Tovább a tartalomhoz
Tudástár

Az MI-támogatott funkciók áttekintése

Az Askalot a kérdőíves kutatás teljes munkafolyamatában MI-támogatást kínál: segít a kutatóknak hatékonyabban megtervezni, lebonyolítani és elemezni a felméréseket, a formális matematikai szigor feladása nélkül.

A felmérés életciklusának minden szakaszába beépülnek MI-képességek:

1. Tervezés2. Kampány3. Lebonyolítás4. ElemzésKutatási tanulmányKutatási asszisztensA kutatási tanulmány fejezeteiTervezőSMT-validációVarázsló útmutatásaStratégiatervezésVálaszadói kör generálásaIndításValódi válaszadókKérdőívkitöltésPerszónaszimulációBronz adatkészletMinőségi mutatókMI-elemzőStrukturált jelentés
Funkció Szakasz Cél Fő képességek
Kérdőívgenerálás Tervezés A kutatási tanulmányból validált QML készítése Tervező ügynök kutató, tervező, író és ellenőrző alügynökökkel, szemantikus indexelés, SMT-validáció
Kampánykezelés Kampány Útmutatás a kampány beállításához és lebonyolításához Varázsló, csevegőfelület, mintavételi stratégia tervezése
Válaszgenerálás Lebonyolítás Kampányok szimulálása szintetikus adatokkal Perszónaprofilok, élethű válaszok, az adatfolyam tesztelése
Eredményelemzés Elemzés Az adatminőség értékelése és jelentések készítése A minta reprezentativitása, a válaszok minőségi mutatói, MI-elemzői jelentések
MI-funkciók és modellválasztás Mind Referencia: melyik modell futtatja az egyes MI-funkciókat Beágyazás, elrendezésfelismerés, OCR (tervezett), kinyerés, újrarangsorolás, nyitott válaszok kódolása, következtetés – mit igényel mindegyik, és mit választhat Ön

Az Askalot MI-támogatását négy felső szintű ügynök adja, mindegyik a kutatási életciklus egy-egy szakaszáért felel. Közülük hárman szakosodott alügynököket irányítanak – célzott segítőket, akikre egyetlen, jól körülhatárolt feladatot bíznak –, a Válaszadó viszont önállóan dolgozik. Minden ügynök Claude-on fut, és az Askalot kérdőív-módszertant tömörítő skilljeire támaszkodik; ha egy kérdéshez hivatkozható bizonyíték kell, a lektorált módszertani könyvtárhoz fordul.

Ügynök Szakasz Mit csinál Szakosodott alügynökök
Tervező Tervezés A kutatási tanulmányból és a feltöltött dokumentumokból formálisan igazolt QML-kérdőívet készít: feldolgozza a forrásanyagot, megtervezi a szerkezetet, megírja az egyes szakaszokat, és átvizsgálja a kész tervet. Kutatási asszisztens – elemzi a referenciadokumentumokat, és megírja a strukturált kutatási tanulmány vázlatát
QML-tervező – a tanulmányt fejezetek sorba rendezett tervére bontja
QML-író – fejezetenként megírja a formálisan igazolt QML-t
Tervezési ellenőr – felméri a mentett, hibamentes kérdőív tervezési minőségét, és értékelőlapot ad vissza
Menedzser Kampány Végigviszi a kampány életciklusát: a mintavételi stratégia tervezését, a válaszadói kör generálását, a kampány létrehozását és a terepmunka felügyeletét. Terepfelügyelő – figyeli a folyamatban lévő adatgyűjtést (válaszadási arányok, szegmenslefedettség, minőségi jelzések), és kvóta-, célzási vagy ütemezési módosításokat javasol
Elemző Elemzés Értékeli az összegyűjtött eredményeket, és egységes jelentést készít, amely a statisztikai adatminőségre és arra is kitér, hogy az adatok megválaszolják-e az eredeti kutatási célokat. Minőségelemző – statisztikai adatminőség-értékelés (reprezentativitás, a súlyozás hatékonysága, a válaszok minősége)
Kutatásértékelő – összeveti az eredményeket a kutatási tanulmány kutatási kérdéseivel, sikerkritériumaival és követelményeivel
Válaszadó Lebonyolítás Szimulált válaszadóként tölt ki kérdőíveket, következetesen tartva magát egy demográfiai perszónához és a vizsgálat kérdezői útmutatójához – tesztelésre, validálásra és bemutatókra. (nincs – önállóan dolgozik)

Minden felső szintű ügynök maga dönti el, mikor ad tovább munkát: a Tervező a kutatást, a tervezést, a kérdőív leltárát és annak ellenőrzését, az írást, valamint a tervezési ellenőrzést hat szakértőjére bízza; a Menedzser a terepmunkával kapcsolatos kérdéseket a Terepfelügyelőnek adja át; az Elemző pedig az értékelést egy adatminőségi és egy kutatási célokra vonatkozó menetre bontja, majd a kettőt egyesíti. A célzott alügynökökre bízott munka élesen tartja minden ügynök gondolatmenetét, a szakértők pedig mély, feladatspecifikus skilleket hozhatnak magukkal.


Szakasz: Tervezés | Eszköz: Armiger

Forrásdokumentumaiból és kutatási tanulmányából a Tervező ügynök és szakosodott alügynökei formálisan igazolt QML-kérdőíveket készítenek.

Egyetlen folyamatos beszélgetésben a Tervező egy Kutatási asszisztensre bízza a feltöltött dokumentumok (PDF-ek, specifikációk, jogszabályok) elemzését és a strukturált kutatási tanulmány vázlatának megírását, egy QML-tervezőre a tanulmány fejezetek sorba rendezett tervére bontását, egy QML-íróra a formálisan igazolt QML fejezetenkénti megírását – mindegyiket a Z3 SMT-megoldóval validálva –, egy Tervezési ellenőrre pedig a kész kérdőív tervezési minőségének felmérését.

→ Bővebben


Szakasz: Kampány | Eszköz: Targetor

Két, egymást kiegészítő felület a kampányok beállításához és kezeléséhez.

Lépésenként vezetett folyamat kezdőknek:

  1. Kampánytervezés – név, a kérdőív kiválasztása, mód
  2. Célközönség – demográfiai jellemzők, mintanagyság
  3. Mintavételi stratégia – rétegzési tényezők, eloszlások
  4. Válaszadói kör – generálás és minőségi előnézet
  5. Áttekintés és indítás – összefoglaló, validálás, élesítés

Igény szerint elérhető beszélgetős felület haladó felhasználóknak:

  • „Vonja össze ezt a két válaszadói kört, hogy több válaszadónk legyen”
  • „Mutassa meg, melyik kérdezőknek a legalacsonyabb a kitöltési aránya”
  • „Hozzon létre egy új válaszadói kört csak a 25–34 éves válaszadókkal”
  • „Hasonlítsa össze a kampányváltozatok válaszadási arányait”

→ Bővebben


Szakasz: Lebonyolítás | Eszköz: Portor MCP (mass_fill_surveys + get_task_status)

Szintetikus kérdőívadatokat generálhat tesztelési, validálási és bemutatási célokra. A mass_fill_surveys egy háttérfeladatot ütemez, amelyet a Portor saját workere hajt végre – az eszköz azonnal visszaad egy task_id-t, a hívó pedig a get_task_status eszközzel addig kérdezi le az állapotát, amíg a feladat le nem zárul. Az eszköz négy elosztási stratégiát kínál a sebesség és a válaszminőség közötti egyensúlyhoz:

Stratégia Motor Sebesség Minőség Mire a legjobb
realistic Súlyozott véletlen Azonnali Közepes Alapértelmezett – demográfiailag befolyásolt válaszok
random Egyenletes véletlen Azonnali Alacsony Terheléses tesztelés, szélsőséges esetek feltárása
stratified Rétegekhez illesztett Azonnali Közepes Kvóták szerint kiegyensúlyozott minták
llm Claude Haiku ~1 mp/kérdés Magas Élethű szintetikus adatok, bemutatók, prezentációk

Az llm mód adja a legjobb minőségű szintetikus adatokat: minden kérdésre a Claude Haiku válaszol, a teljes perszónaprofil, a válaszadó demográfiai adatai és a kitöltésen belüli következetesség érdekében az addig felgyűlt kérdés-válasz előzmények ismeretében. Aki azt válaszolta, hogy munkanélküli, később nem ír le munkahelyet.

A szabályalapú módok (realistic, random) a perszónajellemzőkön alapuló súlyozott véletlen kiválasztást használnak – gyorsabbak a nagy volumenű adatfolyam-teszteléshez, ahol a válaszok minősége kevésbé számít.

→ Bővebben


Szakasz: Elemzés | Eszköz: Balansor

A kérdőíves adatok minőségét két dimenzió mentén értékelheti, és módszertanilag megalapozott jelentéseket készíthet.

Dimenzió Mutatók Megválaszolt kérdés
A minta reprezentativitása RMSE, MAE, khi-négyzet, maximális eltérés, minőségi pontszám Megfelel-e a minta a célpopulációnak?
A válaszok minősége Normalizált entrópia, egyenes vonalú válaszadás, Cronbach-alfa, egyetértési torzítás Megbízhatók és informatívak-e a válaszok?

Az elemző ügynök MCP-n keresztül futtatja a minőségértékelő eszközöket, összegyűjti a kampány kontextusát, és strukturált jelentést készít:

  1. Vezetői összefoglaló – mennyire alkalmas az adat a céljára
  2. A minta reprezentativitása – tényezőnkénti bontás konkrét számokkal
  3. A súlyozás értékelése – a Bronz és az Ezüst adatkészlet közötti javulás elemzése
  4. Fő megállapítások – adatokon alapuló észrevételek
  5. Javaslatok – rangsorolt, végrehajtható következő lépések

Az ügynök a bevett kérdőív-módszertanra (AAPOR, Kish, Groves, Krosnick, ESOMAR) épít, és a statisztikai mutatókat a gyakorlati kutatási kontextusban értelmezi.

→ Bővebben


Az Askalot Tervező, Menedzser és Elemző ügynökei egy közös, 24 lektorált kérdőív-módszertani könyvből és tanulmányból álló könyvtárhoz fordulnak (Dillman, Krosnick, Groves, Tourangeau, Bethlehem, Heeringa, Schouten, Fowler és mások), amely a teljes kutatási folyamatot lefedi — tervezés, mintavétel, terepmunka, elemzés, súlyozás —, ha egy kérdés túlmutat a beépített skilljeiken, vagy ha egy javaslathoz hivatkozható bizonyíték kell.

A könyvtár gráfalapú tudásbázis, amely az egyes tanulmányok Docling által feldolgozott Markdown-változatából épül, a LightRAG vektor- és gráfalapú háttérrendszere tárolja, és öt módban kereshető (kulcsszavas, entitásközpontú, fogalomközpontú, hibrid és vegyes). Ha egy ügynök a könyvtárra támaszkodik, megnevezi a tanulmányt, az évet és a szakaszt, így a kutató közvetlenül ellenőrizheti az állítást.

Ügynök Témák, amelyekhez a könyvtárat használja
Tervező Érvényesség és megbízhatóság (Taherdoost, Aithal), kérdőívlogika és ugrási minták (Fagan és Greenberg, Elliott, Feeney és Feeney, Schiopu-Kratina, Manski és Molinari), kérdésmegfogalmazás és válaszskálák (Krosnick, Bradburn, Fowler)
Menedzser Mintavételi terv, rétegzés, csoportos (klaszteres) mintavétel, a dizájnhatás és a súlyozás alapjai (Heeringa, Bethlehem, Schouten), adaptív kérdőívtervezés
Elemző Teljes felmérési hiba (TSE), nemválaszolási torzítás, rake-súlyozás és utólagos rétegzés, a válaszminőség keretrendszerei

A könyvtárat az ügynökök igény szerint használják: a rutinkérdésekhez alapértelmezésként a tömör skilljeikre támaszkodnak, hogy alacsony maradjon a késleltetés, és csak akkor nyúlnak a teljes korpuszhoz, ha az ügyfél hivatkozást kér, vagy ha a kérdés kívül esik a skill hatókörén.


Az MI-funkciók zökkenőmentesen működnek együtt:

Research Documents
↓ [AI Questionnaire Generation]
QML Questionnaire
↓ [AI Campaign Management]
Campaign with Sampling Strategy
↓ [Agentic Response Generation - optional]
Survey Responses (real or simulated)
↓ [AI Result Analysis]
Insights and Reports

Az MI-asszisztensek a munkafolyamat egészében megosztják egymással a kontextust:

  • A Tervező dokumentumelemzése megalapozza a QML-generálást
  • A kérdőív szerkezete megalapozza a mintavételi stratégiára vonatkozó javaslatokat
  • A kampány demográfiai jellemzői irányítják a szimulációhoz választott perszónákat
  • A kitöltések válaszai közvetlenül az elemzőeszközökbe kerülnek
  • A megállapítások a kérdőív finomítását indíthatják el (így zárul a kör)

A nem privát szervezetekben az MI által indexelt dokumentumok az aktív projekthez kötődnek, így a kutatási anyagok a csapat határain belül maradnak, és minden felhasználó MI-munkamenete az alapértelmezett projektjén indul. A privát szervezetekben az indexelt dokumentumok az egész szervezetben közösek (Szervezeti szintű adatmegosztás). Ez az elkülönítés a teljes munkafolyamaton végigér – a dokumentumok indexelésétől a Tervező ügynök MCP-eszköz-hozzáféréséig, amikor QML-t ír és validál.


Az Askalot minden MI-ügynöki feladata az Anthropic Claude modelljein fut, amelyeket a platform két átjáró egyikén keresztül ér el:

Átjáró Modellek Mire a legjobb
Anthropic API Claude Opus, Sonnet, Haiku Használatarányos díjazású kulcs
AWS Bedrock Claude Opus, Sonnet, Haiku Vállalati telepítések, amelyekhez AWS IAM-, VPC- és adattárolási helyre vonatkozó szabályozás kell

Az ügyfelek saját API-hitelesítő adataikat használják – fiókszinten nincs szolgáltatói bezártság, a Bedrock pedig lehetővé teszi, hogy a vállalatok teljes forgalma a saját AWS-fiókjukon belül maradjon. A szolgáltatót Ön választja ki, kifejezett döntéssel, a Profilbeállítások → MI-modellek alatt.

Az „MI” itt nem egyetlen, mindent elvégző modell: a beágyazás, a dokumentumok elrendezésének elemzése és a szövegrészek újrarangsorolása az Askalot saját hardverén fut, a generatív munka pedig Claude-on, az Ön által választott szolgáltatón keresztül. Hogy ezek közül mit állíthat be, és mi történik, ha egy hitelesítő adat hiányzik, azt funkcióról funkcióra az MI-funkciók és modellválasztás oldal mutatja be.