V&VN: open-antwoorden clustering

Backlight.ai zette AI in om duizenden open antwoorden te clusteren tot bruikbare thema's. Het onderzoeksteam van V&VN ziet kwalitatieve inzichten met kwantitatieve weging, zonder handmatig coderen.

De uitdaging

Bij een grootschalig onderzoek leverden ruim 6.000 respondenten antwoord op twaalf open vragen. Handmatig clusteren is onbegonnen werk, maar zonder clustering blijft het inzicht op anekdote-niveau hangen: losse citaten zonder zicht op hoe breed een thema gedragen wordt.

Wat we bouwden

Een AI-pipeline die gelijkluidende antwoorden over alle reacties heen clustert per open vraag. Het onderzoeksteam krijgt:

• Thema-clusters met representatieve antwoorden per cluster.
• Aantallen per cluster zodat duidelijk wordt hoe vaak iets terugkomt.
• Doorklik naar bronreacties voor verificatie en citaten in het uiteindelijke rapport.

Resultaat

• 6.000+ reacties op twaalf open vragen verwerkt zonder handmatig coderen.
• Kwalitatieve inzichten met kwantitatieve onderbouwing: niet alleen wát er gezegd is, ook hoe vaak.
• Schaalbaar herhaalbaar voor volgende onderzoeksrondes.

Veelgestelde vragen

Hoe analyseert AI duizenden open antwoorden uit een enquete?

De AI leest alle reacties per open vraag en groepeert gelijkluidende antwoorden in thema-clusters. Elk cluster krijgt een representatief voorbeeld en een telling: hoe vaak komt dit thema terug? Kwalitatieve inzichten worden zo kwantitatief onderbouwd. Het onderzoeksteam klikt per cluster door naar de originele reacties voor citaten en verificatie.

Is AI-analyse van onderzoeksdata bruikbaar in de zorgsector?

Ja. Bij V&VN, de beroepsvereniging voor verpleging en verzorging, analyseerden wij 6.000+ reacties op twaalf open vragen. AI voor de zorg verwerkt dit volume zonder handmatig coderen, met herhaalbare resultaten per onderzoeksronde. De aanpak is toepasbaar voor zorgorganisaties, beroepsverenigingen en adviesbureaus die kwalitatief onderzoek willen schalen.

Hoe voorkomt de AI dat clusters vervormd of onbetrouwbaar zijn?

De AI clustert op semantische gelijkenis en geeft een representatief ankerwoord per cluster. Het onderzoeksteam valideert de clustering via de doorklikfunctie naar bronreacties. Menselijke controle is ingebouwd: de AI ordent, de onderzoekers beoordelen, interpreteren en concluderen.