Fonte: How to use AI for thematic analysis
L’AI può accelerare in modo significativo l’analisi tematica, soprattutto nelle fasi iniziali di sintesi, codifica preliminare e individuazione dei pattern, ma non può sostituire il giudizio interpretativo che rende difendibili i risultati qualitativi. I ricercatori che affiancano all’AI flussi di lavoro strutturati e strumenti pensati per la ricerca, come l’AI Assistant di NVivo, possono gestire dataset più ampi, mantenere la tracciabilità attraverso audit trail e produrre risultati pronti per la pubblicazione senza rinunciare al rigore metodologico.
L’AI sta cambiando il modo in cui i ricercatori qualitativi affrontano l’analisi tematica. Dalla sintesi delle trascrizioni delle interviste alla generazione dei codici iniziali, l’intelligenza artificiale può velocizzare le fasi più dispendiose in termini di tempo della ricerca qualitativa, senza però eliminare la necessità del giudizio interpretativo del ricercatore, quello che dà davvero senso ai risultati.
Usare l’AI in modo efficace nell’analisi tematica richiede però più che incollare del testo in un chatbot: servono un flusso di lavoro strutturato, la consapevolezza di cosa l’AI può fare e cosa no, e strumenti progettati per garantire il rigore scientifico.
Questa guida illustra come utilizzare l’AI in ogni fase dell’analisi tematica nella ricerca qualitativa, con esempi pratici di prompt, limiti da tenere presenti e indicazioni su come l’AI Assistant di NVivo si inserisce in un flusso di lavoro fluido.
Gli strumenti di analisi tematica analizzano più file per individuare pattern all’interno di dati non strutturati. L’approccio più diffuso resta il framework in sei fasi sviluppato da Braun e Clarke (2006), tuttora il più citato nella ricerca qualitativa.
Per analisi tematica assistita dall’AI si intende qualsiasi flusso di lavoro in cui strumenti di intelligenza artificiale supportano una o più fasi del processo di analisi. I ricercatori la utilizzano tipicamente in tre modi: LLM generici (ChatGPT, Gemini, Claude) per sintetizzare i testi e proporre temi; strumenti di analisi dati qualitativi (QDA) con AI integrata, come l’AI Assistant di NVivo, che operano all’interno del progetto di ricerca insieme ai codici e agli audit trail già esistenti; piattaforme AI standalone.
I dataset qualitativi continuano a crescere: oggi è normale lavorare con centinaia di interviste, focus group e risposte aperte a questionari. La codifica manuale su questa scala richiede un tempo enorme, e il rischio di codici iniziali poco coerenti aumenta con il volume dei dati. Gli strumenti di AI possono velocizzare i compiti delle fasi iniziali e far emergere pattern su dataset ampi, lasciando più tempo ed energie da dedicare all’interpretazione.
L’AI nell’analisi tematica consiste nell’uso di strumenti di intelligenza artificiale a supporto di una o più fasi dell’analisi tematica qualitativa – in genere la sintesi dei dati, la codifica iniziale e il raggruppamento dei temi – mantenendo però nelle mani del ricercatore il controllo su interpretazione, validazione e reportistica.
Gli strumenti di AI possono offrire un supporto concreto in diverse fasi del processo di analisi tematica:
Cosa fa l’AI: Raggruppa i codici in temi candidati e individua relazioni semantiche nell’intero dataset, facendo emergere collegamenti difficili da notare lavorando sui singoli codici.
Esempio di prompt (da adattare ai propri dati): «Sulla base di questo elenco di codici del mio dataset, suggerisci da 3 a 5 temi candidati che raggruppino i codici correlati. Per ogni tema, elenca i codici che contiene e scrivi una descrizione di due frasi.»
Cosa fai tu: Valuta se i raggruppamenti riflettono pattern significativi o semplici corrispondenze lessicali di superficie. Un insieme di codici che condivide il vocabolario non è automaticamente un tema: deve rappresentare un’idea analitica coerente.
NVivo: Gli strumenti di query e le Framework Matrix assistite dall’AI aiutano a individuare in modo sistematico i temi ricorrenti tra i partecipanti, per un’analisi più approfondita. Le Framework Matrix generano sintesi dei contenuti codificati a livello di singolo caso, mostrando come i temi si intrecciano nell’intero dataset.
Cosa fa l’AI: Aiuta a verificare la coerenza interna dei temi e fa emergere i dati anomali che non rientrano bene nei raggruppamenti esistenti.
Cosa fai tu: Metti alla prova i temi sull’intero dataset. Perfeziona, unisci o suddividi i temi quando serve, muovendoti in modo iterativo tra i dati e la mappa tematica, per assicurarti che ogni tema sia sostenuto da evidenze sufficienti e sia distinto dagli altri.
Cosa fa l’AI: Propone bozze di definizione dei temi e suggerisce nomi in base ai contenuti codificati all’interno di ciascun gruppo tematico.
Cosa fai tu: Definisci in via definitiva nomi e definizioni analiticamente precisi e ancorati alla domanda di ricerca. Il nome di un buon tema comunica al lettore cosa rappresenta e perché è rilevante: i suggerimenti dell’AI, per raggiungere questo standard, richiedono spesso un lavoro di affinamento non banale.
Cosa fa l’AI: Produce bozze narrative dei risultati, genera testi strutturati organizzati per tema e supporta la selezione delle citazioni facendo emergere gli estratti più rappresentativi.
Cosa fai tu: Assicurati che il testo finale sia coerente, accurato nel contesto e difendibile dal punto di vista analitico. Il testo redatto dall’AI va riscritto con la propria voce analitica, e ogni citazione va verificata per attribuzione corretta e pertinenza rispetto all’argomentazione della ricerca.
La tabella seguente riassume i compromessi pratici tra l’approccio interamente manuale e quello assistito dall’AI.
| Dimensione | Analisi tematica manuale | Analisi tematica assistita dall’AI |
|---|---|---|
| Velocità | Lenta; da alcune ore a giorni per trascrizione | Molto più veloce; pochi minuti per le prime passate di codifica |
| Scala del dataset | Ideale per dataset piccoli o medi | Gestisce dataset ampi, con centinaia di fonti |
| Coerenza della codifica | Può variare con l’affaticamento del ricercatore | Più coerente su grandi volumi di dati |
| Profondità interpretativa | Alta; plasmata dall’esperienza del ricercatore | Superficiale senza perfezionamento umano |
| Trasparenza | Percorso decisionale interamente visibile | Varia a seconda dello strumento; alcuni funzionano a scatola chiusa |
| Riproducibilità | Dipende dalla documentazione | Più alta quando gli strumenti offrono audit trail |
| Rischio etico | Più basso; il ricercatore controlla i dati | Più alto se i dati vengono inviati a piattaforme esterne |
| Più indicata per | Dataset piccoli che richiedono un’interpretazione approfondita | Dataset ampi dove contano velocità e scala |
L’AI Assistant di NVivo è progettato specificamente per i ricercatori qualitativi. A differenza degli LLM generici, opera all’interno del progetto di ricerca, insieme a codici, memo e struttura analitica già esistenti. I dati restano nell’ambiente NVivo: una volta completata l’attività, le informazioni vengono inviate al progetto ed eliminate dai server di elaborazione, con conservazione dati pari a zero. L’audit trail richiesto per la pubblicazione accademica viene mantenuto lungo tutto il processo.
NVivo è il software di analisi dati qualitativi più citato al mondo, e porta una credibilità accademica comprovata in ogni fase dell’analisi. Scopri di più sull’AI Assistant di NVivo.
Gli LLM generici sono utili per codifiche estemporanee e suggerimenti di temi, soprattutto nelle fasi esplorative iniziali. Presentano però limiti significativi per una ricerca rigorosa: nessuna memoria persistente del codebook tra una sessione e l’altra, rischi per la privacy quando i dati dei partecipanti vengono elaborati su server esterni, e nessun audit trail o integrazione con il framework analitico. Gli LLM generici possono inoltre non essere adatti ad analisi più complesse, come l’analisi del discorso o l’analisi fenomenologica.
Piattaforme come Delve, HeyMarvin e Thematic sono ottimizzate per la ricerca di mercato e l’analisi del feedback dei clienti su larga scala. Offrono interfacce snelle per elaborare rapidamente grandi volumi di risposte, ma tendono a privilegiare velocità e scalabilità a scapito delle sfumature e della profondità interpretativa. Per questo risultano in genere meno adatte ai contesti accademici, dove audit trail, pratica riflessiva e controllo del codebook sono elementi imprescindibili.
| Se il tuo contesto di ricerca è… | Valuta di usare… |
|---|---|
| Ricerca accademica che richiede audit trail e un rigore adeguato alla pubblicazione | NVivo con AI Assistant |
| Feedback dei clienti e ricerche di prodotto su larga scala | Piattaforme specialistiche (Delve, HeyMarvin, Thematic) |
| Lavoro esplorativo o nelle fasi iniziali, con budget limitato | LLM generici (ChatGPT, Gemini, Claude), con cautela |
I dati dei partecipanti non andrebbero inviati a LLM esterni senza l’approvazione esplicita di un comitato etico. Molti comitati di revisione istituzionale non hanno ancora elaborato linee guida specifiche sull’uso di strumenti di AI nella ricerca qualitativa, lasciando la responsabilità al singolo ricercatore. Per i progetti che coinvolgono dati sensibili o identificabili, sono nettamente preferibili strumenti con ambienti dati sicuri, dove le informazioni non vengono conservate dopo l’elaborazione.
I ricercatori dovrebbero dichiarare come e dove l’AI è stata utilizzata nell’analisi: in quali fasi, con quali strumenti e con quale livello di supervisione umana in ciascuna di esse. Un numero crescente di riviste peer-reviewed lo richiede esplicitamente. Come requisito minimo, la sezione metodologica dovrebbe specificare lo strumento di AI impiegato, i compiti che ha svolto e come i suoi output sono stati verificati.
L’AI dovrebbe far emergere i pattern, non deciderli. È il giudizio interpretativo del ricercatore a rendere i risultati qualitativi significativi e difendibili. Affidarsi eccessivamente all’AI rischia di appiattire la ricchezza dei dati qualitativi in categorizzazioni superficiali. Meglio usarla per gestire volume e ripetitività, riservando l’attenzione alle decisioni analitiche che richiedono comprensione del contesto.
L’AI Assistant di NVivo porta l’intelligenza artificiale nel flusso di lavoro qualitativo senza compromettere il rigore della ricerca. Genera sintesi delle trascrizioni, ricevi suggerimenti di sotto-codici ancorati al codebook esistente e utilizza le Framework Matrix assistite dall’AI per confrontare i temi tra i partecipanti, tutto all’interno di un ambiente sicuro e compatibile con l’audit trail.
NVivo by Lumivero rappresenta lo strumento di riferimento per l’analisi tematica. Scopri come si adatta alla tua ricerca e approfondisci la metodologia con The Essential Guide to Thematic Analysis.
Compila il form e contattaci oggi stesso per saperne di più!
La competenza e la formazione di GMSL permettono di fornire un ampio ventaglio di servizi: software scientifici, consulenza statistica e matematica, sviluppo software custom e prodotti, sessioni di training, acquisizione e analisi dati ad ogni livello. Sei interessato a qualcuna di queste voci? Non esitare a contattarci! Compila il form e riceverai al più presto una risposta dal nostro team altamente qualificato.
