关键要点
ATLAS.ti 中的对话式 AI 在通过明确的分析意图、丰富的上下文提示词和迭代追问的引导下最为有效。通过设计专注于模式、比较和三角互证的提示词——并将 AI 生成的见解保存为 memos——研究人员可以将对话转化为定性分析中严谨、透明的部分，而不会牺牲方法论控制。
ATLAS.ti 中的对话式 AI 为定性研究人员提供了一种新的数据参与方式——通过用自然语言提问并接收直接基于项目文档的分析响应。它不是替代仔细阅读或编码，而是作为分析合作伙伴发挥最佳作用：帮助您注意模式、测试解释，并跨越大量定性材料进行思考。
像任何分析工具一样，您从对话式 AI 获得的价值很大程度上取决于您如何使用它。设计良好的提示词可以支持比较、解释和反思性。而模糊的提示词则往往产生模糊的结果。
本文概述了设计提示词的实用策略，以加强定性分析，以咖啡店的民族志研究为例。
对话式 AI 如何与您的数据协作
对话式 AI 分析您的 ATLAS.ti 项目中的文档，并主要基于该内容生成响应。要使用此功能，研究人员首先将其项目材料（如文章、访谈逐字稿或田野笔记）导入 ATLAS.ti 项目中。然后 AI 直接与这些选定的文档协同工作，同时与多个文档聊天，允许研究人员提出基于自己数据而非外部来源的问题。
AI 生成的响应明确地联系回基础数据。每个响应都包含指向相关引文 (quotations) 的直接链接，使验证解释和返回原始上下文变得容易。这种可追溯性对于定性严谨性至关重要，确保 AI 支持的见解保持透明、可检查，并接受研究人员的判断，而不是作为黑箱运行。
重要的是，有用的 AI 响应可以保存为 memos。这使得通过对话出现的见解成为项目分析记录的一部分，支持长期反思和可审计性。
对话式 AI 还可以根据其在文档中识别的模式建议可能的主题和初步或临时编码 (codes)。这些建议在早期分析阶段特别有用，当研究人员在数据中定位自己并开始探索分析方向时——同时仍保持对接受、修订或放弃内容的完全控制。
为什么这对定性分析很重要：
开始使用 ATLAS.ti 中的对话式 AI 从您的定性数据中解锁更深入的见解。
阅读更多