聞き方によって、分かることが変わる
参加者が短く答え、少し黙ってから「実は、そういう意味ではなくて」と言い直します。聞き手が待つか、詳しく尋ねるか、次へ進むかで、その後の話は変わります。発言録には言葉が残っても、何を話すか決めるまでの事情がすべて表れるとは限りません。
AIは質問案、文字起こし、翻訳、発言の分類を手伝えます。Schroederらが聞いた研究者は、有用な可能性とともにプライバシー、偏り、利用機会、参加者データの扱いを懸念していました。[1] 自分の調査でどの作業が役立ち、どう結果を確認するかを考えます。
用途ごとに、渡す資料、出力、確認者を書きます。参加者に何を説明する必要があるかも考えます。節約した時間を傾聴と検討に使えるなら有益です。情報を守り、参加者を公平に伝える責任がなくなるわけではありません。
参加者が考え、異論を述べ、こちらの理解を変える余地を残します。
参加をお願いする前に、AIの使い方を説明する
「AIを使います」だけでは説明が足りません。募集文を作ることと、録音を外部の文字起こしサービスへ送ること、個人の経験を分析することは違います。何を記録し、どこへ送り、誰が見られ、いつまで保管し、提供者がモデル改善に使うかを伝えます。研究で対応できる範囲で用途別の選択肢を用意し、断った場合の参加への影響も説明します。
募集前に、架空の録音で保存、文字起こし、分析、書き出し、削除の経路を試します。予定する撤回手続きにツールが対応できるかを確認し、限界も伝えます。研究が許す限り早く、個人を特定する情報と研究資料を分けます。
合意した用途と制限を計画に書き、承認が必要な作業の確認者を決めます。Schroederらの研究では、機密性を理由に外部企業の非公開モデルへ参加者データを渡さない研究者もいました。[1] 募集文に使えるツールでも、インタビュー資料には適さない場合があります。
模擬参加者は想定を試すために使う
AIに参加者役を頼むと、すぐにもっともらしい答えが出ます。質的研究者19人が関わった研究では、初めはなじみのある主題が現れましたが、会話が進むと具体性や深さが足りないと分かりました。模擬参加者は同意せず、自ら選択したり、自分の描かれ方に異議を唱えたりもできません。[3]
生成された人物は経験についての想定を表しますが、実際にその人が経験したことは語れません。申請書が難しいからサービスを避けると思っていたら、参加者が過去の対応で行政機関への連絡が怖くなったと話すかもしれません。人を募集することで、予想外の語りが調査を変える余地が生まれます。
AIには募集文の確認、確認用の翻訳案、参加条件の質問にある前提の指摘を頼めます。募集状況の表も、抜けた経験を見つける助けになります。言葉から敏感な属性や話の信頼性を推測させません。足りない集団は追加募集するか限界として報告し、生成した引用で埋めないようにします。
もっともらしい生成回答は、本人の経験の根拠にはなりません。
対話中は、参加者に注意を向ける
自動インタビューなら、小さなチームが一人ずつ聞くより多くの人に届きます。GeieckeとJaravelは音声を含むAI主導のインタビューを調べ、複数の用途で有望な品質評価を報告しています。[2] 適切な条件で試す根拠ですが、どの話題、人、敏感な話にも同じように使えるとは示していません。
完了率だけでなく応答を試します。追加質問は直前の答えを踏まえ、異論を言う余地を残しているでしょうか。訂正、分からないという答え、苦痛、沈黙、撤回にどう対応するか確認します。発言内容とともに、集団別の誤解や途中退出も見ます。
人が進行する場でも、AIの提案が続くと注意がそれます。リアルタイム補助を使うなら説明し、時間管理や区切り後の聞き漏らし確認などに役割を絞ります。待つ、休む、質問案を離れる判断は聞き手が行います。撤回、苦痛への対応、システムの誤り、丁寧に聞けない状況では自動化を止めます。
文字起こしを、実際の発言と照合する
自動文字起こしは下書きです。人名や専門語を間違え、重なる声をまとめ、間や言い直しを落とすことがあります。複数言語を行き来する話は文字だけでは特に確認しにくくなります。誤りが入ると、分析や最終的な引用にも持ち越されます。
誤りは話者によって違う場合があります。2020年の研究は、黒人話者73人と白人話者42人の会話で商用音声認識システム5種を試しました。平均単語誤り率はそれぞれ0.35と0.19、つまり35%と19%でした。[4] 当時の研究結果であり、現在のすべてのツールの評価ではありません。自分の調査の話者と録音条件を確認し、誤りが多そうな箇所を手厚く見る理由になります。
話者集団別の平均単語誤り率
2020年の研究 · 商用音声認識システム5種
承認された保存先で、録音と時刻付き発言録をつなぎます。不明瞭な箇所、重なる声、分析に重要な間、訂正を示します。公開する引用はすべて録音と照合します。重要な解釈では前後の会話も聞き直します。一文だけでは本人の意味が分からない場合があります。
文字起こしの誤りが研究結果になる前に、録音を確認します。
翻訳中も原語を確認できるようにする
自然な訳でも意味が失われることがあります。丁寧な拒否、家族関係の言葉、日常的な比喩には、報告言語の直接の対応語がないかもしれません。van Nesらは、別言語で研究を公表すると翻訳という解釈が加わることを説明しています。[5] 読みやすさと参加者の意味を両方保つ必要があります。
原語の発言録と訳文を並べ、対応する箇所に同じ識別子を付けます。複数の意味が考えられる語と、訳を選んだ理由を残します。中心的な結果を支える箇所は二言語を扱える研究者が確認します。可能なら原語で分析を始め、早い段階の翻訳で解釈を狭めないようにします。
AIは確認用の別訳を提案できます。モデル同士の一致は、意味を決める多数決にはなりません。原語を残して説明するほうがよい場合もあります。報告には、インタビューと分析の言語、翻訳者、重要箇所の確認方法を書きます。
その解釈を選んだ理由を説明する
分析のために発言へ付けるラベルをコードと呼びます。コード一覧が自動的に研究結果になるわけではありません。リフレクシブ・テーマ分析では、資料を読み、自分の問い、知識、立場が解釈にどう影響するかを考えながら主題を作ります。[7] AIの一覧は、その選択を検討する前に作業が終わったように見せることがあります。
AIに頼む前に、幅のある資料を自分で読みます。使うのは承認された資料だけです。暫定コードに関係する箇所、二つの解釈の比較、主題に反する語りを求められます。箇所の識別子を付けさせ、採用前に発言全体へ戻ります。これを万能のコーディング手順とせず、分析方法に合わせて選びます。
6つのオープンモデルと人のコーダーを比べた研究では、人は複雑な文でも安定していましたが、モデルは複雑な文より単純な文で良好でした。参照ラベルに一致しても専門家の評価が低いラベルもありました。[6] 一致数だけでなく解釈を見る理由です。曖昧さや感情の重なる箇所は特に、不一致と主題を採用した理由を残します。
主題の提案には、根拠と研究者の説明が必要です。
募集前に用途とデータ処理を合意します。各例も、その研究に合う判断と確認担当が必要です。
読み手と参加者に、結果の扱いを伝える
発言録の訂正、解釈の確認、ほかの応答機会を参加者に設けるか検討します。適切な方法は研究方法や関係によります。誤引用や文脈の欠落を発見できても、真実が自動的に確定するわけではありません。意見が分かれ、語りが変わり、追加の関与を断ることもあります。
インタビューとフォーカスグループの報告指針COREQは、チーム、方法、文脈、分析の説明を求めます。[8] 重要なAI利用も同じように明示します。作業、ツールと版、渡した資料、研究環境の外へ出たか、人の確認を記し、結果に影響した変更を説明します。
報告書とともにデータ処理も終えます。合意した保管・削除に従い、一時コピーを除き、再利用の責任者を決めます。同意と計画で許された記録だけを残します。読み手には発言が結果になる過程を示し、参加者には約束した保護と選択肢を守ります。