Usando Modelos de Linguagem Baseados em Aprendizado Profundo como Ferramentas de Auxílio em Pesquisa Interpretativa

Objetivo:  o artigo apresenta um framework para a condução de pesquisa interpretativa usando algoritmos de aprendizado profundo que dissolvem os limites entre abordagens qualitativas e quantitativas. O trabalho mostra como a pesquisa pode se beneficiar de uma abordagem integrada que usa ferramentas computacionais para superar limitações tradicionais.

Proposta:  a maior disponibilidade e diversidade de dados tem aumentado o valor dos algoritmos como ferramentas de pesquisa que podem ser utilizadas pelos cientistas sociais. Além disso, ajustar e usar esses artefatos computacionais pode requerer e se beneficiar de procedimentos interpretativos. Tais circunstâncias viram de cabeça para baixo o tradicional debate sobre pesquisa quantitativa e qualitativa: a estratégia de pesquisa que provavelmente produz a maior quantidade de assertividade e rigor é aquela que requer esforço interpretativo mais vigoroso. Nesses termos, a codificação de palavras por meio de redes neurais pode ajudar os pesquisadores a ler com mais proximidade os dados, antes e depois de interpretá-los.

Conclusões:  para aproveitar a oportunidade produzida por esses novos algoritmos, pesquisadores poderiam ampliar as concepções existentes e adotar um ponto de vista epistemológico mais participativo e agnóstico. O entrelaçamento de métodos computacionais e interpretativos tem potencial de integrar e viabilizar interpretação e mensuração com rigor analítico nos contextos de abundância de dados que devem caracterizar a pesquisa em ciências sociais nas próximas décadas.

Palavras-chave:
pesquisa qualitativa; modelos de linguagem; aprendizado profundo; epistemologia