定性研究入门：方法、分析与 AI 辅助工具（2026 指南）

定性研究是我们理解那些仅凭数字无法解释之事的方式——人们为什么做出他们的选择、他们如何描述自己的经历，以及他们赋予周遭世界怎样的意义。它支撑着心理学、医疗、教育、市场营销和用户体验等领域的研究，几乎每一个以"为什么？"开始的深刻洞见背后，都有它的身影。

本指南将带你走完一项定性研究的全过程：什么是定性研究、收集数据所用的方法、如何通过编码和主题分析来分析这些数据，以及如何让你的工作保持严谨与合乎伦理。它还涵盖了大多数入门指南略过的内容——AI 主持的访谈和计算文本分析如何重塑这一领域，以及它们在哪些方面有帮助、在哪些方面人类研究者仍不可替代。

什么是定性研究？

定性研究是一种探究方法，它收集和解读非数值数据——文字、观察、图像和录音——以理解概念、经历以及人们赋予它们的意义。定量研究衡量的是有多少或多少个，而定性研究解释的是为什么和如何。它是探索性的、解释性的，并且立足于情境而非统计。

定性研究者通常不是用一个固定假设去检验一个大样本，而是从一个开放性问题出发，让模式从丰富、详尽的叙述中浮现。几个标志性特征定义了这一取径：

• 自然主义——它在人们真实的环境中研究他们，而非在受控的实验室条件下。
• 解释性——研究者的任务是理解意义，而不仅仅是记录行为。
• 归纳性——理论和主题是从数据中建立起来的，而非事先强加于数据之上。
• 富含情境——研究结果始终与其来源的情境和声音紧密相连。
• 迭代性——收集与分析往往在彼此重叠的循环中进行，每一轮都塑造着下一轮。

什么是定性数据？

定性数据是任何捕捉质性而非数量的信息——语言、行为、图像和声音。它通常是非结构化的，意味着它不会以整齐的行列形式呈现，并且在分析之前通常需要被转录、整理和编码。一段访谈中的一句话，所承载的解释性分量可能超过整整一列调查评分。

定性数据的例子

• 深度访谈的转录稿
• 焦点小组讨论及其中的群体动态
• 开放式调查回答
• 观察或民族志的田野笔记
• 个人文档——日记、信件、札记
• 社交媒体帖子、评论和论坛帖
• 照片、视频和屏幕录制
• 录音及其中的语气、停顿和强调
• 会议记录、政策文件和报告
• 研究者的备忘录和反思笔记

定性研究的应用领域

定性方法并不局限于任何单一学科。凡是以人类经验、语言或文化为研究对象之处，都能见到它的身影：

• 心理学——心理健康、身份认同和行为的亲身体验
• 医疗与护理——患者体验、治疗依从性、护理质量
• 教育——学习体验、课堂动态、课程影响
• 社会学与人类学——文化、社会结构和群体行为
• 市场营销与消费者研究——品牌认知、动机、决策
• 用户体验与产品研究——可用性、需求，以及用户行为背后的"为什么"
• 政治学与公共政策——态度、叙事和利益相关者的观点

定性研究 vs. 定量研究

理解定性研究最清晰的方式，就是把它与其对应物并置。这两种取径回答的是不同的问题，并且在不同情境下各有所长。

维度	定性研究	定量研究
核心问题	为什么以及如何？	有多少、多少个、多频繁？
数据类型	文字、图像、观察	数字和测量值
目的	探索、理解、解释	测量、检验、推广
样本量	小而有目的	大而有代表性
分析	编码、主题解释	统计检验
推理方式	主要为归纳	主要为演绎
典型产出	主题、叙事、理论	统计量、相关性、模型
研究者角色	主动的解释者	超然的观察者

抽象地说，二者并无优劣之分。如果你想知道上一季度有多大比例的客户流失，那是定量问题。如果你想知道他们为什么离开、又如何描述这段经历，那就是定性问题。

混合方法：二者并用

许多最有力的研究在混合方法设计中将二者结合。定性访谈可能浮现出人们使用的主题和语言，进而为大规模定量调查提供依据——或者调查数据可能揭示出一个出人意料的模式，而后续的定性访谈则有助于解释它。二者并用时，数字告诉你发生了什么，而文字告诉你为什么。

规划一项定性研究

好的定性研究是设计出来的，而非即兴而为。在收集第一份访谈之前，有四项规划决策塑造着此后的一切。

1. 研究问题

定性研究问题是开放性和探索性的。它们以"如何""什么"或"以何种方式"等词开头，并且避免预设答案。"第一代大学生如何体验进入大学的过渡？"引向发现；"辅导能提高成绩吗？"则不能。

2. 理论视角（范式）

每位研究者都带着关于何为知识的假设。把它们点明，能让研究保持诚实。常见范式包括建构主义（现实是社会建构的且是多元的）、解释主义（目标是理解意义）和批判理论（研究应揭示并挑战权力结构）。你的范式指导着哪些方法适用，以及你如何解释所发现的内容。

3. 文献综述

文献综述把你的研究置于已知的脉络之中。它显示出你的研究所填补的空白，使你的问题更加锐利，并防止你重新发现该领域多年前就已确立的东西。在归纳式设计中，一些研究者会刻意在早期保持综述的轻量，以免既有理论使他们对数据中所注意到的内容产生偏见。

4. 抽样与饱和

定性研究使用目的性抽样——选择那些能就该问题作出丰富回应的参与者，而非随机的横截面。样本量在设计上就是小的。你持续收集数据，直到达到饱和：即新的访谈不再产生新主题的那一刻。对许多访谈研究来说，这一数字落在 12 到 30 名参与者之间，尽管恰当的数字始终取决于研究主题。

定性研究方法

"方法"指的是你如何收集数据。主要的定性方法各自捕捉人类经验的不同切面，而许多研究会同时结合多种方法。

访谈

深度访谈是定性研究的主力：一场有引导的一对一对话，旨在引出个体的经历、信念和推理。访谈从结构化（固定脚本）经半结构化（一份指南加上顺着有趣线索追问的余地）到非结构化（一场松散、对话式的探索）不等。半结构化访谈最为常见，因为它在参与者之间的一致性与深入追问的自由之间取得了平衡。

焦点小组

焦点小组将少数参与者——通常 6 到 10 人——聚在一起，以群体方式讨论某一主题。焦点小组的独特之处在于其互动：人们彼此补充、挑战和回应，浮现出一对一访谈会错过的共享规范和分歧。它们被广泛用于市场研究、政策工作和产品设计。代价是强势的声音可能会盖过较安静者，因此娴熟的主持至关重要。

观察与民族志

观察研究意味着在行为自然展开之时进行观察和记录。民族志更进一步：研究者长时间沉浸于某一社群或环境之中，往往以参与者身份，从内部理解文化。这些方法揭示人们实际所做之事——而这并不总是他们在访谈中所说自己会做的事。

个案研究

个案研究是对单一有界单元——某个人、组织、事件或项目——的深入考察，通常同时借助多个数据来源。当情境与现象密不可分、且你想要深度而非广度时，个案研究便颇具威力。

文档与内容分析

并非所有定性数据都是第一手收集的。研究者也分析既有材料——政策文件、媒体报道、历史记录、在线评论或社交媒体——以理解某一主题是如何被框定和讨论的。这是通向本指南后文所述计算方法的天然桥梁。

AI 主持的访谈：一种新方法

定性研究近来最大的转变之一，是AI 主持的访谈的出现——由对话式 AI 进行的访谈，它实时地提问、聆听回答并追问，可以语音或文字形式进行。AI 依据研究者设计的访谈指南工作，但会像娴熟的人类主持者那样，针对每位参与者调整其追问。

这出于三个实际原因而重要。第一是规模：AI 主持者可以并行开展数百场访谈，在任何时段、以多种语言进行，因此定性的深度不再受限于研究团队能亲自安排多少场访谈。第二是一致性：每位参与者都获得同样经过校准的方式，消除了人类访谈者之间日常的差异。第三是速度：转录是自动的，分析可以立即开始。

AI 主持并不取代研究者的判断——它延伸了研究者的触及范围。研究者仍然设计研究、撰写指南、设定伦理边界并解释研究结果。AI 处理田野工作中那些重复且可规模化的部分。

诚实的告诫是：AI 主持者可能错过人类会捕捉到的微妙情绪线索，而敏感话题或许需要人性化的处理。若运用得当，最好将它们理解为工具箱中一种强大的新方法，而非对人类主导访谈的全盘替代。我们将在下文回到这方面的伦理问题。

如何分析定性数据

收集数据只是工作的一半。分析是将原始转录稿和田野笔记转化为研究结果的过程。这一过程是系统性的，尽管它所处理的是杂乱、属人的材料。

第 1 步：转录

音频和视频首先要变成文字。转录过去每场访谈要耗费数小时；如今 AI 语音转文字能在几分钟内生成一份近乎完整的转录稿，研究者只需核实准确性，并捕捉诸如长时间停顿或笑声等有意义的非言语细节。

第 2 步：编码

编码是定性分析的核心：用简短的标签标记数据片段以捕捉其含义，从而能在整个数据集中对它们进行分组和比较。编码大致有两种取径，而多数研究会将二者融合：

• 归纳（开放）编码——编码从数据本身浮现，没有预先设定的清单。最适合探索全新的事物。
• 演绎编码——你从源于理论或先前研究的编码手册出发，并将其应用于数据。最适合检验或扩展既有框架。

随后，编码被组织为更宽泛的类别，类别再组织为主题——这一过程有时被描述为从开放编码走向轴心编码。

第 3 步：主题分析

主题分析是识别整个数据集中意义模式最广为使用的方法。Braun and Clarke 著名的六阶段框架为它提供了清晰的结构：

1. 熟悉数据——反复阅读数据，直到你对它了如指掌。
2. 生成初始编码——在整个数据集中系统地标记有意义的特征。
3. 寻找主题——将相关编码归入候选主题。
4. 审视主题——对照编码后的数据和整个数据集来检验主题。
5. 界定并命名主题——明确每个主题所涉及与不涉及的内容。
6. 撰写成文——将主题编织成一段有生动引文支撑的分析性叙事。

其他分析取径

• 扎根理论——通过持续比较直接从数据中建立理论；当没有既有理论契合时最为理想。
• 内容分析——系统地对文本中概念的出现进行分类，并常加以计数。
• 叙事分析——关注人们讲述的故事以及他们如何建构这些故事。
• 话语分析——考察语言如何建构意义并反映权力。

面向定性数据的计算文本分析

随着数据集不断增长——数千份开放式回答、数年的评论、数百份转录稿——单凭人工编码已难以跟上。计算文本分析运用自然语言处理（NLP）和机器学习来分析大量定性文本，浮现出人类团队需要数周才能找到的模式。

最常见的技术包括：

• 主题建模——诸如 LDA 或更新的基于嵌入的方法等算法，它们检测共现词的聚类，并浮现出贯穿语料库的潜在主题。
• 情感分析——按情绪基调对文本分类，有助于追踪情感在数据集中的变化。
• 命名实体与关键词提取——自动抽取出重要的人物、组织和概念。
• LLM 辅助编码——使用大语言模型来建议编码和主题，再由研究者审阅、优化并批准。

AI 辅助编码 vs. 人工编码

这并非非此即彼——最有力的工作流以 AI 求速度和广度，以研究者求判断和深度。它们的对比如下：

因素	人工编码	AI 辅助编码
速度	慢——数天到数周	快——数分钟到数小时
一致性	随疲劳和编码者而异	在整个数据集中高度一致
规模	受限于人力工时	可处理超大型数据集
细微差别与情境	强——能捕捉反讽、潜台词	不断改进，但可能错过微妙之处
研究者控制	完全	由研究者审阅并批准
透明度	完全可追溯	需谨慎以保持可审计
成本	人力成本高	设置之后单位成本低

正在形成的共识是一种人在回路模型：AI 在整个数据集上完成编码和主题的初稿，研究者则进行验证、修正和解释。这既保留了计算的速度，又维系了界定优良定性工作的解释性严谨。

确保严谨：定性研究中的可信度

由于定性研究不依赖统计显著性，它有自己的质量标准。最广为引用的框架（Lincoln and Guba）定义了可信度的四项标准：

• 可信性——研究结果是否可信？相关技术包括成员核查和对多个数据来源的三角验证。
• 可迁移性——研究结果能否适用于别处？通过对情境的厚重、详尽描述来实现。
• 可靠性——若重复进行，过程是否一致？由清晰、有记录的审计轨迹支撑。
• 可确认性——研究结果是立足于数据还是研究者的偏见？由反身性和透明的推理来支撑。

伦理考量

定性研究处理的是人们的故事，往往涉及敏感话题，因此伦理并非项目末尾的一个勾选项——它贯穿整个项目。

• 知情同意——参与者必须理解研究所涉及的内容，并自由地同意参与。
• 保密与隐私——保护身份并保障敏感数据安全，包括对引文的审慎匿名化。
• 偏见——认识并尽量减少研究者的预期影响其所听所报的方式。
• 权力动态——意识到研究者与参与者之间的不平衡，并努力加以缩减。
• 反身性——持续审视自己的假设、立场以及对研究的影响。

AI 时代的伦理

AI 辅助方法增添了新的责任。在使用 AI 主持者或计算分析时，研究者应就 AI 的角色向参与者保持透明、在文本由外部模型处理时保护数据隐私、警惕 AI 在编码或解释回答时的算法偏见，并让一位人类对每一项发表的研究结果负责。原则很简单：AI 可以辅助工作，但它无法承担判断。

一个实例

为了把整个过程集中呈现，设想一项研究在问："远程员工如何体验职场归属感？"

1. 设计——一项半结构化访谈研究，采用建构主义范式，目的性抽取 20 名远程工作者。
2. 收集——30 至 45 分钟的访谈，自动进行并转录；研究者审阅每份转录稿。
3. 编码——一次归纳式初步处理（AI 辅助）生成诸如"非正式闲聊""存在感焦虑"和"每日站会的仪式"等候选编码，由研究者加以优化。
4. 构建主题——编码聚合为诸如"归属感建立于微小的时刻之中"和"距离滋生出对自身地位的怀疑"等主题。
5. 验证——与若干参与者的成员核查确认这些主题听来真切。
6. 撰写成文——以代表性引文呈现主题，并将其与组织归属感的相关文献相联系。

定性研究工具

合适的工具取决于你的预算、对 AI 辅助的需求，以及你对平缓学习曲线的看重程度。以下是对主要选项的诚实比较。

工具	典型成本	AI 辅助编码	内置转录	学习曲线
NVivo	1,000+ 美元/年	有限	附加组件	陡峭
ATLAS.ti	$$$	有（较新）	附加组件	中等—陡峭
MAXQDA	$$$	有限	附加组件	中等
Dovetail	$$（按席位）	有	有	平缓
QualiTaTi	免费版；Scholar 自每月 19 美元起	有——核心功能	有，自动	平缓

诸如 NVivo 和 ATLAS.ti 之类的传统桌面工具功能深厚、根基稳固，但价格昂贵且学习起来费力。较新的 AI 原生平台将转录、AI 辅助编码乃至 AI 主持的访谈整合进单一工作流，既降低了成本，又缩短了产出洞见所需的时间——对于没有机构许可证的学生和小型研究团队尤为可贵。

要点回顾

• 定性研究使用诸如访谈、观察和文本等非数值数据，解释人类行为背后的为什么和如何。
• 核心方法包括访谈、焦点小组、观察/民族志、个案研究和文档分析。
• 分析从转录走向编码再走向主题分析，以可信度而非统计显著性来评判。
• AI 主持的访谈和计算文本分析增添了规模、速度和一致性——最好在人在回路模型中使用。
• 伦理与严谨贯穿始终，在 AI 成为工作流一部分时更是如此。

常见问题

用简单的话说，什么是定性研究？

它是用文字和观察而非数字来研究经历、意义和行为的研究，旨在理解某事为什么以及如何发生，而非它有多少。

定性研究和定量研究有什么区别？

定性研究通过非数值数据和小而有目的的样本来探索意义；定量研究用数值数据和大而有代表性的样本来测量和检验。许多研究在混合方法设计中将二者结合。

主要的定性研究方法有哪些？

最常见的五种是深度访谈、焦点小组、观察与民族志、个案研究，以及文档或内容分析。

AI 能做定性分析吗？

AI 可以转录访谈、建议编码、运行主题建模和情感分析，甚至大规模主持访谈。它在人在回路模型中效果最佳，由研究者设计研究并验证和解释每一项研究结果——AI 加速了工作，但解释性判断仍归人类。

定性数据分析需要多长时间？

手动进行时，编码和主题分析可能需要数天到数周，取决于数据集规模。AI 辅助的工作流可以在几分钟内产生初步编码，让研究者把时间集中在审阅和解释上。

定性研究可靠吗？

当严谨地进行时，是可靠的。定性工作不以统计可靠性，而以可信度来评判——可信性、可迁移性、可靠性和可确认性——由三角验证、成员核查、审计轨迹和反身性等技术支撑。

一项定性研究需要多少参与者？

没有固定数字——你持续收集数据直到达到饱和，即新参与者不再揭示新主题的那一刻。对访谈研究而言，这往往是 12 到 30 人，取决于主题的复杂程度。