最后更新：2026 年 6 月 27 日
简短结论
在定性分析中，编码（code）是附加在某一具体数据片段上的简短标签。类属（category）把相关编码聚合成更高一层的集群。主题（theme）则是贯穿整个数据集、捕捉某一核心观念的解释性模式。这一层级自下而上：编码 → 类属 → 主题。编码描述数据里有什么；主题解释它意味着什么。
核心要点
- 编码是加在数据片段上的描述性标签。类属用于组织编码。主题是解释性的，讲述一个关于数据的连贯故事。
- Braun 与 Clarke 划出了一条明确的界线：主题是编码的结果，而不是你去编码的对象。他们的“砖瓦造屋”类比——编码是砖，主题是墙——是最常被引用的记忆方式。
- “类属”在内容分析和扎根理论中最为显性；反身性主题分析则常把类属融入从编码到主题的过渡之中。
- 初学者常见的错误，是把话题汇总（把关于某个题目说过的一切装进一个桶）误当成主题（一种共享的意义或观念）。
- AI 可以加速编码与聚类，但主题的建构是需要人类判断和留痕审计轨迹的解释性工作。
编码、类属与主题：核心差别
定性分析把非结构化文本——访谈转录、开放式问卷回答、焦点小组对话——转化为结构化洞察。这三个构件构成了抽象程度递增的层级。搞清楚每一层的位置，正是“一张整洁的标签表”与“一个可据以行动的发现”之间的差别。
什么是编码？
编码是捕捉某一具体数据片段含义的简短标签。编码把庞大的文本拆分成更小、可检索的单元。编码可以是描述性的（“提到上手过程中的摩擦”）、原生的（in vivo，即参与者自己的话，例如“就是感觉很笨重”），也可以是概念性的（“失控感”）。二十场访谈在任何合并之前，通常会产生 80–100 个原始编码。
什么是类属？
类属是抽象程度高出一层的一组相关编码。如果你有“菜单让人困惑”“点击次数太多”“找不到设置”这几个编码，你可能把它们归入一个导航困难类属。类属在定性内容分析和扎根理论中最为显性，在那里从编码走向类属是一个被明确命名的步骤。按 Saldaña 的说法，把第一轮编码归入类属是第二轮编码（模式编码、聚焦编码或轴心编码）的任务；而在模板分析中，类属先被预先拟定，再依据数据加以修订。
什么是主题？
主题是一种解释性构念，捕捉贯穿数据的核心概念或共享意义。按照 Braun 与 Clarke 的说法，主题不是对某个话题的汇总——而是围绕一个核心观念组织起来的意义模式。他们的类比是：如果编码是一块块砖和瓦，那么主题就是一面墙或一块屋顶板，各由许多编码砌成。用他们的话说，“安全感”可以是一个编码，而“一种虚假的安全感”才是主题。
层级速览
| 层级 | 是什么 | 抽象程度 | 示例 | 它回答的问题 |
|---|---|---|---|---|
| 编码 | 数据片段上的标签 | 低（描述性） | “找不到导出按钮” | 这里在说什么？ |
| 类属 | 相关编码的集群 | 中（组织性） | 导航困难 | 这些编码有什么共同点？ |
| 主题 | 解释性的意义模式 | 高（概念性） | “这个工具很强大，却不友好” | 这对研究问题意味着什么？ |
界线模糊之处
不同流派对这些术语的用法并不一致，而这正是新手困惑的最大来源。
- 扎根理论的路径是开放编码 → 类属（经由主轴编码）→ 核心类属，对“主题”一词的使用较为宽松。参见我们的扎根理论与 AI 指南。
- 定性内容分析把类属置于中心位置，并常统计其出现频次。
- 反身性主题分析（Braun 与 Clarke）往往跳过显性的“类属”层，从编码直接进入候选主题，再加以精炼。有些教材甚至说研究者是“为主题而编码”，而 Braun 与 Clarke 对此提出告诫——在他们看来，主题是分析的结果，而不是分析的起始单元。
实用准则：选定一个流派，在方法部分定义你的术语，并前后一致地使用它们。评审者更在意一致性，而不是你选了哪套词汇。
一个实例演练
假设你围绕一个新的分析仪表盘开展 15 场访谈。
- 编码（原始）：“图表太多”“不相信这些数字”“很喜欢导出功能”“找同事帮忙”“放弃使用筛选器”。
- 类属：信息过载（图表太多、放弃使用筛选器）、信任缺口（不相信这些数字、找同事帮忙）、亮点（很喜欢导出功能）。
- 主题：“用户想要更少但更可信的信号”——这是一个横跨两个类属、并直接回应某项产品决策的解释。
请注意，这个主题是关于意义的主张，锚定在参与者引语上，而不是对某个话题的复述。这正是检验标准。
原创工具：编码升格为主题检查清单
用这份 Qualitati 检查清单判断一个候选项究竟是真正的主题，还是仅仅一个话题桶。真正的主题应至少通过六项中的四项：
- □ 有核心组织概念——你能用一句话说出该主题的核心观念吗？
- □ 横跨多个个案——它是否得到多位参与者的支持，而不是某个鲜活的孤例？
- □ 是解释性的，而非描述性的——它是否说明了数据意味着什么，而不只是说明数据关于什么？
- □ 有引语锚定——你能否附上 2–3 条能佐证它的参与者引语？
- □ 边界清晰——它与你的其他主题是否彼此区分（重叠极少）？
- □ 回应研究问题——它是否推动分析朝你既定的问题前进？
如果一个候选项只通过一两项检查，那它很可能是一个类属或话题汇总——请继续打磨。
Qualitati 的定位
Qualitati 是面向产品、UX 和客户洞察团队的 AI 用户研究平台。它的分析工具正好对应上述层级：
- QDA 工作区支持 AI 辅助的归纳与演绎编码以及码本生成——即编码层与类属层——每一步都有人工复核。
- ThemeLens 可一次在最多 100 份转录文本上运行 map-reduce 式主题分析流水线，把编码映射到研究问题，并用有参与者出处的引语综合出主题——即主题层，通过把每个主题回链到原始证据来保持诚实。
其设计意图是让人掌控解释权。AI 快速提出编码与聚类；由研究者决定什么才成为主题。验证流程参见人在回路的主题分析，演绎／归纳的取舍参见归纳式编码与演绎式编码。
局限与取舍
三点诚实的提醒：
- 术语并不通用。在一种方法里叫“主题”的东西，在另一种方法里可能叫“类属”。请务必定义你的术语；不要假定存在共享词汇。
- AI 可能过度聚类或抹平细微差别。自动分组倾向于按表面相似性合并编码，这可能掩盖有意义的差异。近期的信度研究显示，人类与 AI 的编码一致性仍不完善，因此应把 AI 产出当作草稿，而非定论。参见LLM 与人类编码者意见一致吗？
- 主题是解释性的。两位熟练的研究者可能从同一批数据中得出不同却都站得住脚的主题。这是定性研究的特性，而非缺陷——但这意味着，对你的过程保持透明，比宣称存在唯一“正确”答案更重要。
供人工复核的方法论说明：主题建构是一种解释行为。请记录你的决策、保留审计轨迹，并报告 AI 的使用方式。
常见问题
类属和主题是一回事吗？
不是。类属按共同点把相关编码聚在一起；主题则解释这些模式对你的研究问题意味着什么。类属是组织性的；主题是概念性的。
我是否总需要一个独立的“类属”层？
并非总是。扎根理论和内容分析会把类属显性化。反身性主题分析常常从编码直接走向候选主题，而没有正式的类属步骤。请根据你的方法来选择。
我应该有多少个主题？
多数研究最终落在三到六个主题。太多通常意味着你把类属或话题汇总误标成了主题；太少则可能意味着你过度概括了。
AI 能自动生成主题吗？
AI 可以提出候选编码、对其聚类，并起草带佐证引语的主题陈述。但由于主题具有解释性，最终的主题集应由人来复核、精炼并负责。用 AI 来加速，而不是用它来定夺。
用一句话说，编码和主题的区别是什么？
编码标注某一段数据说了什么；主题解释这些数据在整个数据集层面意味着什么。
“话题”和“主题”是一回事吗？
不是。话题是人们谈论的内容（例如“定价”）。主题则是关于它的共享意义（例如“对偶尔使用的用户来说，定价带有惩罚意味”）。话题汇总是最常见的伪主题陷阱。
结语
编码用于描述，类属用于组织，主题用于解释。把层级理顺，你的分析才站得住脚且有用；把它们混为一谈，你最终只会得到一份披着发现外衣的话题清单。像 Qualitati 的 QDA 工作区和 ThemeLens 这样的 AI 工具，可以压缩跨数十份转录文本的编码与聚类等机械工作——但从编码跃向主题，仍是人类判断体现价值之处。
免费开始，赠送 30 点额度，无需信用卡。创建账户，开展一场 AI 主持访谈或对话式问卷，并让 ThemeLens 用有参与者出处的引语把你的编码映射为主题。或先查看透明定价。