پرسش‌های متداول

Skimle یک پلتفرم تحلیل دادهٔ کیفی مبتنی بر هوش مصنوعی است که اسناد بدون ساختار (مصاحبه‌ها، فایل‌های اتاق داده، نظرهای مشتریان، اظهارات نظرخواهی عمومی، اسناد حقوقی و مانند آن) را به مجموعه‌داده‌هایی سازمان‌یافته و قابل تحلیل تبدیل می‌کند. برخلاف چت‌بات‌هایی که بخش‌هایی تصادفی را بازیابی می‌کنند، Skimle کل مجموعهٔ اسناد شما را نظام‌مند پردازش می‌کند، هر بخش را تحلیل می‌کند، بینش‌ها را استخراج می‌کند و آن‌ها را با ردیابی کامل در طبقه‌بندی سلسله‌مراتبی موضوع‌ها سامان می‌دهد. برای نمای کلی، نحوهٔ کار Skimle را ببینید.

Skimle برای کارکنان دانشی ساخته شده است که دادهٔ کیفی تحلیل می‌کنند: پژوهشگران دانشگاهی که تحلیل مضمون انجام می‌دهند، مشاوران مدیریت که مصاحبه‌های خبرگان را جمع‌بندی می‌کنند، تحلیلگران سیاست که نظرخواهی‌های عمومی را پردازش می‌کنند، پژوهشگران بازار که بازخورد مشتریان را تحلیل می‌کنند، تیم‌های منابع انسانی که پیمایش‌های مشارکت کارکنان را اجرا می‌کنند و هر کسی که از داده‌های بدون ساختار به بینش‌های نظام‌مند و قابل دفاع نیاز دارد.

بیشتر ابزارهای سادهٔ تحلیل با هوش مصنوعی از RAG (تولید تقویت‌شده با بازیابی) استفاده می‌کنند تا در لحظهٔ پرسش بخش‌های مرتبط را بازیابی کنند؛ یعنی هر بار که همان پرسش را بپرسید پاسخ متفاوتی می‌گیرید. Skimle کل مجموعه‌دادهٔ شما را از ابتدا نظام‌مند پردازش می‌کند و ساختاری پایدار می‌سازد که در آن هر موضوع به نقل‌قول‌های تأییدشده پیوند دارد. به‌جای پاسخ‌های جعبه‌سیاه، پوشش جامع، نتایج یکدست و ردیابی کامل به دست می‌آورید. بیشتر بخوانید که چرا ابزارهای مبتنی بر RAG برای تحلیل جدی کافی نیستند.

خیر. Skimle برای پژوهشگران و تحلیلگران طراحی شده است، نه برنامه‌نویسان. رابط کاربری ساده و قابل‌فهم است (چیزی شبیه صفحه‌گسترده به‌همراه نمایشگر سند) و همهٔ پردازش‌های هوش مصنوعی خودکار انجام می‌شود. اگر می‌توانید با Google Docs و Excel کار کنید، با Skimle هم می‌توانید.

بیشتر کاربران ظرف ۱۵ تا ۳۰ دقیقه به بهره‌وری می‌رسند. فایل‌هایتان را به‌عنوان منبع داده اضافه کنید، تحلیل را اجرا کنید، سپس موضوع‌هایی را که هوش مصنوعی تولید کرده بازبینی و پالایش کنید؛ روند کار سرراست است. برخلاف نرم‌افزارهای سنتی تحلیل کیفی (NVivo، ATLAS.ti) که تسلط بر آن‌ها ممکن است هفته‌ها طول بکشد، رابط Skimle برای بهره‌وری فوری طراحی شده است.

Skimle فایل‌های PDF، docx، TXT، RTF، فایل‌های صوتی (MP3، M4A، WAV) و فایل‌های ویدیویی (MP4، MOV) را می‌پذیرد. هر نوع را به‌عنوان یک منبع داده اضافه می‌کنید؛ برای صوت و ویدیو، Skimle پیش از آغاز تحلیل به‌طور خودکار متن را پیاده می‌کند و کل روند کاری شما در یک جا می‌ماند. می‌توانید قالب‌های مختلف را در یک پروژه ترکیب کنید.

بله. پیاده‌سازی متن داخلی Skimle فایل‌های MP3، M4A، WAV، MP4 و MOV را پشتیبانی می‌کند. ضبط خود را به‌عنوان منبع دادهٔ صوتی یا ویدیویی اضافه کنید تا Skimle پیش از آغاز تحلیل متن آن را پیاده کند؛ با یک مرحلهٔ اختیاری برای بازبینی و اصلاح متن پیاده‌شده. نقل‌قول‌ها تا منبع قابل ردیابی می‌مانند، پس به سرویس پیاده‌سازی جداگانه نیازی نیست.

هزاران سند در هر پروژه. بیشتر موارد استفاده شامل ۱۰ تا ۲۰۰ سند است (پژوهش‌های معمول، پروژه‌های مشاوره، نظرخواهی‌های سیاستی)، اما Skimle از مجموعه‌اسناد بزرگ مانند بررسی اتاق داده یا تحلیل جامع پیشینهٔ پژوهش هم پشتیبانی می‌کند.

بیش از ۱۰۰ زبان. اسناد را به هر زبانی بارگذاری کنید؛ Skimle آن‌ها را به زبان اصلی تحلیل می‌کند و در عین حال ساختار موضوعی یکپارچه‌ای می‌سازد. به‌ویژه برای نظرخواهی‌های سراسر اتحادیهٔ اروپا، تحقیقات بازار جهانی یا پژوهش‌های دانشگاهی چندزبانه مفید است. نیازی به ترجمه نیست.

بله. مصاحبه‌های انگلیسی، گزارش‌های آلمانی و پاسخ‌های پیمایش اسپانیایی را در یک پروژه بارگذاری کنید. Skimle دسته‌های موضوعی میان‌زبانی می‌سازد و نقل‌قول‌ها را برای راستی‌آزمایی به زبان اصلی نگه می‌دارد.

جدول Skimle صفحه‌گسترده‌ای تعاملی است که در آن هر ردیف نمایانگر یک سند (مثلاً یک مصاحبه) و هر ستون نمایانگر یک دستهٔ موضوعی (مثلاً «نگرانی‌های قیمتی») است. خانه‌ها بینش‌های استخراج‌شده را با پیوند مستقیم به نقل‌قول‌های منبع در خود دارند. این ساختار دیدن الگوها در میان اسناد، مقایسهٔ بخش‌ها و کندوکاو در موضوع‌های خاص را آسان می‌کند.

قطعاً. هوش مصنوعی Skimle بر اساس داده‌های شما دسته‌های اولیه پیشنهاد می‌کند، اما اختیار کامل ادغام، تفکیک، تغییر نام، حذف یا ساختن دسته‌ها از صفر با شماست. همچنین می‌توانید ساختار دسته‌بندی خودتان را از ابتدا ارائه دهید (مثلاً بر اساس راهنمای مصاحبه یا چارچوب نظری) تا Skimle بینش‌ها را بر همان اساس استخراج کند.

شفافیت دوسویه یعنی می‌توانید در هر دو جهت حرکت کنید: (۱) روی یک موضوع کلیک کنید تا همهٔ نقل‌قول‌های پشتیبان آن را در اسناد مختلف ببینید و (۲) روی یک سند کلیک کنید تا همهٔ موضوع‌های استخراج‌شده از آن را ببینید. هر تصمیم هوش مصنوعی قابل ردیابی است؛ هیچ جعبهٔ سیاهی در کار نیست. همین است که تحلیل با کمک Skimle را در بافت‌های دانشگاهی، تجاری و نظارتی قابل دفاع می‌کند.

رابط گفت‌وگوی Skimle از داده‌های ساختاریافتهٔ شما (موضوع‌ها، دسته‌ها، فراداده) آگاه است. می‌توانید پرسش‌هایی مانند «مشتریان سازمانی دربارهٔ قیمت چه می‌گویند؟» یا «نظرها بر اساس منطقه چه تفاوتی دارند؟» بپرسید. هوش مصنوعی هم از داده‌های موضوعی ساختاریافته و هم از اسناد اصلی برای پاسخ استفاده می‌کند و پاسخ‌هایی دقیق‌تر و مرتبط‌تر با بافت از چت‌بات‌های عمومی RAG به شما می‌دهد.

Skimle Ask ابزار مصاحبهٔ مبتنی بر هوش مصنوعی است که امکان گردآوری دادهٔ کیفی در مقیاس بزرگ را فراهم می‌کند. آن را به‌عنوان منبع دادهٔ Skimle Ask به پروژه اضافه می‌کنید، راهنمای مصاحبه را تعریف می‌کنید و Skimle گفت‌وگوهای ساختاریافته را به‌صورت ناهم‌زمان با شرکت‌کنندگان انجام می‌دهد. هر پاسخ به سندی در همان پروژه تبدیل می‌شود؛ پس گردآوری داده و تحلیل مضمون در یک محیط انجام می‌شود، بدون کپی و جای‌گذاری میان ابزارها.

بله. Skimle یک نقطهٔ پایانی Model Context Protocol (MCP) در نشانی https://skimle.com/api/mcp ارائه می‌کند. هر ابزار سازگار با MCP، مانند Claude Desktop، Cursor، Windsurf، Claude Code و دیگران، می‌تواند وصل شود و از مجموعهٔ کامل ابزارهای خواندن و نوشتن استفاده کند: مرور اسناد، جست‌وجوی بینش‌ها، سازمان‌دهی دوبارهٔ دسته‌ها و موارد دیگر. احراز هویت از طریق OAuth (بدون نیاز به توکن) یا کلید API ساخته‌شده در تنظیمات حساب انجام می‌شود. خودتان انتخاب می‌کنید کدام پروژه‌ها در دسترس قرار گیرند. اعتبارها با بقیهٔ Skimle مشترک است و صورت‌حساب جداگانه‌ای ندارد.

بله. Claude Code و Cowork هر دو از MCP پشتیبانی می‌کنند، پس می‌توانید آن‌ها را از طریق نقطهٔ پایانی https://skimle.com/api/mcp به Skimle وصل کنید. پس از اتصال، عامل می‌تواند پروژه‌هایتان را فهرست کند، در اسناد جست‌وجو کند، سلسله‌مراتب دسته‌ها را بررسی کند، بینش بسازد و به‌روز کند و یادداشت ذخیره کند؛ همه از درون محیط برنامه‌نویسی یا نوشتن شما. برای دستورالعمل گام‌به‌گام صفحهٔ راه‌اندازی MCP را ببینید یا راهنمای گام‌به‌گام روند کاری عامل‌محور ما را بخوانید.

از مرکز خروجی می‌توانید Word (گزارش‌های جامع با موضوع‌ها، نقل‌قول‌ها و خلاصه‌ها)، PowerPoint (خلاصه‌های مدیریتی با تفکیک موضوع‌ها)، Excel (جدول‌های داده با ماتریس‌های کدگذاری) و REFI-QDA تهیه کنید؛ استاندارد میان‌کاربردی که NVivo، MAXQDA و ATLAS.ti آن را می‌شناسند، تا در صورت نیاز کدگذاری دستی را در یک ابزار QDA سنتی ادامه دهید. همهٔ خروجی‌ها انتساب به منبع و ردیابی کامل را حفظ می‌کنند.

بله. Skimle Anonymise نام‌مستعارسازی و ناشناس‌سازی مبتنی بر هوش مصنوعی را با یکدستی میان فایل‌ها، شش دستهٔ شناسه (نام‌ها، عنوان‌ها و نقش‌ها، مکان‌ها، سازمان‌ها، تاریخ‌ها و سایر)، حالت‌های تبدیل قابل تنظیم و گزارش ممیزی PDF ارائه می‌دهد. درون پروژهٔ شما اجرا می‌شود: آن را برای یک منبع داده روشن می‌کنید و اسناد ناشناس‌شده مستقیم وارد تحلیل می‌شوند، بدون ابزار جداگانه. این کار الزامات GDPR و HIPAA را پوشش می‌دهد و مستنداتی را که کمیته‌های اخلاق و IRB انتظار دارند فراهم می‌کند.

بله. Skimle را دانشگاهیان برای استفادهٔ دانشگاهی ساخته‌اند. هم‌بنیان‌گذار ما Henri Schildt استادی است با بیش از ۳۰ انتشار علمی با روش‌های کیفی. رویکرد Skimle از روش‌شناسی‌های شناخته‌شده الهام گرفته است: تحلیل مضمون (Braun & Clarke)، نظریهٔ زمینه‌ای (Glaser & Strauss; Strauss & Corbin) و روش Gioia (Gioia, Corley & Hamilton)؛ نظام‌مند، شفاف و تکرارپذیر. مورد استفادهٔ پژوهشگران دانشگاهی و راهنمای هوش مصنوعی در پژوهش کیفی دانشگاهی ما را ببینید.

بیش از پیش بله، به شرط افشای درست. روش‌شناسی خود را شفاف بیان کنید: «کدگذاری کیفی با کمک هوش مصنوعی با استفاده از Skimle، همراه با تأیید و پالایش دستی.» سابقهٔ ممیزی کامل Skimle به شما امکان می‌دهد دقیقاً در قالب سند ثبت کنید که موضوع‌ها چگونه به دست آمده‌اند؛ چیزی که الزامات داوری همتا برای دقت روش‌شناختی را برآورده می‌کند. راهنمای هوش مصنوعی در پژوهش کیفی دانشگاهی ما توضیح می‌دهد این را چگونه در بخش روش و درخواست‌های اخلاق بنویسید.

در صورت درخواست، متن پیشنهادی برای استناد ارائه می‌کنیم.

بله. ماتریس کدگذاری خود را خروجی بگیرید، از یک کدگذار دوم بخواهید نمونه‌ای از اسناد را دستی بررسی کند و میزان توافق را محاسبه کنید (Cohen's kappa و مانند آن). پژوهشگران می‌توانند Skimle را برای کدگذاری اولیه (۹۰٪ کار) به کار ببرند و سپس با بازبینی دستی (کنترل کیفیت ۱۰٪) آن را تأیید کنند.

بله. Skimle از کدگذاری استقرایی پشتیبانی می‌کند که در آن موضوع‌ها به‌جای تعریف از پیش، از دل داده‌ها بیرون می‌آیند. با کدگذاری باز شروع کنید (Skimle دسته‌های اولیه پیشنهاد می‌دهد)، سپس با کدگذاری محوری (ادغام یا سازمان‌دهی دوبارهٔ دسته‌ها) به‌تدریج آن را پالایش کنید و چارچوب‌های نظری بسازید. این فرایند همان نظریهٔ زمینه‌ای دستی را بازتاب می‌دهد اما بخش‌های مکانیکی را شتاب می‌بخشد.

هر نقل‌قولی که هوش مصنوعی تولید می‌کند با اسناد منبع راستی‌آزمایی می‌شود. اگر هوش مصنوعی متنی بسازد که عیناً در اسناد شما وجود ندارد، سامانهٔ ما آن را علامت می‌زند و تا رسیدن به نقل‌قول‌های تأییدشده پردازش دوباره را درخواست می‌کند. افزون بر این، ساختار نظام‌مند به شما امکان می‌دهد هر موضوع را با مرور نقل‌قول‌های پشتیبانش به‌صورت نمونه‌ای بررسی کنید.

پردازش نظام‌مند Skimle هر بخش از هر سند را تحلیل می‌کند و در مقایسه با کدگذاری دستی (که در آن خستگی و سوگیری بر پوشش اثر می‌گذارد) خطر جا افتادن موضوع‌ها را کاهش می‌دهد. با این حال توصیه می‌کنیم موضوع‌هایی را که هوش مصنوعی تولید می‌کند با نگاه انتقادی بازبینی کنید. هوش مصنوعی پیشنهاد می‌دهد و شما تأیید می‌کنید.

بله. Skimle از خروجی REFI-QDA پشتیبانی می‌کند؛ استاندارد میان‌کاربردی که NVivo، MAXQDA و ATLAS.ti آن را می‌شناسند. می‌توانید تحلیل را در Skimle آغاز کنید و کدگذاری دستی را در یک ابزار QDA سنتی ادامه دهید، یا پیش از سپردن مجموعه‌داده به تیمی که در NVivo کار می‌کند، با Skimle آن را پیش‌کدگذاری کنید.

بله. سطح رایگان امکان تحلیل تا ۴۰۰ صفحه را برای آزمودن پلتفرم می‌دهد؛ مناسب برای امتحان Skimle با یک پروژهٔ آزمایشی پیش از انتخاب طرح پولی. همهٔ طرح‌ها را ببینید.

تحلیل سند بر اساس طول سند اعتبار مصرف می‌کند. هر اعتبار امکان بارگذاری حدود ۲٬۰۰۰ نویسه متن، تقریباً یک صفحه، را می‌دهد. اشتراک‌ها سهمیهٔ اعتبار ماهانه یا سالانه دارند و در صورت نیاز می‌توانید اعتبار اضافه بخرید.

قیمت‌گذاری با یک سطح رایگان برای استفادهٔ آزمایشی آغاز می‌شود. قیمت‌های کامل را ببینید. مجوزهای سازمانی و نهادی با قیمت‌گذاری سفارشی در دسترس است؛ برای جزئیات با ما تماس بگیرید.

بله. بسته‌های تخفیف‌دار برای دانشجویان و پژوهشگران دانشگاهی داریم. ارائهٔ مدرک وضعیت دانشگاهی لازم است. با ما تماس بگیرید یا زبانهٔ قیمت‌های دانشگاهی را در صفحهٔ قیمت‌ها ببینید.

بله، هر زمان از تنظیمات حساب کاربری. هنگام ارتقا، مابه‌التفاوت به نسبت زمان باقی‌مانده محاسبه می‌شود. هنگام تنزل، تغییر از دورهٔ صورت‌حساب بعدی اعمال می‌شود.

می‌توانید هر زمان اعتبار اضافه بخرید یا به سطح بالاتری ارتقا دهید. پروژه‌های فعلی‌تان در دسترس می‌مانند؛ فقط تا وقتی اعتبار اضافه نکنید نمی‌توانید اسناد جدید را تحلیل کنید.

بله. مجوز سازمانی برای دانشگاه‌ها، مؤسسه‌های پژوهشی، شرکت‌های مشاوره و نهادهای دولتی ارائه می‌کنیم. مجوزهای تیمی شامل امکانات همکاری، صورت‌حساب متمرکز، توافق‌نامه‌های پردازش داده و تخفیف حجمی است. برای قیمت نهادی با ما تماس بگیرید.

بله. همهٔ طرح‌های پولی به‌طور خودکار صورت‌حساب صادر می‌کنند. برای خریدهای سازمانی که به سفارش خرید یا ترتیبات صورت‌حساب خاص نیاز دارند، با تیم فروش ما تماس بگیرید.

بله. دسترسی احراز هویت می‌شود و ثبت می‌گردد. ما از شیوه‌های امنیتی استاندارد صنعت پیروی می‌کنیم و با کمال میل پرسش‌نامه‌های امنیتی مشتریان سازمانی را تکمیل می‌کنیم.

همهٔ داده‌ها در اتحادیهٔ اروپا (سرورهای ابری در مناطق اتحادیهٔ اروپا) ذخیره می‌شوند. داده‌های شما هرگز از اتحادیهٔ اروپا خارج نمی‌شود و این انطباق با GDPR و حاکمیت داده را برای مشتریان اروپایی تضمین می‌کند.

بله، کاملاً. ما همهٔ الزامات GDPR را رعایت می‌کنیم: پردازش قانونی، کمینه‌سازی داده، محدودیت هدف، محدودیت ذخیره‌سازی و حقوق صاحبان داده. برای مشتریان نهادی توافق‌نامهٔ پردازش داده (DPA) ارائه می‌کنیم. در پروژه‌هایی که دادهٔ شرکت‌کنندگان دارند، Skimle Anonymise کمک می‌کند پیش از تحلیل، نام‌مستعارسازی یا ناشناس‌سازی کنید و ریسک انطباق را باز هم کاهش دهید.

خیر. اسناد و داده‌های شما هرگز برای آموزش مدل‌های هوش مصنوعی استفاده نمی‌شوند. داده‌های شما خصوصی می‌ماند و فقط برای اهداف تحلیلی خودتان به کار می‌رود.

بله. هر زمان می‌توانید از تنظیمات، پروژه‌های جداگانه یا کل حساب کاربری خود را حذف کنید. حذف دائمی و فوری است. پس از حذف هیچ نسخه‌ای نگه نمی‌داریم (جز سوابق حقوقی و حسابداری مانند صورت‌حساب‌ها).

بله، برای مشتریان سازمانی با الزامات امنیتی یا انطباقی خاص. می‌توانیم Skimle را در یک محیط ابری اختصاصی مستقر کنیم یا دربارهٔ گزینه‌های استقرار درون‌سازمانی گفت‌وگو کنیم. برای جزئیات با ما تماس بگیرید.

پژوهشگران می‌توانند Skimle را در درخواست‌های IRB/اخلاق خود ذیل «ابزارهای تحلیل داده» بیاورند، همان‌طور که از SPSS یا NVivo نام می‌برند. ما می‌توانیم برای پشتیبانی از درخواست‌های اخلاق شما، مستنداتی دربارهٔ نحوهٔ مدیریت داده، امنیت و فرایندهای هوش مصنوعی ارائه کنیم. Skimle Anonymise همچنین گزارش ممیزی PDF امضاشده‌ای تولید می‌کند که هر تبدیل اعمال‌شده را ثبت می‌کند و کمیته‌های اخلاق بیش از پیش آن را به‌عنوان شاهد ناشناس‌سازی دقیق انتظار دارند.

ابزارهای سنتی کدگذاری دستی همهٔ بخش‌ها را لازم دارند؛ نظام‌مند اما زمان‌بر (از چند هفته تا چند ماه). Skimle با هوش مصنوعی فرایند کدگذاری را خودکار می‌کند و همان روش‌شناسی نظام‌مند و شفاف را حفظ می‌کند. دقتی در حد NVivo با سرعت هوش مصنوعی به دست می‌آورید. رابط Skimle ساده‌تر و ابری است و به REFI-QDA خروجی می‌دهد تا پروژه‌ها میان ابزارها جابه‌جا شوند. مقایسهٔ کامل ابزارهای QDA ما را ببینید.

Dovetail برای تیم‌های محصول طراحی شده است که پژوهش سبک تجربهٔ کاربری انجام می‌دهند و ویژگی‌های هوش مصنوعی بعداً به آن افزوده شده است. Skimle از پایه برای تحلیل کیفی دقیق با روش‌شناسی در سطح دانشگاهی ساخته شده است. اگر باید یافته‌هایتان را در داوری همتا دفاع کنید، به مدیران تردیدکار ارائه دهید یا داده‌های محرمانه را مطابق GDPR مدیریت کنید، Skimle ساختار و شفافیتی را که این موقعیت‌ها می‌طلبند فراهم می‌کند. مقایسهٔ کامل Skimle و Dovetail را بخوانید.

می‌توانید، اما خیلی زود به محدودیت‌ها برمی‌خورید: پاسخ‌های ناهمسان (یک پرسش را دو بار بپرسید و دو پاسخ متفاوت بگیرید)، نبود پوشش نظام‌مند (ممکن است بینش‌هایی را که از نظر معنایی با پرسش شما جور نیستند از دست بدهید)، نبود ردیابی (نمی‌توانید نشان دهید نتیجه‌ها از کجا آمده‌اند) و پنجرهٔ بافت محدودی که با بیش از ۲۰ سند به مشکل می‌خورد. برای خلاصهٔ سریع یکی دو سند، ابزارهای عمومی هوش مصنوعی کار می‌کنند. برای تحلیل نظام‌مند از Skimle استفاده کنید. بیشتر بخوانید که تحلیل مبتنی بر LLM کجا جواب می‌دهد و کجا شکست می‌خورد.

برای پروژه‌های کوچک (کمتر از ۱۰ مصاحبه) خواندن دستی کاملاً کافی است. اما با بزرگ‌تر شدن مقیاس: (۱) زمان به‌شدت بالا می‌رود: ۲۰ مصاحبه یعنی بیش از ۴۰ ساعت کدگذاری دستی؛ (۲) یکدستی کم می‌شود: خستگی و سوگیری بر اسناد پایانی متفاوت از اسناد آغازین اثر می‌گذارد؛ (۳) تشخیص الگو دشوار می‌شود: نگه داشتن ۵۰ مصاحبه هم‌زمان در ذهن سخت است. Skimle کیفیت را در مقیاس بزرگ حفظ می‌کند و وقت شما را به‌جای کدگذاری مکانیکی برای تحلیل واقعی آزاد می‌کند.