主题分析：Braun and Clarke 的六个阶段详解（2026 指南）

撰稿：Fengming Liu (UCL) · 审校：Prof. Shubin Yu (HEC Paris) · May 2026 · 更新日期: 2026-05-30 · 16 min read

主题分析是大多数定性研究者最先想到的方法——也是最常被草率对待的方法。做得好时，它是一种严谨、透明的方式，用于在访谈、焦点小组或开放文本中发现并报告意义的模式。本指南将依据 Braun and Clarke 被广泛引用的框架，逐阶段地讲解它，并指出 AI 如今在哪些环节加快了工作，而又不取代你的判断。

了解更广泛的分析背景，参见我们的定性数据分析指南；了解基础知识，参见定性研究入门。

什么是主题分析？

主题分析是一种系统化地识别、分析和报告意义模式——即主题——的方法，贯穿整个定性数据集。它是最灵活、使用最广泛的定性分析方法，因为它并不依附于单一的理论框架：它可以跨学科、跨范式应用，用以理解人们如何体验和谈论某个话题。

一个主题捕捉的是数据中与研究问题相关的某种重要内容，代表着贯穿数据集的某种模式化的回应或意义。其目标不是概括人们说了什么，而是诠释这些话意味着什么。

主题分析的类型

"主题分析"其实是一个方法家族。三组关键区分塑造了你的具体做法：

归纳式 vs. 演绎式——主题从数据中浮现（归纳式），或由既有理论或编码簿引导（演绎式）。大多数研究两者兼用。
语义层 vs. 潜在层——分析停留在明确的表层意义（语义层），或诠释其背后的假设与观念（潜在层）。
反身式 vs. 编码信度式——主题通过研究者主动、反身的诠释来发展，或通过有结构的编码簿、多名编码者及一致性检验来发展。Braun and Clarke 后期的工作强调反身式。

Braun and Clarke 的六个阶段

六阶段框架是主题分析的骨架。这些阶段是递归的，而非严格线性的——随着理解的深入，你会在它们之间来回移动。

熟悉数据——通读并反复阅读整个数据集，若有录音则聆听，并记下初步想法。你无法在自己并不熟悉的数据中发现模式。
生成初始编码——系统地梳理数据，为看起来有趣或相关的特征附上简洁的编码。编码时宁宽勿严，并保留一些周边语境。
搜索主题——把编码归类、汇集成候选主题，并收集与每个主题相关的全部数据。地图等可视化工具在此很有帮助。
审查主题——将候选主题对照其编码摘录（它们是否自洽？）以及整个数据集（它们是否契合？）加以检验。按需拆分、合并或舍弃。
定义并命名主题——清楚地写出每个主题是关于什么、不关于什么，并给它一个简洁、有信息量的名称。每个主题都应有清晰的焦点，并讲述整体故事的一部分。
撰写报告——将各个主题编织成一段分析性叙事，辅以生动、具有代表性的摘录，回应研究问题并与文献对话。

编码 vs. 主题 vs. 话题

这三者常被混淆，而这种混淆会削弱分析：

编码是贴在某个具体数据片段上的简短标签（例如"定量分配时间"）。
主题是由众多编码构建而成、更宽泛的模式，提出某个分析性观点（例如"控制是通过日常的小取舍来实现的"）。
话题只是一个主题领域（例如"时间"）。主题是关于某个话题说了点什么；而单独的话题并没有。

在 AI 辅助下进行主题分析

AI 可以加速最耗费人力的阶段——在几分钟内为大型数据集生成初始编码，并把它们聚类成候选主题——从而把审查、定义和叙述这些诠释性工作留给研究者。以"人在回路"的方式使用时，这既保留了优秀主题分析核心处的反身判断，又消除了瓶颈。关于如何保持严谨，参见 GenAI 辅助的定性研究。

常见陷阱

把话题当成主题——一份主题领域的清单不是分析；主题必须提出一个观点。
把访谈问题当成主题——按提问来组织发现，而不是按意义的模式来组织。
证据单薄——主题缺乏足够数据支撑，或仅靠精挑细选的引语支撑。
主题彼此重叠——主题之间不够清晰可辨，说明审查阶段做得太匆忙。
跳过熟悉数据——在真正了解数据之前就开始编码。

确保严谨性

主题分析的评判标准是可信度，而非统计量。可以通过以下方式加强它：编码决策的审计轨迹、清晰的主题定义、具有代表性（而非精挑细选）的摘录、对自身影响的反身性，以及——对于编码信度式的变体——编码者间一致性检验。

一个完整示例

熟悉——将 18 份关于远程办公幸福感的访谈通读两遍，记下印象。
编码——生成诸如"随时在线的内疚感""界限模糊""标志停止的仪式"等编码。
搜索——把编码聚类成诸如"界限必须被主动建立"这样的候选主题。
审查——对照摘录与整个数据集检验主题；合并两个重叠的主题。
定义——精确地命名并定义每个主题。
报告——撰写叙事，配以代表性引语并与文献相联系。

核心要点

主题分析系统化地在定性数据中发现并报告意义的模式（主题）。
它在归纳/演绎、语义层/潜在层、反身式/编码信度式这几个维度上各有不同。
Braun and Clarke 的六个递归阶段从熟悉数据一直到撰写成文。
主题提出一个分析性观点；它不止是一个编码，也不止是一个话题。
AI 可以加速编码和主题搜索，但诠释仍由人来完成。

常见问题

什么是主题分析？

它是一种灵活的定性方法，用于系统化地在访谈或开放式回答等数据集中识别、分析和报告意义的模式（主题），以诠释数据意味着什么。

Braun and Clarke 的主题分析六个阶段是什么？

熟悉数据；生成初始编码；搜索主题；审查主题；定义并命名主题；以及撰写报告。这些阶段是递归的，而非严格线性的。

编码和主题有什么区别？

编码是贴在某个具体数据片段上的简短标签；主题则是由众多编码构建而成、更宽泛的模式，就数据集与研究问题的关系提出一个分析性观点。

什么是反身式主题分析？

它是 Braun and Clarke 所强调的方法，其中主题是通过研究者的诠释与反身性主动发展出来的，而不是通过固定的编码簿和编码者间一致性。

主题分析是归纳式还是演绎式？

两者皆可，亦可兼有。归纳式分析让主题从数据中浮现；演绎式分析则由既有理论或编码簿引导。许多研究将两者结合。

AI 能做主题分析吗？

AI 可以快速为数据集生成初始编码并提出候选主题，但审查、定义和诠释主题应在"人在回路"的工作流程中由研究者来完成。