Lo studio, pubblicato su arxiv,[1] mostra come un assistente virtuale basato su intelligenza artificiale possa supportare i ricercatori nell’analisi dei testi aperti, riducendo tempi, fatica e rischio di bias. Attraverso un processo collaborativo e iterativo, i ricercatori hanno sviluppato e applicato una tassonomia per classificare migliaia di obiettivi personali raccolti in Colombia.
Obiettivi personali sotto la lente dell’IA
Per capire perché le persone con basso status socioeconomico fanno più fatica a realizzare i propri obiettivi, gli studiosi hanno chiesto a 1.759 partecipanti di descrivere le loro ambizioni. Ne sono emersi oltre 3.000 obiettivi. La difficoltà? Classificarli in modo chiaro e coerente. L’uso di un LLM, come GPT-4, ha permesso di costruire una tassonomia a partire dai dati stessi, senza imporre categorie astratte.
Otto passi per una tassonomia efficace
Il team ha definito un metodo in otto fasi che parte dalla scrittura del prompt iniziale fino alla classificazione completa del dataset. Durante il processo sono state testate l’affidabilità tra codificatori e la chiarezza delle categorie. Il risultato è stato un sistema di nove categorie principali, tra cui “Salute e benessere”, “Sviluppo personale”, “Istruzione” e “Relazioni familiari”, capace di organizzare in modo preciso e ripetibile gli obiettivi.
Vantaggi e limiti dell’approccio assistito da IA
Il lavoro ha evidenziato come gli LLM possano rendere l’analisi qualitativa molto più rapida, flessibile e affidabile rispetto ai metodi manuali o tradizionali basati su NLP. Tuttavia, non sono infallibili. Il rischio di allucinazioni o bias non sparisce, ma può essere gestito attraverso regole chiare, controlli incrociati e coinvolgimento umano costante.
Un futuro collaborativo tra ricerca e AI
Secondo gli autori, l’uso di modelli linguistici nella ricerca qualitativa rappresenta una svolta metodologica. Più che sostituire i ricercatori, questi strumenti amplificano le loro capacità, rendendo accessibili analisi prima impensabili per quantità e complessità. Ma servono cautela e trasparenza: solo un uso consapevole dell’intelligenza artificiale può portare a risultati affidabili e scientificamente solidi.
