简短回答：In vivo 编码（实境编码）是一种第一轮定性编码方法：每个编码都是从受访者原话中逐字摘取的短语，并加上引号。它让受访者的语言在抽象之前保持原样。探索性研究、扎根理论研究或对语言敏感的研究适合使用它；如果需要可比较的主题或行动标签，则应使用描述性编码或过程编码。
In vivo 编码通常是定性研究方法课的学生在 Saldaña 的《编码手册》中最先接触的编码方法，也是最容易被悄悄做错的方法之一。规则听上去很简单（用受访者自己的话），但实际操作中，分析者常常会改写措辞、修正语法、从访谈者的发言中摘取短语，或者把自己的概念套上引号。本指南给出精确定义、两个完整示例、in vivo 编码与描述性编码、过程编码的并排对比，以及一份清单，帮助你在方法章节中证明你的 in vivo 编码确实是逐字的。
\n\n本文也回答了 2026 年导师们越来越常问的问题：AI 工具能做 in vivo 编码吗？简单说，语言模型擅长找到精确的文本片段，却很难克制改写它们的冲动，因此一旦引入软件，这种方法需要比大多数编码方法更严格的约束。
\n\n最后更新：2026 年 10 月 7 日
\n\n\"it just fights me\"（\"它就是跟我作对\"），而不是 Usability frustration（可用性挫败感）。In vivo 编码是一种定性数据分析方法，每个编码都是直接取自受访者口头或书面表达的一个词或短语。拉丁语 in vivo 意为\"在活体之中\"，这正是要点：编码留在数据鲜活的语言里，而不是被翻译成学术或产品术语。
\n这一术语来自扎根理论，Anselm Strauss 区分了 in vivo 编码（被研究者实际使用的词语）与社会学家自行构建的编码。Johnny Saldaña 的《定性研究者编码手册》使它成为标准的第一轮编码方法之一；第 5 版（SAGE，2025 年）介绍了 35 种以上的编码方法，并新增了关于生成式 AI 的讨论。2026 年 6 月 27 日发表在《The Qualitative Report》上的一篇书评概括了该版的立场：计算工具起辅助作用，而解释、情境判断和伦理责任仍然是研究者的职责。
\n这种方法也被称为逐字编码、字面编码和本土术语编码（参见 Wiley《传播研究方法国际百科全书》中的 In Vivo Coding 词条）。惯例是给 in vivo 编码加上引号，让任何阅读编码手册的人都能一眼看出哪些标签来自受访者，哪些来自分析者。
\n\n以一段假设的新用户上手访谈中的一句话为例：
\n\n\"I didn't finish setup. I kept waiting for it to tell me what it wanted and it never did, so I just closed the tab and went back to the spreadsheet.\"（\"我没完成设置。我一直等着它告诉我它要什么，可它始终没说，所以我就关掉了页面，回去用电子表格了。\"）
| 编码方法 | 所用编码 | 保留了什么 | 丢失了什么 |
|---|---|---|---|
| In vivo | \"waiting for it to tell me what it wanted\" | 受访者的心智模型：他们期待被引导 | 与用不同说法表达同一意思的受访者之间的可比性 |
| 描述性 | Setup abandonment | 事件在用户旅程中的位置 | 用他们自己的话说，事情为何发生 |
| 过程 | Reverting to prior tool | 行动及其方向 | 放弃时的情感质地 |
| 概念 / 分析性 | Guidance expectation violation | 一个可以用来建构理论的构念 | 全部原始措辞；抽象现在属于你 |
概念编码并没有错。它只是一个主张，而 in vivo 编码的纪律在于：你要在第二轮中公开地提出这个主张，而不是在第一轮中无意间就做了。
\n\n一位假设的新任教师，在一项关于工作负担的研究中接受访谈：
\n\n\"Sundays are basically school days now. You're not marking, exactly, you're just sort of carrying it around in your head the whole time, and my partner calls it the Sunday dread.\"（\"现在周日基本上就是上学日。你也不是真的在批改作业，只是整天都把它装在脑子里，我伴侣管这叫'周日恐惧'。\"）
站得住脚的 in vivo 编码：\"Sundays are basically school days\"、\"carrying it around in your head\"、\"the Sunday dread\"。描述性编码会是 Weekend workload（周末工作负担）；过程编码会是 Ruminating about work（反复思虑工作）。注意，\"the Sunday dread\" 是受访者转述的伴侣的说法。可以保留，但要在备忘录中注明这是转述：编码属于谁的语言，本身就是数据的一部分。
这三种是最常被混淆的第一轮编码方法。区别在于编码由什么构成。In vivo 编码是受访者的原话；描述性编码是分析者为主题起的名词；过程编码是分析者为行动起的动名词。三者都是合理的方法，很多研究会组合使用。
\n| 标准 | In vivo 编码 | 描述性编码 | 过程编码 |
|---|---|---|---|
| 编码由什么构成 | 受访者的原话，加引号 | 分析者的一个词或简短名词短语 | 分析者的动名词（英文中的 \"-ing\" 形式） |
| 回答的问题 | 受访者是怎么说的？ | 这段内容讲的是什么？ | 人们在做什么？ |
| 示例（教师访谈） | \"the Sunday dread\" | Weekend workload | Ruminating about work |
| 跨案例可比性 | 在第二轮归组之前较低 | 高 | 对序列和惯例而言较高 |
| 最适合 | 探索性研究、扎根理论、对语言敏感或关注边缘群体声音的研究 | 清单整理、文档分析、大型或混合数据集 | 惯例、随时间的变化、互动与策略 |
| 主要风险 | 编码列表无限膨胀；改写悄悄混入 | 把意义压扁成话题 | 在没有行动的地方强加行动 |
| AI 辅助适配度 | 仅限带出处的精确片段提取 | 适合初稿，需检查覆盖面 | 中等；需检查行动者是否正确 |
常见的混合做法是在第一轮同时使用 in vivo 编码和过程编码，再用聚焦编码或主轴编码把两者归入类属。关于编码如何变成类属和主题，参见编码、类属与主题的区别；关于扎根理论的编码顺序，参见开放编码、主轴编码与选择性编码。
\n\nIn vivo 编码每份访谈记录的耗时比描述性编码更长，初始编码列表也更大、更杂乱。在以下四种情况下，这种取舍是值得的。
\nInformal process（非正式流程）就毁掉了信号。为论文或文章做第一轮编码的博士生和学术定性研究者；需要两位编码者产出可比编码手册的研究实验室；在圈内用语鲜明的领域（临床医生、开发者、交易员、教师）工作的定性研究与市场研究公司；以及开展探索性访谈的 UX 或洞察团队。
\n\n以下情况可以跳过它，或者只做抽查：你在按既定框架大规模编码；你的访谈记录是机器翻译的（\"逐字\"措辞已经是译者的了，参见AI 分析前是否应翻译访谈）；研究问题关注频次而非意义；或者访谈记录质量太差，逐字短语反映的是语音识别的错误而不是说话人本身。
\n\n| 如果你的目标是… | 使用 | 原因 |
|---|---|---|
| 听到受访者自己如何界定问题 | In vivo | 编码不会跑到数据前面 |
| 按顺序梳理发生了什么 | 描述性 / 过程编码 | 跨案例可比 |
| 检验既有框架 | 演绎 / 先验编码手册 | 覆盖面与信度；参见编码手册模板 |
| 自下而上建构理论 | 先 in vivo，再聚焦 / 主轴编码 | 扎根理论的顺序；参见主题分析与扎根理论 |
| 在数百条回答中统计主题 | 内容分析或 LLM 辅助编码 | In vivo 编码不做汇总；参见LLM 与机器学习用于开放题编码 |
大语言模型被训练成输出流畅、规范、抽象的语言。In vivo 编码要求的恰恰相反：未经修饰、属于受访者自己的语言。让一个通用模型\"给这份访谈记录编码\"，它大多会返回分析者口吻的概念编码，比如 Onboarding friction（上手摩擦）或 Trust barrier（信任障碍），因为在它的训练数据里编码就长这样。模型并没有出错，它回答的是一个与 in vivo 编码不同的问题。
现有证据支持你明确界定交给 AI 的部分。在一项关于ChatQDA（一个在设备端运行的开源 LLM 编码工具）的 CHI 2026 研究中，研究者报告了有条件的信任：他们看重系统提取显性内容的能力，但对深层解释存疑，因为开源模型倾向于识别在对话中彼此相邻的表层陈述。这是一项小型研究（四名参与者，每人一份 5 页的访谈记录），应将其视为失败模式的信号，而不是效应量。
\n放在 in vivo 编码的语境下，这一局限反而很方便。找到受访者实际说过的短语并锚定到对应行，是一项检索型任务。判断三个不同短语属于同一构念，则是一项解释型任务，这部分应该留给自己。2025 年发表于《Sociological Methods & Research》的一项关于生成式 LLM 定性编码的研究发现，模型在匹配人工编码结果方面可以接近监督式机器学习的表现；而 QualAnalyzer 的研究则认为，实际要求是过程可审计：每个编码都能追溯到产生它的文本片段。对 in vivo 编码而言，片段级可追溯性就是这种方法对\"正确\"的定义。
\n\n如果你用模型做第一轮 in vivo 编码，需要约束它不按默认行为来：
\n\n\n对每个有意义的片段，返回：(1) 编码，必须是从访谈记录中逐字复制的精确片段，2–8 个词，不得改写、不得用同义词、不得调换顺序；(2) 它所在的行号或时间戳；(3) 说话人。不要创建类属、主题或分析性标签。如果该片段中没有任何一段文字能独立承载意义，请返回
\nNO_VERBATIM_SPAN，而不是编造一个标签。完整保留受访者的语法、俚语、含糊表达和粗口，与原话一致。
NO_VERBATIM_SPAN 这个退出选项很重要。没有它，被要求输出逐字编码的模型会产出近似逐字的编码：一个看起来像引语、实际上并不是引语的字符串。这正是我们在定性分析中的幻觉引语一文中讨论的那类错误。
这是 Qualitati 的原创工具。在编码手册进入第二轮之前，把它用在任何一轮 in vivo 编码上，无论是人工还是 AI 辅助。每项 1 分；8 分或以上可以站得住脚，5–7 分需要修补，低于 5 分则是披着引号的分析者口吻编码。
\n\"it just fights me\" 合格；\"usability friction\" 不合格，即使加了引号。Qualitati 是一个面向高校和研究公司的欧洲定性研究平台，价格亲民，并将数据隐私和 GDPR 作为核心优先事项。其中有两个部分与 in vivo 编码直接相关。
\n数据收集同样重要。In vivo 编码的质量取决于它所依托的语言，因此会追问而不是满足于第一个回答的 AI 主持访谈，能产出更多可编码的逐字材料；而当措辞本身就是重点时，Active Listener 模式让人类访谈者在实时提示的辅助下主导访谈。支持 10 种语言的研究能力，让清单第 9 项从理想变成可操作的现实。
\nQualitati 公开每个积分的使用费率，免费起步即可每月获得 30 个积分，无需信用卡。
\n\nIn vivo 编码无法规模化，这在一定程度上正是它的设计。一百份访谈记录的逐字编码不是分析，而是一份词语索引。它的产出必须由一个愿意为抽象负责的人来提炼。采用 in vivo 编码却跳过第二轮的团队，最终只会得到丰富却无法使用的数据。
\n逐字不等于真实。一个短语只有在访谈记录准确、主持人没有先说出它、翻译也没有制造它的前提下，才真正属于受访者。语音识别的错误率在不同口音之间并不一致（参见转录中的口音偏差），因此逐字忠实度在你的样本中可能分布不均。
\nAI 相关证据既薄弱又新近。本文引用的研究是小样本用户研究和探索性比较，而非具备公认构念效度的基准测试。人工审核提示：如果你的方法章节声称 AI 辅助的编码保留了受访者的声音，这一主张需要你在自己的数据上做有记录的验证。
\n\nIn vivo 编码使用受访者的原话并加引号；描述性编码使用分析者自己的词或名词短语来概括一段内容的主题。In vivo 编码保留声音和框架；描述性编码提供跨案例可比的主题标签。很多研究在第一轮中两者并用。
\n是的。因为编码来自数据而非既有框架，in vivo 编码是一种归纳的、数据驱动的方法。它可以与演绎编码手册并行，用来发现框架中没有位置的内容。
\n不等同。引语是你呈现的证据；in vivo 编码是你用来分析的标签。编码要足够短，能在整个数据集中反复出现，并且附着在一个片段上，而不是一整段举例说明上。
\n短到足以作为标签，长到足以独立承载意义。两到八个词是常用范围。一整句话通常是一条尚未被编码的引语。
\n在严格约束下（精确片段、行号引用、明确的拒绝选项），它可以较好地完成提取步骤，但不应由它来判断哪些不同的短语意思相同。CHI 2026 的 ChatQDA 研究恰好发现了这种分化：表层提取尚可，对分散在整份访谈记录中的意义则较弱。
\n进入第二轮：用模式编码、聚焦编码或主轴编码把 in vivo 编码归入类属，再发展主题。在 Saldaña 的框架中，第一轮本就是暂定的；把它当作最终结果，是这种方法最常见的误用。
\n\nIn vivo 编码是一项小而严格的纪律，却有很大的影响：它让你对数据的第一轮处理停留在受访者的语言中，使之后的每一次抽象都成为看得见的决定，而不是看不见的决定。随着 AI 进入编码流程，这一纪律更显重要，因为流畅的模型默认会立刻进行抽象。用 AI 做带出处的精确片段提取，把判断这些片段意味着什么的工作留给自己。
\n免费领取 30 个积分，在 QDA Workspace 中完成一轮第一轮编码，或查看透明定价。正在比较工具？看看 Qualitati 与NVivo、ATLAS.ti、MAXQDA 以及 AI 原生研究平台的对比，或者创建账户，今天就为一份访谈记录编码。
","related":[{"slug":"longitudinal-qualitative-research-guide-2026","title":"纵向定性研究：设计、轮次规划与分析方法（2026）","description":"纵向定性研究（QLR）如何设计与分析？涵盖轮次间隔、样本流失、轨迹分析与重复横截面分析，并附原创轮次规划矩阵与 AI 访谈要点。","category":"定性研究方法","date":"2026-10-19","readTime":"13 分钟阅读","author":"Qualitati 研究团队"},{"slug":"interpretative-phenomenological-analysis-guide-2026","title":"诠释现象学分析（IPA）：7 个步骤、示例与质量清单","description":"什么是诠释现象学分析？按 2022 年术语（PETs、GETs）讲解 IPA 步骤、样本规模、分析示例，以及学位论文可用的 IPA 质量清单。","category":"定性研究方法","date":"2026-09-29","readTime":"11 分钟阅读","author":"Qualitati 研究团队"},{"slug":"qualitative-research-questions-examples-2026","title":"定性研究问题怎么写？按研究设计分类的示例","description":"按现象学、扎根理论、案例研究和叙事探究分类的定性研究问题示例，说明研究问题该设几个、与访谈问题有何区别，并附一份免费匹配度检查表。","category":"定性研究方法","date":"2026-09-23","readTime":"10 分钟阅读","author":"Qualitati 研究团队"}]}