最后更新：2026 年 7 月 6 日
\n\n大样本量定性研究，指的是以过去只属于问卷调查的样本规模开展开放式、自适应访谈——从传统的 8 到 15 人，扩展到数十甚至数百人。它之所以在 2026 年变得可行，是因为 AI 主持人可以并行开展访谈，AI 辅助分析可以完成转录稿编码，从而消解了 Steinar Kvale 在 1996 年指出的分析者瓶颈。但这套方法只有在保留饱和度逻辑、人工核验与书面审计轨迹时才站得住脚。
\n\n定性研究由数据的形态定义，而不是由房间的大小定义。回答是开放式的、自适应的、富含情境的，主持人跟随受访者而非照本宣科。这一定义中没有任何一条限制样本量。上限来自一项现实约束：在项目截止之前，一名人类分析者只能读完、编码并综合有限数量的转录稿。
\nSteinar Kvale 在其 1996 年的著作 InterViews 中把这称为\"1,000 页问题\"——即如何处理一项严肃访谈研究所产生的转录稿之山（Kvale, 1996）。三十年来，学界的答案是保持小样本，并把这一限制称作\"深度\"。大样本量定性研究，正是这一瓶颈在两端同时被解除后的结果：AI 主持人并行开展大量访谈，AI 辅助编码把由此产生的转录稿转化为结构化、可主题化的数据。
\n\n为微小样本辩护时最常被引用的数字，是 Guest、Bunce 与 Johnson 在 2006 年得出的结论：饱和大约出现在第 9 场访谈。但那项研究使用的是同质样本、聚焦的问题与固定的主持人（Guest et al., 2006）。商业与产品研究极少具备这些条件。当 Vasileiou 及其同事在 2018 年于 BMC Medical Research Methodology 上综述 214 项研究时，他们发现异质样本通常需要 20 到 40 场甚至更多访谈，而且许多已发表论文在没有证据的情况下就宣称达到了饱和（Vasileiou et al., 2018）。
\nMalterud、Siersma 与 Guassora 提出的信息强度（information power）框架彻底重构了这个问题：适当的样本量取决于五项因素——研究目标、样本特异性、理论运用、对话质量与分析策略——而不是某个神奇数字（Malterud et al., 2016）。一个宽泛的探索性问题，配上异质人群与薄弱理论，其信息强度得分低，这意味着它需要更大的样本。而这恰恰描述了大多数探索型研究。大样本量定性研究并非对严谨性的背离；对许多研究而言，它正是饱和度文献一直以来暗含的结论。
\n\nQualitati 是一个面向产品、UX 与洞察团队的 AI 用户研究平台，端到端支持大样本量定性工作。文字与语音形式的 AI 主持访谈可并行运行，并以自适应追问深入探询，使每场访谈保持对话感，而不至于退化为问卷。随后，ThemeLens 以 map-reduce 式主题分析流程一次处理至多 100 份转录稿，将编码映射到研究问题，并综合出以受访者原话为锚点的主题。QDA 工作台支持归纳式与演绎式编码以及编码本生成，让研究者能够核验机器的产出，而不是全盘接受。
\n这里的设计意图很关键：平台的构建方式确保规模不会抹去审计轨迹。编码始终关联到原始片段，主题始终锚定到引语，最终决定权仍在人手中。这正是大样本量定性研究与\"单纯生成大量文本\"之间的区别。
\n\n规模不是免费的。一份有缺陷的访谈提纲或一套未经核验的编码本，不会在 200 场访谈中被稀释——它会被成倍放大。这份由 Qualitati 提出的评分卡是一次起飞前检查：每个维度评 0、1 或 2 分，只有总分达到 12 分中的 8 分及以上，才可以扩大研究规模。
\n| 维度 | 0 — 尚未就绪 | 1 — 部分就绪 | 2 — 可以扩大规模 |
|---|---|---|---|
| 研究问题 | 模糊或仅为探索性 | 问题聚焦但人群宽泛 | 问题清晰且有明确的子问题 |
| 访谈提纲 | 未经测试的草稿 | 已在少数受访者中试测 | 已试测，且追问逻辑通过验证 |
| 抽样逻辑 | \"能招募多少算多少\" | 有目标 N 值与粗略依据 | N 值由信息强度论证 |
| 编码本方案 | 没有；指望 AI 自己找出来 | 编码本草稿，无人工核查 | 编码本已试用并经人工核验 |
| 审计轨迹 | 未记录模型或提示词 | 记录了部分设置 | 模型、提示词与人工修改均有记录 |
| 人工监督 | AI 输出原样交付 | 仅做抽查 | 形成主题前有结构化人工复核 |
规律在于：就绪度存在于设计与文档之中，而不在模型之中。AI 消除了分析者瓶颈，但没有免除研究者对研究本身的责任。
\n\n大样本量定性研究并非放之四海而皆准的升级，诚实的实践意味着说明它在哪里会失效。
\n人工复核提示：关于饱和度与适当样本量的主张，属于依赖情境的方法论判断。请把上述数字当作有文献依据的参考点，而非固定规则，并在方法部分为你自己的 N 值作出论证。
\n\n适合谁：面向异质受众开展探索性研究的产品、UX 与用户洞察团队；需要在问卷级样本量上获得定性质感的市场研究者；以及研究问题在信息强度上得分较低、因而确实需要更多访谈的研究者。
\n何时不该用：针对同质群体、范围收得很紧、十来场访谈已足以饱和的研究；需要人类主持人判断力的敏感或临床主题；以及任何你无法承诺人工核验与审计轨迹的项目。在这些情况下，做扎实的小样本研究胜过做得很快的大样本研究。
\n\n大样本量定性研究还算\"定性\"吗？算。定性研究由开放式、自适应、富含情境的数据定义，而不是由样本量定义。做更多这样的访谈，并不会把方法变成定量的。
\n多少场访谈算\"大样本\"？没有固定门槛，但一般指超出传统的 8 到 15 场，进入数十乃至数百场的量级——而饱和度文献本就提示异质性研究通常需要这样的规模（Vasileiou et al., 2018）。
\n访谈越多，洞察就越好吗？并非自动如此。越过饱和点之后，额外访谈只增加成本而不产生新编码。大样本的价值在于人群异质或问题宽泛的场景，而不该作为默认选择。
\nAI 能可靠地分析数百份转录稿吗？AI 可以规模化地编码与聚类，但可靠性取决于经过核验的编码本、固定并记录的设置，以及在主题定稿前的人工复核。参见我们的指南：AI 编码在何处失效。
\n这和带开放题的问卷有什么不同？问卷向所有人提出同一组固定问题；AI 主持的访谈则会针对每位受访者自适应地追问与深挖，产生静态开放文本框无法提供的深度。
\n最大的风险是什么？让规模替代严谨——因为样本量看起来很唬人，就把未经核验的 AI 主题直接交付。审计轨迹才是让大样本站得住脚的东西。
\n\n大样本量定性研究不是噱头；它是一项持续三十年的约束被解除的结果。Kvale 的\"1,000 页瓶颈\"之所以存在，是因为一名分析者处理不完那些转录稿，而随之而来的小样本往往在事后被合理化为\"深度\"。AI 在主持与分析两端同时移除了瓶颈，使异质、范围宽泛的研究得以达到饱和度文献一直暗示它们所需要的样本量。但代价没有变：严谨性仍然来自研究设计、人工核验与书面审计轨迹——而在规模之下，这些更加重要，因为误差会被复合，而不会被平均掉。
\n准备好规模化地开展定性研究了吗？免费开始，赠送 30 点额度——无需信用卡——并运行一项带 ThemeLens 分析的 AI 主持访谈研究。或者查看透明定价，将 Qualitati 与 Outset.ai、Strella、Listen Labs、NVivo、Qualtrics、ATLAS.ti 和 MAXQDA 进行比较。
\n\n\n\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":"codes-vs-themes-qualitative-analysis-2026","title":"代码与主题有什么区别？定性分析中的编码与主题详解（2026 指南）","description":"定性分析中代码与主题有什么区别？本文讲清两者各是什么、代码如何一步步发展为主题，提供代码升级为主题检验清单，并说明 AI 在编码与主题分析中的作用。","category":"研究方法","date":"2026-07-30","readTime":"10 分钟阅读","author":"Qualitati 研究团队"}]}