最后更新：2026年7月2日
\n\n框架分析（Framework Method，框架法）是一种结构化的质性研究方法，它把编码后的数据整理进一个矩阵——行为个案、列为主题——使研究者能够在受访者内部与受访者之间进行比较。要在2026年借助AI开展框架分析，可以先从早期访谈文本中构建分析框架，用LLM演绎式地应用该框架，把摘要填入矩阵，并始终由人类研究者来解读单元格内容。AI能加快索引与制表；它不能取代解释阶段。
\n\n框架分析是一种质性数据分析方法，它把编码后的材料组织进结构化矩阵，从而可以跨个案、跨主题系统地比较模式。反思性主题分析刻意回避僵化程序，框架法则相反：它有意分步推进、高度可见——每一项分析决策都被记录在框架与矩阵之中，因而特别适合团队研究，以及必须可审计的研究项目。
\n该方法起源于1980年代末的英国应用社会政策研究，此后扩展到卫生服务研究、实施科学、教育与项目评估领域，因为它既能处理先验问题（来自访谈提纲或政策简报），也能容纳从数据中涌现的主题（Stalmeijer等，2023）。
\n\n细读一部分访谈文本并记下初步印象。AI可以生成逐篇摘要与候选话题帮助你建立方向感，但不要跳过自己的阅读——熟悉资料正是你形成问题的阶段，而矩阵后续要回答的正是这些问题。把AI摘要当作阅读辅助，而非沉浸式阅读的替代品。
\n\n商定一组编码并将其归入类别——这就是框架。这是一个由人主导、高度依赖判断的阶段。先从研究问题与访谈提纲中生成演绎式编码，再让少量归纳式编码从早期文本中浮现。AI可以提出候选的归类方案，但框架的所有权属于研究团队，因为它承载的是这项研究究竟关心什么。
\n\n把框架系统地应用到每一篇文本，为片段打上编码标签。这就是演绎式编码——只要框架有清晰的定义，这一阶段正是LLM最可靠的地方。已发表的研究显示，在编码手册干净的前提下，演绎式编码可以接近人类的一致性水平，而解释性类目仍然更难（JMIR AI，2025）。务必对照定义抽查AI的索引结果。
\n\n把索引后的数据概括进矩阵：一行一个个案，一列一个主题，每个单元格放一段简洁的摘要（附来源出处）。制表是AI最能节省时间的环节——把编码过的段落浓缩为忠实的单元格摘要——但摘要必须始终锚定在真实引语上，不能在转述中把意义抹平。要保留每个单元格回溯到原始文本行的链接。
\n\n横向与纵向通读矩阵，寻找模式、对比与解释。这最后一个阶段属于人的领地。AI可以提示候选模式（“B列的个案在X上聚集”），但判断这些模式意味着什么、研究最终得出什么结论，是研究者的责任。在这一步过度信任AI，是框架分析出错最常见的方式。
\n\n矩阵是这一方法区别于其他方法的核心交付物。一个简化的示例：
\n| 个案 | 采用障碍 | 感知收益 | 所需支持 |
|---|---|---|---|
| P01 | 时间成本；对输出结果信任度低 | 首轮编码更快 | 培训；审计轨迹 |
| P02 | 数据隐私顾虑 | 编码者之间更一致 | 本地端方案 |
| P03 | 学习曲线陡峭 | 能处理多语种数据 | 模板；示例 |
纵向读一列，可以比较所有个案在同一主题上的表现；横向读一行，可以整体理解一个个案。每个单元格都应带有指向源文本的指针，使任何论断都能被追溯——这正是资助方与期刊日益要求的审计规范。
\n\n| 阶段 | AI适用度 | 人的角色 |
|---|---|---|
| 熟悉资料 | 中——摘要帮助建立方向感 | 亲自阅读数据 |
| 构建框架 | 低——高度依赖判断 | 掌握框架的所有权 |
| 索引编码 | 高——演绎式编码 | 对照定义抽查 |
| 制表填格 | 高——概括进单元格 | 核验与引语的一致性 |
| 映射／解释 | 低——意义建构 | 得出结论 |
Qualitati是一个面向产品、UX与客户洞察团队的AI用户研究平台。就框架分析而言，其QDA工作台支持AI辅助的归纳式与演绎式编码、编码手册生成以及主题可视化——正好对应框架构建、索引与制表三个阶段。面对更大规模的语料，ThemeLens可以一次性对多达100篇访谈文本运行map-reduce主题分析流水线，把编码映射到研究问题，并综合出带有受访者原话支撑的主题。两者都让人类研究者担任矩阵的解读者，而这恰恰是框架法所设定的分析权威所在。Qualitati将自身定位为NVivo、ATLAS.ti与MAXQDA的AI原生替代方案，并提供透明的按额度计价。
\n\n每一项按0分（缺失）、1分（部分具备）或2分（扎实）打分。在依据AI生成的矩阵撰写报告之前，目标是拿到18分中的14分以上。
\n| 标准 | “扎实”是什么样子 |
|---|---|
| 熟悉资料由人完成 | 团队读过一部分访谈文本，而不只是AI摘要 |
| 框架与研究问题对应 | 每个编码都能追溯到某个研究问题或访谈提纲 |
| 编码定义清晰 | 每个编码都有纳入与排除规则 |
| 索引结果经过抽查 | 人工核验过AI所打编码的样本 |
| 单元格锚定来源 | 每个矩阵单元格都能链回访谈文本行 |
| 制表忠实度已核验 | 抽样单元格已与原始引语比对 |
| 跨个案比较可用 | 各列具可比性；很少有未加说明的空单元格 |
| 解释由人主导 | 结论由研究者得出，AI仅作提示 |
| 保留审计轨迹 | 框架的版本与变更均有记录并说明原因 |
适合谁：拥有明确研究问题、多位编码者，或需要透明、可比的跨个案分析的产品、UX、健康、评估与政策研究者。
\n何时不宜使用：如果你的目标是基于少数几个个案进行深度解释性的理论建构，反思性主题分析可能更合适；如果你手上是尚无稳定研究问题的非结构化探索性数据，请先做开放式归纳编码，再谈套用框架。
\n\n不是。两者都会识别主题，但框架分析额外规定了一套五阶段流程，以及用于系统比较的个案×主题矩阵。主题分析，尤其是反思性主题分析，则刻意回避这种僵化结构。
\n\n不可靠。AI在索引（演绎式编码）与制表上表现良好，但框架构建与最终解释需要人的判断。请把AI视为人主导流程中的加速器。
\n\n框架矩阵是一张表格，行为个案，列为主题/编码；每个单元格保存该个案在该主题下数据的摘要，并附有回溯到源文本的指针。
\n\nNVivo、ATLAS.ti、MAXQDA等传统QDA软件都支持框架矩阵。像Qualitati的QDA工作台与ThemeLens这类AI原生平台则增加了AI辅助编码、编码手册生成与主题综合，同时让研究者保持掌控。
\n\n框架分析对小样本和大样本都适用。个案不多时矩阵依然清晰易读，而在制表由AI辅助时又能扩展到更大规模的研究；不过对于超大规模语料，先跑一遍map-reduce主题分析流水线可能更划算。
\n\n框架分析为质性研究提供了透明、可比的结构，而AI让它最繁琐的两个阶段——索引与制表——在2026年快了许多。这一方法本身的逻辑把人放在应有的位置上：构建框架与解释矩阵。如此使用时，AI辅助的框架分析既严谨、可审计，又足够快。
\n免费开始，赠送30个额度——无需信用卡。创建账户，在QDA工作台中运行一个AI辅助编码项目，或对比与NVivo、ATLAS.ti、MAXQDA的透明定价。
\n\n\n\n","related":[{"slug":"template-analysis-qualitative-research-2026","title":"模板分析法（Template Analysis）定性研究指南（2026）","description":"模板分析是一种基于暂定先验主题的编码手册式主题分析方法。本文介绍其六个步骤、一个完整示例、与其他方法的比较，以及 AI 在模板分析中的适用范围与局限。","category":"定性分析","date":"2026-10-01","readTime":"10 分钟阅读","author":"Qualitati 研究团队"},{"slug":"how-to-build-codebook-ai-qualitative-2026","title":"如何用AI构建质性编码簿（2026年）","description":"2026年分步指南：用AI构建严谨的质性编码簿，包括定义、纳入排除规则、信度验证，附免费检查清单。","category":"定性分析","date":"2026-07-02","readTime":"12分钟阅读","author":"Qualitati 研究团队"}]}