Zbogom intervjueri i moderatori, dobrodošli AI chatbotovi!

Umjetna inteligencija neumorno preuzima sve veći broj različitih znanstvenih poslova. U društvenim istraživanjima koja se provode kvantitativnim metodama, primjerice metodom ankete, brojna su područja u kojima je moguće koristiti AI. Tako AI može pomoći istraživačima u fazi pregleda literature, konceptualizaciji istraživanja, operacionalizaciji teorijskih koncepata, u procesu skaliranja, uzorkovanja, a o statističkoj obradi podataka i njihovoj interpretaciji ne treba ni govoriti. Zapravo, gotovo da nema faze u kvantitativnim istraživačkim projektima u kojima AI ne može biti izuzetno koristan asistent znanstveniku ili čak na sebe preuzeti i veći dio standardnog znanstveno-istraživačkog posla. Posebice u usko fokusiranim, empirijskim studijama, koje se zasnivaju na testiranju jedne do dvije znanstvene hipoteze, s ograničenim brojem zavisnih i nezavisnih varijabli. Riječ je o studijama koje su u zadnjih nekoliko desetljeća, sukladno načelima sveprisutnog pozitivizma-empirizma postulirane kao ideal znanstvenog pisanja i objavljivanja i u društvenim znanostima. Vrlo je vjerojatno da će ovakve znanstvene članke umjetna inteligencija u dogledno vrijeme moći samostalno i gotovo savršeno producirati. U kojoj mjeri će to promijeniti i dominantnu paradigmu u produkciji znanstvenih radova to je pitanje na koje trenutno nemamo odgovora.

AI i kvalitativne metode istraživanja

Egzaktnog odgovora nema niti na pitanje kako će se pod utjecajem AI transformirati prakticiranje pojedinih kvalitativnih metoda istraživanja. Evidentno je da AI trenutno, kao i u slučaju kvantitativnih metoda, pokazuje veliki potencijal u fazi obrade kvalitativnog materijala. Primjerice, pojedini veliki jezični modeli već sada mogu prilično pouzdano kodirati tekstualni i vizualni materijal. Prilično pouzdano provode inicijalno kodiranje što ekstremno ubrzava ovu, inače prilično dugotrajnu i mukotrpnu etapu u kvalitativnoj obradi podataka. Inicijalna klasifikacija kvalitativnog materijala koja inače zahtijeva puno više vremena sada se može provesti u nekoliko sati s minimalnom pripremom. Nakon te, prve „mukotrpne“ faze, u kojoj AI istraživaču nudi polazišnu strukturu, iduće faze koje se obično svode na različite tipove tzv. fokusiranog ili osnog kodiranja, puno je lakše realizirati. Da je korištenje AI neminovnost u procesu kvalitativne obrade podataka svjedoči i činjenica da neki od najpoznatijih softvera za kvalitativnu obradu podataka, npr. NVivo i Atlas, već sada imaju integrirane AI module. Dakle, bez nekog modela umjetne inteligencije uskoro neće biti moguće zamisliti posao kvalitativne obrade podataka.

No, što je s onim drugim, možda i važnijim dijelom kvalitativnog istraživanja, s poslom bez čije kvalitetne izvedbe ni najbolje sređivanje podataka ne donosi spoznajno mnogo? Što je s prikupljanjem podataka, s fazom koja je posebice krucijalna u slučaju dvaju najčešće korištenih kvalitativnih metoda istraživanja – intervjua i fokus grupa? Naime, kao što smo već pisali u članku Što nisu fokus grupe i što je potrebno za njihovo uspješno prakticiranje? vođenje intervjua ili grupnih diskusija jedna je od ključnih kompetencija kvalitativnih istraživača i važan uvjet za kvalitetu zaključaka koji proizlaze iz realizacije grupa i intervjua.

Konverzacijski agenti umjesto intervjuera

Upravo se zato prirodno nameće pitanje mogu li, i u kojoj mjeri, konverzacijski AI agenti preuzeti ulogu moderatora / intervjuera. Mogu li postati jednako kvalitetni, ili čak i bolji, intervjueri ili moderatori fokus grupa?  Naime, nedavno sam čuo da komercijalne istraživačke agencije rade na razvijanju konverzacijskih AI agenata poput onih koji sve više preuzimaju poslove korisničke podrške. Uostalom, o takvim eksperimentima već je moguće pronaći i evidencije na webu i u znanstvenim člancima (vidi npr. Automating the qualitative interview? Using Gen AI chatbots in social science research, The AI Interviewer: Exploring the Use of Conversational AI-Enabled Chatbots in Qualitative Data Collection). Dakle, očito je da se stvari sve više i više razvijaju u smjeru uključivanja AI konverzacijskih agenata i u proces prikupljanja kvalitativnih podataka, tj. u sam komunikacijski proces između istraživača i socijalnih subjekata koji sudjeluju u istraživanju. U kojoj mjeri je zaista realno da će jednog dana strojevi u potpunosti na sebe preuzeti aktivnost komunikacije sa sudionicima istraživanja?

Prema mojem mišljenju, za jedan veliki dio projekata koji se provode metodom intervjua to je sasvim očekivano. Naime, kao i u svakoj drugoj realnoj istraživačkoj situaciji, i u slučaju znanstveno-istraživačkih projekata koji se provode intervjuima, istraživači su često suočeni s potrebom kompromisa između opsega i dubine. Drugim riječima, suočeni su sa sljedećom dilemom: da li realizirati veći broj intervjua, tj. projektom obuhvatiti više sudionika, čime bi se prikupio širi raspon mišljenja i stavova, ili se intenzivnije usmjeriti na manji broj sudionika kojima će se pristupiti fokusiranije, tj. više vremena posvetiti svakom pojedinom sudioniku, čime se povećava mogućnost dubljeg razumijevanja njihovih stavova, iskustava, motiva, značenja itd?

Moje istraživačko iskustvo govori da je opcija opsega najčešće rješenje u slučaju kada se planiraju provesti više strukturirani intervju, uglavnom u istraživačkim projektima instrumentalnog karaktera poput istraživanja društvenih učinaka, učinaka javnih politika i sl. Dakle, radi se najčešće o istraživanjima koja smjeraju prikupljanju konkretnih, praktično primjenjivih spoznaja o tome kako neka intervencija, politika, inicijativa ili program funkcionira u stvarnosti, kako njenu funkcionalnosti ocjenjuju akteri na koje je usmjerena, s kojim preprekama se suočava njena implementacija te koje posljedice proizvodi. U takvim projektima naručitelji istraživanja, a najčešće su to javne institucije, vladine agencije ili nevladine organizacije, obično žele steći uvid u što širi raspon iskustava dionika i njihovih perspektiva, jer upravo ta širina nalazima daje legitimitet, dok s druge strane „dubina“, „otvorenost“ intervjua ili njegova „nelinearnost“ nisu istraživački prioritet.

Upravo u slučajevima ovakvih intervjua, konverzacijski AI agenti kao intervjueri mogli bi biti prikladno rješenje budući da bi se njihovim korištenjem mogao u puno kraćem roku provesti znatno veći broj intervjua po znatno nižim cijenama. Tome treba dodati i lakšu organizaciju istraživanja, posebice činjenicu da ne treba formirati tim intervjuera kao niti potrošiti vrijeme za njihov trening, zatim činjenicu da se konverzacijski AI agenti u potpunosti mogu prilagoditi ispitaniku u pogledu vremena kada obaviti razgovor. Također nije naodmet spomenuti i mogućnost provođenja intervjua na većem broju jezika kao i trenutnu dostupnost transkripta.

Quo vadis kvalitativa?

S druge strane čini mi se da je još uvijek otvoreno pitanje u kojoj mjeri umjetna inteligencija može supstituirati iskusnog istraživača u slučajevima kada je fokus na „dubini“ spoznaja, kada dizajn istraživanja pretpostavlja provođenje slabo strukturiranih intervjua s imperativom otvorenosti i nelinearnosti, tj. u slučajevima kada je tema fiksna, a pristup obradi teme manje, više slobodan. Primjerice, u slučaju intervjua kojima se istražuje motivacijska struktura, u slučaju fenomenoloških intervjua, tj. kada dizajn istraživanja proizlazi iz one Diltheyeve ideje koja je i motivirala razvoj kvalitativnih metoda istraživanja, ideje da razumijevanje duhovne komponente ljudskog djelovanja predstavlja ključ za objašnjenje društvenih procesa. U takvim slučajevima tijek razgovora, potpitanja koja se postavljaju, refleksije na rubne dijelove problematike, gotovo su u potpunosti stvar trenutka i onoga što izranja iz samog razgovora. Dakle, još uvijek je teško zamisliti da bi u ovakvim slučajevima AI konverzacijski agent mogao zamijeniti iskusnog i dobro istreniranog istraživača. Međutim, pitanje je koliko dugo će to biti nemoguće. Uostalom i ovo što trenutno AI radi u znanosti do nedavno je bilo teško zamislivo. Stoga je teško pretpostaviti da postoji fiksna prepreka koja bi mogla isključiti vjerojatnost da neki budući AI modeli, trenirani na znatno bogatijem korpusu podataka o ljudskoj interakciji, o stavovima i vrijednostima, motivima koji nas pokreću, razviju teorijsku i empirijsku osjetljivost koja će biti dostatna da u potpunosti istisnu kvalitativne istraživače iz komunikacijskih procesa na kojima počivaju neke od ključnih kvalitativnih metoda istraživanja.

Nakon toga, vjerojatno samo treba pričekati trenutak kada će umjetna inteligencija iz kvalitativnih istraživanja u potpunosti istisnuti i subjekte istraživanja, primjerice sudionike fokus grupa.

Nije li uzbudljivo razmišljati o mogućnosti da fokus grupe u budućnosti zamijenimo nekim oblicima simulacije grupne dinamike temeljene na sintetičkim agentima koji s visokom razinom preciznosti simuliraju obrasce interakcija, stavove i mišljenja različitih društvenih grupa?  

Naslovna ilustracija generirana je umjetnom inteligencijom uz pomoć ChatGPT-a (OpenAI).

Ovaj tekst je sufinanciran sredstvima Fonda za poticanje pluralizma i raznovrsnosti elektroničkih medija.