KI i kvalitativ forskning: En samarbeidspartner eller bare «prat»?

AI in Qualitative Research: Collaborative Partner or Epistemic Risk?

Yuan Ren

1. mai

KI i kvalitativ forskning: samarbeidspartner eller epistemisk risiko?

Fremveksten av generativ KI (GenAI) har utløst en dyptgripende faglig debatt innen kvalitativ forskning, sentrert rundt et avgjørende spørsmål: Øker store språkmodeller (LLM-er) dybden i kvalitativ utforskning, eller truer de grunnleggende dens epistemologiske fundament? Adam S. Hayes (2025) argumenterer for at LLM-er revolusjonerer måten forskere arbeider med tekstdata på ved å la dem «samtale» med materialet sitt. Gjennom målrettede spørsmål, utforsking av kontekstuelle innsikter og videreutvikling av teoretiske koblinger beveger de seg forbi tradisjonelle kodebøker og manuell linje-for-linje-analyse. I dette perspektivet blir LLM-en en aktiv partner som identifiserer mønstre som ellers ville krevd uker med manuelt arbeid, og frigjør dermed forskerne til dypere teoretisk refleksjon og meningsskaping. Hayes understreker at LLM-er viser en form for språklig «forståelse» som gjør dem i stand til å fange semantiske relasjoner, kontekstuelle betydninger og subtile språklige mønstre på flere analytiske nivåer (Brown et al., 2020; Ziems et al., 2024).

LLM-er, koding og meningsskaping i kvalitativ dataanalyse

Duc Cuong Nguyen og Catherine Welch (2026) tilbyr imidlertid et skarpt motsvar og spør i tittelen: «Analyzing–Or Just Chatting?». De advarer mot at en ukritisk bruk av denne teknologien blant forskere i ledelsesfag vil innføre uakseptable epistemiske risikoer. I motsetning til Hayes' vektlegging av LLM-er som samarbeidspartnere hevder Nguyen og Welch at bruk av LLM-er til kvalitativ dataanalyse utgjør en «kategorifeil», der en syntetisk, sannsynlighetsbasert generator som predikerer neste ord, forveksles med et analytisk hjelpemiddel. De hevder at LLM-ers output bare er ordrekker valgt på grunnlag av sannsynlighet, og selv om de kan minne om menneskelig kreativitet og resonnering, er teknologien grunnleggende «likegyldig til sannheten» i det den produserer (Hicks et al., 2024; Narayanan & Kapoor, 2024).

De to artiklene skiller lag på et vesentlig punkt i kjernespørsmålet om hvorvidt KI har ekte forståelse. Hayes mener at LLM-er har en unik evne til å fange komplekse språklige trekk som tone, kulturelle konnotasjoner, kontekstuelle skifter og implisitt mening, og dermed i praksis kan «lese mellom linjene». Han beskriver en «treveissamtale» mellom forskeren, dataene og LLM-en, der LLM-en fungerer som en intelligent mellomledd forankret i omfattende trening på enorme tekstkorpora (Brown et al., 2020; Chowdhery et al., 2022). Denne evnen gjør det mulig for forskere å bevege seg sømløst mellom tekstlige detaljer på mikronivå og teoretiske rammeverk på makronivå.

Nguyen og Welch fastholder derimot at denne tilsynelatende forståelsen er en «antropomorf feilslutning» drevet av modellens design. De forklarer at en LLM, i stedet for å bearbeide rådata eller utføre systematisk gjenfinning, reduserer og omformer data til vektorinnbygginger (embeddings) for å generere statistisk plausible svar. De påpeker særlig at teknologiens tilfeldighet og ustabilitet fanger forskere i en «uendelig sløyfe av chatbotsamtaler», der behovet for stadig å validere nøyaktighet, kontekstuell relevans og koblinger til dataene opphever enhver antatt effektivitetsgevinst. De argumenterer for at disse automatiserte egenskapene skjuler fraværet av analytisk engasjement og svekker forskerens evne til å avdekke meningsfulle innsikter.

Fra å samtale med data til bare å prate: GenAI-debatten

Til syvende og sist tydeliggjør denne debatten menneskets rolle i kvalitativ forskning. Hayes argumenterer for at LLM-er ikke svekker den sentrale betydningen av menneskelig ekspertise; forskeren forblir den som skaper mening, og har ansvaret for å velge prompter, verifisere output og plassere dem innenfor konseptuelle rammeverk. Han ser på LLM-er som en katalysator for dypere undersøkelser snarere enn en ettklikksløsning. Nguyen og Welch frykter på sin side at begeistringen for KI-effektivitet og den feilplasserte tilliten til LLM-er som «nøytrale eksperter» kan føre til en homogenisering av kunnskapsproduksjonen og marginalisere tradisjoner, som kritiske, fortolkende og refleksive metodologier, som er avgjørende for rike kvalitative innsikter (Köhler et al., 2022; Mees-Buss et al., 2022). Denne faglige «dysten» minner oss om at vi, samtidig som vi omfavner innovasjon, må reflektere kritisk over hvordan verktøyene våre former observasjonene våre, og holde fast ved kjerneoppdraget om å fortolke sosial mening.

References

Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., Neelakantan, A., Shyam, P., Sastry, G., Askell, A., Agarwal, S., Herbert-Voss, A., Krueger, G., Henighan, T., Child, R., Ramesh, A., Ziegler, D. M., Wu, J., Winter, C., … Amodei, D. (2020). Language Models are Few-Shot Learners. *arXiv.Org*.

Chowdhery, A., Narang, S., Devlin, J., Bosma, M., Mishra, G., Roberts, A., Barham, P., Chung, H. W., Sutton, C., Gehrmann, S., Schuh, P., Shi, K., Tsvyashchenko, S., Maynez, J., Rao, A., Barnes, P., Tay, Y., Shazeer, N., Prabhakaran, V., … Fiedel, N. (2022). PaLM: Scaling Language Modeling with Pathways. *arXiv.Org*.

Hayes, A. S. (2025). “Conversing” With Qualitative Data: Enhancing Qualitative Research Through Large Language Models (LLMs). *International Journal of Qualitative Methods*, *24*. https://doi.org/10.1177/16094069251322346

Hicks, M. T., Humphries, J., & Slater, J. (2024). ChatGPT is bullshit. *Ethics and Information Technology*, *26*(2), Article 38. https://doi.org/10.1007/s10676-024-09775-5

Köhler, T., Smith, A., & Bhakoo, V. (2022). Templates in Qualitative Research Methods: Origins, Limitations, and New Directions. *Organizational Research Methods*, *25*(2), 183–210. https://doi.org/10.1177/10944281211060710

Mees-Buss, J., Welch, C., & Piekkari, R. (2022). From Templates to Heuristics: How and Why to Move Beyond the Gioia Methodology. *Organizational Research Methods*, *25*(2), 405–429. https://doi.org/10.1177/1094428120967716

Narayanan, A., & Kapoor, S. (2024). *AI snake oil: what artificial intelligence can do, what it can’t, and how to tell the difference*. Princeton University Press.

Nguyen, D. C., & Welch, C. (2026). Generative Artificial Intelligence in Qualitative Data Analysis: Analyzing–Or Just Chatting? *Organizational Research Methods*, *29*(1), 3–39. https://doi.org/10.1177/10944281251377154

Ziems, C., Held, W., Shaikh, O., Chen, J., Zhang, Z., & Yang, D. (2024). Can Large Language Models Transform Computational Social Science? *Computational Linguistics - Association for Computational Linguistics*, *50*(1), 237–291. https://doi.org/10.1162/coli_a_00502