Critical review of Artificial Intelligence for qualitative analysis: not just whether to use it but how and when

Paulina Bondaronek; Emma Ward; Susie Weller; Laura Dennison; Thomas Gültzow; Lisa Ballard; Ben Ainsworth; Daniella Watson; Aimee E Pink; Aliya Amirova

doi:10.31234/osf.io/zgvrq_v2

PreprintDescarga libreInglés

Critical review of Artificial Intelligence for qualitative analysis: not just whether to use it but how and when

Paulina Bondaronek; Emma Ward; Susie Weller; Laura Dennison; Thomas Gültzow; Lisa Ballard; Ben Ainsworth; Daniella Watson; Aimee E Pink; Aliya Amirova

Año: 2026
DOI: 10.31234/osf.io/zgvrq_v2 (se abre en una pestaña nueva)
Licencia: CC BY

Resumen ADIPA

Elaborado con IA a partir del resumen de los autores

Revisión crítica sobre el uso de inteligencia artificial en el análisis cualitativo, desarrollada por una comunidad interdisciplinaria de investigadores. El artículo evalúa debates polarizados sobre la integración de IA en investigación cualitativa, más allá de si debe usarse, enfocándose en cómo y cuándo implementarla. Mediante análisis de siete dominios centrales—epistemología, capacidades analíticas, integridad de investigación, confianza, equidad y sesgos, consentimiento y confidencialidad, y competencia investigadora—examina tanto beneficios como limitaciones. Identifica potencial de la IA para análisis de "Big Qual" y enfoques híbridos humano-IA, pero también riesgos como desalineación con tradiciones interpretativas, falta de transparencia y sesgo algorítmico. Propone recomendaciones para uso responsable que mantenga el rigor, la equidad y la competencia cualitativa sin comprometer la interpretación humana.

Puntos clave

Siete dominios centrales estructuran el análisis crítico de IA en investigación cualitativa: epistemología, capacidades analíticas, integridad, confianza, equidad, consentimiento y expertise investigadora.
La IA para análisis cualitativo permite análisis de Big Qual e integración híbrida humano-IA, pero requiere transparencia metodológica y retención de interpretación humana.
Riesgos clave incluyen desalineación entre sistemas de IA y tradiciones interpretativas cualitativas, problemas de transparencia, sesgo algorítmico y erosión de competencia cualitativa.
El uso responsable de IA en análisis cualitativo exige metodologías críticas, robustas y transparentes que aborden diferencias entre tipos de IA, poder y sostenibilidad.

Para quién: Estudiantes y profesionales de investigación cualitativa, educadores en metodología, y administradores de investigación que necesitan evaluar críticamente cuándo y cómo integrar inteligencia artificial en análisis cualitativo sin comprometer el rigor metodológico.

Resumen de los autores

Introduction: Artificial intelligence (AI) is becoming increasingly visible in qualitative research, with growing interest in its potential to support or accelerate analytic work. However, debates in this area are largely polarised. Few papers offer a balanced, critical consideration of the role of AI for qualitative analysis. This paper addresses this gap. Methods: This critical review was developed by an interdisciplinary researcher community (the [redacted] network) through a series of discussions and investigations, synthesised into a set of core domains. Findings: Seven domains were identified as central to AI-assisted qualitative analysis: epistemology; increasing analytic capabilities; research integrity; trust; equity and bias; consent and confidentiality; and evolving researcher expertise. Across domains, AI offers potential benefits, including enabling “Big Qual” analysis and supporting hybrid human–AI approaches. Limitations and risks were deliberated, including misalignment between AI and interpretive traditions, challenges to transparency and veracity, bias concerns, and implications for training and sustaining qualitative competence. Conclusions: Recommendations on how and when to use AI for qualitative analysis without compromising rigour, equity and competence are proposed. Current responsible use requires the development of transparent, robust, and critically informed methodologies that address differences between AI approaches, power and sustainability, while retaining human interpretation.

Áreas y palabras clave

Metodología de la investigación Artificial Intelligence Machine Learning Qualitative Research Methods

Cómo citar (APA 7)

Bondaronek, P., Ward, E., Weller, S., Dennison, L., Gültzow, T., Ballard, L., Ainsworth, B., Watson, D., Pink, A. E., & Amirova, A. (2026). Critical review of Artificial Intelligence for qualitative analysis: not just whether to use it but how and when. https://doi.org/10.31234/osf.io/zgvrq_v2

BibTeX RIS (Zotero, Mendeley, EndNote)CSL-JSON

Critical review of Artificial Intelligence for qualitative analysis: not just whether to use it but how and when

Resumen ADIPA

Puntos clave

Resumen de los autores

Áreas y palabras clave

Cómo citar (APA 7)

Critical review of Artificial Intelligence for qualitative analysis: not just whether to use it but how and when

Resumen ADIPA

Puntos clave

Resumen de los autores

Áreas y palabras clave

Cómo citar (APA 7)

Relacionados