生成式 AI 辅助的定性研究：实用指南（2026）

撰稿：Anqi Yu (Ghent University) · 审校：Prof. Shubin Yu (HEC Paris) · May 2026 · 更新日期: 2026-05-30 · 17 min read

短短几年间，生成式 AI 已从一个新奇之物变成许多定性研究者工具箱中可用的一部分。它能起草一份访谈指南、开展并转录一场访谈、在上百份转录稿中提出编码，并概括主题——这些任务过去都要耗费数周。对研究者而言，问题不再是是否要接触它，而是如何在不牺牲使定性工作可信的严谨与伦理的前提下去运用它。

本指南是一张关于生成式 AI 贯穿定性工作流的实用、平衡的地图：它在哪些方面真正有帮助、在哪些方面力有不逮，以及如何负责任地使用它。它假定你已了解基础——若尚未了解，请从定性研究入门和定性数据分析开始。

什么是生成式 AI 辅助的定性研究？

生成式 AI 辅助的定性研究是使用生成式 AI——诸如 GPT、Claude 和 Gemini 这样的大语言模型（LLM）——来支持定性研究生命周期中各项任务的实践，从研究设计和数据收集到编码、分析和报告。其界定原则是增强而非自动化：AI 加速劳动密集的部分，而研究者保持对设计、解释和问责的控制。

它与早期的计算方法在性质上、而不仅在程度上有别。诸如主题建模（在我们的计算文本分析指南中有所涵盖）这样的技术在统计意义上处理文本，而生成式 AI 带着情境和细微差别去阅读，并响应通俗语言指令——把接近人类阅读理解的能力带到计算规模。

生成式 AI 在工作流中的位置

生成式 AI 几乎能支持一项定性研究的每一个阶段。以下是它的用武之地以及每一步需要注意的事项。

研究设计与访谈指南

LLM 可以起草访谈指南、建议追问问题，并帮助精炼研究问题。它们是快速的头脑风暴伙伴——但研究者必须确保问题非诱导性、有理论根基，并对目标人群恰当。

数据收集与 AI 主持的访谈

对话式 AI 如今能直接开展访谈——实时地提问、聆听并追问，可大规模、以多种语言进行。这极大地扩展了触及范围，尽管敏感话题和微妙的情绪线索可能仍需人类访谈者。

转录

AI 语音转文字能在几分钟内产生一份近乎完整的转录稿。这是争议最少、最成熟的用途，研究者只需核实准确性并补充有意义的非言语细节。

编码

LLM 可以从数据中提出归纳编码，或在一次处理中把一本演绎编码手册应用于整个数据集。研究越来越多地发现，AI 编码在许多任务上可接近受训的人类编码者——前提是有一位研究者审阅、修正和验证其输出。

主题发展与综合

在编码之外，生成式 AI 可以把编码聚合为候选主题、浮现矛盾，并起草分析性概要——这是供研究者审问和精炼的有力初稿，绝非成品分析。

报告

AI 可以概括研究结果、起草章节、选取示例性引文，并为不同受众调整语言——而研究者负责准确性，并对照来源核实每一条引文。

合成参与者——需谨慎

一种新兴用途是生成合成参与者或焦点小组，以在田野工作之前试测工具和探索假设。它们对预演和设计可能有用，但合成回答并不能替代真实的人类数据，绝不能以此呈现。

生成式 AI vs. 传统计算方法

方面	生成式 AI（LLM）	传统计算方法
它如何阅读文本	情境化、细致、遵循指令	统计性（词频、分布）
设置	通俗语言提示词	参数、训练或带标签数据
灵活性	能处理开放、多样的任务	狭窄、特定于任务
透明度	较低——推理不透明	较高——方法是明确的
主要风险	幻觉和偏见	过度简化、错过情境

人在回路原则

每一种对生成式 AI 的负责任使用都共享同一结构：AI 提议，人类裁定。模型完成快速、可规模化的工作——初步编码、主题图初稿、一份概要——而研究者验证、修正和解释，对发表的研究结果保持完全负责。

生成式 AI 改变的是研究者努力的去向，而非是否需要努力。曾经花在第一遍编码上的时间，转移到了审阅、挑战和解释 AI 输出上。判断仍归人类；唯有繁重的劳作被委派出去。

能力与局限

它擅长之处：转录、大规模初步编码、概括、多语言工作、对大型数据集的快速探索，以及对编码手册的一致应用。

它的困难之处：

幻觉——它可能产生看似可信却虚假的陈述，包括编造的引文。
偏见——它可能复制其训练数据中存在的偏见。
深层情境——反讽、文化潜台词和情绪细微差别可能从它那里溜走。
不透明——其推理难以审视，使透明度变得复杂。
非确定性——同一个提示词可能产生不同输出，为求可复现必须加以管理。

让 AI 辅助研究保持严谨

AI 辅助工作的可信度依靠与任何定性研究相同的可信度标准，再加上若干 AI 特有的保障：

人类验证——对照源数据审阅 AI 输出；绝不发表未经核实的结果。
人—AI 一致性核查——把 AI 当作一名编码者，在一个样本上测量它与人类编码者的一致程度，正如你为评分者间信度所做的那样。
提示词与模型透明度——记录所用的提示词、模型和版本，使分析可被理解和重复。
三角验证——以其他数据、方法或分析者印证 AI 得出的研究结果。
审计轨迹——记录在每个阶段何处、如何使用了 AI。
大规模抽查——当 AI 编码数千个条目时，核实一个代表性样本并报告错误率。

伦理与负责任的使用

生成式 AI 引入了超越普通研究伦理的真实伦理义务：

知情同意——如果 AI 将开展或分析参与者的访谈，要告知他们。
数据隐私——理解参与者数据在被发送给模型时去向何处；避免把敏感数据暴露给可能保留它或用它训练的服务，并优先选择保护隐私的选项。
偏见与公平——主动核查 AI 不会系统性地误读特定群体或方言。
透明与披露——在你的方法部分披露 AI 的使用；许多期刊和资助方如今已作要求。
问责——一位人类研究者对每一项主张始终负责；"是 AI 说的"绝不能作为辩解。
数据完整性——绝不把合成或 AI 生成的回答冒充为真实的参与者数据。

最佳实践

从问题出发，而非从工具出发——在 AI 真正有帮助之处使用它，而非处处使用。
在每一个解释性步骤保持人在回路。
验证一切——对照来源核实引文、编码和主题。
记录 AI 的使用——提示词、模型、版本和阶段，作为审计轨迹的一部分。
保护参与者数据——选择具备恰当隐私保证的工具。
透明披露——在你发表时说明 AI 是如何被使用的。
保持问责——对研究结果负责；AI 是助手，而非作者。

一个实例

假设你正在研究患者对远程医疗的体验，共有 60 场访谈。

设计——在 AI 辅助下起草并批判性地修订一份访谈指南。
收集——开展访谈（部分由 AI 主持）、自动转录，并核实每份转录稿。
编码——一个 LLM 在全部 60 份转录稿中提出归纳编码；两名人类编码者审阅一个 20% 的样本，并测量与 AI 的一致程度。
主题——AI 把编码聚合为候选主题；团队对它们加以审问、合并和重命名。
验证——以田野笔记三角验证、与患者进行成员核查，并抽查 AI 编码的准确率。
报告——以经核实的引文撰写研究结果，并附上一段关于 AI 如何被使用的透明说明，包括提示词和模型版本。

要点回顾

生成式 AI 辅助的定性研究使用 LLM 在整个工作流中增强——而非取代——研究者。
它支持设计、数据收集、转录、编码、主题发展和报告，每一项都附有告诫。
不同于统计性文本方法，生成式 AI 带着情境和细微差别去阅读，但它可能产生幻觉并吸收偏见。
严谨依赖于人类验证、人—AI 一致性核查、提示词透明、三角验证和审计轨迹。
伦理要求知情同意、数据隐私、偏见核查、披露，以及坚定不移的人类问责。

常见问题

什么是生成式 AI 辅助的定性研究？

它是使用诸如大语言模型这样的生成式 AI 来支持定性研究任务——起草指南、开展并转录访谈、编码数据和发展主题——同时研究者保持对设计和解释的控制。

生成式 AI 能准确地编码定性数据吗？

AI 可以快速地在整个数据集上应用一本编码手册或提出归纳编码，研究显示它在许多任务上可接近受训的人类编码者。准确性仍须通过测量人—AI 一致程度并抽查结果来验证。

在定性研究中使用 AI 合乎伦理吗？

当负责任地使用时，是合乎伦理的：就 AI 的参与取得知情同意、保护参与者数据隐私、核查偏见、在发表时披露 AI 的使用，并让一位人类对所有研究结果负责。绝不把 AI 生成的回答呈现为真实数据。

AI 会取代定性研究者吗？

不会。生成式 AI 自动化了劳动密集的步骤，但无法取代研究者的判断、理论框定、伦理责任或解释性洞见。可靠的模型是人在回路的增强。

我如何让 AI 辅助分析保持严谨？

对照源数据验证 AI 输出、像评分者间信度那样测量人—AI 一致程度、记录你的提示词和模型版本、三角验证研究结果，并维护一份关于 AI 在何处被使用的审计轨迹。

我必须披露我使用了 AI 吗？

越来越是如此。许多期刊和资助方如今要求一段说明 AI 在研究中如何被使用的陈述。无论如何，在你的方法部分透明披露都是最佳实践。

使用 AI 工具时的数据隐私如何？

理解参与者数据在被你发送给模型时去向何处，以及它是否可能被保留或用于训练。优先选择保护隐私的工具、尽可能匿名化，并避免把敏感数据暴露给缺乏充分保障的服务。