最后更新:2026年5月30日
\n\n归纳编码不预设任何类别,自下而上地从数据中建立代码。演绎编码套用一套由既有理论或研究问题推导出的预定义编码手册。溯因编码在两者之间往返:以既有概念为透镜,同时对意外发现保持开放。2026年大多数严谨的项目都采用混合方式:先用归纳过程发现,再用演绎过程建立结构,并由人工审核确保AI建议的代码经得起推敲。
\n\n编码是给定性数据片段——访谈记录、问卷开放题回答、焦点小组对话——加上标签的过程,以便后续检索和分析其中的模式。方法的选择决定了你的代码从何而来。
\n\n归纳编码是自下而上的。你不带任何预设类别沉浸在数据中,让代码从受访者自己的语言中浮现。它是探索性研究和扎根理论的主力方法。它的弱点在于数量:对20份访谈做一轮归纳编码可能产生80–100个初始代码,其中许多近乎重复,需要再做一轮合并(Delve,2026)。
\n\n演绎编码是自上而下的。你从一份编码手册出发,其中定义了每个代码、它的纳入与排除标准以及示例引文,然后把数据归入这些预定义的代码。它速度快、一致性高,非常适合检验既有框架。它的弱点在于盲区:任何不符合编码手册的重要内容要么被遗漏,要么被硬塞进一个不合适的类别;而且随着受访者语言不断演变而编码手册保持冻结,这个盲区会越来越大。
\n\n溯因编码——2026年方法论文献中强调的\"第三种方法\"——把既有理论当作一个暂定的透镜。你带着概念去看数据,但主动搜寻理论无法解释的反常现象,然后加以修正。它是理论构建而非理论检验的引擎(Grad Coach)。
\n\n| 维度 | 归纳 | 演绎 | 溯因 / 混合 |
|---|---|---|---|
| 方向 | 自下而上 | 自上而下 | 双向迭代 |
| 代码来源 | 数据本身 | 既有理论 / 研究问题 | 理论 + 数据中的意外发现 |
| 最适合 | 探索、新领域 | 检验已知框架 | 理论构建、混合目标 |
| 主要风险 | 代码泛滥、可比性低 | 对意外内容视而不见 | 更依赖分析者的判断 |
| 速度 | 较慢 | 快 | 中等 |
| AI的作用 | 生成编码手册 | 规模化套用编码手册 | 人工审核的循环 |
用下面这套决策量表来确定起点。对每条陈述打分:0(不同意)到2(非常同意)。
\n得分最高的字母就是你的主要方法。如果A和B打平,默认采用混合方式:先做一轮归纳编码来填充编码手册,再做一轮演绎编码来一致地套用它。这个顺序——先发现、后结构化——是2026年最广泛推荐的模式(GoTranscript)。
\n\n生成式AI如今已触及这两种方法。在归纳一侧,开源的GATOS流程(发表于Humanities and Social Sciences Communications(2026))利用NLP和生成模型,帮助从原始文本中构建归纳式编码手册。在演绎一侧,AI可以在几分钟内把既有编码手册套用到数百份访谈记录上。Susanne Friese在2026年提出的一个框架甚至把分析重新定义为与LLM的结构化对话,融合了归纳、演绎和溯因三种推理(Qualitative Inquiry,2026)。
\n\n但可靠性问题尚未解决。一项经同行评审的人工与生成式AI主题分析对比研究发现,在生成了哪些主题上一致性令人鼓舞,但在片段如何被编码上一致性明显更低——结论是人工监督的混合方法是必要的(PMC,2024)。实际的启示是:让AI起草,但保留人工审核标签、修正误分类并维护审计记录。
\n\nQualitati 是一个AI用户研究平台,其 QDA Workspace 正是为这种混合循环而设计:AI辅助的归纳与演绎编码、自动生成编码手册、主题可视化,并由人工审核和编辑每一步。ThemeLens 运行一条 map-reduce 主题分析流水线,可处理多达100份访谈记录、支持10种语言,把代码映射到研究问题,并把主题锚定在受访者的原话上。免费开始,赠送30积分,或查看透明定价。
\n\n没有哪种编码方法是中立的。归纳编码最大化发现,却牺牲可比性,且劳动密集。演绎编码最大化一致性,却可能固化既有假设。AI辅助也带来自身的风险:模型可能虚构代码、抹平少数观点,或反映训练数据中的偏差。这些工具都无法取代研究者对一个代码在语境中意味着什么的判断。把AI输出当作待审核的草稿,而不是研究发现。对于敏感的方法论主张——信度统计量、理论饱和、可推广性——请在发表前由合格的研究者审核。
\n\n归纳编码和演绎编码哪个更好?没有哪个在所有情况下都更好。归纳适合探索;演绎适合检验已知框架。大多数严谨的项目会把两者结合起来。
\n归纳编码和溯因编码有什么区别?归纳编码从零理论出发,从数据中构建。溯因编码从一个暂定理论出发,在数据与之矛盾时加以修正。
\nAI能做归纳编码吗?AI可以通过建议新代码和起草编码手册来提供辅助(例如GATOS流程),但仍需人工审核,因为人机编码的一致性仍不完美。
\n一轮归纳编码应该产生多少个代码?通常约20份访谈会产生80–100个初始代码,随后再合并成数量更少、定义清晰的一组主题。
\n什么是混合编码?先做一轮归纳编码发现代码,再做一轮演绎编码一致地套用它们——这是兼具探索与验证目标时的默认推荐做法。
\n主题分析处于什么位置?编码是主题分析中的一个步骤;归纳式和演绎式主题分析都会用到这些编码策略。参见我们的主题分析指南。
\n\n根据研究目标而非习惯来选择编码方法:归纳用于发现,演绎用于验证,溯因用于构建理论——三者都需要时就用混合方式。AI可以加速每一个阶段,但2026年的证据清楚表明,人在回路中的审核才是让分析值得信赖的关键。免费开始,赠送30积分,在 Qualitati QDA Workspace 中运行一个AI辅助编码项目,或阅读我们的分步编码教程。
\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"}]}