最后更新：2026 年 9 月 14 日
\n\n在定性研究中报告 LLM 使用情况，应在方法部分说明：使用了哪个模型及版本、使用时间、通过何种接口、用于哪个分析步骤、采用了哪些提示词和参数、运行了几次，以及研究者如何核查输出。2026 年 6 月 16 日发表的一项范围综述发现，75% 的 LLM 辅助定性研究完全没有报告参数设置——多数论文恰恰在这些细节上有缺失。
\n\n如何报告定性研究中的 LLM 使用，如今已是一项实际技能，而非形式要求。期刊要求提供，审稿人会检查。一句\"ChatGPT 协助了编码\"的方法描述，读者无法据此判断你的主题是否可靠。
\n本文梳理了当前出版方政策和 2026 年的研究证据，并在文末提供一份可直接使用的清单和一段模板文字。
\n\n报告 LLM 使用，是指为读者提供足够的细节，使其能够判断——最好还能复现——AI 系统对你的定性数据做了什么。传统定性研究的可信度建立在可见的分析路径上：谁做了编码、编码手册如何演变、主题如何形成。当 LLM 承担了部分工作，这条路径的一部分就会变得不可见，除非你将其记录下来。
\n这一缺口是可以量化的。在 2026 年 6 月 16 日发表于 BMC Medical Research Methodology 的范围综述中，Kempny、Frings、Rust、Meister 和 Fehring 分析了 75 篇同行评审的实证研究，其中 93% 使用了 OpenAI GPT 模型。综述报告：
\n作者认为，亟需专门的报告指南。在 COREQ+LLM 正式发布之前，研究者只能自行拼凑标准。
\n\n各方政策不尽相同，但都指向一点：用于研究数据的 AI，应写进方法部分，而不仅是致谢。
\n| 来源（核查于 2026 年 9 月 14 日） | 披露位置 | 强调内容 |
|---|---|---|
| Nature Portfolio | 方法部分，或合适的替代部分 | LLM 不能作为作者；必须记录其使用 |
| APA 期刊 | 方法部分 | AI 如何、何时、在多大程度上被使用；保留提示词和输出以备查 |
| COREQ+LLM（开发中） | 定性研究报告清单 | 模型选择、提示词、验证、偏差缓解 |
务必阅读目标期刊自己的作者指南。许多期刊有自己的规定，而且要求变化很快。
\n\n很多方法部分写道分析采用 temperature 0 \"以确保一致性\"。证据并不支持这种说法。在 2026 年 6 月一项涵盖 7 种条件、690 次 API 调用的研究中，Tamba 发现，即使采用贪婪解码，部分边界案例仍会得出不同判断，而调整 top_p 和 top_k 也无法消除差异（Tamba，2026）。论文建议多次运行并报告方差，而非只报告单次输出。
\n这与我们此前报道的结果一致：LLM 重复执行相同分析时常常得出不同结论。一些较新的模型甚至已不再接受 temperature 设置。因此，诚实的报告应包括：所用参数（或\"不可配置\"）、运行次数，以及如何处理各次运行之间的差异。
\n\n这份清单由 Qualitati 编制，综合了 Kempny 等综述发现的缺口与上述出版方要求。COREQ+LLM 发布后，本清单不能替代该指南。
\n\n\"我们于[日期]通过[接口]使用[提供方]的[模型、版本]，对[n]份去标识化访谈记录进行[任务]。提示词见补充材料[X]。参数设置为[temperature / top_p，或'用户不可配置']。每个步骤运行[n]次，各次运行之间的差异通过[程序]解决。[研究者角色]审核了[比例]的 AI 编码（一致性：[统计量]，n = [单位数]），并进行了[修改说明]。主题建构与解读由研究团队完成。受访者已同意 AI 辅助分析。\"
\n\n适用于学术定性研究者、发表案例研究的 UX 研究者，以及需要向高管解释\"这个结论是怎么得出的\"的洞察团队。
\n何时不宜照搬：如果 LLM 只是修改了稿件语法，多数政策会区别对待，请查阅期刊关于文字编辑的规定。如果你的认识论立场是强烈的诠释主义，清单无法替代关于模型如何影响你解读数据的反思性说明——请一并写入。
\n\nQualitati 是面向产品、UX 和客户洞察团队的 AI 用户研究平台，可开展 AI 主持的访谈、焦点小组和对话式问卷，并分析结果。其 ThemeLens 主题分析采用有文档记录的 map-reduce 流程，可一次处理多达 100 份访谈记录，将编码映射到研究问题，并以受访者原话支撑主题。与开放式聊天会话相比，这种结构更容易在方法部分逐步说明。QDA Workspace 支持 AI 辅助的归纳式和演绎式编码，并保留人工审核。
\n平台不会替你写好披露内容。日期、运行次数和人工审核决策仍需你自己记录。
\n\n通常需要。转录生成了你要分析的数据，因此应写明工具名称以及访谈记录的核查方式。请在期刊作者指南中确认具体要求。
\n不够。Kempny 等（2026）发现几乎所有研究都写了模型名称，但多数遗漏了参数和部署细节。请提供版本、日期、调用方式、提示词和参数。
\n方法部分简要描述，补充材料提供全文。APA 建议保留提示词和输出，以便编辑索取。
\n不能。一项 2026 年的研究发现，temperature 0 下输出仍可能不同。请报告运行次数及差异的处理方式。
\n目前还没有。COREQ+LLM 正在开发中。在其发布前，可将 COREQ 或 SRQR 与期刊的 AI 政策以及上文这类清单结合使用。
\n是的，只要模型的作用可能影响了研究发现，例如压缩了主题数量或遗漏了特定文化语境下的含义。
\n\n做好定性研究中 LLM 使用的报告，关键在于让不可见的步骤变得可见：模型、版本、日期、提示词、参数、运行次数和人工审核。2026 年的证据显示，参数和部署方式是最常见的遗漏，不妨从这里入手。如果你需要一个便于描述的分析流程，可以免费注册获得 30 积分，或查看透明定价。
\n\n本文是对截至 2026 年 9 月 14 日公开政策与研究的独立编辑综述，不代表任何出版方对其政策的官方解释。
\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"}]}