qlaude: usare l'AI nella codifica qualitativa senza perdere il controllo
Uno strumento per la codifica qualitativa che usa l'AI per proporre codici e bozze di analisi, lasciando al ricercatore la possibilità di risalire sempre al testo originale e decidere cosa tenere.
- Ruolo
- Designer, Ricercatore & Sviluppatore
- Team
- Progetto individuale
- Durata
- 3 mesi (in corso)
- Cliente
- Strumento personale / Sviluppo aperto
Il progetto in un minuto
La Sfida
L’analisi qualitativa assistita dall’AI richiede un legame visibile tra le interpretazioni e i passaggi originali.
Il mio contributo
Ho progettato il flusso di ricerca e sviluppato applicazione, editor del codebook e interazioni AI circoscritte.
Risultati e portata
Ogni proposta porta con sé un passaggio esatto, un codice e una spiegazione. Il ricercatore può verificare l’interpretazione prima di accettarla.
01Osservazione
Un riassunto plausibile può nascondere l’origine di un’interpretazione.
02Interpretazione
Un codice esprime un’interpretazione: non è una semplice corrispondenza tra parole.
03Scelta progettuale
Collegare ogni proposta al testo esatto, al contesto del codebook e a una decisione di revisione.
Lettura del progetto ricostruita dal case study, non un artefatto originale di ricerca.
Cosa resta da verificare: Il racconto nasce dalla mia pratica di ricerca; non documenta una valutazione indipendente o un’adozione su larga scala.
Presentato a URCA 2026
Ho presentato il modello human-in-the-loop alla base di qlaude a URCA 2026, un talk a due voci sull'AI come partner nell'analisi qualitativa.
La Sfida
Di cosa mi sono occupato
- Individuazione del problema a partire dal mio lavoro di ricercatore
- Progettazione del flusso completo, dalla configurazione del progetto alla generazione del report
- Progettazione dei sei punti di interazione AI e dei relativi prompt per Claude
- Sviluppo dell'applicazione full stack (Next.js, Supabase, Vercel AI SDK)
- Design della UI di gestione del codebook, con organizzazione drag-and-drop tramite React Flow
- Iterazione sul prompt engineering per garantire il rigore metodologico dei risultati dell'AI
Gli strumenti generici di sintesi AI possono ridurre il tempo di lettura, ma spesso restituiscono conclusioni difficili da ricondurre ai dati. Per la ricerca qualitativa questo rende complicato capire come un risultato sia stato costruito.
La codifica qualitativa richiede tempo perché ogni passaggio significativo va letto, confrontato con un codebook e inserito in un'interpretazione più ampia. Dopo anni passati a farlo a mano, volevo capire quali parti potessero essere accelerate senza perdere il legame con le fonti.
qlaude nasce da questo vincolo: l'AI può fare una proposta, ma quella proposta deve restare verificabile. Ogni codice suggerito è collegato al passaggio da cui deriva e può essere accettato, modificato o scartato dal ricercatore.
"Chi analizza interviste ha bisogno di velocizzare la parte ripetitiva senza rinunciare a codebook, citazioni, confronto tra casi e possibilità di rivedere le decisioni prese durante la codifica."
Oltre al tempo, si rischia di perdere la possibilità di controllare come si è arrivati a un tema o a una conclusione.
La codifica manuale scala male con il numero di interviste; le sintesi automatiche, al contrario, tendono a comprimere troppo presto il materiale e a nascondere i passaggi intermedi.
Ricerca
Osservazioni dal mio lavoro di ricerca
Il tempo se ne va soprattutto nelle riletture
Il 60% del tempo di codifica se ne va nelle riletture: prima per capire, poi per codificare, poi per verificare, poi per sintetizzare. L'AI può occuparsi della proposta, lasciando al ricercatore la decisione.
Le sintesi AI generiche perdono la struttura del metodo
La sintesi AI generica produce testi che somigliano a un'analisi senza averne la struttura: nessun codebook, nessuna tracciabilità al testo sorgente, nessuna coerenza tra ricercatori. Serviva un'AI che lavorasse con gli stessi concetti usati da chi fa ricerca.
3-5 ore per trascrizione
Tempo medio di codifica manuale per un'intervista di 60 minuti. Con 10+ interviste per progetto, questa sola fase può consumare 30-50 ore.
Confronto con gli strumenti esistenti
Molti strumenti aggiungono l'AI senza ripensare il flusso
Gli strumenti che hanno aggiunto l'AI (i riassunti di Dovetail, l'auto-codifica di NVivo) la usano come funzione separata, senza integrarla nel flusso di lavoro. L'AI non conosce la struttura del codebook, non cita il testo specifico e non spiega il proprio ragionamento.
Codifica e analisi restano spesso separate
Gli strumenti di codifica si fermano al codebook e il report si scrive altrove. Il ricercatore deve ricollegare a mente i passaggi codificati all'analisi narrativa, un tipo di sintesi in cui l'AI può aiutare molto.
Senza collegamento alla fonte, un suggerimento non è verificabile
La ricerca accademica e professionale richiede che ogni affermazione risalga al dato sorgente. Qualsiasi assistenza AI deve preservare questa catena: citazione → codice → tema → risultato.
Insight Chiave
L'AI può suggerire; la decisione resta al ricercatore
È il modello di interazione di base. Claude suggerisce temi, evidenzia passaggi e scrive bozze di analisi; ogni risultato è una proposta che il ricercatore rivede, modifica, accetta o rifiuta.
L'interfaccia usa i concetti della ricerca qualitativa
L'interfaccia riprende il modo in cui i ricercatori lavorano già, con temi, codici, codebook ed evidenze, invece di ridurre tutto a tag e riassunti generici.
Ogni suggerimento dell'AI deve poter essere ricondotto alla fonte
Quando Claude propone un highlight cita il testo e il segmento esatti e spiega il suo ragionamento. Quando scrive un'analisi, cita passaggi specifici dei partecipanti.
I suggerimenti restano dentro il codebook
I suggerimenti dell'AI sono vincolati al codebook scelto dal ricercatore. Claude non inventa categorie: lavora dentro lo schema stabilito dal ricercatore, e questo mantiene la coerenza tra le trascrizioni.
Ridurre il tempo di codifica senza saltare la revisione
Lo scopo è togliere il lavoro meccanico, così il ricercatore può dedicare più tempo all'interpretazione. Il tempo risparmiato serve ad approfondire l'analisi.
Obiettivi e Principi
Costruire una prima versione del codebook con l'AI
Dato un ambito di ricerca, Claude propone un insieme iniziale di temi e codici: un punto di partenza strutturato che il ricercatore rifinisce.
Suggerimenti di codifica sulle trascrizioni
Claude legge le trascrizioni rispetto al codebook e propone highlight: passaggi di testo esatti abbinati a codici specifici, con il ragionamento per ogni suggerimento.
Una prima bozza dell'analisi a partire dai codici
Dai dati codificati, Claude genera sezioni di analisi di qualità pubblicabile: testo continuo con citazioni dei partecipanti, pattern ricorrenti e quantificazione della prevalenza.
Sintesi del report con rimandi alle evidenze
Aggregazione di tutti i dati codificati tra le interviste in un report di analisi tematica completo, strutturato secondo il codebook, con i pattern tra partecipanti.
Principi guida
Il ricercatore ha l'ultima parola
Ogni suggerimento AI è rivedibile e reversibile. Il giudizio del ricercatore prevale sulle proposte AI in ogni fase.
Rendere visibili passaggi ed evidenze
Il ragionamento dell'AI è sempre visibile. Quando Claude propone un codice, spiega perché. Quando redige un'analisi, cita le fonti.
L'aiuto dell'AI cresce con il progetto
L'AI aiuta di più man mano che il progetto matura. Nelle fasi iniziali (design del codebook) offre suggerimenti leggeri. Nelle fasi successive (scrittura del report) redige più in profondità, perché il ricercatore ha stabilito lo schema analitico.
Progettazione della Soluzione
Schema interattivo
Un’interpretazione che può tornare alla fonte
Seleziona un nodo per evidenziarne i collegamenti e leggere la scelta progettuale.
Estratto
Il passaggio esatto ancora l’analisi. Il contesto circostante deve restare accessibile.
Collegato a: Proposta AI · Contesto fonte
Catena concettuale di tracciabilità basata sul case study. Qui non vengono generati dati di partecipanti o output AI.
Una prima struttura del codebook con l'AI
Partire da un codebook vuoto è difficile: si sa di aver bisogno di temi e codici, ma finché non si leggono le trascrizioni non è chiaro da dove cominciare.
Alternative considerate
- Nessuna AI: codebook vuoto (approccio tradizionale, alto attrito)
- Libreria di template precostituiti (generici, raramente adatti alla ricerca specifica)
- Codebook iniziale generato dall'AI in base all'ambito di ricerca (su misura, modificabile)
Claude legge l'ambito di ricerca e genera in streaming una proposta di codebook strutturata: 4-6 temi con 2-4 codici ciascuno, secondo la notazione KD (KD1.1, KD1.2). Il ricercatore la rivede e la ristruttura con un gestore del codebook drag-and-drop costruito con React Flow.
L'AI propone una prima ipotesi che il ricercatore affina lavorando sui dati, senza codificare al suo posto. Serve a superare la pagina bianca lasciando il controllo analitico al ricercatore.
Compromesso: Rischio di bias di ancoraggio: i ricercatori potrebbero accettare i suggerimenti AI acriticamente. Mitigato progettando la UI per incoraggiare l'editing (tutti i campi sono immediatamente modificabili, nessun pulsante 'accetta tutto').
Suggerimenti direttamente sulle trascrizioni
Leggere le trascrizioni riga per riga per trovare i passaggi da codificare è la parte che richiede più tempo. Il ricercatore sa cosa sta cercando (lo definisce il codebook), ma per trovarlo deve leggere tutto.
Alternative considerate
- Solo evidenziazione manuale (accurata ma dolorosamente lenta)
- Ricerca per keyword / regex (troppo letterale, perde il significato semantico)
- Matching semantico AI rispetto al codebook (comprende il significato, propone highlight)
Claude riceve la trascrizione completa con gli ID dei segmenti, il codebook completo con il mapping degli UUID e tutti gli highlight esistenti (per evitare duplicati). Propone 5-15 highlight per trascrizione, ciascuno con testo verbatim esatto, segmento di appartenenza, codice abbinato e 1-2 frasi di ragionamento.
Qui il lavoro sui prompt è stato decisivo. Claude deve citare il testo esattamente (nessuna parafrasi), riferirsi a UUID di segmento specifici (per un posizionamento accurato) e rispettare gli highlight esistenti (nessun duplicato). L'output strutturato tramite schema Zod garantisce risposte coerenti e parsabili, in streaming in tempo reale.
Compromesso: Le proposte dell'AI vanno riviste: i falsi positivi sono possibili. Rivedere 10 proposte però è molto più veloce che leggere 200 righe di trascrizione, e l'interfaccia di accettazione e rifiuto è pensata per decidere rapidamente.
Dai codici a una prima bozza di analisi
Dopo la codifica c'è un'altra fase manuale: leggere tutti i passaggi associati a un codice e scrivere l'analisi narrativa. Bisogna rileggere ogni citazione, individuare pattern e sintetizzare i risultati in un testo.
Alternative considerate
- Sintesi manuale (rigorosa ma lenta, tipicamente il collo di bottiglia finale)
- Sintesi di base (perde le citazioni, appiattisce le sfumature)
- Scrittura analitica guidata con vincoli metodologici stretti
Due livelli di analisi. Per codice: Claude scrive un testo continuo su tutte le citazioni associate a un codice, individua pattern, quantifica la prevalenza e inserisce le citazioni verbatim con l'attribuzione al partecipante. Report completo: Claude sintetizza l'intero progetto in un'analisi tematica pubblicabile, con i collegamenti tra temi.
Il lavoro di design sta soprattutto nei vincoli del prompt. Claude deve scrivere in prosa (niente elenchi puntati), quantificare la prevalenza ('tre partecipanti su cinque...'), citare sempre verbatim con attribuzione, far emergere posizioni minoritarie e contraddizioni, e scrivere nella lingua dei partecipanti. Con questi vincoli il testo segue le convenzioni di un'analisi qualitativa.
Compromesso: L'analisi generata è una bozza e va rivista e rifinita dal ricercatore. Una bozza strutturata e con citazioni corrette è comunque un punto di partenza molto diverso dalla pagina bianca.
Risultati e Impatto
Oggi qlaude copre il flusso dalla definizione del codebook alla sintesi finale. L'AI accelera la prima passata e la stesura, ma codici e analisi restano collegati ai passaggi originali e alle modifiche fatte dal ricercatore.
6 distinti punti di interazione AI lungo l'intero flusso di ricerca
Scaffolding del codebook generato come proposta strutturata e modificabile
5-15 proposte di highlight per trascrizione, streamate in tempo reale
Bozza di analisi tematica completa generata dai dati di progetto codificati
Risposte AI validate contro schemi Zod tipizzati prima di entrare nel flusso di lavoro
I ricercatori dedicano più tempo all'interpretazione e meno a scorrere le trascrizioni
Ogni proposta mostra il proprio ragionamento, così il ricercatore può valutarla
La coerenza del codebook tra le trascrizioni è mantenuta dall'AI che lavora all'interno dei codici definiti dal ricercatore
Le bozze di report includono di default citazioni corrette e quantificazione della prevalenza
Temi, codici e saturazione sono concetti centrali dello strumento
Cosa ho realizzato
- Applicazione full stack: Next.js + Supabase + Vercel AI SDK
- Prima versione del codebook generata dall'AI a partire dall'ambito di ricerca
- Codifica semantica delle trascrizioni con proposte di highlight e ragionamento
- Generazione dell'analisi per codice e per tema con requisiti di citazione
- Sintesi del report con rimandi alle evidenze tra tutte le interviste e i temi
- Gestione del codebook drag-and-drop con React Flow
- Streaming in tempo reale per tutte le interazioni AI
Riflessioni
La parte più difficile è stata decidere cosa mostrare accanto a ogni proposta perché un ricercatore potesse valutarla.
Cosa farei diversamente
- Avrei prototipato prima i prompt di generazione dell'analisi con dati di ricerca reali: la differenza di qualità tra prompt generici e prompt specifici per la ricerca era enorme
- Avrei aggiunto un indicatore esplicito di 'confidenza AI' per aiutare i ricercatori a dare priorità alle proposte da rivedere per prime
- Avrei costruito prima le funzionalità collaborative: più ricercatori che codificano lo stesso progetto, con una misura dell'inter-coder reliability assistita dall'AI
Cosa ha funzionato e quali difficoltà ho incontrato
Cosa ha funzionato
Prompt costruiti attorno ai vincoli del metodo
Le regole di scrittura nei prompt di analisi (niente elenchi puntati, citare, quantificare la prevalenza, far emergere le posizioni minoritarie) hanno dato risultati molto migliori della generazione aperta. Descrivere all'AI come lavora un ricercatore qualitativo ha prodotto testi che seguono davvero le convenzioni dell'analisi qualitativa.
L'output strutturato ha reso più affidabile l'integrazione
Con gli schemi Zod e lo streamObject di Vercel AI SDK ogni risposta dell'AI era tipizzata e validata, senza parsing con regex. Era indispensabile per le proposte di highlight, dove la risposta deve contenere UUID e riferimenti esatti ai segmenti.
Separare suggerimento e decisione rende il flusso più controllabile
Trattare ogni intervento dell'AI come un suggerimento rende più facile valutarlo criticamente. Per questo ogni proposta mostra da dove arriva e perché è stata formulata.
Sfide
Progettare i prompt significa progettare parte dell'esperienza
Le decisioni di design più difficili riguardavano i prompt più che l'interfaccia. Far citare a Claude il testo esatto (senza parafrasi), fargli indicare segmenti precisi e farlo scrivere nella lingua del partecipante ha richiesto molte iterazioni, più vicine all'interaction design che all'ingegneria.
Aiutare senza togliere controllo al ricercatore
Troppa AI e i ricercatori si sentono passivi. Troppo poca e lo strumento non fa risparmiare tempo. Trovare il giusto livello di suggerimento (abbastanza per accelerare, non tanto da sovrapporsi) ha richiesto una calibrazione costante di quanto l'AI propone in ogni fase.
Prossimo progetto
NotionViz: intelligenza del workspace