在自己设备上运行的开源 LLM，能否私密地完成定性数据编码？2026 年一项 CHI 研究测试了开源的本地编码工具 ChatQDA，发现研究者愿意用本地 LLM 做基础的信息提取，但对其“有条件信任”，且存在隐私感知落差：仅有技术层面的安全保障，并不足以让他们相信自己的访谈数据是安全的。
这项研究测试了什么
该研究评估了一个保护隐私的本地部署大语言模型，能否在不把敏感访谈记录发送给商业云服务的前提下，支持定性研究中的开放编码。根据 Ngo、Nguyen Van、Nguyen、Do 和 Nguyen-Quoc（2026）的研究，团队构建了 ChatQDA 框架，由开源的 gpt-oss-20b 模型驱动（这是一个拥有 20.9B（约 209 亿）参数的混合专家模型，因硬件占用小、适合本地运行而被选中），并开展了一项混合方法用户研究，让受访者在一份五页的半结构化访谈记录上，对比手动开放编码与 ChatQDA 辅助编码。
样本量很小，且有意做了混合：四名受访者，其中两名是新手定性研究者（经验不足两年），两名是资深研究者（经验两年及以上）。这是一项早期的探索性研究，价值在于它发现的模式，而不在于可推广的效应量。
为什么本地 LLM 对定性研究很重要
大多数 AI 编码工具都会把访谈记录发送到外部服务器。对于可能包含健康信息、可识别引文或受伦理审查委员会（IRB）限制的材料的访谈数据，这种传输会引发真实的担忧：数据主权、重新识别的风险，以及 IRB 合规。本地模型把数据留在研究者自己的电脑上，原则上完全免去了数据传输。这项研究的贡献在于检验：研究者是否真的相信这一点，以及编码结果是否好到值得依赖。
研究者如何看待 AI 辅助编码？
受访者觉得这个工具容易上手，但对其解释结果的可信度持谨慎态度。在作者报告的 5 点李克特量表上，该系统在易用性和速度方面得分较高，但在信任度和解释深度方面只有中等水平。
| 维度（5 点量表） | 平均评分 | 解读 |
|---|---|---|
| 易学性与清晰度 | 4.0 | 较强：上手很快 |
| 任务完成速度 | 3.75（50% 打了 5 分） | 提取任务很快 |
| 总体实用性 | 3.00 | 中等 |
| 总体可信度 | 3.00 | 有条件的信任 |
| 可靠性 | 3.00 | 对解释性工作存疑 |
| 一般安全措施（感知） | 2.75 | 得分最低 |
据作者介绍，受访者表现出“有条件的信任”：他们认可 ChatQDA 在基础提取任务（提取候选编码和文本片段）上的价值，但对于需要人类判断的那部分编码工作，他们怀疑它的解释准确性和可靠性。
隐私感知落差：安全了，却不被信任
最引人注目的发现，是作者所说的隐私感知落差。尽管模型在本地运行，技术上确实让数据远离了外部服务器，但感知到的安全性却是得分最低的维度（一般安全措施 M=2.75，防范第三方拦截 M=3.0）。受访者表示对数据保护存在“认知上的不确定性”：由于安全保障是看不见的，它并没有转化为信心。
作者的核心建议由此而来：保护隐私的分析工具必须优先保证隐私可验证以及方法上的严谨，而不能只依赖技术基础设施。仅仅告诉研究者“它在本地运行”是不够的，他们需要能够亲眼看到并确认自己的数据去了哪里。
这对研究者意味着什么
三点实用启示：
- 让 AI 负责提取，把解释留给人。这种有条件信任的模式，与 2026 年 AI 编码研究中更广泛的主题一致：LLM 适合用于初步生成编码、发现遗漏的片段，而主题的解释仍由研究者掌握。人机协同的主题分析工作流正体现了这样的分工。
- 隐私声明必须可审计。如果工具要处理敏感的访谈记录，“相信我们，它是本地的/加密的”无法让严谨的研究者或 IRB 满意。请寻找可验证的数据处理文档。
- 把小样本研究当作信号，而非证据。在 n=4 的情况下，这些结果只具有方向性。它们指出了一个真实存在的设计问题，即实际安全与感知安全之间的落差，而不是衡量这一落差有多大。
对于正在考虑 AI 在编码流程中该放在哪里的团队，经验是把它限定在机械、可复核的步骤上，并把解释工作放在透明的 QDA 工作区中进行，让每一个 AI 建议的编码都能对照原文核查。
常见问题
开源 LLM 能离线完成定性编码吗？
可以。ChatQDA 研究在本地使用 gpt-oss-20b，不向云端传输访谈记录，对访谈数据完成了开放编码。
对于研究数据，本地 LLM 比云端 AI 更私密吗？
从技术上说是的，本地模型让数据远离外部服务器。但这项 2026 年的研究发现，研究者仍然对数据保护感到不确定，因此可验证的隐私与架构本身同样重要。
我该信任 AI 来解释我的定性数据吗？
不能在无人监督的情况下信任。研究中的受访者信任 AI 做基础提取，但怀疑它在解释方面的可靠性。主题的解释和最终的编码决定应由研究者本人把关。
这项研究的规模有多大？
四名受访者（两名新手和两名资深定性研究者），对一份五页的访谈记录进行编码。这是一项探索性用户研究，因此应将其发现视为设计信号，而不是可推广的基准。
总结
本地部署的开源 LLM 让私密的定性编码在技术上已经可行。但 2026 年的 ChatQDA 研究表明，更难的问题是信任：研究者愿意让 AI 做提取，但不愿让它做解释，而且他们需要的是可以验证的隐私，而不只是被承诺的隐私。
主要来源：Ngo, T. T., Nguyen Van, D., Nguyen, A.-M., Do, P.-A., & Nguyen-Quoc, A. (2026). Qualitative Coding Analysis through Open-Source Large Language Models: A User Study and Design Recommendations. Extended Abstracts of the 2026 CHI Conference on Human Factors in Computing Systems. arxiv.org/abs/2602.18352
最后更新：2026 年 6 月 1 日。
本文是对第三方研究的独立编辑性摘要，旨在帮助研究者理解该研究，与原作者无关联，也未获得其认可。