最后更新：2026 年 7 月 23 日
\n\nAI 质性分析中的审计轨迹是一份记录了每一项分析决策的文档，包括提示词、模型版本、编码定义、人工修改与分歧，它让外部评审者能够重建你从原始转录稿走到最终主题的全过程。当 LLM 承担了部分编码工作时，审计轨迹正是把站得住脚的研究与黑箱区分开来的东西。请边做边记，而不是事后补。
\n\n审计轨迹是研究者在整项研究中所做决策的透明、带日期的记录，涵盖从设计与抽样，到编码、归类与主题综合的全过程。这一概念源自 Lincoln 与 Guba（1985）关于可确证性的工作：研究发现应当可以追溯到数据，而不是追溯到研究者的偏见。一份好的轨迹能让第二个人沿着你的推理走下去，得出相近的解读，或者至少准确理解他们会在哪里、因何与你产生分歧。
\n传统上，审计轨迹存在于备忘录、带日期修订记录的编码手册以及反身性日志中。AI 并没有取消这一要求，它改变的是必须被记录的内容。
\n\n当大语言模型建议编码、总结片段或起草主题时，它引入了一些没有任何人明确做出、并且很容易丢失的决策。如果评审问\"这段文字为什么被编码为不信任？\"，而诚实的回答是\"模型给出了它，我们就保留了\"，那么除非提示词、模型版本与人工复核都留有记录，否则你在可确证性上就有一个缺口。
\n方法论文献正在这一点上趋于一致。《International Journal of Qualitative Methods》2026 年的一项研究比较了两个开源模型（Gemma2 与 Llama3.1），发现由编码手册引导的演绎式方法比自由的归纳式编码产出更细腻，但只有约 45% 的生成编码携带有意义的语境，且 22–39% 是重复的（Misra et al., 2026）。约翰斯·霍普金斯大学研究者的一篇关于可信工作流的论文，主张的正是这样一种组合：把 LLM 的效率包裹在思维链透明性、编码到理论的映射以及人工检查点之中（arXiv, 2025）。而 CHI 2026 一项关于端侧编码工具的研究发现，研究者对模型只给予\"有条件的信任\"，即认可其表层提取能力，却怀疑其解读上的一致性（ACM CHI EA, 2026）。
\n三者共同的结论是：AI 可以加速编码，但解读的所有权仍在研究者手中，而审计轨迹正是你证明这一点的方式。
\n\n常规审计轨迹记录的是人的决策。AI 辅助的审计轨迹要再加上一层机器记录。对任何有 AI 参与的步骤，至少要记录以下内容。
\n| 层级 | 记录什么 | 为什么重要 |
|---|---|---|
| 输入 | 发送给模型的确切文本／转录稿片段 | 重建模型实际看到了什么 |
| 指令 | 提示词、编码手册以及任何编码定义或规则 | 呈现所应用的分析框架 |
| 模型 | 提供商、模型名称与版本／日期 | 没有它，输出无法复现 |
| 输出 | 修改之前的原始模型编码／摘要 | 把机器建议与人工决策区分开 |
| 人工动作 | 接受、拒绝、合并或改写，并附姓名缩写与日期 | 确立研究者的所有权 |
| 分歧 | 人在何处推翻了模型，以及为什么 | 凸显解读性判断，而非自动化 |
替代文本建议：一张六行表格，展示 AI 质性分析审计轨迹的输入、提示词、模型、输出、人工动作与分歧六个层级。
\n\n这是一份 Qualitati 自有的清单，你可以把它复制到自己的项目文档中。请在分析过程中逐项落实，事后拼凑出来的轨迹更薄弱，而且常常不准确。
\n假设你开展了 40 场客户访谈，并使用 LLM 依照一个五编码框架做首轮演绎式编码。一份站得住脚的轨迹应当呈现：编码手册 v1.0（带日期）、确切的提示词模板、模型及其版本、模型针对每份转录稿返回的原始编码、一列标明每个编码由具名研究者保留还是改动，以及一份备忘，说明模型过度套用了某个编码（比如价格敏感度）而团队将其收窄。若日后有评审质疑某个主题，你可以从主题倒推到引语、再到编码、再到提示词，而无需靠猜。
\n\nQualitati 是面向产品、UX 与客户洞察团队的 AI 用户研究平台。它的分析工具在设计上就是为了让审计轨迹更容易维护，而不是事后补救：
\nQualitati 并不取代研究者的判断，也不取代上面的清单，它提供的是让你能规模化落实这些要求的结构。对 AI 辅助编码的人工复核，责任仍在你身上。
\n\n审计轨迹提升的是透明度，它本身并不能让一个解读变得正确。一个被详尽记录下来的糟糕决策，依然是糟糕决策。三点告诫：
\n这一做法适合使用 AI 对访谈、焦点小组或开放式问卷数据做编码或综合的产品、UX、市场与学术研究者。如果你的研究小到可以手工编码，而解读上的细微差别正是全部要害所在，那么引入 LLM 所增加的监督成本可能超过它节省的时间。而在高风险或受监管的情境中，请把 AI 输出当作有待核验的草稿，绝不要当作研究发现本身。
\n\n它是一份带日期的透明记录，涵盖从研究设计到分析的每一项决策，使外部评审者能够重建研究发现是如何从数据中浮现的。它支撑的是 Lincoln 与 Guba 可信度框架中的可确证性。
\n需要，而且更需要。当 LLM 建议编码时，你还必须额外记录提示词、模型版本、原始输出，以及每一次人工的接受或推翻，否则整个分析将无法被重建。
\n写明你使用了哪个工具与模型、在哪些分析步骤使用、AI 产出了什么而人类决定了什么，以及你如何验证 AI 辅助的输出（例如由第二位编码者对样本做核查）。
\n有用但参差不齐。2026 年的一项开源模型比较发现，约 45% 的生成编码是有意义的，而 22–39% 是重复的，研究者也表示只给予\"有条件的信任\"。对 AI 编码的人工复核依然不可或缺。
\nQualitati 的 ThemeLens 与 QDA 工作台会把编码映射到研究问题，并把主题锚定到参与者原话，这提供了轨迹所需结构的大部分。你仍需补充已记录的提示词、人工修改与反身性笔记，才算完整。
\n\nAI 质性分析中的审计轨迹正是让 AI 辅助研究站得住脚的东西：一份关于输入、提示词、模型版本、机器输出与人工决策的持续记录。请在编码的同时构建它，保持人在环，并把主题锚定到引语。做到这些，AI 就能在不牺牲严谨性的前提下加速你的分析。免费开始，赠送 30 点数，无需信用卡，或查看透明定价，即可在 Qualitati 上运行 AI 主持访谈、对话式问卷或主题分析项目。
","related":[{"slug":"voice-analytics-interviews-2026","title":"访谈语音分析：它到底测量什么（2026 指南）","description":"访谈语音分析详解：音高、响度、语速、嗓音质量等声学特征能揭示什么，语音分析信任阶梯框架，以及 AI 在其中的角色。","category":"研究方法","date":"2026-07-29","readTime":"10 分钟阅读","author":"Qualitati 研究团队"},{"slug":"deductive-vs-inductive-coding-2026","title":"演绎编码和归纳编码有什么区别？2026 年实用指南","description":"一文讲清演绎编码与归纳编码的区别：各自适用场景、混合编码怎么做、方法选择决策矩阵、严谨性清单，以及 2026 年 AI 在定性编码中的角色。","category":"研究方法","date":"2026-07-27","readTime":"11 分钟阅读","author":"Qualitati 研究团队"},{"slug":"codes-vs-themes-qualitative-analysis-2026","title":"代码与主题有什么区别？定性分析中的编码与主题详解（2026 指南）","description":"定性分析中代码与主题有什么区别？本文讲清两者各是什么、代码如何一步步发展为主题，提供代码升级为主题检验清单，并说明 AI 在编码与主题分析中的作用。","category":"研究方法","date":"2026-07-30","readTime":"10 分钟阅读","author":"Qualitati 研究团队"}]}