作者：Andres Müller & Stefan Rädiker

下载 PDF 格式的博客文章

正如最近在柏林举行的 MAXQDA 用户大会 MQIC 2024 的研讨会上所讨论的那样，生成式 AI 为定性研究人员提供了新的可能性和挑战。随着通用 AI 的日益普及，大型语言模型 （LLM） 现已集成到 MAXQDA 等成熟的研究软件中。自 2023 年 4 月 MAXQDA 的附加组件“AI Assist”首次发布以来，已经添加了一个又一个功能，大大减少了研究人员在数据分析中以大型语言模型形式利用生成式 AI 功能的障碍。AI Assist 现在为研究人员提供了一系列支持功能，包括各种数据部分的自动摘要、代码系统建议以及不熟悉术语的解释。随着 MAXQDA 24.3 的发布，该软件现在集成了 ChatGPT 流行的交互逻辑。这一新增功能将 MAXQDA 从主要以编码数据为中心的工具转变为使研究人员能够与 AI 就特定文档或编码片段选择进行“聊天”的工具。

虽然自动摘要和代码建议易于使用，并且可以无缝集成到定性内容分析、主题分析、扎根理论或话语分析等既定方法中，但聊天功能开辟了一个充满分析可能性的新世界。尽管这些功能可以集成到现有的方法论方法中（例如，由Kuckartz和Rädiker描述的，正在出版），但它们也将从新的指南和最佳实践中受益，以便在分析环境中有效使用。

这篇博文旨在通过提供与 10 个用例相关的 10 个提示来准确解决指导中的这一差距：5 个用于基于案例的分析，5 个用于基于主题的分析。虽然我们的示例侧重于访谈，但提示可以很容易地适应其他数据类型。

聊天还是提示？

与数据“聊天”是什么意思？牛津词典为这个看似无辜的术语提供了两个定义。第一个，“以友好、非正式的方式交谈”，并不能准确描述研究人员在分析他们的文档或代码时在 MAXQDA 聊天中应用的交互过程。这个定义意味着随意的互动，这不是进行定性研究的目标（Paulus & Marone，2024）。

第二个定义，“与互联网上的某人交换消息”，与 AI 和 ChatGPT 支持者的设想更接近。然而，将其称为与 AI 的“对话”或将交换的内容称为“消息”也不完全准确。在 MAXQDA 中，“聊天”更多地是指界面类型，而不是通信方式或内容。在基于 AI 的 “聊天” 中，人类输入提示，AI 生成响应。这种交互在几个方面是分层的，人类指导和 AI 反应，以及人类最终判断 “对话” 是否符合预期的分析目标。

考虑到这些因素，我们建议在讨论 MAXQDA 的聊天功能时使用术语“提示辅助分析”而不是“与数据聊天”。这个术语更准确地描述了这个过程，因为“prompt”指的是通过问题或命令引出回应，而“analysis”则克服了随意聊天的含义。

基于案例和基于主题的提示示例

定性研究人员可以通过这种新的提示辅助分析实现什么？目前（2024 年 7 月），AI Assist 具有两种类型的聊天。一个是基于案例的 “Chat with a Document” ，另一个是基于主题的 “Chat with a Code”。也就是说，将整个文档或先前编码的一系列区段作为数据基础，以提示辅助方式与此数据进行交互。

MAXQDA 的 AI Assist 的“Chat with a Document”界面

这种使用基于案例或基于主题的方法的逻辑与既定方法的分析技术非常一致，例如用于创建汇总表的 “逐个主题 ”矩阵（Kuckartz 和 Rädiker，2023 年）。在回答我们的研究问题时，我们通常会优先考虑一个观点或它们之间的交替，例如，通过重建单个案例的内在逻辑和过程，或者通过描述多个案例中的主题。

无论哪种方式，目前 AI Assist 都支持文本数据，包括访谈或焦点小组的文字记录以及已发布的文档。但是，尚不支持图像、音频和视频数据。在下文中，我们将探讨提示辅助分析的有用示例，首先关注基于案例的方法，然后关注基于主题的方法。

与文档聊天：基于案例的分析的 5 个提示

对于基于案例的提示，使用 MAXQDA AI Assist 的“与文档聊天”功能，我们区分了五个不同的用例：自定义摘要、开发代码系统、识别相关数据段、接收反馈以及辅助解释和分析思维。

首先，让我们从一个基本主题开始：创建专注于一个或多个特定主题的文档摘要。通过右键单击文档名称并在上下文菜单中选择 AI Assist > Chat with Document 开始文档聊天后，我们在聊天窗口中输入以下提示：

通过指定主题，我们指导 AI Assist 生成比上下文菜单中提供的“一键式”AI 摘要功能生成的摘要更量身定制的摘要。这种方法可以对文档的内容进行集中和有组织的概述：

示例：自定义文档摘要

在此示例中，AI 创建案例摘要，仅考虑指定的主题，并按请求的顺序呈现它们。与 “一键式” AI 摘要相比，这种方法具有显著优势，后者提供总体情况，并且可能会过分强调与当前分析任务不太相关的数据部分。

其次，在基于编码的分析方法中，通常使用单个案例来创建归纳、数据驱动或紧急代码系统。我们可以通过 AI 来支持这一过程，方法是使用提示辅助分析来基于单个文档创建代码建议。例如，我们可以使用以下提示符：

提示 2：文档的代码建议

创建一个编码系统，该系统侧重于 [插入您的焦点] 以及主代码和子代码。

正如我们在下面的屏幕截图中看到的那样，AI 响应可以激发我们对代码系统的新想法：

示例：基于单个案例的代码建议

通过扩展提示符，我们可以进一步自定义 AI Assist 的输出。我们可以指定 AI Assist 应该关注哪些类型的代码，例如，通过考虑现有理论或按照 Charmaz （2014） 的建议以动名词形式（“ing”形式）请求代码名称。此外，我们可以指示它遵循特定的结构，例如区分至少两个子级别，并且通过使用后续问题，我们可以引导 AI 进一步区分或聚合建议的代码。

第三，我们可以利用及时辅助分析来识别文档中的特定数据或信息。我们可能有兴趣找到采访中提到的所有地点、人物、组织甚至动物。当然，我们可能正在寻找更抽象的概念，例如自由职业者提供的服务。以下是用于此目的的有用提示：

提示 3：在一个文档中识别特定主题的信息

列出 Fiona 作为自由职业者的一部分提供的所有服务。

示例：导航数据

这种方法变得更加有价值，因为 MAXQDA 不仅提供响应，而且还包括指向原始文本中相应段落的链接。只需单击一下，我们就可以导航到相关数据。此功能提供了一种检索和导航数据的新方法，如果我们回忆起采访中的特定段落但难以快速找到它，此功能也会有所帮助。但是，请务必注意，AI 生成的响应中原始文本的引用可能并不总是与源逐字匹配。这相当于让一个（好）学生记住书中的某个段落。因此，必须根据原始来源验证数据的直接引用。

同样，如果 AI 响应未找到相关区段，则不能保证该区段在文本中不存在。在这种情况下，最好使用后续问题，例如“请仔细检查是否真的没有可以被看到或解释为 …”的片段。总而言之，使用提示可以是一种快速直观的数据导航方式，但必须谨慎对待输出。

第四，反馈在培养定性研究人员的方法技能方面起着关键作用。我们可以利用 Age Prompt-assisted 分析来获得关于我们的书面工作甚至我们如何进行访谈的宝贵反馈。在寻求反馈时，从我们的提示中的数据中询问具体示例会有所帮助：

提示 4：接收有关面试行为的反馈

我是一名研究人员，正在寻求提高我的采访技巧。提供对这次采访的反馈，包括文本中的具体示例，并就我如何以更好的方式做到这一点提出建议。

示例：面试技巧的反馈

也可以在提示中包含说明，以将反馈集中在特定方面，例如访谈结构、问题清晰度或面试官中立性。使用此类提示可以帮助定性研究人员找到相关的后续问题，重新考虑他们在访谈中的角色，甚至指出盲点，例如隐性种族主义、性别歧视、能力歧视或研究人员可能没有意识到的其他有问题的行为。

挑战在于公开和批判性地处理 AI 生成的“反馈”。作为接收者，您可以决定接受或放弃哪些建议。重要的是要记住，您不是在与 “人” （尤其是不是经验丰富的研究人员） 进行对话，而是根据语言模型的概率分数收到合理的文本。在此过程中，来自具有直接、实际经验的导师的人工反馈仍然至关重要。尽管如此，这可能是一种有趣的方式，可以立即挑战你自己的主观性，即使它来自“不可靠的方法论者”（AI）。

第五，我们还看到了使用提示辅助分析作为加强和激发我们的分析思维的强大工具的巨大潜力。例如，让我们看看以下提示符：

提示 5：识别面试中的矛盾

确定受访者在陈述中自相矛盾的地方。

示例：协助分析性思考和解释

虽然输出可能不会揭示强烈的矛盾，但它突出了关于自由职业的利弊的微妙模棱两可的感觉。诸如“这个人通过进行的访谈讲述了什么故事”或“这个人将自己视为谁”之类的提示可以帮助我们加深对访谈的解释，并支持我们的概念和分析工作。通过提出正确的问题（使用良好的提示），研究人员可以为现有数据找到新的角度或见解，并将自己的分析工作与 AI 的替代版本进行比较。

正如我们所展示的，基于大小写的提示可以增强分析，而不仅仅是创建简单的摘要。在下一节中，我们将转向一种更具主题性的方法。

使用代码聊天：基于主题的分析的 5 个提示

使用代码聊天：基于主题的分析的 5 个提示 在以下示例中，我们的提示辅助交互侧重于已编码的数据，而不是整个文档或案例。这要求通过手动方法或文本搜索和自动编码创建代码并将其应用于我们的数据。与面向案例的方法不同，提示辅助分析的质量在很大程度上取决于编码的执行方式。常见的方法问题，如“我的编码区段应该有多大”或“我应该（不）编码什么数据”，在这里很重要。如果编码的区段包含足够的上下文来回答聊天中提出的查询，则 AI Assist 将产生更好的结果。如果聊天响应不令人满意，则最好通过在“检索的区段”窗口中检查编码区段来查看基础编码。

对于基于主题的分析，我们的 5 个 Prompt 遵循与上述基于案例的分析类似的使用案例：自定义代码摘要、建议子代码、检索编码片段、编码过程反馈以及协助解释和分析思考。可以在 MAXQDA 中的多个位置打开编码段的 MAXQDA 聊天：

• 右键单击代码名称并选择 AI Assist > Chat with Coded Segments of This Code（将考虑代码的所有编码段）。
• 在“检索的句段”窗口中，在智能编码工具中，或在使用 AI Assist 图标的“对调查数据进行分类”工作区中（将仅考虑当前列出的编码句段）。

首先，我们可以创建自定义的代码摘要。与基于案例的方法相比，缩小某个主题的范围并不那么相关，因为编码已经包含基于主题的选择过程。相反，我们可以专注于请求某个输出结构，例如：

提示 6：自定义代码摘要

汇总编码的片段。在第一部分，重点关注大多数访谈参与者的共同点。在第二部分，突出独特或不同的陈述和观点。

示例：自定义代码摘要

在该示例中，提示用于首先描述研究参与者对代码所涵盖的主题的“共同点”。他们在什么方面达成了共识？其次，总结个人观点。请注意，聊天回复包含受访者的假名，因为它们被用作文档名称，并在文档中用于识别说话人。同样，我们可以通过遵循可点击的引用来检查响应的准确性，因为对于带有编码区段的聊天，每个区段都有一个唯一的编号。

作为第二个用例，我们可以利用提示辅助分析为我们的代码系统创建想法。在这里，我们可以使用这种方法进一步将抽象的主题或主题区分为更具体的子代码。例如，我们可以提示对代码“谈判能力”的建议，并要求 AI 将其拆分为“微观”和“宏观”方面：

提示 7：创建自定义子代码建议

对子代码提出建议，进一步划分代码 “协商权”。将建议的子组分为两组：1）影响谈判能力的宏观“宏观”因素，以及2）影响谈判能力的单个“微观”因素。

示例：自定义代码建议

这可以通过在我们的子代码层中引入更具分析和理论性的视角来帮助我们超越简单的描述性代码。由于参考资料，我们还将从我们的数据中收到许多示例，这对于开发基于经验的子代码非常有帮助。

作为第三个用例，我们可以使用提示来识别一个或多个区段，这有助于导航我们的数据：

提示 8：识别相关细分

帮助我在数据中找到 [插入您的条件] 的区段。

示例：检索相关报价

这可能是一个非常有用和快速的搜索，因为 MAXQDA 的 AI Assist 引用了编码段的编号，只需单击一下即可让我们检查结果。这不太容易出错，因为 AI 只需要查找和引用，从而从现有区段中挑选。但请记住，AI 响应中的直接引用不应被视为可靠，相反，我们始终建议检查已识别的来源并直接从原始数据中引用。

第四，我们可以使用提示辅助分析来评估我们的编码和代码定义的质量：

提示 9：编码质量检查和改进定义

这些段已使用标记为 [插入代码名称] 的代码进行编码。我按如下方式定义代码：[in-sert code definition]。

确定与此定义不匹配的区段。

示例：检查编码质量

此提示可帮助我们识别编码错误的句段，这些句段可能不属于特定代码，可能是由于错误或代码合并造成的。它有助于确保我们的代码实际上包含我们认为它们包含的数据。同样，参考文献可以很容易地仔细检查已识别的异常值。此外，使用 AI 来改进代码定义通常是有益的，例如，使用后续提示，例如“考虑编码的片段，为我的代码定义提出改进建议”。

最后，对编码片段的及时辅助分析可以支持我们的解释和分析任务。同样，我们有一个示例，其中的 segments 编码为 “negotiation power”：

提示 10：根据特定标准对编码区段进行分组

我对研究参与者是否认为自己的谈判能力强弱感兴趣。提出按谈判能力级别对声明进行分组的建议，并列出每个组的段。

示例：根据特定标准对编码句段进行分组

在该示例中，AI 在数据中识别了几种不同程度的谈判能力，以及对细分的解释和引用。这样的回答可能会支持分析任务，例如为类型学开发适当的尺度（Kuckartz & Rädiker，2023）。

使用案例概述

下表总结了本博客文章中介绍的基于案例和基于主题的提示辅助分析的五个使用案例。对于每个用例，我们列出了一个可能的分析结果：

	基于案例	基于主题
总结	以主题为中心的案例摘要	总结中的共同主题和独特观点
开发代码	特定情况的编码帧	进一步区分主代码的子代码
导航数据	文档中的特定部分	特定编码段
接收反馈	改进面试技巧的想法	改进代码赋值和代码定义的想法
协助解释和分析思维	一次采访中出现相互矛盾的观点和陈述	对相似受访者的回答进行比例分组

当然，这些用例并非详尽无遗。我们确信我们的读者可能很快就会希望添加更多，但所呈现的用例反映了典型的研究需求，并为应用提示辅助分析提供了一个很好的起点。

其他提示和结论

列出的用例和提示提供了有关 MAXQDA AI Assist 聊天功能功能的宝贵见解。我们希望它们能激励更多的研究人员扩大快速辅助分析的范围，而不仅仅是简单地撰写摘要。为了最大限度地发挥他们的潜力，我们建议在使用聊天时考虑以下最佳实践：

• 简单的后续问题，例如 “进一步阐述 ”或 “更深入地解释 x 方面 ”，可以最佳地利用聊天的功能来考虑之前的对话。
• 如果您没有获得预期的结果，或者如果您开始了新主题，请重置聊天以防止之前的对话影响最新的答案。
• 要提高答案质量，请尝试通过询问理由来扩展提示：“证明您的答案合理！”或“在您的答案中提供详细原因！
• 还可以请求表格或请求输出的特定格式。

研究人员与其数据之间的 AI“中介”的即时辅助分析提供了许多新的分析技术。可以肯定的是，这些技术可以在既定性研究方法的框架内使用，正如我们的例子所说明的那样，它们在增强既定方法方面具有巨大潜力。

目前，关于如何有效地将人工智能和提示辅助分析技术融入既定方法的文献有限，除了一些例外，如Kuckartz和Rädiker关于定性内容分析的工作（正在出版中）。通过这篇博文，我们希望为填补这一空白做出贡献并提供一些方向。

目前，我们正处于研究方法学激动人心的旅程的开始，人工智能在定性研究中的创新应用不断发展。因此，我们热切期待您的反馈和体验 提示辅助分析.请在 andre-as@muellermixedmethods.com & raediker@methoden-expertise.de 与我们分享您的想法。

引用

Kuckartz， U.， & Rädiker， S. （2023）。定性内容分析：方法、实践和使用软件（第 2 版）。圣人。https://qca-method.net

Kuckartz & Rädiker （正在出版）.定性 Inhaltsanalyse.Methoden， Praxis， Umsetzung mit Software und künstlicher Intelligenz （6. ed.）.贝尔茨尤文塔。https://qualitativeinhaltsanalyse.de

Paulus， T. M.， & Marone， V. （2024）.“在几分钟内而不是几周内”：生成式 AI 和定性数据分析的话语结构。定性调查。https://doi.org/10.1177/10778004241250065

作者

Andreas Müller 担任专业的 MAXQDA 培训师已有七年多的时间，并且是一名研究和方法教练以及合同研究员。他在各种定性方法方面经验丰富，并与来自不同学科的客户合作，包括医疗保健、教育科学和经济学。Andreas 擅长分析定性文本和视频数据，以及混合方法数据。
www.muellermixedmethods.com

Stefan Rädiker 是研究方法和评估的顾问和培训师。他拥有教育科学博士学位，他的研究重点是定性和混合方法数据的计算机辅助分析。他在 MAXQDA 工作了 20 多年，并以其在 MAXQDA 软件开发方面的方法专业知识为 VERBI 团队提供支持。
www.methoden-expertise.de

引文（APA 格式）：

Müller， A. & Rädiker， S. （2024年8月12日）。用您的数据“聊天”：使用 MAXQDA 的 AI Assist 分析访谈的 10 个提示。MAXQDA 研究博客。https://www.maxqda.com/blogpost/chatting-with-your-data-10-prompts-for-analyzing-interviews-with-maxqda-ai-assist