主题分析是一种在定性数据中识别、分析和报告模式（主题）的方法。它是定性研究中使用最广泛的分析方法之一，因其理论灵活性和易用性而受到重视。与受特定认识论或理论框架束缚的方法不同，主题分析可应用于多种研究问题、数据类型和研究范式。
\nVirginia Braun 和 Victoria Clarke 在其具有里程碑意义的2006年论文中将主题分析正式化为一种命名的、系统化的方法。在此之前，主题分析通常被视为一种无名的、界定不清的实践。他们的贡献在于建立了明确的程序指南，使分析过程透明且可重现。
\n主题分析并不仅仅是寻找重复的词语或计算频率。主题是对数据在相关研究问题框架下的重要内容的捕捉，代表了数据集中的一种模式化含义。主题由研究者通过对数据的深入参与主动建构而成，而非被动发现。
\n\n主题分析可以采用归纳法或演绎法进行。在归纳法方法中，编码和主题开发由数据本身驱动。你不带预先确定的类别开始，允许模式从材料中涌现。这对于探索现有理论有限的新课题特别有用。
\n在演绎法方法中，你将现有的理论框架或一系列概念应用于数据并进行相应编码。这在你想要检验、扩展或应用现有理论时很有用。许多研究结合了两种方法，从某种理论敏感性开始，同时保持对意外模式的开放态度。
\n\nBraun 和 Clarke 概述了主题分析的六个阶段。这些阶段不是严格线性的；随着理解的深入，你将在这些阶段之间来回移动。将其视为一个递归过程，而非刚性的序列。
\n\n在开始编码前，深入浸入数据中。多次阅读你的访谈记录、田间笔记或其他材料。如果你自己进行了访谈，你已经有了一定的熟悉度，但不要让这成为不再仔细阅读的借口。如果有的话，听取音频录音。目标是对数据的深度和广度形成深入的了解。
\n在熟悉过程中，记录初步想法、引人注目的观察和潜在的模式。这些笔记是初步的和非正式的，但它们为系统编码奠定了基础。不要急于完成这个阶段。在熟悉上投入充足时间的研究者一贯地会产生更丰富、更细致的分析。
\n\n编码是识别和标记数据中有意义片段的过程。编码是一个简洁的标签，在与研究问题的关联中捕捉数据片段的本质。编码可以是描述性的（总结内容）、解释性的（推断含义）或基于模式的（识别反复出现的思想）。
\n系统地逐项检查每个数据单位，对每一项数据给予同等关注。尽可能多地编码潜在主题。在此阶段保持包容性；稍后合并或舍弃编码比返回重新编码被忽视的数据要容易得多。如果每个数据摘录与多个想法相关，可以为其编码多次。
\n编码的一些实用建议：
\n一旦你有了一套全面的编码，就开始将它们组织成潜在主题。主题比编码更广泛；它捕捉了一个统一多个相关编码的中心组织概念。将这个阶段视为将编码分类到共享一个共同线索的堆中。
\n使用可视化工具来帮助这个过程。思维导图、表格或主题图可以帮助你看到编码之间的关系并识别候选主题。一些编码将形成主要主题，其他的将形成子主题，一些可能无法适配任何地方，暂时可以放在杂项类别中。
\n在这个阶段，不要过早舍弃任何东西。你在生成候选主题，而不是最终确定它们。保持低的纳入门槛，让下一个阶段处理细化。
\n\n这个阶段包含两个审查层次。首先，审查每个主题内的编码摘录。它们形成一个连贯的模式吗？如果不是，主题可能需要重新考虑：也许它应该分成两个主题，或者一些摘录应该移到不同的主题，或者主题本身不可行应该被放弃。
\n其次，审查主题与整个数据集的关系。记住你的候选主题，再次通读你的数据。这些主题准确地反映了数据集中明显的含义吗？你的主题错过了哪些重要模式？这个层次的审查可能会促使你重新编码一些数据或生成新的主题。
\n一个有用的测试：你能清楚地描述每个主题是什么以及不是什么吗？如果你不能阐明主题的界限，它需要进一步细化。
\n\n一旦你有了一套令人满意的主题，就定义和细化每一个。写下每个主题的详细分析：它讲述了什么故事？它如何融入你关于数据的更宏大故事？它的范围和内容是什么？识别每个主题的本质，并确保每个主题是独特的并且与其他主题的重叠不过度。
\n选择简洁、有力且立即具有信息性的名称。一个好的主题名称给读者一种主题内容的感觉。避免太模糊的单词名称和难以记住的过长名称。考虑在主题名称中使用参与者的语言来将其植根于数据中。
\n\n最后阶段涉及将你的分析叙述和数据摘录编织成一个连贯、引人注目的叙述。你的报告应该超越描述主题；它应该就你的研究问题做出论证。每个主题都应该用生动、精心选择的数据摘录来说明，这些摘录演示你正在做出的论点。
\n将你的分析嵌入更广泛的文献中。你的主题与现有研究和理论有什么关系？它们在哪里确认、扩展或挑战了以往的发现？报告应该使读者相信你的分析是可信的、系统的和有见地的。
\n\n即使是经验丰富的研究者也会在主题分析中犯错。认识常见陷阱可以帮助你避免它们。
\n虽然主题分析可以仅用打印的记录稿和彩色笔进行，但软件工具可以显著增强效率和组织，特别是对于大型数据集。
\n传统的CAQDAS（计算机辅助定性数据分析软件）如NVivo和ATLAS.ti提供强大的编码和检索功能。然而，它们可能很昂贵、学习曲线陡峭，需要相当多的手动工作。
\n较新的平台正在整合AI来辅助分析过程。Qualitati的ThemeLens功能使用AI建议初始编码并识别潜在模式，同时保持研究者对最终分析的控制。这在初始编码阶段特别有价值，此时数据量可能令人畏惧。
\n无论你使用什么工具，请记住软件不会替你进行分析。它组织并促进你对数据的参与。解释的智力工作仍然是你的。
\n\n自其最初的2006年论文以来，Braun 和 Clarke 继续发展他们的方法，现在称为\"反思性主题分析\"。这个更新的框架强调了几个重要要点：
\n为了产生高质量的主题分析，请考虑以下最佳实践：
\n主题分析是定性研究者可用的最易得和最通用的方法之一。无论你是分析访谈记录、焦点小组数据、开放式调查回应还是文件，六阶段框架提供了从原始数据到有意义发现的明确、系统的路径。
\n如果你为你的主题分析收集访谈数据，请考虑你的访谈问题将如何塑造分析可用的数据。设计良好的开放式问题会产生更丰富的数据，最终产生更有见地的主题。
\n对于希望简化其从数据收集到分析的定性工作流程的研究者，Qualitati提供了一个集成平台，支持访谈进行、转录和主题编码在一个地方。探索定价选项以找到适合你的研究需求的计划。
","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"}]}