Når generativ KI entrer forbrukerkulturforskningen: gevinster og uprøvde forutsetninger
Yuan Ren
februar
Hvordan generativ KI endrer kvalitativ dataanalyse
Generativ kunstig intelligens (GenAI) omformer kvalitativ forbrukerkulturforskning ved å tilføre nye effektiviseringer samtidig som den reiser epistemologiske avveininger langs teoretiske, kroppslige, empiriske og historiske dimensjoner. Med andre ord: når forbrukerkulturforskere laster intervjutranskripsjoner, feltnotater eller arkivmateriale inn i store språkmodeller (LLM-er), er det ikke bare forskningseffektiviteten som endres. Epp og Humphreys (2025) argumenterer for at fremveksten av GenAI tvinger oss til å tenke gjennom forskerens rolle, kunnskapens kilder og det epistemologiske grunnlaget kulturanalysen hviler på. Spørsmålet er ikke lenger bare om KI kan hjelpe med å oppsummere data, men om selve logikken i kulturell forståelse, innenfor samarbeid mellom menneske og KI, gjennomgår en subtil, men dyptgripende endring.
Fra feltnotater til grunnmodeller
Teknologi har lenge grepet inn i kulturforskningen. Tidlige etnografer dokumenterte ritualer, talemønstre og livsverdener gjennom håndskrevne notater (Jones, 2010; Roldán, 2002). Mauss utviklet teoretisk innsikt på grunnlag av arkivert trykt materiale snarere enn direkte feltfordypning (Fournier, 2006), noe som viser at produksjonen av kulturell kunnskap alltid har vært formidlet gjennom teknologiske former.
I løpet av det tjuende århundret kom beregningsbasert tekstanalyse gradvis inn i samfunnsvitenskapene, først med innholdsanalyse på IBM-stormaskiner (Stone et al., 1966), deretter med programvare for ordtelling (Carley, 1994), og senere med temamodellering og ordvektorer (Berger et al., 2020; Humphreys and Wang, 2018; Mikolov et al., 2013a, 2013b). LLM-er viderefører denne teknologiske slektslinjen ved å generere språk gjennom å forutsi «det neste mest sannsynlige ordet» (Brown et al., 2020; Puntoni et al., 2021). Til forskjell fra tidligere verktøy analyserer GenAI likevel ikke bare tekst; den kan generere svar, syntetisere tale og produsere språk med teoretisk struktur. Denne evnen forskyver gradvis rollen fra analytisk assistent til mulig «forskningspartner».
*Utviklingen av automatisert tekstbasert analyse*
For å forstå hvordan forskere faktisk samarbeider med GenAI, gjennomførte forfatterne intervjuer med forbrukerkulturforskere fra akademia og næringsliv, og supplerte disse med deltakende eksperimentering med LLM-er (Huberman and Miles, 1994; Strauss and Corbin, 2014). Kulturforskning er i sitt vesen iterativ og rekursiv, og beveger seg kontinuerlig mellom teori og data (McCracken, 1988; Peirce, 1903/1934; Sætre and Van de Ven, 2021). Innføringen av GenAI opphever ikke denne strukturen, men tydeliggjør i stedet grunnleggende forskjeller mellom menneskelige forskere og maskiner langs fire dimensjoner: teoretisk, kroppslig, empirisk og historisk.
Den teoretiske dimensjonen: et målrettet perspektiv kontra «utsikten fra ingensteds»
Forbrukerkulturforskning forutsetter forskeren som et teoretisk subjekt. Forskere går inn i feltet med spørsmål, tolkningsmål og teoretiske rammeverk; dette rettede perspektivet utgjør kjernen i kulturanalysen (Daston, 1992; Nagel, 1986). LLM-er legemliggjør derimot det Daston kaller «utsikten fra ingensteds», et abstrahert, generalisert ståsted uten selvstendig motivasjon eller undring (Barandiaran and Almendros, 2024).
GenAI viser derfor markante styrker i oppsummering og strukturert integrasjon, som å samle intervjutemaer eller sammenligne teoretiske posisjoner. Når den blir bedt om å generere nye innsikter med reell teoretisk spenning, blir resultatene likevel gjerne glatte og flate. Teoretiske gjennombrudd oppstår ofte i friksjonen mellom forhåndsantakelser og empiriske data, mens LLM-er gjør spenning om til statistisk sammenheng. I denne forstand kan GenAI fremskynde forskerens inngang i det empiriske materialet, men den teoretiske dømmekraften forblir avhengig av et målrettet menneskelig subjekt.
Den kroppslige dimensjonen: levd erfaring kontra syntetisk erfaring
Kulturell forståelse er forankret i kroppslig erfaring og livsverden (Merleau-Ponty, 1945/2013; Johnson, 2015). Under intervjuer skaper forskere mening gjennom tonefall, pauser, affekt og oppmerksomhet på omgivelsene, elementer som motsetter seg full abstraksjon til språklige mønstre. LLM-er kan generere stemmen til en «sammensatt forbruker», men en slik stemme springer ut av statistisk syntese av diskurs snarere enn av levd erfaring. Som forfatterne understreker, kan genererte intervjutekster ikke erstatte virkelige intervjuer, fordi de mangler kontekstuell og kroppslig kompleksitet (Pollio et al., 1997).
Enda viktigere er det at omfanget av modellens treningsdata setter grensene for hva den kan «gi stemme» til. Dersom visse fellesskap er underrepresentert i tekstkorpusene, kan ikke modellens resultater gjenspeile deres erfaringer på en dekkende måte. I denne forstand er modellens «biografi» ikke bakgrunnsinformasjon, men en analytisk betingelse forskeren må ta inn i tolkningen.
Den empiriske dimensjonen: dyp fortrolighet kontra avkontekstualisert kunnskap
Et epistemologisk skille skiller også menneskelige forskere fra LLM-er. Forskere utvikler dyp fortrolighet med bestemte feltkontekster gjennom langvarig fordypning, mens LLM-er besitter bred, men avkontekstualisert tekstkunnskap. Forfatterne påpeker at forskere kan bruke modeller dialogisk, ved å spørre om temaer, validere kodeskjemaer eller triangulere funn (Than et al., 2024). Å sette maskinen i rollen som primær analytiker innebærer likevel en risiko for å overse temaer som trer frem gradvis gjennom gjentatt lesning og kontekstuell observasjon.
Kulturforskning er ikke bare mønstergjenkjenning; den er tolkning av meningsskapende prosesser. Gjennom gjentatt bevegelse mellom teori og erfaring utvikler forskere sensitivitet for kulturelle nyanser. Under dagens teknologiske vilkår lar denne dimensjonen av undersøkelsen seg ikke fullt ut settes ut til maskiner.
Den historiske dimensjonen: temporalitet og «utflating» av kontekst
Kulturell mening er innleiret i bestemte historiske kontekster (Hall, 2016; Holt, 2004). Fordi LLM-er trenes på korpus som spenner over lange tidsrom, kan generasjonslogikken deres svekke historisk spesifisitet og presse ulike kulturelle øyeblikk sammen til generaliserte uttrykksmønstre. Forskere kan forsøke å øke tidsfølsomheten ved å begrense treningsdata til bestemte historiske korpus, for eksempel ved å bygge periodespesifikke språklige ordbøker (Brysbaert et al., 2014), eller ved å bruke modeller til bevaring av truede språk (Koc, 2025).
For fremvoksende kulturelle praksiser som ennå ikke har stabilisert seg i tekstlig form, strever modellene likevel ofte med å identifisere meningsfulle strukturer (Price et al., 2024). Kultur utfolder seg i randsonene, i hverdagsritualer og mikrointeraksjoner som kanskje ennå ikke er avleiret i arkivene. GenAIs historiske blikk er forankret i tidligere assosiasjoner, og er derfor forholdsvis mindre lydhør for mening som er i ferd med å bli til.
*Teoretiske, kroppslige, empiriske og historiske avveininger ved generativ KI i forbrukerkulturforskning*
Prinsipper for samarbeid mellom menneske og KI: metodisk posisjonering, ikke sjekklister
Som svar på disse avveiningene foreslår forfatterne fire veiledende prinsipper: åpenhet, opphav, personvern og troverdighet. Forskere bør dokumentere når og hvordan KI-verktøy ble brukt, inkludert prompter og resultater; rapportere treningsdataenes opphav og egenskaper; verne deltakernes personvern gjennom avlukkede eller sandkassede miljøer; og sikre troverdighet ved å triangulere KI-genererte innsikter mot rådata og menneskelig tolkning (Arnould and Epp, 2006; Belk et al., 1989).
Disse prinsippene er ikke bare prosedyrekrav. De utgjør en metodisk posisjonering. Åpenhet klargjør hvordan KI former tolkningen. Opphav plasserer resultatene i sine treningskontekster. Personvern verner kroppslig til stede deltakere. Troverdighet sikrer at funnene har gjenklang i levd erfaring. Samarbeid med GenAI må forbli ansvarlig overfor de epistemiske forpliktelsene i kvalitativ forskning.
Valg av modell og oppsett av parametere bærer likeledes metodiske implikasjoner. Ulike verktøy varierer i personvernsikring, resonneringsevne og mulighetene de gir for databehandling. Hyperparametere som «temperatur» påvirker tilfeldigheten og kreativiteten i resultatene (Arnold et al., 2024; Talamadupula, 2024). Forskere må kalibrere modellene i tråd med forskningsmålene i stedet for å behandle dem som nøytrale instrumenter.
*Samarbeid mellom menneske og KI i forbrukerforskning*
Konklusjon: en ny vurdering av paradigmet om forskeren som instrument
Til slutt understreker Epp og Humphreys at forbrukerkulturteori lenge har virket innenfor et paradigme der forskeren er instrumentet. GenAI har bare verdi i den grad den understøtter menneskelig meningsskaping snarere enn å tilsløre forskerens dømmekraft. Samtidig blir KI selv et viktig objekt for kulturell undersøkelse, som fortjener vedvarende utforskning av sin rolle i forbrukerpraksiser og teknologisk diskurs (Giesler, 2008; Kozinets, 2008; Huang and Rust, 2025).
Når forskere overlater tekst til maskiner, har spørsmålet aldri bare handlet om effektivitet. Det dypere spørsmålet er om vi i dette samarbeidet stille omdefinerer hva det vil si å forstå.
References
Arnold, C., Biedebach, L., Küpfer, A., & Neunhoeffer, M. (2024). The role of hyperparameters in machine learning models and how to tune them. Political Science Research and Methods , 12 (4), 841–848. https://doi.org/10.1017/psrm.2023.61
Arnould, E. J., & Epp, A. M. (2006). Deep engagement with consumer experience: Listening and learning with qualitative data. In R. Grover & M. Vriens (Eds.), The SAGE handbook of marketing research (pp. 51–82). Sage Publications
Barandiaran, X. E., & Almendros, L. S. (2024). Transforming Agency. On the mode of existence of Large Language Models. arXiv.Org .
Belk, R. W., Wallendorf, M., & Sherry, J. F. (1989). The Sacred and the Profane in Consumer Behavior: Theodicy on the Odyssey. The Journal of Consumer Research , 16 (1), 1–38. https://doi.org/10.1086/209191
Berger, J., Humphreys, A., Ludwig, S., Moe, W. W., Netzer, O., & Schweidel, D. A. (2020). Uniting the Tribes: Using Text for Marketing Insight. Journal of Marketing , 84 (1), 1–25. https://doi.org/10.1177/0022242919873106
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 .
Brysbaert, M., Warriner, A. B., & Kuperman, V. (2014). Concreteness ratings for 40 thousand generally known English word lemmas. Behavior Research Methods , 46 (3), 904–911. https://doi.org/10.3758/s13428-013-0403-5
Carley, K. (1994). Extracting culture through textual analysis. Poetics, 22 (4), 291–312.
Daston, L. (1992). Objectivity and the Escape from Perspective. Social Studies of Science , 22 (4), 597–618. https://doi.org/10.1177/030631292022004002
Epp, A. M., & Humphreys, A. (2025). Collaborating with Generative AI in Consumer Culture Research. The Journal of Consumer Research , 52 (1), 32–48. https://doi.org/10.1093/jcr/ucaf014
Fournier, M. (2006). Marcel Mauss: A biography . Princeton University Press.
Jones, J. S. O. (2010). Origins and ancestors: A brief history of ethnography. In Ethnography in social science practice (pp. 29-43). Routledge.
Hall, S. (2016). Cultural studies 1983: A theoretical history (J. D. Slack & L. Grossberg, Eds.). Duke University Press.
Holt, D. B. (2004). How brands become icons : the principles of cultural branding (1st ed.). Harvard Business School Press.
Huang, M.-H., & Rust, R. T. (2025). The GenAI Future of Consumer Research. The Journal of Consumer Research , 52 (1), 4–17. https://doi.org/10.1093/jcr/ucaf013
Huberman, A. M., & Miles, M. B. (1994). Data management and analysis methods.
HUMPHREYS, A., & WANG, R. J.-H. (2018). Automated Text Analysis for Consumer Research. The Journal of Consumer Research , 44 (6), 1274–1306. https://doi.org/10.1093/jcr/ucx104
Giesler, M. (2008). Conflict and Compromise: Drama in Marketplace Evolution. The Journal of Consumer Research , 34 (6), 739–753. https://doi.org/10.1086/522098
Johnson, M. (2015). Embodied understanding. Frontiers in Psychology , 6 , 875. https://doi.org/10.3389/fpsyg.2015.00875
Koc, V. (2025). GenAI and large language models in language preservation: Opportunities and challenges. arXiv . https://doi.org/10.48550/arXiv.2501.11496
Kozinets, R. V. (2008). Technology/ideology: How ideological fields influence consumers’ technology narratives. Journal of Consumer Research, 34 (6), 865–881.
McCracken, G. (1988). The long interview . Sage.
Merleau-Ponty, M. (2013). Phenomenology of perception (D. A. Landes, Ed.). Routledge. (Original work published 1945)
Mikolov, T., Chen, K., Corrado, G., & Dean, J. (2013a). Efficient Estimation of Word Representations in Vector Space. arXiv.Org .
Mikolov, T., Sutskever, I., Chen, K., Corrado, G., & Dean, J. (2013b). Distributed Representations of Words and Phrases and their Compositionality. arXiv.Org .
Nagel, T. (1986). The view from nowhere . Oxford University Press.
Peirce, C. S. (1934). Collected papers of Charles Sanders Peirce (Vol. 5). Harvard University Press. (Original work published 1903)
Pollio, H. R., Henley, T. B., & Thompson, C. J. (1997). The phenomenology of everyday life: Empirical investigations of human experience . Cambridge University Press.
Price, L. L., Moisio, R., & Arnould, E. J. (2024). Making context matter even more: Tools for leveraging contexts for insights. In R. W. Belk & C. Otnes (Eds.), Handbook of qualitative research methods in marketing (pp. 471–485). Edward Elgar Publishing.
Puntoni, S., Reczek, R. W., Giesler, M., & Botti, S. (2021). Consumers and Artificial Intelligence: An Experiential Perspective. Journal of Marketing , 85 (1), 131–151. https://doi.org/10.1177/0022242920953847
Roldán, A. Á. (2002). Writing ethnography. Malinowski’s fieldnotes on Baloma. Social Anthropology , 10 (3), 377–393. https://doi.org/10.1111/j.1469-8676.2002.tb00065.x
Stone, P. J., Dunphy, D. C., & Smith, M. S. (1966). The general inquirer: A computer approach to content analysis.
Strauss, A. L., & Corbin, J. M. (2014). Basics of qualitative research: Grounded theory procedures and techniques (4th ed.). Sage.
Sætre, A. S., & Van de Ven, A. (2021). Generating Theory by Abduction. The Academy of Management Review , 46 (4), 684–701. https://doi.org/10.5465/amr.2019.0233 Talamadupula, Kartik. “A Guide to LLM Hyperparameters.” Symbl.ai , 4 Mar. 2024, A Guide to LLM Hyperparameters | Symbl.ai
Than, N., Fan, L., Law, T., Nelson, L. K., & McCall, L. (2025). Updating “The Future of Coding”: Qualitative Coding with Generative Large Language Models. Sociological Methods & Research , 54 (3), 849–888. https://doi.org/10.1177/00491241251339188
Kommentarer