Riepilogo: La ricerca qualitativa è in continua trasformazione, guidata dall'uso dell'intelligenza artificiale (IA) nei processi di analisi e codifica dei dati qualitativi. Strumenti come ATLAS.ti, NVivo, MAXQDA e riqualificare.ai Si distinguono per le funzionalità avanzate che offrono per gestire grandi quantità di informazioni ed espandere il potenziale interpretativo dei ricercatori. In questo articolo, presentiamo le principali funzionalità dei software basati sull'intelligenza artificiale, ne discutiamo i vantaggi e i limiti ed esploriamo come l'intervento umano rimanga centrale nell'attribuzione di significato ai dati, anche in uno scenario sempre più automatizzato.
Introduzione
L'era dell'informazione ha portato a un aumento esponenziale della quantità di dati disponibili per la ricerca, rendendo più complesso il compito di analisi nei progetti di ricerca che coinvolgono materiali provenienti da fonti multiple, come interviste, social network e report tecnici. Non sorprende quindi che la ricerca di strumenti che combinino automazione e rigore analitico sia in costante crescita, ponendosi al centro del dibattito accademico (Paulus et al., 2015).
I software di analisi qualitativa dei dati assistita da computer (CAQDAS), come ATLAS.ti, svolgono un ruolo cruciale in questo processo, aiutando i ricercatori a organizzare e interpretare i dati qualitativi. Più recentemente, gli algoritmi di intelligenza artificiale hanno ampliato la portata di questi programmi, aggiungendo funzionalità come... auto-codifica, text mining E analisi predittiva (Guetterman et al., 2018). Queste innovazioni, tuttavia, richiedono una riflessione sulla misura in cui l'automazione può (o dovrebbe) sostituire l'occhio critico del ricercatore e su come bilanciare la velocità nell'identificazione dei modelli con la sensibilità interpretativa necessaria per le scienze umane.
Questo articolo approfondisce le funzionalità offerte da ATLAS.ti e le confronta con altre opzioni come NVivo e MAXQDA, menzionando anche altri strumenti che gestiscono l'automazione della trascrizione e dell'analisi, come requalify.ai. Esploreremo come l'intelligenza artificiale può migliorare il lavoro di... analisi dei contenutima metteremo anche in evidenza l'importanza del ricercatore in validazione interpretativa dai risultati. In definitiva, si prevede che fornirà sovvenzioni per una scelta più consapevole del software per l'analisi dei dati qualitativi e per una comprensione più approfondita del ruolo dell'IA nella ricerca qualitativa con l'IA.
Concetti e definizioni
CAQDAS (Software per l'analisi qualitativa dei dati assistita da computer)
Il termine CAQDAS si riferisce a una gamma di programmi software che aiutano nell'organizzazione, nella codifica e nell'analisi sistematica dei dati qualitativi. Questi dati possono consistere in trascrizioni di interviste, post sui social media, documenti storici, immagini e persino video (Paulus et al., 2015). Tra le piattaforme più note figurano:
- ATLAS.tiRiconosciuto per la sua interfaccia intuitiva e per le molteplici modalità di visualizzazione e organizzazione dei dati.
- NVivoAmpiamente utilizzato in ambito accademico, con risorse complementari per l'analisi quantitativa (Müller de Andrade, Schmidt e Montiel, 2020).
- MAXQDASi caratterizza per la facilità con cui integra dati qualitativi e quantitativi, il che la rende preziosa per la ricerca con metodi misti.
- IramuteqAmpiamente conosciuto per le sue analisi testuali statistiche e le possibilità di classificazione dei segmenti di testo.
L'obiettivo generale di questi programmi software è quello di consentire un'analisi più rigorosa, sistematica e trasparente dei dati qualitativi, facilitando la condivisione e la validazione dei risultati all'interno della comunità accademica.
Intelligenza artificiale (IA) nell'analisi qualitativa
L'applicazione dell'IA nell'analisi qualitativa comprende algoritmi e modelli di apprendimento automatico O apprendimento profondo che ottimizzano processi come l'identificazione di temi emergenti, l'estrazione di argomenti e la segmentazione dei dati (Burgui-Burgui, 2023). Funzionalità comunemente riscontrate:
- AutocodificaAlgoritmi che suggeriscono codici basati su raggruppamenti e modelli linguistici presenti nel testo.
- Estrazione di testiGenerazione di analisi statistiche e dati sulla distribuzione delle parole, facilitando la ricerca di correlazioni.
- ClusteringRaggruppamento automatico dei dati che presentano una maggiore somiglianza, utile per la formazione di categorie preliminari.
- Suggerimenti interpretativiIn misura minore, alcuni programmi software stanno già iniziando a offrire interpretazioni preliminari, sebbene queste siano ancora ben lontane dalla sensibilità umana.
Nonostante i progressi, è fondamentale riconoscere i limiti di questi algoritmi in relazione alla soggettività e alla complessità contestuale dei fenomeni sociali (Papakyriakopoulos, Watkins, Winecoff, Jaźwińska e Chattopadhyay, 2021). Pertanto, la supervisione del ricercatore è indispensabile per attribuire significato.
Big Data nella ricerca qualitativa
I Big Data rappresentano insiemi di dati enormi e diversificati che, se applicati alla ricerca qualitativa con l'IA, richiedono strumenti di elaborazione e analisi robusti. I social network, i sistemi di monitoraggio digitale e i database dei clienti sono esempi di fonti che generano contenuti vasti e spesso non strutturati (Guetterman et al., 2018). Per estrarre approfondimenti Per garantire l'affidabilità di questi database informativi, i ricercatori necessitano non solo di tecnologie all'avanguardia, ma anche di solide strategie di selezione e gestione dei dati per assicurarne la pertinenza e la rilevanza.
Domande importanti
Quali sono le principali funzionalità di intelligenza artificiale presenti in strumenti come ATLAS.ti e come si confrontano con gli approcci manuali?
Tra gli strumenti di intelligenza artificiale presenti in ATLAS.ti figurano la ricerca semantica, la codifica automatica e l'analisi della frequenza dei termini. Queste funzionalità accelerano processi che, manualmente, potrebbero richiedere settimane o mesi. In generale, i vantaggi rispetto all'approccio manuale includono:
- VelocitàL'intelligenza artificiale valuta grandi quantità di testo in un breve lasso di tempo.
- Coerenza della codificaRiduce la variabilità nell'applicazione del codice, minimizzando i pregiudizi del ricercatore.
- Ampio raggio d'azioneIndividuare temi o schemi che potrebbero passare inosservati durante le letture manuali.
D'altra parte, la prospettiva critica del ricercatore rimane essenziale per il interpretazione contestualizzata Dai risultati emerge che l'IA non è in grado di cogliere ironia, metafore o sfumature culturali senza un intervento umano ben mirato (Papakyriakopoulos et al., 2021).
In che modo l'autocodifica e l'analisi testuale possono aiutare a identificare i temi emergenti nei dati qualitativi?
Risorse come la codifica automatica e il text mining consentono ai ricercatori di individuare rapidamente gruppi di parole, espressioni e idee che, in linea di principio, possono rappresentare temi ricorrenti nel corpus di dati. Ciò significa che è possibile generare più rapidamente ipotesi analitiche (Burgui-Burgui, 2023). Tuttavia, la validazione di queste ipotesi – e la contestualizzazione dei temi all'interno di specifiche dinamiche sociali e culturali – dipende da un esame approfondito da parte del ricercatore.
Quali sono i limiti dell'intelligenza artificiale nell'interpretazione dei dati e quando è essenziale l'intervento del ricercatore?
Nonostante le sue funzionalità avanzate, l'IA presenta dei limiti nella comprensione degli elementi soggettivi e culturali. Ad esempio, analizzare l'ironia o interpretare eventi storici complessi richiede una prospettiva umana per collocare il discorso nel suo contesto appropriato (Guetterman et al., 2018). L'intervento umano diventa indispensabile nei seguenti casi:
- Delimitazione teoricaScelta del quadro teorico e delle domande di ricerca.
- Codifica interpretativaAdattare i codici proposti dall'IA per riflettere le specificità culturali e concettuali.
- Discussione dei risultatiCritica e riflessione sulla plausibilità delle inferenze derivanti dagli algoritmi.
Come si sceglie lo strumento giusto tenendo conto della metodologia adottata e del tipo di dati da analizzare?
Una scelta saggia di software per l'analisi qualitativa dei dati Dovrebbe includere:
- Compatibilità metodologicaSe la ricerca è fenomenologica, etnografica o mista, lo strumento deve offrire un supporto adeguato per ciascun approccio (Paulus et al., 2015).
- Tipo di datiAudio, video, testo o immagini. Ogni strumento può offrire un supporto diverso per ciascun formato.
- ScalabilitàPer progetti su larga scala, in particolare quelli che coinvolgono Big DataScegli un software dotato di solide capacità di elaborazione.
- Usabilità e comunità di supportoRisorse formative, forum di discussione e tutorial possono fare la differenza nel processo di apprendimento.
Sia ATLAS.ti che NVivo e MAXQDA sono esempi di soluzioni versatili, ma spetta al ricercatore valutare quali si allineino meglio alla metodologia in questione (Müller de Andrade et al., 2020). In termini di trascrizione e automazione, requalify.ai può essere interessante per chi cerca velocità nelle registrazioni sul campo e nelle interviste.
Qual è l'impatto dell'utilizzo dei Big Data nel campo dell'analisi qualitativa?
L'uso dei Big Data apre possibilità per la ricerca qualitativa di analizzare una scala e una diversità di dati che fino a poco tempo fa sarebbero stati difficili da gestire. Commenti sui social media, registri del servizio clienti e dati di navigazione web possono essere aggregati, offrendo un vista panoramica e aggiornati sui fenomeni sociali. Tuttavia, sorgono anche sfide legate alla privacy, al consenso per l'utilizzo dei dati e alla necessità di verifiche incrociate per garantire accuratezza e contestualizzazione (Guetterman et al., 2018). Con l'adozione di algoritmi di intelligenza artificiale, il ricercatore deve trovare un equilibrio tra velocità analitica ed etica nell'utilizzo di queste informazioni.
Domande frequenti ed errori
Confondere le capacità di "analisi automatica" dell'IA con l'interpretazione approfondita dei dati.
L'intelligenza artificiale può identificare schemi e categorizzare termini, ma non comprende gli aspetti simbolici o emotivi che sottendono a ciascuna espressione (Papakyriakopoulos et al., 2021). È fondamentale che il ricercatore non deleghi l'intera analisi alla tecnologia, mantenendo sempre il proprio senso critico e riflessivo.
Credere che il software possa "svolgere l'analisi" senza la partecipazione attiva del ricercatore.
Nessun algoritmo può sostituire il ruolo del ricercatore nell'interpretazione e nella contestualizzazione dei risultati. Software come ATLAS.ti, NVivo o MAXQDA sono strumenti di supporto, non sostituti dell'occhio umano (Müller de Andrade et al., 2020). Creatività e sensibilità analitica rimangono insostituibili.
Non comprendere i limiti degli algoritmi quando applicati a dati altamente contestualizzati.
In molti casi, il contenuto da analizzare può contenere linguaggio figurato o espressioni locali che gli algoritmi non riescono a cogliere. È importante ricordare che l'intelligenza artificiale si basa su modelli statistici che, per quanto robusti, non sempre riescono a cogliere le sfumature culturali e storiche (Guetterman et al., 2018).
Scegliere uno strumento senza considerare la sua compatibilità con la metodologia di ricerca o il tipo di dati.
Molte delusioni con i CAQDAS si verificano quando il ricercatore seleziona il software basandosi esclusivamente su linee guida generali, senza considerare le specificità del progetto (Paulus et al., 2015). Un'analisi preliminare delle caratteristiche dei dati e della tipologia di studio è fondamentale per evitare problemi futuri.
Caratteristiche specifiche di ATLAS.ti
Autocodifica e organizzazione dei dati
ATLAS.ti si distingue per i suoi strumenti di auto-codifica, che consentono al sistema di suggerire codici iniziali basati su somiglianze testuali (Burgui-Burgui, 2023). Questi suggerimenti accelerano il processo di strutturazione del materiale e fanno risparmiare tempo, soprattutto negli studi che trattano grandi volumi di dati.
Raggruppamento e confronto dei codici
Un'altra potente caratteristica è la capacità di codici di gruppo nelle categorie superiori, consentendo un'analisi gerarchica dei temi. Il ricercatore può confrontare i codici per visualizzare come si relazionano o si sovrappongono, creando mappe mentali che promuovono l'analisi e la sintesi interpretativa.
Interfaccia di ricerca e analisi del testo
L'interfaccia di ricerca di ATLAS.ti consente di individuare rapidamente termini o espressioni specifici in grandi insiemi di dati, mentre il text mining facilita la scoperta di modelli di frequenza o di co-occorrenza. Per chi lavora con i Big Data, questa automazione può rappresentare un notevole vantaggio competitivo (Guetterman et al., 2018).
Confronto tra diversi software (NVivo, MAXQDA, Ethnograph, ecc.)
Vantaggi e limiti di ciascuno strumento.
- ATLAS.tiInterfaccia intuitiva e diverse opzioni di visualizzazione, ma richiede un periodo di apprendimento per sfruttare appieno le funzionalità basate sull'intelligenza artificiale.
- NVivoRobusto nel combinare metodi qualitativi e quantitativi, ampiamente utilizzato nella ricerca accademica per offrire un supporto avanzato all'analisi dei questionari (Müller de Andrade et al., 2020).
- MAXQDAEccellente per diversi formati di dati e per la triangolazione tra dati qualitativi e quantitativi. Potrebbe non offrire tante funzionalità avanzate di intelligenza artificiale quanto altre soluzioni.
- EtnografoProgettato per l'analisi etnografica, ma limitato in termini di text mining e funzionalità di automazione complesse.
Aspetti metodologici che guidano la scelta dei CAQDAS
La decisione su quale software adottare va oltre le funzionalità tecnologiche e coinvolge questioni quali:
- tentativi di ricercaStudi di caso, etnografie, analisi del discorso, tra gli altri.
- Formato datiTesto, video, immagini, audio, collegamenti ipertestuali.
- Funzionalità desiderate dell'IACodifica automatica, analisi del sentiment, text mining, tra gli altri.
- InfrastrutturaCompatibilità del sistema operativo, capacità di archiviazione e potenza di elaborazione.
Tenendo conto di questi fattori, il ricercatore sarà in grado di scegliere lo strumento più adatto al proprio protocollo metodologico.
Il ruolo dell'intelligenza artificiale nell'automazione e nell'accelerazione dei processi di trascrizione e analisi.
La trascrizione di interviste e registrazioni storiche, che in precedenza richiedeva un notevole lavoro manuale, può ora essere accelerata da software di riconoscimento vocale e algoritmi di intelligenza artificiale. Requalify.ai, ad esempio, integra processi di trascrizione automatizzati con un elevato tasso di precisione, semplificando il lavoro del ricercatore che desidera passare rapidamente alla fase di codifica (Burgui-Burgui, 2023).
Questa automazione non solo riduce lo sforzo meccanico, ma libera anche tempo prezioso che il professionista può dedicare alle attività interpretative, essenza stessa della ricerca qualitativa. Ciononostante, la validazione umana del testo trascritto rimane fondamentale per correggere eventuali errori di acquisizione e garantire la fedeltà del discorso originale.
L'importanza dell'intervento umano nell'interpretazione dei risultati generati artificialmente.
Anche con algoritmi sofisticati in grado di suggerire codici e individuare tendenze, l'analisi critica del ricercatore rimane indispensabile. Negli studi qualitativi, la riflessività è parte integrante della credibilità scientifica. Ovvero, il ricercatore non si limita a descrivere i modelli, ma mette anche in discussione le proprie interpretazioni e posizioni teoriche (Paulus et al., 2015).
In questo senso, i risultati prodotti da software come ATLAS.ti e NVivo dovrebbero essere considerati punti di partenza, non di arrivo. Solo attraverso un'analisi critica – che tenga conto del contesto, della cultura e della teoria – è possibile giungere a conclusioni solide e coerenti con il fenomeno oggetto di studio.
L'impatto dei Big Data e la necessità di strumenti in grado di gestire grandi volumi di informazioni.
Nell'era dei Big Data, è disponibile un'enorme quantità di dati: post sui social media, dati georeferenziati, feedback dei consumatori e molto altro. La gestione e l'elaborazione di questo volume di informazioni richiedono strumenti che combinino scalabilità, robustezza e integrazione con algoritmi di intelligenza artificiale per il text mining e la codifica semiautomatica. Senza queste soluzioni, il ricercatore rischia di perdersi in un mare di dati scollegati (Guetterman et al., 2018).
Tuttavia, questa abbondanza di dati solleva anche preoccupazioni etiche e metodologiche. Come si può garantire la qualità delle informazioni raccolte? Come si possono assicurare la privacy e il consenso? Gli strumenti moderni tendono a includere meccanismi di audit e report che facilitano il controllo degli accessi e il tracciamento di ogni fase analitica. Ciononostante, la responsabilità del corretto utilizzo dei dati ricade principalmente sul ricercatore e sull'istituzione a cui è affiliato.
Contesto storico e rilevanza attuale
Evoluzione dei metodi qualitativi
In passato, l'analisi qualitativa veniva condotta manualmente, con appunti su schede cartacee, annotazioni e ritagli di estratti di interviste. Si trattava di una pratica estremamente dettagliata, ma laboriosa e soggetta a errori organizzativi. L'introduzione di software come ATLAS.ti ha rivoluzionato il processo, consentendo di segmentare, confrontare e riorganizzare grandi insiemi di dati in modo più efficiente (Paulus et al., 2015).
Rilevanza attuale
Oggi, la ricerca qualitativa con l'intelligenza artificiale sta acquisendo sempre maggiore importanza. Gli strumenti CAQDAS, combinati con algoritmi di apprendimento automatico, stanno diventando essenziali per gestire la complessità e il volume dei dati contemporanei. Questo progresso, tuttavia, non elimina la necessità dell'interpretazione umana. Al contrario, la ricchezza metodologica dell'approccio qualitativo dipende da una sintesi tra tecnologia e sensibilità del ricercatore (Papakyriakopoulos et al., 2021).
Implicazioni future
Integrazione crescente dell'IA
La tendenza è che i software per l'analisi qualitativa dei dati si evolvano verso la proposta non solo di codici, ma anche di spunti interpretativi. Tuttavia, nonostante gli sforzi per creare algoritmi più "intelligenti", la creatività interpretativa rimane in gran parte umana (Burgui-Burgui, 2023).
Sfide etiche e metodologiche
Le nuove risorse dei Big Data e dell'IA comportano sfide etiche, soprattutto per quanto riguarda la privacy e il consenso. Nella ricerca qualitativa che analizza i dati provenienti dai social network o dalle applicazioni di messaggistica, un'attenta raccolta dei dati e il rispetto delle leggi sulla protezione dei dati sono fondamentali. Con l'aumento delle capacità tecnologiche, le discussioni sui limiti e sulla responsabilità nell'uso delle informazioni diventano sempre più urgenti (Guetterman et al., 2018).
Strumenti ibridi
In futuro, si può immaginare uno scenario in cui intelligenza artificiale, analisi quantitativa e metodi qualitativi tradizionali convergono su un'unica piattaforma. Gli strumenti ibridi consentiranno non solo l'analisi dei contenuti, ma anche un'esplorazione statistica avanzata e la generazione di modelli predittivi. Questa integrazione dovrebbe essere particolarmente vantaggiosa per gli studi interdisciplinari che richiedono molteplici prospettive metodologiche (Papakyriakopoulos et al., 2021).
Consigli pratici
- Definire obiettivi chiari.Prima di scegliere un software, chiarisci alcuni punti chiave del tuo progetto:Quali dati hanno la priorità?"Qual è il mio quadro teorico di riferimento?.
- Utilizzare la codifica automatica con cautela.Utilizza algoritmi di intelligenza artificiale per identificare potenziali codici, ma rivedili e perfezionali manualmente per mantenere la coerenza teorica.
- Studia le comunità di supporto e di utenti.I forum e i gruppi di discussione possono essere fondamentali per risolvere quesiti specifici relativi a ciascun software (ATLAS.ti, NVivo, MAXQDA, ecc.).
- Convalida i tuoi risultati.Effettuare cicli di revisione tra pari per garantire l'affidabilità e la pluralità di interpretazioni.
- Valutate soluzioni di trascrizione specializzate.Se il tuo progetto prevede molte ore di audio o video, piattaforme come requalify.ai possono ottimizzare la trascrizione con l'intelligenza artificiale in modo rapido e sicuro.
Conclusione
Lo sviluppo di strumenti di intelligenza artificiale rappresenta un significativo passo avanti per l'analisi qualitativa dei dati. Software come ATLAS.ti, NVivo, MAXQDA e requalify.ai, specificamente progettati per automatizzare la trascrizione e l'analisi, ampliano la capacità del ricercatore di gestire volumi di informazioni sempre più ampi, eseguendo codifica, classificazione e text mining con agilità. Tuttavia, l'esperienza umana rimane essenziale per attribuire significato, contestualizzare i risultati e garantire l'affidabilità delle interpretazioni.
Che si tratti di mappare temi nei Big Data, di condurre analisi dettagliate di interviste etnografiche o di indagare fenomeni sociali complessi, questi strumenti si rivelano preziosi alleati. Il loro utilizzo, tuttavia, richiede un atteggiamento riflessivo ed etico da parte dei ricercatori, consapevoli dei limiti degli algoritmi e dell'importanza di una prospettiva critica. In definitiva, la ricerca qualitativa con l'IA non sostituisce l'essenza interpretativa della scienza umana, ma la arricchisce, fornendo percorsi più strutturati ed efficienti per comprendere la complessità dei fenomeni sociali.
Domande frequenti
Qual è la differenza tra ATLAS.ti, NVivo e MAXQDA?
In generale, si tratta di potenti software CAQDA, che però differiscono per aspetti quali l'interfaccia, la robustezza delle risorse quantitative (nel caso di NVivo) e il supporto multimediale (nel caso di MAXQDA). ATLAS.ti è spesso apprezzato per la sua intuitività e la visualizzazione dei dati.
In che modo l'intelligenza artificiale è d'aiuto nell'analisi qualitativa?
L'intelligenza artificiale accelera attività come la codifica, il suggerimento di modelli e l'analisi dei dati, ottimizzando il tempo del ricercatore. Tuttavia, l'interpretazione finale richiede una verifica umana per garantire rigore teorico e contestuale.
È possibile utilizzare l'intelligenza artificiale per trascrivere le interviste?
Sì. Strumenti come il riqualificare.ai Rendono il processo più rapido e pratico, consentendo al ricercatore di concentrarsi sull'analisi delle informazioni raccolte.
Che cos'è l'"auto-codifica"?
Questa funzionalità prevede che il software, tramite algoritmi di intelligenza artificiale, suggerisca codici iniziali per segmenti di testo. Spetta poi al ricercatore valutare e adattare questi codici, mantenendo la coerenza con le basi teoriche.
Come affrontare le questioni etiche e la privacy negli studi che utilizzano i Big Data?
Oltre a rispettare le leggi sulla protezione dei dati, è fondamentale che il ricercatore ottenga un consenso adeguato e gestisca le informazioni utilizzando metodi di archiviazione e analisi sicuri, segnalando qualsiasi potenziale rischio per la privacy.
L'intelligenza artificiale potrebbe sostituire completamente il ricercatore?
No. L'IA facilita e ottimizza le fasi meccaniche, ma l'interpretazione e la comprensione del contesto dipendono ancora dallo spirito critico e dall'esperienza del ricercatore.
Riferimenti bibliografici
- Burgui-Burgui, M. (2023). Intelligenza artificiale nella codifica automatica delle interviste sugli obiettivi di qualità del paesaggio. Confronto e caso di studio. arXiv. https://arxiv.org/abs/2312.05597
- Guetterman, T. C., Chang, T., DeJonckheere, M., Basu, T., Scruggs, E., & Vydiswaran, V. G. (2018). Potenziare l'analisi qualitativa del testo con l'elaborazione del linguaggio naturale: studio metodologico. J Med Internet Res;20(6): e231. doi: 10.2196/jmir.9702
- Müller de Andrade, D., Schmidt, EB, & Montiel, FC (2020). Uso del software NVIVO come strumento ausiliario per l'organizzazione delle informazioni nell'analisi testuale discorsiva. Rivista di ricerca qualitativa, 8, (19): 948-970 https://editora.sepq.org.br/rpq/article/download/357/247/1278
- Paulus, T., Woods, M., Atkins, D. P., & Macklin, R. (2015). Il discorso del QDAS: pratiche di reporting degli utenti di ATLAS.ti e NVivo con implicazioni per le migliori pratiche. Rivista internazionale di metodologia della ricerca sociale, 20(1), 35–47. https://doi.org/10.1080/13645579.2015.1102454
- Papakyriakopoulos, O., Watkins, EA, Winecoff, A., Jaźwińska, K., & Chattopadhyay, T. (2021). Analisi qualitativa per l'IA centrata sull'uomo. 35ª Conferenza sui sistemi di elaborazione delle informazioni neurali (NeurIPS 2021), Sydney, Australia. https://arxiv.org/abs/2112.03784
