Chatbots er kendetegnede ved, at de spytter ord ud på baggrund af en såkaldt vægtet sandsynlighed. Det betyder, at de ikke forholder sig til betydningen af det, man putter ind i dem. De forholder sig til mønstre af ord. De tager din tekst (prompt) og omdanner den til nogle mønstre, som de så sætter sammen med andre mønstre, der beregner forhold til endnu andre mønstre eller vektorer. Det kommer så tilbage, og oversættelsen går den modsatte vej, og det hele ender med en rækkefølge af ord, der er genererede som output på baggrund af et input.

Det beskrives meget godt i Albrechtsen og Wirenfeldt Jensens bog Kvalitative undersøgelser med AI: “Man kan forstå GenAI som en form for mønstergenkendelsesmaskine, der er trænet til at identificere mønstre i data og til at reproducere sproglige mønstre i sin interaktion med brugerne” (s. 61). Det er en rigtig fin definition af, hvad chatbots er.

Det afgørende ved definitionen er, at chatbots ikke kan give svar på noget; ikke kan relatere til den verden, vi som mennesker lever i. Og det vil derfor også være underligt, hvis man kan bruge chatbots til seriøst arbejde for slet ikke at tale om forskning, som de to forfattere gør i bogen.

Men det er måske ikke så underligt endda. I en rapport om AI og uddannelse har Unesco en model, der skal hjælpe brugere med at finde ud af, hvornår det er ok at bruge chatbots. I modellen er en afgørende distinktion, om man har brug for, at chatbottens output er korrekt (sandt) eller ej. Hvis det er vigtigt, så skal man selv have tilstrækkelig ekspertise til at afgøre sandhedsværdien. Dette er vigtigt, da chatbotten netop bare generere tekster på baggrund af mønstre i sproget; ikke på baggrund af viden eller informationer om fænomener i verden. Men det betyder også, at man ikke kan stole på et svar, hvis man ikke selv kender det.

Men pointen er også, at man kan bruge chatbots til mange andre ting, hvor korrekthed ikke er på spil. Og det gælder inden for rigtig mange områder – også inden for forskning med kvalitative metoder. Og det er netop det, Kvalitative undersøgelser med AI handler om.

Forfatterne fremhæver især fire områder inden for kvalitative undersøgelser, hvor chatbots kan være en hjælp og bidrage aktivt til forskningsarbejdet, nemlig "ideudvikling, forberedelse, analyse og formidling” (s. 27).

Når man skal ideudvikle handler det om at udvide feltet, få flere eller nye perspektiver og nuancer. Her kan man sagtens bruge chatbots. Men for at man selv har styringen i processen, skal man først selv udvikler ideer, inden man søger støtte hos en chatbot. I alle sammenhænge er forfatterne meget opmærksomme på, at forskningsarbejde med chatbots kræver, at forskeren hele tiden har sig selv med. Man kan kun vurdere genererede ideer, hvis man selv har forsøgt at udvikle ideer. Ellers bliver chatbottens ideer abstrakte og fjerne i forhold til forskerens egen interesse og forståelse af et forskningsfelt.

På samme måde, når man forbereder sig på sin undersøgelse. Her kan man få masser af hjælp til at udvikle spørgsmål til en spørgeguide. Men for at de genererede spørgsmål skal berige spørgeguiden, skal man selv har arbejdet med spørgeguiden. Man skal have et grundlag at vurdere et genereret output på.

I forhold til spørgeguiden er der også andre muligheder. Man kan øve sig på interviewet ved at tildele en chatbot rollen som interviewoffer. Især hvis man er urutineret interviewer, kan det være en stor hjælp, at man har prøvet at interviewe et “offer”, før det går løs i den virkelige verden. De kommer ind på flere eksempler på, at tilpassede chatbotter med personaer kan være en hjælp i forskningsprocessen.

Forfatterne fremhæver også, at chatbots kan bruges til at styrke forskerens egen refleksivitet. Det kan ske på flere måder. En af dem er at få feedback på, hvilke forudindtagetheder, der ligger i spørgeguiden eller i beskrivelsen af undersøgelsesfeltet. At styrke bevidstheden om ens egen fordomme (bias) kan klart styrke forskningsarbejdet.

Forskerens egen refleksion er noget, der fylder en hel del i bogen. “Refleksivitet er et sæt af fortløbende, kollaborative og mangefacetterede praksisser, som undersøgere bruger til at kritisere, vurdere og evaluere, hvordan deres subjektivitet og kontekst påvirker undersøgelsesprocessen" (s. 23), siger de med Olmos-Vega. Det giver derfor også god mening, at de efter hvert kapitel med et tema stiller en række refleksionsspørgsmål, man som forsker kan inddrage for at styrke forskningsprocessen. Man skal blandt andet reflektere over, hvordan og til hvad, man har brugt chatbots. En forskningsproces skal være transparent for andre, så de har bedre forudsætninger for at forholde sig til forskningen og dens resultater.

De fire grundkapitler er bygget op efter en fast skabelon: Først beskrives hvert af de fire faser, hvori chatbots kan indgå. Så følger refleksionsspørgsmålene og kapitlet ender med en case, der meget konkret illustrerer pointen fra kapitlet. Man får her direkte et indblik i forskeres maskinrum, hvilket er særdeles inspirerende.

At analysere forskningsdata fra kvalitative undersøgelser er ikke noget, man skal overlade til chatbot. Men det betyder ikke, at man ikke i processen kan bruge chatbots til netop det. I igen kræver det, at man som forsker selv tager styringen. Når man har kodet og fundet temaer i sit materiale kan man bede chatbotten om det samme. Her kan man så sammenligne egne fund med chatbottens. Måske har chatbotten fundet mønstre i datamaterialet, som forskeren ikke har. Forskeren skal selvfølgelig gennemgå datamaterialet for at bekræfte fundet, hvis det skal inkluderes i forskerens eget arbejde. Men man kan udnytte chatbotters “evne” til mønstergenkendelse og måske herigennem afsløre mønstre, som mennesker ikke kan opfatte.

Kvalitative undersøgelser er en virkelig god og instruktiv bog, men det betyder ikke, at jeg ikke har noget, jeg vil brokke mig over. Det er en del af jobbet.

På et tidspunkt kommer forfatterne ind på chatbotters evne til at “læse” og opsummere tekster. Og de taler om “sådanne værktøjer er designet til at forstå, fortolke og interagere med tekster” (s.32). Men det må være en fejl. Ganske vist er værktøjerne fintunet til at gøre netop det, men chatbots kan ikke opsummere og kan ikke forstå tekster, hvilket også følger af forfatternes egen definition på chatbots som mønstergenkendelsesmaskiner. Det er fejlagtigt at tro, at man får en opsummering af en chatbot, hvis man beder om det. Man får omsat teksten til mønstre, der tjekkes op imod andre mønstre. En opsummering vil kræve, at man forstår teksten og kan skelne mellem, hvad der er relevant, og hvad der ikke er. Det er en evne, som mennesker har, men det har chatbots ikke, fordi de er mønstergenkendelsesmaskiner og ikke læsere med erfaring og bevidsthed.

Men bortset fra disse detaljer er bogen virkelig god. Den kan meget direkte bruges af kvalitative forskere i deres arbejde med at planlægge, udføre og formidle kvalitativ forskning. Og jeg tror, forfatterne har ret, når de afslutningsvist konkluderer, at generativ kunstig intelligens vil ændre den kvalitative forskning.

Jeg er dog ikke overbevist om, at chatbots vil udviske forskellen mellem de kvalitative og kvantitative metoder på grund af, at generativ kunstig intelligens behandler det kvalitative som kvantitativt. Men det vil tiden vise.

Indtil videre kan vi håbe på, at forskerne tager bogens gode råd og anbefalinger til sig for at bruge teknologien til at styrke forskningen.