База знань AIEdAIEd KB
На цій сторінці

Ця сторінка перекладена українською. Сторінки статей досі написані англійською. Читати цю сторінку англійською

Концепції

Якісне дослідження

Створено 2026-10-13

Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.

Якісне дослідження — родина емпіричних методів, які вивчають, як люди переживають, інтерпретують і надають смислу феноменам, як правило через слова, спостереження та артефакти, а не через числа. У ШІ в освіті якісні методи розкривають, як студенти та викладачі насправді відчувають інструменти ШІ — смисли, напруги, шкоду та механізми, які не вловлюють стандартизовані вимірювання. Оскільки ШІ в освіті швидко змінюється, а його вплив часто опосередкований контекстом, сприйняттям і такими оспорюваними конструктами, як Довіра та Суб’єктність здобувача, якісні дослідження є необхідними в комплексі з кількісними дизайнами (див. Методи досліджень в AIED).

Питання для роздумів

  • Опитування каже вам, що 40% студентів не довіряють тьютору на базі ШІ; фокус-група каже вам, чому вони йому не довіряють. Яке число здається вам дієвішим і що додає «чому», чого не може дати відсоток?
  • Якісні результати зазвичай не є статистично генералізовними, проте часто є «концептуально генералізовними» — механізми та динаміки, які переносяться в інші умови. Перш ніж читати, що означає, що результат генералізовний за концепцією, але не за статистикою?
  • Сторінка застерігає, що узгодженість кодування між людиною та LLM agreement — це не те саме, що якість кодування, коли людський консенсус не є ґрунтовною істиною. Чи трактували ви коли-небудь «два рецензенти погодилися» як доказ того, що щось є правильним? Коли узгодженість є сигналом істини, а коли — лише спільною помилкою?
  • Якщо ШІ нині може допомагати в якісному кодуванні в великому масштабі, чи загрожує це інтерпретаційній глибині, яка робить якісне дослідження цінним, чи просто автоматизує його рутину? Як ви вирішуватимете, що саме відбувається в конкретному дослідженні?
  • Якісні дослідження надають центральне місце голосам недостатньо представлених груп — студентам з етнічних меншин, скептичним некористувачам, — які великі опитування часто пропускають. Згадайте твердження про ШІ в освіті, яке ви чули. Чий досвід із нього, найімовірніше, не вловлює число в заголовку?
  • Виберіть один оспорюваний конструкт, який вас цікавить, — довіра, агентність або шкода. Перш ніж читати, накидайте, як ви вивчали б його словами та спостереженнями замість чисел, і занотуйте, що ви втратите, зробивши так.

Вступ

Якісне дослідження — це не один метод, а родина, організована за тим, що вони вивчають і як збираються та аналізуються докази. Що їх об’єднує, так це акцент на смислотворенні, контексті та глибині замість широти та причинного контролю. Якісні результати зазвичай не є генералізовними в статистичному сенсі, проте часто є концептуально генералізовними — вони розкривають механізми, категорії та динаміки, які переносяться в інші умови. У корпусі бази знань якісні дослідження помітно представлені у вивченні прийняття ШІ, довіри, шкоди, викладацької практики та процесів навчання.

Основні якісні підходи

Тематичний аналіз

Тематичний аналіз виявляє, кодує та інтерпретує патерни («теми») в якісних даних — як правило в транскриптах інтерв’ю або фокус-груп, відкритих відповідях опитувань або документах. Це найпоширеніший підхід у якісних дослідженнях бази знань. Інтерв’ю та відкриті відповіді самі є даними самозвіту, тому вони розділяють обмеження щодо того, що можна стверджувати про поведінку, — див. відповідну сторінку щодо того, де докази самозвіту сильні, а де розпадаються. Дослідження розриву між довірою та корисністю у фізиці використовує тематичний аналіз даних студентських інтерв’ю, щоб виявити предметно специфічну cкептичність та уподобання щодо впровадження; порівняння зворотного зв’язку GenAI та викладача аналізує сприйняття студентами корисності та надійності; а керівні принципи для навчання дорослих за допомогою ШІ виводять принципи дизайну з тематичного кодування внеску експертів і здобувачів. Як ШІ змінює робочі процеси викладання спирається на тематичний аналіз розповідей викладачів.

Надійність кодування можна зробити постійною процедурою, а не разовою перевіркою. Galiç et al. (2026) кодують 304 твердження про помічання за α Кріппендорфа = .803, відстежують узгодженість на п’яти перекривних кейсах (зведений κ = 0.937) та перекодовують оспорювані твердження щоразу, коли узгодженість падала нижче порогу перекалібрування 0.85 перед відновленням роботи; закодовані твердження потім входять в аналіз епістемічних мереж, який моделює, які виміри співвипадають, замість плаского переліку тем.

Ґрунтована теорія

Ґрунтована теорія будує теорію з даних, а не перевіряє апріорну рамку, використовуючи ітеративне кодування (відкрите → осьове → вибіркове) до теоретичного насичення. Вона ідеальна для конструювання нової теорії про емерджентні феномени ШІ в освіті. Liu et al. розробляють ґрунтовану теорію tool, tutor, or crutch — тримодну типологію того, як студенти пізнавально скаффолдять або перекладають навантаження на ШІ в освіті з програмування, — безпосередньо теорізуючи Розвантаження когніції. Дослідження критичних тьюторів ШІ на основі ґрунтованої теорії досліджує, чи такі тьютори розширюють можливості здобувачів, чи їх поневолюють. Людиноцентрований дизайн зворотного зв’язку GenAI використовує ґрунтований аналіз у багатоплощадковому дослідженні. Див. також Розвиток теорії в ШІ в освіті щодо того, як такі ґрунтовані теорії живлять теоретизування в галузі.

Феноменологія та феноменографія

Феноменологічні підходи вивчають живий досвід феномена — яким було навчання зі ШІ, — тоді як феноменографія вивчає якісно різні способи, якими люди переживають і розуміють феномен (породжуючи «категорії опису»). The Absent Cognitive Baseline спирається на живий досвід студентів самооцінювання за умов ШІ, щоб теорізувати структурний розрив; феноменологічне дослідження фіксує досвід завершення роботи зі ШІ, усвідомлюючи, що її не розумієш; а соціокультурне, інтерпретативне дослідження аналізує, як GenAI стає «runaway object» у математичній академічній практиці.

Дискурс-аналіз

Дискурс-аналіз досліджує, як мова в її вжитку конструює смисл, ідентичності та владу — аналізуючи розмови в аудиторії, письмові тексти або інтеракційні послідовності. NSPA проводить довготривалий дискурс-аналіз класних розмов (тут із обчислювальним супроводом), щоб пом’якшити діалектний зсув у розумінні класної взаємодії; дослідження студентів підготовчих курсів з етнічних меншин аналізує спільний дискурс у завданнях Інженерія підказок. Дискурс-аналіз поєднує якісну інтерпретацію з обчислювальними методами в поєднанні з Освітня NLP.

Poudyal (2026) показує, як кодування дискурсу стає перевірним, коли воно подане у вигляді правил, придатних для підрахунку: серед 366 абстрактів та 91 405 токенів асоціація зараховується лише тоді, коли актор передує предикату в межах шести вставлених слів, а номінальна близькість виключається, тож «AI governance» ніколи не зараховується як доказ того, що ШІ керує, — правило-базована апроксимація, а не розбір залежностей, обмеження якої дизайн окреслює.

Спостереження та етнографія

Дослідження-спостереження спостерігають поведінку в контексті; етнографія поширює це на тривале, занурювальне вивчення умов, часто з дослідником як учасником-спостерігачем. Тріо-етнографія освіти з програмування з підтримкою LLM простежує, як розвиваються інтерпретації студентів; класовий кейс-стаді спостерігає інтеграцію ШІ-грамотність в біології. Спостережувальні методи фіксують фактичну поведінку (що здобувачі роблять зі ШІ), а не заявлену, — доповнюючи опитування-самозвіти, які домінують у кількісному вимірюванні ставлень.

Кейс-стаді

Кейс-стаді — це поглиблене дослідження обмеженого кейсу (курсу, установи, окремого здобувача) з використанням кількох джерел даних. Кейс-стаді бізнес-школи породжує рамку навчання та викладання для GenAI, інформовану студентами; кейс-стаді з біології документує інтеграцію ШІ-грамотності. Кейс-стаді міняють широту на глибину і сильні в генерації теорії та переносного розуміння, а не в генералізації. Khlaif et al. (2026) пропонують якісне кейс-стаді 21 студента з вадами зору в трьох палестинських університетах, використовуючи тематичний аналіз напівструктурованих інтерв’ю, щоб показати, як GenAI функціонує як асистивна технологія для інклюзивного навчання, — приклад того, як дослідження-кейс виявляє механізми (персоналізована адаптація, розширення можливостей викладача, освітня рівність), які кількісні вимірювання пропускають.

Swidan (2026) тріангулює відео, власні журнали системи сповіщень та інтерв’ю з відтворенням стимулів для одного викладача та восьми студентів, показуючи, що афективний сигнал набував смислу лише через реакцію викладача; дворівневе кодування епізодів одним автором без незалежного кодування або валідованого розпізнавання афекту позначає межу того, що може підтвердити аналіз кейсу одним кодувальником.

Інтерв’ю та фокус-групи

Напівструктуровані інтерв’ю та фокус-групи є основними інструментами збору даних у всіх наведених вище підходах. Вони вилучають насичені, контекстуалізовані розповіді. Якісний корпус бази знань істотно побудований на інтерв’ю (напр., шляхи формування експертизи) та фокус-групах (напр., парадокс компетентності в текст-в-зображення, Guidelines for Designing AI Technologies to Support Adult Learning). Якість залежить від ретельного дизайну запитань, вибірки для варіативності та строгого аналізу.

Як якісне дослідження виявляється в базі знань

ШІ та якісний аналіз

Окремий новий розвиток — використання LLM для допомоги в якісному кодуванні. Докази бази знань є стривоженими: Comparing human and LLM ordered coding of qualitative data: How coding differences cascade through temporal analysis показує, що кодування LLM і людини розходяться, з помилками, що каскадом поширюються через часовий аналіз; Agreement Is Not Quality показує, що узгодженість кодування людини та LLM agreement — це не те саме, що якість кодування, коли людський консенсус не є ґрунтовною істиною. Кодування за допомогою LLM може масштабувати й прискорювати якісний аналіз, проте його результати потребують перевірки проти людського судження — важливий перетин якісного дослідження з Освітня NLP та Оцінювання ШІ в освіті.

Проблема втіленої в мову виразності результатів та їх обґрунтованості. Holster (2026) загострює, чому точність і розкриття є недостатніми стандартами для якісної роботи з допомогою ШІ. Оскільки LLM реорганізовують корпуси за лічені хвилини у втілені теми, цитати та твердження про поширеність, вони можуть приховувати аналітичний шлях, що їх породив, — і люди схильні оцінювати легко оброблений, втілений результат як більш правдивий. Holster пропонує обґрунтованість як доповнення до точності та розкриття: інтерпретація за допомогою ШІ є обґрунтованою, коли шлях від вихідних даних до твердження залишається придатним для огляду, оспорювання та перегляду. Її конструктивним механізмом є семантичні лінзи (задокументовані реорганізації корпусу на різних рівнях абстракції) та репертуар артефактів обґрунтування, відносний до твердження, — пов’язаних із джерелом таблиць тем, стеків лінз і річок доказів, — вбудований в інструменти так, щоб втілений аналіз також породжував запис простежуваного шляху. Це поширює традицію аудит-сліду галузі в генеративну еру і дає рецензентам конкретний об’єкт для оспорювання понад фінальну інтерпретацію.

  • Надійність — це не точність в багатоагентному кодуванні LLM. Конвеєр, інформований літературою, у якому два кодувальники-ШІ кодували незалежно, обговорювали й узгоджували розбіжності, породжував узгодженість між кодувальниками вищу за κ Коена 0.85 на кожному наборі даних і мітці, тоді як критеріальний F1 коливався від 0.31 до 0.89 (середнє 0.68, SD 0.16) — висока узгодженість між агентами, які обидва помилялися. Довші кодбуки (t = -11.702) та більш подібні уривки (t = -9.249) зменшували початкову точність, а ходи обговорення корелювали позитивно з точністю (t = 7.997), тоді як правильно розв’язані конфлікти та режими співпраці корелювали негативно (t = -9.720 і -8.420), тож конвергенція є слабким сурогатом правильності. Практичний наслідок полягає в тому, що кодуванню з допомогою ШІ потрібне арбітрування на рівні чеклиста проти людського еталона, а не узгодженість агентів між собою як сигнал якості. (How AI Coders Discuss, Disagree, and Reach Consensus: Challenges and Opportunities for LLM-Based Qualitative Coding)

Сильні сторони та обмеження

  • Сильні сторони: глибоке екологічне та концептуальне розуміння; виявляє несподівані феномени, ризики та механізми; необхідне для теоретизування (див. Розвиток теорії в ШІ в освіті); фіксує смисл, контекст та оспорювані конструкти; надає центральне місце перспективам недостатньо представлених груп; сильне для вивчення швидкозмінних феноменів, де стандартизовані вимірювання відстають.
  • Обмеження: обмежена статистична генералізовність; інтерпретативність і залежність від дослідника (занепокоєння щодо надійності); малі вибірки; слабша підтримка причинних тверджень; результати важко синтезувати між дослідженнями; вимогливість у часі та праці.

Якісні та кількісні методи є взаємодоповнювальними, а не конкурентами, — див. Методи досліджень в AIED щодо того, як вони протиставляються та тріангулюються, і змішані методи щодо дизайнів, що їх поєднують.

Пов’язані поняття

Пов’язані статті

Метадані

Дизайн дослідженняInterviews, Case Study
Методи досліджень та оцінкаЯкісне дослідження, Методи досліджень в AIED
SourceHistoryEditChat

Вставити цю сторінку

Скопіюйте наведений нижче код, щоб вставити цю сторінку в систему управління навчанням або на інший вебсайт. Вбудована версія показує лише вміст сторінки — вона приховує заголовок сайту, навігацію та колонтитул.