Codificación de IA intencional
Con esta nueva herramienta de codificación basada en IA, le ofrecemos más control, más transparencia y mejores resultados. Simplemente introduzca sus objetivos de investigación y deje que ATLAS.ti codifique sus documentos con las respuestas que necesita.
La codificación de IA intencional es una versión mejorada de nuestra innovadora herramienta de codificación de IA, que ofrece mejores resultados adaptados a sus preguntas de investigación, mayor transparencia e incluso puede ayudarle a encontrar preguntas pertinentes. Al igual que con la codificación de IA, puede revisar y perfeccionar los códigos generados para adaptarlos a su investigación, dejándole a usted, el investigador, en control.
Tenga en cuenta que la codificación de IA intencional es una función en versión beta. Puede utilizarla libremente y agradecemos sus comentarios sobre todos sus aspectos.
Puede acceder a la codificación de IA intencional a través del menú Análisis, el botón Documentos en la barra de herramientas principal, o en la sección Análisis de los menús contextuales del documento o del grupo de documentos.
Descripción general rápida
- El primer paso es seleccionar los documentos o grupos de documentos que desea que ATLAS.ti codifique. Si invocó la codificación de IA intencional sobre un documento o un conjunto de documentos, este paso se omite.
- A continuación, ATLAS.ti le solicita su intención. Escriba aquí su(s) pregunta(s) de investigación o hipótesis. No dude en agregar algo de contexto, ya que esto ayudará a la IA a comprender los datos.
- En el siguiente paso, ATLAS.ti generará preguntas concretas a partir de su intención, junto con nombres de categorías de códigos pertinentes. Aquí puede revisar y editar las preguntas y los nombres de las categorías de códigos, deshabilitar las preguntas que no le interesen e incluso añadir las suyas propias.
- Después de hacer clic en "Iniciar codificación", ATLAS.ti revisará sus documentos y recopilará sugerencias de codificación. Esto puede tardar algunos minutos. Puede continuar trabajando en ATLAS.ti mientras se ejecuta este proceso, pero tenga cuidado de no editar los documentos que estén bajo análisis de IA, ya que eso haría que los resultados no fueran aplicables.
- Cuando esté satisfecho, haga clic en "Aplicar" y ATLAS.ti aplicará la codificación y le mostrará un resumen. Puede cerrar esta ventana ahora; la codificación está lista.
La codificación de IA intencional cargará su intención, sus preguntas, los nombres de categorías de códigos elegidos y el contenido de sus documentos en los servidores de ATLAS.ti y OpenAI. Nunca cargaremos sus datos sin su consentimiento explícito. Si desea continuar, active la casilla de verificación donde reconoce que acepta nuestro EULA y nuestra Política de privacidad. OpenAI NO utilizará los datos de los usuarios de ATLAS.ti para entrenar los modelos de OpenAI.
Cómo aprovechar al máximo la codificación de IA intencional
Es mejor enviar documentos que pertenezcan temáticamente al mismo grupo en la misma ronda de codificación de IA intencional. Esto mejorará la calidad de la codificación y permitirá que ATLAS.ti ignore los patrones repetitivos entre documentos, como las preguntas de entrevistas.
La codificación de IA intencional funciona por párrafos. Para obtener los mejores resultados, las preguntas de entrevistas o los nombres de los participantes en las transcripciones deben estar en su propio párrafo, y la estructura de párrafos de un documento debe estar bien definida. Al editar su documento, utilice los números del margen izquierdo para determinar la separación entre párrafos.
Los documentos PDF no contienen párrafos, aunque lo parezca, por lo que los resultados de los documentos PDF probablemente serán deficientes.
La codificación de IA intencional omite los párrafos muy cortos.
La codificación de IA intencional solo analiza el texto sin formato de sus documentos. Los códigos, citas, imágenes y formatos existentes no tienen ningún efecto en sus resultados.
Codificación de IA en profundidad
La codificación de IA intencional funciona con la familia de modelos de lenguaje de gran escala GPT. Estos modelos se basan en grandes cantidades de textos diversos y en entrenamiento adicional por parte de investigadores humanos, lo que les permite utilizarse de manera general.
En ATLAS.ti ofrecemos acceso sencillo a estos potentes modelos con nuestra función de codificación de IA, sin necesidad de comprender y gestionar los detalles técnicos y las limitaciones. ATLAS.ti divide automáticamente su texto en fragmentos que son procesados por la IA y los pasa a los modelos GPT para un análisis repetido. Los resultados del análisis se combinan algorítmicamente para ofrecer la mejor combinación de códigos que cubran diferentes temas sin producir una cantidad abrumadora de códigos.
A continuación se presenta una visión detallada de estos pasos:
En el primer paso, la IA analiza la intención proporcionada, identifica preguntas y determina un nombre de categoría de código basado en cada pregunta. El usuario puede revisar y editar tanto las preguntas como las categorías de códigos.
A continuación, se segmentan los documentos. Los modelos de lenguaje de gran escala son sensibles al texto circundante, ya que tienen una ventana de atención, también llamada contexto. Elegir el contexto adecuado es clave al trabajar con un modelo de lenguaje de gran escala. Un contexto corto puede significar que no se procesa mucha información, porque algunas palabras o incluso oraciones solo tienen sentido en un contexto más amplio. Elegir un contexto demasiado grande satura el modelo con información y dificulta que los algoritmos de extracción de códigos encuentren códigos significativos. ATLAS.ti elige contextos de no menos de 100 caracteres de longitud, pero realiza cortes en los límites naturales de los párrafos. Hemos comprobado que estas restricciones tienen un impacto positivo en la calidad de la codificación, al mismo tiempo que excluyen la mayoría de los encabezados y títulos que son de menor importancia para los investigadores cualitativos. Como paso adicional para reducir el ruido en los datos analizados, ATLAS.ti elimina del análisis los párrafos que aparecen más de una vez, ya que es probable que sean frases recurrentes de entrevistas o nombres de hablantes.
Los documentos se analizan entonces segmento por segmento. En la práctica, esto significa con mayor frecuencia párrafo por párrafo. Cada pregunta se aplica a cada segmento. Si se aplica y genera una respuesta coherente, esa respuesta se condensa en un código, y el código se aplica como codificación propuesta al segmento. El código se agrupa bajo la categoría de código de la pregunta.
ATLAS.ti presenta todas las codificaciones propuestas al usuario antes de aplicarlas.
Tenga en cuenta que, aunque en general es beneficioso que los modelos GPT hayan sido entrenados con grandes cantidades de texto, en algunas situaciones esto puede dar lugar a resultados incorrectos que no reflejan con precisión a personas, lugares o hechos reales. En algunos casos, los modelos GPT pueden incorporar sesgos sociales como estereotipos o sentimientos negativos hacia ciertos grupos. Debe evaluar la precisión de cualquier resultado según corresponda a su caso de uso.