پیاده‌سازی مصاحبه در پژوهش کیفی: تبدیل ضبط به متن آمادهٔ تحلیل

تحریریهٔ whispertranscribe.ai · آخرین به‌روزرسانی: نوامبر 2026 · زمان مطالعه: 13 دقیقه

هوش مصنوعی می‌تواند پیش‌نویس اولیهٔ پیاده‌سازی مصاحبه در پژوهش کیفی را آماده کند. مصاحبه را بارگذاری و گویندگان را جدا کنید. متن را بگیرید و هنگام اصلاح آن همهٔ ضبط را گوش دهید. متن پس از تطبیق با صدا به دست پژوهشگر، اعمال قواعد مطالعه و حذف جزئیات هویتی به دادهٔ پژوهش تبدیل می‌شود.

در ادامه شیوهٔ انتخاب قالب، روندی هفت‌مرحله‌ای، فهرست کنترل آمادهٔ کپی، اصول ناشناس‌سازی و اخلاق پژوهش با منابع رسمی و راهنمای قالب خروجی آمده است.

پاسخ کوتاه: آیا هوش مصنوعی برای پیاده‌سازی پژوهش کیفی مناسب است؟

بله، اگر با خروجی مثل مادهٔ اولیه رفتار کنید. پیش‌نویس هوش مصنوعی تایپ را کم می‌کند و گوش‌دادن به صدا همچنان ضروری است.

  1. ابتدا قواعد پیاده‌سازی را تعیین کنید. لفظ‌به‌لفظ یا پالوده را انتخاب کنید و شیوهٔ نام‌گذاری گویندگان و علامت‌گذاری مکث‌ها و واژه‌های نامفهوم را مشخص کنید.
  2. پیش‌نویس بسازید. هر ضبط را با انتخاب زبان درست و شناسایی گوینده بارگذاری کنید.
  3. تطبیق دهید، ناشناس کنید و بعد تحلیل کنید. پیش‌نویس را با صدا مقابله کنید، نام‌ها را با کد جایگزین کنید و فایل پالوده را وارد نرم‌افزار تحلیل کنید.

پیش از بارگذاری هر مطلب قابل شناسایی مطمئن شوید تأیید اخلاقی و فرم‌های رضایت استفاده از ابزار را پوشش می‌دهند.

مطالعهٔ شما به چه شیوه‌ای برای پیاده‌سازی نیاز دارد؟

شیوه را بر اساس روش تحلیل انتخاب کنید. مطالعهٔ موضوعی دربارهٔ نظر افراد معمولاً می‌تواند از متن پالوده استفاده کند. مطالعه دربارهٔ شیوهٔ حرف‌زدن باید تردیدها و مکث‌ها را هم نگه دارد.

در مقاله‌ای پرارجاع، الیور، سروویچ و میسون (2005) پیاده‌سازی را پیوستاری بین دو شیوه توصیف می‌کنند. طبیعی‌سازی هر گفته را با بیشترین جزئیات ممکن ثبت می‌کند. طبیعی‌زدایی دستور زبان را مرتب می‌کند، لکنت و مکث را حذف می‌کند و لهجه‌های غیراکثریت را به شکل معیار درمی‌آورد. نویسندگان یکی را برتر نمی‌دانند. انتخاب شیوه بر یافته‌ها و بازنمایی مشارکت‌کنندگان اثر دارد و باید پیش از شروع آگاهانه انجام شود. برای نمونه دربارهٔ حفظ گویش مشارکت‌کننده بحث می‌کنند، با توجه به اینکه شاید خودش در بازبینی مشارکت‌کننده متن را بخواند.

شیوه چه می‌ماند؟ چه حذف می‌شود؟ کار لازم روی پیش‌نویس هوش مصنوعی
کاملاً لفظ‌به‌لفظ (طبیعی‌سازی‌شده) هر واژه، مکث‌واژه، آغاز ناتمام، تکرار، خنده و مکث علامت‌خورده هرچه شنیده شده می‌ماند مکث‌واژه یا شروع مجددی را که حذف شده برگردانید و مکث و خنده را دستی بنویسید
لفظ‌به‌لفظ پالوده (طبیعی‌زدایی‌شده) همهٔ واژه‌های معنادار با عبارت خود گوینده مکث‌واژه، لکنت و بیشتر تکرارها مکث‌واژه‌ها را یکدست حذف کنید و دستور و واژه‌گزینی مشارکت‌کننده را حفظ کنید
نشانه‌گذاری دقیق برای تحلیل مکالمه مدت مکث، هم‌پوشانی، تکیه و آهنگ گفتار همه‌چیز می‌ماند پیش‌نویس را فهرست واژه بدانید و نشانه‌گذاری را دستی انجام دهید
متن ویرایش‌شده یا خلاصه نکات اصلی جزئیات غیرضروری برای خواندن این خلاصه است. بیشتر روش‌های کیفی آن را به‌عنوان داده نمی‌پذیرند

هر شیوه‌ای را انتخاب می‌کنید، نسخهٔ اصلی لفظ‌به‌لفظ را دست‌نخورده نگه دارید و قواعد را در یک دستورکار کوتاه ثبت کنید. طبق راهنمای کتابخانهٔ دانشگاه ایلینوی، پیاده‌سازی خودش نوعی تحلیل است. آنچه می‌نویسید تعیین می‌کند بعداً چه چیزهایی را می‌توانید پیدا کنید.

دستورکار یک‌صفحه‌ای برای کپی و تطبیق

دستورکار پیاده‌سازی پروژه — نمونه، برای مطالعهٔ خود تطبیق دهید
شیوه:              کاملاً لفظ‌به‌لفظ. مکث‌واژه‌ها (اِم، اِه)، آغاز ناتمام و تکرار را نگه دارید.
برچسب گوینده:      I برای مصاحبه‌گر. P01، P02 و غیره برای مشارکت‌کنندگان. بدون نام واقعی.
نشان زمانی:        در هر تغییر گوینده، با قالب [hh:mm:ss].
گفتار نامفهوم:     [نامفهوم hh:mm:ss] برای واژهٔ از دست‌رفته و [نامطمئن: واژه] برای حدس.
غیرگفتاری:         [خنده] [مکث] [گفتار هم‌زمان] [زنگ تلفن] در کروشه.
هم‌پوشانی:         گویندهٔ دوم در سطر تازه با نشان [هم‌پوشانی] آغاز شود.
تأیید کوتاه:       «هوم» مصاحبه‌گر هنگام حرف مشارکت‌کننده: حذف / نگه‌داری (یکی را برگزینید).
نشانه‌های هویتی:   در ناشناس‌سازی با [توصیف] جایگزین و هر تغییر را ثبت کنید.
زبان:              به زبان گفتار پیاده کنید. پس از بازبینی ترجمه کنید.
نام فایل:          StudyCode_P01_v1-draft / v2-checked / v3-anonymised

پیش‌نویس هوش مصنوعی و بازبینی پژوهشگر در 7 گام

گام‌های 1 تا 4 چند دقیقه توجه می‌خواهند. بیشتر زمان را برای گام 5 در نظر بگیرید.

گام 1: برای پیاده‌سازی بهتر ضبط کنید

وضوح صدا بیشترین اثر را بر کیفیت پیش‌نویس دارد. ضبط‌کننده را به مشارکت‌کننده نزدیک‌تر بگذارید، اتاق آرامی بگیرید و ده ثانیه آزمایشی ضبط کنید. در مصاحبهٔ از راه دور، پس از دریافت رضایت‌های لازم و در صورت وجود برگزارکننده، اجازهٔ او، از ضبط‌کنندهٔ پلتفرم یا ضبط‌کنندهٔ صفحه و صدای مرورگر استفاده کنید. در مصاحبهٔ حضوری با لپ‌تاپ، ضبط‌کنندهٔ آنلاین صدا ضبط و پیاده‌سازی را در یک روند انجام می‌دهد.

گام 2: هر مصاحبه را جداگانه بارگذاری کنید

در مرورگر صفحهٔ پیاده‌سازی مصاحبه را باز و پیش از بارگذاری زبان گفتار را انتخاب کنید. یک فایل برای هر مصاحبه داده‌ها را مرتب نگه می‌دارد. whispertranscribe.ai ابزار تحت وب تبدیل صوت و ویدیو به متن با هوش مصنوعی است. بیش از 130 زبان دارد و فایل تا 5 گیگابایت و 10 ساعت در قالب‌هایی مانند MP3، WAV، M4A و MP4 می‌پذیرد. اگر ضبط در Google Drive یا Dropbox است، می‌توانید نشانی را در Transcribe from URL بچسبانید.

گام 3: شناسایی گوینده را روشن کنید

گزینهٔ Enable Speaker Detection را روشن کنید تا پیش‌نویس نوبت‌های گفتار را جدا کند. در پژوهش کیفی، نسبت‌دادن گفتهٔ مشارکت‌کننده به مصاحبه‌گر خطای داده است. ممکن است لازم باشد نسبت گوینده را اصلاح کنید، به‌ویژه وقتی طرفین هم‌زمان حرف می‌زنند یا صداهای شبیه به هم دارند.

گام 4: پیش‌نویس را صادر کنید

برای ویرایش، نسخهٔ کاری DOCX یا TXT بگیرید. برچسب پیش‌نویس (v1) را نگه دارید تا کسی آن را اشتباهی کدگذاری نکند. راهنمای قالب پایین‌تر کاربرد هر خروجی را توضیح می‌دهد.

گام 5: پیش‌نویس را با صدا تطبیق دهید

با متن باز، همهٔ ضبط را گوش دهید و هرجا متن و صدا فرق دارند مکث کنید. اول برچسب گویندگان را درست کنید، سپس خطاهای تکراری اصطلاحات را با جست‌وجو و جایگزینی اصلاح کنید و در پایان یک بار پیوسته گوش دهید. هر بخشی را که احتمال دارد نقل کنید دوباره پخش کنید. تشخیص گفتار ممکن است مکث‌واژه‌ها و آغازهای دوباره را حذف یا یکدست کند. اگر دستورکار متن کاملاً لفظ‌به‌لفظ می‌خواهد، وجود این موارد را بررسی کنید.

گام 6: نسخهٔ جداگانه‌ای را ناشناس کنید

فایل بررسی‌شده را با v2 ذخیره کنید و نسخهٔ v3 را برای ناشناس‌سازی بسازید. نام و جزئیات هویتی را با عبارت‌های توصیفی ثابت عوض کنید و تغییرها را در دفتر ثبت بنویسید. بخش ناشناس‌سازی در ادامه توضیح می‌دهد. پس از خروجی، این کار را بدون اتصال به اینترنت در ویرایشگر خود انجام دهید.

گام 7: فایل را وارد نرم‌افزار تحلیل کنید

نسخهٔ ناشناس را در نرم‌افزار تحلیل دادهٔ کیفی باز کنید. برای کدگذاری دستی می‌توانید از سند یا صفحه‌گسترده استفاده کنید. whispertranscribe.ai مستقیم به NVivo، ATLAS.ti، MAXQDA یا بستهٔ تحلیلی دیگری وصل نمی‌شود. فایل را صادر و خودتان وارد کنید. راهنمای ورود نرم‌افزار را برای قالب‌های مجاز و شیوهٔ خواندن نام گویندگان ببینید.

متن اصلاح‌شده چه شکلی است؟ نمونه

سه نسخهٔ زیر خیالی‌اند و حاصل مصاحبهٔ واقعی یا آزمون ابزار نیستند. تغییرهای گام 5 و 6 را نشان می‌دهند.

نمونه — v1، پیش‌نویس هوش مصنوعی (اصلاح‌نشده)
گوینده 1: چه زمانی کار در درمانگاه را شروع کردید؟
گوینده 2: فکر می‌کنم در 2019 شروع کردم. مدیرم Sarah کمک کرد جا بیفتم.
اولش سخت بود زیرا از Leeds آمده بودم.

نمونه — v2، مقابله با صدا (کاملاً لفظ‌به‌لفظ)
[00:04:12] I: چه زمانی کار در درمانگاه را شروع کردید؟
[00:04:15] P07: من، اِم، شروع کردم، یعنی فکر کنم 2019 بود. [مکث] مدیرم
Sarah، اون واقعاً کمک کرد جا بیفتم. اولش سخت بود آخه از Leeds اومده بودم.

نمونه — v3، ناشناس‌شده
[00:04:12] I: چه زمانی کار در درمانگاه را شروع کردید؟
[00:04:15] P07: من، اِم، شروع کردم، یعنی فکر کنم [سال] بود. [مکث] مدیرم
[مدیر 1]، اون واقعاً کمک کرد جا بیفتم. اولش سخت بود آخه از
[شهری در شمال انگلستان] اومده بودم.

از v1 به v2، مکث‌واژه و آغاز ناتمام برگشت، مکث علامت خورد و «زیرا» به «آخه» که مشارکت‌کننده گفته بود تغییر کرد. برچسب‌های عمومی هم جای خود را به کدهای مطالعه دادند. معنای کلی تغییر نکرد، اما این جزئیات برای تحلیل اهمیت دارند.

فهرست کنترل بازبینی متن مصاحبه

پیش از تحلیل هر متن از این فهرست استفاده کنید. می‌توانید آن را مستقیم در صفحه‌گسترده یا دستورالعمل گروه پژوهش کپی کنید.

بررسی دنبال چه بگردیم؟ راه اصلاح انجام شد
نوبت‌ گویندگان سطر منتسب به فرد نادرست یا دو برچسب برای یک نفر در هر تغییر گوینده گوش دهید. ادغام کنید یا برچسب را عوض کنید ☐
کد گویندگان برچسب عمومی یا نام واقعی طبق دستورکار به I، P01 و P02 تبدیل کنید ☐
یکدستی شیوه مکث‌واژه جایی مانده و جای دیگر حذف شده است قاعدهٔ دستورکار را در تمام فایل اعمال کنید ☐
واژه‌های مشارکت‌کننده «اصلاح» دستور یا گویش به دست مدل عین عبارت شنیده‌شده را بازگردانید ☐
اصطلاحات اصلی اصطلاح تخصصی، نام مکان، محصول یا سازمانِ اشتباه فهرست اصطلاح داشته باشید. جست‌وجو و جایگزینی کنید و چند مورد را دوباره بررسی کنید ☐
عددها سن، سال، مبلغ و تعداد همه را با صدا تطبیق دهید. اعداد به‌راحتی اشتباه شنیده می‌شوند ☐
نفی حذف یا اضافه‌شدن «نه»، «هرگز» یا «نکرد» هر جمله‌ای را که معنا به نفی وابسته است دوباره پخش کنید ☐
هم‌پوشانی گفتار ادغام چند صدا در سطر یک گوینده نوبت‌ها را جدا کنید و هم‌پوشانی را علامت بزنید ☐
بخش‌های نامفهوم حدس‌هایی که مثل واژهٔ قطعی آمده‌اند با زمان به‌صورت نامفهوم یا نامطمئن علامت بزنید ☐
نشانهٔ غیرگفتاری خنده، مکث بلند یا احساسی که معنا را عوض می‌کند در صورت نیاز دستورکار، توضیح را در کروشه اضافه کنید ☐
نقل‌قول گزارش هر بخشی که ممکن است نقل شود دوبار پخش و عین واژه‌ها را تأیید کنید ☐
نشانه‌های هویتی نام، محل کار، شهر یا جزئیات نادر باقی‌مانده به ناشناس‌سازی بروید و هر تغییر را ثبت کنید ☐

پیاده‌سازی کیفی چقدر زمان و هزینه می‌برد؟

نوشتن دستی به ازای هر ساعت صدا چند ساعت کار می‌خواهد. پیش‌نویس هوش مصنوعی بیشتر زمان را به بازبینی منتقل می‌کند. راهنمای پژوهشی کمیتهٔ بین‌المللی نجات بسته به جزئیات، تجربه و کیفیت صدا برای هر ساعت ضبط بین سه تا 10 ساعت کار برآورد می‌کند.

برای یک مطالعهٔ نمونه این محاسبه را ببینید. عددهای بازبینی فرضی‌اند. زمان مصاحبهٔ اول خود را اندازه بگیرید و برآورد را تنظیم کنید.

مطالعهٔ نمونه: 20 مصاحبه × 60 دقیقه = 20 ساعت صدا پیاده‌سازی دستی پیش‌نویس هوش مصنوعی و بازبینی کامل
زمان به ازای هر ساعت صدا 3 تا 10 ساعت (برآورد IRC) فرض 1.5 تا 3 ساعت بازبینی
کل زمان پژوهشگر 60 تا 200 ساعت 30 تا 60 ساعت

برای گوش‌دادن به همهٔ صدا، دست‌کم به‌اندازهٔ مدت مصاحبه وقت بگذارید. نویز، هم‌پوشانی زیاد و قواعد کاملاً لفظ‌به‌لفظ زمان را به بالای بازه نزدیک می‌کنند. طرح‌های whispertranscribe.ai با پرداخت سالانه از ماهی $9.99 شروع می‌شوند. پیش از بودجه‌بندی طرح پژوهشی، دقیقه‌ها و شرایط کنونی را در همان صفحه بررسی کنید.

پیاده‌سازی با هوش مصنوعی، خدمات انسانی یا کار دستی؟

انتخاب به بودجه، مهلت و میزان ارتباطی که با داده می‌خواهید بستگی دارد.

معیار پیش‌نویس هوش مصنوعی و بازبینی خودتان خدمات پیاده‌سازی انسانی پیاده‌سازی از ابتدا به دست خودتان
زمان شما متوسط: یک بار گوش‌دادن دقیق و اصلاح ابتدا کم، اما بازبینی نمونه‌ها لازم است بیشترین
هزینه اشتراک یا پرداخت به‌اندازهٔ مصرف معمولاً به ازای دقیقهٔ صدا و بیشترین هزینهٔ نقدی بدون هزینهٔ نقدی
زمان تحویل پیش‌نویس در چند دقیقه اغلب چند روز، بسته به ارائه‌دهنده و سفارش چند هفته برای مطالعهٔ کامل
نزدیکی به داده‌ها زیاد، چون همهٔ ضبط را می‌شنوید بدون بازبینی کمتر است بیشترین
چه کسی به صدا دسترسی دارد؟ ارائه‌دهندهٔ ابزار و پردازشگرهای اعلام‌شده کارکنان ارائه‌دهنده، غالباً زیر توافق محرمانگی هیچ‌کس
استفادهٔ مناسب بیشتر مطالعه‌های مصاحبه‌ای با صدای واضح پروژه‌های بزرگ دارای بودجه یا کمبود وقت پژوهشگر نمونه‌های کوچک، تحلیل مکالمه و دادهٔ بسیار حساس

whispertranscribe.ai در ستون اول قرار می‌گیرد. ابزاری خودکار است و پیاده‌سازی یا غلط‌گیری انسانی ندارد.

ناشناس‌سازی، رضایت و بررسی اخلاقی

این بخش اطلاعات عمومی است و مشاورهٔ حقوقی نیست. قواعد واقعی را هیئت بازبینی سازمانی (IRB) یا کمیتهٔ اخلاق پژوهش مؤسسه و رضایت‌نامهٔ امضاشدهٔ مشارکت‌کنندگان تعیین می‌کنند.

رضایت و تأییدی بگیرید که ابزار را پوشش دهد

پیش از بارگذاری ضبط قابل شناسایی در هر سرویس آنلاین، مطمئن شوید دستورکار تأییدشده و فرم رضایت این کار را مجاز می‌دانند. در آمریکا، قاعدهٔ مشترک در 45 CFR 46.116 می‌خواهد اطلاعات رضایت توضیح دهند محرمانگی سوابق هویتی تا چه اندازه حفظ می‌شود. دفتر حفاظت از افراد در پژوهش در HHS، راهنمای رضایت آگاهانه را یک‌جا منتشر کرده است. کشورهای دیگر و مؤسسه‌ها قواعد خودشان را دارند. از دفتر اخلاق مؤسسه بپرسید چه قاعده‌ای به شما مربوط است.

دفتر اخلاق ممکن است این پرسش‌ها را دربارهٔ ابزار بپرسد:

  • صدا کجا پردازش می‌شود و کدام طرف‌های ثالث به آن دسترسی دارند؟
  • ضبط‌ها و متن‌ها چقدر نگه داشته می‌شوند و چه کسی می‌تواند حذفشان کند؟
  • آیا محتوا برای آموزش مدل هوش مصنوعی استفاده می‌شود یا افراد آن را می‌بینند؟
  • داده در حال انتقال و در ذخیره چگونه محافظت می‌شود؟

با توصیف‌های معنادار ناشناس کنید

راهنمای UK Data Service برای ناشناس‌سازی دادهٔ متنی توصیه می‌کند نشانه‌های مستقیم هویت با نام مستعار یا برچسب معنادار و ثابت عوض شوند، جزئیات بیش‌ازحد دقیق کلی شوند و تغییرها ثبت شوند. حذف نام به‌تنهایی به‌ندرت کافی است. شغل نادر در اجتماع کوچک یا جدول زمانی دقیق همچنان ممکن است فرد را آشکار کند. ناشناس‌سازی بیش‌ازحد هم مشکل دارد. متن پر از «X» زمینهٔ لازم برای تحلیل را از دست می‌دهد. همان راهنما استفاده از ابزارهای ناشناس‌سازی روی دستگاه خودتان را توصیه می‌کند. UK Data Service یک الگوی رایگان پیاده‌سازی و توافق محرمانگی برای پیاده‌کننده نیز دارد.

دفتر ثبت را جدا از فایل‌های ناشناس نگه دارید:

متن اصل (امن نگه دارید) جایگزین دلیل
P07 نام کوچک مدیر مشارکت‌کننده [مدیر 1] نشانهٔ مستقیم هویت
P07 شهر محل سکونت [شهری در شمال انگلستان] مکان دایرهٔ افراد ممکن را محدود می‌کند
P07 سال شروع [سال] همراه با سمت می‌تواند فرد را مشخص کند

سیاست حریم خصوصی whispertranscribe.ai چه می‌گوید؟

طبق سیاست حریم خصوصی whispertranscribe.ai که در نوامبر 2026 بررسی شد، فایل‌های اصلی صوتی و ویدیویی پس از پایان پردازش خودکار حذف می‌شوند. کپی‌های MP3 استخراج‌شده هنگام پردازش، به‌طور پیش‌فرض 30 روز نگه داشته می‌شوند مگر اینکه زودتر حذفشان کنید. متن‌ها تا زمان حذف در حسابتان می‌مانند. حذف دائمی است و نسخهٔ پشتیبان نگه داشته نمی‌شود. ضبط و متن برای آموزش مدل هوش مصنوعی استفاده نمی‌شوند و طبق سیاست کسی آن‌ها را بازبینی نمی‌کند. داده در انتقال با TLS 1.3 و در ذخیره با AES-256 محافظت می‌شود. OpenAI به‌عنوان ارائه‌دهندهٔ خدمات هوش مصنوعی در آمریکا فهرست شده است و ممکن است دفتر اخلاق به این اطلاعات نیاز داشته باشد. whispertranscribe.ai ادعای گواهی HIPAA، GDPR یا SOC 2 ندارد. اگر مطالعه ارائه‌دهندهٔ دارای گواهی یا پردازش در داخل کشور می‌خواهد، گزینه‌ای مطابق شرط انتخاب کنید.

پژوهشگران کدام قالب خروجی را انتخاب کنند؟

whispertranscribe.ai در قالب‌های DOCX، PDF، TXT، CSV، SRT و VTT خروجی می‌دهد. بر اساس گام بعدی انتخاب کنید.

قالب کاربرد در پروژهٔ پژوهشی
DOCX اصلاح و ناشناس‌سازی در واژه‌پرداز، ثبت تغییر برای بازبینی دوم، ورود به‌عنوان سند در برنامهٔ تحلیل
TXT نسخه‌ای ساده و قابل انتقال برای بایگانی یا ابزارهایی که متن ساده می‌خواهند
CSV بازبینی سطر‌به‌سطر قطعه‌ها در صفحه‌گسترده یا مرتب‌سازی بر اساس گوینده برای شمارش نوبت‌ها
PDF نسخهٔ ثابت پس از ناشناس‌سازی برای بازبینی مشارکت‌کننده یا استاد راهنما
SRT یا VTT متن زمان‌دار برای تحلیل ویدیو یا جابه‌جایی میان متن و ضبط در پخش‌کننده

پیاده‌سازی مصاحبه‌های چندزبانه و میان‌فرهنگی

اول به زبان گفتار پیاده کنید و سپس ترجمه بگیرید. راهنمای IRC پیاده‌سازی به زبان مبدأ پیش از ترجمه را توصیه می‌کند، چون در طول تحلیل می‌توانید ترجمه را با اصل مقابله کنید.

whispertranscribe.ai بیش از 130 زبان دارد. صفحهٔ مصاحبه گونه‌های منطقه‌ای مانند اسپانیایی آمریکای لاتین و فرانسوی کانادا و نیز حالت «Noise / Low-Quality Audio/Video» را برای بسیاری از زبان‌ها فهرست می‌کند که برای ضبط میدانی مفید است. برای تغییر زبان در مصاحبه، Multilingual Mix ترکیب‌هایی از انگلیسی، اسپانیایی، فرانسوی، آلمانی، هندی، روسی، پرتغالی، ژاپنی، ایتالیایی و هلندی را پوشش می‌دهد. اگر نسخهٔ کاری انگلیسی نیاز دارید، صدا را جداگانه به انگلیسی ترجمه کنید و متن زبان مبدأ را دادهٔ اصلی نگه دارید.

طبق توضیح ابزار، دقت در صدای واضح می‌تواند به 99% برسد. نویز، لهجهٔ پررنگ و تغییر زبان دقت را کم می‌کنند. برای بازبینی هر مصاحبهٔ غیرا‌نگلیسی یا چندزبانه وقت بیشتری بگذارید و از فرد مسلط بخواهید بخش‌های قابل نقل را بررسی کند.

پرسش‌های رایج

می‌توان از هوش مصنوعی برای پیاده‌سازی مصاحبهٔ پژوهش کیفی استفاده کرد؟

بله، به شرطی که پژوهشگر هر متن را با ضبط تطبیق دهد. مدل سریعاً پیش‌نویس با نوبت گوینده و نشان زمانی می‌سازد و بیشتر تایپ را کم می‌کند. همچنان ممکن است نام، عدد یا اصطلاحی را اشتباه بشنود، سطر را به گویندهٔ نادرست بدهد یا مکث‌واژه‌ای را که لازم است حذف کند. پیش‌نویس را نسخهٔ کاری بدانید، هنگام گوش‌دادن به کل صدا اصلاحش کنید و پیش از تحلیل ناشناس کنید.

پیاده‌سازی هوش مصنوعی برای نقل‌قول لفظ‌به‌لفظ به‌اندازهٔ کافی دقیق است؟

نقل‌قول به بازبینی نیاز دارد. حتی در صدای واضح، یک بدشنوی ممکن است معنا را عوض کند. دقت با نویز، لهجه، هم‌پوشانی و واژهٔ تخصصی کم می‌شود. whispertranscribe.ai برای صدای واضح حداکثر 99% را در شرایط مساعد اعلام می‌کند. هر بخش را دست‌کم دو بار پخش و پیش از درج در مقاله یا گزارش کلمه‌به‌کلمه تأیید کنید.

مصاحبهٔ کیفی را کاملاً لفظ‌به‌لفظ پیاده کنم یا پالوده؟

روش تحلیل تعیین‌کننده است. برای بررسی شیوهٔ صحبت، مثل تحلیل گفتمان یا مکالمه، نسخهٔ کامل با مکث و مکث‌واژه را نگه دارید. وقتی موضوع، محتوای گفته‌هاست، مثل بسیاری از تحلیل‌های موضوعی، نسخهٔ لفظ‌به‌لفظ پالوده با حفظ عبارت مشارکت‌کننده کافی است. الیور، سروویچ و میسون (2005) انتخاب آگاهانه پیش از شروع را توصیه می‌کنند. بسیاری از پژوهشگران نسخهٔ کامل را نگه می‌دارند و نسخهٔ پالوده را تحلیل می‌کنند.

برای استفاده از ابزار آنلاین پیاده‌سازی تأیید IRB لازم است؟

معمولاً تأیید اخلاقی و فرم رضایت باید روش رسیدگی به ضبط، از جمله خدمات ثالث، را پوشش دهند. الزامات کشور و مؤسسه متفاوت‌اند. پیش از بارگذاری صدای قابل شناسایی از IRB یا کمیتهٔ اخلاق بپرسید. آماده باشید بگویید داده کجا پردازش و چقدر نگه داشته می‌شود، آیا برای آموزش مدل استفاده می‌شود و چه کسی دسترسی دارد. این توضیح عمومی است و قواعد مؤسسهٔ شما اولویت دارند.

پیاده‌سازی مصاحبهٔ یک‌ساعته چقدر زمان می‌برد؟

طبق راهنمای کمیتهٔ بین‌المللی نجات، تایپ دستی بسته به جزئیات و کیفیت صدا تقریباً سه تا 10 ساعت طول می‌کشد. پیش‌نویس هوش مصنوعی زود آماده می‌شود و وقت اصلی صرف بازبینی است. دست‌کم مدت کامل ضبط را برای شنیدن و زمانی اضافه برای توقف و اصلاح در نظر بگیرید. مصاحبهٔ اول را زمان‌سنجی کنید و بقیهٔ مطالعه را بر آن اساس برنامه‌ریزی کنید.

برای نرم‌افزار تحلیل کیفی چه قالبی صادر کنم؟

DOCX یا TXT گزینهٔ معمول برای ورود به‌عنوان سند هستند. DOCX اصلاح و ناشناس‌سازی را آسان می‌کند. CSV برای کدگذاری در صفحه‌گسترده و SRT یا VTT برای تحلیل ویدیو کنار متن مناسب است. whispertranscribe.ai همهٔ آن‌ها را صادر می‌کند، اما به NVivo، ATLAS.ti یا MAXQDA مستقیم متصل نمی‌شود. راهنمای ورود نرم‌افزار را برای قالب‌های پذیرفته‌شده ببینید.

مصاحبهٔ بعدی را به متن بازبینی‌شده تبدیل کنید

ضبط را در whispertranscribe.ai از راه صفحهٔ پیاده‌سازی مصاحبه بارگذاری کنید، تشخیص گوینده را روشن کنید و پیش‌نویس DOCX را برای تطبیق با صدا بگیرید. برای بررسی کیفیت پیش‌نویس روی یک فایل صفحهٔ رایگان بدون حساب را ببینید. مقدار مصرف رایگان در همان صفحه است. برای سمینار و جلسهٔ گروهی، صفحهٔ پیاده‌سازی سخنرانی و سمینار همین مراحل را دارد. فهرست قابلیت‌ها بقیهٔ امکانات را نشان می‌دهد.

راهنماهای مرتبط: Whisper چقدر دقیق است؟، شیوهٔ ضبط تماس تلفنی و قوانین ضبط تماس در ایالت‌های آمریکا.

منابع

  1. Oliver, D. G., Serovich, J. M., & Mason, T. L. (2005). Constraints and opportunities with interview transcription: Towards reflection in qualitative research. Social Forces, 84(2), 1273–1289. نسخهٔ نویسندگان در PMC
  2. کتابخانهٔ دانشگاه ایلینوی. تحلیل دادهٔ کیفی: پیاده‌سازی داده‌ها
  3. کمیتهٔ بین‌المللی نجات. پیاده‌سازی و ترجمهٔ دادهٔ کیفی، مجموعهٔ پژوهشی IRC (PDF)
  4. eCFR. 45 CFR 46.116، الزامات کلی رضایت آگاهانه
  5. دفتر حفاظت از افراد در پژوهش در HHS. راهنمای رضایت آگاهانه
  6. UK Data Service. ناشناس‌سازی داده‌های متنی
  7. UK Data Service. مدیریت داده: ابزارها و الگوها

می‌خواهید فایل‌های ضبط‌شدهٔ خود را به متن تبدیل کنید؟

صدا و ویدیو را با whispertranscribe.ai به متن تبدیل کنید.

شروع تبدیل به متن ↗