简短回答：话语分析（discourse analysis）是一组定性研究方法，研究语言如何\"做事\"：如何建构身份、框定问题、维系或挑战权力。主题分析关注受访者说了什么，话语分析则追问他们为什么这样说、以什么方式说。请在收集数据之前选定一个流派（批判话语分析、话语心理学、福柯式分析或 Gee 的方法），因为每个流派都意味着不同的研究问题和分析单位。
定性研究中的话语分析常常是博士生在觉得主题分析\"太平\"时转向的方法。他们的访谈里充满了含糊其辞、自我辩护、借来的说法和机构行话，真正有意思的发现不是话题本身，而是人们谈论它的方式。本指南解释什么是话语分析，比较四大主要流派，给出分步流程和一个实例，并说明 AI 工具在哪些环节有帮助、以及 2026 年的研究显示它们在哪些方面仍有不足。
\n\n话语分析是对使用中的语言进行的定性研究。它把谈话和文本视为社会行动：人们用词语来辩解、归咎、接纳、排斥、说服，以及为自己和他人定位。分析者考察用词、隐喻、语法、论证结构和更广泛的社会语境，以解释一段话语实现了什么，以及它使哪些想法或说法成为可能。
\n数据可以是访谈记录、焦点小组讨论、政策文件、新闻报道、社交媒体帖子或会议录音。变化的是研究问题。主题分析者会问：\"护士们怎么谈论工作量？\"话语分析者会问：\"护士们如何把工作量建构为个人失败或机构问题？每种建构又带来了什么？\"
\n\n正如 Gee 在 An Introduction to Discourse Analysis 中指出的，没有哪一种方法是唯一正确的。不同方法适合不同的问题。下表概括了社会科学、健康、教育和管理研究中最常见的四个流派。
\n| 流派 | 核心问题 | 分析单位 | 典型数据 | 适用情形 |
|---|---|---|---|---|
| 批判话语分析（Fairclough） | 语言如何再生产或抵抗权力与不平等？ | 文本、话语实践与社会实践（三个维度） | 政策、媒体、组织文件、访谈 | 研究问题涉及意识形态、权力或社会变迁 |
| 话语心理学（Potter 与 Wetherell） | 人们在这段互动中用谈话做了什么？ | 话轮、陈述、诠释性话语库（interpretative repertoires） | 自然发生的谈话、访谈、焦点小组 | 把态度、身份或问责视为在谈话中\"做出来\"的东西 |
| 福柯式话语分析 | 某种话语使人们能够知道、说出或成为什么？ | 话语构型、主体位置、历史变迁 | 档案、专业文本、历年指南 | 研究某些范畴（如\"患者\"\"用户\"）是如何形成的 |
| Gee 的方法 | 语言如何建构意义、身份、关系与政治？ | 通过\"建构任务\"（building tasks）分析的话语片段 | 访谈、课堂话语、日常对话 | 需要一套结构化、易教授的工具，常见于教育研究 |
在流派之间做选择是研究设计决策，而不是风格偏好。Ong、Beaumont、Caine 和 Slemon（2024）描述了两名护理学硕士生在 Fairclough 与福柯之间做选择的过程，结论是：决策取决于研究的实质焦点、研究者的方法论知识，以及其立场和兴趣（International Journal of Qualitative Methods，2024）。
\n\n这三种方法常被混淆，因为它们可以使用同一批访谈记录。区别在于你提出的问题，以及什么算作研究发现。
\n一个实用的检验方法：如果把引文改写后你的发现依然成立，你做的多半是主题分析；如果改写会摧毁发现——因为确切的措辞、含糊语或隐喻本身就是重点——你做的就是话语分析。如果关注的是人生故事和事件顺序，可以考虑叙事分析。
\n\n以下步骤是一个通用框架。请根据所选流派调整，并在方法部分引用该流派自身的方法论文献。
\n设想一位医院管理者在访谈中说：\"显然，我们都想给病人更多时间，但现实是，体制就是不允许。\"
\n主题分析者可能把这句话编码为\"时间压力\"。话语分析者则会认为它体现了一种推卸问责的话语库，并进一步在整个语料库中考察：这种话语库何时出现、由谁使用、又压制了什么。
\n\n在向研究团队推荐话语分析之前，我们会使用这份由 Qualitati 制定的清单。如果你勾不满至少五项，换一种方法可能更适合你的研究。
\n部分可以。LLM 可以起草对框架和论证结构的初步解读，但会遗漏隐含意义，最终解读必须由人来完成。
\n最直接的证据来自意大利国家研究委员会计算语言学研究所（CNR-ILC）的 Francesca Cristiano 和 Emiliano Giovannetti。在 2026 年 6 月 22 日发表于 Umanistica Digitale 的一项试点研究中，他们基于三名人工评分者对 30 篇来自不同意识形态报纸、关于 10 月 7 日袭击事件媒体报道的评论文章的分析，构建了共识金标准。随后让一个 LLM 回答同样的分析问题。它在宏观和超结构特征上表现良好，但在委婉语识别等微观结构特征上表现吃力。该研究的简短版本于 5 月发表在 LREC 2026 的 LLMs4SSH 研讨会上。作者的结论是：LLM 最好被视为辅助解读的工具，而不是人类分析者的替代品。
\n这与我们在 AI 辅助编码中普遍观察到的情况一致。模型善于概括文本论证了什么，却不善于把握文本暗示了什么。委婉、反讽、策略性含糊和缺席的施动者，恰恰是话语分析者最关心的特征。模型还可能捏造或篡改引文，这对一种以确切措辞为基础的方法是致命的。参见 LLM 定性分析中的虚构引文。
\n\n| 任务 | 交给 AI？ | 原因 |
|---|---|---|
| 转写与语料整理 | 可以，需抽查 | 机械性工作；措辞关键处需对照音频核实 |
| 查找某个短语、代词或隐喻族的所有出现 | 可以 | 大规模检索；由人来阅读检索结果 |
| 概括文本的整体论证或框架 | 作为初稿 | 2026 年的证据显示，宏观特征上人机一致性最高 |
| 识别委婉、反讽、会话含义 | 不行，由人主导 | 模型恰恰在微观、隐含意义上表现吃力 |
| 将话语与权力、意识形态或历史相联系 | 不行，由人主导 | 这是研究提出的解释性主张，需要理论与反思 |
Qualitati 是一个面向高校和研究机构的欧洲、高性价比定性研究平台。它不会自动完成话语分析，我们也认为任何人都不应如此宣称。但它可以加快细读之外的周边工作：
\n适用人群：希望把转写和初步编码交给工具、把时间留给解读的博士生、研究实验室和定性研究公司。你可以从免费版开始（每月 30 点额度，无需信用卡）。查看价格。
\n\n方法说明：上文关于 AI 的证据来自针对一个新闻评论语料库的单一试点研究，可能不适用于访谈数据或其他语言。任何 AI 辅助的话语分析设计都应请方法论导师审阅。
\n\n它研究人们如何用语言做事——例如辩解、说服、接纳或排斥——以及这种语言使用在特定语境中揭示了怎样的身份、关系与权力。
\n主题分析识别受访者所说内容中的模式；话语分析考察他们怎么说、以及这种措辞实现了什么。改写引文通常不影响主题性发现，却会摧毁话语性发现。
\n社会科学中最常见的四种是批判话语分析（Fairclough）、话语心理学（Potter 与 Wetherell）、福柯式话语分析和 Gee 的方法。会话分析是一种密切相关但独立的方法。
\n没有固定数量。话语研究重视深度，因此逐行分析的小型语料库很常见。请根据研究问题和数据丰富程度论证样本量；参见我们关于定性样本量与信息力（information power）的指南。
\n它们可以起草对整体框架的初步解读。2026 年的一项试点研究发现，LLM 在宏观特征上与人工分析者高度一致，但在委婉语等隐含的微观特征上表现较弱。人的解读仍不可或缺。
\n\n定性研究中的话语分析，回报的是那些关心\"怎么说\"而不只是\"说了什么\"的研究者。选择适合研究问题的流派，让语料库小到足以细读，展示你的片段，并把 AI 用于解读周边的机械性工作，而不是解读本身。准备好收集和整理数据了吗？免费开始，赠送 30 点额度，或对比 Qualitati 与 NVivo。
\n\nCristiano, F., & Giovannetti, E. (2026, June 22). Can large language models support critical discourse analysis? A pilot experiment. Umanistica Digitale, 10(24), 47–65. doi.org/10.60923/issn.2532-8816/23143.
\nGiovannetti, E., & Cristiano, F. (2026, May). Exploring the use of large language models in critical discourse analysis: A consensus-based pilot study. LLMs4SSH @ LREC 2026, 18–22. ACL Anthology.
\nOng, Beaumont, Caine & Slemon (2024). Selecting approaches for discourse analysis: Thoughts on nursing research. International Journal of Qualitative Methods, 23. doi.org/10.1177/16094069241299658.
\nGee, J. P. An Introduction to Discourse Analysis: Theory and Method. Routledge.
\n\n最后更新：2026 年 10 月 15 日。本指南为独立编辑总结；Qualitati 与所引用的作者或出版方无隶属关系。
\n","related":[{"slug":"second-cycle-coding-pattern-coding-2026","title":"第二轮编码：模式编码、聚焦编码与轴心编码（2026）","description":"第二轮编码详解：模式编码、聚焦编码与轴心编码的区别，附完整示例、方法选择器，以及 AI 在第二轮编码中能做什么、不能做什么。","category":"定性数据分析","date":"2026-10-08","readTime":"11 分钟阅读","author":"Qualitati 研究团队"},{"slug":"open-axial-selective-coding-2026","title":"开放编码、主轴编码与选择性编码：扎根理论编码指南（2026）","description":"详解扎根理论的开放编码、主轴编码与选择性编码：每个阶段做什么、完整示例、编码范式模型，以及 2026 年 AI 编码工具能帮上哪些忙。","category":"定性数据分析","date":"2026-09-24","readTime":"11 分钟阅读","author":"Qualitati 研究团队"},{"slug":"llm-vs-machine-learning-open-ended-survey-coding-2026","title":"开放式问卷编码：用 LLM 还是机器学习？（2026）","description":"开放式问卷回答该用 LLM、微调模型还是传统机器学习来编码？2026 年证据综述，附决策矩阵。","category":"定性数据分析","date":"2026-09-10","readTime":"9 分钟阅读","author":"Qualitati 研究团队"}]}