Er AI en ny Antropologisk Intelligens?

Generativ AI giver nye mulighedsrum til den kvalitative undersøgelse. Sprogmodeller er derfor på kort tid blevet populære analytiske sparringspartnere, der både gennemlæser interviews, annoterer billeder, danner overblik, finder temaer, opstiller citater og formulerer troværdige og velargumenterede rapportskabeloner. Fantastisk, ikke?

En række spørgsmål presser sig dog på: Kan man anvende AI og samtidig bevare sin faglige kontrol med analysearbejdet? Og kan man udnytte sprogmodellernes potentiale som tekstgenererende sparringspartnere uden at tilføje unødig støj i analysefasen?

I Epinion har vi prioriteret, at vores to innovations-HUBs dedikerer tid til at eksperimentere med at forankre AI som analyseværktøj i organisationen.

I denne blog vil jeg dele 4 praksisnære eksempler på vores tilgang til AI i kvalitative analyser, for at tegne konturerne af de overvejelser og tilgange, vi går til dette felt med.

1. Vi bruger sprogmodeller mod vores bias og begrænsninger

Analyser er oftest mest interessante, når de fungerer som øjenåbnere, der udfordrer det velkendte og stiller gode spørgsmål til fremtiden. Derfor er det essentielt at holde sig „udfordret” som analytiker og fastholde et bredt perspektiv på sit datagrundlag. Her kan AI spille en væsentlig rolle:

Sprogmodeller excellerer i at skabe og fastholde overblik over store tekstmængder. Og ud over at udvide den kognitive kapacitet for, hvor meget information vi som analytikere kan bearbejde i analysefasen, så kan sprogmodellens skarpe overblik også anvendes til at tjekke op på oversete emner, eller hvorvidt der er skævheder i konklusionerne.

Dermed undgår vi de „blinde vinkler“ eller bias, som min kollega Sanne Møller omtaler i en tidligere blog, og sikrer, at analysen både er relevant og skarp. Denne afsøgende dialog med modellens overblik kan kickstarte dit arbejde med at få flere nuancer og finde nye temaer på tværs af dit feltarbejde, når du tidligt i analyseprocessen ønsker sparring og input.

Med andre ord: vi kan bruge sprogmodeller til både at udvide vores analytiske kapacitet, men også at udfordre vores egen intuition og forforståelse.

2. Vi tænker i genererende vs. verificerende brug

Brugen af sprogmodeller forudsætter faglighed og tæt kontakt til data. For det er ikke teknologien i sig selv, der skaber den gode effektive analyseproces – det er noget, der sker i samspillet mellem menneske og maskine. Derfor er det essentielt, at man som analytiker selv har været tæt på feltarbejdet og har en solid forståelse for projektets og undersøgelsens kontekst.

Spørgsmålet er derfor ikke, om sprogmodeller skal bruges, men hvornår og hvordan.

I Epinion overvejer vi tidligt i projektplanlægningen, hvilke funktioner sprogmodellerne bedst kan bidrage med. Vi stiller os selv spørgsmål som:

• Hvornår i analysearbejdet er vi fagligt rustet til at gå i dialog med og udfordre modellens overbevisende output?
• Hvorvidt skal modellen generere udkast, eller bidrage til at validere eksisterende hypoteser?

Det er i dette skel mellem det genererende og det verificerende, vi finder de mest interessante synergier:

a. Genererende funktioner

I den genererende rolle bruger vi sprogmodellen som idégenerator. Ved at vedhæfte referencemateriale kan vi fokusere modellens kreative output, så den arbejder inden for en defineret ramme. Det gør os i stand til at forme analysens udtryk, samtidig med at vi kan genbesøge data med nye briller.

b. Verificerende funktioner

Når vi anvender sprogmodeller til verificering, sker det typisk i to situationer: Når analysen skal munde ud i indsigter til prædefinerede kategorier, og når vi vil efterprøve vores egne fortolkninger op mod den empiriske data. Det er her modellen fungerer som bias-tjekker og bidrager til at åbne oversete perspektiver.

3. Vi arbejder med en lukket, lokal og GDPR-sikker sprogmodel

I mange kvalitative analyser arbejder vi med data, der er fortrolig, følsom og personhenførbar. Derfor har vi i Epinion prioriteret at have adgang til en lukket dansk persondata-godkendt sprogmodel – en sand gamechanger i arbejdet med interviewdata, noter og citater. Det giver en række fordele:

a. Fuld kontrol over data

Med en lukket model har vi kontrol over, hvem der har adgang til data. Vi kan arbejde direkte med transskriptioner og noter uden at anonymisere eller bekymre os om datasikkerhed. Intet sendes til eksterne servere, og intet bruges til modeltræning.

b. Skræddersyet faglighed og forståelse

Vores model kan finjusteres med begreber, sprogbrug og metodeapparat efter vores eget valg. Det betyder i sidste ende, at vi arbejder med en model, der forstår vores faglige kontekst og ikke kommer med generiske svar.

c. Et trygt rum for eksperimenter

En lukket model giver os mulighed for at eksperimentere frit og kreativt. Vi kan opstille, teste og tilpasse tematiske analysemodeller uden risiko for dataspor eller brud på fortrolighed. Det er med andre ord en hjørnesten i vores analytiske arbejde og proces, at den information, vi ønsker at analysere, ikke skal gennemgå lange anonymiseringsprocesser for at kunne blive en del af vores AI-analyser.

4. Vi har en fast promptskabelon og -fremgangsmåde på tværs af organisationen

Det er særligt vigtigt at skabe gode betingelser for den kreative og eksperimenterende anvendelse af sprogmodeller. Derfor er det nødvendigt at etablere en tværgående prompting-praksis – en fælles forståelse og fremgangsmåde for dialogen med sprogmodellerne.

Og det behøver ikke at være svært. Et godt prompt, der let kan gennemskues af dine kollegaer, er ”kun” et spørgsmål om den rette opsætning. Det afgørende er faktisk, at alle på et projekt blot følger den samme promptskabelon for at få større gennemsigtighed og kreativt indblik i teamets prompts.

Et eksempel på et godt prompt kunne være at tildele sprogmodellen en rolle og profession, vedhæfte eller beskrive konteksten for projektet, opstille formålet og opgaven, fastsætte sprog og tone, give den anvisninger til kilder og referencer samt specificere, hvilket output du reelt set ønsker dig. Et opstartsprompt, der efterfølgende kan forfines og justeres, kan se sådan ud:

Rolle: Du agerer som antropolog med ekspertise i børns perspektiv på krop og sundhed samt i tematisk analyse og mønstergenkendelse baseret på interviews.

Kontekst: Formålet med undersøgelsen er beskrevet i [vedhæftet fil]

med yderligere detaljer fra opstartsmøder [vedhæftet fil] og rammebetingelser [vedhæftet fil]

Opgave og formål: Du skal bruge konteksten og rammebetingelserne for analysen til at opstille en tematisk analyse baseret på alle besvarelser i notearket [vedhæftet fil] der besvarer opgaverne fra interviewguiden [vedhæftet fil]. Formålet er:

1) at identificere mønstre på tværs af interviews og

2) at bringe potentielle perspektiver frem, som måske ikke bliver dækket i undersøgelsen.

Kildehenvisning og referencer: Inkludér alle informanter i din analyse, og referér tilbage til de enkelte interviews ved at opstille citater direkte fra notearket, når du bruger dem som grundlag for analytiske indsigter. Indsæt citater i din argumentation og angiv navnet på det dokument, hvorpå du har fundet referencerne.

Output: Dit output skal være en grundig tematisk analyse, der følger mine anvisninger.

Kasper Wejse
SENIOR CONSULTANT
kawe@epinionglobal.com