简短回答：数据饱和是定性研究中的一个节点：此时继续访谈不再产生新的编码、主题或洞察，数据变得冗余。实证综述发现，对于同质样本，编码饱和通常出现在 9 至 17 次深度访谈之间，但这个数字只是参考，而不是规则。饱和取决于你的方法、样本多样性和问题范围，应当被透明地报告，而不是简单地断言。
什么是定性研究中的数据饱和？
数据饱和是指这样一个时刻：继续收集定性数据（访谈、焦点小组、开放式回答）不再产生与研究问题相关的新信息。新的受访者只是在重复前面受访者已经说过的内容；没有新的编码出现，已有主题只是被进一步印证。饱和是定性研究者解释样本量为何“足够”时最常用的理由，也是证明研究严谨性与可信度的核心。
最后更新：2026 年 7 月 11 日。本指南介绍这一概念、关于究竟需要多少次访谈的证据、数据饱和与理论饱和之间的重要区别，以及 AI 辅助分析如何改变这一判断。
核心要点
- 饱和 = 冗余。当新数据不再产生新的编码或主题时即达到饱和，而不是当你达到某个目标数字时。
- 证据指向一个区间，而不是一个神奇数字。一项 2021 年的系统综述发现，深度访谈研究通常在 9 至 17 次访谈之间达到饱和（Hennink & Kaiser, 2022）。
- 数据饱和与理论饱和不同。数据饱和关注信息的冗余；理论饱和关注解释的充分发展，通常需要大约两倍的访谈数量（Journal of Global Marketing, 2025）。
- 饱和取决于方法。现象学、扎根理论和框架分析对“足够”各有自己的逻辑。
- AI 改变的是成本结构，而不是概念本身。当收集和编码都很便宜时，你可以在理论饱和之后继续抽样，主动检验你的主题，但冗余仍然需要判断，而不是想当然。
这一概念从何而来
饱和起源于扎根理论，Glaser 和 Strauss 将其描述为持续抽样，直到类别“饱和”、不再出现新的属性。随着时间推移，它成为几乎所有定性传统中默认的样本充分性论据。被引用最多的实证检验是 Guest、Bunce & Johnson (2006)，他们记录了 60 次访谈中的饱和过程，发现到第十二次访谈时，88% 的涌现主题和 97% 的最重要主题已经出现，这便是广为流传的“约 12 次访谈”经验法则的由来。
你究竟需要做多少次访谈？
诚实的回答是：视情况而定，但实证文献提供了有用的参照。一项 2022 年的系统综述纳入 23 项以实证方式检验饱和的研究，发现深度访谈研究在 9 至 17 次访谈之间达到饱和，中位数约为 12–13 次；焦点小组研究大约在 4 至 8 组之间饱和（Hennink & Kaiser, 2022）。有两点提醒极为重要。
第一，这些数字主要适用于同质样本且研究问题狭窄、聚焦的情形。跨文化、多地点或高度多样化的研究需要多得多的访谈，跨地点成立的元主题往往需要 20 至 40 次访谈。第二，饱和是分层的：编码饱和（你已听到各类议题）往往比意义饱和（你完整理解了每个议题）来得更早，后者在一项分析中被定位在 16 至 24 次访谈。
饱和基准（截至 2026 年 7 月）
| 研究设计 | 典型饱和区间 | 来源 |
|---|---|---|
| 同质样本的深度访谈 | 9–17 次访谈（中位数约 12–13） | Hennink & Kaiser, 2022 |
| 编码饱和与意义饱和 | 编码约 9–17；意义约 16–24 | Hennink et al., 2017 |
| 焦点小组讨论 | 4–8 组 | Hennink & Kaiser, 2022 |
| 跨文化 / 多地点 | 元主题约需 20–40 次访谈 | Guest et al.；多地点综述 |
请把这些数字当作规划和预注册时的起始预期，而不是机械套用的停止规则。
数据饱和与理论饱和
很多定性研究就是在这一区别上悄悄出了问题。数据饱和强调冗余信息的重复出现：当受访者不再告诉你任何新东西时，你就停止。理论饱和则优先考虑正在形成的理论是否具有充分的解释力：当你的概念模型已完整界定、每个类别都得到发展并相互关联时，你才停止。
2025 年发表于 Journal of Global Marketing 的一项分析指出，仅依赖数据饱和常常导致过早收尾和薄弱的理论化，把数据饱和视为阶段性里程碑、然后继续直至理论饱和，更符合定性研究的解释性目标。关键在于，它指出理论饱和通常需要大约两倍于数据饱和的访谈数量（Ahmed, 2025）。如果你的目标是描述一系列经验，数据饱和或许就够了；如果你的目标是解释某种机制，你很可能需要理论饱和。
批评声音：饱和正受到挑战
饱和并非被普遍接受的严谨性标准。2026 年发表于 Social Science & Medicine 的一篇论文认为，饱和被不恰当地用作数据充分性的万能理由，并提出了一个更宽泛的框架（Q-FORS）来使受访者抽样可操作化，因为不同的定性传统对充分性有不同的逻辑（Social Science & Medicine, 2026）。一个相关概念是信息效力（information power，Malterud 等），它认为样本所含的相关信息越多，所需的受访者就越少：目标狭窄、样本针对性强、对话质量高的研究，即使 N 很小也可能是充分的。实际含义是：不要只写一句“已达到饱和”，而要报告你是如何判断的。
饱和报告清单（Qualitati 框架）
审稿人越来越多地把“已达到饱和”视为缺乏依据的断言而予以拒绝。使用这份清单让你的充分性论证站得住脚，无论你是手工编码还是借助 AI。
- 事先界定饱和类型。说明你主张的是编码饱和、意义饱和、数据饱和还是理论饱和，它们不可互换。
- 预先设定停止逻辑。在收集之前就决定如何识别冗余（例如连续两次访谈没有出现新编码）。
- 逐次访谈追踪新编码。简单记录每份访谈记录引入了哪些新编码；曲线趋于平缓就是你的证据。
- 报告数量和拐点。说明最终的 N，以及大约从第几次访谈开始不再出现新信息。
- 说明样本多样性。注明样本是同质还是多样，并相应调整预期。
- 进行反例检验。在宣布收尾之前，主动寻找与你的主题相矛盾的案例（参见我们的负面案例分析指南）。
- 陈述局限。承认饱和是一种判断，换一个样本可能会呈现出不同的主题。
AI 如何改变饱和问题
AI 主持的访谈和 AI 辅助编码改变的是饱和的成本结构，而不是其底层逻辑。2026 年有三点变化值得关注：
- 收集更便宜，所以可以在数据饱和之后继续抽样。当多做一次访谈成本很低时，就没有理由在第一个冗余迹象出现时就停下。你可以继续朝理论饱和推进，并用额外的数据来检验你的模型。
- 编码更快，所以冗余几乎可以实时看到。AI 编码流程可以在数据到达时显示每份访谈记录的新编码曲线，把饱和从事后的断言变成可监控的指标。
- 风险转向虚假的自信。把一切归并为整齐主题的模型，可能只是抹平了细微差别，却看起来已经饱和。AI 使明确的、由人参与的反例检验步骤变得更加重要（参见我们关于AI 定性研究可信度的文章）。
人工复核说明：饱和是一种方法论判断。AI 辅助编码是否“看够了”，仍需研究者对照原始访谈记录和相反案例加以确认。
Qualitati 的定位
Qualitati 是面向产品、用户体验和客户洞察团队的 AI 用户研究平台。它正是为饱和所要求的工作流而构建：持续收集，配合快速、可审计的分析。文字和语音形式的 AI 主持访谈让你能以很低的边际成本持续抽样，因此达到并检验饱和是切实可行的，而不受预算限制。ThemeLens 可一次对多达 100 份访谈记录运行 map-reduce 主题分析流程，将编码对应到你的研究问题，并把每个综合出的主题锚定到受访者的原话，使“是否仍有新编码出现？”这个问题变得可观察，而不是凭猜测。QDA 工作区支持带人工覆盖的 AI 辅助归纳与演绎编码，分析者可以对照底层数据确认冗余，而不是凭信念接受饱和的说法。
Qualitati 并不取代研究者对“何时足够”的判断，而是让这一判断的证据更容易被看到，并支持多达 10 种语言。定价透明：注册即送 30 个积分的免费层，无需信用卡，并公布每积分的价格。
局限与权衡
- 饱和数字受情境限制。9–17 的区间适用于问题聚焦的同质样本；多样化或探索性研究需要更多，盲目套用该基准会导致样本不足。
- 冗余不等于完整。反复听到相同的主题，可能意味着你的抽样框架太窄，而不是现象已被完全理解。
- AI 可能制造出表面的饱和。激进的主题合并看起来像是收敛；务必对照原始数据和反例进行核实。
适合谁，以及何时需要谨慎
适合谁：正在规划访谈或焦点小组研究、需要论证样本量的用户体验研究者、产品经理、市场研究者和洞察团队。何时需要谨慎：如果你的研究是理论构建而非描述性的，不要停在数据饱和；如果你的样本高度多样化或涉及多个地点，预期 N 会大得多；如果你使用 AI 编码，请把“没有新编码”当作有待验证的假设，而不是结论。
常见问题
需要多少次访谈才能达到数据饱和？
实证综述发现，问题聚焦的同质深度访谈研究通常在 9 至 17 次访谈之间达到饱和，中位数约为 12–13（Hennink & Kaiser, 2022）。多样化或多地点的研究则需要多得多。
数据饱和与理论饱和有什么区别？
当新的受访者不再提供新信息时，即达到数据饱和。当你正在形成的理论或概念模型得到充分发展时，才达到理论饱和。理论饱和的门槛更高，通常需要大约两倍的访谈数量。
饱和是衡量样本量是否充分的可靠指标吗？
它被广泛使用，但争议也越来越多。近期研究认为饱和常被用得过于宽松，建议报告你是如何判断的，并考虑信息效力等替代思路（Social Science & Medicine, 2026）。
AI 会改变我需要的访谈数量吗？
不会改变底层概念，但会改变成本结构。更便宜的 AI 主持收集让你可以在数据饱和之后朝理论饱和继续抽样，而 AI 编码让冗余几乎可以实时观察，前提是研究者对照原始数据加以核实。
小样本能达到饱和吗？
可以，只要样本具有很高的信息效力：目标狭窄、相关性密集、受访者对话质量高，都可以使较小的 N 也足够。请说明你的小样本为何足够，而不是只断言饱和。
结论
数据饱和是有用的规划参照，却是薄弱的停止规则。弄清你主张的是哪一种饱和，报告你是如何判断的，尤其是在有 AI 参与的情况下，把“没有新编码”当作需要对照数据核实的事项，而不是可以想当然的终点。如果你想在不承担人工收集与编码成本的情况下达到并检验饱和，不妨开展一项 AI 主持的访谈研究，并让 ThemeLens 使冗余变得可见。免费开始，赠送 30 个积分，无需信用卡。