Kirjoituksemme monimenetelmällisestä markkinatutkimuksesta poiki tärkeän kommentin, miten AI tulee työntämään lisää vauhtia markkinatutkimukselle – varsinkin kvalille. Joten inspiroiduimme pohtimaan tätä näkökulmaa lisää.
Tutkimustyöläisten tekoälyyn liittyvässä keskustelussa on intoa ja uteliaisuutta mutta myös varovaisuutta vastuullisuuteen ja varsinkin tekoälyn avulla syntyvien tuotosten kelpoisuuteen liittyen. Kvalitatiivinen tutkimus kun on ominaispiirteiltään vaativaa käsityötä, jossa tutkijan on mentävä lähelle tutkimuskohdetta, subjektius on läsnä sekä tutkittavien kokemuksissa että tutkijan itsensä toiminnassa, ja aineistoja ja niiden analysoitavuutta kuvastaa monimutkaisuus sekä yksiselitteisten tulkintojen mahdottomuus.
Mihin pisteeseen asti kvalitatiivisen tutkimuksen työvaiheita voi automatisoida?
Erityisesti generatiivisen tekoälyn sanotaan mullistavan tietotyön käytänteet. Generatiivinen tekoäly tuottaa ja personoi uutta sisältöä olemassa olevan datan pohjalta simuloiden ihmisen ajattelua ja luonnollista kieltä. (Sen taustalla olevaa monimutkaista sofistikoitunutta teknologiaa en ymmärrä tarpeeksi, jotta siihen tässä syventyisin.)
Generatiivisen tekoälyn nähdään tehostavan juuri tietotyön käsityönä tehtäviä ja usein aikaa vieviä prosesseja. Kvalitatiivisen tutkimuksen tehostamisessa generatiivisen tekoälyn käyttöpotentiaalia demonstroidaan nykyisellään varsinkin laadullisen datan analysoimisessa, mutta uusimmat sovellukset hyödyntävät sitä myös online-ympäristössä tapahtuvan kenttätyön moderoinnissa.
Tekoäly tehostamaan kvalitatiivista analyysia
Kvalitatiivinen analyysi nojaa rikkaaseen kuvaukseen ja syvälliseen ymmärrykseen tutkimusaiheesta. Kvalitatiivinen aineisto on lähes aina strukturoimatonta ja useimmiten laajaa ja tekstipohjaista, joten sen luokittelu sekä merkitysten identifioiminen vaatii huomattavaa työpanostusta. Tekoäly voi olla hyvinkin hyödyllinen työkalu laadullisen aineiston luokittelussa tai ”koodaamisessa”. Kielimallille, kuten ChatGPT:lle, voi syöttää tekstimassoja, kuten siistittyjä transkripteja, ja pyytää sitä tunnistamaan tekstistä pääteemoja sekä kuvailemaan näitä teemoja tarkemmin. Tekoälyn on todettu onnistuvan tässä tehtävässä jo vähintään kohtalaisen hyvin (esim täällä: https://journals.sagepub.com/doi/10.1177/16094069231211248) verrattuna manuaalisesti ja perinteisin menetelmin tehtyyn koodaukseen.
Tekoäly apuna kenttätyössä
”Tekoäly moderaattorina” on uusi kiinnostava ChatGPT:hen perustuva tekoälysovellus, jota ystävämme Bilendillä esittelivät järjestämässään ”New era of qualitative research with AI-powered features”-webinaarissa. Bilendi Discuss on meidänkin käyttämä sosiaalisten viestintäsovellusten kautta toimiva tutkimusalusta, johon Bilendi on vastikään integroinut tekoälyassarin BARIn (Bilendi Artificial Research Intelligence). BARI paitsi kykenee tuottamaan alustalla käytävän viestimuotoisen keskustelun pohjalta jatkuvaa analyysia ja yhteenvetoja – se myös toimii keskustelun moderoijana. BARI nimittäin osaa pyytää keskusteluun osallistujia täydentämään epätäydellisiä vastauksiaan tai syventämään vastauksessaan jotain tiettyä aspektia. BARIn oleellinen ominaisuus on, että se kykenee kommunikoinnissaan empaattiseen kielenkäyttöön. BARI:n tehtävä on kuulostaa kvalitutkijalta, joka keskustelee informanttiensa kanssa ja pyytää heitä reflektoimaan kokemuksiaan ja näkemyksiään.
Tekoälystä puhutaan myös sparraajana, ideoijana ja ajatusblokkien tai jopa tutkijan vääristävien ennakko-oletusten (biases) poistajana. Tekoälyltä voi pyytää vaikkapa kehitysehdotuksia suositusten jalostamiseen tutkimusraportissa. Jo lähitulevaisuudessa tekoälyn avulla voidaan varmasti myös tehostaa tutkimuksen suunnittelua – määritellä tutkimusteemoja ja avainkysymyksiä menettämättä tutkimuslaatua.
Tekoäly on väsymätön mutta erehtyväinen apuri
Emme tietenkään voi liputtaa tekoälyä puhumatta sen fundamentaalisista heikkouksista ja haasteista. AI on kuitenkin ensikädessä työkalu, kuten asiantuntijat muistuttavat, eikä sen antamia vastauksia tule ottaa heti totuutena. Vaikka tekoäly näennäisen luovastikin prosessoi sille syötettyä tietoa, se ei kykene inhimilliseen ymmärrykseen tai hienovaraiseen tulkintaan. AI ei myöskään useimmiten kykene ymmärtämään kontekstisidonnaisuutta – mikä taas sisältyy vahvasti laadullisen tutkimuksen luonteeseen. Tutkimustulosten oikeellisuuden varmistaminen vaatii aina viimekädessä ihmisen kädenjäljen.
(Disclaimer: lisäksi meidän on toki huolehdittava vastuullisuudestamme asiakastamme kohtaan eli tekoälyn käytön edellytykset tulee olla tietoturva- sekä salassapitonäkökulmasta kunnossa)
(Kvalitatiivisessa) markkinatutkimuksessa tehokkuus- ja kustannuspaineet ovat ilmeiset. Siksikin on selvää, että tutkimustoimistot – sekä yritysasiakkaat – ovat kasvavan kiinnostuneita tekoälyn tuomista hyödyistä. Me Kuulaalla olemme tehneet tietoisen valinnan, että emme lähde polkemaan hintoja vaan kilpailemme vahvalla asiantuntijuudella ja pyrimme aina antamaan asiakkaalle enemmän, kuin mitä hän on pyytänyt. Mutta varmasti meidänkin asemiamme kilpailussa parantaisi, jos säästäisimme ajassa (ja täten kustannuksissa), jota korkealuokkainen mutta työintensiivinen kvali vaatii.
