Bruk av KI i kvalitativ forskning

1. oktober 2025

Den 15. oktober arrangerte New Scholars et webinar med Stine Grodal og Henri Schildt om bruk av KI i kvalitative studier.

Her er en veileder for beste praksis i KI-forsterket kvalitativ forskning, basert på Stine og Henris artikkel og webinaret deres.

1.0 Innledning: En ny grense for kvalitativ forskning

Nye verktøy for kunstig intelligens (KI) endrer grunnleggende landskapet for kunnskapsarbeid og skaper både betydelige muligheter og dyptgripende utfordringer for det kvalitative forskningsmiljøet. Slik profesjoner som juss og oversettelse allerede er blitt forandret, står vårt felt nå ved et kritisk veiskille. Risikoen for utbredt "avkvalifisering" og spredningen av overfladisk "KI-søppel" er reelle trusler. Likevel har de samme verktøyene potensial til å drive frem nye bølger av teoretisk innovasjon. Praksisene vi utvikler nå, vil trolig få en varig, stiavhengig innvirkning og forme både metodene våre og fremtiden til selve teknologien. Valgene denne generasjonen forskere tar, vil få dyptgripende konsekvenser.

For dagens forsker handler det sentrale valget om hvordan, og ikke om, de skal ta i bruk disse verktøyene. Denne beslutningen er et strategisk veiskille som leder inn på én av to ulike stier. Den første er automatisering, en fristende vei som lover fart og effektivitet, men som risikerer å gi overfladiske, deskriptive funn fordi forskerens kritiske tolkningsevner skyves til side. Den andre stien er forsterkning, en mer krevende, men langt mer givende tilnærming der KI fungerer som en kraftfull samarbeidspartner som styrker det menneskelige håndverket i kvalitativ analyse og åpner for dypere og mer nyskapende teori.

Denne veilederen gir et praktisk rammeverk for å ta i bruk en forsterkende tilnærming. Formålet er å gi forskere prinsippene og praksisene som trengs for å utnytte KI etisk og effektivt til å styrke, ikke erstatte, sin egen ekspertise. Ved å mestre disse metodene kan forskere beholde den intellektuelle kontrollen over analyseprosessen og sikre at teknologien tjener det endelige målet: stringent og innflytelsesrik teoriutvikling. Først må vi etablere det grunnleggende valget mellom automatisering og forsterkning.

2.0 Det grunnleggende valget: Automatisering versus forsterkning

Å forstå forskjellen mellom å automatisere og å forsterke forskningsoppgaver er det aller viktigste steget for enhver forsker som vurderer KI-verktøy. Dette grunnleggende valget bestemmer ikke bare kvaliteten og dybden i det analytiske resultatet, men også funnenes legitimitet og forskerens grunnleggende rolle. Det er forskjellen mellom å behandle KI som en svart boks som leverer "svar", og å bruke den som en partner i en kompleks, iterativ oppdagelsesprosess. Å ta dette valget bevisst er avgjørende for å verne om håndverket og verdiene i kvalitativ forskning i KI-alderen, og det haster mer enn det er mulig å overdrive.

Den automatiserte tilnærmingen er en der "machines take over a human task" (Raisch & Krakowski, 2021, s. 192), altså der maskiner overtar en menneskelig oppgave. I denne modellen setter forskeren bort det sentrale analysearbeidet og behandler KI som en produsent av objektive resultater. Tiltrekningskraften er udiskutabel: den lover objektivitet, fart og enkelhet, og ser ut til å fjerne menneskelig skjevhet og redusere det møysommelige kodearbeidet dramatisk. Denne tilnærmingen har imidlertid alvorlige risikoer. Funnene er ofte overfladiske, deskriptive og begrenset til de vanligste mønstrene, og de sjeldne observasjonene som leder til verdifulle innsikter, blir oversett. Når legitimiteten ligger i selve verktøyet, fraskriver forskeren seg ansvaret for den endelige tolkningen.

I skarp kontrast er den forsterkende tilnærmingen en der "humans collaborate closely with machines to perform a task" (Raisch & Krakowski, 2021, s. 192), altså der mennesker samarbeider tett med maskiner for å utføre en oppgave. Her fungerer KI som en kraftfull assistent under forskerens direkte intellektuelle kontroll. Fordelen er muligheten for en dypere og rikere forståelse av dataene og utvikling av ny teori. Ulempen er at tilnærmingen er mer tidkrevende og kognitivt krevende. Avgjørende er at i den forsterkende modellen ligger det endelige intellektuelle og etiske ansvaret, og dermed funnenes legitimitet, fast og utvetydig hos forskeren.

| Kjennetegn | Automatisert tilnærming | Forsterkende tilnærming |

|---|---|---|

| Mål | Maskiner overtar en menneskelig oppgave. | Mennesker samarbeider tett med maskiner. |

| Viktigste tiltrekning | Objektivitet, fart og brukervennlighet. | Dypere, rikere forståelse og ny teori. |

| Viktigste risiko | Overfladiske, deskriptive og skjeve funn. | Mer tidkrevende og kognitivt krevende. |

| Legitimitet | Ligger hos KI-verktøyet. | Ligger hos den menneskelige forskeren. |

| Typisk resultat | Deskriptive eller repeterende resultater. | Stringent og innsiktsfull teoribygging. |

For å bruke KI effektivt som et forsterkende verktøy må man først forstå dets spesifikke evner og iboende begrensninger.

3.0 Å forstå KIs evner: Den smarte, men uberegnelige kollegaen

KI-verktøy er ikke magiske bokser som kan tenke selvstendig; de er kraftfulle, men feilbarlige instrumenter med spesifikke "affordanser", det vil si de muliggjørende og begrensende effektene som former hvordan de kan brukes i forskning. En nyttig metafor er å tenke på KI som en "eksentrisk kollega". Denne kollegaen er alltid tilgjengelig, kan behandle informasjon i utrolig tempo og kommer av og til med briljante innsikter. Samtidig gjør de lett feil, mangler dyp kontekstforståelse og vil aldri ta ansvar for forslagene sine. Som med en slik kollega må du alltid stille spørsmål, verifisere og til syvende og sist eie det ferdige arbeidet.

Sentrale affordanser for kvalitativ forskning

KIs generelle evner kan omsettes til spesifikke, kraftfulle affordanser for kvalitativ analyse. Disse må utnyttes til å støtte, heller enn å erstatte, sentrale forskningspraksiser.

• Rask identifisering av temaer og meninger: KI er svært god til å behandle store datasett og identifisere gjentakende mønstre og begreper i tekst. Denne affordansen støtter direkte de grunnleggende kvalitative oppgavene åpen og lukket koding. I en forsterkende tilnærming kan forskeren bruke KI til raskt å finne passasjer knyttet til en fremvoksende tolkning, slik at ideene kan støttes, forfines eller motsies.

• Kategorisering og gruppering av passasjer: KI kan gruppere identifiserte passasjer eller koder etter semantisk likhet eller brukerdefinerte kriterier. Denne evnen er svært nyttig for utforming og vurdering av andreordens kategorier. Etter å ha dannet innledende ideer kan forskeren triangulere funnene ved å sammenligne dem med grupperingene KI foreslår, og slik avdekke nye sammenhenger eller utfordre de opprinnelige antakelsene.

• Oppsummering av lengre tekster: Store språkmodeller er dyktige til å kondensere store tekstmengder til sammenhengende oppsummeringer. Denne affordansen kan brukes til å lage narrative oppsummeringer av intervjuer eller feltnotater. For forskere som håndterer store datasett, gir slike oppsummeringer en effektiv måte å gripe sentrale sider ved konteksten på og navigere mer effektivt i materialet.

Nødvendige betingelser for effektiv bruk

For at en KI-språkmodell skal fungere effektivt i en kvalitativ forskningskontekst, må tre nødvendige betingelser være oppfylt. Svikt på ett av disse områdene vil gi upålitelige eller villedende resultater.

1. Det relevante "språkspillet" finnes i modellens treningsdata. KI-modeller lærer fra enorme tekstkorpus. Hvis sjargongen eller kommunikasjonsstilen i forskningskonteksten din (for eksempel et høyt spesialisert profesjonsfellesskap) ikke er godt representert i disse dataene, vil modellens evne til å tolke mening presist være begrenset.

2. Prompten gir relevant kontekst slik at modellen kan utlede hvilket språkspill som spilles. En godt utformet prompt er avgjørende. Den må gi KI nok informasjon til å forstå konteksten for dataene og den spesifikke analytiske oppgaven. Vage eller dårlig kontekstualiserte prompter gir generiske og ofte ubrukelige resultater.

3. Modellen går ikke glipp av viktige trekk, som ikke-verbal kommunikasjon eller felles historie. KI kan bare analysere teksten den får. Den er blind for den rike, uskrevne konteksten mennesker oppfatter intuitivt, som kroppsspråk, tonefall eller uuttalte kulturelle forståelser. Denne begrensningen understreker hvorfor menneskelig tilsyn er uerstattelig.

Med en klar forståelse av disse evnene kan forskere nå anvende dem i en strukturert prosess med flere faser.

4.0 Et rammeverk for KI-forsterket analyse: Fra proto-teori til bidrag

For å beholde den intellektuelle kontrollen og sikre teoretisk stringens må forskere bygge KI inn i en strukturert og iterativ forskningsarbeidsflyt. Dette rammeverket er mer enn en arbeidsflyt; det er en strategisk disiplin som skal underordne verktøyet teoretiseringsprosessen. Den følgende firefasemodellen integrerer KI i den etablerte praksisen for kvalitativ teoribygging, slik at forskeren beholder kontrollen og fokuset forblir på å utvikle innsiktsfulle bidrag.

Fase 1: Å formulere proto-teorier

Det innledende målet i kvalitativ forskning er å utvikle nye forklaringer som går ut over eksisterende kunnskap. Prosessen begynner med dannelsen av proto-teorier, de grove og fragmenterte teoretiske forklaringene som vokser frem av det tidlige arbeidet med dataene. I en forsterkende arbeidsflyt kan KI være en kraftfull alliert i denne fasen. Forskere kan bruke KI-verktøy til raskt å utforske datasettet, få frem innledende temaer og se hvordan teoretiske begreper kan komme til anvendelse. Dette gir en langt bredere innledende utforskning enn manuell koding alene og bidrar til et rikere sett av ideer å forfølge.

Fase 2: Å videreutvikle proto-teorier

Denne kritiske fasen er en iterativ syklus av dyp refleksjon som egner seg minst for KI-involvering og nesten utelukkende bygger på menneskelig kognisjon. Etter å ha utviklet innledende proto-teorier må forskeren ta et skritt tilbake og videreutvikle dem. Dette innebærer to sentrale aktiviteter: å reflektere over samsvaret mellom teori og data ved å gå tilbake til rådataene for å utfordre og forfine de KI-genererte mønstrene, og å sammenligne proto-teoriene med eksisterende teori for å vurdere hvor nye de er. Her er forskerens ekspertise, kreativitet og dype forståelse av litteraturen helt avgjørende. En automatisert tilnærming hopper over dette nødvendige refleksjonsarbeidet, og funnene mangler da teoretisk dybde.

Fase 3: Å underbygge proto-teorier med KI

Når en lovende proto-teori er videreutviklet, må forskeren underbygge den med overbevisende empiriske belegg. Her blir KIs fart og skala igjen uvurderlig. Forskere kan bruke KI-verktøy til systematisk å gå gjennom store datasett for å finne ytterligere belegg som støtter, forfiner eller motsier den fremvoksende forklaringen. Dette er i tråd med det sentrale kvalitative prinsippet "vis, ikke fortell", der teoretiske påstander underbygges med direkte sitater. KI kan bidra til å lage omfattende datatabeller eller kvantifisere hvor utbredt bestemte temaer er, noe som øker forskerens trygghet og gjør den endelige teksten mer overbevisende.

Fase 4: Fra proto-teorier til teori

I den siste fasen er målet å generalisere funnene, altså å løsrive den forfinede proto-teorien fra den spesifikke empiriske konteksten for å presisere dens bredere teoretiske bidrag. Dette innebærer å knytte den nye forklaringen tilbake til eksisterende litteratur og tydelig formulere hva som er nytt. Selv om dette først og fremst er en intellektuell oppgave for forskeren, kan KI fungere som en nyttig "sparringpartner". For eksempel kan forskeren be KI om å generere grunnleggende forklaringer på forskningsspørsmålet. Hvis KIs svar ligger nær studiens nåværende bidrag, kan det tyde på at argumentet må forfines ytterligere for å være virkelig nytt.

Ved å følge dette rammeverket kan forskere strategisk anvende ulike resonneringsformer innenfor en kontrollert prosess.

5.0 Å anvende resonneringsformer med KI: Induksjon, deduksjon og abduksjon

Kvalitativ forskning bruker tre sentrale resonneringsformer, og KIs rolle er svært ulik i hver av dem. En forsterkende modell kan anvendes i alle tre, men abduksjon peker seg ut som den beste strategien for å utnytte KIs evner samtidig som forskeren beholder full kontroll over analyseprosessen.

Den induktive tilnærmingen

Induksjon resonnerer fra spesifikke empiriske observasjoner til en generell, ny påstand eller "regel". I en forsterket induktiv prosess kan forskeren bruke KI til raskt å identifisere mulige temaer, som en slags turboladet åpen koding, og bruke disse som utgangspunkt for dypere tolkning. Hovedrisikoen ved en automatisert induktiv tilnærming er at den gir ateoretiske, deskriptive resultater som bare rapporterer de vanligste mønstrene og overser teoretisk rike avvik.

Den deduktive tilnærmingen

Deduksjon bruker eksisterende teoretiske begreper til å forklare empiriske funn. KI kan forsterke dette arbeidet ved raskt å vurdere samsvaret mellom en teori og et stort datasett, for eksempel ved å finne alle passasjer knyttet til et forhåndsdefinert konstrukt. Risikoen ved en automatisert deduktiv tilnærming er at den ofte bare blir repeterende og bekrefter det som allerede er kjent uten å skape ny teori, som er hovedmålet med kvalitativ forskning.

Den abduktive tilnærmingen

Abduksjon er en kreativ slutningsprosess som frembringer nye hypoteser for å forklare overraskende eller avvikende belegg. Denne tilnærmingen er den kraftigste og mest synergistiske med KI-forsterkning fordi den sikrer at forskeren beholder kontrollen. Prosessen starter med en gåte identifisert av et menneske, og KI blir et verktøy for å utforske og vurdere forklaringer på avviket. Forskere kan bruke KIs fart til å teste ulike teoretiske linser og søke etter relaterte belegg, i en dynamisk form for "alternative casing" (alternativ innramming) som forsterker kreativiteten uten å gi fra seg den intellektuelle autoriteten. Abduksjon bygger en forsterkende arbeidsflyt inn i selve prosessen og er derfor den ideelle tilnærmingen for stringent KI-assistert forskning.

Tabellen nedenfor gir praktiske eksempler på hvordan KI kan brukes innenfor hver resonneringsform.

| Resonneringsform | Eksempel på forsterkende bruk | Risiko ved automatisert bruk |

|---|---|---|

| Induksjon | Gi KI prompten: "Vennligst list opp alle følelser i følgende intervju, med sitater: [datautdrag]" som utgangspunkt for menneskeledet åpen koding. | Gir en deskriptiv liste over de vanligste temaene uten teoretisk innsikt. |

| Deduksjon | Gi KI prompten: "Vennligst hent ut alle setninger i følgende tekst som handler om skam: [datautdrag]" for raskt å vurdere en teoris relevans. | Kvantifiserer bare kjente begreper, noe som gir repeterende funn og ingen ny teori. |

| Abduksjon | Gi KI prompten: "List opp alle forestillinger om fremtiden som aktørene har i følgende tekst: [datautdrag]" for raskt å utforske flere forklaringer på et overraskende funn. | Vanskelig å automatisere, fordi abduksjon bygger på forskerens evne til å identifisere en gåte og drive forskningen fremover. |

Å lykkes med disse metodene krever et dypt engasjement for de etiske forpliktelsene som gjelder all forskning.

6.0 Forskerens ansvar og etiske hensyn i KI-æraen

Hvor kraftfulle KI-verktøy enn er, er de nettopp det: verktøy. De er ikke medforfattere, de har ingen dømmekraft, og de kan ikke ta ansvar. Det er derfor avgjørende å huske at det endelige etiske og intellektuelle ansvaret for ethvert forskningsresultat ligger fullt og helt hos den menneskelige forskeren. På samme måte som du ikke ville latt en uberegnelig kollega være medforfatter på en artikkel uten grundig gjennomgang, kan du ikke overlate ansvaret til KI.

Hoveddirektivet: Du har ansvaret

Den viktigste etiske retningslinjen er enkel: du, forskeren, er den eneste som har ansvaret. Hver tolkning, påstand og konklusjon som forlater dine hender, må du være fullt forpliktet til å forsvare. KI kan komme med forslag og identifisere mønstre, men det er forskerens plikt å vurdere kritisk om resultatene gir mening ut fra dataene og holder mål etter faglige standarder for stringens. Å stole på KIs resultater uten grundig, personlig verifisering er å svikte denne sentrale profesjonelle plikten.

Sentrale etiske forpliktelser og risikoer

Forskere må håndtere flere sentrale etiske områder når de bruker KI. Disse er helt sentrale for å produsere pålitelig og legitim forskning.

• Pålitelighet og skjevhet: KI-modeller er ikke nøytrale; de gjengir og forsterker ofte de menneskelige skjevhetene som finnes i treningsdataene, for eksempel drastiske skjulte rasemessige skjevheter. En forsker som bruker KI, kan uforvarende produsere funn som er forvrengt av modellens skjevheter knyttet til kjønn, dialekt eller sosial klasse. For å redusere denne risikoen må mennesker nøye undersøke alle KI-genererte resultater opp mot originaltekstene.

• Personvern og datasikkerhet: Å beskytte sensitive data er en overordnet etisk og juridisk forpliktelse. Regelverk som GDPR gjør det ulovlig å laste opp personopplysninger, som intervjutranskripsjoner, til offentlige KI-tjenester som overfører data over landegrenser. Forskere må aldri bruke offentlig tilgjengelige verktøy til konfidensielle data og bør der det er mulig utforske sikre, lokale modeller.

• Åpenhet og legitimitet: For at KI-forsterket forskning skal bli akseptert, må metodene være åpne og transparente. Forskningsmiljøet, særlig tidsskriftredaktører og fagfeller, spiller en nøkkelrolle her. Hvis bruk av KI blir forbundet med overfladisk, automatisert arbeid, risikerer verktøyet å miste legitimitet for alle. Vi må i fellesskap etablere standarder som skiller stringent forsterkning fra "kjapp og slurvete" automatisering.

• Miljøpåvirkning: Store språkmodeller bruker betydelige mengder energi og vann. En enkelt kompleks analyse av et stort datasett kan ha et miljøavtrykk som ikke er ubetydelig. Forskere bør være bevisste på denne påvirkningen og unngå unødvendige eller overflødige analyser.

Disse forpliktelsene er ikke perifere hensyn; de er sentrale for å ivareta integriteten i kvalitativ forskning.

7.0 Konklusjon: Fremtiden for forsterket kvalitativ forskning

Denne veilederen har argumentert for at KI stiller det kvalitative forskningsmiljøet overfor et avgjørende valg: mellom den overfladiske lettheten ved automatisering og det krevende, innsiktsfulle arbeidet med forsterkning. Mens automatisering risikerer å gjøre funnene våre deskriptive eller repeterende, har en strategisk forsterkende tilnærming potensial til å fordype arbeidet vårt med dataene, skjerpe de teoretiske innsiktene og utvide grensene for hva vi kan lære gjennom kvalitativ forskning. Veien vi velger, vil få varige konsekvenser for metodene våre og for legitimiteten til håndverket vårt.

Derfor må det kvalitative forskningsmiljøet, inkludert enkeltforskere, tidsskriftredaktører, fagfeller og undervisere, nå bevisst utvikle, ta i bruk og håndheve standarder for forsterkende praksis. Ved å omfavne KI som en avansert samarbeidspartner heller enn en erstatning for menneskelig intellekt kan vi utnytte kraften i den til å øke produktiviteten, utvikle mer innflytelsesrike teorier og sikre legitimiteten til disse nye verktøyene. Ved å beholde det refleksive, kreative mennesket i sentrum av analyseprosessen sikrer vi at teknologien tjener forskningen, og ikke omvendt.

Tiden for å forme disse praksisene er nå. De tidlige bruksmåtene for en ny teknologi avgjør ofte hvordan den utvikler seg og tas i bruk. Ved å integrere KI gjennomtenkt i arbeidet vårt kan vi sørge for at den blir en kraftfull og varig alliert i menneskets tidløse søken etter forståelse.