简短回答：情感分析与主题分析之间的选择，取决于你想知道什么。情感分析衡量人们对某件事的感受有多正面或负面，适合大规模追踪和比较不同群体。主题分析则通过把意义编码为主题，解释人们在说什么以及为什么。用情感分析找到值得关注的地方，再用主题分析理解你发现的内容。
\n\n如今，产品、用户体验和客户洞察团队往往从同一个大语言模型、甚至同一个仪表盘中同时获得这两种结果。这很容易让人把情感分数当作洞察。但它并不是。本指南比较定性数据中的情感分析与主题分析，说明各自适用的场景，并给出一个在不牺牲严谨性的前提下结合两者的简单框架。
\n\n最后更新：2026 年 9 月 17 日
\n\n情感分析是按情感极性对文本进行自动分类，通常分为正面、负面或中性，有时还附带强度分数。它可以在三个层级上进行：
\n基于方面的情感分析是近期研究最活跃的方向。Patil、Bacha、Yamani、Sun 和 Kejriwal 于 2026 年 2 月 24 日发布的预印本，用 LLM 识别用餐体验的各个方面，再用经典机器学习分类器标注情感，应用于跨越 17 年的 470 万条（4.7M）餐厅评论（arXiv:2602.21082）。这种混合设计很值得借鉴：让 LLM 发现话题，再以低成本、一致的方式大规模打分。
\n\n主题分析是一种在数据集中识别、组织和阐释意义模式的定性方法。被引用最多的版本来自 Braun 和 Clarke（2006），流程从熟悉数据和编码，到生成、审查、定义和命名主题，最后撰写报告（Braun & Clarke, 2006）。
\n主题既不是话题标签，也不是一种感受。“用户对新手引导感到负面”是情感总结。“新管理员放弃配置，是因为他们在理解数据模型之前就被要求设置权限”才是主题：它说明了模式、机制和后果，并且可以用受访者原话支撑。完整步骤请参阅我们的主题分析指南。
\n\n| 标准 | 情感分析 | 主题分析 |
|---|---|---|
| 核心问题 | 人们感觉如何？ | 存在哪些意义模式，为什么？ |
| 输出 | 按文档、句子或方面给出的标签或分数 | 编码、主题、定义和支撑引文 |
| 最适合的数据 | 简短、大量的文本：评论、NPS 留言、工单、开放式问卷题 | 访谈、焦点小组、日记、较长的开放式回答 |
| 规模 | 非常高；单条成本低 | 中等；AI 辅助可以提升，人工审核会限制 |
| 可比性 | 强：易于追踪趋势、比较细分群体 | 作为数字较弱；作为解释很强 |
| 主要失效方式 | 反讽、复杂情绪和委婉批评容易被误读 | 把浅层的话题列表当作主题 |
| 人的角色 | 抽样验证标签 | 阐释、完善并对主题负责 |
| 支持的决策 | 该关注哪里；情况在变好还是变坏？ | 该改变什么，为谁改变 |
当你有大量简短回答、需要快速获得可比较的信号时，使用情感分析。
\n2026 年 4 月 24 日的一项案例研究很好地展示了比较用途。Gonzalez、Coloyan Fleming、Katz、Denton 和 Deters 对一个海外学习项目的 151 篇书面反思进行了 LLM 辅助情感分析，在七个身份与生活经历变量上对情感做了统计比较，再用主题分析解释所发现的差异（arXiv:2605.27403）。只有此前在海外生活的经历显著影响了学生对语言与沟通的情感。作者指出，这让研究者能够同时考察多个变量，而定性比较过去往往只能考察一个。
\n\n当决策取决于理解原因、情境和权衡时，使用主题分析。
\n如果你需要的是预定义类别的计数而非阐释，内容分析可能比这两种方法都更合适。
\n\n这是 Qualitati 提出的工作流，适合既想要情感分析的规模、又想要主题分析的深度，同时不混淆两者的团队。
\nQualitati 是一个面向产品、用户体验和客户洞察团队的 AI 用户研究平台。它围绕这个框架中的“解释”一侧构建，同时为团队提供收集更丰富信号的方式。
\n研究支持 10 种语言，你可以免费开始，获得 30 个积分，无需信用卡。查看透明定价了解每积分费率。
\n\n人工审核说明：本文的方法论建议属于一般性指导。请根据你的研究设计、伦理要求和领域惯例进行调整。
\n\n适用人群：需要大量分析开放式反馈、问卷或访谈的用户体验研究员、产品经理和洞察团队。
\n何时不宜采用：小型研究（只有少量访谈）可以跳过情感筛选，直接通读更快也更准确。如果你只需要一个成熟指标的快速趋势线，可以跳过主题分析。
\n\n情感分析把定性文本转化为定量的标签或分数，因此通常被视为应用于定性数据的计算或定量技术。
\n不能。情感只告诉你人们对某个话题感觉如何，而不是为什么。要解释原因、情境以及该改变什么，需要主题分析。
\n基于方面的情感分析为回答中的具体话题（如定价或新手引导）分别赋予情感，而不是给整条回答一个标签。
\nLLM 可以大规模辅助编码和起草主题，但研究者应对照访谈记录审查编码、完善主题，并对阐释负责。
\n对于大型问卷，先用方面级情感找出模式，再对被标记的回答进行主题分析来解释它们。
\n\n情感分析与主题分析很少是二选一。情感分析显示感受集中在哪里、如何变化；主题分析解释其背后的原因。用情感分析指明方向，用主题分析给出解释，由人类研究者做出决定。想试试“解释”这一侧？免费开始，获得 30 个积分，在 Qualitati 中运行一个主题分析项目。
\n\n最后更新：2026 年 9 月 17 日。研究摘要为对公开论文的独立编辑性总结。
","related":[{"slug":"codebook-drift-ai-qualitative-coding-2026","title":"AI 定性编码中的编码手册漂移（2026）","description":"编码手册漂移是 code 应用方式随时间无声位移。一套 2026 年的检测流程，用于 AI 辅助定性编码，含四类漂移分类法。","category":"主题分析与 QDA","date":"2026-09-03","readTime":"9 分钟阅读","author":"Qualitati 研究团队"},{"slug":"quote-selection-bias-ai-thematic-analysis-2026","title":"AI 主题分析中的引语选择偏差（2026）","description":"AI 替你挑选例证主题的引语。证据显示 LLM 编码错误在受访者之间并非随机分布。这里是一套 7 项检查的审计方法。","category":"主题分析与 QDA","date":"2026-08-20","readTime":"10 分钟阅读","author":"Qualitati 研究团队"},{"slug":"cross-case-analysis-ai-qualitative-2026","title":"跨案例分析与 AI：2026 年指南","description":"跨案例分析不把访谈汇总成一份主题清单，而是按维度比较各个案例。2026 年元矩阵、AI 辅助比较与严谨性核查指南。","category":"主题分析与 QDA","date":"2026-08-13","readTime":"9 分钟阅读","author":"Qualitati 研究团队"}]}