KI-gestütztes Coding

Einführung

Die integrierten KI-Funktionen von QualCoder (ab Version 3.6) unterstützen den Coding-Prozess auf verschiedene Weise:

• KI-Suche: Die Fähigkeit der KI, große Textmengen schnell zu analysieren, wird genutzt, um spezifische Themen oder Konzepte innerhalb des Korpus zu finden und zu untersuchen.
• Suche nach Konzepten statt Schlüsselwörtern: QualCoder verwendet eine Kombination aus semantischen Suchtechnologien und Large Language Models wie GPT-4. Daher ist die Eingabe exakter Schlüsselwörter nicht erforderlich; es kann auch nach abstrakteren Konzepten gesucht werden, z. B. „Wandel der Geschlechterrollen“ oder „Anerkennung am Arbeitsplatz“.
• Interaktive Dateninterpretation: Die KI schlägt nicht nur relevante Daten vor, sondern liefert auch Interpretationen. Dies bietet eine andere Perspektive, die das Verständnis der Daten bereichern kann.
• Anpassung an die Methodik: Die Analyse der KI wird gesteuert, indem aus mehreren vordefinierten Prompts gewählt oder eigene erstellt werden.
• Unterstütztes, nicht automatisiertes Coding: Im Gegensatz zum schlüsselwortbasierten Auto-Coding handelt es sich hierbei nicht um einen automatisierten Prozess. Die Vorschläge der KI sind zu prüfen.

„KI-gestütztes Coding“ ist keine eigenständige Methode, sondern ein Satz von Techniken, die an viele Methoden der Arbeit mit Codes angepasst werden können – von der Grounded Theory bis zur Inhalts- oder thematischen Analyse. Ein praktisches Beispiel findet sich in diesem Video-Tutorial.

Voraussetzungen

• Die KI muss aktiviert, vollständig geladen und bereit für neue Abfragen sein (aktueller Status in der Statusleiste einsehbar).
• Die Nutzung des Projekt-Memos (Menü „KI > Projekt-Memo“) wird dringend empfohlen, um eine kurze Beschreibung der Forschungsthemen, Fragen, Ziele und der gesammelten empirischen Daten hinzuzufügen. Diese Informationen begleiten jeden Prompt an die KI, was zu wesentlich gezielteren Ergebnissen führt.

Start des KI-gestützten Codings

Das KI-gestützte Coding ist in den Arbeitsbereich für Text-Coding integriert. Es wird über „Coding > KI-gestütztes Coding“ gestartet oder, falls bereits im Text-Coding-Arbeitsbereich, über den Tab „KI-Unterstützung“ auf der linken Seite. Anschließend auf „KI-Suche starten“ klicken.

Im folgenden Fenster sind (1) das Suchobjekt (Code oder freies Thema) zu definieren, (2) die KI anzuweisen, wie die Daten zu analysieren sind, und bei Bedarf (3) Filter für die Daten festzulegen:

1) Suchobjekt: Code-Suche vs. Freie Themen-Suche

Code-Suche

Diese Option dient dazu, tiefer in einen bestimmten Aspekt einzutauchen und weitere Daten aus dem gesamten Korpus einem bereits existierenden Code zuzuweisen.

Optionen:

• Code oder Kategorie auswählen: QualCoder sendet nicht nur den Namen des Codes an die KI, sondern den vollständigen Hierarchiepfad im Code-Baum, z. B. „Arbeit > Bedeutung von Arbeit > Arbeit als Notwendigkeit“.
• Memo an KI senden: Wenn aktiviert, wird auch das Code-Memo mit der KI geteilt. Dies dient dazu, den Code zu beschreiben oder zu definieren, um bessere Ergebnisse zu erzielen. Persönliche Notizen im Code-Memo können durch Einfügen von ##### geschützt werden; alles unterhalb dieser Markierung wird nicht an die KI gesendet.
• Codierte Segmente einbeziehen: Standardmäßig deaktiviert. Die KI-Suche liefert dann nur neue Daten, die noch nicht mit diesem speziellen Code versehen wurden. Durch Aktivierung dieser Option werden auch bereits codierte Daten einbezogen.

Freie Themen-Suche

Suche nach beliebigen Themen, Phänomenen oder Konzepten im gesamten Datenkorpus ohne vordefinierten Code. Ein Name und eine Beschreibung werden eingegeben, um der KI mitzuteilen, wonach gesucht wird.

2) Analyse der Daten: Der analytische Prompt für die KI

Der analytische Prompt weist die KI an, wie die Daten zu untersuchen sind. Die Auswahl erfolgt unten links im Fenster.

QualCoder bietet eine Reihe analytischer Prompts für verschiedene Ansätze. Diese ermöglichen es beispielsweise, die KI-Suche entweder sehr offen, interpretativ und inklusiv („Open search“-Prompt) oder fokussierter und an vordefinierten Coding-Regeln im Code-Memo orientiert („Content analysis“-Prompt) zu gestalten.

Die Prompts können erkundet werden, indem der Mauszeiger über die Einträge in der Dropdown-Liste bewegt wird. Über „Bearbeiten“ können die analytischen Prompts angepasst oder eigene definiert werden (Option für Fortgeschrittene).

3) Filter: Suche eingrenzen

Standardmäßig wird das gesamte Textkorpus des aktuellen Projekts untersucht. Um die Suche auf bestimmte Dokumente oder Cases zu beschränken, können diese auf der rechten Seite des Fensters ausgewählt werden (Strg + Klick für Mehrfachauswahl). Zudem kann ein Filter basierend auf ausgewählten Attributvariablen definiert werden.

Der Prozess des KI-gestützten Codings

Zuerst wird die KI-Suche durchgeführt. Dies ist ein zweistufiger Prozess:

Schritt 1: Die KI fragt die lokale Datenbank nach potenziell relevanten Daten im Korpus ab.

Schritt 2: Diese Daten werden an das Large Language Model gesendet, um eine detaillierte Analyse basierend auf dem gewählten Prompt durchzuführen.

Da die ersten Ergebnisse einige Zeit benötigen können, ist Geduld erforderlich. Ein Klick auf ein Ergebnis lädt das Dokument im Hauptfenster und markiert das relevante Zitat. Es ist wichtig, auch den umgebenden Text zu betrachten, um den Kontext zu verstehen.

Bearbeitung der Ergebnisse

Der ausgewählte Text kann codiert werden, wie jeder andere Text im Text-Coding-Arbeitsbereich. Die Auswahl kann bei Bedarf erweitert oder geändert werden.

Die Interpretation der KI ist sichtbar, indem der Mauszeiger über ein Ergebnis in der linken Liste bewegt wird (Anzeige in einem Tooltip-Fenster). Bei der Codierung des Textes kann die Interpretation der KI als Memo zum Code hinzugefügt werden.

Am Ende der Liste erscheint häufig ein Link „find more“ (mehr finden). Dies bedeutet, dass aus dem ersten Suchschritt weitere Daten für eine genauere Prüfung verfügbar sind. Ein Klick auf diesen Link lädt die nächsten 10 Datensegmente.

QualCoder nutzt einen Ranking-Algorithmus, um die relevantesten Ergebnisse oben in der Liste anzuzeigen. Dieser Algorithmus ist nicht perfekt; interessante Daten können auch weiter unten in der Liste zu finden sein.

Mit der Zeit beginnen die von der KI gelieferten Ergebnisse jedoch, vom ursprünglichen Thema abzuweichen und werden immer weniger relevant. An diesem Punkt ist die Untersuchung zu beenden und zum nächsten Thema oder Code überzugehen. Es ist nicht notwendig, so lange auf „find more“ zu klicken, bis absolut keine Daten aus Schritt eins mehr vorhanden sind. Dies ist vergleichbar mit einer Google-Suche: Es ist nicht nötig, jede einzelne Ergebnisseite durchzusehen, wenn die gewünschten Informationen bereits gefunden wurden.

Vorgehen bei fehlenden Ergebnissen

1) Falls Schritt eins keine potenziell relevanten Daten liefert: Beachten Sie, dass die Code-Suche standardmäßig nur neue Daten extrahiert. Wenn die Dokumente bereits gründlich codiert wurden, gibt es zu einem bestimmten Thema möglicherweise nichts Neues mehr zu entdecken. Zudem ist die Suchanfrage zu prüfen, insbesondere der Name des Codes oder des Suchthemas: Ist dieser zu spezifisch oder nicht klar genug? 2) Falls Schritt zwei keine Ergebnisse liefert: Klicken Sie auf „find more“ (falls verfügbar), um mehr Daten zu analysieren. Führt dies ebenfalls zu keinen Ergebnissen, kann eine neue Suche mit einem offeneren, inklusiveren Prompt (z. B. „open search“) gestartet werden.

Im Allgemeinen ist das Ausbleiben oder die geringe Anzahl relevanter Ergebnisse ein starkes Indiz dafür, dass ein bestimmtes Thema in den Daten nicht prominent vertreten ist. Es kann jedoch nicht garantiert werden, dass die KI jedes einzelne datenbezogene Segment ohne Auslassungen findet.