Konversasjonell analyse på nytt: Integrering av generativ KI i kvalitativ forskning
Yuan Ren
mai 2026
Paradigmeskifte fra tradisjonell koding til konversasjonell analyse
Den raske fremveksten av verktøy for generativ kunstig intelligens (genAI) omformer grunnleggende hvordan forskere arbeider med ustrukturerte data, særlig innenfor kvalitativ analyse. Disse teknologiske fremskrittene åpner spennende muligheter, men fører også med seg betydelige utfordringer. Tradisjonelle kvalitative kodingsmetoder er grundige, men ofte svært tidkrevende, mens generelle chatboter og store språkmodeller (LLM-er) gir enorm hastighet, men ofte ikke leverer den stringensen, transparensen og sporbarheten som er avgjørende for solid kvalitativ forskning. Som Susanne Friese påpeker i sin artikkel fra 2026, utfører mange av dagens applikasjoner som hevder å automatisere kvalitativ analyse, oppgaver som ligger nærmere klassifiseringsproxyer enn det dype, fortolkende arbeidet som kjennetegner feltet.
I lys av denne teknologiske endringen stiller Friese (2026) spørsmål ved den langvarige avhengigheten av koding som den dominerende analytiske prosedyren i mange kvalitative forskningstradisjoner. Hun argumenterer for at koding, som en gang ble ansett som en uunnværlig hjørnestein i kvalitativ analyse, nå kan erstattes effektivt av KI-støttet datagjenfinning kombinert med dialogbasert fortolkning. Med dette formålet introduserer hun et nytt metodologisk rammeverk: Conversational Analysis to the Power of AI (CAAI), som foreslår et skifte mot en mer interaktiv, ko-analytisk tilnærming til kvalitative data. Rammeverket forstår analyse som en prosess av iterativ spørring, syntese og refleksiv fortolkning i stedet for enkel segmentering og kategorisering.
Debatten: Kvalitativ koding versus LLM-drevne klassifiseringer
Etter hvert som bruken av LLM-er i kvalitativ forskning øker, blir det stadig viktigere å skille mellom reell kvalitativ koding og det som mer presist kan beskrives som «klassifiseringsproxyer». Forskere fra informatikk, datavitenskap eller menneske-maskin-interaksjon (HCI) (f.eks. Gao et al., 2023; Xiao et al., 2023; Zackary, 2024; Zhang et al., 2024) inntar typisk en ingeniørtankegang og behandler kvalitative data som tekst som skal segmenteres, merkes eller klynges ved hjelp av modeller. Disse prosjektene bygger ofte på spesialtilpassede verktøy og forhåndsbehandlede datasett, og reduserer analysen til et sett klassifiseringsoppgaver som ofte krever at teksten deles opp i «biter» (chunking). Dette ødelegger den sammenhengen som er avgjørende for de fortolkende sprangene kvalitativ analyse krever.
Kvalitative forskere fra felt som sosiologi, utdanning, helse eller kommunikasjon (f.eks. Goyanes et al., 2025; Hayes, 2025; Hitch, 2024; Lixandru, 2024; Perkins & Roe, 2024) legger derimot vekt på fortolkning, refleksivitet og transparens. I disse studiene er koding mer enn å merke tekst; det er en teoretisk, iterativ og kontekstuell prosess. Reell kvalitativ koding innebærer gjentatt fordypning, refleksjon, notatskriving (memoing) og omstrukturering på tvers av hele transkripsjoner, og resulterer ofte i 80 til 250 distinkte koder. Når LLM-er brukes til å forenkle eller flate ut disse metodene til merkeøvelser, ofres refleksivitet, nyanser og metodologisk stringens. Å erkjenne forskjellen mellom klassifiseringsproxyer og reell kvalitativ koding er derfor avgjørende for å sikre metodologisk integritet i denne raskt skiftende KI-æraen.
Epistemologiske skifter: Det triadiske fortolkningsrommet
Kvalitativ forskning har tradisjonelt vært forankret i det fortolkende paradigmet, der mening ikke ligger direkte i dataene, men oppstår gjennom et dialogisk og rekursivt forhold mellom analytikeren, konteksten og teksten. Når KI kommer inn i dette forholdet, erstatter den ikke forskeren, men blir en del av et triadisk fortolkningsrom. Som Krähnke et al. (2025) og Schäffer og Lieder (2023) argumenterer, er en hermeneutisk epistemologi særlig godt egnet til å begrepsfeste hvordan KI på en meningsfull måte kan integreres i kvalitativ analyse. Forståelsesprosessen blir en navigering mellom perspektiver: deltakerens, KI-modellens og forskerens eget rammeverk i utvikling.
Selv om KI-modeller mangler *Seinsverbundenheit*, den ontologiske forankringen i levde sosiohistoriske verdener som Gadamer (1960) og Mannheim (1936) beskriver, kan resultatene deres likevel gi verdifull innsikt fordi de er trent på enorme, sosialt situerte korpus. LLM-er kan fungere som «abduktive katalysatorer» som hjelper forskere til uventet innsikt, utfordrer etablerte antakelser og åpner for nye fortolkningsretninger. I denne modusen er kunnskapen KI produserer kollektiv og distribuert, et aggregert ekko av meningsskaping på tvers av ulike sosiale, kulturelle og diskursive kontekster. Selv om treningsdataene til LLM-er kan overrepresentere vestlig diskurs, har modellen i en datafundert, dialogisk bruk som oppgave å hente frem og omorganisere mening strengt innenfor rammene av materialet forskeren har levert, slik at fortolkningsrommet forankres i deltakernes faktiske stemmer.
LLM-er som hjelpeverktøy og metodologisk innovasjon
Fremveksten og praksisen av post-kodingsanalyse
Flere forskere staker allerede ut veier mot post-kodingsanalyse og viser at analyse uten koding allerede er i ferd med å vokse frem i praksis. Hayes (2025) eksemplifiserer en hybrid tilnærming der GPT-4 eller Claude 3.5 brukes til å generere tematiske rammeverk, og modellene deretter instrueres til å utføre mer dynamiske oppgaver, som å sammenligne perspektiver på tvers av caser eller simulere politiske debatter. Perkins og Roe (2024) går lenger ved å frikoble temautvikling fra datasegmentering: de bruker chatboter til mønstergjenkjenning og plausibilitetskontroller, mens menneskelige forskere validerer resultatene.
Morgans (2026) Query-Based Analysis (QBA) tilbyr en strukturert trestegsprosess: først brede innledende spørringer for å få frem overordnede temaer, deretter spesifikke spørringer for å utdype undertemaer, og til slutt underbygging av funnene med originale sitater. I tillegg genererer Nguyen-Trung og Nguyens (2025) Narrative-Integrated Thematic Analysis (NITA) syntese gjennom konstruksjon av individuelle narrative profiler og integrering på tvers av caser, slik at mening kan vokse frem gjennom et helhetlig engasjement med deltakernes beretninger i stedet for gjennom merking av adskilte datafragmenter. Samlet tyder disse praksisene på at dialog, og ikke klassifisering, kan bli grunnlaget for fremtidig kvalitativ analyse.
De fem kjernestegene i CAAI-rammeverket
CAAI-rammeverket er forankret i en relasjonell-konstruktivistisk ontologi som ser mening som et produkt av interaksjon. Rammeverket er organisert rundt fire iterative kjernesteg, med et valgfritt femte steg for teoriutvikling.
Steg 1 er å bli kjent med dataene. Forskerne må gjøre seg fortrolige med materialet, eventuelt ved hjelp av KI-genererte sammendrag for innledende orientering. På grunn av LLM-ers ikke-deterministiske natur anbefales det å gjennomføre temagenerering tre ganger for å avgjøre hvilke temaer som bør undersøkes nærmere.
Steg 2 er å forberede analysen. Forskerne velger et tema og utvikler et sett utforskende spørsmål (induktive eller deduktive), som fungerer som analytisk stillas og gir grunnlag for transparens og replikerbarhet.
Steg 3 handler om å velge data og stille spørsmål. For å unngå generaliserte oppsummeringer er det best å arbeide med et avgrenset utvalg av dataene (f.eks. 4 til 6 intervjuer) og føre en iterativ dialog. I denne prosessen kan abduktiv resonnering brukes til å undersøke avvik eller motsetninger, og modellen kan idémyldre om plausible forklaringer.
Steg 4 er å syntetisere innsikter. Etter en rask utforskning med KI senker forskerne tempoet for å gå grundig inn i samtaleloggene og skrive en syntese. Dette kan gjøres selvstendig eller utvikles sammen med KI, slik at det dannes en «assemblage» der mening oppstår gjennom relasjoner.
Det valgfrie steg 5 innebærer å løfte analysen. Dette stadiet integrerer funnene i eksisterende teoretiske rammeverk og sikrer det Strübing et al. (2018) beskriver som «teoretisk gjennomtrengning» (theoretical pervasiveness), slik at forskningen kan bidra med originale og robuste innsikter til den vitenskapelige samtalen.
Operative steg og praktisk veiledning i CAAI
CAAI-rammeverket er svært fleksibelt og gjør det mulig å integrere prosedyresteg fra tradisjoner som grounded theory (GT), kvalitativ innholdsanalyse eller tematisk analyse (TA). Når grounded theory tilpasses, tildeler forskerne ikke lenger formelle koder, men «bryter opp» dataene gjennom utforskende spørsmål. Dette speiler den åpne kodingsfasen som Strauss og Corbin (2014) beskriver, og dialogen brukes til konstant sammenligning og kategoriutvikling. Kvalitativ innholdsanalyse kan også rekonstrueres: i stedet for å plassere datasegmenter i forhåndsdefinerte kategorier bygger forskerne først en rik narrativ forståelse gjennom dialog, og abstraherer kategorier og deres dimensjoner først mot slutten av prosessen.
For å sikre stringens i CAAI anbefales flere strategier. For det første bør forskere prioritere RAG-baserte verktøy, fordi slike arkitekturer eksplisitt forankrer resultatene i brukerens data og dermed reduserer risikoen for hallusinasjoner betydelig. For det andre fungerer temabaserte spørsmålssett som analytisk stillas, og den fullstendige chatprotokollen gir et revisjonsspor som gjør fortolkningsveiene synlige og etterprøvbare. Videre bidrar sammenligning mellom analytikere, eller sammenligning over tid for forskere som arbeider alene, til å vurdere hvor stabile fortolkningene er. Konfigurering av modellparametere, for eksempel en lav temperaturinnstilling mellom 0,2 og 0,5, støtter ytterligere konsistens i resultatene.
Kvalitetssikring, etikk og epistemologiske skifter
Etikk, forfatterskap og det endelige paradigmeskiftet
I CAAI-tilnærmingen forblir forskeren hovedforfatter. Selv når språket genereres i samarbeid, tilhører betydningen, valget av teoretisk linse og den endelige fortolkende vurderingen helt og holdent den menneskelige forskeren. Forfatterskapet avgjøres av hvem som tillegger betydning, og ikke av hvem som genererer teksten. Transparens er avgjørende og krever at forskerne gjør rede for spørsmålssettene og de analytiske sporene som er brukt.
Til syvende og sist representerer CAAI et dypere paradigmeskifte i kvalitativ analyse. Det utfordrer den langvarige antakelsen om at segmentering og klassifisering er forutsetninger for stringent fortolkning, og erstatter dem med en logikk basert på spørring, syntese, fortolkende flyt og iterativ forbedring. Som Krähnke et al. (2025) antyder, fungerer LLM-er som assistenter i samtalen, mens den menneskelige forskeren forblir den analytiske motoren. Ved å ta i bruk KI som en generativ mediator i fortolkningsprosessen gir CAAI både effektivitet og fleksibilitet, samtidig som tilnærmingen fordyper fortolkningen og utvider de epistemiske horisontene for kvalitativ forskning i den digitale tidsalderen.
References
Corbin, J. M., & Strauss, A. L. (2015). *Basics of qualitative research: techniques and procedures for developing grounded theory* (4. utgave). Sage. https://contents.bibs.aws.unit.no/files/images/large/1/6/9781412997461.jpg
Friese, S. (2026). From Coding to Conversation: A New Methodological Framework for AI-Assisted Qualitative Analysis. *Qualitative Inquiry*. https://doi.org/10.1177/10778004251412871
Gadamer, H.-G. (1960). *Hermeneutik 1. Wahrheit und meth ode. Grundzüge einer philosophischen Hermeneutik.* Mohr-Siebeck.
Gao, J., Kenny Tsu Wei Choo, Cao, J., Roy Ka Wei Lee, & Perrault, S. (2023). CoAIcoder: Examining the Effectiveness of AI-assisted Human-to-Human Collaboration in Qualitative Analysis. *arXiv.Org*.
Goyanes, M., Lopezosa, C., & Jordá, B. (2025). Thematic analysis of interview data with ChatGPT: designing and testing a reliable research protocol for qualitative research. *Quality & Quantity*, *59*(6), 5491–5510. https://doi.org/10.1007/s11135-025-02199-3
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
Hitch, D. (2024). Artificial Intelligence Augmented Qualitative Analysis: The Way of the Future? *Qualitative Health Research*, *34*(7), 595–606. https://doi.org/10.1177/10497323231217392
Krähnke, U., Pehl, T., & Dresing, T. (2025). Hybride Interpretation textbasierter Daten mit dialogisch integrierten LLMs: Zur Nutzung generativer KI in der qualitativen Forschung. SSOAR. https://nbn-resolving.org/urn:nbn:de:0168-ssoar-99389-7
LIXANDRU, I.-D. (2024). The Use of Artificial Intelligence for Qualitative Data Analysis: ChatGPT. *Informatica Economica*, *28*(1/2024), 57–67. https://doi.org/10.24818/issn14531305/28.1.2024.05
Mannheim, K. (1936). Ideology and utopia: An introduction to the sociology of knowledge (L. Wirth & E. Shils, Trans.). Harcourt, Brace & Company.
Morgan, D. L. (2026). Query-Based Analysis: A Strategy for Analyzing Qualitative Data Using ChatGPT. *Qualitative Health Research*, *36*(2–3), 206–217. https://doi.org/10.1177/10497323251321712
Nguyen-Trung, K., & Nguyen, N. L. (2026). Narrative-Integrated Thematic Analysis (NITA): How can LLMs support theme generation without coding? *Qualitative Research in Psychology*, 1–37. https://doi.org/10.1080/14780887.2026.2638348
Perkins, M., & Roe, J. (2024). The use of generative AI in qualitative analysis: Inductive thematic analysis with ChatGPT. Journal of Applied Learning & Teaching, 7(1), 390–405. https://doi.org/10.37074/jalt.2024.7.1.22
Schäffer, B., & Lieder, F. R. (2023). Distributed interpretation - teaching reconstructive methods in the social sciences supported by artificial intelligence. *Journal of Research on Technology in Education*, *55*(1), 111–124. https://doi.org/10.1080/15391523.2022.2148786
Strübing, J., Hirschauer, S., Ayaß, R., Krähnke, U., & Scheffer, T. (2018). Gütekriterien qualitativer Sozialforschung. Ein Diskussionsanstoß. *Zeitschrift Für Soziologie*, *47*(2), 83–100. https://doi.org/10.1515/zfsoz-2018-1006
Xiao, Z., Yuan, X., Q Vera Liao, Abdelghani, R., & Pierre-Yves Oudeyer. (2023). Supporting Qualitative Analysis with Large Language Models: Combining Codebook with GPT-3 for Deductive Coding. *arXiv.Org*. https://doi.org/10.48550/arxiv.2304.10548
Zackary Okun Dunivin. (2024). Scalable Qualitative Coding with LLMs: Chain-of-Thought Reasoning Matches Human Performance in Some Hermeneutic Tasks. *arXiv.Org*.
Zhang, H., Wu, C., Xie, J., Rubino, F., Graver, S., Kim, C., Carroll, J. M., & Cai, J. (2024). When Qualitative Research Meets Large Language Model: Exploring the Potential of QualiGPT as a Tool for Qualitative Coding. *arXiv.Org*.
Kommentarer