تتزايد استخدامات نماذج اللغات الضخمة (Large Language Models - LLMs) في مجالات البحث النوعي لتحليل النصوص، ولكن ما زالت الأدلة حول أدائها في تحليل المحتوى الاستقرائي محدودة. تفحصت دراسة جديدة مقاييس أداء البشر ونموذج GPT-5.4 في تحليل ردود استطلاعات مفتوحة لـ903 إجابة عبر ستة متغيرات من استبيان طلاب الدكتوراه الأوروبي. تم إجراء تحليل المحتوى الاستقرائي بواسطة خمسة محللين بشريين وفقًا لنظام ترميز موحد، بينما قام نموذج GPT-5.4 بإجراء نفس المهمة باستخدام إجراءات توجيه معتمدة.

تم تقييم توافق النتائج بين البشر ونموذج GPT-5 من خلال مؤشر راند المعدل (Adjusted Rand Index - ARI). أظهرت النتائج تنسيقًا بين نماذج اللغات الضخمة والبشر، حيث بلغت قيم ARI 0.61 لعملية الترميز و0.54 لتوليد الموضوعات. كانت هذه القيم قريبة من الاتساق الداخلي في نتائج الترميز بين البشر (ARI = 0.68) ونموذج الذكاء الاصطناعي (ARI = 0.76).

تفاوتت مستويات التوافق بين المتغيرات بشكل كبير، حيث كان التناسق الداخلي المنخفض مرتبطًا باستمرار منخفض في التوافق بين الكيانات، مما يشير إلى دور خصائص البيانات وأداء الأفراد في الموثوقية. بشكل عام، توحي النتائج بأن نماذج اللغات الضخمة يمكن أن تقارب أداء البشر في هذا السياق المحدد، لا سيما في مستوى الترميز، وقد تكون أداة دعم قابلة للتوسع لتحليل الكيفية الاستقرائية.

ما رأيكم في قدرة الذكاء الاصطناعي على دعم الدراسات النوعية؟ شاركونا في التعليقات!