерпретируют и осмысляют явления, обычно через слова, наблюдения и артефакты, а не через числа. В AI in education качественные методы выявляют, как студенты и преподаватели на самом деле переживают AI tools, — те смыслы, напряжения, вред и механизмы, которые упускают стандартизованные измерения. Поскольку сфера ИИ в образовании быстро меняется, а её эффекты часто опосредуются контекстом, восприятием и оспариваемыми конструктами вроде Доверие и Автономность учащегося, качественная работа необходима наряду с quantitative планами (см. Методы исследования в AIED).

Вопросы для размышления

  • Опрос сообщает, что 40% студентов не доверяют AI tutor; фокус-группа сообщает, почему они ему не доверяют. Какое число кажется вам более применимым на практике, и что добавляет это «почему», чего не может дать процент?
  • Качественные результаты обычно не обобщаемы в статистическом смысле, однако часто «обобщаемы концептуально» — механизмы и динамики, которые переносятся в другие контексты. Прежде чем читать, подумайте: что означает, что результат обобщаем по концепции, но не по статистике?
  • Страница предостерегает, что согласие при кодировании человеком и LLM — не то же самое, что качество кодирования, когда человеческий консенсус не является истиной в последней инстанции. Вы когда-нибудь считали «два рецензента согласились» доказательством правильности? Когда согласие — сигнал истины, а когда — просто общей ошибки?
  • Если ИИ теперь может помогать в качественном кодировании в масштабе, угрожает ли это интерпретативной глубине, которая делает качественное исследование ценным, или лишь автоматизирует его рутину? Как бы вы решали, что из этого происходит в конкретном исследовании?
  • Качественная работа ставит в центр мало представленные голоса — студентов из этнических меньшинств, скептически настроенных не-пользователей, — которые крупные опросы часто упускают. Вспомните какое-нибудь утверждение об ИИ в образовании, которое вам доводилось слышать. Чей опыт этого утверждения, вероятно, неcaptured заголовочным числом?
  • Выберите один оспариваемый конструкт, который вам небезразличен, — доверие, агентность или вред. Прежде чем читать, набросайте, как вы изучали бы его с помощью слов и наблюдений, а не чисел, и отметьте, что вы при этом потеряли бы.

Введение

Качественное исследование — это не один метод, а семейство, организованное по тому, что они изучают и как собираются и анализируются свидетельства. Их объединяет акцент на осмыслении, контексте и глубине в противовес широте и причинному контролю. Качественные результаты, как правило, не обобщаемы в статистическом смысле, но часто концептуально обобщаемы — они выявляют механизмы, категории и динамики, которые переносятся в другие условия. В корпусе данной базы знаний качественная работа заметно представлена в изучении принятия ИИ, доверия, вреда, teaching практики и учебных процессов.

Основные качественные подходы

Тематический анализ

Тематический анализ выявляет, кодирует и интерпретирует паттерны («темы») в качественных данных — обычно в стенограммах интервью или фокус-групп, открытых ответах опросов или документах. Это наиболее широко используемый подход в качественных исследованиях базы знаний. Сами интервью и открытые ответы являются self-report data, поэтому они разделяют ограничения на то, что можно утверждать о поведении, — см. соответствующую страницу о том, где свидетельства самоотчёта сильны, а где они рушатся. A study of the trust–utility gap in physics использует тематический анализ данных студенческих интервью для выявления domain-specific скептицизма и предпочтений в принятии; a comparison of GenAI vs. teacher feedback анализирует восприятие студентами полезности и надёжности; а guidelines for adult AI learning выводят принципы проектирования из тематического кодирования ввода экспертов и обучающихся. Работа How AI changes teaching workflows опирается на тематический анализ отчётов преподавателей.

Надёжность кодирования можно сделать постоянной процедурой, а не разовой проверкой. Galiç et al. (2026) кодируют 304 высказывания о замечании (noticing) при α Криппендорфа = .803, отслеживают согласие на пяти перекрывающихся случаях (объединённое κ = 0.937) и перекодируют спорные высказывания всякий раз, когда согласие падает ниже порога рекалибровки 0.85, прежде чем продолжить; затем закодированные высказывания поступают в эпистемический сетевой анализ, который моделирует, какие измерения встречаются совместно, а не представляет собой плоский список тем.

Обоснованная теория

Обоснованная теория (grounded theory) строит теорию из данных, а не проверяет заранее заданную рамку, используя итеративное кодирование (открытое → осевое → избирательное) до теоретического насыщения. Она идеальна для построения новой теории о возникающих явлениях ИИ в образовании. Liu et al. разрабатывают обоснованную теорию инструмент, тьютор или костыль — трёхрежимную типологию того, как студенты когнитивно scaffold ИИ или разгружаются на него в programming education — напрямую теоретизируя Когнитивный оффлоадинг. A grounded-theory study of critical AI tutors рассматривает, расширяют такие тьюторы возможности обучающихся или порабощают их. Human-centered GenAI feedback design использует обоснованный анализ в многосайтовом исследовании. См. также Разработка теории в области ИИ в образовании о том, как такие обоснованные теории питают теоретическое строительство в данной области.

Феноменология и феноменография

Феноменологические подходы изучают переживаемый опыт явления — каково это, учиться с ИИ, — тогда как феноменография изучает качественно различающиеся способы, которыми люди переживают и понимают явление (производя «категории описания»). The Absent Cognitive Baseline опирается на переживаемый студентами опыт самооценивания при ИИ, чтобы теоретизировать структурный пробел; a phenomenological study фиксирует опыт выполнения работы с ИИ, заведомо её не понимая; а a socio-cultural, interpretive study анализирует, как GenAI становится « runaway-объектом» в mathematics академической практике.

Анализ дискурса

Анализ дискурса рассматривает, как используемый язык конструирует смыслы, идентичности и власть — анализируя разговор в аудитории, письменный текст или интеракционные последовательности. NSPA проводит долгосрочный анализ дискурса в аудитории (здесь — с вычислительной поддержкой) для снижения диалектного искажения в понимании взаимодействия в аудитории; a study of ethnic-minority preparatory students анализирует совместный дискурс в задачах Промпт-инжиниринг. Анализ дискурса соединяет качественную интерпретацию с вычислительными методами в сочетании с Обработка естественного языка в образовании (Educational NLP).

Poudyal (2026) показывает, как кодирование дискурса становится аудируемым, когда оно выражено в виде поддающихся подсчёту правил: на материале 366 абстрактов и 91 405 токенов ассоциация засчитывается только тогда, когда актор precedes предикат в пределах шести промежуточных слов, а номинальная близость исключается, так что «AI governance» никогда не засчитывается как свидетельство того, что ИИ управляет — это приближение на основе правил, а не синтаксический разбор зависимостей, и его пределы указывает само проектирование.

Наблюдения и этнография

Исследования методом наблюдения фиксируют поведение в контексте; этнография расширяет это до продолжительного, погружённого изучения среды, часто с исследователем в роли участвующего наблюдателя. A trio-ethnography обучения программированию с поддержкой LLM прослеживает, как эволюционируют интерпретации студентов; a classroom case study наблюдает интеграцию ИИ-грамотность в biology. Наблюдательные методы фиксируют фактическое поведение (что обучающиеся делают с ИИ), а не отчётное поведение — дополняя опросы самоотчёта, которые доминируют в quantitative measurement отношений.

Кейс-стади

Кейс-стади — это углублённое исследование ограниченного случая (курса, учреждения, отдельного обучающегося) с использованием нескольких источников данных. A business-school case study порождает рамку преподавания и обучения для GenAI, informed студентами; a biology case study документирует интеграцию ИИ-грамотности. Кейс-стади обменивают широту на глубину и сильны в генерации теории и переносимом понимании, а не в обобщении. Khlaif et al. (2026) предлагают качественное кейс-стади 21 студента бакалавриата с нарушениями зрения из трёх палестинских университетов, используя тематический анализ полуструктурированных интервью, чтобы показать, как GenAI функционирует как assistive technology для inclusive learning — пример исследования методом кейс-стади, выявляющего механизмы (персонализированная адаптация, усиление роли преподавателя, образовательный паритет), которые количественные измерения упускают.

Swidan (2026) триангулирует видео, собственные логи системы оповещений и интервью по воспроизведению стимула для одного преподавателя и восьми студентов, показывая, что аффективный сигнал обретал смысл только через реакцию преподавателя; двухэтапное кодирование эпизодов одним автором, без независимого кодирования или валидированного обнаружения аффекта, обозначает предел того, что может обосновать анализ случая с одним кодировщиком.

Интервью и фокус-группы

Полуструктурированные интервью и фокус-группы — это основные инструменты сбора данных во всех перечисленных выше подходах. Они извлекают насыщенные, контекстуализированные отчёты. Качественный корпус базы знаний построен в значительной степени на интервью (например, expertise pathways) и фокус-группах (например, the text-to-image competence paradox, Guidelines for Designing AI Technologies to Support Adult Learning). Качество зависит от тщательного проектирования вопросов, отбора выборки на вариацию и строгого анализа.

Как качественное исследование представлено в базе знаний

  • Механизм и процесс. Качественная работа выявляет, почему ИИ помогает или вредит. Same AI, different pathways: Unpacking mechanisms of AI-mediated learning across discipline-institution contexts использует качественные линии для распаковки механизмов обучения, mediated learning, в разных контекстах
  • Доверие, агентность и идентичность. Оспариваемые, субъективные конструкты часто лучше всего изучать качественно. The Competence Paradox: Negotiating Ease, Risk, and Creative Identity in Text-to-Image Generative AI Use Among Art and Design Students выявляет, как студенты искусств и дизайна договариваются о лёгкости, риске и творческой идентичности; GenAI as a runaway object in higher education: A socio-cultural view on AI-influenced academic practice in mathematics фиксирует роль ИИ в перестройке академической идентичности и практики.
  • Справедливость и мало представленные голоса. Качественная работа ставит в центр перспективы, часто исключаемые из крупных опросов, — ethnic-minority students, skeptical nonusers. Это связано с Справедливость.
  • Построение типологий и таксономий. A qualitative typology of ChatGPT adoption различает прагматичных пользователей и скептически настроенных не-пользователей — категории, которые informing последующее проектирование опросных инструментов.
  • Сопоставимое кодирование между документами. Poudyal (2026) применяет 15 фиксированных виньеток к публичной политике 20 университетов, получая 300 сопоставимых классификаций, и сообщает, что независимый второй кодировщик совпал лишь с 57.3% из них (κ = 0.395) — делая хрупкость схемы кодирования видимой вместо того, чтобы оставлять согласие невысказанным.

ИИ и качественный анализ

Отличительное недавнее развитие — использование LLMs для помощи в качественном кодировании. Свидетельства базы знаний носят предостерегающий характер: Comparing human and LLM ordered coding of qualitative data: How coding differences cascade through temporal analysis показывает, что кодирование LLM и человека расходятся, причём ошибки каскадно накапливаются в темпоральном анализе; Agreement Is Not Quality показывает, что согласие при кодировании человеком и LLM — не то же самое, что качество кодирования, когда человеческий консенсус не является истиной в последней инстанции. Кодирование с помощью LLM может масштабировать и ускорять качественный анализ, но его выходы требуют проверки на соответствие human judgment — важное пересечение качественного исследования с Обработка естественного языка в образовании (Educational NLP) и Оценивание ИИ-образования.

Проблема гладкого выхода и обоснованности. Holster (2026) уточняет, почему точность и раскрытие информации недостаточны как стандарты для качественной работы с ИИ. Поскольку LLM реорганизуют корпуса за минуты в гладкие темы, цитаты и утверждения о распространённости, они могут скрывать аналитический путь, который их породил, — а люди склонны оценивать легко обрабатываемый, гладкий выход как более истинный. Holster предлагает warrantability (обоснованность) как дополнение к точности и раскрытию: интерпретация с помощью ИИ является обоснованной, когда путь от исходных данных к утверждению остаётся инспектируемым, оспоримым и пересматриваемым. Его конструктивный аппарат — это семантические линзы (документированные реорганизации корпуса по уровням абстракции) и зависящий от утверждения репертуар артефактов обоснования — связанные с источниками таблицы тем, стеки линз и «реки свидетельств», — встроенные в инструменты так, чтобы гладкий анализ производил также прослеживаемую запись пути. Это переносит традицию аудиторского следа в области в генеративную эпоху и даёт рецензентам нечто конкретное, что можно оспорить помимо итоговой интерпретации.

  • Надёжность — это не точность в кодировании LLM с участием multi-agent систем. Конвейер, informed литературой, в котором два кодировщика ИИ кодировали независимо, обсуждали и согласовывали разногласия, давал согласие между кодировщиками выше каппы Коэна 0.85 на каждом наборе данных и каждой метке, тогда как критериальный F1 варьировался от 0.31 до 0.89 (среднее 0.68, SD 0.16) — высокое согласие между агентами, которые оба были неправы. Более длинные кодбуки (t = -11.702) и более похожие фрагменты (t = -9.249) снижали исходную точность, а ходы обсуждения коррелировали с точностью положительно (t = 7.997), тогда как корректно разрешённые конфликты и совместные режимы — отрицательно (t = -9.720 и -8.420), так что конвергенция — слабый заменитель правильности. Практическое следствие состоит в том, что кодирование с помощью ИИ требует арбитража на уровне чек-листа по отношению к человеческому эталону, а не согласия между агентами как сигнала качества. (How AI Coders Discuss, Disagree, and Reach Consensus: Challenges and Opportunities for LLM-Based Qualitative Coding)

Сильные стороны и ограничения

  • Сильные стороны: глубокая экологическая и концептуальная проницательность; выявляет неожиданные явления, риски и механизмы; необходимо для теоретического строительства (см. Разработка теории в области ИИ в образовании); фиксирует смыслы, контекст и оспариваемые конструкты; ставит в центр мало представленные перспективы; сильна при изучении быстро меняющихся явлений, где стандартизованные измерения отстают.
  • Ограничения: ограниченная статистическая обобщаемость; интерпретативная и зависящая от исследователя (проблемы надёжности); малые выборки; более слабая поддержка причинных утверждений; результаты может быть трудно синтезировать между исследованиями; трудо- и времязатратность.

Качественные и количественные методы — это дополнения, а не соперники, — см. Методы исследования в AIED о том, как они противопоставляются и триангулируются, и mixed methods о планах, которые их сочетают.

Связанные концепции

Связанные статьи

Метаданные

Дизайн исследованияInterviews, Case Study
Методы исследований и оценкаКачественное исследование, Методы исследования в AIED
SourceHistoryEditChat

Встроить эту страницу

Скопируйте код ниже, чтобы встроить эту страницу в систему управления обучением или на другой сайт. Во встроенной версии отображается только содержимое страницы — заголовок сайта, навигация и нижний колонтитул скрыты.