שאלות נפוצות

Skimle היא פלטפורמה לניתוח נתונים איכותניים מבוססת בינה מלאכותית, שהופכת מסמכים לא מובנים (ראיונות, קבצים מחדרי נתונים, תגובות לקוחות, עמדות בשימועים ציבוריים, מסמכים משפטיים ועוד) למערכי נתונים מאורגנים שאפשר לנתח. בניגוד לצ׳אטבוטים ששולפים קטעים אקראיים, Skimle מעבד את כל אוסף המסמכים באופן שיטתי, מנתח כל חלק, מחלץ תובנות ומארגן אותן בטקסונומיה היררכית של נושאים עם עקיבות מלאה. לסקירה מלאה ראו איך Skimle עובד.

Skimle נבנה עבור עובדי ידע שמנתחים נתונים איכותניים: חוקרים אקדמיים שמבצעים ניתוח תמטי, יועצי ניהול שמסכמים ראיונות מומחים, אנליסטים של מדיניות שמעבדים שימועים ציבוריים, חוקרי שוק שמנתחים משוב לקוחות, צוותי משאבי אנוש שמריצים סקרי מעורבות, וכל מי שזקוק לתובנות שיטתיות שאפשר להגן עליהן מתוך נתונים לא מובנים.

רוב כלי הניתוח הפשוטים מבוססי הבינה המלאכותית משתמשים ב-RAG (Retrieval-Augmented Generation) כדי לשלוף קטעים רלוונטיים בזמן השאילתה, כלומר בכל פעם שתשאלו את אותה שאלה תקבלו תשובה אחרת. Skimle מעבד מראש את כל מערך הנתונים באופן שיטתי ויוצר מבנה יציב שבו כל נושא מקושר לציטוטים מאומתים. במקום תשובות מקופסה שחורה, אתם מקבלים כיסוי מקיף, תוצאות עקביות ועקיבות מלאה. קראו עוד על הסיבות שכלים מבוססי RAG אינם מספיקים לניתוח רציני.

לא. Skimle מיועד לחוקרים ולאנליסטים, לא למתכנתים. הממשק אינטואיטיבי (משהו כמו גיליון אלקטרוני יחד עם מציג מסמכים), וכל העיבוד בבינה מלאכותית מתבצע אוטומטית. אם אתם מסתדרים עם Google Docs ו-Excel, תסתדרו גם עם Skimle.

רוב המשתמשים מתחילים לעבוד ביעילות תוך 15 עד 30 דקות. הוסיפו את הקבצים כמקור נתונים, הריצו ניתוח, ואז עברו על הנושאים שהבינה המלאכותית הפיקה ושפרו אותם. תהליך העבודה פשוט. בניגוד לתוכנות ניתוח איכותני מסורתיות (NVivo, ATLAS.ti) שלוקח שבועות לשלוט בהן, הממשק של Skimle מתוכנן לפרודוקטיביות מיידית.

Skimle מקבל קובצי PDF, docx, TXT ו-RTF, קובצי שמע (MP3, M4A, WAV) וקובצי וידאו (MP4, MOV). כל סוג מוסיפים כמקור נתונים; בשמע ובווידאו Skimle מתמלל אוטומטית לפני תחילת הניתוח, כך שכל תהליך העבודה נשאר במקום אחד. אפשר לשלב פורמטים שונים באותו פרויקט.

כן. התמלול המובנה של Skimle תומך בקובצי MP3, M4A, WAV, MP4 ו-MOV. הוסיפו את ההקלטה כמקור נתונים של שמע או וידאו ו-Skimle יתמלל אותה לפני תחילת הניתוח, עם שלב אופציונלי לבדיקה ולתיקון של התמליל קודם. הציטוטים נשארים עקיבים למקור, כך שאין צורך בשירות תמלול נפרד.

אלפי מסמכים בכל פרויקט. ברוב תרחישי השימוש יש בין 10 ל-200 מסמכים (מחקרים רגילים, פרויקטי ייעוץ, שימועים ציבוריים בנושאי מדיניות), אבל Skimle מתרחב גם לאוספי מסמכים גדולים, כמו סקירות של חדרי נתונים או ניתוחי ספרות מקיפים.

יותר מ-100 שפות. אפשר להעלות מסמכים בכל שפה, ו-Skimle מבצע את הניתוח בשפת המקור ובונה מבנה נושאים אחיד. שימושי במיוחד לשימועים ברחבי האיחוד האירופי, למחקר שוק גלובלי או למחקרים אקדמיים רב-לשוניים. אין צורך בתרגום.

כן. אפשר להעלות ראיונות באנגלית, דוחות בגרמנית ותשובות לסקר בספרדית לאותו פרויקט. Skimle יוצר קטגוריות נושאים חוצות שפות, ושומר את הציטוטים בשפת המקור לצורך אימות.

טבלת Skimle היא גיליון אינטראקטיבי שבו כל שורה מייצגת מסמך (למשל ראיון אחד) וכל עמודה מייצגת קטגוריית נושא (למשל “חששות לגבי התמחור”). התאים מכילים תובנות שחולצו עם קישורים ישירים לציטוטי המקור. המבנה הזה מקל לראות דפוסים בין מסמכים, להשוות בין פלחים ולהעמיק בנושאים מסוימים.

בהחלט. הבינה המלאכותית של Skimle מציעה קטגוריות ראשוניות על סמך הנתונים שלכם, אבל השליטה המלאה בידיכם: למזג, לפצל, לשנות שם, למחוק או ליצור קטגוריות מאפס. אפשר גם להגדיר מראש מבנה קטגוריות משלכם (למשל לפי מדריך הראיון או המסגרת התיאורטית) ו-Skimle יחלץ תובנות בהתאם.

שקיפות דו-כיוונית פירושה שאפשר לנווט לשני הכיוונים: (1) ללחוץ על נושא ולראות את כל הציטוטים התומכים בו בכל המסמכים, ו-(2) ללחוץ על מסמך ולראות את כל הנושאים שחולצו ממנו. כל החלטה של הבינה המלאכותית עקיבה, בלי קופסאות שחורות. זה מה שמאפשר להגן על ניתוח בסיוע Skimle בהקשרים אקדמיים, עסקיים ורגולטוריים.

ממשק הצ׳אט של Skimle מכיר את הנתונים המובנים שלכם (נושאים, קטגוריות, מטא-נתונים). אפשר לשאול שאלות כמו “מה לקוחות ארגוניים אומרים על התמחור?” או “איך הדעות משתנות לפי אזור?” הבינה המלאכותית עונה על סמך נתוני הנושאים המובנים וגם על סמך המסמכים המקוריים, ולכן התשובות מדויקות ותלויות הקשר יותר מאלה של צ׳אטבוטים כלליים מבוססי RAG.

Skimle Ask הוא כלי ראיונות מבוסס בינה מלאכותית לאיסוף נתונים איכותניים בהיקף גדול. מוסיפים אותו כמקור נתונים של Skimle Ask בפרויקט, מגדירים את מדריך הראיון, ו-Skimle מנהל שיחות מובנות עם המשתתפים באופן אסינכרוני. כל תשובה הופכת למסמך באותו פרויקט, כך שאיסוף הנתונים והניתוח התמטי מתבצעים בסביבה אחת, בלי להעתיק ולהדביק בין כלים.

כן. Skimle מציע נקודת קצה של Model Context Protocol (MCP) בכתובת https://skimle.com/api/mcp. כל כלי שתומך ב-MCP, כמו Claude Desktop, Cursor, Windsurf, Claude Code ואחרים, יכול להתחבר ולהשתמש בכל כלי הקריאה והכתיבה: עיון במסמכים, חיפוש תובנות, ארגון מחדש של קטגוריות ועוד. האימות מתבצע באמצעות OAuth (בלי צורך בטוקן) או באמצעות מפתח API שנוצר בהגדרות החשבון. אתם בוחרים אילו פרויקטים לחשוף. הקרדיטים משותפים עם שאר Skimle, בלי חיוב נפרד.

כן. גם Claude Code וגם Cowork תומכים ב-MCP, כך שאפשר לחבר אותם ל-Skimle דרך נקודת הקצה https://skimle.com/api/mcp. לאחר החיבור הסוכן יכול להציג את הפרויקטים שלכם, לחפש במסמכים, לעיין בהיררכיות הקטגוריות, ליצור ולעדכן תובנות ולשמור הערות, הכול מתוך סביבת הפיתוח או הכתיבה שלכם. להוראות מפורטות ראו את דף ההגדרה של MCP, או קראו את המדריך המפורט שלנו לתהליכי עבודה עם סוכנים.

ממרכז הייצוא אפשר להפיק Word (דוחות מקיפים עם נושאים, ציטוטים וסיכומים), PowerPoint (תקצירי מנהלים עם פירוט נושאים), Excel (טבלאות נתונים עם מטריצות קידוד) ו-REFI-QDA, התקן הבין-מערכתי ש-NVivo, MAXQDA ו-ATLAS.ti מכירים בו, כך שאפשר להמשיך בקידוד ידני בכלי QDA מסורתי לפי הצורך. כל קובצי הייצוא שומרים על ייחוס למקור ועל עקיבות מלאה.

כן. Skimle Anonymise מספק התממה ופסאודונימיזציה בבינה מלאכותית עם עקביות בין קבצים, שש קטגוריות של מזהים (שמות, תפקידים ותארים, מקומות, ארגונים, תאריכים ואחר), מצבי המרה הניתנים להגדרה ודוח ביקורת ב-PDF. הוא פועל בתוך הפרויקט: מפעילים אותו עבור מקור נתונים, והמסמכים המותממים נכנסים ישר לניתוח, בלי כלי נפרד. כך מכוסות דרישות GDPR ו-HIPAA, ומופק התיעוד שוועדות אתיקה ו-IRB מצפות לו.

כן. Skimle נבנה בידי אקדמאים לשימוש אקדמי. המייסד השותף שלנו Henri Schildt הוא פרופסור עם יותר מ-30 פרסומים בשיטות איכותניות. הגישה של Skimle שואבת השראה משיטות מבוססות: ניתוח תמטי (Braun & Clarke), תיאוריה מעוגנת (Glaser & Strauss; Strauss & Corbin) ושיטת Gioia (Gioia, Corley & Hamilton), והיא שיטתית, שקופה וניתנת לשחזור. ראו את תרחיש השימוש לחוקרים אקדמיים ואת המדריך לבינה מלאכותית במחקר איכותני אקדמי.

יותר ויותר כן, בתנאי של גילוי נאות. תארו את המתודולוגיה בשקיפות: “קידוד איכותני בסיוע בינה מלאכותית באמצעות Skimle, עם אימות וליטוש ידניים.” מסלול הביקורת המלא של Skimle מאפשר לתעד במסמך בדיוק איך הנושאים נגזרו, וכך עונה על דרישות שיפוט העמיתים לקפדנות מתודולוגית. המדריך שלנו לבינה מלאכותית במחקר איכותני אקדמי מסביר איך לנסח זאת בפרק השיטות ובבקשות לוועדת אתיקה.

לפי בקשה נספק נוסח מוצע לציטוט.

כן. ייצאו את מטריצת הקידוד, בקשו ממקודד שני לבדוק ידנית מדגם של מסמכים וחשבו את רמת ההסכמה (Cohen's kappa וכדומה). חוקרים יכולים להשתמש ב-Skimle לקידוד הראשוני (90% מהעבודה), ואז לאמת בבדיקה ידנית (בקרת איכות של 10%).

כן. Skimle תומך בקידוד אינדוקטיבי, שבו הנושאים עולים מהנתונים במקום להיקבע מראש. התחילו בקידוד פתוח (Skimle מציע קטגוריות ראשוניות), המשיכו בליטוש הדרגתי באמצעות קידוד צירי (מיזוג או ארגון מחדש של קטגוריות) ופתחו מסגרות תיאורטיות. התהליך משקף תיאוריה מעוגנת ידנית, אבל מאיץ את החלקים המכניים.

כל ציטוט שהבינה המלאכותית מפיקה נבדק מול מסמכי המקור. אם היא יוצרת טקסט שאינו מופיע מילה במילה במסמכים שלכם, המערכת מסמנת אותו ומבקשת עיבוד מחדש עד שמתקבלים ציטוטים מאומתים. בנוסף, המבנה השיטתי מאפשר לבדוק באופן מדגמי כל נושא דרך הציטוטים התומכים בו.

העיבוד השיטתי של Skimle כולל ניתוח של כל חלק בכל מסמך, וכך מקטין את הסיכון לפספס נושאים בהשוואה לקידוד ידני (שבו עייפות והטיות פוגעות בכיסוי). ועדיין, אנחנו ממליצים לבחון באופן ביקורתי את הנושאים שהבינה המלאכותית מפיקה. הבינה המלאכותית מציעה, ואתם מאמתים.

כן. Skimle תומך בייצוא REFI-QDA, התקן הבין-מערכתי ש-NVivo, MAXQDA ו-ATLAS.ti מכירים בו. אפשר להתחיל את הניתוח ב-Skimle ולהמשיך בקידוד ידני בכלי QDA מסורתי, או להשתמש ב-Skimle לקידוד מקדים של מערך נתונים לפני העברתו לצוות שעובד ב-NVivo.

כן. במסלול החינמי אפשר לנתח עד 400 עמודים כדי לבדוק את הפלטפורמה. מושלם לניסיון של Skimle בפרויקט פיילוט לפני התחייבות לתוכנית בתשלום. לכל התוכניות.

ניתוח מסמכים צורך קרדיטים לפי אורך המסמך. קרדיט אחד מאפשר להעלות כ-2,000 תווים של טקסט, בערך עמוד אחד. המינויים כוללים הקצאת קרדיטים חודשית או שנתית, ואפשר לרכוש קרדיטים נוספים לפי הצורך.

התמחור מתחיל במסלול חינמי לניסיון. לתמחור המלא. רישיונות לארגונים ולמוסדות זמינים בתמחור מותאם, צרו קשר לפרטים.

כן. יש לנו חבילות מוזלות לסטודנטים ולחוקרים אקדמיים. נדרשת הוכחה למעמד אקדמי. צרו קשר או עיינו בלשונית התמחור האקדמי בדף המחירים.

כן, בכל עת מהגדרות החשבון. בשדרוג תחויבו בהפרש היחסי. בשנמוך, השינוי ייכנס לתוקף במחזור החיוב הבא.

אפשר לרכוש קרדיטים נוספים בכל עת או לשדרג לרמה גבוהה יותר. הפרויקטים הקיימים נשארים נגישים, רק שאי אפשר לנתח מסמכים חדשים עד שמוסיפים קרדיטים.

כן. אנחנו מציעים רישיונות אתר לאוניברסיטאות, למכוני מחקר, לחברות ייעוץ ולגופים ממשלתיים. רישיונות צוות כוללים תכונות שיתוף, חיוב מרוכז, הסכמי עיבוד נתונים והנחות כמות. צרו קשר לתמחור מוסדי.

כן. בכל התוכניות בתשלום החשבוניות מופקות אוטומטית. לרכישות מוסדיות שדורשות הזמנת רכש או הסדר חיוב מיוחד, צרו קשר עם צוות המכירות.

כן. הגישה מאומתת ומתועדת ביומן. אנחנו פועלים לפי נוהלי אבטחה מקובלים בתעשייה ונשמח למלא שאלוני אבטחה עבור לקוחות ארגוניים.

כל הנתונים מאוחסנים באיחוד האירופי (שרתי ענן באזורי EU). הנתונים שלכם לעולם אינם יוצאים מה-EU, וכך מובטחות עמידה ב-GDPR וריבונות נתונים ללקוחות אירופיים.

כן, באופן מלא. אנחנו עומדים בכל דרישות GDPR: עיבוד חוקי, צמצום נתונים, הגבלת מטרה, הגבלת אחסון וזכויות נושאי המידע. אנחנו מספקים הסכמי עיבוד נתונים (DPA) ללקוחות מוסדיים. בפרויקטים עם נתוני משתתפים, Skimle Anonymise עוזר לבצע פסאודונימיזציה או התממה לפני הניתוח, וכך מקטין עוד יותר את החשיפה הרגולטורית.

לא. המסמכים והנתונים שלכם לעולם אינם משמשים לאימון מודלים של בינה מלאכותית. הנתונים נשארים פרטיים ומשמשים רק לצורכי הניתוח שלכם.

כן. אפשר למחוק פרויקטים בודדים או את החשבון כולו בכל עת מההגדרות. המחיקה סופית ומיידית. איננו שומרים עותקים לאחר המחיקה (מלבד רשומות משפטיות וחשבונאיות כגון חשבוניות).

כן, ללקוחות ארגוניים עם דרישות אבטחה או רגולציה מיוחדות. אנחנו יכולים להתקין את Skimle בסביבת ענן ייעודית או לדון באפשרויות של התקנה מקומית. צרו קשר לפרטים.

חוקרים יכולים לכלול את Skimle בבקשות לוועדת אתיקה/IRB תחת “כלים לניתוח נתונים”, בדיוק כמו שהם מציינים SPSS או NVivo. אנחנו יכולים לספק מסמכים על הטיפול שלנו בנתונים, על האבטחה ועל תהליכי הבינה המלאכותית כדי לתמוך בבקשות שלכם. Skimle Anonymise מפיק גם דוח ביקורת חתום ב-PDF שמתעד כל המרה שבוצעה, וועדות אתיקה מצפות לו יותר ויותר כראיה להתממה קפדנית.

כלים מסורתיים דורשים קידוד ידני של כל קטע: שיטתי אבל גוזל זמן (שבועות עד חודשים). Skimle משתמש בבינה מלאכותית כדי להפוך את תהליך הקידוד לאוטומטי, תוך שמירה על אותה מתודולוגיה שיטתית ושקופה. מקבלים קפדנות ברמת NVivo במהירות של בינה מלאכותית. הממשק של Skimle גם אינטואיטיבי יותר ומבוסס ענן מהיסוד, והוא מייצא ל-REFI-QDA כך שפרויקטים עוברים בין כלים. להשוואה המלאה שלנו בין כלי QDA.

Dovetail מיועד לצוותי מוצר שעושים מחקר UX קליל, עם תכונות בינה מלאכותית שנוספו בהמשך. Skimle נבנה מהיסוד לניתוח איכותני קפדני במתודולוגיה ברמה אקדמית. אם צריך להגן על הממצאים בשיפוט עמיתים, להציג אותם להנהלה ספקנית או לטפל בנתונים חסויים בהתאם ל-GDPR, Skimle מספק את המבנה והשקיפות שהמצבים האלה דורשים. להשוואה המלאה בין Skimle ל-Dovetail.

אפשר, אבל תיתקלו מהר במגבלות: תשובות לא עקביות (שואלים אותה שאלה פעמיים ומקבלים תשובות שונות), אין כיסוי שיטתי (אפשר לפספס תובנות שלא תואמות סמנטית לשאילתה), אין עקיבות (אי אפשר להראות מאיפה הגיעו המסקנות), וחלון הקשר מוגבל שמתקשה עם יותר מ-20 מסמכים. לסיכום מהיר של מסמך אחד או שניים, כלי בינה מלאכותית כלליים מספיקים. לניתוח שיטתי, השתמשו ב-Skimle. קראו עוד על המקרים שבהם ניתוח מבוסס LLM מצליח ועל אלה שבהם הוא נכשל.

בפרויקטים קטנים (פחות מ-10 ראיונות) קריאה ידנית מספיקה לגמרי. אבל כשההיקף גדל: (1) הזמן מתפוצץ: 20 ראיונות = יותר מ-40 שעות של קידוד ידני; (2) העקביות יורדת: עייפות והטיות משפיעות על המסמכים המאוחרים אחרת מאשר על המוקדמים; (3) זיהוי הדפוסים נפגע: קשה להחזיק 50 ראיונות בראש בבת אחת. Skimle שומר על האיכות גם בהיקף גדול ומפנה את הזמן שלכם לניתוח אמיתי במקום לקידוד מכני.