دربارهٔ Skimle

نخستین مشتری ما دولت فنلاند بود که روشی قابل اعتماد و شفاف برای تحلیل صدها صفحه بازخورد نظرخواهی سیاستی می‌خواست. آن‌ها می‌دانستند تحلیل دستی ماه‌ها طول می‌کشد و مشتاق امتحان هوش مصنوعی بودند، اما ابزارهای سادهٔ هوش مصنوعی که امتحان کردند نتوانستند تحلیلی باکیفیت و شفاف ارائه دهند. به چیزی نیاز داشتند که وجود نداشت: تحلیل دقیق و باکیفیت با سرعت هوش مصنوعی. Henri دست به کار شد و تجربه‌اش در تحلیل کیفی دانشگاهی را به روند کاری محکمی تبدیل کرد که متخصصان بخش عمومی بتوانند به آن اعتماد کنند.

پس از موفقیت با دولت فنلاند، پژوهشگران دانشگاهی با ما تماس گرفتند. آن‌ها با همان مشکل روبه‌رو بودند: ابزارهای قدیمی مانند NVivo، Atlas.ti یا MAXQDA هفته‌ها کار دستی می‌خواستند، اما ابزارهای سریع‌تر هوش مصنوعی مانند Claude دقت نداشتند. ویژگی‌های هوش مصنوعی‌ای که آرام‌آرام به ابزارهای CAQDAS نسل قبل افزوده می‌شد بی‌فایده بود. آن‌ها به رویکرد Skimle نیاز داشتند که دقت را با سرعت ترکیب می‌کند.

امروز هزاران متخصص در پژوهش دانشگاهی، مشاوره، تحقیقات بازار و ده‌ها حوزهٔ دیگر از Skimle استفاده می‌کنند. کاربران ما پژوهش‌های دانشگاهی منتشرشده در مجله‌های برتر انجام می‌دهند، بازخورد مفصل کارکنان را گردآوری و تحلیل می‌کنند، کل پروژه‌های مشاوره‌شان را به‌صورت فضای کاری Skimle پیش می‌برند و گفت‌وگوهای گروه کانونی را با این ابزار پیاده و تحلیل می‌کنند.

مأموریت ما ساختن پلتفرم مرجع تحلیل کیفی است که دقت روش‌های دانشگاهی را با سرعت هوش مصنوعی ترکیب کند. هر مشاور، پژوهشگر، تحلیلگر و کارمند دانشی باید ابزارهایی برای کندوکاو در دادهٔ کیفی داشته باشد که به اندازهٔ Excel برای دادهٔ کمّی قدرتمند و همه‌کاره باشند.

باور راهنمای ما این است که هوش مصنوعی باید تخصص انسانی را تقویت کند، نه جایگزینش شود. آینده «هوش مصنوعی تحلیلی با کیفیت ۹۰٪ انجام می‌دهد» نیست؛ آینده «هوش مصنوعی کار مکانیکی را انجام می‌دهد تا متخصصان عمیق‌تر بکاوند و به کیفیت ۲۰۰٪ برسند» است.

فلسفهٔ طراحی ما برای Skimle

• همه‌کاره: ورودی‌ها، روش‌های تحلیل و خروجی‌های منعطف
• پیش‌بینی‌پذیر: روندهای کاری دقیقاً طراحی‌شده با نتایج یکدست
• شفافیت دوسویه: از خلاصه‌ها تا نقل‌قول‌های عینی، و از دادهٔ خام دیدن اینکه کجا کدگذاری شده است
• کنترل کامل: کاربران می‌توانند همه چیز را به‌آسانی ویرایش و تغییر دهند

برای جزئیات بیشتر، مقالهٔ Henri Schildt «Designing AI for Qualitative Research: Predictability, Transparency, and Control in AI tool Skimle.com» را در SSRN بخوانید.