AI Can Code… But Can It Care? Exploring Automation in Qualitative Research
Notice bibliographique
Résumé
Mounting demands for efficiency and productivity in research have created pressures for applied anthropologists to integrate artificial intelligence (AI) into their methodological toolkits. This reflexive essay considers the ethical implications of using AI technologies to code qualitative health data. Drawing on my experience as a medical anthropologist working in a psychiatric epidemiology consortium that shifted from human-driven to AI-driven coding, I suggest that AI cannot attune to the affective, moral, and situated dimensions that bring care to anthropological inquiry. Drawing on a feminist ethic of care, I examine how automation reconfigures economies, ecologies, epistemologies, and relationalities of care in the process of coding. Yet, despite its limitations and harms, an outright rejection of AI forecloses opportunities to imagine new and transformative relationships with this technology. I conclude that care is more than an ethical stance, it is a methodological praxis that requires renewed nurturing as anthropologists working in diverse field sites contend with trends in automation. While anthropologists have studied AI, algorithms, and automation as topical matter, there has not yet been sufficient attention to how AI itself becomes integrated into our own research.
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 | 0,375 | 0,356 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,018 | 0,093 |
| Communication savante | 0,018 | 0,028 |
| Science ouverte | 0,005 | 0,018 |
| Intégrité de la recherche | 0,005 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».