Codificación de IA
ATLAS.ti se enorgullece de ofrecer la primera de muchas funciones verdaderamente automatizadas, impulsadas por los modelos GPT líderes en el mundo de OpenAI.
AI Coding le ayuda a usted, el investigador, "leyendo" sus documentos y realizando una codificación inductiva totalmente automatizada. Por supuesto, puede revisar y refinar los códigos que se generan para adaptarlos a su investigación, pero puede guardar un tiempo valioso procesando sus datos y realizando la tarea servil de la codificación inicial por usted. El tiempo que guarde podrá utilizarlo para refinar y combinar códigos, realizar análisis y producir visualizaciones al informar sobre su investigación.
Tenga en cuenta que AI Codificación es una función beta. Puede utilizarla libremente y agradeceremos sus comentarios sobre cualquier aspecto de la misma.
Puede acceder a AI Codificación a través de la cinta Buscar y codificar, en la sección Analizar de las barras de herramientas del documento y del gestor documental, o en la sección Análisis de los menús contextuales del documento o del grupo de documentos.
Resumen rápido
Empiece seleccionando los documentos o grupos de documentos que quiere que ATLAS.ti codifique para usted. Después de hacer clic en "Empezar a codificar", ATLAS.ti le preguntará si quiere continuar y le mostrará una estimación aproximada del tiempo que tardará en procesar sus datos.
AI Codificación subirá el contenido de su documento a los servidores de ATLAS.ti y OpenAI. Nunca subiremos sus datos sin su consentimiento explícito. Si desea continuar, active la casilla donde reconoce que está de acuerdo con nuestroCLUFyPolítica de Privacidad. OpenAI NO utilizará los datos de los usuarios de ATLAS.ti para entrenar los modelos de OpenAI.
Puedes seguir trabajando mientras se ejecuta AI Codificación.
Después de que la codificación AI haya terminado, ATLAS.ti le presentará una visión general de los resultados. Aquí, puede cambiar el número de categorías que desea arrastrando el deslizador o ingresando un número en la parte inferior izquierda. Esto no cambiará los códigos que obtenga de la codificación AI, pero los agrupará de forma diferente. Esto puede ayudarle si el agrupamiento por defecto es demasiado grueso o demasiado fino para usted.
Es posible que el algoritmo de clustering no siempre devuelva el número exacto de clusters solicitado.
Puede alternar entre una lista y una visualización gráfica forzada de los grupos de códigos. Haga clic en un código o categoría para ver las citas que codificarán.
Cuando esté satisfecho, haga clic en "Aplicar", y ATLAS.ti aplicará la codificación y le mostrará un resumen.
Ya puede cerrar esta ventana; la codificación está hecha.
Todos los códigos con los que codifique AI Coding formarán parte del grupo de códigos "AI Codes".
Cómo sacar el máximo partido a la codificación de IA
Es mejor enviar documentos que pertenezcan juntos temáticamente en la misma ronda de codificación de IA. Esto mejorará la calidad de la codificación y permitirá a ATLAS.ti ignorar patrones repetitivos en los documentos, como las preguntas de las entrevistas.
La codificación AI funciona por párrafos. Para obtener los mejores resultados, las preguntas de las entrevistas o los nombres de los participantes en las transcripciones deben ir en su propio párrafo, y la estructura de párrafos de un documento debe estar bien definida. Al editar el documento, utilice los números del margen izquierdo para determinar la separación entre párrafos.
Los documentos PDF no contienen párrafos, aunque lo parezcan, por lo que los resultados de los documentos PDF serán probablemente pobres.
AI Codificación se salta párrafos muy cortos.
AI Codificación sólo examina el texto sin formato de sus documentos. Los códigos, citas y formatos existentes no influyen en sus resultados.
Codificación de IA en profundidad
AI Codificación trabaja con la familia GPT de grandes modelos lingüísticos. Estos modelos se basan en grandes cantidades de textos diferentes y en la formación adicional de investigadores humanos, lo que permite utilizarlos de forma generalizada.
Nosotros en ATLAS.ti ofrecemos un acceso fácil a estos modelos capaces con nuestra función de codificación de IA sin la necesidad de entender y navegar por los detalles técnicos y las limitaciones. ATLAS.ti divide automáticamente su texto en trozos que son manejados 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 cubren diferentes temas sin producir una cantidad abrumadora de códigos.
He aquí una visión en profundidad de estos pasos:
Los grandes modelos lingüísticos son sensibles al texto circundante, ya que disponen de una ventana de atención, también llamada contexto. Elegir el contexto adecuado es clave para trabajar con un modelo lingüístico de gran tamaño. Un contexto corto puede significar que no se pueda procesar mucha información, porque algunas palabras o incluso frases sólo tienen sentido en un contexto más amplio. Elegir un contexto demasiado grande desborda el modelo de información y hace más difícil que los algoritmos de extracción de código busquen códigos con sentido. ATLAS.ti elige contextos que no tienen menos de 100 caracteres de longitud, pero que se rompen en los límites naturales de los párrafos. Hemos encontrado que estos límites tienen un impacto positivo en la calidad de la codificación, al tiempo que dejan fuera la mayoría de los encabezamientos 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 se trate de frases recurrentes de entrevistas o nombres de participantes.
En el primer paso del análisis, los modelos de IA se encargan de buscar codificaciones significativas para cada segmento de datos, actuando como si el modelo fuera un asistente de investigación cualitativa. Como los modelos de la familia GPT son bastante creativos, la codificación IA puede producir codificaciones similares, mientras que otras tocan el mismo tema pero se expresan de formas disímiles. Este procedimiento puede producir cientos de códigos diferentes que no se pueden gestionar de forma que se ahorre tiempo.
Para solucionarlo, utilizamos una característica de los modelos lingüísticos llamada incrustación, en la que cada palabra o frase puede asociarse a un punto en un espacio multidimensional. Una de las propiedades útiles de esta característica es que las palabras y frases más parecidas entre sí se sitúan más cerca unas de otras que las palabras o frases menos parecidas. Aprovechando esta propiedad, ATLAS.ti agrupa los códigos combinando los más cercanos entre sí en una colección. Esta agrupación se repite hasta que se alcanza un número satisfactorio de colecciones.
Los códigos combinados se asocian a los segmentos generados y se proponen en la interfaz ATLAS.ti para la visualización de citas.
Tenga en cuenta que, aunque en general es beneficioso que los modelos GPT se hayan entrenado con grandes cantidades de texto, en algunas situaciones esto puede dar lugar a resultados incorrectos que no reflejen con exactitud personas, lugares o hechos reales. En algunos casos, los modelos GPT pueden codificar sesgos sociales como estereotipos o sentimientos negativos hacia determinados grupos. Deberá evaluar la exactitud de los resultados en función de su caso de uso.