定性研究入门：方法、分析与 AI 辅助工具（2026 指南）
撰稿：Fengming Liu (UCL) · 审校：Prof. Shubin Yu (HEC Paris) · May 2026 · 更新日期: 2026-05-30 · 18 min read
定性研究是我们理解那些仅凭数字无法解释之事的方式——人们为什么做出他们的选择、他们如何描述自己的经历，以及他们赋予周遭世界怎样的意义。它支撑着心理学、医疗、教育、市场营销和用户体验等领域的研究，几乎每一个以"为什么？"开始的深刻洞见背后，都有它的身影。
本指南将带你走完一项定性研究的全过程：什么是定性研究、收集数据所用的方法、如何通过编码和主题分析来分析这些数据，以及如何让你的工作保持严谨与合乎伦理。它还涵盖了大多数入门指南略过的内容——AI 主持的访谈和计算文本分析如何重塑这一领域，以及它们在哪些方面有帮助、在哪些方面人类研究者仍不可替代。
什么是定性研究？
定性研究是一种探究方法，它收集和解读非数值数据——文字、观察、图像和录音——以理解概念、经历以及人们赋予它们的意义。定量研究衡量的是有多少或多少个，而定性研究解释的是为什么和如何。它是探索性的、解释性的，并且立足于情境而非统计。
定性研究者通常不是用一个固定假设去检验一个大样本，而是从一个开放性问题出发，让模式从丰富、详尽的叙述中浮现。几个标志性特征定义了这一取径：
- 自然主义——它在人们真实的环境中研究他们，而非在受控的实验室条件下。
- 解释性——研究者的任务是理解意义，而不仅仅是记录行为。
- 归纳性——理论和主题是从数据中建立起来的，而非事先强加于数据之上。
- 富含情境——研究结果始终与其来源的情境和声音紧密相连。
- 迭代性——收集与分析往往在彼此重叠的循环中进行，每一轮都塑造着下一轮。
什么是定性数据？
定性数据是任何捕捉质性而非数量的信息——语言、行为、图像和声音。它通常是非结构化的，意味着它不会以整齐的行列形式呈现，并且在分析之前通常需要被转录、整理和编码。一段访谈中的一句话，所承载的解释性分量可能超过整整一列调查评分。
定性数据的例子
- 深度访谈的转录稿
- 焦点小组讨论及其中的群体动态
- 开放式调查回答
- 观察或民族志的田野笔记
- 个人文档——日记、信件、札记
- 社交媒体帖子、评论和论坛帖
- 照片、视频和屏幕录制
- 录音及其中的语气、停顿和强调
- 会议记录、政策文件和报告
- 研究者的备忘录和反思笔记
定性研究的应用领域
定性方法并不局限于任何单一学科。凡是以人类经验、语言或文化为研究对象之处，都能见到它的身影：
- 心理学——心理健康、身份认同和行为的亲身体验
- 医疗与护理——患者体验、治疗依从性、护理质量
- 教育——学习体验、课堂动态、课程影响
- 社会学与人类学——文化、社会结构和群体行为
- 市场营销与消费者研究——品牌认知、动机、决策
- 用户体验与产品研究——可用性、需求，以及用户行为背后的"为什么"
- 政治学与公共政策——态度、叙事和利益相关者的观点
定性研究 vs. 定量研究
理解定性研究最清晰的方式，就是把它与其对应物并置。这两种取径回答的是不同的问题，并且在不同情境下各有所长。
| 维度 | 定性研究 | 定量研究 |
|---|
| 核心问题 | 为什么以及如何？ | 有多少、多少个、多频繁？ |
| 数据类型 | 文字、图像、观察 | 数字和测量值 |
| 目的 | 探索、理解、解释 | 测量、检验、推广 |
| 样本量 | 小而有目的 | 大而有代表性 |
| 分析 | 编码、主题解释 | 统计检验 |
| 推理方式 | 主要为归纳 | 主要为演绎 |
| 典型产出 | 主题、叙事、理论 | 统计量、相关性、模型 |
| 研究者角色 | 主动的解释者 | 超然的观察者 |
抽象地说，二者并无优劣之分。如果你想知道上一季度有多大比例的客户流失，那是定量问题。如果你想知道他们为什么离开、又如何描述这段经历，那就是定性问题。
混合方法：二者并用
许多最有力的研究在混合方法设计中将二者结合。定性访谈可能浮现出人们使用的主题和语言，进而为大规模定量调查提供依据——或者调查数据可能揭示出一个出人意料的模式，而后续的定性访谈则有助于解释它。二者并用时，数字告诉你发生了什么，而文字告诉你为什么。
规划一项定性研究
好的定性研究是设计出来的，而非即兴而为。在收集第一份访谈之前，有四项规划决策塑造着此后的一切。
1. 研究问题
定性研究问题是开放性和探索性的。它们以"如何""什么"或"以何种方式"等词开头，并且避免预设答案。"第一代大学生如何体验进入大学的过渡？"引向发现；"辅导能提高成绩吗？"则不能。
2. 理论视角（范式）
每位研究者都带着关于何为知识的假设。把它们点明，能让研究保持诚实。常见范式包括建构主义（现实是社会建构的且是多元的）、解释主义（目标是理解意义）和批判理论（研究应揭示并挑战权力结构）。你的范式指导着哪些方法适用，以及你如何解释所发现的内容。
3. 文献综述
文献综述把你的研究置于已知的脉络之中。它显示出你的研究所填补的空白，使你的问题更加锐利，并防止你重新发现该领域多年前就已确立的东西。在归纳式设计中，一些研究者会刻意在早期保持综述的轻量，以免既有理论使他们对数据中所注意到的内容产生偏见。
4. 抽样与饱和
定性研究使用目的性抽样——选择那些能就该问题作出丰富回应的参与者，而非随机的横截面。样本量在设计上就是小的。你持续收集数据，直到达到饱和：即新的访谈不再产生新主题的那一刻。对许多访谈研究来说，这一数字落在 12 到 30 名参与者之间，尽管恰当的数字始终取决于研究主题。
定性研究方法
"方法"指的是你如何收集数据。主要的定性方法各自捕捉人类经验的不同切面，而许多研究会同时结合多种方法。
访谈
深度访谈是定性研究的主力：一场有引导的一对一对话，旨在引出个体的经历、信念和推理。访谈从结构化（固定脚本）经半结构化（一份指南加上顺着有趣线索追问的余地）到非结构化（一场松散、对话式的探索）不等。半结构化访谈最为常见，因为它在参与者之间的一致性与深入追问的自由之间取得了平衡。
焦点小组
焦点小组将少数参与者——通常 6 到 10 人——聚在一起，以群体方式讨论某一主题。焦点小组的独特之处在于其互动：人们彼此补充、挑战和回应，浮现出一对一访谈会错过的共享规范和分歧。它们被广泛用于市场研究、政策工作和产品设计。代价是强势的声音可能会盖过较安静者，因此娴熟的主持至关重要。
观察与民族志
观察研究意味着在行为自然展开之时进行观察和记录。民族志更进一步：研究者长时间沉浸于某一社群或环境之中，往往以参与者身份，从内部理解文化。这些方法揭示人们实际所做之事——而这并不总是他们在访谈中所说自己会做的事。
个案研究
个案研究是对单一有界单元——某个人、组织、事件或项目——的深入考察，通常同时借助多个数据来源。当情境与现象密不可分、且你想要深度而非广度时，个案研究便颇具威力。
文档与内容分析
并非所有定性数据都是第一手收集的。研究者也分析既有材料——政策文件、媒体报道、历史记录、在线评论或社交媒体——以理解某一主题是如何被框定和讨论的。这是通向本指南后文所述计算方法的天然桥梁。
AI 主持的访谈：一种新方法
定性研究近来最大的转变之一，是AI 主持的访谈的出现——由对话式 AI 进行的访谈，它实时地提问、聆听回答并追问，可以语音或文字形式进行。AI 依据研究者设计的访谈指南工作，但会像娴熟的人类主持者那样，针对每位参与者调整其追问。
这出于三个实际原因而重要。第一是规模：AI 主持者可以并行开展数百场访谈，在任何时段、以多种语言进行，因此定性的深度不再受限于研究团队能亲自安排多少场访谈。第二是一致性：每位参与者都获得同样经过校准的方式，消除了人类访谈者之间日常的差异。第三是速度：转录是自动的，分析可以立即开始。
AI 主持并不取代研究者的判断——它延伸了研究者的触及范围。研究者仍然设计研究、撰写指南、设定伦理边界并解释研究结果。AI 处理田野工作中那些重复且可规模化的部分。
诚实的告诫是：AI 主持者可能错过人类会捕捉到的微妙情绪线索，而敏感话题或许需要人性化的处理。若运用得当，最好将它们理解为工具箱中一种强大的新方法，而非对人类主导访谈的全盘替代。我们将在下文回到这方面的伦理问题。
如何分析定性数据
收集数据只是工作的一半。分析是将原始转录稿和田野笔记转化为研究结果的过程。这一过程是系统性的，尽管它所处理的是杂乱、属人的材料。
第 1 步：转录
音频和视频首先要变成文字。转录过去每场访谈要耗费数小时；如今 AI 语音转文字能在几分钟内生成一份近乎完整的转录稿，研究者只需核实准确性，并捕捉诸如长时间停顿或笑声等有意义的非言语细节。
第 2 步：编码
编码是定性分析的核心：用简短的标签标记数据片段以捕捉其含义，从而能在整个数据集中对它们进行分组和比较。编码大致有两种取径，而多数研究会将二者融合：
- 归纳（开放）编码——编码从数据本身浮现，没有预先设定的清单。最适合探索全新的事物。
- 演绎编码——你从源于理论或先前研究的编码手册出发，并将其应用于数据。最适合检验或扩展既有框架。
随后，编码被组织为更宽泛的类别，类别再组织为主题——这一过程有时被描述为从开放编码走向轴心编码。
第 3 步：主题分析
主题分析是识别整个数据集中意义模式最广为使用的方法。Braun and Clarke 著名的六阶段框架为它提供了清晰的结构：
- 熟悉数据——反复阅读数据，直到你对它了如指掌。
- 生成初始编码——在整个数据集中系统地标记有意义的特征。
- 寻找主题——将相关编码归入候选主题。
- 审视主题——对照编码后的数据和整个数据集来检验主题。
- 界定并命名主题——明确每个主题所涉及与不涉及的内容。
- 撰写成文——将主题编织成一段有生动引文支撑的分析性叙事。
其他分析取径
- 扎根理论——通过持续比较直接从数据中建立理论；当没有既有理论契合时最为理想。
- 内容分析——系统地对文本中概念的出现进行分类，并常加以计数。
- 叙事分析——关注人们讲述的故事以及他们如何建构这些故事。
- 话语分析——考察语言如何建构意义并反映权力。
面向定性数据的计算文本分析
随着数据集不断增长——数千份开放式回答、数年的评论、数百份转录稿——单凭人工编码已难以跟上。计算文本分析运用自然语言处理（NLP）和机器学习来分析大量定性文本，浮现出人类团队需要数周才能找到的模式。
最常见的技术包括：
- 主题建模——诸如 LDA 或更新的基于嵌入的方法等算法，它们检测共现词的聚类，并浮现出贯穿语料库的潜在主题。
- 情感分析——按情绪基调对文本分类，有助于追踪情感在数据集中的变化。
- 命名实体与关键词提取——自动抽取出重要的人物、组织和概念。
- LLM 辅助编码——使用大语言模型来建议编码和主题，再由研究者审阅、优化并批准。
AI 辅助编码 vs. 人工编码
这并非非此即彼——最有力的工作流以 AI 求速度和广度，以研究者求判断和深度。它们的对比如下：
| 因素 | 人工编码 | AI 辅助编码 |
|---|
| 速度 | 慢——数天到数周 | 快——数分钟到数小时 |
| 一致性 | 随疲劳和编码者而异 | 在整个数据集中高度一致 |
| 规模 | 受限于人力工时 | 可处理超大型数据集 |
| 细微差别与情境 | 强——能捕捉反讽、潜台词 | 不断改进，但可能错过微妙之处 |
| 研究者控制 | 完全 | 由研究者审阅并批准 |
| 透明度 | 完全可追溯 | 需谨慎以保持可审计 |
| 成本 | 人力成本高 | 设置之后单位成本低 |
正在形成的共识是一种人在回路模型：AI 在整个数据集上完成编码和主题的初稿，研究者则进行验证、修正和解释。这既保留了计算的速度，又维系了界定优良定性工作的解释性严谨。
确保严谨：定性研究中的可信度
由于定性研究不依赖统计显著性，它有自己的质量标准。最广为引用的框架（Lincoln and Guba）定义了可信度的四项标准：
- 可信性——研究结果是否可信？相关技术包括成员核查和对多个数据来源的三角验证。
- 可迁移性——研究结果能否适用于别处？通过对情境的厚重、详尽描述来实现。
- 可靠性——若重复进行，过程是否一致？由清晰、有记录的审计轨迹支撑。
- 可确认性——研究结果是立足于数据还是研究者的偏见？由反身性和透明的推理来支撑。
伦理考量
定性研究处理的是人们的故事，往往涉及敏感话题，因此伦理并非项目末尾的一个勾选项——它贯穿整个项目。
- 知情同意——参与者必须理解研究所涉及的内容，并自由地同意参与。
- 保密与隐私——保护身份并保障敏感数据安全，包括对引文的审慎匿名化。
- 偏见——认识并尽量减少研究者的预期影响其所听所报的方式。
- 权力动态——意识到研究者与参与者之间的不平衡，并努力加以缩减。
- 反身性——持续审视自己的假设、立场以及对研究的影响。
AI 时代的伦理
AI 辅助方法增添了新的责任。在使用 AI 主持者或计算分析时，研究者应就 AI 的角色向参与者保持透明、在文本由外部模型处理时保护数据隐私、警惕 AI 在编码或解释回答时的算法偏见，并让一位人类对每一项发表的研究结果负责。原则很简单：AI 可以辅助工作，但它无法承担判断。
一个实例
为了把整个过程集中呈现，设想一项研究在问："远程员工如何体验职场归属感？"
- 设计——一项半结构化访谈研究，采用建构主义范式，目的性抽取 20 名远程工作者。
- 收集——30 至 45 分钟的访谈，自动进行并转录；研究者审阅每份转录稿。
- 编码——一次归纳式初步处理（AI 辅助）生成诸如"非正式闲聊""存在感焦虑"和"每日站会的仪式"等候选编码，由研究者加以优化。
- 构建主题——编码聚合为诸如"归属感建立于微小的时刻之中"和"距离滋生出对自身地位的怀疑"等主题。
- 验证——与若干参与者的成员核查确认这些主题听来真切。
- 撰写成文——以代表性引文呈现主题，并将其与组织归属感的相关文献相联系。
定性研究工具
合适的工具取决于你的预算、对 AI 辅助的需求，以及你对平缓学习曲线的看重程度。以下是对主要选项的诚实比较。
| 工具 | 典型成本 | AI 辅助编码 | 内置转录 | 学习曲线 |
|---|
| NVivo | 1,000+ 美元/年 | 有限 | 附加组件 | 陡峭 |
| ATLAS.ti | $$ | 有（较新） | 附加组件 | 中等—陡峭 |
| MAXQDA | $$ | 有限 | 附加组件 | 中等 |
| Dovetail | $（按席位） | 有 | 有 | 平缓 |
| QualiTaTi | 免费版；Scholar 自每月 19 美元起 | 有——核心功能 | 有，自动 | 平缓 |
诸如 NVivo 和 ATLAS.ti 之类的传统桌面工具功能深厚、根基稳固，但价格昂贵且学习起来费力。较新的 AI 原生平台将转录、AI 辅助编码乃至 AI 主持的访谈整合进单一工作流，既降低了成本，又缩短了产出洞见所需的时间——对于没有机构许可证的学生和小型研究团队尤为可贵。
要点回顾
- 定性研究使用诸如访谈、观察和文本等非数值数据，解释人类行为背后的为什么和如何。
- 核心方法包括访谈、焦点小组、观察/民族志、个案研究和文档分析。
- 分析从转录走向编码再走向主题分析，以可信度而非统计显著性来评判。
- AI 主持的访谈和计算文本分析增添了规模、速度和一致性——最好在人在回路模型中使用。
- 伦理与严谨贯穿始终，在 AI 成为工作流一部分时更是如此。
常见问题
用简单的话说，什么是定性研究？
它是用文字和观察而非数字来研究经历、意义和行为的研究，旨在理解某事为什么以及如何发生，而非它有多少。
定性研究和定量研究有什么区别？
定性研究通过非数值数据和小而有目的的样本来探索意义；定量研究用数值数据和大而有代表性的样本来测量和检验。许多研究在混合方法设计中将二者结合。
主要的定性研究方法有哪些？
最常见的五种是深度访谈、焦点小组、观察与民族志、个案研究，以及文档或内容分析。
AI 能做定性分析吗？
AI 可以转录访谈、建议编码、运行主题建模和情感分析，甚至大规模主持访谈。它在人在回路模型中效果最佳，由研究者设计研究并验证和解释每一项研究结果——AI 加速了工作，但解释性判断仍归人类。
定性数据分析需要多长时间？
手动进行时，编码和主题分析可能需要数天到数周，取决于数据集规模。AI 辅助的工作流可以在几分钟内产生初步编码，让研究者把时间集中在审阅和解释上。
定性研究可靠吗？
当严谨地进行时，是可靠的。定性工作不以统计可靠性，而以可信度来评判——可信性、可迁移性、可靠性和可确认性——由三角验证、成员核查、审计轨迹和反身性等技术支撑。
一项定性研究需要多少参与者？
没有固定数字——你持续收集数据直到达到饱和，即新参与者不再揭示新主题的那一刻。对访谈研究而言，这往往是 12 到 30 人，取决于主题的复杂程度。