最后更新：2026年7月5日
\n\n可信度（trustworthiness）是定性研究者用来证明其发现值得相信的方式。经典框架——Lincoln 与 Guba 提出的可信性、可迁移性、可靠性与可确证性四条标准——在 AI 参与编码与提炼主题时依然适用，但责任的落点发生了转移。在 AI 辅助分析中，标准不变，你还需要额外留下一条关于提示词、模型版本与人工决策的审计轨迹。2026年的一项研究发现，可靠性是大语言模型最难独立满足的一条标准。
\n\n可信度是定性研究赢得他人对其发现之信任的标准。由于解释性研究并不追求统计意义上的推广，实证主义的内部效度、外部效度、信度与客观性等术语并不适用。1985年，Egon Guba 与 Yvonna Lincoln 提出了四条平行标准，此后一直是该领域的基石（National University LibGuides, 2026）：
\n多数当代方法论学者会加上反身性——研究者主动审视自身位置如何塑造其解读——作为第五条要求，在反身性主题分析中尤其如此（Amin 等, ScienceDirect, 2024）。这一切不会因为由模型完成第一轮编码而改变。改变的是每条标准的证据必须从哪里来。
\n\nAI 辅助的定性数据分析（QDA）如今已成主流：NVivo、ATLAS.ti、MAXQDA 与 AI 原生平台都提供基于 LLM 的编码、摘要与主题建议。效率提升是真实的。风险在于速度掩盖了推理过程。大语言模型可以在几分钟内生成一份看上去干净利落的编码本，却不留下任何关于它为何这样编码某个片段的记录——而这份缺失的记录，恰恰是可靠性与可确证性所要求的。
\n2026年发表于《Anatomical Sciences Education》的一项研究，专门着手为 AI 辅助分析制定可信度标准。其结论直白：典型的商用 LLM 往往并未被编程为能够识别可靠性所需的全部要素，从而在严谨性的这一面向上造成了严重问题。作者特别点出透明性、持续的人类参与与审计轨迹，是让 AI 辅助分析经得起检验的关键策略（Lazarus 等, 2026）。2025年一篇工作流论文从工程角度得出了相同结论：其\"兼顾效率与严谨\"的流程建立在可见的 LLM 推理与研究者控制之上，而非不加批判地接受模型输出（Gao 等, 2025）。
\n有两种失效模式值得点名。第一是沉默的非确定性：同一条提示词跑两次，LLM 可能返回不同的编码；除非你固定并记录设置，否则这会悄悄侵蚀可靠性——我们在LLM 分析是否可复现一文中讨论过这一复现性缺口。第二是流畅的虚构：模型写出很有说服力的主题摘要，却未必锚定在参与者实际说过的话上——这本质上是可确证性问题，却被包装成可信性的胜利。
\n\n这是一份由 Qualitati 制定的清单，把每条标准对应到 AI 辅助分析中可举证的具体做法。请把它当作方法部分的写作脚手架：如果你无法指着\"如何举证\"这一列说出做法，那就说明这条标准尚未满足。
\n| 标准 | 它要求什么 | 在 AI 参与时如何举证 |
|---|---|---|
| 可信性 | 发现是对数据的合理解读 | 用人类编码员对 AI 编码做三角验证；与参与者进行成员核查；让每个主题都锚定到逐字引语 |
| 可迁移性 | 读者能判断是否适用于自身情境 | 对场景与样本作厚描述；说明哪些内容交由 AI 解读、哪些没有 |
| 可靠性 | 过程有记录、可重复 | 记录模型名称与版本、确切提示词、temperature 与日期；为编码本做版本管理；保留每一次人工覆盖的决策日志 |
| 可确证性 | 发现来自数据而非偏见 | 把每个发现回溯到原始文本片段；按定义抽查 AI 编码；在最终编码集之外保留原始 AI 输出 |
| 反身性 | 研究者审视自身影响 | 撰写包含提示词设计选择的立场备忘录；记录你在何处与模型意见相左及其原因 |
贯穿这张表的规律是：AI 把可信度的重担集中到了文档记录与人类判断之上。模型可以加速编码；但只有你才能产出那条让编码经得起检验的审计轨迹。
\n\n严谨性不是在最后勾选的一个复选框，而是分析过程中的一组习惯：
\nQualitati 是一个面向产品、UX 与客户洞察团队的 AI 用户研究平台。它的设计目标，是让 AI 带来的可信度负担更容易承担，而不是更沉重。它的 ThemeLens 主题分析流程会把编码映射到你的研究问题，并把每个综合出的主题锚定到参与者引语上，使发现始终可回溯到来源——这直接服务于可信性与可确证性。QDA Workspace 同时支持归纳式与演绎式编码以及编码本生成，让人类始终掌控解释性的那一步。Qualitati 的主持人行为与双模型督导架构均有文档记录，并对照学术定性研究文献持续改进，这正是2026年那套标准所要求的透明性。
\nQualitati 不会做的，是替你免去审计轨迹。你仍需记录自己的提示词、版本与覆盖决策，反身性也仍由你自己负责。在分析环节，本平台把自己定位为 NVivo、Qualtrics、ATLAS.ti 与 MAXQDA 的 价格透明的 AI 原生替代方案——但没有任何工具（包括我们的）能凭一己之力让研究发现变得可信。
\n\n三点诚实的提醒。第一，Lazarus 等人（2026）的标准是在特定学科情境中提出的，仍处于早期阶段；请把它视为强有力的信号而非既定规范，并预期该领域会继续打磨它。第二，更多的文档记录有实实在在的成本——记录每一条提示词与每一次覆盖会拖慢分析，而承受截止期压力的团队会忍不住跳过这一步，而那恰恰是可信度崩塌的时刻。第三，其中一些保障措施取决于具体工具如何暴露模型设置；如果某个平台隐藏了模型版本或提示词，你就无法完整举证可靠性，此时应在方法部分如实说明，而不是暗示一种你无法证明的严谨性。稿件中任何关于模型行为的论断，在投稿前都值得经过人工复核。
\n\n适合谁读：使用 AI 对定性数据做编码或提炼主题，并需要其方法经受同行评审或相关方质询的 UX 研究者、ResearchOps 团队、市场研究者与学者。
\n何时不该依赖 AI：误读会带来实际后果的高度敏感或高度含混的材料；数据量极小、手工分析比搭建审计轨迹更快的情况；以及你无法控制并记录模型设置的场景。在这些情况下，只把 AI 用于范围狭窄、定义明确的任务——或者干脆不用。
\n\n可信性、可迁移性、可靠性与可确证性，由 Lincoln 与 Guba 于1985年提出，作为内部效度、外部效度、信度与客观性在定性研究中的对应物。反身性常被加为第五条。
\n本质上不会，但它转移了风险。AI 可能因为隐藏推理过程而削弱可靠性与可确证性，因此可信度取决于透明性、人类监督与有据可查的审计轨迹（Lazarus 等, 2026）。
\n可靠性。2026年的一项研究发现，商用 LLM 往往并未被设计成能呈现证明过程一致且有记录所需的要素，因此这份记录必须由你自己补上。
\n是一份被保留下来的记录，包含模型名称与版本、确切提示词、temperature 等关键设置、分析日期，以及每一次接受或覆盖 AI 编码的人工决策——正是这些证据让你的过程可重复。
\n需要。把发现带回给参与者，是以任何模型都无法替代的方式检验可信性。AI 能加快编码，却无法验证你的解读是否与参与者的本意相符。
\n你的提示词设计，以及你决定让模型去解读什么，都是塑造研究发现的研究者决策。一份反身性说明应当记录这些选择，而不只是你个人的立场。
\n\nAI 的到来并未改变定性研究中的可信度——可信性、可迁移性、可靠性、可确证性与反身性这些标准，依然决定你的发现是否可信。改变的是 AI 把重担转移到了透明性与文档记录上。保持人在环中，保留审计轨迹，让每个主题都锚定到一条引语，AI 辅助分析就能与手工工作一样严谨——甚至更快。跳过这些，速度只会让你更早抵达一个错误答案。
\n用30个免费额度开始——无需信用卡——运行一场 AI 主持访谈，或做一次让每个主题都可回溯到参与者引语的 ThemeLens 主题分析。查看透明价格，或就 AI 原生的定性分析，把 Qualitati 与 NVivo、Qualtrics、ATLAS.ti 和 MAXQDA 作比较。
\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"}]}