Machine Intelligence and Human Intelligence: Exploring the Potentials of Machine Learning Based Approaches to Qualitative Survey Data Analysis
Notice bibliographique
Résumé
This paper aims to explore new methods for qualitative data analysis in the digital age. We applied three machine learning (ML)-based methods—topic modelling via LDA and BERTopic, and generative AI-assisted inductive coding—in conjunction with the conventional thematic analysis method, to a set of qualitative data collected from a student survey over four years at a Canadian engineering school. The analysis processes as well as the outputs generated from the four methods were compared and evaluated against the trustworthiness criteria for quality in qualitative research. We observe that the ML-based approaches to analyzing qualitative survey data offer some levels of credibility and transferability while dependability and confirmability vary by method; and human intelligence of researchers needs to be involved to enhance the quality of ML-based analysis. Moving forward, we recommend a human-AI collaborative approach that combines ML-based inductive coding and human intelligence-based deductive coding processes. This new approach can facilitate and accelerate qualitative research and foster cross-disciplinary collaboration in qualitative data analysis.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,233 | 0,349 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,018 | 0,012 |
| Études des sciences et des technologies | 0,004 | 0,021 |
| Communication savante | 0,013 | 0,015 |
| Science ouverte | 0,004 | 0,010 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».