Le 13 mars 2026, la Fondation Apprendre Genève (TGLF) a embauché son premier agent IA (voir Annonce). Mme Claude Cardot (sans lien avec Claude d’Anthropic, découvrez pourquoi) a rejoint notre équipe. Le fondateur de TGLF, Reda Sadki, documente son apprentissage du travail avec l’intelligence artificielle. Cet article montre comment Mme Cardot nous aide à renforcer et accélérer le travail de notre équipe Insights.
Le 28 juillet 2026, Mme Cardot a refusé de publier deux rapports terminés.
Les deux documents étaient complets.
Le premier analysait ce que 323 professionnels de la santé avaient fait et appris dans une formation sur le genre dans les situations d’urgence.
Le second utilisait le même cours comme outil de recherche pour découvrir ce que ces professionnels savent ensemble sur le pouvoir, la sécurité et la dignité dans l’aide humanitaire.
Un script appelé verify_quotes avait comparé chaque citation des deux rapports avec les données brutes du cours, caractère par caractère. Il en a trouvé dix-sept qu’il ne pouvait pas retrouver.
Le système s’est arrêté avec une erreur.
Aucun rapport ne sort tant qu’un contrôle est en rouge.
Le diagnostic a pris une heure. Il nous a appris plus que n’aurait pu le faire un succès.
14 des 17 citations étaient en fait exactes.
Le contrôle lui-même avait des failles.
Il ne savait pas que nos rapports placent les attributions à l’intérieur des blocs de citation, que les fichiers CSV doublent leurs guillemets, ou qu’une participante avait utilisé de l’emphasis markdown dans sa propre réponse.
Trois citations avaient été vraiment modifiées par le modèle de rédaction. Il avait corrigé un espace en trop et lissé une phrase.
Nous avons corrigé le contrôle, ajouté des tests pour qu’il reste fiable, restauré les trois citations dans leur forme originale exacte. Seulement après, les rapports ont été publiés, dans un ensemble de réplication de 72 fichiers avec un hash cryptographique pour chacun. (Cet ensemble permet de reproduire nos résultats exacts.)
Voici ce que je veux décrire: un système pour l’analyse qualitative et mixte des données d’apprentissage, construit avec l’IA générative, qui justifie chaque chiffre et chaque citation qu’il publie.
Le système s’appelle tglf-report-writer. Il est open source.
Nous avons publié la version 4.0 cette semaine.
L’histoire de son développement passe par un échec en production, une lecture de la littérature méthodologique de juillet 2026, et une série de choix de conception importants pour quiconque cherche à comprendre ce que les gens apprennent et savent à grande échelle.
Pourquoi nous avons besoin de machines pour lire
La Fondation Apprendre Genève (TGLF) gère des programmes d’apprentissage par les pairs où des milliers de professionnels de la santé, pour la plupart en Afrique, en Asie et en Amérique latine, écrivent sur leur propre pratique.
Un seul cours produit des centaines de projets, de revues par les pairs, de discussions de forum et de réponses à des sondages.
Dans un programme comme Teach to Reach, des milliers d’expériences sont partagées.
Chaque expérience est une histoire qui mérite attention.
Ce que les participants partagent, ce sont des données qualitatives rares: des récits de pratique en première personne de la part de gens dont la littérature publiée parle plutôt qu’avec qui elle parle.
Notre équipe Insights dirigée par des humains a maîtrisé l’art de tout lire avec une attention constante.
Pendant des années, ils ont été des curateurs: ils lisaient, analysaient, sélectionnaient, éditaient et publiaient.
En mars 2026, j’ai demandé à Mme Cardot de nous aider avec ce travail.
Je ne croyais pas que cela pouvait être automatisé, à cause des décisions subjectives impliquées, du besoin de réflexion qui nourrit l’intuition.
J’avais tort.
En juillet, nous en étions à la version 3. C’est cette version qui a refusé de publier.
Le système échantillonnait: pour les cohortes de plus de 1 000 apprenants, il prenait 40 personnes, réparties par quartile de résultats. Chaque constat qualitatif reposait sur elles.
Une évaluation a posé le problème clairement: pour une cohorte de 10 000 apprenants, cela représente 0,4% des données. La conception acceptait « un plafond de couverture que l’architecture actuelle ne nécessite plus ».
La même évaluation a trouvé pire qu’un plafond.
Les scripts d’agrégation lisaient seulement les extractions échantillonnées, mais le texte autour revendiquait une portée sur toute la cohorte. Ainsi, « les fréquences de barrière basées sur l’échantillon peuvent être présentées » aux donateurs et partenaires « comme des statistiques au niveau de la cohorte ».
Rien n’a planté.
Rien n’a averti.
C’est la forme du vrai danger dans ce travail: non pas l’hallucination au sens caricatural, mais le glissement silencieux entre ce qui a été mesuré et ce qui est affirmé.
Ce qu’un échec en production nous a appris
Nous avons appris la même leçon par la pratique avant de la lire dans l’évaluation.
Fin juillet, j’ai lancé la version 3 sur un cours avec une cohorte de 1 110 professionnels de la santé.
Le bilan de cette exécution est le document le plus instructif de tout le projet. Il enregistre l’échec de manière honnête et détaillée.
Il y avait quatre problèmes.
D’abord, le fichier étiqueté revue par les pairs était en fait un élément de cours complètement différent, une vérification du code d’honneur. Le vrai élément de revue par les pairs n’avait jamais été exporté.
Deuxièmement, l’analyseur de progression ne pouvait pas voir les colonnes d’achèvement. L’export de ce cours les avait préfixées avec des balises que l’analyseur ne connaissait pas.
Troisièmement, l’analyseur de forum, construit pour un ancien format, a réduit 445 sujets de discussion en deux messages géants.
Quatrièmement, l’analyseur d’enquête de création de valeur a traité un score de quiz constant comme la mesure de résultat. Il a classé les cinq dimensions de Likert, notre signal de résultat principal, comme du texte libre.
Selon les mots du bilan, il « a compté le chiffre 6 comme une réponse d’un mot. Le vrai signal de résultat a été jeté. »
Chacun de ces échecs s’est analysé sans erreur et a produit des tableaux plausibles.
Qui pensez-vous avoir commis cette erreur?
L’erreur la plus profonde était la mienne, enregistrée dans mes propres commentaires. J’avais fourni un fichier d’examen de facilitateur comme s’il s’agissait d’une revue entre pairs.
Un système qui suppose un analyste compétent et sans erreur est un système conçu pour quelqu’un d’autre qu’un être humain.
La version 4 existe parce que cette exécution nous a convaincus que l’ennemi est le silence. Silence de la dérive du format, silence de la substitution du mauvais instrument, silence du rétrécissement des dénominateurs, silence de l’erreur de l’analyste.
Ce que le domaine a appris à la mi-2026
Avant de reconstruire, nous avons d’abord commandé un examen de la position réelle de la littérature méthodologique sur l’IA générative pour l’analyse qualitative.
Le tableau de juillet 2026 est plus établi que ce que le battage médiatique suggère. Il vaut la peine de le résumer car notre conception le suit de près.
La tension fondamentale se situe entre l’échelle et le sens. L’analyse thématique réflexive, la méthode qualitative la plus utilisée, traite l’engagement du chercheur avec les données comme l’analyse elle-même (Braun et Clarke, 2006, (https://www.tandfonline.com/doi/full/10.1080/2159676X.2019.1628806)). Une étude exploratoire dans Qualitative Health Research cette année a révélé que les modèles de langage ne soutiennent ce type de travail que de manière limitée. La qualité dépend d’un humain qui se familiarise de manière complète avec les données et qui possède la compétence méthodologique (Vikan et al., 2025). Une étude de cas de groupe de discussion a constaté que les flux de travail assistés par modèle reproduisaient plus de 90% des sous-thèmes générés par le chercheur à une fraction du coût, tout en produisant des thèmes plus larges et plus vagues et en manquant parfois certains thèmes rares (Wong et al., 2025). Une étude actuellement dans Sociological Methods and Research a montré que l’utilisation de modèles pour le codage qualitatif peut introduire un biais systématique par rapport aux codeurs humains. Les erreurs se corrèlent avec les caractéristiques de l’auteur plutôt que de se distribuer au hasard (Ashwin, Chhabra, et Rao, 2025).
À l’autre pôle, des systèmes comme AcademiaOS (Uebellacker, 2024) et LOGOS (Pi et al., prépublication en révision, 2026) automatisent la théorie ancrée de bout en bout. LOGOS rapporte un alignement de 80,4% avec les codebooks construits par des experts.
Impressionnant, et toujours en deçà de la parité. C’est précisément dans cet écart que vit la responsabilité.
Entre les deux pôles, une position de consensus s’est formée. La théorie ancrée computationnelle dans sa forme actuelle avec humain dans la boucle soutient que la fiabilité à l’échelle vient du contrôle du chercheur sur la définition des catégories et les points de contrôle de validation, plutôt que de la seule précision du modèle (Alqazlan et al., 2025). Le guide de Dunivin sur le codage qualitatif avec les modèles de langage, publié cette année dans EPJ Data Science, formalise la méthode pratique. Dérivez et figez un codebook avec le jugement humain, appliquez-le mécaniquement sur le corpus, et validez l’accord sur un sous-échantillon (Dunivin, 2025). Les premières démonstrations que les modèles peuvent appliquer un codebook déductif avec un accord comparable à celui des humains sur certains codes (Chew et al., 2023) ont mûri en études de référence. Elles montrent qu’aucun outil ne domine et que la validation humaine reste le facteur décisif (Rong et al., 2025).
La littérature d’ingénierie a convergé vers une conclusion parallèle à partir d’une direction indépendante.
Les conseils d’orchestration de LangChain et de la perspective de l’IA agentique AWS Well-Architected distinguent les flux de travail déterministes des agents autonomes. Ils recommandent la forme déterministe chaque fois que la décomposition des tâches est connue à l’avance. Le raisonnement ouvert du modèle est réservé aux étapes qui en ont véritablement besoin.
Un pipeline de recherche est exactement un tel cas. Les phases sont connues, les dépendances sont connues. Ce qui varie, ce sont les données.
Lues ensemble, les deux littératures disent une chose. Décidez explicitement quelles étapes appartiennent à la machine, lesquelles appartiennent à l’analyste, et rendez la frontière inspectable.
Cette phrase est le cahier des charges de la version 4.
Ce que nous avons construit
Insights Team Version 4.0 est un pipeline de treize phases.
Chaque étape est soit un script déterministe, soit une étape de modèle contraint.
La frontière entre eux est imposée par des validateurs qui s’arrêtent avec un code d’erreur lorsque leur condition échoue.
Le slogan d’ingénierie auquel nous revenions sans cesse : des portes, pas des directives.
Les portes se déclenchent avant même le début de l’analyse.
Une porte de validation d’entrée confronte chaque fichier d’export à la carte du cours, l’inventaire lisible par machine des éléments du cours. Elle refuse de continuer si, par exemple, le fichier identifié comme revue par les pairs est autre chose.
C’est le descendant mécanique de l’erreur d’identité. Elle s’est déclenchée utilement lors de la validation en détectant un élément de cours dont le type déclaré ne correspondait pas au contenu réel.
Une porte de consentement lit l’instrument de consentement du cours lui-même et produit deux listes. Les apprenants dont le matériel ne peut jamais être utilisé, et les apprenants qui peuvent être cités anonymement seulement.
Quand aucun instrument de consentement n’existe dans un export, la porte le dit explicitement. Le pipeline exige alors une décision enregistrée de l’analyste avant que toute citation soit possible.
Le silence n’est jamais un consentement.
Pour le cœur qualitatif, nous avons suivi la structure à deux opérations que prescrit la littérature de la théorie ancrée computationnelle.
D’abord, la dérivation du codebook. Le modèle le plus performant disponible et l’analyste lisent un échantillon de familiarisation tiré avec conscience de la région et de la saturation. Ils écrivent ensuite un codebook spécifique à ce cours, avec des définitions, des critères d’inclusion et d’exclusion, des déclencheurs de mots clés, et un exemple tiré des propres données du cours pour chaque code.
Le codebook est validé contre un schéma JSON et figé.
Après la congélation, tout changement est une révision enregistrée qui force le corpus entier à être recodé.
Deuxièmement, la classification. Un codeur déterministe applique le codebook figé à 100% des enregistrements.
L’extraction du texte brut vers les enregistrements structurés est un processus map-reduce. Le corpus est divisé selon un manifeste qui énumère chaque apprenant. Chaque fragment est extrait vers un JSON validé par schéma. Une étape de fusion réconcilie le résultat avec le manifeste.
Dans l’exécution de validation, cela signifiait 90 apprenants sur 90 répartis sur 9 fragments. Zéro doublon, zéro perte silencieuse, et un journal d’extraction qui le dit.
Les enregistrements mal formés vont dans un fichier de lettres mortes plutôt que de disparaître.
L’interprétation reste humaine là où la littérature dit qu’elle doit l’être.
Le mode d’analyse, inductif, déductif ou mixte, est déclaré à l’admission.
Les hypothèses préalables sont enregistrées avec des conditions de réfutation explicites et figées avant l’extraction. Cela emprunte la logique du pré-enregistrement.
Dans notre cours de validation, l’hypothèse enregistrée proposait que la contrainte limitante sur la pratique équitable est le pouvoir et la sécurité d’agir plutôt que la sensibilisation.
Les données étaient alors libres de la prouver fausse.
Deux points de contrôle d’analyste mettent une décision humaine au dossier exactement aux points où le sens est créé. Un après la carte de divergence qui compare les thèmes sollicités aux thèmes non sollicités. Un avant que toute prose ne soit écrite.
Comment le pipeline justifie chaque chiffre
Ce travail comporte une partie que j’aimerais particulièrement voir reprise par d’autres équipes : le protocole de fiabilité. C’est là que la tentation de faire semblant d’être rigoureux est la plus forte.
La fiabilité intercodeurs est une pratique courante en analyse de contenu. Deux codeurs travaillent ensemble, on mesure leur accord, on résout leurs désaccords (O’Connor et Joffe, 2020). Nous avons appliqué cette approche avec la machine comme premier codeur et un second modèle indépendant comme deuxième codeur. Un échantillon d’enregistrements est codé deux fois. D’abord par le codeur déterministe à mots clés. Ensuite par une analyse sémantique effectuée par un modèle différent qui n’a jamais vu les résultats du premier codeur. Un validateur calcule le kappa de Cohen (Cohen, 1960) pour chaque code, avec un seuil minimum de 0,6. Nous vérifions ses calculs avec des valeurs que nous calculons à la main. Un vérificateur qu’on ne vérifie pas est juste une décoration.
Soyons honnêtes.
Dans notre validation, quinze des dix-neuf codes sont tombés sous le seuil.
Deux fois. Après le premier échec, nous avons révisé le codebook selon un protocole enregistré. Nous avons recodé le corpus entier. Nous avons mesuré à nouveau.
Un codeur à mots clés n’arrive pas à un accord sémantique sur les codes interprétatifs. La deuxième tentative l’a prouvé de façon durable.
La solution du protocole est une règle de quantification écrite, dérivée de l’analyse directionnelle. Pour 13 codes, le passage par mots clés compte systématiquement moins que le jugement sémantique. Ses pourcentages peuvent donc être cités comme des limites inférieures prudentes.
Deux codes comptent trop. Mentionner des termes de violence n’est pas la même chose que la violence liée au genre. Ces codes ne peuvent jamais être cités comme prévalence.
Les deux rapports publiés affichent le tableau de kappa et la règle dans leurs sections méthodes.
Quand le rapport de terrain dit que 63% des soumissions décrivent la hiérarchie et le déséquilibre des pouvoirs comme une barrière, ce chiffre porte sa propre logique. Au moins 63%, mesuré par une méthode dont le biais connu joue vers le bas.
La boucle de révision m’a aussi attrapé. Ou plutôt, elle a attrapé la personne qui maintient le système.
Une révision a ajouté un déclencheur à mots clés trop large. La fréquence d’un code est passée de 13% à 60% du jour au lendemain.
La deuxième ronde de fiabilité l’a détecté. La règle de rapport l’a exclu.
Comme le dit le journal de validation, le pipeline s’est défendu contre la personne qui le maintient. C’est exactement le but des portes.
La même discipline s’applique aux mots que nous citons.
Les citations viennent d’un bassin de candidats construit avec un seuil de 40 mots et des critères de sélection. Nous avions découvert que le script précédent préférait les soumissions les plus longues. Un biais en faveur des auteurs verbeux que personne n’avait voulu.
Chaque citation dans un rapport final doit correspondre exactement au corpus brut. La porte qui vérifie cela est celle qui a arrêté nos rapports le 28 juillet.
Les citations fabriquées font partie des modes de défaillance les mieux documentés des systèmes génératifs. La paraphrase qui se lit comme une citation est plus subtile et presque aussi dommageable.
Notre règle est simple. Si le pipeline ne peut pas pointer vers les caractères dans l’export brut, les mots n’apparaissent pas entre guillemets.
Tout est livré dans un ensemble de réplication. Les exports bruts, les résultats d’analyse, chaque script y compris les validateurs, le codebook figé avec son journal de révisions, le registre d’hypothèses avec les verdicts, les fichiers et décisions de fiabilité, les mémos analytiques, les deux rapports, et un manifeste des hachages SHA256.
Un auditeur n’a pas à nous faire confiance.
Elle peut relancer les étapes déterministes bit pour bit. Elle peut inspecter les étapes de modèle contraint à travers leurs journaux et leurs portes.
Pourquoi cela compte pour comprendre l’apprentissage
Le travail de la Fondation repose sur une idée que je défends depuis des années. Les personnes les plus proches du problème possèdent un savoir que les systèmes formels ne voient pas. L’apprentissage structuré entre pairs peut rendre ce savoir visible, utilisable et actionnable.
La formation sur la ménopause que nous venons de terminer illustre cette idée en petit.
L’hypothèse dominante dit que les professionnels de la santé manquent de connaissances sur la ménopause. Qu’il faut donc les former.
Notre hypothèse, enregistrée avant l’analyse, disait le contraire. 70% des professionnels de la santé sont des femmes. Beaucoup vivent l’expérience qu’on leur demande de traiter. Ce qui manque, c’est la reconnaissance, les ressources, le respect. Ce qui manque aussi, ce sont des systèmes qui continuent de collecter des données sur les femmes au-delà de l’âge de procréation.
Une affirmation comme celle-là ne peut pas reposer sur des impressions.
Si nous disons à un ministère de la santé, à une unité technique de l’OMS ou à un bailleur de fonds que les récits des praticiens constituent une preuve, alors notre façon de traiter ces récits doit résister au même examen que toute autre preuve.
C’est ici que les deux moitiés de cet article se rejoignent.
La Fondation a transformé des recherches universitaires (Wenger, Trayner, et de Laat, 2011) en un instrument fiable et opérationnel. Cet instrument mesure la valeur créée par des activités d’apprentissage entre pairs en réseau. Cette valeur est mesurée par rapport à notre propre référence mondiale établie avec plus de 10 000 professionnels de la santé.
Le rapport de terrain va plus loin. Il traite la formation elle-même comme un instrument de recherche distribué. Il demande ce que quelques centaines de praticiens savent collectivement que la littérature ne dit pas.
Ces deux approches ne sont crédibles que si chaque nombre peut être retracé jusqu’à sa source.
Il y a aussi une question de respect que la littérature méthodologique nomme rarement. Une professionnelle de la santé à Kano ou à Karachi qui écrit 300 mots soignés sur la hiérarchie dans son établissement a produit du savoir. La paraphraser en une phrase plus lisse qu’elle n’a jamais écrite, ou la citer sous un pourcentage que le codage ne soutient pas, c’est de l’expropriation. La porte verbatim et la règle de quantification sont, entre autres, une façon de rester fidèle aux personnes dont ce sont les mots. La littérature sur l’étalonnage rejoint ce point du côté de la confiance. Les praticiens et les planificateurs sont ouverts à ces outils mais méfiants quand on leur demande d’y déléguer tout jugement (Rong et al., 2025). Donc les citations verbatim, attribuées et approuvées au titre du consentement sont autant un choix de renforcement de la confiance qu’une question de preuve.
Ce que les autres équipes peuvent retenir
Cinq principes se généralisent au-delà de nos formations. Aucun ne demande notre code.
Premièrement, séparez la dérivation de la classification. Consacrez un effort interprétatif, humain et machine, à construire et geler un codebook à partir d’un échantillon. Appliquez-le ensuite à tout de façon mécanique. La couverture cesse d’être fonction de ce qui tient dans une fenêtre de contexte.
Deuxièmement, faites de chaque liste de vérification une porte. Tout standard de qualité qui existe comme instruction à un modèle finira par être auto-déclaré comme satisfait. Les standards qui comptent doivent être des scripts qui sortent avec un code non-zéro. Sous la pression des délais, les seuls examens qui se produisent de façon fiable sont ceux qui bloquent la mise en ligne.
Troisièmement, mesurez l’accord et publiez les échecs. Si votre protocole de fiabilité n’a jamais échoué, il mesure la mauvaise chose. Le résultat utile d’un kappa échoué est une règle sur les chiffres que vous pouvez énoncer et dans quel langage. Cette règle doit figurer dans le rapport, là où les lecteurs peuvent la voir.
Quatrièmement, vérifiez les vérificateurs. Quatorze de nos dix-sept citations signalées étaient des lacunes de la porte elle-même. Des tests de référence avec des valeurs calculées à la main sont une assurance bon marché contre un vérificateur qui vérifie silencieusement rien.
Cinquièmement, gardez l’analyste dans l’architecture. Les décisions de consentement, les déclarations de mode, l’enregistrement des hypothèses et les points de contrôle sont la façon dont le jugement humain entre dans le système de façon vérifiable. Autrement il s’infiltre par des modifications du prompt que personne ne peut auditer plus tard.
Ce que nous ne savons toujours pas
La candeur à propos des limites fait partie de la méthode. Voici les nôtres.
Les preuves de validation sont internes. Une seule formation, menée par les personnes qui ont construit le pipeline, passant par des portes que nous avons écrites nous-mêmes.
La réplication indépendante est la raison pour laquelle le dépôt, le manuel et un ensemble complet de réplication seront partagés.
Le protocole de fiabilité compare deux passages machine. Nous n’avons pas encore exécuté un bras systématique de codeur humain contre les deux, ce qui est l’étude évidente suivante.
Les formats d’export vont dériver à nouveau. Et une formation future cassera une hypothèse dont nous ne savons pas que nous la tenons.
Les portes n’empêchent pas cela.
Elles sont là pour que, quand ça arrive, quelque chose échoue bruyamment au lieu de publier silencieusement.
La question plus profonde reste ouverte et j’aime que ce soit ainsi.
Tous les quelques mois, la frontière entre ce que les modèles peuvent coder et ce qu’une personne seule peut interpréter se déplace.
Un pipeline construit sur des réponses figées à cette question serait déjà obsolète.
Ce que nous avons construit plutôt, c’est un endroit où la question se pose explicitement, phase après phase, avec un dossier de la réponse que nous avons donnée et des preuves à l’appui.
Quand la réponse changera, nous changerons avec elle. Les portes nous forceront à montrer notre travail.
Références
- Alqazlan, L., Fang, Z., Castelle, M., et Procter, R. (2025). A novel, human-in-the-loop computational grounded theory framework for big social data. Big Data and Society, 12(2). DOI: 10.1177/20539517251347598. https://journals.sagepub.com/doi/10.1177/20539517251347598
- Amazon Web Services (2026). AGENTPERF05-BP01 Design efficient workflow orchestration patterns. AWS Well-Architected Framework, Agentic AI Lens. https://docs.aws.amazon.com/wellarchitected/latest/agentic-ai-lens/agentperf05-bp01.html
- Ashwin, J., Chhabra, A., et Rao, V. (2025). Using large language models for qualitative analysis can introduce serious bias. Sociological Methods and Research. DOI: 10.1177/00491241251338246. https://journals.sagepub.com/doi/10.1177/00491241251338246
- Braun, V., et Clarke, V. (2006). Using thematic analysis in psychology. Qualitative Research in Psychology, 3(2), 77 à 101. DOI: 10.1191/1478088706qp063oa. https://www.tandfonline.com/doi/abs/10.1191/1478088706qp063oa
- Braun, V., et Clarke, V. (2019). Reflecting on reflexive thematic analysis. Qualitative Research in Sport, Exercise and Health, 11(4), 589 à 597. DOI: 10.1080/2159676X.2019.1628806. https://www.tandfonline.com/doi/full/10.1080/2159676X.2019.1628806
- Chew, R., Bollenbacher, J., Wenger, M., Speer, J., et Kim, A. (2023). LLM-assisted content analysis: using large language models to support deductive coding. arXiv:2306.14924. https://arxiv.org/abs/2306.14924
- Cohen, J. (1960). A coefficient of agreement for nominal scales. Educational and Psychological Measurement, 20(1), 37 à 46. DOI: 10.1177/001316446002000104. https://journals.sagepub.com/doi/10.1177/001316446002000104
- Dunivin, Z. O. (2025). Scaling hermeneutics: a guide to qualitative coding with LLMs for reflexive content analysis. EPJ Data Science, 14, article 28. DOI: 10.1140/epjds/s13688-025-00548-8. https://epjdatascience.springeropen.com/articles/10.1140/epjds/s13688-025-00548-8
- LangChain (2026). Workflows and agents. LangChain Documentation. https://docs.langchain.com/oss/python/langgraph/workflows-agents
- O’Connor, C., et Joffe, H. (2020). Intercoder reliability in qualitative research: debates and practical guidelines. International Journal of Qualitative Methods, 19, 1 à 13. DOI: 10.1177/1609406919899220. https://journals.sagepub.com/doi/10.1177/1609406919899220
- Pi, X., Yang, Q., et Nguyen, C. (2026). LOGOS: LLM-driven end-to-end grounded theory development and schema induction for qualitative research. Submitted to ICLR 2026, OpenReview. https://openreview.net/forum?id=ZJn0TMTy8C
- Rong, H. H., Davis, J., et Rada-Orellana, M. (2025). Benchmarking large language models against qualitative coding and natural language processing in decoding public sentiment on urban upzoning. Urban Informatics, 4(1), article 17. DOI: 10.1007/s44212-025-00083-x. https://doi.org/10.1007/s44212-025-00083-x
- Uebellacker, T. (2024). AcademiaOS: automating grounded theory development in qualitative research with large language models. arXiv:2403.08844. https://arxiv.org/abs/2403.08844
- Vikan, M., Aryan, R., Kannelonning, M. S., Riegler, M. A., et Danielsen, S. O. (2025). Reflecting on LLM support in reflexive thematic analysis: an exploratory study. Qualitative Health Research. DOI: 10.1177/10497323251365211. https://pubmed.ncbi.nlm.nih.gov/40916991/
- Wenger, E., Trayner, B., et de Laat, M. (2011). Promoting and assessing value creation in communities and networks: a conceptual framework. Ruud de Moor Centrum, Open Universiteit, Rapport 18. https://www.betterevaluation.org/sites/default/files/Wenger_Trayner_DeLaat_Value_creation.pdf
- Wong, L. Z., Bhattacharya, P., Loh, S. B., Oh, H. S., Juraimi, S. A., Anant, N., et al. (2025). Utilizing large language models to conduct thematic analysis: a case study on focus group transcripts. SSRN Working Paper 5167505. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=5167505