大语言模型能否产出可靠的主题分析？ 一项 2025 年 12 月发表的研究给出了肯定答案 — 前提是对同一模型多次运行并测量一致性。研究者在一份访谈记录上测试了 Gemini 2.5 Pro、GPT-4o 与 Claude 3.5 Sonnet，三者的评分者间信度均超过 κ > 0.80 这一“优秀”阈值，其中 Gemini 得分最高。
这项研究测试了什么？
这篇论文题为 “Multi-LLM Thematic Analysis with Dual Reliability Metrics”，作者为 Nilesh Jain、Hyungil Suh、Seyi Adeyinka、Leor Roseman 与 Aza Allsop（arXiv，2025 年 12 月；2026 年 2 月修订）。它提出了一个非常实际的问题：如果让 LLM 对一份定性访谈记录进行编码，你如何判断其输出是可信的，而不是一次偶然的幻觉？
他们的答案是集成方法。研究者没有只运行一次模型，而是让每个模型在同一份迷幻药物艺术治疗访谈记录上独立运行六次，并变化随机种子（1–6）与温度参数（0.0–2.0）。随后，他们用两个互补指标测量各模型在多次运行中复现相同主题的一致程度。
信度是如何测量的？
研究采用了两个衡量不同类型一致性的指标：
- Cohen’s Kappa（κ） — 测量经机会校正后的评分者间一致性。它回答的问题是：多次运行是否将相同的编码分配给相同的文本片段？常规解读：低于 0.40 为差，0.40–0.60 为中等，0.60–0.80 为较高，高于 0.80 为优秀。
- 余弦（语义）相似度 — 测量主题描述在措辞不同的情况下是否表达同一含义。这能捕捉到精确匹配的 kappa 会遗漏的一致性。
将两者结合是这篇论文的核心方法贡献：单用 kappa 会惩罚无害的措辞差异，而单用语义相似度则可能掩盖真正的编码分歧。二者结合能更完整地呈现信度。
哪个 LLM 在主题分析上最可靠？
根据 Jain 等人（2025）的结果，三个模型均越过了 κ > 0.80 的门槛，但 Gemini 在两个指标上都领先：
| 模型 | Cohen’s Kappa | 余弦相似度 | 共识主题数 |
|---|---|---|---|
| Gemini 2.5 Pro | 0.907 | 95.3% | 6 个（一致率 50–83%） |
| GPT-4o | 0.853 | 92.6% | 5 个 |
| Claude 3.5 Sonnet | 0.842 | 92.1% | 4 个 |
模型之间的差距真实存在，但并不大。更值得注意的是，一旦对多次运行的结果进行汇总，每一个模型都超过了优秀阈值 — 这提醒我们，信度的提升既来自模型选择，同样也来自集成方法本身。
为什么多次运行模型很重要？
因为 LLM 是概率性的，单次运行可能对访谈记录给出一种特异性的解读。这与定性研究者对单一人工编码员的担忧如出一辙。定性方法中的经典解决方案是引入第二位编码员并计算评分者间一致性统计量。这项研究将该方案重新用于 AI：把每次模型运行视为一位独立的“评分者”，要求主题在多次运行中都能存活，才予以采信。例如，Gemini 的六个共识主题各自在 50–83% 的运行中反复出现 — 而那些只出现一次便消失的主题，恰恰是你应当持怀疑态度的。
这对研究者意味着什么
结论不是“用 Gemini”。而是AI 辅助编码需要一套信度规程，而不是一条提示词。有三个做法可以直接迁移到日常工作中：
- 运行不止一次。在不同温度参数下多次运行，可以暴露出哪些主题是稳定的，哪些只是偶然产物。
- 报告一致性指标。kappa（或等价指标）使 AI 编码可审计、可向审稿人辩护，就像对人工编码员的要求一样。
- 保留人工解读者。高信度意味着模型是一致的，并不必然正确。跨运行的一致性是信任的底线，不能替代研究者对意义与语境的判断。
这正是 AI 辅助定性分析工具普遍采用的工作流。如果你想在自己的访谈记录上尝试结构化、可审计的主题提取，ThemeLens 提供带有透明编码轨迹的 AI 主题分析，而 QualiTaTi 的 AI 访谈员则可以先行生成待分析的访谈记录。
需要注意的局限
这项研究只使用了单一领域中的一份访谈记录，因此具体的 kappa 数值不应被解读为普适的模型排名。这些指标验证的是跨运行的内部一致性 — 它们并不能证明主题与人类专家的解读或受访者的本意相符。信度与效度仍是两个不同的问题，而该论文测量的是前者。
常见问题
AI 主题分析可靠吗？
在这项研究中是可靠的 — 汇总多次运行后，三个受测 LLM 的 Cohen’s κ 均高于 0.80，即优秀一致性的常规阈值。但单次运行的信度并无保证。
哪个 LLM 表现最好？
Gemini 2.5 Pro（κ = 0.907，语义相似度 95.3%），小幅领先 GPT-4o（0.853）与 Claude 3.5 Sonnet（0.842）。
高信度是否意味着编码是正确的？
不是。这些指标测量的是跨运行的一致性，而非与人类解读的吻合度。研究者仍应验证主题是否有意义、是否准确。
我应该运行多少次？
该研究对每个模型运行了六次，并变化了随机种子与温度参数。原则 — 多次运行、只保留反复出现的主题 — 比具体次数更重要。
最后更新：2026 年 7 月 27 日。本文是对第三方研究的独立编辑摘要；QualiTaTi 与该研究的作者无关联。阅读原始论文：Multi-LLM Thematic Analysis with Dual Reliability Metrics (arXiv:2512.20352)。