简短回答：没有固定数量的访谈能保证达到饱和。关于代码饱和，经典指导范围在9–17次访谈；关于意义饱和，范围在16–24次访谈（针对聚焦的、同质性高的研究），但异质性或多细分市场研究通常需要20–40次或更多访谈。人工智能调节访谈改变了经济学考量——运行数百次访谈变得可行——但饱和仍然是研究问题和样本多样性的属性，而非工具属性。制定最小计划，监测每次访谈产生的新主题，当新的转录文本停止增加代码时停止。
\n\n\"我需要多少次访谈？\"是定性研究中最常被问的问题，而AI调节访谈的兴起使这个问题变得更加尖锐，而非更简单。当每次访谈都需要招聘人员、主持人和某人花费一小时时间时，答案受预算因素影响的程度与方法因素相当。AI主持消除了大部分边际成本——所以真正的约束重新回到它本应一直所在的地方：你何时真正达到数据饱和？
\n本指南解释了饱和的含义、证据对样本量的说明、AI如何改变这种计算，以及如何决定——附带一个停止核查表，供你在下一项研究中使用。
\n\n数据饱和是额外访谈停止产生新代码、新主题或新认知的阈值——你听到的是用不同措辞表达的相同内容。它是定性样本量最常见的合理性解释，但常被误用为单一阈值，而不是针对自身数据做出的判断。
\n研究人员区分几种饱和，将它们混为一谈是大多数样本量困惑的根源：
\n| 饱和类型 | 停止出现的内容 | 典型范围（聚焦研究） |
|---|---|---|
| 代码饱和 | 新代码/主题 | 约9–17次访谈 |
| 意义饱和 | 对每个代码的新认知 | 约16–24次访谈 |
| 理论饱和 | 新兴理论的新性质 | 通常为数据饱和的2倍 |
实践经验：达到代码饱和（你已听到所有话题）不等于达到意义饱和（你深刻理解每个话题）。报告\"我们在12次访谈时达到饱和\"而不说明哪种饱和，是一个细心的评审者会指出的危险信号。
\n\n最常被引用的数字——九次访谈时饱和——来自Guest、Bunce和Johnson的2006年研究。但那项研究使用了同质性样本回答单一聚焦问题。在几乎任何商业或多细分市场研究条件下，九都是不充分的，将其视为普遍下限是方法上的错误。
\n更站得住脚的是Malterud、Siersma和Guassora的\"信息力\"模型：相对于你的目标，你的样本包含的信息越多，你需要的参与者就越少。五个维度推动这一模型：
\n从这一文献综合出来的有用规划启发式：
\n| 研究类型 | 样本多样性 | 规划范围 |
|---|---|---|
| 聚焦的、单一受众 | 同质性 | 10–15次访谈 |
| 中等复杂程度/轻度分段 | 混合 | 15–25次访谈 |
| 多角色或多细分市场 | 异质性 | 20–40次或更多（跨细分市场） |
按该表格中的最小值规划，然后让饱和决定其余部分。分段的重要性与总数一样：30次访谈如果分散在六个人物角色中，每个人物角色可能只有五次——远未达到任何一个人物角色内的饱和。
\n\nAI调节访谈是由AI访谈人员进行的结构化对话，提出你的问题，开放式探讨，调整后续问题——用文本或语音、平行进行、任何时间。这打破了样本量和成本之间的历史联系，对饱和有三个影响：
\n一个警告：更大不一定更好。超过真正的饱和点，额外访谈增加成本、分析负担和噪音，而不增加洞察。规模化以覆盖多样性和满足决策者的证据标准——而非为了规模本身。
\n\n使用此核查表来决定是否停止招聘。将所有五个问题的\"是\"视为合理的停止点——并在你的方法部分的撰写中记录你的答案。
\n| # | 检查项 | 停止条件…… |
|---|---|---|
| 1 | 新代码 | 最后3–5次访谈未产生任何新代码或话题。 |
| 2 | 新意义 | 现有主题未获得任何新维度或反例。 |
| 3 | 细分市场覆盖 | 每个计划的细分市场——不仅是总数——已趋平。 |
| 4 | 反证案例 | 你已主动寻求，但停止发现挑战你的主题的案例。 |
| 5 | 最小值达到 | 你处于或超过本研究类型的预先登记最小值。 |
如果你对#3或#4回答\"否\"，你还未饱和——你只是用尽了一种参与者。为空白招聘，而非为数量招聘。
\n\nQualitati是面向产品、UX和客户洞察团队的AI用户研究平台。其AI调节访谈和焦点小组使更大、更多元的样本实际可行，支持文本或语音、10种语言——这样你可以在细分市场内达到饱和，而不是为细分市场间的稀薄覆盖所困。ThemeLens是其AI主题分析管道，可跨最多100份转录文本映射代码到研究问题，并用参与者锚定的引文综合主题——这正是让你实际看到新主题曲线趋平而非猜测的原因。QDA工作空间支持归纳和演绎编码，让研究人员根据编码本确认饱和。Qualitati是AI原生替代品，可取代NVivo、Qualtrics、ATLAS.ti和MAXQDA，以及透明定价替代品，可取代Outset.ai、Strella、Listen Labs和User Interviews。
\n\n三个诚实的警告。首先，饱和是一个判断，而非计算——上述范围是规划辅助工具，合理的研究人员对主题何时被\"充分\"理解意见不一。其次，自动编码会造成虚假信心：如果AI代码分割不足，新主题曲线会提前趋平，你可能过早停止，所以应由人工审计编码本。第三，大规模AI调节样本将瓶颈转移到抽样质量——招聘和筛选现在决定了你的数字是否有意义，饱和无法补救有偏见的样本。对于方法敏感的主张，保持研究人员参与。
\n\n没有普遍数字。对于同质性样本的聚焦研究，10–15次访谈通常足够；中等复杂程度的研究需要15–25次；异质性或多细分市场研究通常需要20–40次或更多。真正的答案是当新访谈停止在每个细分市场内产生新主题时停止。
\n数据饱和是额外访谈停止产生新代码、新主题或新认知的阈值。它是定性样本量最常见的合理性解释，但应根据自身数据进行评估，而非假定在固定阈值处达到。
\n不可靠。广泛引用的饱和在九次访谈时出现的发现来自一个同质性样本回答一个聚焦问题。它经常被过度概括；大多数具有多元参与者的应用和商业研究需要更多得多。
\n相同的饱和逻辑适用，但AI调节降低了每次访谈的成本，使更大和更多元的样本实际可行。这帮助你在细分市场内饱和并满足数据驱动型利益相关者——虽然从狭隘样本运行更多访谈不会产生饱和。
\n当最后几次访谈不再增加新代码、现有主题未获得新维度、每个计划的细分市场已趋平、你停止发现反证案例、且你处于或超过预先登记最小值时停止。停止核查表使决定可审计。
\n\n\"多少次AI调节访谈才够？\"与以往一样有个诚实的答案：足以为你的问题和你的样本达到饱和的次数——通常是一个计划最小值（介于10和40之间某处），然后再进行几次以确认曲线已趋平。AI调节改变的是到达那里的成本和你实时观察饱和发生的能力。制定最小计划，监测每批次的新主题，覆盖每个细分市场，让数据告诉你何时停止。
\n使用30个学分免费开始，无需信用卡，运行一个内置主题分析的AI调节访谈或焦点小组。创建免费账户、查看透明定价或阅读AI调节访谈试点核查表。
\n\n\n","related":[{"slug":"synthetic-survey-panels-marginal-fidelity-2026","title":"合成问卷样本库真的在模拟人吗？2026 年的一项检验","description":"合成问卷样本库能模拟真实受访者吗？2026 年研究发现，与公开平均值吻合并不能证明模拟成功：无人设提示在 9 组对比中 9 次胜过人设样本库。","category":"研究方法论","date":"2026-10-22","readTime":"7 分钟阅读","author":"Qualitati 研究团队"},{"slug":"llm-as-judge-qualitative-interpretation-2026","title":"LLM 评审能给定性访谈解读打分吗？2026 年研究的检验","description":"LLM-as-judge 能否替代人工审核定性访谈解读？2026 年一项研究对比 3,560 条 AI 解读与人类评分：它能淘汰弱模型，却漏掉言外之意与细微差别。","category":"研究方法论","date":"2026-10-21","readTime":"7 分钟阅读","author":"Qualitati 研究团队"},{"slug":"rehearse-interview-protocol-simulated-participants-2026","title":"能用 AI 模拟受访者预演访谈吗？2026 年研究发现","description":"能否用 AI 模拟受访者预演访谈提纲？一项 2026 年对 21 位定性研究者的研究发现，预演带来了实际的提纲修改，也暴露出三个隐藏风险。","category":"研究方法论","date":"2026-10-21","readTime":"7 分钟阅读","author":"Qualitati 研究团队"}]}