6 dôvodov, prečo AI nenahrádza človeka v kvalitatívnom výskume

Umelá inteligencia dokáže v krátkom čase spracovať množstvo rozhovorov, poznámok, otvorených odpovedí či dokumentov. Vie vytvoriť súhrn, navrhnúť témy, porovnať texty a upozorniť na opakujúce sa výrazy. To však ešte neznamená, že uskutočnila kvalitnú výskumnú analýzu. Kvalitatívny výskum nie je iba technické triedenie textu. Jeho podstatou je porozumenie významu, skúsenosti a kontextu. Výskumník neposudzuje len to, čo človek povedal, ale aj prečo to povedal, v akej situácii, vo vzťahu ku komu a čo mohlo zostať nevyslovené. AI preto môže byť užitočným analytickým pomocníkom, ale zodpovednosť za interpretáciu a kvalitu výsledkov musí zostať na človeku.

Čo dokáže AI pri kvalitatívnej analýze

Pri primeranom a transparentnom používaní môže AI pomôcť najmä pri:

• prvotnej orientácii vo väčšom množstve textov,

• sumarizovaní obsahu rozhovorov,

• návrhu predbežných tém a kategórií,

• vyhľadávaní opakujúcich sa pojmov,

• porovnávaní dokumentov,

• kontrole už vytvoreného kódovacieho rámca,

• formulovaní otázok na ďalšie skúmanie,

• príprave pracovných súhrnov pre výskumný tím.

Tieto výstupy však nemožno automaticky považovať za výskumné zistenia. Sú návrhom, ktorý treba overiť oproti pôvodným údajom.

AI nepozná skúsenosť, z ktorej údaje vznikli

Výskumník, ktorý vedie rozhovor alebo fokusovú skupinu, vníma viac než samotný prepis. Pozná priebeh stretnutia, atmosféru, váhanie účastníkov, ich vzájomné reakcie aj situácie, v ktorých bolo potrebné otázku vysvetliť alebo zmeniť.

Textový prepis zachytáva iba časť tejto skúsenosti. Ak AI dostane len prepis, pracuje s obsahom oddeleným od procesu jeho vzniku.

Môže správne rozpoznať opakujúce sa výrazy, ale nemusí pochopiť, že:

• účastník zmenil odpoveď pod vplyvom skupiny,

• určité tvrdenie bolo ironické,

• dlhé váhanie signalizovalo neistotu,

• pozitívne hodnotenie bolo iba zdvorilostné,

• dôležitá téma zostala nevyslovená,

• rovnaké slovo malo v rôznych situáciách odlišný význam.

Preto je pri kvalitatívnej analýze nevyhnutná dôkladná znalosť údajov. Výskumník by si mal prečítať pôvodný materiál a manuálne analyzovať aspoň jeho významnú časť skôr, ako začne používať AI.

AI sa pokúša nájsť vzor aj tam, kde nemusí existovať

Ak nástroju zadáme, aby našiel rozdiely medzi skupinami, často sa ich pokúsi vytvoriť aj pri slabých alebo nejednoznačných údajoch.

Jednotlivú odpoveď môže označiť za názor celej skupiny. Tému prítomnú naprieč celou vzorkou môže nesprávne pripísať iba jednej skupine. Rozdielne slovné vyjadrenia tej istej skúsenosti môže interpretovať ako dva odlišné postoje.

Riziko je vysoké najmä:

• pri malých výskumných vzorkách,

• pri členení účastníkov do viacerých podskupín,

• pri porovnávaní regiónov alebo profesijných skupín,

• pri hľadaní príčin a vzájomných súvislostí,

• keď otázka výskumníka naznačuje očakávanú odpoveď.

Ak napríklad jedna skupina použije výraz „nedostatok času“ a druhá „veľká pracovná záťaž“, AI ich môže označiť za odlišné témy. Človek však môže na základe kontextu zistiť, že obe skupiny pomenúvajú tú istú prekážku.

Výstup AI preto nemožno hodnotiť podľa toho, ako presvedčivo znie. Rozhodujúce je, či ho možno doložiť pôvodnými údajmi.

Citácia vytvorená AI nemusí byť dôkazom

V kvalitatívnom výskume sa doslovné výpovede používajú ako dôkaz podporujúci interpretáciu. Citácia musí byť presná, dohľadateľná a správne priradená konkrétnemu účastníkovi alebo zdroju.

AI však môže:

• citáciu skrátiť bez upozornenia,

• spojiť časti viacerých výpovedí,

• zameniť účastníka,

• vytvoriť presvedčivú parafrázu a označiť ju za citáciu,

• vybrať vetu bez kontextu, ktorý mení jej význam.

Každú citáciu určenú na zverejnenie alebo použitie v hodnotiacej správe preto treba vyhľadať v pôvodnom prepise a manuálne overiť. Ak presné znenie nemožno v zdroji nájsť, nesmie byť prezentované ako autentická výpoveď účastníka.

Jazykový a kultúrny význam nie je iba súčtom slov

Kvalitatívne údaje často obsahujú iróniu, nadsádzku, zdvorilostné odpovede, regionálne výrazy alebo významy zrozumiteľné iba ľuďom so skúsenosťou s daným prostredím.

V slovenskom prostredí môže byť dôležité rozlíšiť napríklad:

• „dalo sa“ ako opatrne pozitívne alebo skôr kritické hodnotenie,

• „nejako to zvládneme“ ako prejav odhodlania alebo rezignácie,

• „bolo to v poriadku“ ako spokojnosť alebo snahu vyhnúť sa kritike,

• „to sa u nás nedá“ ako objektívnu prekážku alebo naučené presvedčenie,

• odborné výrazy, ktoré rôzne profesijné skupiny používajú v inom význame.

Význam ovplyvňuje aj mocenský vzťah. Zamestnanec môže o vedení hovoriť opatrnejšie než v anonymnom prostredí. Účastník vzdelávania môže hodnotiť lektora pozitívne, pretože je prítomný pri vypĺňaní dotazníka. Človek môže svoju skúsenosť zľahčovať, pretože ju považuje za samozrejmú. AI tieto okolnosti nemusí rozpoznať, ak nie sú výslovne zaznamenané v údajoch.

Veľký objem výstupov nie je kvalitnou analýzou

AI dokáže rýchlo vytvoriť množstvo tém, tabuliek, súhrnov a porovnaní. Objem výstupu však môže vytvoriť novú analytickú záťaž. Výskumník následne potrebuje:

• odstrániť duplicity,

• zlúčiť podobné kategórie,

• oddeliť podstatné zistenia od všeobecných formulácií,

• skontrolovať oporu v údajoch,

• overiť citácie,

• posúdiť rozpory,

• rozhodnúť, ktoré zistenia sú relevantné pre výskumnú otázku.

Dlhý výstup môže pôsobiť odborne, hoci iba opakuje rovnaký obsah rôznymi slovami.

Analýza preto nie je dokončená tým, že AI vytvorí text. Skutočná analytická práca sa začína pri posudzovaní významu, kvality dôkazov a alternatívnych vysvetlení.

Za výskumné rozhodnutia musí niesť zodpovednosť človek

Kvalitatívna analýza obsahuje sériu rozhodnutí:

• ktoré výpovede považujeme za relevantné,

• ako vytvoríme kategórie,

• čo označíme za spoločnú tému,

• ako vysvetlíme rozdiely medzi účastníkmi,

• ktoré alternatívne interpretácie sme zvážili,

• ako naložíme s rozpornými alebo menšinovými hlasmi,

• čo môžeme z údajov zodpovedne tvrdiť.

Pri ľudskom výskumníkovi možno tieto rozhodnutia zaznamenať, vysvetliť a diskutovať s ďalším členom tímu. Pri generatívnom nástroji nie je vnútorný proces tvorby odpovede plne transparentný. AI preto nemá byť uvedená ako autor výskumného úsudku. Za metodiku, interpretáciu, ochranu účastníkov a závery musí niesť zodpovednosť konkrétny výskumník alebo výskumný tím.

Osobitné riziko: ochrana citlivých údajov

Rozhovory a otvorené odpovede môžu obsahovať osobné údaje, zdravotné informácie, pracovné konflikty, skúsenosti so znevýhodnením alebo ďalší citlivý obsah. Pred vložením údajov do AI nástroja je potrebné posúdiť:

• aké údaje sa do systému odosielajú,

• kde a ako sa spracúvajú,

• či sa používajú na ďalšie trénovanie modelu,

• kto k nim môže mať prístup,

• či je spracovanie v súlade s informovaným súhlasom,

• či možno údaje anonymizovať alebo pseudonymizovať,

• či organizácia používanie daného nástroja povoľuje.

Odstránenie mena pritom nemusí zabezpečiť úplnú anonymitu. Človeka môže byť možné identifikovať podľa pracovnej pozície, organizácie, lokality alebo opisu konkrétnej udalosti. Do verejne dostupných AI nástrojov preto nemožno automaticky vkladať nespracované výskumné rozhovory.

Ako môže Centrum rozvoja používať AI zodpovedne

Pri výskume a evaluácii odporúčame model, v ktorom AI podporuje prácu človeka, ale nenahrádza odborný úsudok.

1. Výskumník najskôr spozná údaje

Prečíta si prepisy, manuálne analyzuje časť materiálu a zaznamená prvé pozorovania.

2. Vytvorí predbežný kódovací rámec

Kódy a kategórie vzniknú vo vzťahu k výskumným otázkam, cieľu evaluácie a kontextu projektu.

3. AI použije ako druhý analytický pohľad

Nástroj môže navrhnúť chýbajúce témy, upozorniť na rozpory alebo preveriť, či sa v údajoch nachádzajú ďalšie relevantné výpovede.

4. Každé významné zistenie sa overí

Výskumník skontroluje jeho výskyt, kontext, rozsah a oporu v pôvodných údajoch.

5. Citácie sa kontrolujú manuálne

Do správy sa zaradia iba autentické a dohľadateľné citácie.

6. Výsledky posúdi ďalší človek

Pri dôležitých výstupoch má časť údajov alebo interpretácie skontrolovať druhý výskumník.

7. Použitie AI sa transparentne uvedie

Výskumná alebo evaluačná správa má vysvetliť, na aký účel bol nástroj použitý a ktoré kroky vykonal človek.

Kontrolný zoznam pred použitím AI

Pred analýzou si položte tieto otázky:

• Poznáme pôvod a kvalitu údajov?

• Prečítal človek dostatočnú časť pôvodného materiálu?

• Máme jasné výskumné alebo evaluačné otázky?

• Sú údaje anonymizované a právne spracovateľné?

• Vieme každé dôležité zistenie overiť?

• Máme uchovaný auditný záznam otázok a výstupov?

• Overujeme aj rozporné a menšinové výpovede?

• Kontroluje závery ďalší výskumník?

• Uvádzame limity údajov a analýzy?

• Vieme transparentne opísať úlohu AI?

Ak na niektorú z týchto otázok nevieme odpovedať, AI by zatiaľ nemala byť použitá na formulovanie záverov.

AI ako partner pre kontrolu, nie automat na pravdu

Umelá inteligencia môže kvalitatívny výskum zrýchliť a v niektorých fázach aj obohatiť. Môže pomôcť orientovať sa v údajoch, hľadať alternatívne pohľady a kontrolovať už vytvorenú analýzu. Nemala by však samostatne rozhodovať o tom, čo ľudská skúsenosť znamená. Budúcnosť kvalitatívneho výskumu preto pravdepodobne nebude súbojom človeka a AI. Bude skúškou toho, či dokážeme technologickú rýchlosť spojiť s metodologickou dôslednosťou, etickou zodpovednosťou a ľudskou schopnosťou porozumieť kontextu. Výskumník zostáva zodpovedný za otázku, metódu, interpretáciu aj dôsledky svojich záverov. AI môže pomáhať. Dôveryhodnosť výskumu však musí byť postavená na overiteľných údajoch, transparentnom postupe a odbornom úsudku človeka.

Inšpirácia a východiskový zdroj: Woollard, M. a Bleines, D. (2026). Six reasons why human-led qualitative research is safe from AI… for now. Nesta. Text Centra rozvoja je samostatným odborným spracovaním a rozšírením témy pre slovenské prostredie.