简短回答：模板分析（template analysis）是一种编码手册式的主题分析方法，由 Nigel King 及其同事系统提出。研究者先设定少量暂定的先验主题，在部分访谈记录上构建初始编码模板，再在将模板应用于其余数据的过程中不断修订。它适合研究问题明确、参与者较多、并且需要透明的层级式编码结构的研究。
模板分析是在你已经大致清楚要寻找什么时，分析定性访谈数据最实用的方法之一。它在组织研究、健康研究和心理学研究中很常见，介于完全归纳的反思性主题分析与以矩阵为核心的框架分析之间。本指南解释什么是模板分析，结合一个完整示例逐步讲解其六个步骤，将其与相近方法进行比较，并说明 AI 辅助编码在哪些环节有帮助、在哪些环节无能为力。
\n\n模板分析是主题分析的一种形式，它围绕一个“模板”组织编码：即研究者在早期制定并持续修订的一份层级式书面主题清单。Joanna Brooks、Serena McCluskey、Emma Turley 和 Nigel King 在发表于 Qualitative Research in Psychology 的方法论文章中（可通过 PubMed Central 免费获取），将其描述为一种具有明确程序的灵活主题分析风格，并将其与框架分析一同归为“编码手册”取向。
\n该方法有两个标志性特征。第一，它允许使用先验主题：你可以从研究问题、访谈提纲或理论中提出初始主题。第二，它在设计上就是迭代的：模板是一份工作草稿，每当真实数据对其提出挑战时都会改变。如需系统阅读，可参考 King 和 Brooks 的专著 Template Analysis for Business and Management Students（Sage, 2017）。
\n\nBrooks et al. (2015) 将该程序分为六个步骤。步骤顺序是固定的，但第四至第六步通常会循环多次。
\n\n通读完整数据集；如果数据量很大，则通读一个有代表性的子集。记录初步印象，以及相对于研究问题而言任何令你意外的内容。
\n\n标出与研究问题相关的段落。如果你已定义了先验主题，就在此处使用它们，但也要对不符合这些主题的相关内容进行编码。
\n\n把编码归入有意义的主题簇，并确定它们之间的关系。层级结构正是在这里出现的：上层是宽泛的高阶主题，其下是更具体的子主题，另外还有贯穿多个主题簇的整合性主题。
\n\n基于访谈记录的一个子集写出模板的第一版。Brooks et al. 将这一做法与“先对所有材料编码、再确定结构”的方法区分开来。选择子集时应覆盖样本的多样性，例如不同的岗位、地点或参与者群体。
\n\n用模板对更多访谈记录进行编码。当数据不符合模板时就修改它：插入新主题、删除不起作用的主题、重新界定主题范围，或将其移到另一层级。保留每个版本，并简要记录修改原因。
\n\n当与研究问题相关的数据中不再有实质性部分未被编码时，即可停止修订。然后将最终版模板应用于整个数据集，并以此作为解释和撰写的主干。
\n\n假设一个研究团队就远程办公访谈了 30 名员工。研究问题涉及自主性、协作和职业可见度，访谈提纲对每个方面各设一节。基于八份访谈记录构建的初始模板可能如下：
\n在对接下来的 10 份访谈记录编码时，通常会出现两类修改。一是出现了访谈提纲从未预料到的主题，例如照护责任影响工作时间安排，于是将其插入 1.1 之下。二是“异步工具”本身说明的内容很少，于是将其并入“会议负担”，并更名为“协作实践”。每次修改都与引发它的访谈记录一同记录下来，这将成为你审计轨迹的一部分。
\n\n下表基于 Brooks et al. (2015)、Gale et al. (2013) 关于框架方法的论文以及 Braun 和 Clarke (2021) 关于反思性主题分析的论述，将模板分析与三种相近方法进行比较。
\n| 维度 | 模板分析 | 反思性主题分析 | 框架分析 | 解释现象学分析（IPA） |
|---|---|---|---|---|
| 先验主题 | 允许，且为暂定 | 通常避免 | 常见（分析框架） | 不使用 |
| 编码结构 | 层级式，常为 4 层以上 | 通常 1 至 2 层 | 矩阵中的框架类别 | 先个案内主题，再跨个案 |
| 主要产出 | 最终模板加解释 | 解释性主题 | 案例 × 主题矩阵 | 个案式（idiographic）阐述 |
| 关注点 | 跨个案 | 跨个案 | 跨个案与个案内 | 先个案内 |
| 典型样本 | 中到大 | 小到大 | 中到大 | 小而同质 |
| 团队协作 | 非常适合（共享模板） | 可行，强调反思性 | 非常适合 | 通常为单一分析者 |
如需更深入的比较，请参阅我们关于框架分析、主题分析、解释现象学分析以及演绎编码与归纳编码的指南。
\n\n许多模板分析最薄弱的环节不在模板本身，而在于得出模板的过程没有记录。这份由 Qualitati 整理的清单可以把每一次修订变成可审计的决策。
\n| 字段 | 记录内容 | 重要性 |
|---|---|---|
| 模板版本 | v1、v2、v3 及日期 | 表明分析随数据而演进 |
| 修改类型 | 插入、删除、合并、重新定义、调整层级 | 使不同时期的修订类型可以比较 |
| 触发来源 | 访谈记录编号及段落 | 让每次修改都有数据依据 |
| 先验状态 | 该主题是否预先定义？ | 揭示先前的假设在接触数据后是否站得住 |
| 理由 | 一两句话 | 支持反思性与同行评审 |
| 覆盖检查 | 是否仍有相关段落未编码？ | 模板定稿的停止规则 |
一个有用的信号：如果没有任何先验主题被重新定义或删除，就要追问模板是否真正经过了数据的检验，还是只是被填满而已。建议将该日志与审计轨迹和编码手册模板配合使用。
\n\n适用情形：你有明确的研究问题或需要拓展的理论；数据由半结构化访谈提纲塑造；样本规模过大，难以逐个开展个案式分析；或者团队需要一个共享、明确的编码结构。
\n不宜使用的情形：研究是真正探索性的，先验主题会过早地引导你；你需要对少数人的生活经验进行个案式阐述（IPA 更合适）；或者你希望通过持续比较从数据中构建理论（扎根理论更合适）。
\n\n模板分析天然适合 AI 辅助编码，因为模板本身就是一套明确的书面指令。关于使用 LLM 进行演绎编码的研究，例如 Xiao et al. (2023)，将专家编写的编码手册与模型提示词相结合，报告了在部分任务上与人工编码者达到了可用的一致性，同时也表明其表现取决于编码定义的清晰程度。
\n合理的分工如下：
\n对于敏感的方法论主张，人工复核必不可少：应报告 AI 的使用方式、它所应用的模板版本，以及如何核查其输出。
\n\nQualitati 是一个面向高校和研究公司、价格友好的欧洲定性研究平台，将数据隐私与 GDPR 合规作为核心优先事项。对于模板分析，相关功能包括：
\nQualitati 不会取代让模板分析保持严谨的分析决策；它缩短的是机械性环节，让更多时间用于修订和解释模板。
\n\n模板分析是主题分析的一种风格。它的显著特点是允许使用先验主题、基于部分数据构建初始模板、迭代修订，以及通常更深的层级式编码结构。
\n没有固定数量。Brooks et al. (2015) 指出模板常常达到四层或更多，但层级深度应反映数据最丰富之处，而不是为了凑够某个指标。
\n两者兼有。它从研究问题或理论中提出暂定的演绎主题，然后在编码访谈记录的过程中以归纳方式不断修订这些主题。
\n两者都属于编码手册取向。模板分析更侧重指导如何构建和修订层级式编码结构，而框架分析的核心是把数据整理进“案例 × 主题”矩阵。
\nAI 可以将已有模板应用到访谈记录上，并找出不符合模板的数据；但定义先验主题、决定修订以及解释结果，应当由研究者负责。
\n\n模板分析为定性研究者提供了一条有章法的中间道路：从研究问题告诉你的内容出发，在部分数据上构建模板，再让其余数据去改写它。记录每一次修订，让解释工作由人完成，把重复性的编码应用交给 AI。准备好尝试了吗？免费开始并获得 30 个积分，探索 QDA Workspace，或查看透明定价。
\n\n最后更新：2026 年 10 月 1 日
\n本指南是 Qualitati 研究团队撰写的独立编辑性综述。方法论观点均归属于所引用的文献；在用于学位论文或发表之前，请对照你所在学科的标准进行核查。
\n\n\n","related":[{"slug":"framework-analysis-ai-qualitative-2026","title":"用AI做框架分析：2026年指南","description":"框架分析把质性数据整理成个案×主题矩阵。了解2026年如何借助AI运行框架法——并附一份免费的就绪度检查表。","category":"定性分析","date":"2026-07-02","readTime":"12分钟阅读","author":"Qualitati 研究团队"},{"slug":"how-to-build-codebook-ai-qualitative-2026","title":"如何用AI构建质性编码簿（2026年）","description":"2026年分步指南：用AI构建严谨的质性编码簿，包括定义、纳入排除规则、信度验证，附免费检查清单。","category":"定性分析","date":"2026-07-02","readTime":"12分钟阅读","author":"Qualitati 研究团队"}]}