A kurzus célja, hogy a hallgatókat ellássa a számítógépes kvalitatív adatelemző szoftverek (CAQDAS) segítségével végzett kvalitatív kutatáshoz szükséges alapvető ismeretekkel és készségekkel. A hallgatók megismerkednek a kvalitatív kutatás tervezéséhez és végrehajtásához elengedhetetlen alapvető fogalmakkal és módszertanokkal, beleértve a megalapozott elmélet és a tematikus elemzés elméleti alapjait, valamint a CAQDAS-eszközökkel végzett gyakorlati munkafolyamatokat. A kurzus kiemelt figyelmet fordít a vezető szoftverekkel való gyakorlati tapasztalatszerzésre, lehetővé téve a hallgatók számára a kvalitatív adatok hatékony kódolását, rendszerezését és értelmezését. A kurzus kiemelten foglalkozik a CAQDAS-eszközök felhasználásával a kódok szisztematikus kategorizálása és összekapcsolása, a hálózatelemzés alkalmazása a vizuális ábrázoláshoz, valamint a tematikus azonosítás és értelmezés finomítása érdekében.
A kurzus jelentős része a mesterséges intelligencia (AI) integrálására összpontosít a kvalitatív adatelemzésben. A hallgatók megvizsgálják, hogy a mesterséges intelligencia – beleértve a természetes nyelvfeldolgozást (NLP) és a nagy nyelvi modelleket (LLM) – hogyan segítheti a kódolást és a tematikus elemzést. A kurzus kitér az AI-támogatott kvalitatív kutatás megbízhatóságára és etikai szempontjaira is.
A kurzus sikeres elvégzésével a hallgatók felkészülten alkalmazhatják a kvalitatív kutatási módszereket jövőbeli szakmai pályafutásuk során, jelentősen hozzájárulva a választott tudományterületeik fejlődéséhez.
A kurzus célja, hogy a hallgatókat ellássa a számítógépes kvalitatív adatelemző szoftverek (CAQDAS) segítségével végzett kvalitatív kutatáshoz szükséges alapvető ismeretekkel és készségekkel. A hallgatók megismerkednek a kvalitatív kutatás tervezéséhez és végrehajtásához elengedhetetlen kulcsfogalmakkal és módszertanokkal, beleértve a „grounded theory” megközelítés és a tematikus elemzés elméleti alapjait, valamint a CAQDAS-eszközök használatával kapcsolatos gyakorlati munkafolyamatokat. A kurzus kiemelt figyelmet fordít a vezető szoftverekkel való gyakorlati tapasztalatszerzésre, lehetővé téve a hallgatók számára a kvalitatív adatok hatékony kódolását, rendszerezését és értelmezését.
A kurzus során a hallgatók átfogó ismereteket szereznek a számítógépes kvalitatív adatelemzés elveiről és munkafolyamatairól. Ez magában foglalja a CAQDAS használatát meghatározó ontológiai és episztemológiai szempontok feltárását, a kvalitatív adatelemzés különböző szakaszainak megértését, valamint a különböző CAQDAS-csomagokban közös alapvető funkciók elsajátítását. Ezen felül a kurzus arra is összpontosít, hogyan lehet a szoftver funkcióit felhasználni a kódok szisztematikus kategorizálására és összekapcsolására, olyan technikák beépítésével, mint a szelektív kódolás és a folyamatos összehasonlítás (a megalapozott elméletben). Bemutatásra kerülnek továbbá a CAQDAS-on belüli hálózatelemző eszközök alkalmazása is, amelyekkel vizuálisan ábrázolhatók a kódok és fogalmak közötti kapcsolatok, ami végső soron elősegíti az adatok mélyebb szintű értelmezését. Ezen felül szó lesz a tematikus azonosításról, finomításról és értelmezésről (a tematikus elemzésben) is.
A kurzus jelentős része a mesterséges intelligencia (AI) integrálására összpontosít a kvalitatív adatelemzésben. A hallgatók megvizsgálják, hogy az AI – beleértve a természetes nyelvfeldolgozást (NLP) és a nagy nyelvi modelleket (LLM) – hogyan segítheti a kódolást.
A kurzus sikeres elvégzésével a hallgatók felkészülten alkalmazhatják a kvalitatív kutatási módszereket jövőbeli szakmai pályafutásuk során.
Készségek (képességek) A hallgatók a CAQDAS segítségével szigorú kvalitatív projekteket terveznek és valósítanak meg az adatok elemzése céljából. Elsajátítják a szisztematikus kódolás, kategorizálás és hálózatelemzés technikai készségeit, hogy vizuálisan ábrázolhassák a kapcsolatokat és finomíthassák a témákat. Ezen felül a kurzus gyakorlati tapasztalatot nyújt a mesterséges intelligencia (NLP és LLM-ek) munkafolyamatokba való integrálásában, miközben kritikusan értékelik a mesterséges intelligenciával támogatott kutatás etikai és megbízhatósági kihívásait.
Ismeretek: A résztvevők mélyreható ismereteket szereznek a CAQDAS által támogatott kvalitatív eljárásokról – ideértve a megalapozott elméletet (Grounded Theory) és a tematikus elemzést is. A tananyag áttekinti a szisztematikus kódolás elméleti alapjait, valamint a mesterséges intelligencia integrálásával járó lehetséges kihívásokat, különös tekintettel az automatizált eszközök használata során a következetesség és a módszertani integritás fenntartására.
Hozzáállás: A kurzus elősegíti az etikus adatkezelés és az átláthatóság iránti elkötelezettséget. A hallgatók együttműködésre irányuló gondolkodásmódot alakítanak ki, és digitális eszközök segítségével vesznek részt társaikkal közös problémamegoldásban. Végül kritikus szemléletmódot alakítanak ki, és megtanulják felismerni mind a CAQDAS, mind a mesterséges intelligencia technológiák sajátos erősségeit és korlátait különböző kutatási környezetekben.
A kurzusnak nincsenek konkrét előfeltételei, mivel az alapvető fogalmakkal indul, és fokozatosan vezeti be a legfontosabb kvalitatív kutatási módszereket. A kurzus minden szintű hallgató számára készült, beleértve azokat is, akiknek nincs előzetes tapasztalatuk az empirikus kutatás terén.
Babbie, E. R. (2014). A társadalomtudományi kutatás gyakorlata. Cengage Learning.
Bryman, A. (2016). Társadalomtudományi kutatási módszerek. Oxford University Press.
May, T., & Perry, B. (2022). Társadalomtudományi kutatás: Kérdések, módszerek és folyamatok. McGraw-Hill Education.
Neuman, W. L. (2014). Társadalomtudományi kutatási módszerek: Minőségi és mennyiségi megközelítések. Pearson Education Limited.
A hallgatóközpontú tanulás, a transzverzális készségek, a transzdiszciplináris, kutatásalapú kompetenciák, valamint a technológiával támogatott oktatási elvek hangsúlyozásával ez a kurzus arra irányul, hogy a hallgatók átfogó és gyakorlati ismereteket szerezzenek a CAQDAS-eszközökkel végzett kvalitatív kutatási módszerekről.
A hallgatók interaktív előadásokon, beszélgetéseken és csoportos tevékenységeken vesznek részt, amelyek ösztönzik az aktív részvételt és a kritikus gondolkodást. Rendszeres visszajelzési üléseket tartunk az egyéni tanulási igények és az elért haladás figyelembevétele érdekében, biztosítva, hogy minden hallgató személyre szabott útmutatást kapjon. Ezen felül bevezetünk egy egymás munkájának értékelésére szolgáló rendszert, amelynek keretében a hallgatók különböző tudományági perspektívákból értékelik egymás munkáját. Ez a megközelítés ösztönzi a kritikus értékelést és a különböző nézőpontokból származó konstruktív visszajelzéseket, ezáltal javítva a kutatás minőségét és elmélyítve a hallgatók interdiszciplináris megközelítések iránti megértését.
A hallgatók transzverzális készségeinek fejlesztése érdekében a kurzus rendszeres prezentációk, társaik általi értékelések és visszajelzési ülések beépítésével fejleszti a hallgatók azon képességét, hogy kutatási eredményeiket írásban és szóban egyaránt világosan és hatékonyan mutassák be és elemezzék.
A hallgatók kutatási készségeinek további fejlesztése érdekében a kurzus a kvalitatív kutatás tervezéséhez és végrehajtásához elengedhetetlen kulcsfogalmak és módszertanok mélyreható feltárására összpontosít. Ez magában foglalja a kvalitatív kutatási eljárásokkal kapcsolatos gyakorlati tapasztalatok megszerzését is, mint például a kódolás, a tematikus elemzés és a CAQDAS-eszközök használata. A hallgatók emellett megismerkednek a mesterséges intelligencia (AI) kvalitatív adatelemzésbe való integrálásával is, és gyakorlati készségeket szereznek az NLP és az LLM-ek kódoláshoz és tematikus elemzéshez való felhasználásában.
A technológiával támogatott tanulási élmény gazdagítása érdekében digitális eszközöket és forrásokat integrálnak a kurzusba, beleértve az online adatbázisokat, a kvalitatív elemzési szoftvereket és a virtuális együttműködési platformokat.
Tanulmányi eredményekről szóló igazolás