論文の概要: Designing Computational Tools for Exploring Causal Relationships in Qualitative Data

• arxiv url: http://arxiv.org/abs/2602.06506v1
• Date: Fri, 06 Feb 2026 08:56:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-09 22:18:26.304649
• Title: Designing Computational Tools for Exploring Causal Relationships in Qualitative Data
• Title（参考訳）: 定性的データの因果関係探索のための計算ツールの設計
• Authors: Han Meng, Qiuyuan Lyu, Peinuan Qin, Yitian Yang, Renwen Zhang, Wen-Chieh Lin, Yi-Chieh Lee,
• Abstract要約: 本研究では,対話型因果関係構築と可視化による因果関係の抽出と説明を行うQualCausalを設計・実装した。 フィードバック調査の結果,参加者は分析負担を軽減し,認知的足場を提供するシステムに重きを置いていることがわかった。 定性データ解析を支援する計算ツールの設計において,より広範な意味を論じる。
• 参考スコア（独自算出の注目度）: 29.086788542710313
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Exploring causal relationships for qualitative data analysis in HCI and social science research enables the understanding of user needs and theory building. However, current computational tools primarily characterize and categorize qualitative data; the few systems that analyze causal relationships either inadequately consider context, lack credibility, or produce overly complex outputs. We first conducted a formative study with 15 participants interested in using computational tools for exploring causal relationships in qualitative data to understand their needs and derive design guidelines. Based on these findings, we designed and implemented QualCausal, a system that extracts and illustrates causal relationships through interactive causal network construction and multi-view visualization. A feedback study (n = 15) revealed that participants valued our system for reducing the analytical burden and providing cognitive scaffolding, yet navigated how such systems fit within their established research paradigms, practices, and habits. We discuss broader implications for designing computational tools that support qualitative data analysis.
• Abstract（参考訳）: HCIと社会科学研究における質的データ分析のための因果関係の探索は、ユーザニーズと理論構築の理解を可能にする。 しかし、現在の計算ツールは、主に定性的データを特徴づけ、分類し、因果関係を分析する数少ないシステムは、文脈を不適切に考慮するか、信頼性を欠いているか、過度に複雑な出力を生成する。 最初に15名の参加者を対象に,定性データにおける因果関係を探索し,そのニーズを理解し,設計ガイドラインを導出するための計算ツールの活用に関心のあるフォーマティブな研究を行った。 これらの結果に基づいて,対話型因果関係構築と多視点可視化による因果関係の抽出と図示を行うQualCausalを設計・実装した。 フィードバック調査(n = 15)では、参加者が分析的負担を軽減し、認知的足場を提供することでシステムの価値を評価できたが、そのようなシステムが確立した研究パラダイムやプラクティス、習慣にどのように適合するかをナビゲートした。 定性データ解析を支援する計算ツールの設計において,より広範な意味を論じる。

関連論文リスト

• Q-Sat AI: Machine Learning-Based Decision Support for Data Saturation in Qualitative Studies [0.0]
  定性的研究におけるサンプルサイズの決定は、伝統的にデータ飽和の主観的かつ曖昧な原則に依存してきた。 本研究では、機械学習(ML)に基づく新しい体系モデルを導入し、このプロセスをより客観的にする。
  論文  参考訳（メタデータ） (2025-11-02T17:18:51Z)
• Development and Benchmarking of a Blended Human-AI Qualitative Research Assistant [1.170789976854236]
  MuseはAIを使ったインタラクティブな質的研究システムだ。 十分に特定されたコードに対して、MuseとCohenの$0.71の人間の間には、ラッター間の信頼性がある。 また、障害モードを特定し、将来の改善をガイドし、人間のバイアスを修正する能力を示すために、堅牢なエラー解析も行います。
  論文  参考訳（メタデータ） (2025-10-14T21:17:34Z)
• Qualitative Research in an Era of AI: A Pragmatic Approach to Data Analysis, Workflow, and Computation [0.0]
  我々は、知識、目的、倫理的コミットメントによって展開された場合、新しい技術は長年にわたる方法論上の課題に対処する可能性があると論じる。 我々は、慎重に、透過的に使用すると、現代の計算ツールは、置き換わるよりも、有意義に拡張できると結論付けている。
  論文  参考訳（メタデータ） (2025-09-15T23:12:13Z)
• Online Multi-modal Root Cause Analysis [61.94987309148539]
  ルート原因分析(RCA)は、マイクロサービスシステムにおける障害の根本原因の特定に不可欠である。 既存のオンラインRCAメソッドは、マルチモーダルシステムにおける複雑な相互作用を見渡す単一モーダルデータのみを処理する。 OCEANは、根本原因の局在化のための新しいオンラインマルチモーダル因果構造学習手法である。
  論文  参考訳（メタデータ） (2024-10-13T21:47:36Z)
• Data Analysis in the Era of Generative AI [56.44807642944589]
  本稿では,AIを活用したデータ分析ツールの可能性について考察する。 我々は、大規模言語とマルチモーダルモデルの出現が、データ分析ワークフローの様々な段階を強化する新しい機会を提供する方法について検討する。 次に、直感的なインタラクションを促進し、ユーザ信頼を構築し、AI支援分析ワークフローを複数のアプリにわたって合理化するための、人間中心の設計原則を調べます。
  論文  参考訳（メタデータ） (2024-09-27T06:31:03Z)
• DISCOVER: A Data-driven Interactive System for Comprehensive Observation, Visualization, and ExploRation of Human Behaviour [6.716560115378451]
  我々は,人間行動分析のための計算駆動型データ探索を効率化するために,モジュール型でフレキシブルでユーザフレンドリなソフトウェアフレームワークを導入する。 我々の主な目的は、高度な計算方法論へのアクセスを民主化することであり、これにより研究者は、広範囲の技術的熟練を必要とせずに、詳細な行動分析を行うことができる。
  論文  参考訳（メタデータ） (2024-07-18T11:28:52Z)
• PyRCA: A Library for Metric-based Root Cause Analysis [66.72542200701807]
  PyRCAは、AIOps(AIOps)のためのRoot Cause Analysis(RCA)のオープンソースの機械学習ライブラリである。 複雑なメトリクス因果依存性を明らかにし、インシデントの根本原因を自動的に特定する、包括的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2023-06-20T09:55:10Z)
• Rethinking Complex Queries on Knowledge Graphs with Neural Link Predictors [58.340159346749964]
  本稿では,証明可能な推論能力を備えた複雑なクエリを用いたエンドツーエンド学習を支援するニューラルシンボリック手法を提案する。 これまでに検討されていない10種類の新しいクエリを含む新しいデータセットを開発する。 提案手法は,新しいデータセットにおいて先行手法を著しく上回り,既存データセットにおける先行手法を同時に上回っている。
  論文  参考訳（メタデータ） (2023-04-14T11:35:35Z)
• Distributed intelligence on the Edge-to-Cloud Continuum: A systematic literature review [62.997667081978825]
  このレビューは、現在利用可能な機械学習とデータ分析のための最先端ライブラリとフレームワークに関する包括的なビジョンを提供することを目的としている。 現在利用可能なEdge-to-Cloud Continuumに関する実験的な研究のための、主要なシミュレーション、エミュレーション、デプロイメントシステム、テストベッドも調査されている。
  論文  参考訳（メタデータ） (2022-04-29T08:06:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。