最后更新：2026年5月25日
\n\n理论饱和是指继续增加访谈不再产生与研究问题相关的新编码、新主题或新见解的那个时点。对于相对同质的样本，经典定性研究通常在 9–17 次访谈时趋于收敛：编码饱和往往在第 9 次访谈前后出现，而意义饱和则更接近 16–24 次（Hennink & Kaiser, 2022）。AI 主持的访谈并不改变饱和的底层逻辑，但确实改变了成本结构。由于 AI 主持人可以在 10 种语言中并行开展访谈，并把访谈记录直接送入主题分析，团队如今可以在数天而非数周内达到饱和，也负担得起用实证方式验证饱和，而不是凭感觉猜测。
\n\n在定性研究方法部分，饱和一直是被引用最多、却被论证最少的说法。“我们访谈用户直至达到饱和”，相当于定性研究里的“模型已收敛”：写起来容易，审查起来很难。如今 AI 主持的访谈已在产品、UX 和客户洞察工作中普遍使用，问题不再是“我们能负担多少名受访者的访谈？”，而是“在主题趋于稳定之前，我们究竟需要多少名受访者？”这使得饱和既是方法论问题，也是预算决策。
\nHennink 和 Kaiser 于 2022 年发表在 Social Science & Medicine 上的系统综述是近年来最有参考价值的文献：在 23 项实证研究中，多数研究在 9 至 17 次访谈之间达到饱和，差异主要来自样本异质性、研究目标，以及“饱和”是如何被操作化的（Hennink & Kaiser, 2022）。更早的 Guest, Bunce & Johnson (2006) 研究仍是引用最多的基准：73% 的编码出现在前六次访谈中，基本的元主题在第十二次访谈时已经出现（Guest et al., 2006）。
\n\n现代定性方法论区分了几种类型的饱和。把它们混为一谈，是 AI 辅助研究中方法部分最常见的错误。下表列出了每种类型所主张的内容及其对应的证据。
\n| 饱和类型 | 主张内容 | 所需证据 | 典型样本量（同质样本） |
|---|---|---|---|
| 编码饱和 | 更多访谈不再产生新编码 | 累计编码曲线趋于平稳 | 约 9 次访谈（Hennink et al., 2017） |
| 意义饱和 | 对既有编码不再出现新的理解 | 每个编码的定义、示例和维度保持稳定 | 约 16–24 次访谈 |
| 理论饱和 | 不再出现新的理论见解或类属属性 | 类属之间的关系稳定，扎根理论备忘录完备 | 20–30+ 次访谈 |
| 数据饱和 | 宽泛的概括性说法，常被不精确地使用 | 由作者自行定义 | 不一定；主张最弱 |
如果你在做概念测试或探索性 UX 研究，你所主张的通常是编码饱和。如果你要发表论文或做战略性押注，你需要向读者交代的是意义饱和。理论饱和是扎根理论的标准，很少是产品研究合适的门槛。
\n\nAI 主持人看到的主题不会比熟练的人类主持人少，但也不会神奇地看到更多。改变的是吞吐量。一项由人主持、跨两个国家、共 20 次面对面访谈的研究，加上招募、排期、转录和翻译，可能需要 4–6 周。而 AI 主持的同等研究可以在 10 种语言中并行开展，配合实时转录和即时的 ThemeLens 分析，把时间压缩到几天。
\n这种压缩带来两个方法论上的后果。第一，团队可以负担得起在初始饱和估计之后继续访谈，以验证曲线，而不是在第一个平台期就停下。第二，由于每份访谈记录一经生成就可检索、可编码，饱和可以近乎实时地追踪，而不必在田野工作结束后再重建。这两种转变，都把饱和从方法部分一段防御性的文字，变成了项目中真正的关卡。
\n需要提醒的一点：在敏感或情感复杂的话题上，AI 主持人的深度追问仍不如熟练的人类主持人有效。如果你的研究依赖人类更擅长的追问，请把 AI 主持的访谈作为广度层，再增加一个规模较小、由人主持的深度访谈层。饱和应当按层分别评估。
\n\n在批准样本量之前，以及在田野工作的中点，请使用这份评分表来决定是停止、继续还是拆分样本。每个维度计 0–2 分，总分最高 14 分。
\n| 维度 | 0 分：薄弱 | 1 分：可接受 | 2 分：强 |
|---|---|---|---|
| 1. 研究问题聚焦度 | 宽泛、探索性、有多个目标 | 一个主要目标，两个次要目标 | 单一、清晰、能驱动决策的问题 |
| 2. 样本同质性 | 多种角色、地区、细分群体 | 一个细分群体，子角色混合 | 单一角色，单一细分群体 |
| 3. 编码手册成熟度 | 没有编码手册；编码临时涌现 | 草拟的编码手册，部分已应用 | 稳定的编码手册，含定义和示例 |
| 4. 曲线追踪 | 没有维护累计编码曲线 | 每周更新 | 每次访谈后更新 |
| 5. 新编码出现率 | 最近每次访谈 ≥3 个新编码 | 最近每次访谈 1–2 个新编码 | 最近 3 次访谈中 0 个新编码 |
| 6. 意义稳定性 | 定义仍在变动 | 定义稳定；示例仍在增加 | 定义和维度均已稳定 |
| 7. 子群体覆盖 | 部分子群体样本不足 | 所有子群体均有，但样本量不均 | 所有子群体均达到计划样本量 |
决策规则。总分低于 7，说明尚未接近饱和，请继续招募。总分在 7 到 10 之间，说明已达到编码饱和，但可能尚未达到意义饱和；请有选择地继续补充覆盖不足的子群体。总分高于 10，则可以有理有据地结束田野工作，并在方法部分记录饱和情况。
\n\nQualitati 是专为上述工作流打造的 AI 用户研究平台。其 AI 主持的访谈支持 10 种语言，追问行为保持一致；访谈记录会直接进入 QDA Workspace 和 ThemeLens。ThemeLens 是一条 map-reduce 主题分析流程，可在最多 100 份访谈记录中将编码映射到研究问题，并把主题锚定到受访者的原话。正是这种组合，使饱和曲线能够实时呈现，而不是事后重建。Qualitati 由一位 HEC Paris 研究者创立，其主持行为和分析流程均对照学术定性研究文献加以记录。定价透明，提供含 30 点积分的免费版，无需信用卡。免费开始，获赠 30 点积分，或查看透明定价。
\n\n饱和是一种有用的纪律，而不是保证。有三点需要明确说明。第一，反思性主题分析（Braun & Clarke）明确拒绝把饱和作为停止标准，因为主题是解释性的建构，而不是可计数的单位；如果你遵循这一传统，就不要事后补上一个饱和主张。第二，懒散的编码可以“操纵”饱和曲线：编码过于宽泛，曲线会过早进入平台期，使你低估了真实的多样性；编码过于狭窄，曲线则永远不会平稳。第三，AI 主持带来了它自身的边界条件：敏感话题、低资源语言以及数字素养较低的人群，可能系统性地降低追问深度，进而压低意义饱和。当这些情况适用时，请将 AI 的广度与有针对性的、由人主持的深度访谈结合起来。
\n\n对于研究问题聚焦、样本同质的研究，计划进行 12–20 次 AI 主持的访谈，并在数据中验证饱和。异质样本或多细分群体的研究通常需要 25–60 次。
\n编码饱和是指不再出现新编码，在同质样本中通常在第 9 次访谈前后出现。意义饱和是指对既有编码不再出现新的理解，通常需要 16–24 次访谈。
\n不会。AI 主持降低了达到饱和的成本和时间，但并不降低饱和点本身。它确实让验证饱和更便宜，因此团队可以负担得起确认平台期，而不是靠猜测。
\n可以，但这是一个很弱的主张，审稿人和利益相关者越来越多地对此提出质疑。展示一条累计编码曲线，哪怕很简单，也会实质性地增强你的方法部分。
\n不适用。Braun & Clarke 认为，饱和是一种实证主义概念，并不适合解释性编码。请改用方法论透明和反思性。
\n按语言子群体分别规划饱和，而不仅仅看整体。文化和语言差异往往会浮现出不同的编码，而汇总曲线会把这些编码掩盖掉。
\n\nAI 主持访谈中的饱和，终于可以被展示出来，而不只是被宣称。规划样本、分批开展、追踪曲线，并在结束田野工作之前验证平台期。免费开始，获赠 30 点积分，或阅读我们关于 AI 辅助编码中编码者间信度的指南。
\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"}]}