مصاحبه گران الگوریتمی و بازاندیشی در تولید دانش: به سوی روش شناسی انتقادی هوشمند در پژوهش های کیفی مبتنی بر هوش مصنوعی

چکیده گسترده مقدمه و اهداف: تحولات پرشتاب فناوری های هوش مصنوعی، بازاندیشی در روش های تولید دانش را به ضرورتی انکارناپذیر بدل ساخته اند. در این راستا، حوزه هوش مصنوعی به سرعت در حال پیشرفت و آماده است تا روش های تحقیق ما را متحول کند. یکی از نمودهای بارز این تحول، ورود «مصاحبه گران الگوریتمی» به عرصه پژوهش های کیفی است؛ ابزارهایی که با تکیه بر الگوریتم های پردازش زبان طبیعی، تعاملات شبه انسانی با مشارکت کنندگان برقرار می کنند. مدل های زبانی هوش مصنوعی به دلیل توانایی فوق العاده خود در نوشتن مقاله، طراحی آزمایش ها، توسعه نظریه، رونویسی، ترجمه، تجزیه و تحلیل موضوعی، کدگذاری، خلاصه کردن مقالات، توصیه نشریات و هدایت محققان به مسیر درست، تکمیل جمله و پاراگراف، درک و تولید متنی که به نوشتار انسان شباهت دارد، شناخته می شوند و این ویژگی آنها را به منبعی ارزشمند برای پژوهشگران در حوزه های کیفی تبدیل کرده است. باوجوداین، ورود این ابزارها صرفا یک پیشرفت تکنولوژیک نیست، بلکه ناظر بر بازتعریف روابط میان انسان، ماشین، قدرت و معرفت است. ازآنجایی که تصور تحقیقات کیفی معاصر و تحلیل داده ها در علوم انسانی و اجتماعی دشوار است، روی آوردن به فناوری های مدرن در تحلیل داده های کیفی مبتنی بر کامپیوتر، چهارچوب های تفسیر ما را شکل می دهد و دیدگاه و درک ما از مسائل پژوهشی را تغییر می دهد. هدف این مقاله، بازاندیشی انتقادی در نسبت میان هوش مصنوعی و تولید دانش در پژوهش های کیفی است؛ با تمرکز ویژه بر مصاحبه گران الگوریتمی و ظرفیت های آنها در برهم زدن یا بازتولید مناسبات معرفتی و اجتماعی. این مقاله می کوشد با تکیه بر نظریه قدرت -دانش فوکو و نظریه جامعه شبکه ای کاستلز، الگویی روش شناختی با عنوان «روش شناسی انتقادی هوشمند» پیشنهاد کند که پژوهشگران را قادر کند نسبت به سوگیری ها، محدودیت ها و ظرفیت های اخلاقی و سیاسی این ابزارها حساسیت نظری و عملی داشته باشند. روش: پژوهش حاضر به بررسی نقش مصاحبه گران الگوریتمی در بازتعریف روابط اجتماعی و ساختارهای قدرت در مطالعات کیفی می پردازد. این تحقیق در دو مرحله تطبیقی - اسنادی و انتقادی هوشمند اجرا شده است. در فاز اول، با ترکیب نظریه های فوکو و کاستلز، چهارچوب نظری برای تحلیل مصاحبه های هوش مصنوعی تدوین شد. نظریه فوکو به تحلیل تاثیرات قدرت ابزارهای الگوریتمی کمک و مدل های زبانی بزرگ مانند ChatGPT منابع جدید قدرت را نمایان می کند. فاز دوم به توسعه رویکرد انتقادی هوشمند اختصاص دارد که به ادغام فناوری های هوش مصنوعی و تحلیل انسانی می پردازد و به پژوهشگران کمک می کند تا به مسائل انسانی و اجتماعی عمیق تر بپردازند. این روش شناسی نوین با استفاده از الگوریتم ها به شفافیت و دقت تحلیل ها می افزاید و زمان تحلیل را کاهش می دهد. همچنین، اعتبار داده ها با تفسیر تحلیل های انسانی تقویت می شود و سوگیری ناشی از تحلیل های انسانی کاهش می یابد. برای سنجش روایی مدل بومی «روش شناسی انتقادی هوشمند»، بررسی هم راستایی چهارچوب تحلیلی با نظریه های قدرت -دانش و جامعه شبکه ای ضروری است. استفاده از ترکیب تحلیل انسانی و الگوریتمی، کدگذاری مشترک و بازبینی نتایج توسط مشارکت کنندگان نیز به اعتبار و پایایی پژوهش کمک می کند. درنهایت، این پژوهش براساس یک  «روش شناسی انتقادی هوشمند بومی» طراحی شد که به پژوهشگران اجازه می دهد تا از تجارب انسانی و قدرت پردازش الگوریتمی در عصر دیجیتال و تحلیل دقیق تر تعاملات اجتماعی به طور هم زمان بهره برداری کنند. این روش شناسی بر اهمیت شفافیت الگوریتمی و سواد داده محور تاکید دارد و پژوهشگران را ترغیب می کند که در تعامل با ابزارهای هوش مصنوعی، به عنوان تولیدکنندگان خلاق دانش عمل کنند. نتایج: یافته ها نشان می دهند که مدل های زبانی بزرگ مانند ChatGPT، می توانند به شکل معناداری غنای پژوهش های کیفی را در مراحلی مانند شناسایی الگوهای پنهان، طراحی سوال، رونویسی، ترجمه، کدگذاری، توسعه نظریه و تولید متن افزایش دهند. باوجوداین، این مدل ها ابزارهایی خنثی نیستند؛ بلکه کنشگرانی معرفتی هستند که قادرند ساختار گفتمان و مسیر تفسیر را تحت تاثیر قرار دهند. همچنین قادرند الگوهای اجتماعی و فرهنگی را شناسایی و درک عمیق تری از ساختارهای قدرت ارائه دهند. یکی از نتایج کلیدی این پژوهش، توانایی مصاحبه گران الگوریتمی در تولید داده های شفاف و مستند است که به پژوهشگران این امکان را می دهد تا روند تحلیل را به راحتی پیگیری و نتایج را مستند کنند. این ویژگی می تواند به افزایش شفافیت و قابلیت اعتماد در پژوهش های کیفی کمک کند و به پژوهشگران اجازه دهد تا با دقت بیشتری به تحلیل داده های پیچیده بپردازند. افزون براین، نتایج نشان می دهند که ترکیب تحلیل انسانی با الگوریتمی می تواند به کاهش سوگیری ها و افزایش دقت در نتایج منجر شود. این ادغام، به ویژه در زمینه های اجتماعی و فرهنگی که تحلیل های عاطفی و زمینه ای اهمیت دارند، می تواند تحولی در درک و تفسیر داده ها ایجاد کند. در نهایت، این پژوهش بر ضرورت بازاندیشی در روش های پژوهش و طراحی رویکردهای جدید در مواجهه با چالش های اخلاقی و اجتماعی مرتبط با استفاده از هوش مصنوعی تاکید دارد. این نتایج می توانند به عنوان مبنایی برای توسعه سیاست های پژوهشی و آموزشی در زمینه استفاده از هوش مصنوعی در تحقیقات کیفی عمل کنند و به بهبود کیفیت و اعتبار پژوهش های اجتماعی کمک نمایند. بحث و نتیجه گیری: پیشرفت های اخیر در فناوری های هوش مصنوعی و داده کاوی تاثیر عمیقی بر روش های پژوهش کیفی و اجتماعی داشته است. این پژوهش به بررسی تاثیر مصاحبه گران الگوریتمی بر پژوهش های کیفی، به ویژه در زمینه های روابط اجتماعی و ساختارهای قدرت و معرفت می پردازد. یافته ها نشان می دهند که مدل های زبانی بزرگ (LLMs) مانند ChatGPT نه تنها به عنوان ابزار تسهیل کننده، بلکه به عنوان کنشگران معرفتی عمل می کنند که در تفسیر داده ها و تولید معنا نقش دارند. این تغییرات به تحول در ساختارهای اجتماعی و روابط انسانی نیز منجر شده است. نظریه های میشل فوکو و مانوئل کاستلز به درک بهتر تاثیرات هوش مصنوعی بر روابط اجتماعی کمک می کنند. فوکو بر نقش قدرت در تعاملات روزمره تاکید دارد و کاستلز اطلاعات را به عنوان منابع جدید قدرت در نظر می گیرد. این پژوهش تاکید می کند که بهره گیری آگاهانه و انتقادی از این ابزارها می تواند دقت و انسجام تحلیل های کیفی را بهبود بخشد، به ویژه در مراحل پیچیده ای مانند رونویسی و تحلیل تماتیک. چهارچوب «روش شناسی انتقادی هوشمند بومی» که پیشنهاد می شود، به پژوهشگران امکان می دهد تا از ترکیب تحلیل انسانی و قدرت پردازش الگوریتمی بهره برداری کنند و در تعامل با این ابزارها، به تولیدکنندگان خلاق دانش بدل شوند. درنهایت، این پژوهش بر ضرورت بازتعریف نقش پژوهشگر و طراحی ساختارهای جدید برای مستندسازی تعاملات انسان - ماشین تاکید می کند و بر اهمیت رویکردهای انتقادی و مسئولانه در استفاده از هوش مصنوعی در تحقیقات اجتماعی تاکید دارد.

کلیدواژه ها:

مصاحبه گر مبتنی بر مدل زبانی ، پژوهش کیفی ، سوگیری الگوریتمی ، کنشگری معرفتی ، هوش مصنوعی و روش شناسی ، فوکو ، کاستلز