Gå til indholdet

PF2 – GenAI som med-analytiker

Opgaveformulering

Arbejdet skal bygge på et emne og materiale, du kender i forvejen (fx en tidligere opgave, et kendt dokumentationsgrundlag (anonymiseret data/empiri), et interview/korpus fra et tidligere projekt).

1. Problemstilling

Formulér en problemstilling, der ligner eller forbedrer en tidligere brugt problemstilling.
Vælg én af disse typer:

  • Beslutning på dokumentationsgrundlag (overvej muligheder og vælg)
  • Dybdelæsning af en lang tekst eller et tekstkorpus
  • Tematisk analyse (fx interview/feltnoter)

2. Arbejdsprocedure

Design en kort, versionsstyret arbejdsprocedure (standard operating procedure (SOP)), der angiver: formål og omfang/rækkevidden ("scope"), data og værktøjer (inkl. modelnavn/-version), roller (menneske ↔ GenAI), trin-for-trin-proces, kvalitetskriterier/tjekpunkter samt dataetik/GDPR (anonymisering, opbevaring).

3. Gennemfør analyse

  • Udfør analysen på et substantielt udsnit af materialet (angiv omfang).
  • Dokumentér løbende prompter, AI-svar og dine beslutninger (log/memos).
  • Ved tematisk analyse: vis uddrag, foreløbig kodebog, temaudvikling.
  • Ved beslutningsopgave: vis kriterier, evidensvægte og begrundede valg.
  • Ved dybdelæsning: vis uddrag, fortolkninger og alternative læsninger.

4. Lessons learned

Afrund med konkrete erfaringer fra workflowet: hvor hjalp GenAI, hvor fejlede den (med eksempler), bias/fejlkilder, ændringer du ville indføre i SOP'en næste gang.

5. Bidragsattribution

Gør tydeligt, hvad GenAI har bidraget med, og hvad du som menneske har gjort (valg, fravalg, rettelser).

Aflevering:

  • Problemstilling (maks. ½ NS)
  • Arbejdsprocedure (1–2 NS)
  • Analyselog med eksempler (uddrag/bilag)
  • Resultater (beslutning/temaer/fortolkning) med citater/henvisninger
  • Bidragsattribution (GenAI vs. menneske)
  • Lessons learned (ca. 1-1.5 NS)
  • Bilag tæller ikke i antal sider

Krav & vurdering:
Metodisk stringens og transparens (promptlog), reproducerbarhed, kritisk modelbevidsthed (bias/fejl), databeskyttelse, samt klar sammenhæng mellem problemstilling, procedure og resultater.

Rollemodel-undersøgelse:
Nguyen-Trung, Kien (2025). ChatGPT in thematic analysis: Can AI become a research assistant in qualitative research? Quality & Quantity, 59(6), 4945–4978. https://doi.org/10.1007/s11135-025-02165-z
Fra AU-library: https://doi-org.ez.statsbiblioteket.dk/10.1007/s11135-025-02165-z
Artiklen er et godt og reproducerbart udgangspunkt for at eksperimentere med AI i kvalitativ analyse: datasættet er offentligt tilgængeligt, ACTOR-rammen giver et konkret sprog for kontekst- og prompt engineering i kvalitativ analyse, og forfatteren er ærlig om begrænsningerne. Det giver jer et solidt grundlag for selv at prøve og dermed med empirisk grundlag at diskutere, hvad AI realistisk set kan og ikke kan bidrage med i kodningsprocessen.