Comment utiliser l'IA pour analyser les réponses à une enquête auprès d'étudiants en doctorat sur les pratiques d'attribution d'auteur

Cet article vous donnera des conseils sur la manière d'analyser les réponses à une enquête auprès d'étudiants en doctorat sur les pratiques d'attribution d'auteur en utilisant des méthodes alimentées par l'IA et des invites pratiques.

Choisir les bons outils pour analyser les données d'une enquête auprès d'étudiants en doctorat

La manière dont vous abordez l'analyse des réponses à une enquête dépend entièrement du type et de la structure des données que vous avez collectées. Il existe quelques distinctions fondamentales :

• Données quantitatives : Si votre enquête comporte des questions telles que « Combien de publications avez-vous co-écrites ? » ou « Avez-vous reçu des directives claires sur l'attribution d'auteur ? », vous pouvez facilement comptabiliser les réponses dans un programme de tableur comme Excel ou Google Sheets. Ces outils vous permettent de compter, de créer des graphiques et de croiser les données pour des résultats rapides.
• Données qualitatives : Les réponses ouvertes à l'enquête — comme pourquoi quelqu'un a choisi un ordre d'attribution particulier, ou des réflexions sur l'équité — sont une mine d'or d'informations. Mais lire et coder manuellement tout ce texte prend une éternité, et il y a une limite à la quantité de café que vous pouvez consommer. Pour cela, vous devrez vous appuyer sur des outils d'IA.

Il existe deux approches pour les outils lorsqu'il s'agit de réponses qualitatives :

ChatGPT ou un outil GPT similaire pour l'analyse par IA

Copier, coller et discuter : Une approche simple consiste à exporter vos réponses ouvertes et à les coller dans ChatGPT, Claude ou un outil similaire. Ensuite, vous invitez l'IA à fournir des insights ou des résumés.

Pas aussi fluide que cela en a l'air : Gérer beaucoup de données d'enquête de cette manière n'est pas amusant. Cela nécessite beaucoup de copier-coller, de suivi des invites, de gestion des limites de contexte de l'IA et de maintien de l'organisation. Pourtant, c'est une porte d'entrée économique — surtout puisque ChatGPT est déjà utilisé par 66 % des étudiants qui utilisent l'IA pour le travail académique [1].

Outil tout-en-un comme Specific

Conçu spécialement pour l'analyse d'enquêtes : Des outils comme Specific combinent création d'enquêtes, approfondissement des questions et analyse pilotée par l'IA sous un même toit. Ils sont conçus pour vous aider à collecter des données qualitatives plus riches — en temps réel, l'IA de Specific peut poser des questions de suivi pour approfondir des sujets épineux comme le crédit académique, la transparence ou les conflits.

Fini la gestion manuelle : Une fois les réponses reçues, Specific résume, regroupe et étiquette les thèmes clés pour vous. Vous pouvez discuter directement avec les données (comme vous le feriez avec ChatGPT), poser des questions sur les tendances, comparer des cohortes et même filtrer les réponses que l'IA voit. Le flux de travail est propre, collaboratif et conçu pour l'échelle.

Curieux de savoir ce que ça fait de gérer un tel flux de travail de bout en bout ? Découvrez le générateur d'enquêtes pour les pratiques d'attribution d'auteur des doctorants ou en savoir plus sur les fonctionnalités d'analyse des réponses d'enquête par IA de Specific.

Invites utiles que vous pouvez utiliser pour analyser les données d'enquête auprès d'étudiants en doctorat sur les pratiques d'attribution d'auteur

La bonne invite IA transforme un tas de texte brut en insights exploitables, rapidement. Voici quelques exemples pratiques que je recommande pour tirer le meilleur parti de votre analyse d'enquête avec ChatGPT, Claude ou Specific.

Invite pour les idées principales : Si vous voulez juste les thèmes principaux, cette invite (utilisée par Specific) est précieuse pour faire ressortir ce qui préoccupe vraiment les doctorants et leurs expériences avec les pratiques d'attribution d'auteur :

Votre tâche est d'extraire les idées principales en gras (4-5 mots par idée principale) + un explicatif de 2 phrases maximum. Exigences de sortie : - Évitez les détails inutiles - Spécifiez combien de personnes ont mentionné une idée principale spécifique (utilisez des chiffres, pas des mots), les plus mentionnées en haut - pas de suggestions - pas d'indications Exemple de sortie : 1. **Texte de l'idée principale :** texte explicatif 2. **Texte de l'idée principale :** texte explicatif 3. **Texte de l'idée principale :** texte explicatif

Donnez plus de contexte à l'IA : L'IA fonctionne toujours mieux avec des détails sur votre enquête et vos objectifs de recherche. Par exemple :

Vous analysez des retours ouverts d'une enquête auprès d'étudiants en doctorat sur les pratiques d'attribution d'auteur dans les universités américaines. L'objectif est de découvrir les points douloureux autour des politiques d'attribution, de la clarté et de l'équité dans les disciplines STEM et en sciences humaines. Priorisez les problèmes qui affectent les collaborations et les soumissions de publications.

Approfondir les grandes découvertes : Demandez plus de détails sur un motif ou une idée principale :

Parlez-moi davantage du « manque de directives claires sur l'attribution d'auteur »

Valider des préoccupations spécifiques : Pour voir si quelqu'un a soulevé un drapeau rouge ou mentionné quelque chose que vous suivez, invitez :

Quelqu'un a-t-il parlé de « conflits dans l'ordre des auteurs » ? Incluez des citations.

Invite pour les personas : Pour découvrir les « types » distincts d'étudiants en doctorat dans votre ensemble de données et comment ils parlent de l'attribution d'auteur :

Sur la base des réponses à l'enquête, identifiez et décrivez une liste de personas distincts — similaire à la façon dont les "personas" sont utilisés en gestion de produit. Pour chaque persona, résumez leurs caractéristiques clés, motivations, objectifs et toute citation ou motif pertinent observé dans les conversations.

Invite pour les points douloureux et défis : Pour repérer les difficultés communes rencontrées par les doctorants :

Analysez les réponses à l'enquête et listez les points douloureux, frustrations ou défis les plus courants mentionnés. Résumez chacun, et notez tout motif ou fréquence d'apparition.

Motivations et moteurs : Découvrez ce qui motive les étudiants ou ce qui influence leur approche de l'attribution :

À partir des conversations de l'enquête, extrayez les motivations principales, désirs ou raisons que les participants expriment pour leurs comportements ou choix. Regroupez les motivations similaires et fournissez des preuves à l'appui issues des données.

Analyse de sentiment : Évaluez si l'ambiance générale est positive, négative ou mixte :

Évaluez le sentiment global exprimé dans les réponses à l'enquête (par exemple, positif, négatif, neutre). Mettez en évidence les phrases clés ou retours qui contribuent à chaque catégorie de sentiment.

Pour plus d'idées de questions spécifiques à ce public et sujet, consultez notre guide sur les meilleures questions pour une enquête auprès d'étudiants en doctorat sur les pratiques d'attribution d'auteur.

Comment Specific analyse les données qualitatives issues de différents types de questions

Une des parties les plus difficiles de l'analyse d'enquête est de gérer tous les types de questions nuancées que vous pourriez utiliser. Specific est conçu pour décomposer cela automatiquement :

Questions ouvertes (avec ou sans suivis) : Specific regroupe et résume chaque réponse à ces questions et, s'il y a des suivis, relie les réponses pour approfondir pourquoi les étudiants ressentent une certaine chose à propos de l'ordre des auteurs, de l'équité ou de la transparence.

Choix avec suivis : Pour des questions comme « Votre contribution a-t-elle été reconnue dans le manuscrit final ? (Oui/Non)+Pourquoi ? » Specific crée un résumé séparé pour les réponses de suivi basé sur chaque réponse. Cette approche met en lumière les différences entre, par exemple, ceux qui estiment que leur travail a été valorisé et ceux qui ne le pensent pas.

NPS : Si vous mesurez le Net Promoter Score (NPS) pour la satisfaction concernant les pratiques d'attribution, Specific segmente automatiquement les résumés des réponses de suivi pour les détracteurs, passifs et promoteurs. Cela facilite la détection de ce qui ravit certains et frustre d'autres — très utile pour faire ressortir les lacunes ou biais dans les politiques d'attribution existantes.

Vous pouvez reproduire cette stratification dans ChatGPT, mais cela demande plus de travail manuel — filtrer manuellement les réponses et les fournir à l'IA en lots séparés.

Techniques pour contourner les limites de taille de contexte de l'IA

Une fois que vous avez collecté suffisamment de retours des doctorants, vous atteindrez bientôt les limites de « contexte » de l'IA — la quantité maximale de données que vous pouvez fournir à un modèle comme ChatGPT avant qu'il n'oublie le début de votre texte.

Filtrage : Réduisez le bruit en faisant examiner à l'IA uniquement les conversations où les étudiants ont réellement répondu à une question sélectionnée sur, par exemple, les conflits d'attribution ou la clarté des politiques. Moins c'est plus en termes de densité d'insights.

Découpage par question : Sélectionnez uniquement les questions les plus critiques pour l'analyse lors de l'envoi à l'IA. Cela vous permet de rester sous la limite de contexte, tout en approfondissant les sujets qui comptent le plus pour vos objectifs de recherche.

Specific intègre ces deux approches dans le flux de travail, pour que vous puissiez vous concentrer sur les insights, pas sur la résolution d'erreurs de contexte. Pour un parcours d'analyse basé sur le NPS, essayez le générateur d'enquête NPS pour étudiants en doctorat.

Fonctionnalités collaboratives pour analyser les réponses à une enquête auprès d'étudiants en doctorat

Coordonner l'analyse au sein d'une équipe de recherche — ou intégrer les conseillers pédagogiques — peut être un casse-tête, surtout avec de grands ensembles de données qualitatives.

Analysez en discutant avec l'IA : Sur Specific, il suffit de démarrer une nouvelle discussion IA avec vos données d'enquête et d'explorer les thèmes sur les pratiques d'attribution — de « Comment les étudiants en STEM diffèrent-ils des sciences humaines ? » à « Quelles sont les principales causes des conflits d'attribution ? »

Multiples fils de discussion et filtres : Vous pouvez lancer autant de discussions parallèles que vous le souhaitez, chacune avec ses propres filtres (par exemple, segmenter par année d'étude, soutien du mentor ou pays). Chaque discussion affiche clairement qui l'a initiée, rendant le travail d'équipe fluide.

Suivi de qui a dit quoi : Au fur et à mesure que vous et vos collègues collaborez, chaque message affiche l'avatar de l'expéditeur. Cela rend vos discussions d'analyse transparentes, et il est beaucoup plus facile de construire sur les découvertes des autres quand vous savez qui a fait quelle observation.

Vous testez l'analyse collaborative des données pour ce public ? Le guide pratique pour créer des enquêtes sur les pratiques d'attribution des doctorants est un bon point de départ.

Créez votre enquête auprès d'étudiants en doctorat sur les pratiques d'attribution maintenant

Commencez à collecter des insights exploitables et à découvrir de vraies opinions sur les pratiques d'attribution — sans effort, en collaboration, avec une analyse alimentée par l'IA adaptée à votre public d'étudiants en doctorat.