QualCoder per l'analisi qualitativa dei dati

QualCoder è un software open source per l’analisi computer-assistita dei dati qualitativi (CAQDAS - Computer Assisted Qualitative Data Analysis Software). Si tratta di uno strumento free, nel senso di libero e gratuito, da utilizzare per analizzare testi di vario tipo (articoli di giornali, come anche interviste) attraverso procedure di codifica flessibili, basate su decisioni “umane”, del ricercatore.

Nato come pacchetto di R oltre 10 anni fa¹, intorno al 2020 il progetto è stato ripreso e sviluppato in Python, diventando una applicazione indipendente, in grado di gestire anche file multimediali sfruttando le librerie di VLC .

L’interfaccia grafica non richiede una riga di codice e — benché non disponibile in italiano — neanche una conoscenza avanzata dell’inglese.

Semplice da installare e usare, offre tutte le principali funzionalità che possono servire per la ricerca sociale.

Dal 2023, integra l’Intelligenza Artificiale a supporto dell’analisi qualitativa (Dröge 2023).

Installazione

L’installazione — oramai da qualche versione — è diventata semplicissima anche in Windows². È inoltre disponibile anche una versione “portabile”, che non richiede cioè installazione e può essere eseguita da una cartella del computer o da una pen-drive o hard-drive esterno.

I passi da seguire sono:

1. Installare VLC . Facoltativo: si tratta di un media player open source, per l’analisi dei file multimediali.

2. Scaricare l’installer di QualCoder adatto al proprio sistema, alla pagina https://github.com/ccbogel/QualCoder/releases/tag/3.7 (o comunque alla pagina dell’ultima versione).

3. Avviare il programma, e creare un nuovo progetto.

Funzionalità

Indipendentemente dall’approccio teorico che adotta, chi sceglie di usare un software per l’analisi qualitativa si aspetta di trovare alcune funzionalità fondamentali:

• Organizzazione dei documenti (la base informativa);
• Codifica dei testi e navigazione/esplorazione dei testi attraverso i codici;
• Possibilità di organizzare i codici in modo da passare dalla descrizione alla sintesi teorica (e qui gli approcci teorici si differenziano);
• Note di ricerca (ed eventualmente un diario);
• Strumenti di sintesi, reporting, ed esportazione dei risultati;
• Interoperabilità, per poter condividere e riusare i progetti.

Direi che QualCoder risponda pienamente a tutte queste esigenze. Quanto poi si adatti al modo di lavorare di ciascuno, è naturalmente questione di abitudini e di preferenze.

È possibile anche lavorare per casi, secondo l’approccio della Qualitative Comparative Analysis (o QCA; cfr. Ragin 2008 e Marshall 1998).

Gestione e codifica dei documenti

L’operazione che è al cuore di tutti i Caqdas, è la codifica, che consiste nel creare un codice (code, una categoria), e assegnarlo a segmenti di testo, audio o video (documenti).

L’interfaccia di QualCoder è intuitiva e funzionale.

Anche la gestione dei file multimediali è semplice. Quando si carica un file audio o video, viene contestualmente creato e collegato ad esso un file txt per la trascrizione — che il programma non esegue automaticamente.

Cliccando due volte sul file, si aprirà l’interfaccia per la trascrizione manuale, dove naturalmente è anche possibile incollare la trascrizione eventualmente già realizzata.

La codifica dei file multimediali non richiede necessariamente la trascrizione, può avvenire anche direttamente selezionando e taggando sequenze di audio o video.

Sintesi, interpretazione ed esportazione

Il risultato del lavoro di codifica consiste in una classificazione dei documenti del progetto (“taggati” mediante i codici), dei casi e degli stessi codici, che possono essere organizzati in categorie descrittive, gerarchicamente (come in NVivo), o in network (come in Atlas.ti).

Per facilitare il lavoro di interpretazione teorica, sono presenti strumenti quali annotazioni, memos e il diario.

Tutti gli oggetti e le relative relazioni sono organizzati in un database SQLite, e possono essere sintetizzati e visualizzati con testi, tabelle e grafici da interfaccia.

Oltre alle tabelle in csv, possono essere esportati i risultati, così come l’intero report, con il codebook e i memos, in formato odt (il formato di LibreOffice).

Il progetto, infine, può essere esportato nel formato Rotterdam Exchange Format, uno standard aperto per l’esportazione e l’importazione di codebooks e progetti fra i diversi software per l’analisi qualitativa computer-assistita.

L’integrazione dell’intelligenza artificiale

IA e ricerca sociale qualitativa

L’uso dell’IA nella ricerca qualitativa è un tema molto discusso, com’è facile immaginare. I LLM, in quanto modelli, appunto, linguistici, sono in grado di comprendere il linguaggio naturale e quindi di supportare l’analista nel processo di codifica e anche di sintesi.

Non c’è dubbio ad esempio che l’open coding (la codifica libera) nelle fasi iniziali e più descrittive del lavoro, guidata dalle domande-guida della ricerca e supportata dall’IA, sarà non solo più veloce, ma anche più sistematico (errori a parte).

D’altra parte, l’uso dei LLM richiede una riflessione metodologica e anche etica davvero nuova, che riguarda il ruolo non solo dell’analista, ma degli stessi modelli: le basi di addestramento in primo luogo, e lo statuto epistemico di queste ultime nel processo, dai bias che ereditano, alla questione dell’originalità dei risultati.

Altro aspetto problematico per la ricerca qualitativa è la privacy: i documenti e le testimonianze a volte (spesso) non possono essere veramente anonimizzati. Prima di decidere se e come inviare dati nel cloud, bisogna quindi essere sicuri di proteggere le informazioni raccolte, gli intervistati, i testimoni e le persone coinvolte nel progetto in modo adeguato.

L’integrazione in QualCoder

Detto ciò, è un fatto che moltissimi software oggi prevedono la possibilità di integrare i modelli direttamente, attraverso le API.

L’impostazione, in QualCoder, è abbastanza semplice (per chi fa già uso programmatico dei modelli): si tratta di spuntare l’opzione “enable AI integration” nel menu dei Settings (figura sotto), scegliere il modello che si preferisce³, e inserire — se necessario — la API key.

Quando viene abilitato l’uso dell’IA, QualCoder installa anche un mini-modello locale che conserva le informazioni del progetto, ed esegue alcune operazioni in locale. Questo rende il processo molto più efficiente e anche (se non capisco male) più sicuro.

L’IA è inoltre ben integrata nel software: a seconda del contesto, supporta il lavoro in modo “intelligente”. Ad esempio, nell’interfaccia di coding, e come si vede nell’immagine che segue, la richiesta “elementi del paesaggio” (sibillina … era un test) è stata interpretata come se fosse un codice/concetto da cercare nel testo. Il modello ha cercato e annotato nel documento le frasi correlabili al concetto indicato, che dovranno essere associate a un codice o a un memo dall’analista.

Non mi pare che sia possibile, in QualCoder, salvare citazioni senza qualche genere di annotazione (le free quotations), quindi è importante annotarle, anche con un codice di “emergenza”, per darsi il tempo di rivederle con calma.

In conclusione

L’integrazione delle funzionalità di Intelligenza Artificiale in QualCoder ne arricchisce ulterioremente il valore, rendendolo di fatto uno strumento all’avanguardia.

L’implementazione si rivela particolarmente riuscita sia in termini di efficienza che di qualità del supporto offerto.

Dal punto di vista dell’efficienza, la scelta di affiancare ai modelli esterni un mini-modello locale si dimostra strategico: il processo risulta rapido e il numero di richieste inviate tramite API è contenuto, un vantaggio non trascurabile in termini di costi e velocità (ho testato le funzioni con le API gratuite di Gemini, che sono molto generose).

Sul piano della qualità, l’IA è ben integrata nel flusso di lavoro, ed interpreta la richiesta nel contesto, agendo come un vero e proprio assistente di ricerca (un code assist, ma di tipo diverso!). Anche questo contribuisce a ridurre il numero di richieste via API dovute ad errori nel prompt, specie nelle fasi iniziali di apprendimento da parte dell’analista.

Per quanto riguarda infine la privacy, la possibilità di scegliere il modello e di eseguire LLM interamente in locale (con Ollama ), senza inviare alcuna informazione a servizi cloud esterni, mi sembra una caratteristica fondamentale — che distingue QualCoder da altri software di questo tipo — non solo perché inclusiva, ma anche perché in ambito accademico la protezione dei dati sensibili e della privacy dei partecipanti è una priorità.

Riferimenti

Risorse

Riferimenti bibliografici