اهمیت شناسایی عناصر زیربنایی پژوهش های کمی و کیفی در فرایند پژوهش آمیخته در هوش مصنوعی

در عصر کنونی، هوش مصنوعی (AI) از یک ابزار صرفا محاسباتی به یک پدیده اجتماعی-تکنیکی پیچیده تبدیل شده است. این تحول بنیادین، چالش های جدیدی را در متدولوژی پژوهش ایجاد کرده است؛ جایی که روش های کمی به تنهایی قادر به تبیین تعاملات انسانی نیستند و روش های کیفی نیز فاقد قدرت تعمیم پذیری لازم برای سیستم های مقیاس پذیر می باشند. هدف این مقاله مروری، تبیین ضرورت و اهمیت شناسایی عناصر زیربنایی پژوهش های کمی (نظیر سنجش پذیری، متریک های عملکرد و مدل سازی آماری) و کیفی (نظیر تجربه زیسته، زمینه های اخلاقی و پذیرش اجتماعی) در قالب رویکرد پژوهش آمیخته (Mixed Methods) است. با مرور سیستماتیک منابع ۲۰۲۵ و ۲۰۲۶، این مطالعه استدلال می کند که یکپارچه سازی این عناصر در تحقیقات هوش مصنوعی، منجر به درک جامع تری از چالش های پیاده سازی در حوزه های سلامت، آموزش و مدیریت استعداد می شود. یافته ها نشان می دهند که شناسایی دقیق این عناصر زیربنایی، پژوهشگران را قادر می سازد تا شکاف میان “دقت الگوریتمی” و “اعتماد کاربر” را پر کنند. نتایج حاکی از آن است که پژوهش آمیخته، با ترکیب قدرت تبیینی داده های کلان و عمق تفسیری داده های کیفی، به عنوان پارادایم برتر برای ارزیابی سیستم های هوش مصنوعی مولد و ابزارهای تصمیم گیری هوشمند شناخته می شود. این رویکرد نه تنها اعتبار یافته ها را افزایش می دهد، بلکه بستری برای توسعه هوش مصنوعی انسان محور و اخلاقی فراهم می آورد.

کلیدواژه ها:

پژوهش آمیخته ، هوش مصنوعی ، روش شناسی کمی و کیفی ، پذیرش فناوری ، تعامل انسان و ماشین