сотрудник
Москва, г. Москва и Московская область, Россия
сотрудник
Москва, г. Москва и Московская область, Россия
В статье рассмотрены возможности применения искусственного интеллекта в качественном анализе данных фокус-групп. Реализован эксперимент с тремя исследователями: первый проводил ручной анализ транскриптов фокус-групп, второй использовал модель DeepSeek, третий сравнивал результаты. Эмпирическая база включает материалы двух фокус-групп с подростками, собранные в Пермском крае в 2022 г. Теоретической основой выступил участвующий подход социологии детства с операционализацией модели участия Р. Олсен. Выявлены преимущества LLM в структурировании данных и автоматизации рутинных задач, однако обнаружены существенные ограничения: искажения цитат, генерация несуществующей информации и односторонность анализа. Сделан вывод, что LLM не могут заменить человека в глубоком анализе качественных данных, но эффективны как инструмент первичной обработки. Разработан алгоритм работы с LLM для анализа качественных данных.
искусственный интеллект, большие языковые модели, промпт-инженеринг, качественный анализ, соучаствующее проектирование, фокус-группы, социология детства
1. Горбачева Т. А. Искусственный интеллект: риски и проблемы внедрения в Российской Федерации // Инновационная экономика: информация, аналитика, прогнозы. 2025. № 1. С. 96–105. DOI: https://doi.org/10.47576/2949-1894.2025.1.1.014; EDN: https://elibrary.ru/VEKLBK
2. Мокшанов М. В. Применение искусственного интеллекта в анализе данных: обзор текущего состояния и будущих направлений // Universum: технические науки. 2024. № 5–1 (122). С. 40–48. DOI: https://doi.org/10.32743/UniTech.2024.122.5.17513; EDN: https://elibrary.ru/ZCNAQA
3. Хуснутдинова М. Р., Филипова А. Г. "Распаковка" агентности в школьном проекте: перспективы участвующего подхода // Образование и саморазвитие. 2024. Т. 19, № 2. C. 139–154. DOI: https://doi.org/10.26907/esd.19.2.10; EDN: https://elibrary.ru/KDYMGG
4. Chen B., Zhang Z., Langrené N., Zhu S. Unleashing the potential of prompt engineering for large language models // Patterns. 2025. Vol. 6. No. 6. P. 101–260. DOI: https://doi.org/10.1016/j.patter.2025.101260
5. Hart R. Children’s Participation: From Tokenism to Citizenship. Florence: UNICEF / International Child Development Centre, 1992. 39 p.
6. Olsen R. K., Stenseng. F., Kvello O. Key Factors in Facilitating Collaborative Research with Children: A Self-Determination Approach // Academic Quarter. Akademisk Kvarter. 2022. No. 24. P. 135–148. https://doi.org/10.54337/academicquarter.vi24.7256 EDN: https://elibrary.ru/TJVBFV
7. Schroeder H., Quéré M.A.L., Randazzo C., Mimno D., Schoenebeck S. Large Language Models in Qualitative Research: Uses, Tensions, and Intentions. Large Language Models in Qualitative Research // arXiv, 2025. URL: https://arxiv.org/abs/2410.07362 (accessed 05.07.25).
8. Schroeder H., Randazzo C., Mimno D., Schoenebeck S., Aubin Le Quere M. Large Language Models in Qualitative Research: Can We Do the Data Justice? // ResearchGate In Extended Abstracts of the CHI Conference on Human Factors in Computing Systems (CHI EA’25), April 26–May 1, 2025. Yokohama, Japan. ACM, New York, NY, USA, 2025. https://doi.org/10.48550/arXiv.2410.07362.
9. Schulhoff S., Ilie M., Balepur N., Kahadze K., Liu A., Si C., Li Y., Gupta A., Han H., Schulhoff S., Dulepet P. S., Vidyadhara S., Ki D., Agrawal S., Pham C., Kroiz G., Li F., Tao H., Srivastava A., Costa H. D., Gupta S., Rogers M. L., Goncearenco I., Sarli G., Galynker I., Peskoff D., Carpuat M., White J., Anadkat S., Hoyle A., Resnik P. The Prompt Report: A Systematic Survey of Prompt Engineering Techniques. The Prompt Report / arXiv:2406.06608 [cs]. – arXiv, 2025.
10. White J., Fu Q., Hays S., Sandborn M., Olea C., Gilbert H., Elnashar A., Spencer-Smith J., Schmidt D. C. A Prompt Pattern Catalog to Enhance Prompt Engineering with ChatGPT / arXiv:2302.11382 [cs]. – arXiv, 2023. // arXiv, 2023. URL: https://arxiv.org/abs/2302.11382 (accessed 05.07.25).
11. Wong L. Z., Bhattacharya P., Loh S. B., Oh H. S., Juraimi S. A., Anant N., Pillay A., Chong M. F.- F., Fogel A., Sheen F., Pink A. E. Utilizing Large Language Models to Conduct Thematic Analysis: A Case Study on Focus Group Transcripts. Utilizing Large Language Models to Conduct Thematic Analysis. Rochester, NY: Social Science Research Network, 2025. 56 p.
12. Zhang H., Wu C., Xie J., Lyu Y., Cai J., Carroll J. M. Redefining Qualitative Analysis in the AI Era: Utilizing ChatGPT for Efficient Thematic Analysis // // arXiv, 2025. https://arxiv.org/html/2309.10771v3 (accessed 05.07.25).
