简短回答：在定性分析中，代码是一个简短的标签，用来标记数据中某个值得关注的特征 — 一个短语、一句话或一个瞬间。主题则是由多个代码构建而成、能够回答研究问题的更大的共享意义模式。代码是原始的构建单元，主题是解释。代码先出现，贴近数据；主题后形成，承载论点。
\n最后更新：2026 年 7 月 30 日。下文的事实性陈述均注明了具名且有日期的来源。
\n\n代码与主题的区别是定性分析中最常见的困惑点，而把两者混淆，正是有些“主题分析”部分读起来像一串话题清单、而不是一组研究发现的原因。代码是结合研究问题对数据某一特征所做的标注；主题则捕捉整个数据集中反复出现的意义模式。正如定性分析软件 Quirkos 团队所说，代码是你在阅读数据时创建的基本关注话题，而主题是把数据重新连接回研究问题的更复杂概念（Quirkos，2026 年 7 月访问）。
\n简单来说：如果你能指着访谈记录中的某一行说“这就是它的一个例子”，你手里的大概是一个代码。如果你描述的是在许多受访者身上反复出现、需要一两句话才能讲清楚的东西，那就是一个主题。
\n\n代码是最小的分析单元。它是附加在一段数据（一个分句、一句话、一段对话往来）上的一个词或短语，用来捕捉与研究问题相关的内容。编码就是系统地通读访谈记录、标记这些特征，以便之后检索和比较的过程。
\n代码大致分为两类，这一区分会影响后续整个分析：
\n代码可以归纳式生成（从数据本身出发），也可以演绎式生成（来自预先定义的编码手册）。两者都是合理的做法，选择哪种取决于你是在探索还是在检验。如何选择，请参阅我们关于演绎式编码与归纳式编码的指南。
\n\n主题是围绕一个核心概念组织起来的共享意义模式。它不只是把相似的代码归在一起，而是要表达一个观点。在 Braun 和 Clarke 广泛使用的反身性主题分析中，主题来自研究者对代码的解释性投入，而不是直接从编码手册中搬过来；主题被视为分析的产出，而非输入（Delve，2026 年 7 月访问）。
\n关键检验：主题有一个核心组织概念。“新用户引导”是一个话题。“当早期付出得不到回报时，用户会放弃引导流程”才是一个主题 — 它有主张、有方向，读者可以同意或反对。一组只共享同一主题领域、却没有统一观念的代码只是一个“话题桶”，而不是主题，审稿人一眼就能看出差别。
\n\n| 维度 | 代码 | 主题 |
|---|---|---|
| 范围 | 片段上的一个标签 | 贯穿数据集的模式 |
| 目的 | 标记并检索特征 | 回答研究问题 |
| 层次 | 描述性，贴近数据 | 解释性，经过抽象 |
| 时机 | 分析早期 | 较晚，由代码构建 |
| 数量 | 通常几十到几百个 | 一项研究通常 3–6 个 |
| 检验 | “这是它的一个例子” | “这是它支持的一个主张” |
主题不是被提取出来的，而是被建构出来的。从代码到主题的标准路径包括四个步骤：
\n逐一处理访谈记录，标记每一个相关特征。代码清单会先不断增长，随后在你合并重复代码、拆分负载过重的代码后趋于稳定。
\n把似乎指向同一深层观念的代码归为一组。这时亲和图法很有用 — 你要找的是候选主题，而不是最终主题。
\n为每个聚类写一句话，说明这个主题关于什么。如果写不出来，这个聚类就只是一个话题桶，需要拆分或重新界定。
\n每个主题都需要有受访者原话作为证据，并且应当对照与之相矛盾的案例进行检验 — 参见负面案例分析。只有靠精心挑选的引文才能成立的主题，不算研究发现。
\n\n在把一组代码升级为主题之前，先用以下五个问题检验它。每回答一个“是”得一分。得分 4–5 的聚类是主题；2–3 分还需打磨；0–1 分仍然只是一个话题。
\n| # | 问题 | 为什么重要 |
|---|---|---|
| 1 | 你能用一句话说出核心概念吗？ | 没有主张的主题只是一个桶 |
| 2 | 它是否在多位受访者中反复出现，而不只是一个生动的个案？ | 要的是模式，不是轶事 |
| 3 | 它是否有助于回答研究问题？ | 相关性优先于频率 |
| 4 | 它是否有来自不止一个来源的锚定引文支持？ | 要证据，不要断言 |
| 5 | 它能否经受住至少一个反例的检验？ | 防范确认偏差 |
经验法则：频率告诉你一个话题很常见；升级检验告诉你一个模式有意义。只有后者才配在研究发现中占有一席之地。
\n\n代码与主题的区分，恰好对应了 AI 目前擅长与不擅长的事情。在一项将 GPT-4o 与人类分析者在医疗健康访谈记录上进行比较的概念验证研究中，开箱即用的模型在摘录识别上与人类达到了很强的评分者间信度（Cohen's κ = 0.84），也能有效地生成演绎式父代码 — 但人类在“归纳式子代码开发和主题综合方面表现出色”，而模型的分析“缺乏人类分析的深度”，通常每段摘录只使用一个代码，而人类会使用多个（Preston 等，arXiv，2025）。
\n实际含义是：AI 可以加速编码这一层 — 即机械的、可检索的、给片段贴标签的工作 — 而且它达到主题饱和所需的访谈记录远少于人类。但主题建构这一把代码转化为论证的解释性步骤，仍然需要由人来执笔。最稳妥的工作流程是让 AI 负责代码、研究者负责主题，并由研究者审阅和重塑 AI 的建议。
\n\nQualitati 是面向产品、UX 和客户洞察团队的 AI 用户研究平台，它有意将这两个层次分开。在 QDA Workspace 中，你可以进行 AI 辅助的归纳式与演绎式编码 — 生成编码手册、标记访谈记录、可视化代码的聚集情况 — 同时由研究者掌控每个代码的含义。随后，ThemeLens 会在最多 100 份访谈记录上运行 map-reduce 流程，将代码映射到研究问题，并综合出附带受访者原话引文的候选主题，由你审阅和修改，而不是盲目接受。这种分工与上文的证据一致：编码自动化，主题建构由人监督。Qualitati 支持 10 种语言，定价透明 — 注册即享含 30 积分的免费套餐（无需信用卡），并公开每积分价格。
\n\n有两点需要注意。第一，代码与主题之间的界限并非泾渭分明：一些研究传统（例如扎根理论）使用类属和概念而非“主题”，而一个“潜在性代码”看起来也可能很像一个小主题。请把这一区分当作一种工作规范，而不是自然法则。第二，AI 辅助编码可能产出一套整齐、看似合理的代码，却悄悄编入了模型的先验，而不是你数据的真实含义 — 这正是解释性的、主题层面的判断应当由人来做的原因。人工审阅说明：关于编码方案、饱和度和主题结构的方法论决策，在采用之前应对照你的研究设计和原始文献进行核查。
\n\n适用人群：正在做主题分析、希望研究发现读起来像论证而不是话题清单的 UX 研究员、洞察分析师和研究生。
\n何时不适用这一框架：如果你做的是纯定量的内容分析（统计预先定义的类属），代码与主题的区分就没那么重要；如果你采用的是扎根理论，请改用其自身的代码、类属和理论建构等术语体系。
\n\n不是。代码标注数据的一个特征；主题是由多个代码构建而成的更广泛的意义模式。代码是描述性的，先出现；主题是解释性的，后形成。
\n没有固定数量。主题的界定在于是否拥有核心组织概念，而不在于代码数量 — 有些主题汇集了许多代码，有些只依靠少数精心挑选的代码。与研究问题的相关性比频率更重要。
\n大多数主题分析报告三到六个主题。数量多得多通常意味着有些“主题”其实是子主题，或者是过早升级的代码。
\nAI 可以可靠地生成代码并提出候选主题，但 2025 年的证据表明，它在主题综合和解释深度上仍落后于人类。用它来加速编码、起草主题，然后由你自己审阅和重塑主题。
\n话题是被提到的某个事项（例如“定价”）。主题则对这个事项提出主张（例如“只有当价值一开始就清晰可见时，用户才能接受高价”）。主题有方向，话题没有。
\n\n代码是原材料，主题是成型的论证。编码是标记数据说了什么；主题化是判断它意味着什么。让这两个步骤保持分离，让每个候选主题都经过升级检验，由 AI 承担机械的编码工作，而你保留对主题的解释权。这样，主题分析产出的才是研究发现，而不是清单。
\n免费开始，赠送 30 积分 — 无需信用卡。创建账户，在 QDA Workspace 中为访谈记录编码，并用 ThemeLens 综合主题。或查看透明定价。
\n","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":"affinity-mapping-ai-user-research-2026","title":"如何用 AI 做亲和图分析（2026 指南）","description":"亲和图法能把杂乱的访谈与问卷笔记整理成可行动的主题。本文提供 6 步操作指南、AI 工作流，以及两份 2026 年适用的验证清单。","category":"研究方法","date":"2026-07-26","readTime":"10 分钟阅读","author":"Qualitati 研究团队"}]}