Codificación intencionada de la IA
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.
Intentional AI Coding es una versión mejorada de nuestra innovadora herramienta de codificación de IA, que ofrece mejores resultados adaptados a sus preguntas de investigación, más transparencia e incluso puede ayudarle a buscar preguntas pertinentes. Al igual que con AI Coding, puede revisar y refinar los códigos que se generan para adaptarlos a su investigación, dejándole el control a usted, el investigador.
Tenga en cuenta que Intentional AI Codificación es una función beta. Puede utilizarla libremente y agradeceremos sus comentarios sobre cualquier aspecto de la misma.
Puede acceder a la codificación intencional de IA a través de la cinta Buscar y codificar, en la sección Analizar de las barras de herramientas del documento y del gestor de documentos, o en la sección Análisis de los menús contextuales del documento o del grupo de documentos.
Resumen rápido
- El primer paso es seleccionar los documentos o grupos de documentos que quiere que ATLAS.ti codifique por usted. Si ha invocado la Codificación Intencional de IA en un documento o grupo de documentos, este paso se omite.
- A continuación, ATLAS.ti le pregunta por su intención. Escriba aquí su(s) pregunta(s) de investigación o hipótesis. Siéntase libre de añadir algo de contexto, ya que esto ayudará a la IA a dar sentido a los datos.
- En el siguiente paso, ATLAS.ti generará preguntas concretas a partir de su intención, junto con los nombres de las categorías de códigos pertinentes. Aquí, puede revisar y editar las preguntas y los nombres de las categorías de códigos, puede desactivar las preguntas que no le interesen, e incluso puede añadir las suyas propias.
- Después de hacer clic en "Empezar a codificar", ATLAS.ti revisará sus documentos y recogerá sugerencias de codificación. Esto puede llevar algunos minutos. Puede continuar trabajando en ATLAS.ti mientras se ejecuta este proceso, pero tenga cuidado de no editar los documentos que están bajo análisis de IA, ya que eso hará que los resultados sean inaplicables.
- 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 hecha.
Intentional AI Coding subirá su intención, sus preguntas, los nombres de los códigos de las categorías elegidas y el contenido de sus documentos a los servidores de ATLAS.ti y OpenAI. Nunca subiremos sus datos sin su consentimiento explícito. Si desea continuar, active la casilla en la que reconoce que está de acuerdo con nuestroCLUFy laPolítica de Privacidad. OpenAI NO utilizará los datos de los usuarios de ATLAS.ti para entrenar los modelos de OpenAI.
Cómo sacar el máximo partido de la codificación intencionada de la IA
Es mejor enviar documentos que pertenezcan juntos temáticamente en la misma ronda de codificación intencional 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 intencional de la IA 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.
La codificación intencionada de la IA se salta párrafos muy cortos.
Intentional AI Codificación sólo examina el texto sin formato de sus documentos. Los códigos, citas, imágenes y formatos existentes no influyen en sus resultados.
Codificación de IA en profundidad
Intentional 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:
En el primer paso, la IA analiza la intención proporcionada y se identifican las preguntas, junto con un nombre de categoría de código basado en la pregunta. El usuario puede revisar y editar tanto las preguntas como las categorías de codificación.
A continuación, se segmentan los documentos. 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.
A continuación, los documentos se analizan segmento por segmento. En la práctica, esto suele significar párrafo por párrafo. Cada pregunta se aplica a cada segmento. Si se aplica y da una respuesta razonable, ésta se abrevia en un código, y el código se aplica como codificación propuesta al segmento. El código se agrupa en la categoría de codificación 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 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.