Transkripte umwandeln
hinein Fragen, die codiert werden sollten.

Ein anderer Ansatz zu Forschungsfragen der verankerten Theorie.

Grounded Theory, die Methode, die Barney Glaser und Anselm Strauss entwickelten und Kathy Charmaz später für konstruktivistische Forschung überarbeitete, beginnt nicht mit einer festen Forschungsfrage. Sie beginnt mit Daten. Sie sammeln Interviews, codieren sie Zeile für Zeile, vergleichen Codes über Fälle hinweg und lassen die Forschungsfragen aus dem entstehen, was Teilnehmer tatsächlich sagen, nicht aus einer Hypothese, die Sie vor einem Gespräch geschrieben haben. Gut ausgeführt ist es eine der strengsten Arten, Theorie aus echten Beweisen zu bauen. Manuell durchgeführt, ist es auch eine der langsamsten.

Warum die Fragen zu spät kommen

Für die meisten Graduiertenforscher und qualitativen Teams ist der Engpass nicht die Methode, sondern die Mechanik. Das Transkribieren jedes Interviews kostet einen Abend. Das offene Codieren eines Transkripts von Hand dauert Stunden, und der ständige Vergleich über zwanzig oder dreißig Interviews hinweg bedeutet, alles jedes Mal erneut zu lesen, wenn eine neue Kategorie auftaucht. Bis zur Sättigung sichtbar ist, ist die Interviewrunde, die sie hätte prägen sollen, bereits geplant.

Das Interview lesen, nicht nur das Transkript

Speak AI behandelt jedes Interview so, wie ein erfahrener qualitativer Forscher es tun würde, in einem Tempo, das ein Team von Codern nicht erreichen kann. Jede Aufnahme wird in deiner Sprache transkribiert, mit über 100 unterstützten Sprachen, dann auf drei Ebenen gelesen: die Wörter, die Teilnehmer verwenden, der Ton, die Emotion und die Energie in ihrer Ausdrucksweise, und bei Video die visuellen Hinweise, die eine Transkription allein verpasst. Offene Codes werden gekennzeichnet, wenn sie entstehen, in Kategorien gruppiert und auf Häufigkeit und Mitauftreten über deine ganze Stichprobe hinweg verfolgt, sodass du siehst, wie sich eine Kategorie bildet, statt sie aus dem Gedächtnis zusammenzustellen. Frag über deine kodierten Interviews mit Claude, ChatGPT oder Gemini, je nachdem welches Modell dein Komitee oder dein Kunde bevorzugt, mit denselben Ständig-Vergleichs-Fragen, die Forscher schon immer gestellt haben, jetzt nativ über deine Transkripte laufend.

Dann wird der Trend im Zeitverlauf sichtbar, nicht angenommen. Kategoriehäufigkeit über Interviewrunden hinweg, Stimmungsveränderungen im Verlauf einer Studie, Sättigungskurven, die anzeigen, wann ein neues Interview wahrscheinlich keinen neuen Code hinzufügt. Dashboards, die du anpassen und white-labeln kannst Turn das in etwas, das Sie vor einem Vorgesetzten, einem Kunden oder einem Journal-Reviewer vorlegen können.

Forschungsfragen der verankerten Theorie, die Forscher Speak AI stellen

• “Welche offenen Codes erscheinen am häufigsten in den Interviews acht bis zwanzig, und wie hängen sie zusammen?”
• “Welche Kategorien sättigen sich noch immer, und welche haben aufgehört, neue Codes zu produzieren?”
• “Welche Forschungsfragen beantwortet diesen Daten bereits, die unser Interviewleitfaden nicht gestellt hat?”
• “Zeigen Sie mir jede Instanz, bei der ein Teilnehmer die entstehende Kategorie widerspricht.”
• “Wie hat sich der Ton rund um dieses Thema zwischen den ersten und letzten fünf Interviews verschoben?”

Von offenen Codes zu einer verteidigbaren These

Das Ergebnis ist ein Codierungsprozess, der seine eigenen nächsten Fragen erzeugt, statt darauf zu warten, dass ein Komitee Vorschläge macht. Kategorien, die unter ständigem Vergleich bestehen bleiben, erhalten einen Audit Trail: welches Transkript, welche Zeile, welcher Codierer. Trends über eine vollständige Stichprobe werden zu einem Diagramm statt zu einer Vermutung. Ein globales Marktforschungsunternehmen führte sein Interviewprogramm durch diesen Workflow durch und 60.000 USD und 950+ Stunden gespart Aufbau eines fundierten Rahmens für eine Kundenstudie, ohne Programmierer hinzuzufügen.

Und da fundierte Theorie selten isoliert vom Rest eines Forschungsprogramms existiert, analysiert dieselbe Engine Umfragen, Fokusgruppen und Folgeinterviews in denselben Kategorien und verbindet die Codierungsebene mit einer durchsuchbaren Wissensdatenbank für die gesamte Studie.