最后更新：2026 年 6 月 27 日
\n\n在定性分析中，编码（code）是附加在某一具体数据片段上的简短标签。类属（category）把相关编码聚合成更高一层的集群。主题（theme）则是贯穿整个数据集、捕捉某一核心观念的解释性模式。这一层级自下而上：编码 → 类属 → 主题。编码描述数据里有什么；主题解释它意味着什么。
\n\n定性分析把非结构化文本——访谈转录、开放式问卷回答、焦点小组对话——转化为结构化洞察。这三个构件构成了抽象程度递增的层级。搞清楚每一层的位置，正是“一张整洁的标签表”与“一个可据以行动的发现”之间的差别。
\n\n编码是捕捉某一具体数据片段含义的简短标签。编码把庞大的文本拆分成更小、可检索的单元。编码可以是描述性的（“提到上手过程中的摩擦”）、原生的（in vivo，即参与者自己的话，例如“就是感觉很笨重”），也可以是概念性的（“失控感”）。二十场访谈在任何合并之前，通常会产生 80–100 个原始编码。
\n\n类属是抽象程度高出一层的一组相关编码。如果你有“菜单让人困惑”“点击次数太多”“找不到设置”这几个编码，你可能把它们归入一个导航困难类属。类属在定性内容分析和扎根理论中最为显性，在那里从编码走向类属是一个被明确命名的步骤。按 Saldaña 的说法，把第一轮编码归入类属是第二轮编码（模式编码、聚焦编码或轴心编码）的任务；而在模板分析中，类属先被预先拟定，再依据数据加以修订。
\n\n主题是一种解释性构念，捕捉贯穿数据的核心概念或共享意义。按照 Braun 与 Clarke 的说法，主题不是对某个话题的汇总——而是围绕一个核心观念组织起来的意义模式。他们的类比是：如果编码是一块块砖和瓦，那么主题就是一面墙或一块屋顶板，各由许多编码砌成。用他们的话说，“安全感”可以是一个编码，而“一种虚假的安全感”才是主题。
\n\n| 层级 | 是什么 | 抽象程度 | 示例 | 它回答的问题 |
|---|---|---|---|---|
| 编码 | 数据片段上的标签 | 低（描述性） | “找不到导出按钮” | 这里在说什么？ |
| 类属 | 相关编码的集群 | 中（组织性） | 导航困难 | 这些编码有什么共同点？ |
| 主题 | 解释性的意义模式 | 高（概念性） | “这个工具很强大，却不友好” | 这对研究问题意味着什么？ |
不同流派对这些术语的用法并不一致，而这正是新手困惑的最大来源。
\n实用准则：选定一个流派，在方法部分定义你的术语，并前后一致地使用它们。评审者更在意一致性，而不是你选了哪套词汇。
\n\n假设你围绕一个新的分析仪表盘开展 15 场访谈。
\n请注意，这个主题是关于意义的主张，锚定在参与者引语上，而不是对某个话题的复述。这正是检验标准。
\n\n用这份 Qualitati 检查清单判断一个候选项究竟是真正的主题，还是仅仅一个话题桶。真正的主题应至少通过六项中的四项：
\n如果一个候选项只通过一两项检查，那它很可能是一个类属或话题汇总——请继续打磨。
\n\nQualitati 是面向产品、UX 和客户洞察团队的 AI 用户研究平台。它的分析工具正好对应上述层级：
\n其设计意图是让人掌控解释权。AI 快速提出编码与聚类；由研究者决定什么才成为主题。验证流程参见人在回路的主题分析，演绎／归纳的取舍参见归纳式编码与演绎式编码。
\n\n三点诚实的提醒：
\n供人工复核的方法论说明：主题建构是一种解释行为。请记录你的决策、保留审计轨迹，并报告 AI 的使用方式。
\n\n不是。类属按共同点把相关编码聚在一起；主题则解释这些模式对你的研究问题意味着什么。类属是组织性的；主题是概念性的。
\n\n并非总是。扎根理论和内容分析会把类属显性化。反身性主题分析常常从编码直接走向候选主题，而没有正式的类属步骤。请根据你的方法来选择。
\n\n多数研究最终落在三到六个主题。太多通常意味着你把类属或话题汇总误标成了主题；太少则可能意味着你过度概括了。
\n\nAI 可以提出候选编码、对其聚类，并起草带佐证引语的主题陈述。但由于主题具有解释性，最终的主题集应由人来复核、精炼并负责。用 AI 来加速，而不是用它来定夺。
\n\n编码标注某一段数据说了什么；主题解释这些数据在整个数据集层面意味着什么。
\n\n不是。话题是人们谈论的内容（例如“定价”）。主题则是关于它的共享意义（例如“对偶尔使用的用户来说，定价带有惩罚意味”）。话题汇总是最常见的伪主题陷阱。
\n\n编码用于描述，类属用于组织，主题用于解释。把层级理顺，你的分析才站得住脚且有用；把它们混为一谈，你最终只会得到一份披着发现外衣的话题清单。像 Qualitati 的 QDA 工作区和 ThemeLens 这样的 AI 工具，可以压缩跨数十份转录文本的编码与聚类等机械工作——但从编码跃向主题，仍是人类判断体现价值之处。
\n免费开始，赠送 30 点额度，无需信用卡。创建账户，开展一场 AI 主持访谈或对话式问卷，并让 ThemeLens 用有参与者出处的引语把你的编码映射为主题。或先查看透明定价。
\n\n","related":[{"slug":"longitudinal-qualitative-research-guide-2026","title":"纵向定性研究：设计、轮次规划与分析方法（2026）","description":"纵向定性研究（QLR）如何设计与分析？涵盖轮次间隔、样本流失、轨迹分析与重复横截面分析，并附原创轮次规划矩阵与 AI 访谈要点。","category":"定性研究方法","date":"2026-10-19","readTime":"13 分钟阅读","author":"Qualitati 研究团队"},{"slug":"interpretative-phenomenological-analysis-guide-2026","title":"诠释现象学分析（IPA）：7 个步骤、示例与质量清单","description":"什么是诠释现象学分析？按 2022 年术语（PETs、GETs）讲解 IPA 步骤、样本规模、分析示例，以及学位论文可用的 IPA 质量清单。","category":"定性研究方法","date":"2026-09-29","readTime":"11 分钟阅读","author":"Qualitati 研究团队"},{"slug":"qualitative-research-questions-examples-2026","title":"定性研究问题怎么写？按研究设计分类的示例","description":"按现象学、扎根理论、案例研究和叙事探究分类的定性研究问题示例，说明研究问题该设几个、与访谈问题有何区别，并附一份免费匹配度检查表。","category":"定性研究方法","date":"2026-09-23","readTime":"10 分钟阅读","author":"Qualitati 研究团队"}]}