Когда речь заходит о проведении исследований в МО, в большей части случаев мы занимаемся именно качественными исследованиями. Что обычно делает международник при погружении в тематическое поле? Ищет релевантные статьи в научных базах, собирает тексты заявлений с сайтов МИД, читает официальные документы — например, внешнеполитические стратегии государств или резолюции ООН, — читает доклады мозговых центров, делает обзор публикаций СМИ и так далее.

Все это в совокупности собирается в массив источников, которые мы обрабатываем прежде всего как качественные данные — тексты, видео или аудиоматериалы. И здесь мы сталкиваемся с первой проблемой: нам нужно найти достаточный объем данных.

Объем собираемых данных зависит от цели и гипотезы вашего исследования, но для качественных данных справедливо утверждение, что чем их больше, тем лучше для анализа.

И тут мы обнаруживаем вторую проблему: как из этого неструктурированного массива документов, статей и других типов информации нам получить ответы на наш исследовательский вопрос. Предобработка и структурирование данных должны помочь в этом. Для этих целей как раз и служит QDA.

Так как метод позаимствован из социологических наук, то классические данные — это интервью, фокус-группы, этнографические наблюдения. В зависимости от темы исследования, это все может быть релевантно и для МО. Типичные же источники для международников — это преимущественно документы и статьи (первичные и вторичные источники). Форма данных может быть любой: текст, видео, изображения, аудио.

Неважно, как именно вы работаете с массивом данных, главное — сделать его систематизированным, подготовленным для более глубокого анализа.

Самая базовая форма, получение знаний с нуля. Индуктивное кодирование стремится генерировать информацию на основе самих качественных данных, а не с точки зрения применения каких-то имеющихся теорий и концепций.

Исследователь применяет набор предопределенных кодов, основанных на уже проведенных исследованиях, к новым данным.

Это организация мелких единиц в более крупные темы или подтемы. Это уже следующая ступень в QDA, когда мы начинаем видеть взаимосвязи внутри наших данных.

Важно отметить, что почти все качественные исследования в какой-то момент превращаются в количественные. Иначе как еще визуализировать наши данные и выводы? Визуализация помогает нам заметить совпадения и закономерности, которые мы не видим в сыром массиве данных. Например, частотность упоминания темы/феномена в исследуемых документах, сетевые графы между акторами, таймлайны событий.

Этот процесс сегодня можно автоматизировать и ускорить благодаря цифровым инструментам. Поговорим об этих инструментах, прежде чем показать, как кодирование и структурирование выглядят на практике.

Существует несколько программ, которые заточены под кодирование качественных данных и их дальнейшую визуализацию. Самые известные: MAXQDA и NVivo. Эти программы позволяют импортировать все ваши рабочие файлы — тексты, видео, изображения — структурировать их по группам, кластерам, а также размечать кодами, выделяя фрагменты текста.

Внутри ПО зашита возможность делать различные визуализации ваших данных: от простого облака слов до более сложных графов и таблиц с корреляциями.

Единственный минус такого ПО — его дороговизна. Лицензионные версии стоят очень дорого и зачастую финансово доступны только корпоративным заказчикам. Есть также варианты пиратских копий, которыми пользуются исследователи. (Мы не поддерживаем пиратство, но держим этот вариант в уме).

Альтернатива — бесплатные программы с облегченным функционалом, или же открытое ПО. Например, QDA Miner Lite. Для базового кодирования и последующего анализа данных такой версии вполне хватит.

Есть облачные решения, которые позволяют не приобретать дорогую лицензию, а оплачивать подписку на необходимый срок работы. Например, Atlas.ti. Но, в текущей ситуации при покупке услуг зарубежных сервисов из РФ могут возникать проблемы — учитывайте это при работе.

Ниже пример использования Atlas. ti на основе массива из американских стратегий, связанных с кибербезопасностью. Массив уже сокращен до ключевых фраз в каждом документе, относящихся к видам киберугроз.

При использовании ИИ в кодировании всегда стоит помнить, что результат может получиться нерелевантным. Одна из частых проблем — «кодовый шум», который генерирует алгоритм при анализе текста.

Также не всегда можно отследить, на какие смысловые единицы был разбит документ при кодировании, и не утерян ли контекст. Поэтому ИИ можно использовать как стартовую точку при индуктивном кодировании, но обязательно вручную перепроверить хотя бы на небольшой выборке документов, что его кодирование соответствует действительности. Либо ускорить процесс дедуктивного кодирования, когда вы точно знаете, что ищете в своих сырых данных для вашего исследования.