Особенности и возникающие трудности тандема «исследователь + ИИ» в качественных социологических и маркетинговых исследованиях
Научная статья
Для цитирования
Микрюков В. О. Особенности и возникающие трудности тандема «исследователь + ИИ» в качественных социологических и маркетинговых исследованиях // Интеракция. Интервью. Интерпретация. 2026. Том 18. № 2. С. 69-90. DOI: https://doi.org/10.19181/inter.2026.18.2.7 EDN: UDDQFT
Аннотация
Качественные социологические и маркетинговые исследования в последние годы столкнулись с парадоксом: спрос на глубокий интерпретативный анализ больших массивов данных сочетается с экспоненциальным ростом объемов получаемой информации и сокращением проектных сроков, что делает традиционные методы анализа неэффективными в связи с большими затратами времени и ресурсов. Внедрение инструментов искусственного интеллекта (ИИ) в качественный анализ социологической и маркетинговой информации помогает решить некоторые технические проблемы, однако порождает фундаментальные методологические вызовы, касающиеся прежде всего сохранения рефлексивности исследователя как центрального элемента валидности качественного исследования.В статье рассматриваются три ключевых вызова: проблема делегирования интерпретации алгоритму на базе ИИ, риск алгоритмической инерции и галлюцинации ИИ, а также вопрос о методологических пределах применения ИИ в социологии и маркетинге. Автор предлагает концептуализацию тандема «исследователь + ИИ» как особой конфигурации аналитической практики, в которой человеческая рефлексивность остается центральной, а ИИ выступает вспомогательным инструментом. На основе авторского опыта проведения исследования, в котором с помощью ИИ-платформы exeDrive проанализированы 86 глубинных интервью, обосновывается возможность существенного сокращения времени анализа без ущерба качеству и валидности выводов при условии систематического контроля и методологической дисциплины исследователя.В статье предложены четыре процедуры работы в тандеме «исследователь + ИИ»: подготовка и разработка архитектуры анализа, система итеративной обратной связи, валидация на двух уровнях сложности и протокол выявления системных смещений. Автор формулирует дополнительные критерии ИИ-поддержки валидности качественного исследования (прозрачность алгоритма, валидация с участием человека, аудит предвзятостей, интерпретируемость результатов) и предлагает методологические решения для минимизации алгоритмической предвзятости. В статье также делается вывод о необходимости трансформации профессиональных компетенций социолога-качественника и внедрения в учебные планы специализированных дисциплин по ИИ-методологии.
Ключевые слова:
качественное исследование, искусственный интеллект, тандем «исследователь ИИ», методология анализа данных, валидность исследования, алгоритмическая предвзятость ИИ, методология качественного исследования
Литература
Гадамер Х.-Г. Истина и метод: Основы философской герменевтики / Пер. с нем и общ. ред. Б.Н. Бессонова. М.: Прогресс, 1988.
Герасимова Т.А. Генезис понятия «рефлексивные умения» в исследованиях современных ученых // Проблемы современного педагогического образования. 2023. № 80-2. С. 81–85. EDN: ISOBFK
Декал Е.Е., Борзова Т.В. Становление понятия рефлексивности в психологии (по материалам отечественных и зарубежных источников) // Российский журнал образования и психологии. 2025. Т. 16. No. 3. С. 514–540. DOI: https://doi.org/10.12731/2658-4034-2025-16-3-761
Дудина В.И. Эпистемическая рефлексивность в социологии // Вестник Санкт-Петербургского университета. Социология. 2018. Т. 11. № 2. С. 146–159. DOI: https://doi.org/10.21638/11701/spbu12.2018.201
Лустин Ю.М. Рефлексивное мышление студента в гносеологической доминанте цифрового образования // Архонт. 2022. Т. 32. № 5. С. 93–102. EDN: BLMCCK
Ожиганова Г.В. Рефлексия, рефлексивность и высшие рефлексивные способности: подходы к исследованию // Психологическая наука и образование. 2018. Т. 23. № 5. С. 22–31. EDN: MKWIMP
Рождественская Е.Ю. ИНТЕР-энциклопедия: нарративное интервью // Интеракция. Интервью. Интерпретация. 2020. Т. 12. № 4. С. 114–127. DOI: https://doi.org/10.19181/inter.2020.12.4.8
Соколов А.В., Фролов А.А., Бабаджанян П.А. Применение технологий искусственного интеллекта в политике: угрозы и возможности // Вестник Российского университета дружбы народов. Серия: Политология. 2025. Т. 27. № 3. С. 622–637. DOI: https://doi.org/10.22363/2313-1438-2025-27-3-622-637 EDN: LRRSDH
Стребкова К.Е. Технологии искусственного интеллекта как инновационный инструмент реализации государственной молодежной политики РФ: стратегии, механизмы и практики // Вестник Российского университета дружбы народов. Серия: Политология. 2025. Т. 27. № 3. С. 590–605. DOI: https://doi.org/10.22363/2313-1438-2025-27-3-590-605 EDN: LSQJAX
Хорошилов Д.А. Тематические сообщения: методология качественных исследований О. Т. Мельниковой // Новый психологический журнал. 2024. Т. 13. № 1. С. 29–37.
Ядова М.А. Социальный портрет российских пользователей сервисами искусственного интеллекта: попытка анализа // Социальные и гуманитарные науки. Отечественная и зарубежная литература: ИАЖ. Сер. 4: Государство и право. 2025. № 3. С. 23–32. DOI: https://doi.org/10.31249/iajpravo/2025.03.02
Ярская-Смирнова Е.Р., Романов П.В. Феноменология профессионализма: практическое знание в социальной работе // Человек. Сообщество. Управление. 2006. № 2. С. 35–51.
Diakopoulos N. (2016) Accountability in Algorithmic Decision Making. Communications of the ACM. Vol. 59. No. 2. P. 56–62. DOI: https://doi.org/10.1145/2844110
Georgiou Konstantinos (2024) Thematic Analysis: A Practical Guide. European Journal of Psychotherapy & Counselling. Vol. 26. No. 3–4. P. 461–464. DOI: https://doi.org/10.1080/13642537.2024.2391666
Geertz C. (1973) Thick Description: Toward an Interpretive Theory of Culture. The Interpretation of Cultures. New York: Basic Books.
Gülpınar M.A. (2024) A Model Proposal for Qualitative Data Analysis, Interpretation, and Reporting: Contextuality, Reflectivity, and Narrativity. Primary Health Care Research & Development. Vol. 25. P. 50–55. DOI: https://doi.org/10.1017/S1463423624000562
Gurr H., Jones L., McNabola A. (2024) The Importance of Positionality for Qualitative Researchers. Qualitative Health Research. Vol. 34. No. 7. P. 595–606.
Lincoln Y.S., Guba E.G. (1985) Naturalistic Inquiry. Newbury Park. Beverly Hill: Sage Publications.
Logg J.M., Minson J.A., Moore D.A. (2019) Algorithm Appreciation: People Prefer Algorithmic to Human Judgment. Organizational Behavior and Human Decision Processes. Vol. 151. P. 90–103. DOI: https://doi.org/10.1016/j.obhdp.2018.12.005
Lundberg I., Brand J.E., Jeon N. (2022) Researcher Reasoning Meets Computational Capacity: Machine Learning for Social Science. Social Science Research. Vol. 108. P. 1–50. DOI: https://doi.org/10.1016/j.ssresearch.2022.102807
Nguyen-Trung K. (2025) ChatGPT in Thematic Analysis: Can AI Become a Research Assistant in Qualitative Research? Quality & Quantity. Vol. 59. P. 4945–4978. DOI: https://doi.org/10.1007/s11135-025-02165-z
Olmos-Vega F.M., Dolmans D., Vargas-Castro N., Stalmeijer R.E. (2023) A Practical Guide to Reflexivity in Qualitative Research: AMEE Guide No. 149. Medical Teacher. Vol. 45. No. 3. P. 239–250.
Pasquale F. (2015) Black Box Society: The Secret Algorithms That Control Money and Information. Cambridge: Harvard University Press.
Shaw S.D., Nave G. (2026). Thinking-Fast, Slow, and Artificial: How AI is Reshaping Human Reasoning and the Rise of Cognitive Surrender. SSRN Working Paper 6097646. The Wharton School, University of Pennsylvania. P. 1–58. DOI: https://doi.org/10.2139/ssrn.6097646
Trundle C., Araújo N., Khan S., Phillips T. (2025) Beyond the Mirror: Challenging the Common Assumptions of Reflexivity in Qualitative Research. Qualitative Inquiry. Vol. 31. P. 1–18.
Vicente L., Matute H. (2023) Humans Inherit Artificial Intelligence Biases. Scientific Reports. Vol. 13. P. 1–13. DOI: https://doi.org/10.1038/s41598-023-42384-8
Герасимова Т.А. Генезис понятия «рефлексивные умения» в исследованиях современных ученых // Проблемы современного педагогического образования. 2023. № 80-2. С. 81–85. EDN: ISOBFK
Декал Е.Е., Борзова Т.В. Становление понятия рефлексивности в психологии (по материалам отечественных и зарубежных источников) // Российский журнал образования и психологии. 2025. Т. 16. No. 3. С. 514–540. DOI: https://doi.org/10.12731/2658-4034-2025-16-3-761
Дудина В.И. Эпистемическая рефлексивность в социологии // Вестник Санкт-Петербургского университета. Социология. 2018. Т. 11. № 2. С. 146–159. DOI: https://doi.org/10.21638/11701/spbu12.2018.201
Лустин Ю.М. Рефлексивное мышление студента в гносеологической доминанте цифрового образования // Архонт. 2022. Т. 32. № 5. С. 93–102. EDN: BLMCCK
Ожиганова Г.В. Рефлексия, рефлексивность и высшие рефлексивные способности: подходы к исследованию // Психологическая наука и образование. 2018. Т. 23. № 5. С. 22–31. EDN: MKWIMP
Рождественская Е.Ю. ИНТЕР-энциклопедия: нарративное интервью // Интеракция. Интервью. Интерпретация. 2020. Т. 12. № 4. С. 114–127. DOI: https://doi.org/10.19181/inter.2020.12.4.8
Соколов А.В., Фролов А.А., Бабаджанян П.А. Применение технологий искусственного интеллекта в политике: угрозы и возможности // Вестник Российского университета дружбы народов. Серия: Политология. 2025. Т. 27. № 3. С. 622–637. DOI: https://doi.org/10.22363/2313-1438-2025-27-3-622-637 EDN: LRRSDH
Стребкова К.Е. Технологии искусственного интеллекта как инновационный инструмент реализации государственной молодежной политики РФ: стратегии, механизмы и практики // Вестник Российского университета дружбы народов. Серия: Политология. 2025. Т. 27. № 3. С. 590–605. DOI: https://doi.org/10.22363/2313-1438-2025-27-3-590-605 EDN: LSQJAX
Хорошилов Д.А. Тематические сообщения: методология качественных исследований О. Т. Мельниковой // Новый психологический журнал. 2024. Т. 13. № 1. С. 29–37.
Ядова М.А. Социальный портрет российских пользователей сервисами искусственного интеллекта: попытка анализа // Социальные и гуманитарные науки. Отечественная и зарубежная литература: ИАЖ. Сер. 4: Государство и право. 2025. № 3. С. 23–32. DOI: https://doi.org/10.31249/iajpravo/2025.03.02
Ярская-Смирнова Е.Р., Романов П.В. Феноменология профессионализма: практическое знание в социальной работе // Человек. Сообщество. Управление. 2006. № 2. С. 35–51.
Diakopoulos N. (2016) Accountability in Algorithmic Decision Making. Communications of the ACM. Vol. 59. No. 2. P. 56–62. DOI: https://doi.org/10.1145/2844110
Georgiou Konstantinos (2024) Thematic Analysis: A Practical Guide. European Journal of Psychotherapy & Counselling. Vol. 26. No. 3–4. P. 461–464. DOI: https://doi.org/10.1080/13642537.2024.2391666
Geertz C. (1973) Thick Description: Toward an Interpretive Theory of Culture. The Interpretation of Cultures. New York: Basic Books.
Gülpınar M.A. (2024) A Model Proposal for Qualitative Data Analysis, Interpretation, and Reporting: Contextuality, Reflectivity, and Narrativity. Primary Health Care Research & Development. Vol. 25. P. 50–55. DOI: https://doi.org/10.1017/S1463423624000562
Gurr H., Jones L., McNabola A. (2024) The Importance of Positionality for Qualitative Researchers. Qualitative Health Research. Vol. 34. No. 7. P. 595–606.
Lincoln Y.S., Guba E.G. (1985) Naturalistic Inquiry. Newbury Park. Beverly Hill: Sage Publications.
Logg J.M., Minson J.A., Moore D.A. (2019) Algorithm Appreciation: People Prefer Algorithmic to Human Judgment. Organizational Behavior and Human Decision Processes. Vol. 151. P. 90–103. DOI: https://doi.org/10.1016/j.obhdp.2018.12.005
Lundberg I., Brand J.E., Jeon N. (2022) Researcher Reasoning Meets Computational Capacity: Machine Learning for Social Science. Social Science Research. Vol. 108. P. 1–50. DOI: https://doi.org/10.1016/j.ssresearch.2022.102807
Nguyen-Trung K. (2025) ChatGPT in Thematic Analysis: Can AI Become a Research Assistant in Qualitative Research? Quality & Quantity. Vol. 59. P. 4945–4978. DOI: https://doi.org/10.1007/s11135-025-02165-z
Olmos-Vega F.M., Dolmans D., Vargas-Castro N., Stalmeijer R.E. (2023) A Practical Guide to Reflexivity in Qualitative Research: AMEE Guide No. 149. Medical Teacher. Vol. 45. No. 3. P. 239–250.
Pasquale F. (2015) Black Box Society: The Secret Algorithms That Control Money and Information. Cambridge: Harvard University Press.
Shaw S.D., Nave G. (2026). Thinking-Fast, Slow, and Artificial: How AI is Reshaping Human Reasoning and the Rise of Cognitive Surrender. SSRN Working Paper 6097646. The Wharton School, University of Pennsylvania. P. 1–58. DOI: https://doi.org/10.2139/ssrn.6097646
Trundle C., Araújo N., Khan S., Phillips T. (2025) Beyond the Mirror: Challenging the Common Assumptions of Reflexivity in Qualitative Research. Qualitative Inquiry. Vol. 31. P. 1–18.
Vicente L., Matute H. (2023) Humans Inherit Artificial Intelligence Biases. Scientific Reports. Vol. 13. P. 1–13. DOI: https://doi.org/10.1038/s41598-023-42384-8
Статья
Поступила: 19.01.2026
Опубликована: 03.07.2026
Форматы цитирования
Другие форматы цитирования:
APA
Микрюков, В. О. (2026). Особенности и возникающие трудности тандема «исследователь + ИИ» в качественных социологических и маркетинговых исследованиях. Интеракция. Интервью. Интерпретация, 18(2), 69-90. https://doi.org/10.19181/inter.2026.18.2.7
Раздел
Полевые исследования
JATS XML
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
