Docs / Outlier Surfacing

🔦 Outlier Surfacing

AI Outlier Surfacing menggunakan AI untuk mengidentifikasi negative cases, quote yang menentang atau tidak fit dengan pola dominan tema Anda. Patton (2002) menyebut ini sebagai salah satu strategi paling penting untuk credibility dalam riset kualitatif.

Apa itu

Setelah Anda punya tema-tema awal, AI scan seluruh corpus dan identifikasi quote yang:

  • Bertentangan dengan klaim tema (counter-evidence).
  • Tidak fit dengan pola dominan (atypical / unique).
  • Kompleksitas yang tidak tertangkap kode existing (residual).
  • Border case antara dua tema (potensi sub-tema baru).

Outlier ini wajib di-engage, thesis berkualitas tidak menyembunyikan kontradiksi, justru menggunakan untuk memperkaya analisis.

Mengapa penting?

Tanpa engagement dengan negative cases:

  • Cherry-picking risk, hanya highlight quote yang support hipotesis.
  • Reduced credibility: Lincoln & Guba (1985): "tidak ada riset kualitatif yang credible tanpa pencarian aktif untuk negative cases".
  • Weak theoretical contribution, temuan terlalu mulus = tidak refleksikan kompleksitas realitas sosial.
  • Vulnerable di sidang, penguji kritis akan menemukan outlier yang Anda lewatkan, dan menanyakannya.

Kapan pakai

  • Phase 4-5 Braun & Clarke (Reviewing & Defining themes), setelah tema awal terbentuk.
  • Sebelum write-up BAB IV, sertakan negative case discussion di narasi tema.
  • Sebelum sidang, siapkan jawaban untuk pertanyaan "Bagaimana dengan informant yang tidak fit?".
  • Validasi saturation claim, jika masih banyak outlier muncul, mungkin saturation belum tercapai.

Cara pakai

  1. Buka launcher AI Outlier Surfacing (kategori Defense Prep atau AI Quality).
  2. Pilih tema yang ingin discan (default: semua tema).
  3. Pilih mode:
    • Contradiction, quote yang bertentangan dengan claim tema.
    • Atypical, quote unik yang tidak fit pola mayoritas.
    • Residual, uncoded quote yang complex / multi-themed.
    • Border case, quote di perbatasan 2+ tema.
  4. Klik Surface Outliers. AI scan + ranking severity (Sonnet 4).
  5. Review per outlier:
    • Engage, tambahkan ke narasi tema sebagai counter-evidence yang didiskusi.
    • Spawn sub-theme, buat sub-tema baru jika outlier signifikan.
    • Re-define theme, perluas/persempit definisi tema.
    • Dismiss, outlier valid tapi peripheral (catat justifikasi).

Output

  • List outlier ranked by severity (1-10).
  • Per outlier: quote + kenapa outlier + saran action.
  • Negative case section auto-draft untuk BAB IV (editable).
  • Audit trail: setiap outlier yang di-engage / dismiss tercatat dengan justifikasi.

Caveat

  • Outlier ≠ noise. Jangan otomatis exclude. Negative case sering jadi insight paling kaya.
  • Frekuensi 1 ≠ tidak penting. Patton: 1 outlier yang strong bisa overturn pola 50 informant.
  • AI bisa miss konteks. Quote yang AI flag sebagai outlier mungkin make sense dengan konteks budaya/historical yang AI tidak tahu. Verify manual.
  • Tidak menggantikan reflexivity. Outlier surfacing baik untuk WHAT (cari outlier); reflexive memo perlu untuk WHY (kenapa Anda awalnya miss).
  • Biaya: ~3K-8K token per scan (tergantung corpus size). Rata-rata Rp 500-1.500.

Literatur

  • Patton, M. Q. (2002). Qualitative Research & Evaluation Methods (3rd ed.). SAGE, bab "Negative Case Analysis" (hal. 554-555) dan "Searching for Rival Explanations".
  • Lincoln, Y. S., & Guba, E. G. (1985). Naturalistic Inquiry. SAGE, bab credibility criterion (chapter 11).
  • Booth, A., Carroll, C., Ilott, I., Low, L. L., & Cooper, K. (2013). Desperately seeking dissonance: Identifying the disconfirming case in qualitative evidence synthesis. Qualitative Health Research, 23(1), 126–141.
  • Morse, J. M. (2015). Critical analysis of strategies for determining rigor in qualitative inquiry. Qualitative Health Research, 25(9), 1212–1222.