在定性健康研究中评估微软辅助飞行员:对明显内容编码准确,但对隐藏解释有限

科学领域:

• 计算机科学 计算机科学
• 定性研究方法 定性研究方法
• 在社会科学中的人工智能.

背景情况:

• 对面试数据的定性分析是耗时且资源密集的.
• 人工智能 (AI) 提供了优化研究任务的潜力.
• 微软Copilot,一个人工智能助理,正在探索其在研究中的应用.

研究的目的:

• 评估微软Copilot对采访数据进行内容分析的能力.
• 用格兰海姆和隆德曼的方法与手动分析进行人工智能驱动的内容分析.
• 以方法框架,目标和背景为指导,评估Copilot的表现.

主要方法:

• 公司保护的微软Copilot版本被用于数据安全.
• 使用格兰海姆和隆德曼的内容分析方法,手动分析了六次采访.
• 副驾驶员进行了四次分析,以格兰海姆和隆德曼的方法,目标和上下文提示,然后与手动结果进行了比较.

主要成果:

• 在描述性内容分析,包括单元选择和编码方面,Copilot与手动分析具有很高的相似性.
• 人工智能助理成功生成了类似于手动分析的子主题和总体主题.
• 与手动方法相比,隐藏内容的解释性分析缺乏细微差别;Copilot在仅依靠方法框架指导时表现最好.

结论:

• 微软Copilot可以有效地使用Graneheim和Lundman的方法对manifest数据进行描述性内容分析.
• 人工智能对隐藏内容的解释需要进一步发展,以匹配人类的细微差别.
• 副驾驶显示承诺作为一个支持工具,用于定性数据分析的初始阶段,特别是明显的内容.