Google Таблицы как инструмент качественного анализа в кабинетных исследованиях
Одной из сложностей при кабинетном исследовании, особенно когда речь идет о качественном анализе массивов текстов, является систематизация данных. У социологов есть специальные инструменты, например, Atlas.ti или NVivo, которые позволяют разметить текст по кодам (темам, упоминаниям и т.д.) и визуализировать связи между ними.
Однако, в моей исследовательской практике такие инструменты часто недоступны из-за ограниченного бюджета и санкций. Убедить руководство компании выделить деньги на подписку Atlas.ti бывает непросто.
Поэтому в своей рутинной исследовательской работе, будь то конкурентный анализ, анализ интервью или трендвотчинг, я использую самые банальные инструменты — Google Таблицы.
Google Таблицы: не только для количественного анализа
Google Таблицы чаще всего ассоциируются с количественным анализом. И действительно, они отлично подходят для работы со статистическими данными, рейтингами, динамикой показателей. Но я хочу рассказать о том, как я использую Google Таблицы для качественного анализа текстов.
Например: Сравнительный анализ компаний, предоставляющих услуги по переезду: Мне нужно было сравнить несколько компаний по насыщенности услуг, скорости реагирования, наличию уникальных преимуществ. В этом случае составление таблицы для сбора данных — нетривиальная задача. Но, как показывает мой опыт, этот шаг очень важен для осмысления процесса поиска данных.
Как проектировать таблицу для сбора данных для качественного анализа:
1. Отталкивайтесь от технического задания и темы исследования:
- Какие вопросы вы хотите исследовать?
- Какие данные вам нужны, чтобы ответить на эти вопросы?
2. Найдите баланс между полнотой и компактностью:
- Таблица должна содержать все необходимые данные.
- Но она не должна быть слишком громоздкой, иначе с ней будет неудобно работать.
- Если делаете несколько таблиц, подумайте, как они будут связаны (ключи, ВПР)
3. Учитывайте свойства объекта исследования:
- Начните с предварительного сбора данных, чтобы понять, какие свойства объекта важны для вашего исследования.
- Откорректируйте дизайн таблицы, чтобы она учитывала эти свойства.
Пример: Сравнительный анализ компаний, производящих оборудование для спутниковой связи. Изначально я планировала собирать только название компании, индустрию и тип оборудования. Но предварительный анализ данных показал, что важно также учитывать географию реализованных проектов, год реализации и задачи, которые были решены для клиента.
⭐️ Используйте аналитические фреймворки. Если вы используете аналитический фреймворк (например, Trend Canvas для анализа трендов), он может помочь вам определить ключевые данные, которые вам нужно собрать.
Одной из сложностей при кабинетном исследовании, особенно когда речь идет о качественном анализе массивов текстов, является систематизация данных. У социологов есть специальные инструменты, например, Atlas.ti или NVivo, которые позволяют разметить текст по кодам (темам, упоминаниям и т.д.) и визуализировать связи между ними.
Однако, в моей исследовательской практике такие инструменты часто недоступны из-за ограниченного бюджета и санкций. Убедить руководство компании выделить деньги на подписку Atlas.ti бывает непросто.
Поэтому в своей рутинной исследовательской работе, будь то конкурентный анализ, анализ интервью или трендвотчинг, я использую самые банальные инструменты — Google Таблицы.
Google Таблицы: не только для количественного анализа
Google Таблицы чаще всего ассоциируются с количественным анализом. И действительно, они отлично подходят для работы со статистическими данными, рейтингами, динамикой показателей. Но я хочу рассказать о том, как я использую Google Таблицы для качественного анализа текстов.
Например: Сравнительный анализ компаний, предоставляющих услуги по переезду: Мне нужно было сравнить несколько компаний по насыщенности услуг, скорости реагирования, наличию уникальных преимуществ. В этом случае составление таблицы для сбора данных — нетривиальная задача. Но, как показывает мой опыт, этот шаг очень важен для осмысления процесса поиска данных.
Как проектировать таблицу для сбора данных для качественного анализа:
1. Отталкивайтесь от технического задания и темы исследования:
- Какие вопросы вы хотите исследовать?
- Какие данные вам нужны, чтобы ответить на эти вопросы?
2. Найдите баланс между полнотой и компактностью:
- Таблица должна содержать все необходимые данные.
- Но она не должна быть слишком громоздкой, иначе с ней будет неудобно работать.
- Если делаете несколько таблиц, подумайте, как они будут связаны (ключи, ВПР)
3. Учитывайте свойства объекта исследования:
- Начните с предварительного сбора данных, чтобы понять, какие свойства объекта важны для вашего исследования.
- Откорректируйте дизайн таблицы, чтобы она учитывала эти свойства.
Пример: Сравнительный анализ компаний, производящих оборудование для спутниковой связи. Изначально я планировала собирать только название компании, индустрию и тип оборудования. Но предварительный анализ данных показал, что важно также учитывать географию реализованных проектов, год реализации и задачи, которые были решены для клиента.
⭐️ Используйте аналитические фреймворки. Если вы используете аналитический фреймворк (например, Trend Canvas для анализа трендов), он может помочь вам определить ключевые данные, которые вам нужно собрать.
❤14✍1
👾 Друзья, я знаю, что многим из вас приходится сталкиваться с кабинетными исследованиями в учебе или работе.
Я регулярно получаю просьбы о помощи в поиске литературы, в выборе методов исследования и т.д., и всегда рада поделиться своим опытом. Даже если я не смогу вам помочь сама, то постараюсь посоветовать, к кому можно обратиться.
Если у вас возникли вопросы, связанные с поиском научной литературы, с промтами и ИИ для исследований, сложности в поиске статистики или еще какой-то информации в интернете — пишите мне в личку в Телеграме - я постараюсь помочь! @eak_ka
Я более 5 лет уже (сама в шоке) занимаюсь кабинетными исследованиями. По диплому библиограф, по второму — социолог. По жизни — аналитик в консалтинге.
Важно: Моя помощь бесплатна. Но если вы хотите поддержать мой канал, вы можете сделать это по ссылке ниже.
https://taplink.cc/ekaganova
Я регулярно получаю просьбы о помощи в поиске литературы, в выборе методов исследования и т.д., и всегда рада поделиться своим опытом. Даже если я не смогу вам помочь сама, то постараюсь посоветовать, к кому можно обратиться.
Если у вас возникли вопросы, связанные с поиском научной литературы, с промтами и ИИ для исследований, сложности в поиске статистики или еще какой-то информации в интернете — пишите мне в личку в Телеграме - я постараюсь помочь! @eak_ka
Я более 5 лет уже (сама в шоке) занимаюсь кабинетными исследованиями. По диплому библиограф, по второму — социолог. По жизни — аналитик в консалтинге.
Важно: Моя помощь бесплатна. Но если вы хотите поддержать мой канал, вы можете сделать это по ссылке ниже.
https://taplink.cc/ekaganova
Taplink
Ekaganova at Taplink
❤27👍5✍2
Возвращаясь к теме про таблицы. Может, я уже деформирована табличками головного мозга, но со мной это, действительно, работает. Уже не только как рабочий инструмент, но и как способ мышления.
И делаюсь промтом для проектирования таблиц:
📎
На основании темы моего исследования предложи дизайн не менее 7 таблиц для сбора данных по теме моего исследования.
# Контекст
* Тема исследования: конкурентный анализ банков, которые оказывают услуги для малого и среднего предпринимательства, изучение рынка услуг для МСП, анализ практик ДБО
* Ключевые переменные: услуги, условия (для каждой услуги), содержание услуг, перечень услуг, перечень банков, услуги в области онлайн-бухгалтерии и сдачи отчетов, наличие приложения, особенности ДБО
* Тип данных: текстовый, булевые операторы, числовые
* Дополнительные требования: таблицы должны подходить для дальнейшего анализа (группировка, построение карты услуг и банков)
* Тип таблиц: плоские
# Пример
Тема исследования: Исследование эффективности разных методов обучения английскому языку.
Проект таблицы:
| Метод обучения | Количество студентов | Средний балл по итогам теста | Время обучения (в неделях) | Стоимость обучения | Дополнительная информация |
|---|---|---|---|---|---|
| Онлайн-курсы | 50 | 7.5 | 12 | $1000 | |
| Индивидуальные занятия | 20 | 8.2 | 10 | $1500 | |
| Групповые занятия | 30 | 7.8 | 12 | $750 | |
# Задача
Сгенерируй дизайн таблиц, который будет:
* Логичным и структурированным
* Оптимизированным для темы исследования
И делаюсь промтом для проектирования таблиц:
📎
На основании темы моего исследования предложи дизайн не менее 7 таблиц для сбора данных по теме моего исследования.
# Контекст
* Тема исследования: конкурентный анализ банков, которые оказывают услуги для малого и среднего предпринимательства, изучение рынка услуг для МСП, анализ практик ДБО
* Ключевые переменные: услуги, условия (для каждой услуги), содержание услуг, перечень услуг, перечень банков, услуги в области онлайн-бухгалтерии и сдачи отчетов, наличие приложения, особенности ДБО
* Тип данных: текстовый, булевые операторы, числовые
* Дополнительные требования: таблицы должны подходить для дальнейшего анализа (группировка, построение карты услуг и банков)
* Тип таблиц: плоские
# Пример
Тема исследования: Исследование эффективности разных методов обучения английскому языку.
Проект таблицы:
| Метод обучения | Количество студентов | Средний балл по итогам теста | Время обучения (в неделях) | Стоимость обучения | Дополнительная информация |
|---|---|---|---|---|---|
| Онлайн-курсы | 50 | 7.5 | 12 | $1000 | |
| Индивидуальные занятия | 20 | 8.2 | 10 | $1500 | |
| Групповые занятия | 30 | 7.8 | 12 | $750 | |
# Задача
Сгенерируй дизайн таблиц, который будет:
* Логичным и структурированным
* Оптимизированным для темы исследования
Google Docs
советы по промтам для социологов
Промты для социологов (аналитиков, рисерчеров) Автор: Елена Каганова, какая-то библиотека ytb: https://www.youtube.com/@selfmadeLibrary/videos inst: https://instagram.com/bestoloch.innovation?igshid=MzMyNGUyNmU2YQ== поддержать выпуск методички: https:/…
👍7❤2
Chain-of-Thought (CoT): пошаговое мышление для LLM
Chain-of-Thought (CoT) - это техника промтинга, которая побуждает большую языковую модель (LLM) продемонстрировать свой мыслительный процесс перед тем, как дать окончательный ответ. Это значительно улучшает производительность LLM в задачах, требующих логического мышления, таких как математика, решение задач и рассуждения.
Как работает CoT:
Демонстрация: В промт включаются примеры, демонстрирующие, как решать задачи пошагово. Каждый пример состоит из вопроса, цепочки рассуждений и правильного ответа.
Индукция: В промт добавляется фраза, побуждающая модель к пошаговому мышлению, например: "Давайте подумаем шаг за шагом" или "Реши эту задачу пошагово".
Генерация: LLM, следуя примеру и инструкции, генерирует цепочку рассуждений, прежде чем дать окончательный ответ.
Преимущества CoT:
Повышение точности: CoT помогает LLM лучше понять задачу и сформулировать более точный ответ.
🔘 Прозрачность: Цепочка рассуждений делает процесс принятия решения LLM более прозрачным и понятным для человека.
Отладка: CoT облегчает выявление ошибок в рассуждениях LLM и их исправление.
Разновидности CoT:
Zero-Shot CoT: Используется без демонстрационных примеров, только с фразой-индуктором.
Few-Shot CoT: Включает несколько демонстрационных примеров с цепочками рассуждений.
Более сложные техники: Существуют различные модификации CoT, такие как Contrastive CoT (с примерами неправильных рассуждений), Uncertainty-Routed CoT (с выбором ответа на основе согласованности нескольких цепочек) и Complexity-based CoT (с выбором сложных примеров для аннотации).
✨ CoT помогает LLM лучше понимать сложные тексты и извлекать из них информацию.
Chain-of-Thought (CoT) - это техника промтинга, которая побуждает большую языковую модель (LLM) продемонстрировать свой мыслительный процесс перед тем, как дать окончательный ответ. Это значительно улучшает производительность LLM в задачах, требующих логического мышления, таких как математика, решение задач и рассуждения.
Как работает CoT:
Демонстрация: В промт включаются примеры, демонстрирующие, как решать задачи пошагово. Каждый пример состоит из вопроса, цепочки рассуждений и правильного ответа.
Индукция: В промт добавляется фраза, побуждающая модель к пошаговому мышлению, например: "Давайте подумаем шаг за шагом" или "Реши эту задачу пошагово".
Генерация: LLM, следуя примеру и инструкции, генерирует цепочку рассуждений, прежде чем дать окончательный ответ.
Преимущества CoT:
Повышение точности: CoT помогает LLM лучше понять задачу и сформулировать более точный ответ.
Отладка: CoT облегчает выявление ошибок в рассуждениях LLM и их исправление.
Разновидности CoT:
Zero-Shot CoT: Используется без демонстрационных примеров, только с фразой-индуктором.
Few-Shot CoT: Включает несколько демонстрационных примеров с цепочками рассуждений.
Более сложные техники: Существуют различные модификации CoT, такие как Contrastive CoT (с примерами неправильных рассуждений), Uncertainty-Routed CoT (с выбором ответа на основе согласованности нескольких цепочек) и Complexity-based CoT (с выбором сложных примеров для аннотации).
✨ CoT помогает LLM лучше понимать сложные тексты и извлекать из них информацию.
Schulhoff, Sander, Michael Ilie, Nishant Balepur, Konstantine Kahadze, Amanda Liu, Chenglei Si, Yinheng Li, и др. 2024. «The Prompt Report: A Systematic Survey of Prompting Techniques». doi:10.48550/arXiv.2406.06608.
Please open Telegram to view this post
VIEW IN TELEGRAM
✍6❤2
Decomposition: Разделяй и властвуй с LLM
Decomposition - это техника промтинга, которая фокусируется на разбиении сложных задач на более простые подзадачи. Этот подход, эффективный как для людей, так и для больших языковых моделей (LLM), позволяет LLM решать задачи, которые в противном случае были бы слишком сложными для обработки.
Как работает Decomposition:
1. Разбиение: LLM получает инструкцию разбить задачу на подзадачи. Это может быть сделано с помощью промпта, содержащего инструкции, примеры или специальные маркеры.
2. Решение подзадач: LLM решает каждую подзадачу по отдельности, используя подходящие техники промтинга, такие как Chain-of-Thought (CoT) или Retrieval Augmented Generation (RAG).
3. Объединение результатов: LLM объединяет результаты решения подзадач в окончательный ответ.
🔘 На себе проверила, что это значительно повышает качество при обработке текстовых данных.
Примеры Decomposition в работе с текстом
Анализ тональности отзывов:
Задача: Определить тональность отзывов о новом продукте.
Разбиение:
Подзадача 1: Разбить отзывы на отдельные предложения.
Подзадача 2: Составить правила для определения тональности отзывов.
Подзадача 3: Определить тональность каждого предложения (положительная, отрицательная, нейтральная) на основе правил из подзадачи 2.
Подзадача 4 Объединить результаты анализа отдельных предложений для определения общей тональности отзыва.
Реферирование текста:
Задача: Создать краткое изложение длинной статьи.
Разбиение:
Подзадача 1: Разделить статью на смысловые абзацы.
Подзадача 2: Определить ключевые предложения в каждом абзаце.
Подзадача 3: Сгенерировать реферат, объединяя ключевые предложения и добавляя связующие фразы.
Классификация документов:
Задача: Классифицировать новостные статьи по темам.
Разбиение:
Подзадача 1: Извлечь ключевые слова из статьи.
Подзадача 2: Определить тематические категории на основе ключевых слов.
Подзадача 3: Присвоить статье наиболее подходящую тематическую категорию.
Decomposition - это техника промтинга, которая фокусируется на разбиении сложных задач на более простые подзадачи. Этот подход, эффективный как для людей, так и для больших языковых моделей (LLM), позволяет LLM решать задачи, которые в противном случае были бы слишком сложными для обработки.
Как работает Decomposition:
1. Разбиение: LLM получает инструкцию разбить задачу на подзадачи. Это может быть сделано с помощью промпта, содержащего инструкции, примеры или специальные маркеры.
2. Решение подзадач: LLM решает каждую подзадачу по отдельности, используя подходящие техники промтинга, такие как Chain-of-Thought (CoT) или Retrieval Augmented Generation (RAG).
3. Объединение результатов: LLM объединяет результаты решения подзадач в окончательный ответ.
Примеры Decomposition в работе с текстом
Анализ тональности отзывов:
Задача: Определить тональность отзывов о новом продукте.
Разбиение:
Подзадача 1: Разбить отзывы на отдельные предложения.
Подзадача 2: Составить правила для определения тональности отзывов.
Подзадача 3: Определить тональность каждого предложения (положительная, отрицательная, нейтральная) на основе правил из подзадачи 2.
Подзадача 4 Объединить результаты анализа отдельных предложений для определения общей тональности отзыва.
Реферирование текста:
Задача: Создать краткое изложение длинной статьи.
Разбиение:
Подзадача 1: Разделить статью на смысловые абзацы.
Подзадача 2: Определить ключевые предложения в каждом абзаце.
Подзадача 3: Сгенерировать реферат, объединяя ключевые предложения и добавляя связующие фразы.
Классификация документов:
Задача: Классифицировать новостные статьи по темам.
Разбиение:
Подзадача 1: Извлечь ключевые слова из статьи.
Подзадача 2: Определить тематические категории на основе ключевых слов.
Подзадача 3: Присвоить статье наиболее подходящую тематическую категорию.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤7✍5🤔2
Если вам нравится и полезно то, что я тут делаю, вы можете поддержать канал: https://taplink.cc/ekaganova
Я буду очень благодарна 👾💜
Я буду очень благодарна 👾
Please open Telegram to view this post
VIEW IN TELEGRAM
Taplink
Ekaganova at Taplink
❤6
О, неожиданно посто про меня и команду моих коллег из Dsight.
Рекомендую Михаила как эксперта и тьютора по промтам 🤓
Рекомендую Михаила как эксперта и тьютора по промтам 🤓
❤3
Forwarded from ИИ для бизнеса / Михаил Ларькин
Промт инжиниринг - в работе сотрудников
Есть такая компания Dsight - занимается заказными исследованиями для банков и крупного бизнеса.
Если без подробностей, то компания приходит к ребятам и спрашивает:
- "Хотим запустить такой проект вот там у нас пойдет?"
- "Какой стартап купить в этой сфере?"
- "Что будет прибыльно через 5-10 лет? в какую сферу инвестировать?"
И исследователи из этой команды руками ищут документы, анализируют их, выявляют тренды по определенным методологиям, проводят кастдевы, и мониторят и переваривают много информации с помощью своей головы.
После того как пришел ИИ, абсолютно здравое решение пойти в ИИ, чтобы автоматизировать эту работу.
Руководство команды обратилось ко мне, за решением этой задачи, мы провели обучение в формате разбора точечных задач сотрудников, когда аналитик-исследователь рассказывал мне как он решает задачу сейчас и далее мы с ним совместно работали над тем, чтобы решить эту задачу с помощью ИИ, на том же уровне качества как и сам исследователь.
В итоге после работы, мне присылают промты и результаты работы... смотрю и радуюсь)
Задача с трендвотчингом - нужно проанализировав десятки исследований, сформулировать вывод по определенной структуре, о том какие тренды сейчас естьв заданной теме.
Эта задача:
- ранее занимала 25 часов или 1 неделя работы
- теперь занимает 8 часов или 2 дня работы!
Реальное сокращение времени, в сложной когнитивной теме в 3 раза.
За счет глубокой проработки задачи, получилось 11 листов А4 промта, правильная структура, разметка, разные подходы промтинжиниринга и прочие нюансы.
Может показаться, что треть аналитиков-исследователей в этой компании уволят, потому что один может работать за троих, но реально никто никого не увольняет, так как повышается пропускная способность каждого сотрудника этой позиции и компания за счет увеличения мощностей производства, без увеличения штата, начинает зарабатывать больше, просто потому что может за то же время, с теми же ресурсами произвести больше пользы.
Все и так понимают что ИИ экономит время в выполнении рутинных задач, но не все могут этого добиться на реальных, ежедневных задачах и внедрить это в операционный процесс бизнеса, так как не хватает навыков или понимания, и в интернете все делают посты для соц сетей и то посредственно, а реальные задачи не разбираются, за счет чего делают пару подходов на своих задачах - не получается и забивают на ИИ, со словами, ну мы попробовали, у нас не работает, нет времени разбираться и тд и тп.
Вот вам пример, когда получилось, да не быстро, да надо было неделю учиться и эксперементировать, практиковаться ошибаться под моим присмотром и выделять на это время, но после этого в компании остается:
1 - Сотрудник(и) способные ускорять другие задачи в несколько раз, практически штатные промтинжинеры.
2 - Задача которая выполняется на том же уровне качества, но в несколько раз быстрее.
По такой же аналогии можно проработать любую задачу, в которой есть работа со смыслом, с текстом, с информацией.
Главное этим заниматься и выделять время. Так что, занимайтесь)
Есть такая компания Dsight - занимается заказными исследованиями для банков и крупного бизнеса.
Если без подробностей, то компания приходит к ребятам и спрашивает:
- "Хотим запустить такой проект вот там у нас пойдет?"
- "Какой стартап купить в этой сфере?"
- "Что будет прибыльно через 5-10 лет? в какую сферу инвестировать?"
И исследователи из этой команды руками ищут документы, анализируют их, выявляют тренды по определенным методологиям, проводят кастдевы, и мониторят и переваривают много информации с помощью своей головы.
После того как пришел ИИ, абсолютно здравое решение пойти в ИИ, чтобы автоматизировать эту работу.
Руководство команды обратилось ко мне, за решением этой задачи, мы провели обучение в формате разбора точечных задач сотрудников, когда аналитик-исследователь рассказывал мне как он решает задачу сейчас и далее мы с ним совместно работали над тем, чтобы решить эту задачу с помощью ИИ, на том же уровне качества как и сам исследователь.
В итоге после работы, мне присылают промты и результаты работы... смотрю и радуюсь)
Задача с трендвотчингом - нужно проанализировав десятки исследований, сформулировать вывод по определенной структуре, о том какие тренды сейчас естьв заданной теме.
Эта задача:
- ранее занимала 25 часов или 1 неделя работы
- теперь занимает 8 часов или 2 дня работы!
Реальное сокращение времени, в сложной когнитивной теме в 3 раза.
За счет глубокой проработки задачи, получилось 11 листов А4 промта, правильная структура, разметка, разные подходы промтинжиниринга и прочие нюансы.
Может показаться, что треть аналитиков-исследователей в этой компании уволят, потому что один может работать за троих, но реально никто никого не увольняет, так как повышается пропускная способность каждого сотрудника этой позиции и компания за счет увеличения мощностей производства, без увеличения штата, начинает зарабатывать больше, просто потому что может за то же время, с теми же ресурсами произвести больше пользы.
Все и так понимают что ИИ экономит время в выполнении рутинных задач, но не все могут этого добиться на реальных, ежедневных задачах и внедрить это в операционный процесс бизнеса, так как не хватает навыков или понимания, и в интернете все делают посты для соц сетей и то посредственно, а реальные задачи не разбираются, за счет чего делают пару подходов на своих задачах - не получается и забивают на ИИ, со словами, ну мы попробовали, у нас не работает, нет времени разбираться и тд и тп.
Вот вам пример, когда получилось, да не быстро, да надо было неделю учиться и эксперементировать, практиковаться ошибаться под моим присмотром и выделять на это время, но после этого в компании остается:
1 - Сотрудник(и) способные ускорять другие задачи в несколько раз, практически штатные промтинжинеры.
2 - Задача которая выполняется на том же уровне качества, но в несколько раз быстрее.
По такой же аналогии можно проработать любую задачу, в которой есть работа со смыслом, с текстом, с информацией.
Главное этим заниматься и выделять время. Так что, занимайтесь)
👍6❤3👾1
Кабинетные исследования — методика анализа данных из отчетов, статей, баз данных и других источников. Они позволяют получать ответы на вопросы без полевых исследований и экспериментов.
Как часто вы проводите кабинетные исследования с любыми целями?
Как часто вы проводите кабинетные исследования с любыми целями?
Anonymous Poll
43%
Регулярно (несколько раз в месяц)
28%
Периодически (несколько раз в год)
21%
Редко (1-2 раза в год)
9%
Никогда
❤2👍1
Проведение тематического анализа с помощью ChatGPT
Пересказ видеоуроков. Ссылки на оригинал в конце.
Этап 1. Начальное кодирование (Open Coding)
Подготовка данных: Подготовьте текстовые данные для анализа. Это могут быть транскрипты интервью, посты из соцсетей, статьи и т.д.
Инструктирование ChatGPT: Введите в ChatGPT промпт, который четко определяет его роль как исследователя и задачу - провести качественное кодирование (Open Coding).
Загрузка текста: Вставьте текст для анализа в ChatGPT.
Генерация кодов: ChatGPT сгенерирует список начальных кодов и соответствующих им цитат из текста.
Уточнение кодов: Если вы не удовлетворены результатами, попросите ChatGPT сгенерировать больше кодов или сделать их более подробными и описательными.
Копирование кодов: Скопируйте сгенерированные коды и соответствующие цитаты в отдельный документ, используя цветовую маркировку для каждого источника данных (например, разные цвета для разных интервью).
Этап 2. Фокусное кодирование (Focused Coding)
Анализ и организация кодов: Проанализируйте сгенерированные коды и начните группировать их по смыслу, формируя предварительные тематические категории.
Дополнительное кодирование: Внимательно просмотрите цитаты, связанные с каждым кодом. Добавьте новые коды, если ChatGPT что-то упустил.
Проверка точности: Убедитесь, что каждый код находится в правильной тематической группе. Используйте функцию поиска по документу, чтобы найти соответствующие цитаты и проверить контекст.
Уточнение категорий: Измените названия категорий, чтобы они точно отражали смысл сгруппированных кодов.
Объединение кодов: Объедините коды с похожим смыслом в более общие коды. Сохраняйте информацию о первоначальных формулировках кодов, чтобы можно было легко найти соответствующие цитаты.
Этап 3. Формирование тем
Связь с исследовательскими вопросами: Проанализируйте сгруппированные коды с учетом ваших исследовательских вопросов.
Формулировка тем: На основе сгруппированных кодов сформулируйте основные темы, которые проходят через данные и помогают ответить на ваши исследовательские вопросы.
Описание тем: Подробно опишите каждую тему, используя цитаты из текста в качестве иллюстраций.
👾 Используйте ChatGPT как инструмент поддержки, который помогает ускорить процесс кодирования и генерации идей
Пересказ видеоуроков. Ссылки на оригинал в конце.
Этап 1. Начальное кодирование (Open Coding)
Подготовка данных: Подготовьте текстовые данные для анализа. Это могут быть транскрипты интервью, посты из соцсетей, статьи и т.д.
Инструктирование ChatGPT: Введите в ChatGPT промпт, который четко определяет его роль как исследователя и задачу - провести качественное кодирование (Open Coding).
Ты - исследователь. Я сейчас загружу транскрипт интервью, а ты проведешь качественное кодирование, а именно - начальное кодирование (Open Coding). Текст - это транскрипт интервью. Не кодируй вопросы, заданные интервьюером. Мне нужны подробные и описательные коды. Применяй коды к предложениям или частям предложений. Когда составишь список кодов, укажи, к каким предложениям или частям предложений применялись эти коды. Другими словами, когда я попрошу тебя привести примеры цитат для созданных тобой кодов, я хочу, чтобы ты смог это сделать.
Загрузка текста: Вставьте текст для анализа в ChatGPT.
Генерация кодов: ChatGPT сгенерирует список начальных кодов и соответствующих им цитат из текста.
Уточнение кодов: Если вы не удовлетворены результатами, попросите ChatGPT сгенерировать больше кодов или сделать их более подробными и описательными.
Пожалуйста, сгенерируй более подробные коды. Я также хочу, чтобы коды были более описательными. Пожалуйста, отдельно перечисли цитаты, которые показывают все предложения или части предложений, закодированные каждым кодом.
Копирование кодов: Скопируйте сгенерированные коды и соответствующие цитаты в отдельный документ, используя цветовую маркировку для каждого источника данных (например, разные цвета для разных интервью).
Этап 2. Фокусное кодирование (Focused Coding)
Анализ и организация кодов: Проанализируйте сгенерированные коды и начните группировать их по смыслу, формируя предварительные тематические категории.
Дополнительное кодирование: Внимательно просмотрите цитаты, связанные с каждым кодом. Добавьте новые коды, если ChatGPT что-то упустил.
Проверка точности: Убедитесь, что каждый код находится в правильной тематической группе. Используйте функцию поиска по документу, чтобы найти соответствующие цитаты и проверить контекст.
Уточнение категорий: Измените названия категорий, чтобы они точно отражали смысл сгруппированных кодов.
Предложи более точное название для категории "[Название категории]", учитывая следующие коды: [Список кодов].
Объединение кодов: Объедините коды с похожим смыслом в более общие коды. Сохраняйте информацию о первоначальных формулировках кодов, чтобы можно было легко найти соответствующие цитаты.
Этап 3. Формирование тем
Связь с исследовательскими вопросами: Проанализируйте сгруппированные коды с учетом ваших исследовательских вопросов.
Как сгруппированные коды, относящиеся к категории "[Название категории]", связаны с моим исследовательским вопросом: "[Исследовательский вопрос]"?
Формулировка тем: На основе сгруппированных кодов сформулируйте основные темы, которые проходят через данные и помогают ответить на ваши исследовательские вопросы.
Описание тем: Подробно опишите каждую тему, используя цитаты из текста в качестве иллюстраций.
Напиши краткое описание темы "[Название темы]", основываясь на следующих кодах и цитатах: [Список кодов и цитат].
👾 Используйте ChatGPT как инструмент поддержки, который помогает ускорить процесс кодирования и генерации идей
Часть 1 https://www.youtube.com/watch?v=8dTs7D42ge0
Часть 2 https://www.youtube.com/watch?v=ugvrdmbPkZc
❤14👍4
Какие темы кабинетных исследований вы используете в своей работе/учебе?
Anonymous Poll
31%
Анализ рынка (социально-экономический статус, тренды)
41%
Анализ конкурентов (лучшие практики, кейсы, разработки, положение на рынке)
73%
Поиск и сбор информации для обзора-реферата, чтобы получить общее представление о теме
29%
Анализ аудитории (спрос, поведение потребителей, тренды)
34%
Для проработки методологии полевого исследования
2%
Другое (напишу)
Весной я побывала на конференции "Векторы" в Шанинке, где меня особенно зацепила панель, посвященная искусственному интеллекту. Полина Колозариди из DH в ИТМО высказала тезис, который заставил меня задуматься: говоря об этике ИИ, мы должны говорить и о политике, то есть о распределении власти между искусственным интеллектом и пользователем, а также о методе.
Боюсь случайно и не со зла переврать тезисы госпожи Колозариди, поэтому остановлюсь на упоминании ее доклада как импульса для собственных размышлений.
Я считаю, что использование ИИ не является по определению плагиатом. С помощью ИИ можно делать вещи без плагиата, но также и делать кое-что ещё – ошибаться, выдавать недостоверную информацию и приходить к неверным выводам.
Я не хочу душнить про то, что там этично, а что нет. Поставлю вопрос так: что я могу сделать, чтобы мой результат работы в ИИ был уникальным, достоверным и заслуживающим доверия?
Этот вопрос возникает, когда мы используем ИИ не только для формальной обработки текста, но и для получения выводов и преобразования информации.
Например:
Мы загружаем в ИИ тексты СМИ о людях с расстройствами пищевого поведения и просим его выделить ключевые образы, которыми они описываются.
Мы загружаем в ИИ таблицу с данными и просим его провести анализ методом главных компонент.
В таких случаях возникает вопрос: понимаем ли мы, что делает ИИ, когда мы его об этом просим? Можем ли мы повторить его действия и получить тот же результат?
Для себя я выработала (пока только) три принципа, которые позволяют мне повысить уровень доверия к результатам, полученным с помощью ИИ:
1. Уменьшение температуры запроса и многократная проверка.
При работе с текстовыми данными я уменьшаю температуру запроса в Google AI Studio, чтобы ИИ меньше "галлюцинировал" и придумывал то, чего нет в данных. Также я прогоняю один и тот же запрос несколько раз, чтобы убедиться в воспроизводимости результатов.
2. Использование ИИ для работы с количественными данными и апробированными методиками.
Когда мне нужны результаты для отчетов или диплома, я использую ИИ для количественного анализа, применяя уже существующие и апробированные методики, например, метод главных компонент или статистические тесты.
3. Использование методики Chain-of-Thought (CoT).
Эта техника промтинга побуждает ИИ продемонстрировать свой мыслительный процесс перед тем, как дать окончательный ответ. Это помогает мне лучше понимать, как ИИ пришел к тому или иному выводу.
👾 Как вы проверяете результаты ИИ на валидность и воспроизводимость? Насколько вы им доверяете?
Боюсь случайно и не со зла переврать тезисы госпожи Колозариди, поэтому остановлюсь на упоминании ее доклада как импульса для собственных размышлений.
Я считаю, что использование ИИ не является по определению плагиатом. С помощью ИИ можно делать вещи без плагиата, но также и делать кое-что ещё – ошибаться, выдавать недостоверную информацию и приходить к неверным выводам.
Я не хочу душнить про то, что там этично, а что нет. Поставлю вопрос так: что я могу сделать, чтобы мой результат работы в ИИ был уникальным, достоверным и заслуживающим доверия?
Этот вопрос возникает, когда мы используем ИИ не только для формальной обработки текста, но и для получения выводов и преобразования информации.
Например:
Мы загружаем в ИИ тексты СМИ о людях с расстройствами пищевого поведения и просим его выделить ключевые образы, которыми они описываются.
Мы загружаем в ИИ таблицу с данными и просим его провести анализ методом главных компонент.
В таких случаях возникает вопрос: понимаем ли мы, что делает ИИ, когда мы его об этом просим? Можем ли мы повторить его действия и получить тот же результат?
Для себя я выработала (пока только) три принципа, которые позволяют мне повысить уровень доверия к результатам, полученным с помощью ИИ:
1. Уменьшение температуры запроса и многократная проверка.
При работе с текстовыми данными я уменьшаю температуру запроса в Google AI Studio, чтобы ИИ меньше "галлюцинировал" и придумывал то, чего нет в данных. Также я прогоняю один и тот же запрос несколько раз, чтобы убедиться в воспроизводимости результатов.
2. Использование ИИ для работы с количественными данными и апробированными методиками.
Когда мне нужны результаты для отчетов или диплома, я использую ИИ для количественного анализа, применяя уже существующие и апробированные методики, например, метод главных компонент или статистические тесты.
3. Использование методики Chain-of-Thought (CoT).
Эта техника промтинга побуждает ИИ продемонстрировать свой мыслительный процесс перед тем, как дать окончательный ответ. Это помогает мне лучше понимать, как ИИ пришел к тому или иному выводу.
👾 Как вы проверяете результаты ИИ на валидность и воспроизводимость? Насколько вы им доверяете?
❤18👍3👾1
Какой уровень сложности информации о кабинетных исследованиях вам подходит?
Anonymous Poll
31%
Для начинающих: базовые понятия, простые методы
44%
Для среднего уровня: более сложные методы, практические советы
25%
Для экспертов: глубокий анализ, новейшие методики
👾3
Насмотренность данными
На протяжении многих лет я занимаюсь аналитикой и исследованиями, постоянно нахожу и изучаю новые данные. В этом процессе я часто медитирую над различными источниками информации, включая как общеизвестные, так и совсем нишевые. Например, меня привлекают ботанические репозитории, содержащие десятки тысяч сканов гербариев и описаний цветов со всего мира. Конечно, я еще не посетила все информационные ресурсы в мире, и это вряд ли когда-либо станет возможным. Я, скорее всего, даже не охватила малую долю данных, касающихся моей основной темы — технологического развития экономики и экономики разных стран, включая экономику России. Хотя, Росстат, пожалуй, я использовала вдоль и поперек.
Тем не менее, я осознаю, что у меня развивается нечто, что можно назвать "насмотренностью данными". Проводя аналогию с дизайнерами, под этим термином я подразумеваю интуитивное, нерациональное понимание того, что те или иные данные могут существовать и где их можно найти.
Иногда я оказываюсь в довольно странных ситуациях. Например, на созвоне меня спрашивают, можем ли мы найти данные о том, в каких отраслях работают индивидуальные предприниматели в странах Юго-Восточной Азии. Я не могу сразу ответить ни да, ни нет, так как просто не знаю точного ответа. В такие моменты у меня в голове нет слов. Но как только я открываю Google и начинаю вводить запросы, что-то меняется. Я ищу аналитические центры, отчеты МВФ или Всемирного банка о поддержке малого и среднего предпринимательства в этих странах, и мои руки как будто печатают запросы быстрее, чем я успеваю об этом подумать.
С каждым разом я все быстрее осваиваю интерфейсы различных баз данных, которые бывают очень разные. Этот процесс превращается в своего рода навык. Мне очень нравится развивать эту насмотренность данными, даже если это не касается напрямую моей основной темы. Это позволяет мне лучше понимать, что можно найти и какие данные вообще бывают.
Итак, к чему все это? Просто я хотела поделиться с вами своими мыслями о насмотренности данными. Мне кажется, это интересное понятие. Насмотренность бывает не только у художников и дизайнеров. Иногда полезно проводить время в интернете, перескакивая между разными базами данных, просто чтобы понять, что можно найти и что существует в мире данных.
На протяжении многих лет я занимаюсь аналитикой и исследованиями, постоянно нахожу и изучаю новые данные. В этом процессе я часто медитирую над различными источниками информации, включая как общеизвестные, так и совсем нишевые. Например, меня привлекают ботанические репозитории, содержащие десятки тысяч сканов гербариев и описаний цветов со всего мира. Конечно, я еще не посетила все информационные ресурсы в мире, и это вряд ли когда-либо станет возможным. Я, скорее всего, даже не охватила малую долю данных, касающихся моей основной темы — технологического развития экономики и экономики разных стран, включая экономику России. Хотя, Росстат, пожалуй, я использовала вдоль и поперек.
Тем не менее, я осознаю, что у меня развивается нечто, что можно назвать "насмотренностью данными". Проводя аналогию с дизайнерами, под этим термином я подразумеваю интуитивное, нерациональное понимание того, что те или иные данные могут существовать и где их можно найти.
Иногда я оказываюсь в довольно странных ситуациях. Например, на созвоне меня спрашивают, можем ли мы найти данные о том, в каких отраслях работают индивидуальные предприниматели в странах Юго-Восточной Азии. Я не могу сразу ответить ни да, ни нет, так как просто не знаю точного ответа. В такие моменты у меня в голове нет слов. Но как только я открываю Google и начинаю вводить запросы, что-то меняется. Я ищу аналитические центры, отчеты МВФ или Всемирного банка о поддержке малого и среднего предпринимательства в этих странах, и мои руки как будто печатают запросы быстрее, чем я успеваю об этом подумать.
С каждым разом я все быстрее осваиваю интерфейсы различных баз данных, которые бывают очень разные. Этот процесс превращается в своего рода навык. Мне очень нравится развивать эту насмотренность данными, даже если это не касается напрямую моей основной темы. Это позволяет мне лучше понимать, что можно найти и какие данные вообще бывают.
Итак, к чему все это? Просто я хотела поделиться с вами своими мыслями о насмотренности данными. Мне кажется, это интересное понятие. Насмотренность бывает не только у художников и дизайнеров. Иногда полезно проводить время в интернете, перескакивая между разными базами данных, просто чтобы понять, что можно найти и что существует в мире данных.
❤46👍9🤔1
С какими трудностями вы сталкиваетесь при проведении кабинетных исследований? (Выберите несколько вариантов)
Anonymous Poll
48%
Не хватает знаний: где найти информацию
43%
Не хватает знаний: как выбрать метод исследования
56%
Не хватает навыков: как работать с инструментами, анализировать данные
34%
Не хватает времени: на поиск информации, проведение исследования
36%
Не хватает денег: на покупку платных инструментов, курсов
19%
Как оформить свои мысли в отчет/презентацию
45%
Структурирование и анализ собранной информации, поддержание собранной информации в порядке
0%
Другое (напишу)
👾2
Forwarded from Бюро «Поле» (Ivan Napreenko)
Коллеги, если вы пропустили пятничный вебинар Михаила Боде «ИИ для прикладных исследований», не расстраивайтесь!
Посмотреть запись можно по ссылке. Два с лишним часа опробованных на личном опыте приемов, как приручить алгоритмы для нужд рисерча.
Увидев огромный интерес (не всем хватило место на онлайн-трансляции) мы поняли, что надо проводить такие вебинары на регулярной основе: скоро будет новый анонс.
Посмотреть запись можно по ссылке. Два с лишним часа опробованных на личном опыте приемов, как приручить алгоритмы для нужд рисерча.
Увидев огромный интерес (не всем хватило место на онлайн-трансляции) мы поняли, что надо проводить такие вебинары на регулярной основе: скоро будет новый анонс.
YouTube
Искусственный интеллект для прикладных исследований — лекция Михаила Боде
Встреча прошла 2 августа 2024 исследовательское и медиабюро «Поле» провело бесплатный открытый вебинар «ИИ для исследований».
Ведущий — сооснователь и старший исследователь «Поля» Михаил Боде, который работал с AI в 2020–2022 гг. в R&D Ленинки, когда это…
Ведущий — сооснователь и старший исследователь «Поля» Михаил Боде, который работал с AI в 2020–2022 гг. в R&D Ленинки, когда это…
❤13👍6✍5
какая-то библиотека pinned «Люблю делать методички. Буду пополнять и расширять методичку "Советы по ИИ-промтам для социологов". Общая по промтам: https://docs.google.com/document/d/1beqDsX649w3UXG5B-XB3EA1DsfwFKz8hCv4vpDLCuIs/edit?usp=sharing Сборник промтов для социологов, рисерчеров:…»
Выбор исследовательского вопроса
Важно различать тему и вопрос исследования: тема - это широкая область, а вопрос - конкретная проблема в ее рамках.
Существует множество типов исследовательских вопросов: можно заполнять пробелы в литературе, решать важные для мира проблемы, опираться на имеющиеся навыки, выбирать то, что вызывает личный интерес, или искать "головоломки" - эмпирические феномены, противоречащие теориям.
Каждый тип имеет свои плюсы и минусы: "пробелы" гарантируют актуальность, но могут быть неинтересны; "проблемы" важны, но трудновыполнимы; опора на навыки позволяет быстрее получить результат, но несет риск выбрать то, что устареет. Страсть дает мотивацию, но может помешать объективности; "головоломки" позволяют получить значимые результаты, но требуют глубокого погружения в тему.
Правильный вопрос подобен рычагу. "Рычаг" - это именно та "мощность" вашего исследования, способность с его помощью получить максимально значимые результаты.
Представьте себе рычаг в прямом смысле слова: приложив небольшое усилие к длинному плечу, мы можем сдвинуть тяжелый груз. В исследовании "усилие" - это ваше время, ресурсы и интеллектуальный вклад, а "груз" - это важность полученных знаний.
Лучший рычаг означает, что вы сможете:
🔎"Сдвинуть большой груз": получить значимые результаты, которые повлияют на развитие науки и/или практики.
🔎 "Приложив меньше усилий": добиться этого с оптимальными затратами времени и ресурсов.
📝 Как же выбрать вопрос с высоким "рычагом"?
Охват: вопрос должен быть актуальным не только для узкой темы, но и для смежных областей знания.
Обобщаемость: ответ на ваш вопрос должен быть актуальным не только для конкретного случая, но и для других аналогичных ситуаций.
Масштабируемость: ваш вопрос может стать отправной точкой для дальнейших исследований, порождая новые вопросы и гипотезы.
Резонанс: ваш вопрос должен вызывать интерес и отклик не только у узкого круга специалистов, но и у более широкой аудитории.
Конечно, оценить "рычаг" вопроса заранее непросто. Однако анализ его потенциала с точки зрения охвата, обобщаемости, масштабируемости и резонанса поможет вам выбрать наиболее перспективное направление для вашего исследования.
Важно различать тему и вопрос исследования: тема - это широкая область, а вопрос - конкретная проблема в ее рамках.
Существует множество типов исследовательских вопросов: можно заполнять пробелы в литературе, решать важные для мира проблемы, опираться на имеющиеся навыки, выбирать то, что вызывает личный интерес, или искать "головоломки" - эмпирические феномены, противоречащие теориям.
Каждый тип имеет свои плюсы и минусы: "пробелы" гарантируют актуальность, но могут быть неинтересны; "проблемы" важны, но трудновыполнимы; опора на навыки позволяет быстрее получить результат, но несет риск выбрать то, что устареет. Страсть дает мотивацию, но может помешать объективности; "головоломки" позволяют получить значимые результаты, но требуют глубокого погружения в тему.
Правильный вопрос подобен рычагу. "Рычаг" - это именно та "мощность" вашего исследования, способность с его помощью получить максимально значимые результаты.
Представьте себе рычаг в прямом смысле слова: приложив небольшое усилие к длинному плечу, мы можем сдвинуть тяжелый груз. В исследовании "усилие" - это ваше время, ресурсы и интеллектуальный вклад, а "груз" - это важность полученных знаний.
Лучший рычаг означает, что вы сможете:
🔎"Сдвинуть большой груз": получить значимые результаты, которые повлияют на развитие науки и/или практики.
🔎 "Приложив меньше усилий": добиться этого с оптимальными затратами времени и ресурсов.
📝 Как же выбрать вопрос с высоким "рычагом"?
Охват: вопрос должен быть актуальным не только для узкой темы, но и для смежных областей знания.
Пример: исследование влияния социальных сетей не только на политические предпочтения, но и на поведение потребителей, распространение инноваций и т.д.
Обобщаемость: ответ на ваш вопрос должен быть актуальным не только для конкретного случая, но и для других аналогичных ситуаций.
Пример: изучение не просто одного конкретного политического кризиса, а факторов, способствующих возникновению кризисов в целом.
Масштабируемость: ваш вопрос может стать отправной точкой для дальнейших исследований, порождая новые вопросы и гипотезы.
Пример: исследование роли лидеров в миротворческих процессах может привести к новым вопросам о роли гендерных факторов, культурных особенностей и т.д.
Резонанс: ваш вопрос должен вызывать интерес и отклик не только у узкого круга специалистов, но и у более широкой аудитории.
Пример: исследование проблем миграции, изменения климата, социального неравенства и т.д.
Конечно, оценить "рычаг" вопроса заранее непросто. Однако анализ его потенциала с точки зрения охвата, обобщаемости, масштабируемости и резонанса поможет вам выбрать наиболее перспективное направление для вашего исследования.
Источник: Cyr, Jennifer, и Sara Wallace Goodman. 2024. Doing Good Qualitative Research. New York: Oxford University Press. 10.1093/oso/9780197633137.001.0001.
👍14❤8✍3🤔2
QCA: качественный сравнительный анализ
Методы анализа, когда нам нужно не просто выявить корреляцию, но и понять механизмы, лежащие в основе сложных социальных феноменов.
⭐️ QCA (Qualitative Comparative Analysis) – метод качественного сравнительного анализа, который помогает разгадывать сложные причинно-следственные связи и находить "рецепты" успеха в самых разных областях, от политики до бизнеса.
В чем суть QCA?
Представьте, что вы хотите понять, какие факторы приводят к успеху стартапов. Вместо того, чтобы изолированно изучать влияние каждого фактора (например, размер инвестиций, опыт команды, инновационность идеи), QCA рассматривает их в комплексе, как ингредиенты в рецепте. Метод позволяет выявить комбинации факторов, которые с наибольшей вероятностью приводят к желаемому результату.
Почему QCA – это больше, чем просто статистика?
Учет контекста: QCA признает, что один и тот же фактор может иметь разное значение в разных ситуациях. Например, агрессивная маркетинговая стратегия может быть успешной для одного типа продукта, но губительной для другого.
"Рецепты" успеха: QCA позволяет выявить не один, а несколько путей достижения цели. Это как кулинарная книга, где для одного блюда может быть несколько разных рецептов.
Работа с небольшими выборками: QCA идеально подходит для анализа кейсов, где данных не так много, например, при изучении успешных бизнес-стратегий или политических кампаний.
Где QCA может быть полезен?
Социальные науки: Анализ политических режимов, социальных движений, миграционных процессов.
Бизнес и менеджмент: Выявление факторов успеха компаний, разработка эффективных бизнес-стратегий, анализ поведения потребителей.
Маркетинг: Оптимизация маркетинговых кампаний, сегментация целевой аудитории, поиск новых рыночных ниш.
Методы анализа, когда нам нужно не просто выявить корреляцию, но и понять механизмы, лежащие в основе сложных социальных феноменов.
⭐️ QCA (Qualitative Comparative Analysis) – метод качественного сравнительного анализа, который помогает разгадывать сложные причинно-следственные связи и находить "рецепты" успеха в самых разных областях, от политики до бизнеса.
В чем суть QCA?
Представьте, что вы хотите понять, какие факторы приводят к успеху стартапов. Вместо того, чтобы изолированно изучать влияние каждого фактора (например, размер инвестиций, опыт команды, инновационность идеи), QCA рассматривает их в комплексе, как ингредиенты в рецепте. Метод позволяет выявить комбинации факторов, которые с наибольшей вероятностью приводят к желаемому результату.
Почему QCA – это больше, чем просто статистика?
Учет контекста: QCA признает, что один и тот же фактор может иметь разное значение в разных ситуациях. Например, агрессивная маркетинговая стратегия может быть успешной для одного типа продукта, но губительной для другого.
"Рецепты" успеха: QCA позволяет выявить не один, а несколько путей достижения цели. Это как кулинарная книга, где для одного блюда может быть несколько разных рецептов.
Работа с небольшими выборками: QCA идеально подходит для анализа кейсов, где данных не так много, например, при изучении успешных бизнес-стратегий или политических кампаний.
Где QCA может быть полезен?
Социальные науки: Анализ политических режимов, социальных движений, миграционных процессов.
Бизнес и менеджмент: Выявление факторов успеха компаний, разработка эффективных бизнес-стратегий, анализ поведения потребителей.
Маркетинг: Оптимизация маркетинговых кампаний, сегментация целевой аудитории, поиск новых рыночных ниш.
Учебники: Оба учебника (Риху и Рэджин, 2009; Шнайдер и Вагеманн, 2012) являются отличными и настоятельно рекомендуются всем, кто хочет работать с QCA.
Веб-сайт COMPASs (https://compasss.org/): Это центральный веб-сайт QCA, на котором собраны сотни публикаций о QCA, новости, наборы данных, ссылки на программные пакеты и другая полезная информация.
❤10👍3🤔1