პუბლიკაციები

შესავალი

ბოლო წლებში, ხელოვნური ინტელექტი სწრაფად ვითარდება და ამის კვალდაკვალ, სულ უფრო იზრდება აკადემიურ კვლევებში მისი ინტეგრაციის მასშტაბი. ხელოვნური ინტელექტის ინსტრუმენტები მკვლევრებს სთავაზობს მონაცემების შეგროვების, ორგანიზებისა და ინტერპრეტაციის სრულიად ახალ შესაძლებლობებს. ფართოდ ხელმისაწვდომი პლატფორმების გავრცელებამ, როგორებიცაა OpenAI-ის ChatGPT, Google-ის Gemini, Anthropic-ის Claude, ასევე, კვლევის დისციპლინისთვის სპეციფიკური ინსტრუმენტები - ATLAS.ti ან Nvivo - კვლევით საზოგადოებებში AI-ის დანერგვის ტექნიკური ბარიერები მნიშვნელოვნად შეამცირა. Nature-ის 2023 წლის გამოკითხვის თანახმად, მკვლევართა დაახლოებით 80% კვლევის პროცესის სულ მცირე ერთ ეტაპზე მაინც იყენებდა ხელოვნურ ინტელექტზე დაფუძნებულ ინსტრუმენტებს. 2025 წელს ჩატარებულმა ანალიზმა აჩვენა, რომ LLM-ის გამოყენება მკვეთრად გაიზარდა გამოკითხვებზე დაფუძნებულ აკადემიურ კვლევებში (189 კვლევის მაგალითზე) და თუ 2022 წელს ეს მაჩვენებელი 1.6% იყო, 2024 წელს 59%-ს მიაღწია. ამასთან, აჩქარდა ხელოვნური ინტელექტის შესაძლებლობების გაუმჯობესების ტემპი. ასეთმა სწრაფმა განვითარებამ ხელოვნური ინტელექტი ანალიტიკურად ქმედითი და ეკონომიკურად ხელმისაწვდომი გახადა იმგვარი მასშტაბებით, რომელთა წინასწარ განჭვრეტაც მკვლევრებს რამდენიმე წლის წინ არც კი შეეძლოთ. ასეთი სწრაფი ევოლუცია აკადემიური საზოგადოებისგან თანადროულ ჩართულობასა და ახალი გამოწვევების ადეკვატური გადაჭრის გზების ძიებას მოითხოვს. თუმცა ეს საკმაოდ მნიშვნელოვანი გამოწვევაა, რადგან ხელოვნური ინტელექტის განვითარების პარალელურად, მისი სხვადასხვა სფეროზე გავლენის ამ დროისთვის არსებული აკადემიური შეფასება შეიძლება მოკლე პერიოდში უკვე არარელევანტური იყოს. ამის მიუხედავად, წინამდებარე დოკუმენტში არის მცდელობა, მაქსიმალურად ახალი ცოდნის სინთეზის შედეგად, გამოვლინდეს ის ძირითადი ეფექტები, რომლებიც ხელოვნურმა ინტელექტმა თვისებრივ კვლევაზე ამ დრომდე მოახდინა.

თვისებრივი კვლევის არსის განსაზღვრა და დებატები მასში ხელოვნური ინტელექტის ინტეგრირების შესახებ

თვისებრივი კვლევა მოიცავს მეთოდოლოგიური ტრადიციების ფართო ოჯახს, მათ შორის, დასაბუთებულ თეორიას, ფენომენოლოგიას, ეთნოგრაფიას, დისკურსის ანალიზს, ნარატიულ კვლევასა და შემთხვევის შესწავლას, რომლებსაც აერთიანებს ღრმა შინაარსის, გამოცდილებისა და სოციალური ფენომენების მონაწილეთა პერსპექტივების გაგებისადმი ერთგულება. თვისებრივი კვლევის ეპისტემოლოგიური საფუძვლები უპირატესობას ანიჭებს ინტერპრეტაციულ სიღრმეს, კონტექსტურ მგრძნობელობას, მკვლევრის რეფლექსიურობას და ცოდნის თანაკონსტრუქციას მკვლევრებსა და კვლევის მონაწილეებს შორის. ამ ტრადიციაში ვალიდურობა გაგებულია არა როგორც სტატისტიკური სანდოობა, არამედ როგორც საკითხის სიღრმისეული გაგება, დამაჯერებლობა, გადაცემადობა და დადასტურებადობა. სწორედ ამ ფონზე ხდება სადავო ხელოვნური ინტელექტის ინტეგრაციის საკითხის განხილვა. მისი თვისებრივ კვლევაში ინტეგრაციის მომხრეები ამტკიცებენ, რომ ხელოვნური ინტელექტის ინსტრუმენტებს შეუძლია თვისებრივი კვლევის პროცედურული მოთხოვნების მართვა - ინტერვიუების ტრანსკრიფცია, დიდი ტექსტური მონაცემების ორგანიზება, წინასწარი კოდირების შესრულება და პოტენციური თემების იდენტიფიცირება - რითაც მკვლევრები თავისუფლდებიან რუტინული, მაგრამ სკრუპულოზური სამუშაოსგან და უფრო ღრმა, ინტერპრეტაციულ ამოცენებს უთმობენ მთავარ ყურადღებას. მეორე მხრივ, არსებობს მოსაზრებები, რომ თვისებრივ კვლევაში ხარისხის განმსაზღვრელი მახასიათებლები - ენისადმი ნიუანსირებული მგრძნობელობა, პოზიციონირება, იმპლიციტური მნიშვნელობა და მონაცემებთან განმეორებითი რეფლექსიური ჩართულობა - სწორედ ის მახასიათებლებია, რომლებიც ყველაზე მეტად ეწინააღმდეგება კომპიუტერულ გამოთვლებს, ანუ მოითხოვს მხოლოდ და მხოლოდ ადამიანის ინტელექტუალურ ძალისხმევას.

თვისებრივ კვლევაში ხელოვნური ინტელექტის ამ დროისთვის ყველაზე აპრობირებული გამოყენება

ავტომატური ტრანსკრიფცია

აუდიო- და ვიდეოჩანაწერების ტექსტად ტრანსკრიფცია თვისებრივ კვლევაში ერთ-ერთი ყველაზე შრომატევადი ამოცანაა. ხელოვნურ ინტელექტზე დაფუძნებულმა მეტყველების ავტომატური ამოცნობის (ASR) სისტემებმა, მათ შორის, Otter.ai-მ, Whisper-მა (OpenAI), Sonix-მა და Microsoft Azure Speech Services-მა, მნიშვნელოვნად შეამცირა სიღრმისეული ინტერვიუებისა თუ ფოკუსჯგუფების ტრანსკრიფციის დრო და ღირებულება. ეს კი მკვლევარს მეტ დროს უტოვებს ანალიტიკური საქმიანობისთვის. თანამედროვე ASR სისტემები, რომლებიც დაფუძნებულია ღრმა ნეირონულ ქსელებზე, მაღალხარისხიან ჩანაწერებზე სტანდარტული დიალექტების გამოყენებისას, სიზუსტის მაღალ დონეს აჩვენებს. თვისებრივი კვლევისთვის ავტომატური ტრანსკრიფციის ეფექტიანობის გასააზრებლად კარგი მაგალითია ის, რომ თუ ადრე 60-წუთიანი ინტერვიუს ხელით გაშიფვრას დაახლოებით 6-დან 8 საათამდე სჭირდებოდა, მაგალითად, ChatGPT-ის გამოყენებით, ეს პროცესი წამებში სრულდება. ChatGPT-ი ასევე ეფექტურია აუდიოჩანაწერებიდან მიღებული ნედლი ტექსტის გასასუფთავებლად, გრამატიკული და სტილისტური შეცდომების აღმოსაფხვრელად. თუმცა, აღსანიშნავია, რომ ავტომატური ტრანსკრიფციის პროცესში ჯერ კიდევ არსებობს გამოწვევები. კერძოდ, ASR-ის ეფექტურობა მცირდება აუდიოჩანაწერის დაბალი ხარისხის, ერთდროულად მოსაუბრე რამდენიმე პირის, მკვეთრად გამოხატული აქცენტის, არასტანდარტული დიალექტებისა და სპეციალური ტერმინების შემთხვევაში. გარდა ამისა, ავტომატური ტრანსკრიპტის სიზუსტე მნიშვნელოვნად არის დამოკიდებული ენაზე. სხვადასხვა კვლევის თანახმად, ინგლისურენოვანი ინტერვიუები საუკეთესო შედეგს აჩვენებს. საბოლოოდ, შეიძლება ითქვას, რომ ავტომატური ტრანსკრიფცია ჯერ კიდევ განვითარების ეტაპზეა და მკვლევრებს სიფრთხილე მართებთ, რადგან მოდელები  მიდრეკილია ტექსტის „გაკეთილშობილებისკენ“, რაც ცვლის მონაცემთა პირველად სახეს. ასევე აღსანიშნავია, რომ თვისებრივ კვლევაში ინტერვიუების ტრანსკრიფცია არაა მხოლოდ მექანიკური პროცესი. აქ დიდ ყურადღებას საჭიროებს პაუზებზე დაკვირვება, საუბრის ტონი, არავერბალური ხმები და სხვა, რაც დიდწილად ანალიტიკური დაკვირვების ობიექტია და ადამიანის ჩართულობას ითხოვს. ამდენად, ავტომატური ტრანსკრიფციის შესახებ მსჯელობისას, აკადემიურ ლიტერატურაში ხაზგასმულია, რომ ხელოვნური ინტელექტის მიერ გენერირებული ტრანსკრიპტები/ციტატები მკვლევრისგან მუდმივ ზედამხედველობას, გადამოწმებას მოითხოვს.

თემატური ანალიზი

თვისებრივი კვლევის ერთ-ერთი ყველაზე შრომატევადი მეთოდი თემატური ანალიზია. სხვადასხვა კვლევის თანახმად, თემატურ ანალიზზე მუშაობა არა მხოლოდ დროს მოითხოვს, არამედ მკვლევრის კოგნიტური გადაღლისა და სუბიექტურობის რისკსაც შეიცავს. კვლევები აჩვენებს რადიკალურ განსხვავებას ეფექტურობაში: თუ ექვსი ინტერვიუს ხელით დამუშავებას დაახლოებით 38 საათი სჭირდება, AI-ზე დაფუძნებული პლატფორმებით (მაგ. Avidnote) იგივე სამუშაო 2.5 საათში სრულდება. ეს საშუალებას აძლევს მკვლევარს, დრო დაუთმოს მონაცემთა უფრო სიღრმისეულ ინტერპრეტაციას. დიდი ენობრივი მოდელებით მხარდაჭერილი თემატური ანალიზი (LATA - LLM-Assisted Thematic Analysis) მოიცავს AI-ის ჩართულობას პროცესის ყველა ეტაპზე. პირველი ეტაპია მონაცემთა გაცნობა და კოდირება: ChatGPT-ი და მსგავსი მოდელები ეფექტურად ასუფთავებს ტრანსკრიპტებს და აგენერირებს საწყის კოდებს. საინტერესოა, რომ ხელოვნური ინტელექტი უკეთეს შედეგს აჩვენებს დედუქციური მიდგომისას, როდესაც მას წინასწარ ეძლევა თეორიული ჩარჩო. თემატური ანალიზის პროცესში ხელოვნური ინტელექტი მკვლევარს ასევე ეხმარება კოდებს შორის კავშირების პოვნასა და იერარქიული სტრუქტურების აგებაში. ისეთ მოდელებს, როგორიცაა GPT-4, შეუძლია მაღალი ხარისხის, მნიშვნელოვანი და კონტექსტურად ადეკვატური თემების იდენტიფიცირება, რაც ხშირად ემთხვევა გამოცდილი მკვლევრების ხედვას.

მიუხედავად ეფექტურობისა, ლიტერატურაში ხაზგასმულია რამდენიმე კრიტიკული გამოწვევა. ერთ-ერთი მათგანია ვალიდურობის საკითხი. კერძოდ, ხელოვნური ინტელექტის მიერ გენერირებული კოდების მხოლოდ მცირე ნაწილი (დაახლოებით 27%) ემთხვევა ადამიანის მიერ ხელით შესრულებულ ანალიზს, რაც მიუთითებს იმაზე, რომ AI ჯერ კიდევ ვერ აღიქვამს რთულ მეტაფორებსა და კულტურულ ნიუანსებს. მონაცემთა დამახინჯება - არსებობს ე.წ. „ჰალუცინაციების“ რისკი, როდესაც მოდელი ქმნის დამაჯერებელ, მაგრამ არარსებულ ციტატებს. ასევე, შეიმჩნევა ე.წ. „ზრდილობის ეფექტი“ (politeness effect), როდესაც AI, ტრანსკრიფციისას „ასუფთავებს“ რესპონდენტის ენას ჟარგონისა და ემოციური კონტექსტისგან, რითაც შლის მის ავთენტიკურ ემოციებს.

ხელოვნური ინტელექტის გამოყენება თვისობრივ კვლევაში მოითხოვს მკვლევრისგან ახალ კომპეტენციას, კერძოდ „AI-რეფლექსიურობას“. ეს გულისხმობს კრიტიკულ გააზრებას იმისა, თუ როგორ იმოქმედა ალგორითმმა თემების ფორმირებაზე. ეთიკური თვალსაზრისით კი, უპირველესი ამოცანაა მონაცემთა დეიდენტიფიკაცია, რათა სენსიტიური ინფორმაცია არ მოხვდეს ხელოვნური ინტელექტის პლატფორმების ბაზებში.

განხილული ლიტერატურის საფუძველზე იკვეთება კონსენსუსი, რომ ხელოვნური ინტელექტი არ უნდა გამოიყენებოდეს, როგორც დამოუკიდებელი ანალიტიკოსი. საუკეთესო შედეგი მიიღწევა ჰიბრიდული მიდგომით, რომელშიც იგი ასრულებს მონაცემთა ორგანიზებისა და პირველადი კოდირების „ტექნიკურ“ დავალებას, ხოლო მთავარ როლში რჩება მკვლევარი - ადამიანი, რომელიც საბოლოოდ განმარტავს მონაცემებს და კვლევას შინაარსობრივ სიღრმეს ანიჭებს.

ლიტერატურის სისტემური მიმოხილვა და მტკიცებულებების სინთეზი

აკადემიური ლიტერატურის მოცულობის ზრდა თანამედროვე მკვლევარებისთვის სერიოზულ ბარიერად იქცა, რადგან ათასობით სტატიის ხელით გადარჩევა უზარმაზარ დროსა და რესურსს მოითხოვს. ამ გამოწვევის საპასუხოდ, ხელოვნური ინტელექტი სულ უფრო ხშირად გამოიყენება ლიტერატურის სისტემურ და მასშტაბურ მიმოხილვებში. ისეთი ინსტრუმენტები, როგორებიცაა Rayyan-ი, Covidence, Elicit-ი და Research Rabbit-ი, იყენებს მანქანური სწავლების ალგორითმებს სათაურების/აბსტრაქტების სკრინინგისთვის, ასევე - სხვადასხვა სტატიიდან ძირითადი მონაცემების ამოსაღებად. ტრადიციული, მხოლოდ საკვანძო სიტყვებზე დაფუძნებული ძიებისგან განსხვავებით, AI ხელსაწყოები იყენებს კონტექსტურ და სემანტიკურ ანალიზს, რაც მკვეთრად ზრდის რელევანტური მასალის აღმოჩენის სიზუსტეს. ხელოვნურ ინტელექტზე დაფუძნებულ ალგორითმებს შეუძლია ათასობით სტატიის აბსტრაქტის სწრაფი სკანირება და დუბლიკატების მოცილება, რითაც ავტომატურად ახორციელებს პირველად სკრინინგს, მკვლევრის მიერ დადგენილი ჩართვა-გამორიცხვის კრიტერიუმების მიხედვით.

JMIR Formative Research-ის 2025 წლის კვლევაში შესწავლილია ხელოვნური ინტელექტის მოდელები, მათ შორის, ChatGPT-3.5, GPT-4, Claude 3.5, Claude 3 Opus-ი და Sonar Huge, ჯანდაცვის თვისებრივი კვლევების ხარისხის სტრუქტურიზებულად შესაფასებლად. კვლევამ აჩვენა, რომ ადამიანისა და ხელოვნური ინტელექტის თანამშრომლობითი სამუშაო პროცესები, რომლებიც იყენებს ხელოვნური ინტელექტის ეფექტურობას და ამავდროულად ინარჩუნებს ადამიანურ ექსპერტიზასა და ინტერპრეტაციებს, წარმოადგენს კვლევაში ხელოვნური ინტელექტის გამოყენების ეფექტიან და პასუხისმგებლიან გზას. 

მიუხედავად მაღალი ეფექტურობისა, ლიტერატურაში კრიტიკულადაა შეფასებული ხელოვნურ ინტელექტზე სრულად მინდობის საფრთხეები. მთავარ გამოწვევად რჩება ალგორითმების გაუმჭვირვალობა, რაც სამეცნიერო დისკურსში „შავი ყუთის“ (black-box) ეფექტით არის ცნობილი; მკვლევრისთვის ხშირად უცნობია, თუ რა ლოგიკით მიანიჭა სისტემამ პრიორიტეტი, ან გამორიცხა ესა თუ ის მტკიცებულება, რაც ეწინააღმდეგება სისტემური მიმოხილვის განმეორებადობისა და გამჭვირვალობის პრინციპებს.

გარდა ამისა, არსებობს ალგორითმული მიკერძოების რისკი, როდესაც ხელოვნურმა ინტელექტმა შეიძლება გამოტოვოს ნიუანსური თვისობრივი კონტექსტი, ან პრიორიტეტი მიანიჭოს მხოლოდ დომინანტურ სამეცნიერო ხედვებს. ამის გამო, დღეს აკადემიური წრეების დღის წესრიგში დგას ახალი ტიპის კომპეტენციის (AI literacy) განვითარება, რათა მკვლევრებმა შეძლონ ამ ინსტრუმენტების ვალიდურობის კრიტიკული შეფასება.

ხელოვნური ინტელექტი, როგორც ადამიანის დამხმარე და არა - მისი ჩამნაცვლებელი ინსტრუმენტი - შემაჯამებელი შეფასება

თვისებრივი კვლევის ყველა ზემოთ ნახსენებ ეტაპზე, აკადემიური სივრცის წარმომადგენლები ერთხმად ასახელებენ ხელოვნურ ინტელექტს, როგორც ყველაზე შესაფერის დამხმარე ინსტრუმენტს. ეს კონსენსუსი კარგად აისახება „კოგნიტურ გაძლიერებასა“ (ხელოვნური ინტელექტის მიერ ადამიანის შესაძლებლობების გაძლიერება) და „კოგნიტურ ჩანაცვლებას“ (ხელოვნური ინტელექტის მიერ ადამიანის განსჯის ჩანაცვლება) შორის განსხვავებაში. Cook et al. (2025) თანახმად, ხელოვნური ინტელექტის ინსტრუმენტებმა მნიშვნელოვანი ეფექტურობა აჩვენა ტექსტების შეჯამებასა და საკვანძო სიტყვების დათვლაში, მაგრამ ჯერჯერობით ვერ მიაღწია დამაკმაყოფილებელ შედეგებს თემატურ ანალიზში, საკვანძო სიტყვების გამოვლენაში ან თემათაშორისი ანალიზის გენერირებაში. De Souza Santos et al. (2025) 21 კვლევის ანალიზის ფარგლებშიც, მკვლევრები მსგავს დასკვნამდე მივიდნენ - ხელოვნური ინტელექტი იმედისმომცემია თვისებრივი ანალიზის მხარდასაჭერად, თუმცა მონაცემთა ინტერპრეტაციისთვის გადამწყვეტი მნიშვნელობა კვლავაც ადამიანურ ექსპერტიზას აქვს. 

წამყვანი უნივერსიტეტებისა და კვლევითი ინსტიტუტების პერსპექტივები, გამომცემლების პოლიტიკა

2023 წლიდან წამყვანი კვლევითი უნივერსიტეტები, კვლევაში ხელოვნური ინტელექტის გამოყენებასთან დაკავშირებით, რეაქტიული პოზიციებიდან პროაქტიულზე გადავიდნენ. ინსტიტუციური დომინანტური პოზიციაა ხელოვნური ინტელექტის გამოყენება, ადამიანური ზედამხედველობის, გამჭვირვალობისა და კრიტიკული შეფასების მკაფიო მოთხოვნით. Azevedo et al. -მა ზრდასრულთა და უწყვეტი განათლების ახალ მიმართულებებში გამოქვეყნებულ ანალიზში აღმოაჩინა, რომ უმაღლესი განათლების სფეროში ხელოვნური ინტელექტის პოლიტიკა აკადემიური პატიოსნების, გამჭვირვალობისა და თანასწორობის პრინციპებზეა დაფუძნებული, რაც მოითხოვს, რომ ხელოვნური ინტელექტის ინსტრუმენტები არ ეწინააღმდეგებოდეს პედაგოგიურ ან კვლევით მიზნებს და ავალდებულებს მკვლევრებს ხელოვნური ინტელექტის გამოყენების ღიად გამჟღავნებას. 

ჰარვარდის უნივერსიტეტი

ჰარვარდის უნივერსიტეტის ხელოვნებისა და მეცნიერების ფაკულტეტმა და ჰარვარდის კვლევის ოფისმა გამოაქვეყნეს სახელმძღვანელო პრინციპები, კვლევაში ხელოვნური ინტელექტის გამოყენების შესახებ. ჰარვარდი აღიარებს ხელოვნური ინტელექტის ინსტრუმენტების ტრანსფორმაციულ პოტენციალს კვლევის პროდუქტიულობისთვის, მაგრამ მოითხოვს მკვლევრის პასუხისმგებლობას, დაასახელოს ხელოვნური ინტელექტის დახმარებით მიღებული ყველა შედეგი. ჰარვარდის სახელმძღვანელო პრინციპები კონკრეტულად ეხება თვისებრივი კვლევის კონტექსტებს და მოითხოვს, რომ ხელოვნური ინტელექტის მიერ გენერირებული კოდები, თემები ან ნებისმიერი სხვა პროდუქტი განიხილებოდეს, როგორც წინასწარი შედეგები, რომლებიც მოითხოვს ადამიანის ინტერპრეტაციულ ჩართულობას. ასევე, ეს პროცესი უნდა აღიწეროს კვლევის  მეთოდოლოგიის განყოფილებებში. ჰარვარდის უნივერსიტეტის IRB-მა (ინსტიტუციურ შემფასებელთა/reviewer საბჭო) ასევე გააახლა პროტოკოლები, რათა გაითვალისწინოს ხელოვნური ინტელექტის გამოყენება კვლევის მონაწილეებთან/რესპონდენტებთან დაკავშირებულ მონაცემთა ანალიზში, რაც მოითხოვს იმის შეფასებას, ქმნის, თუ - არა ხელოვნური ინტელექტის ინსტრუმენტები კონფიდენციალურობის რისკებს ან ანალიტიკურ დამახინჯებებს, რომლებმაც შეიძლება ზიანი მიაყენოს კვლევის მონაწილეთა ინტერესებს.

ოქსფორდის უნივერსიტეტი

2024 წლის ნოემბერში ოქსფორდის უნივერსიტეტმა გამოაქვეყნა ახალი ეთიკური ჩარჩო Nature Machine Intelligence-ში, რომელიც აკადემიურ კვლევაში LLM-ის პასუხისმგებლიანი გამოყენების სამ აუცილებელ კრიტერიუმს ასახავდა: ადამიანის მიერ შემოწმება, სიზუსტისა და აკადემიური პატიოსნების გარანტია; ადამიანის მნიშვნელოვანი წვლილის უზრუნველყოფა; LLM-ის გამოყენების სათანადო გაცხადება. ოქსფორდის კვლევის ეთიკის სახელმძღვანელო პრინციპები მოითხოვს კვლევის პროცესის ნებისმიერ ეტაპზე გამოყენებული ხელოვნური ინტელექტის ინსტრუმენტების ცალსახად გამჟღავნებას. ამასთან, უნივერსიტეტმა შეკრიბა ინტერდისციპლინური სამუშაო ჯგუფები, რათა შეემუშავებინათ დისციპლინებისთვის სპეციფიკური სახელმძღვანელო პრინციპები სოციალურ მეცნიერებათა თვისებრივი კვლევისთვის.

მასაჩუსეტსის ტექნოლოგიური ინსტიტუტი (MIT)

MIT-ის მიდგომა ასახავს კვლევებში მის რაოდენობრივ, გამოთვლებზე დაფუძნებულ ორიენტაციას, მაგრამ, ამავდროულად, აქვს პოზიცია ხელოვნური ინტელექტის თვისებრივ კვლევაში გამოყენების მიმართაც. MIT-ის შვარცმანის გამოთვლითი კოლეჯის 2023 წლის ანგარიშში „პასუხისმგებლიანი ხელოვნური ინტელექტი მეცნიერებისთვის“ ხაზგასმულია ჰუმანიტარულ და სოციალურ მეცნიერებათა კვლევებში ადამიანის ინტერპრეტაციული ავტორიტეტის შენარჩუნების მნიშვნელობა ხელოვნური ინტელექტის მიერ გენერირებულ შედეგებთან მიმართებით. MIT-ის IRB-ის სახელმძღვანელო პრინციპები მოითხოვს ხელოვნური ინტელექტის ინსტრუმენტების გამოყენების დეტალურ დოკუმენტირებას ფედერალურად დაფინანსებულ ყველა კვლევაში, რომლებიც შეიცავს მონაცემებს ადამიანების შესახებ.

მელბურნის უნივერსიტეტი და ავსტრალიის კვლევითი კონტექსტი

მელბურნის უნივერსიტეტის 2024 წლის სახელმძღვანელოში „ხელოვნური ინტელექტი კვლევაში“ ცალსახად არის ნათქვამი, რომ ხელოვნური ინტელექტის ინსტრუმენტები არ უნდა გამოიყენებოდეს მკვლევრის განსჯის ჩასანაცვლებლად ინტერპრეტაციულ ანალიზებში და რომ ხელოვნური ინტელექტის ნებისმიერი გამოყენება თვისებრივ მონაცემთა ანალიზში გამჭვირვალედ უნდა აისახოს და მეთოდოლოგიურად დასაბუთდეს. ავსტრალიის კვლევითმა საბჭომ (ARC, 2024) გააახლა გრანტის განაცხადის მოთხოვნები და ჩართო კვლევის მეთოდოლოგიაში ხელოვნური ინტელექტის გამოყენების სავალდებულო გამჟღავნება.

გამომცემლების პოლიტიკა

2025 წელს ჩატარდა 10 საუკეთესო აკადემიური ჟურნალის გამომცემლების ხელოვნური ინტელექტის პოლიტიკის ანალიზი, რომლის თანახმად, ყველა გამომცემელი თანხმდება, რომ ხელოვნური ინტელექტის ინსტრუმენტები არ შეიძლება ავტორებად ჩაითვალოს. ასევე, ყველა გამომცემლის ძირითადი თემებია ავტორის ანგარიშვალდებულება, ადამიანის ზედამხედველობა, ხელოვნური ინტელექტის გამჟღავნების გამჭვირვალობა და შეშფოთება მიკერძოების, ხარისხისა და ინტელექტუალური საკუთრების უფლებების დაცვის შესახებ. ჩიკაგოს სტილის სახელმძღვანელომ (მე-18 გამოცემა, 2024) და თანამედროვე ენების ასოციაციამ გააახლეს თავიანთი სახელმძღვანელო პრინციპები და ჩართეს ხელოვნური ინტელექტის ინსტრუმენტების ციტირებისა და კრიტიკული შეფასების მოთხოვნები, რაც ასახავს იმ მზარდ აღიარებას, რომ ხელოვნური ინტელექტის კვლევაში გამოყენება მოითხოვს სტანდარტიზებული ანგარიშგების პრაქტიკას, რაც სხვა მეთოდოლოგიური ინსტრუმენტების მარეგულირებელი პრაქტიკის ანალოგიურია.

ეთიკური მოსაზრებები

გამჭვირვალობა და ანგარიშვალდებულება

ხელოვნური ინტელექტის დახმარებით ჩატარებულ თვისებრივ კვლევაში გამჭვირვალობის საკითხი როგორც პროცედურული, ისე ეპისტემოლოგიურია. Cook et al. (2025), 130 სტატიის (64 გამოქვეყნდა 2023–2024 წლებში) მიმოხილვის შემდეგ, აღმოაჩინეს, რომ გამოქვეყნებულ კვლევებში ხელოვნური ინტელექტის გამოყენების ანგარიშგების სტანდარტები თვისებრივ მონაცემთა ანალიზში არათანმიმდევრული და არასაკმარისია. Resnik and Hosseini (2024/2025), ჟურნალ „ხელოვნებასა და ეთიკაში“ გამოქვეყნებულ ნაშრომში გვთავაზობენ ცხრა რეკომენდაციას სამეცნიერო კვლევაში ხელოვნური ინტელექტის პასუხისმგებლიანი გამოყენების შესახებ. პირველი ორი პირდაპირ უკავშირდება თვისებრივ პრაქტიკას: მკვლევრები პასუხისმგებელნი არიან ხელოვნურ ინტელექტთან დაკავშირებული მიკერძოებებისა და შემთხვევითი შეცდომების იდენტიფიცირებაზე, აღწერაზე, შემცირებასა და კონტროლზე;  მკვლევრებმა უნდა გაამჟღავნონ, აღწერონ და ახსნან ხელოვნური ინტელექტის გამოყენების მეთოდი არაექსპერტებისთვის გასაგებ ენაზე. ეს რეკომენდაციები სულ უფრო ხშირად გამოიყენება აკადემიური ჟურნალების მიერ.

ეპისტემოლოგიურ დონეზე, გამჭვირვალობას ართულებს თანამედროვე LLM-ების გაუმჭვირვალობა. წესებზე დაფუძნებული Computer-Assisted Qualitative Data Analysis Software (CAQDAS) ინსტრუმენტებისგან განსხვავებით, რომელთა ლოგიკა, პრინციპში, სრულად შეიძლება აუდიტირებული იყოს, LLM-ები მუშაობენ მილიარდობით პარამეტრის მეშვეობით, რომელთა ინდივიდუალური წვლილი ვერ აიხსნება. თუმცა, ამავდროულად, ახსნადობის პრინციპი ცენტრალურია ევროკავშირის ხელოვნური ინტელექტის შესახებ აქტისთვის და განსაკუთრებით მოთხოვნადია თვისებრივი კვლევის კონტექსტში.

მიკერძოება და სანდოობა

ხელოვნური ინტელექტის სისტემებში მიკერძოების შესახებ ლიტერატურა მოცულობითი და სულ უფრო აქტუალურია. LLM-ები სწავლობენ დიდ, უპირატესად, ინგლისურენოვან, დასავლურ-ცენტრულ კორპუსებზე, რომლებიც ასახავს მათი ძირითადი მონაცემთა წყაროების დემოგრაფიულ მახასიათებლებს, კულტურულ ვარაუდებსა და ისტორიულ ძალაუფლებრივ ურთიერთობებს. Chatzichristos-ი (2025) ამტკიცებს, რომ ხელოვნურ ინტელექტზე წვდომის სტრუქტურული უთანასწორობა ასევე ქმნის არსებული აკადემიური უთანასწორობის გაძლიერების რისკს, რადგან რესურსებით კარგად აღჭურვილი ინსტიტუტები უკეთეს მდგომარეობაშია ხელოვნური ინტელექტის ინსტრუმენტების დანერგვისა და კრიტიკულად შეფასებისთვის.

სანდოობის საკითხი კიდევ უფრო ართულებს LLM-ის გამოწვევებს. ხელოვნური ინტელექტის შედეგების ფუნდამენტური არარეპროდუცირებადობა, როგორც ძირითადი ეთიკური პრობლემა, კვლავ გადაუჭრელი რჩება, რაც ქმნის ანგარიშვალდებულების ხარვეზებს, რომლებიც განსაკუთრებით პრობლემურია თვისებრივ კვლევაში, სადაც ანალიტიკური პროცესები მეთოდოლოგიური შემოწმების ძირითადი ობიექტებია.

ავტორობა და ინტელექტუალური წვლილი

მსხვილ აკადემიურ გამომცემლებს, მათ შორის, Elsevier-ს, Springer Nature-ს, Taylor & Francis-ს და Sage-ს, აქვთ 2023-2025 წლებში გაახლებული პოლიტიკა, რომლის თანახმად, ხელოვნური ინტელექტის სისტემების ავტორებად მოხსენიება დაშვებული არაა. ეს აიხსნება ლოგიკით, რომ ავტორობა თავის თავში გულისხმობს პასუხისმგებლობას, რაც ხელოვნურ ინტელექტს არ გააჩნია. 2025 წლის პოლიტიკის ანალიზმა აჩვენა, რომ კვლევის პროცესში ავტორის ანგარიშვალდებულება, ადამიანური ზედამხედველობა და გამჭვირვალობა წარმოადგენს სამ ყველაზე თანმიმდევრულად ხაზგასმულ თემას გამომცემლების ხელოვნური ინტელექტის პოლიტიკაში. ყველა გამომცემელი თანხმდება, რომ ხელოვნური ინტელექტი არ შეიძლება ავტორად ჩაითვალოს და რომ კვლევის სიზუსტესა და ორიგინალურობაზე საბოლოო პასუხისმგებლობა ადამიან ავტორებს ეკისრებათ. თუმცა ეს პოლიტიკა ვერ წყვეტს ინტელექტუალური წვლილის საკითხს, როდესაც ხელოვნური ინტელექტის სისტემები ანალიტიკური შინაარსის მნიშვნელოვან ნაწილს წარმოქმნიან. როდესაც ხელოვნური ინტელექტის სისტემა კვლევის არსებითი დასკვნების შემქმნელ კოდებსა და თემებს წარმოქმნის და ადამიანი მკვლევრის წვლილი, ძირითადად, ზედამხედველობასა და რედაქტირებას წარმოადგენს, კვლავ საკამათოა, შენარჩუნებულია, თუ - არა თვისებრივი ხედვის ეპისტემოლოგიური საფუძველი.

მონაცემთა კონფიდენციალურობა და თანხმობა

კომერციული ხელოვნური ინტელექტის პლატფორმების გამოყენება თვისებრივი კვლევის მონაცემების დასამუშავებლად წარმოშობს კონფიდენციალურობის მწვავე პრობლემებს. თვისებრივი მონაცემები, განსაკუთრებით, ინტერვიუს ტრანსკრიპტები, ხშირად შეიცავს მონაწილეთა შესახებ მგრძნობიარე, იდენტიფიცირებად ინფორმაციას. როდესაც მკვლევრები ასეთ მონაცემებს ხელოვნური ინტელექტის ე.წ. „ქლაუდზე“ დაფუძნებულ პლატფორმებზე ატვირთავენ, შესაძლოა დაირღვეს მონაწილეთა ინფორმირებული თანხმობის პირობები, ხოლო მონაცემები ხელმისაწვდომი გახდეს ენობრივი მოდელების წვრთნის მიზნებისთვის. ევროკავშირის ხელოვნური ინტელექტის შესახებ აქტი ადგენს რისკზე დაფუძნებულ კლასიფიკაციებს ხელოვნური ინტელექტის სისტემებისთვის, რასაც პირდაპირი გავლენა აქვს პერსონალურ მონაცემებთან დაკავშირებულ კვლევით აპლიკაციებზე.

Azevedo et al. (2025) აღნიშნავენ, რომ უმაღლეს განათლებაში ხელოვნური ინტელექტის პოლიტიკა სულ უფრო მზარდი ზეწოლის ქვეშაა, რათა გაუმკლავდნენ კონფიდენციალურობის რისკებს, მათ შორის, მონაცემთა უკანონო მოპოვებასა და მიყურადებას, რასაც ბევრი ამჟამინდელი ჩარჩო უგულებელყოფს, ძირითადად, სასწავლო გამოყენებაზე ფოკუსირებით. კონფიდენციალურობის პრინციპებსა და პრაქტიკას შორის არსებული ხარვეზი განსაკუთრებით მნიშვნელოვანია თვისებრივ კვლევაში, რომელშიც მონაცემთა მგრძნობელობა მაღალია და მონაწილეთა დაუცველობის რისკი ხშირად მომეტებულია.

ხელოვნური ინტელექტი კვლევაში - კვლევის ტრანსფორმაცია თუ გაძლიერება?

თანამედროვე აკადემიური სივრცის ერთ-ერთი მნიშვნელოვანი კითხვაა, ხომ არ გარდაქმნის ხელოვნური ინტელექტი თვისებრივ კვლევას (ცვლის მის ფუნდამენტურ ეპისტემოლოგიურ ვალდებულებებს), თუ უბრალოდ ავსებს მას, აძლიერებს პროცედურულ ეფექტურობას და ამავდროულად, უცვლელად ტოვებს ძირითად ინტერპრეტაციულ პრაქტიკებს. ამ დოკუმენტში განხილული მტკიცებულებები ადასტურებს კვალიფიციური გაფართოების თეზისს. პროცედურულ დონეზე, ხელოვნური ინტელექტი აშკარად ცვლის თვისებრივი კვლევის პრაქტიკას: ხელოვნური ინტელექტის მიერ ინტერვიუების ტრანსკრიფცია, ლიტერატურის სკრინინგი და ხელოვნური ინტელექტით გაძლიერებული CAQDAS მახასიათებლები ფართოდ არის გავრცელებული და მათი შესაძლებლობები იზრდება. თუმცა ეპისტემოლოგიურ დონეზე ტრანსფორმაციული მტკიცება არამდგრადი რჩება. Cook et al. (2025) მიხედვით, ბოლოდროინდელი ყველაზე ყოვლისმომცველი ემპირიული შეფასების თანახმად, ხელოვნური ინტელექტი ყოველთვის ვერ ართმევდა თავს თვისებრივი კვლევის ეპისტემოლოგიური ბირთვის შემადგენელ ამოცანებს: თემატურ ანალიზს, თემათაშორისი ხედვის გენერირებასა და კონტექსტურ ინტერპრეტაციას. De Souza Santos et al. (2025), 21 კვლევის სინთეზირების შემდეგ, დაასკვნეს, რომ მონაცემთა ინტერპრეტაციისთვის გადამწყვეტი მნიშვნელობა კვლავ ადამიანურ ექსპერტიზას ენიჭება. მკვლევრების ISERN-ის 2025 წლის სემინარი დამოუკიდებლად იმავე დასკვნამდე მივიდა (Couto Teixeira et al., 2025). Chatzichristos-ი (2025) ამ დებატებს პროვოკაციულ განზომილებას სძენს: კითხვა არა მხოლოდ ისაა, თუ რა შეუძლია და რა - არა ხელოვნურ ინტელექტს, არამედ ის, თუ რა გავლენას ახდენს მისი გამოყენება კვლევით კულტურებზე. თუ ხელოვნურ ინტელექტსა და თვისებრივ კვლევას შორის ურთიერთქმედების მიმართულებას სტრუქტურული ძალები - რესურსების განაწილება, აკადემიური პროდუქტიულობის ზეწოლა და ინსტიტუციური სტიმულები - განსაზღვრავს, მაშინ გაფართოება/ტრანსფორმაციის განსხვავება თავისთავად შეიძლება არასაკმარისი იყოს. ხელოვნური ინტელექტი შესაძლოა თვისებრივ მეთოდოლოგიას არც ცვლის და არც უბრალოდ ავსებს, არამედ თანდათანობით გარდაქმნის იმ ინსტიტუციურ პირობებს, რომლებშიც თვისებრივი კვლევა ტარდება.

წინააღმდეგობები ეფექტიანობასა და ეპისტემოლოგიურ სიღრმეს შორის

თვისებრივი კვლევის კონტექსტში მუდმივი წინააღმდეგობა ეხება ეფექტიანობასა და ეპისტემოლოგიურ სიღრმეს შორის ურთიერთობას. ეფექტიანობას ხელოვნური ინტელექტის ინსტრუმენტები აშკარად აძლიერებს, მაგრამ, მეორე მხრივ, ამან შესაძლოა კვლევის სიღრმეზე ნეგატიური გავლენა მოახდინოს. ხელოვნური ინტელექტის განვითარების ტემპი ტექნიკურად შესაძლებელს ხდის შეკუმშულ ვადებში მასშტაბური თვისებრივი ანალიზების ჩატარებას, ამავდროულად, ართულებს მონაცემებთან ნელი, განმეორებითი და რეფლექსიური ჩართულობის შენარჩუნებას, რაც, თავის მხრივ, კვლევაში რეალურ ინტერპრეტაციულ ხედვას წარმოქმნის. Duke (2025) გვაფრთხილებს, რომ ხელოვნური ინტელექტით მიღებული ანალიტიკური ინსტრუმენტების ნორმალიზება დარგის დონეზე შეიცავს თვისებრივი კვლევის შესრულების ხარისხის დეგრადაციის რისკს.

დასკვნა

ზემოთ განხილული პუბლიკაციების მიხედვით, თვისებრივ კვლევაში ხელოვნური ინტელექტის ინტეგრირების შესახებ ყველაზე საყურადღებო თანამედროვე გამოწვევების იდენტიფიცირებაა შესაძლებელი. პირველ რიგში, ხელოვნური ინტელექტის ინსტრუმენტები აშკარად აძლიერებს თვისებრივი კვლევის პროცედურულ ეფექტურობას, განსაკუთრებით - ტრანსკრიფციის, მონაცემთა მართვის, სტრუქტურირებული კოდირებისა და ლიტერატურის სკრინინგის კუთხით და ეს სარგებელი რეალურია, მით უფრო იმის გათვალისწინებით, რომ ხელოვნურ ინტელექტზე წვდომის ხარჯები მკვეთრად შემცირდა 2022 წლიდან. მეორე საკითხია ის, რომ თვისებრივი კვლევის ეპისტემოლოგიური ბირთვი - რეფლექსიური, თეორიაზე დაფუძნებული ინტერპრეტაცია, რომელიც ყურადღებას ამახვილებს კონტექსტზე, მნიშვნელობასა და მკვლევრის პოზიციონირებაზე - გამორჩეულად ადამიანურ უნარად რჩება.

მესამე და მთავარ დასკვნად შეიძლება გამოვყოთ ის, რომ ხელოვნური ინტელექტის გამოყენებასთან მიმართებით, ინსტიტუციური და ეთიკური ჩარჩოები სწრაფად ვითარდება და ეს პრინციპები ძირითადად თანხვედრილია გამჭვირვალობის, ხელოვნური ინტელექტის გამოყენების შესახებ გულწრფელი განაცხადისა და ადამიანური ანგარიშვალდებულების პრინციპებთან. ამასთან, უნდა ითქვას, რომ ნორმატიულ ჩარჩოებსა და გამოქვეყნებულ კვლევებს (ანუ პრაქტიკას) შორის კვლავ რჩება მნიშვნელოვანი აცდენა (gap), რაც გამომცემლობების სარედაქციო საბჭოებისგან შესაბამის ყურადღებას მოითხოვს.

სრული დოკუმენტი, შესაბამისი წყაროებით, ბმულებითა და განმარტებებით, იხ. მიმაგრებულ ფაილში.