A kurzus célja, hogy a hallgatók elsajátítsák a számítógépes kvalitatív adatelemző szoftverek (CAQDAS) segítségével végzett kvalitatív kutatáshoz szükséges alapvető ismereteket és készségeket. 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-eszközök használatával kapcsolatos gyakorlati munkafolyamatokat. A kurzus kiemelt figyelmet fordít a vezető szoftverekkel – például a QDAMiner, az ATLAS.ti és a yEd – való gyakorlati munkára, lehetővé téve a hallgatók számára a kvalitatív adatok hatékony kódolását, rendszerezését és értelmezését. A kurzus hangsúlyt fektet a CAQDAS-eszközök felhasználására a kódok szisztematikus kategorizálása és összekapcsolása érdekében, a hálózatelemzés alkalmazására a vizuális ábrázoláshoz, valamint a tematikus azonosítás és értelmezés finomítására.
A kurzus jelentős része a mesterséges intelligencia (AI) kvalitatív adatelemzésbe való integrálására fog összpontosítani. 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 alapú kutatási módszereket jövőbeli szakmai pályafutásuk során, jelentősen hozzájárulva választott tudományterületükhöz.
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 hangsúlyt fektet a vezető szoftverekkel – például a QDAMiner, az ATLAS.ti és az yEd – 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 számítógéppel támogatott 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 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 a tematikus elemzés keretében a témák azonosítása, finomítása és értelmezése is tárgyalásra kerül.
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 és a tematikus elemzést. A kurzus kitér az AI-támogatott kvalitatív kutatás megbízhatóságára és etikai szempontjaira is, így a hallgatók
Képességek (szakértelem)
Kvalitatív kutatások tervezése és végrehajtása: A hallgatók képesek lesznek kvalitatív kutatási projekteket tervezni, végrehajtani és értékelni, CAQDAS-eszközök alkalmazásával, hogy elemzéseik pontosságát és átláthatóságát növeljék.
Adatelemzés CAQDAS segítségével: A hallgatók jártasságot szereznek a vezető kvalitatív elemző szoftverek, például a QDAMiner, az ATLAS.ti és az yEd használatában, fejlesztve ezzel kvalitatív kutatási technikai készségeiket és elősegítve az új technológiákhoz való alkalmazkodást.
Kódok szisztematikus kategorizálása és összekapcsolása: A hallgatók gyakorlati készségeket szereznek a CAQDAS funkcióinak felhasználásában a kódok szisztematikus kategorizálása és összekapcsolása céljából.
Hálózatelemzés és tematikus értelmezés: A hallgatók megtanulják a CAQDAS-on belüli hálózatelemző eszközök alkalmazását a kódok és fogalmak közötti kapcsolatok vizuális ábrázolására, elősegítve ezzel az adatok mélyebb szintű értelmezését, valamint a témák azonosítását, finomítását és értelmezését.
A mesterséges intelligencia integrálása a kvalitatív elemzésbe: A hallgatók gyakorlati készségeket szereznek a mesterséges intelligencia – beleértve az NLP-t és az LLM-eket – kvalitatív adatelemzésbe történő integrálásában, valamint az AI-támogatott kutatások megbízhatóságának és etikai szempontjainak kritikus értékelésében.
Tudás
Kvalitatív kutatási módszerek: A hallgatók mélyreható ismereteket szereznek a kvalitatív kutatási eljárásokról, beleértve az adatgyűjtést, a kódolást és a tematikus elemzést, a CAQDAS-eszközök támogatásával. Felfedezik a megalapozott elmélet és a tematikus elemzés elméleti alapjait és gyakorlati alkalmazásait, megtanulják, hogyan kell szisztematikusan kidolgozni és finomítani a kódokat, azonosítani a témákat, valamint értelmezni a kvalitatív adatokat. Ez az átfogó megértés lehetővé teszi a hallgatók számára, hogy ezeket a módszertanokat hatékonyan alkalmazzák kutatási projektjeikben.
Mesterséges intelligencia a kvalitatív kutatásban: A hallgatók megismerik a mesterséges intelligencia kvalitatív adatelemzésbe való integrálásának lehetőségeit és kihívásait, beleértve az AI-támogatott kódolás megbízhatóságának és konzisztenciájának értékelésére szolgáló módszereket is.
Attitűd
Etikus kutatási magatartás: A hallgatók fejlesztik
A kurzusnak nincsenek konkrét előfeltételei, mivel az alapvető fogalmakkal kezdődik, és fokozatosan vezeti be a legfontosabb kvalitatív kutatási módszereket. A kurzus minden szintű hallgató számára készült, beleértve azokat is, akiknek nincs korábbi tapasztalatuk az empirikus kutatás terén.
Források
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 tartanak az egyéni tanulási igények és az elért haladás figyelembevétele érdekében, biztosítva, hogy minden hallgató személyre szabott útmutatást kapjon. Ezen felül bevezetnek egy egymás munkájának értékelésére szolgáló rendszert, amelynek keretében a hallgatók különböző tudományági szempontokból értékelik egymás munkáit.
A hallgatók transzverzális készségeinek fejlesztése érdekében a kurzus rendszeres prezentációk, egymás munkájának értékelése és visszajelzési ülések beépítésével fejleszti a hallgatók képességét arra, hogy írásban és szóban egyaránt világosan és hatékonyan mutassák be kutatásaikat és elemzzék eredményeiket. Kiemelt figyelmet fordítunk a kutatási módszertanok és adatok kritikus értékelésére szolgáló készségek fejlesztésére azáltal, hogy a hallgatókat szigorú elemzési gyakorlatokba, esettanulmányokba és interaktív vitákba vonjuk be, amelyek kihívást jelentenek analitikus gondolkodásuk és problémamegoldó képességeik számára.
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 tapasztalatszerzést is, például a kódolást, a tematikus elemzést, valamint olyan CAQDAS-eszközök használatát, mint a QDAMiner, az ATLAS.ti és az yEd. 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 integrálunk a képzésbe, beleértve az online adatbázisokat, a kvalitatív elemző szoftvereket és a virtuális együttműködési platformokat.
Tanulmányi eredményekről szóló igazolás