简短回答：主题分析主要有三种类型。编码信度型主题分析使用固定的编码手册，由多名编码者编码并测量一致性。编码手册型主题分析（模板分析、框架分析）使用结构化编码手册，但把编码视为诠释性工作。反思性主题分析认为主题是研究者在与数据的深入互动中建构出来的，不计算信度分数。请选择与你的认识论相符的类型，并在论文中明确写出其名称。
最后更新：2026 年 11 月 5 日
\n\n“我们采用了主题分析”是定性研究方法部分最常见的一句话，也是信息量最少的一句话。自 2019 年以来，Virginia Braun 和 Victoria Clarke 一直主张：主题分析不是单一方法，而是一个方法家族；他们在已发表论文中看到的多数质量问题，都来自把这个家族里的不同成员混为一谈。本文介绍主题分析的类型、它们之间的区别、如何选择，以及当 AI 工具承担部分编码工作时会发生什么变化。
\n\n主题分析的三种类型是编码信度型、编码手册型和反思性主题分析。它们目标相同——在整个数据集中寻找意义模式——但对“意义是被发现的还是被建构的”有不同假设。Braun 和 Clarke 在 2019 年和 2021 年的著作中提出了这一分类，包括《One size fits all? What counts as quality practice in (reflexive) thematic analysis?》（Qualitative Research in Psychology，18(3)，328–352）。
\n\n编码信度型主题分析认为主题是存在于数据中、可以被准确找到的模式。编码手册在早期建立，通常基于理论，由两名或以上编码者独立使用。一致性用 Cohen's kappa 或 Krippendorff's alpha 等统计量衡量，并通过化解分歧来提高信度。常用参考文献是 Boyatzis（1998）以及 Guest、MacQueen 和 Namey 的《Applied Thematic Analysis》（2012）。这里的主题往往更接近话题摘要（“受访者谈到了成本”），而非诠释性论断。
\n\n编码手册型主题分析保留结构化编码手册，但放弃“一致即准确”的观念。编码被视为诠释性的，编码手册是服务于团队协作、时间节点和预设问题的实用工具。模板分析（King）和框架分析（Gale 等，2013，BMC Medical Research Methodology）属于此类。主题常在完整编码之前就部分形成，编码手册随分析推进不断修订。
\n\n大多数人引用 Braun 和 Clarke（2006）时，指的就是反思性主题分析。主题由研究者“生成”，而不是从数据中“发现”。编码开放而灵活，通常由一人完成，或由追求更丰富诠释而非共识的团队完成。研究者的主观性是一种资源，通过反思性加以记录；不使用编码手册，也不计算信度分数。主题是围绕一个核心概念组织起来的共享意义模式，而不是把某个话题下所有说法装进一个筐里。
\n\n| 维度 | 编码信度型 | 编码手册型 | 反思性 |
|---|---|---|---|
| 对意义的看法 | 被发现；更接近（后）实证主义 | 诠释性、务实 | 被建构；完全定性 |
| 编码手册 | 早期固定，所有编码者共用 | 结构化，分析中修订 | 无；编码自由演变 |
| 编码者 | 两名或以上，相互独立 | 通常为团队 | 通常为一名研究者 |
| 评分者间一致性 | 核心质量证据 | 可选，用于保持一致 | 不能作为质量证据 |
| 典型主题 | 话题摘要 | 话题型或诠释型主题 | 围绕核心观点的共享意义 |
| 典型参考文献 | Boyatzis 1998；Guest 等 2012 | King（模板）；Gale 等 2013（框架） | Braun & Clarke 2006、2021 |
| 适用场景 | 大型应用研究、演绎式问题、需审计 | 政策、卫生服务、多站点团队 | 理论建构、身份与经验研究 |
根据你想提出的论断来选，而不是根据手头的工具来选。如果你想说“数据里就是这些内容，而且独立编码者意见一致”，你需要编码信度型主题分析。如果你需要为团队或预设的政策问题提供结构，同时承认编码是诠释性的，请用编码手册型。如果你想提出明确属于你自己的诠释，请用反思性主题分析。
\n\n逐题回答“是”或“否”，答案模式会指向一种类型。
\n答案混杂很常见。如果第 1 题和第 4 题都回答“是”，你就有一个逻辑一致性问题需要在分析之前解决，而不是等审稿人指出来。
\n\nBraun 和 Clarke 2021 年的论文列出了已发表研究中反复出现的问题。与选择类型最相关的几条：
\n关于反思性主题分析六个阶段的完整示例，可参考 Byrne（2022）发表于 Quality & Quantity 的文章。
\n\nAI 更适合编码手册型和编码信度型主题分析，而非反思性主题分析。当编码手册已经存在时，语言模型可以把它应用到数百份访谈记录上，你可以用评估第二位编码者时同样的一致性统计量，把它的输出与人工编码者对比。我们对 TACT AI 委员会研究的解读介绍了这样一种设计：包含盲法人工编码，并按编码计算 Krippendorff's alpha。
\n\n反思性主题分析更难。它的质量取决于研究者持续的投入和反思性；我们解读过的一项关于LLM 能否进行反思性主题分析的研究发现，风险之一是伪造引文。在反思性主题分析中，可以用 AI 做转录、检索、核对引文和挑战你的解读，但主题的生成与命名要由你自己完成，并如实报告工具做了什么。
\n\n| 任务 | 编码信度型 | 编码手册型 | 反思性 |
|---|---|---|---|
| 起草编码手册 | 可以，之后由人工定稿 | 可以，由团队修订 | 不适用 |
| 大规模应用编码 | 很合适，需检查一致性 | 很合适，需抽查 | 仅作辅助 |
| 生成主题 | 可以，需审核 | 可以，需审核 | 由研究者完成 |
| 查找并核对引文 | 很合适 | 很合适 | 很合适 |
Qualitati 是一个面向高校和研究机构的欧洲定性研究平台，以 GDPR 和数据隐私为核心优先事项。它的两个工具与上述类型相对应。QDA Workspace 支持归纳式和演绎式编码以及编码手册生成，适合需要人工审核每一条 AI 编码的编码手册型和编码信度型流程。ThemeLens 可在多达 100 份访谈记录中把编码映射到研究问题，并以受访者引文为主题提供依据，让你能把每个论断与原始来源核对。对于反思性主题分析，请把两者都当作助手，诠释性决策留在你自己手中。
\n\n适用对象：撰写方法章节的博士生、设计团队编码流程的实验室，以及需要向客户论证分析过程的研究公司。何时完全不该用主题分析：当你的问题关乎语言使用（可考虑话语分析）、需要在极小样本中深入研究亲身经验（可考虑 IPA），或需要通过理论抽样建构过程理论（可考虑扎根理论）时。
\n\n按照 Braun 和 Clarke 的描述，分别是编码信度型、编码手册型和反思性主题分析。它们的区别在于是否使用编码手册、有多少编码者参与，以及评分者间一致性是否算作质量证据。
\n\n是的。Braun 和 Clarke 后来把他们 2006 年的方法命名为反思性主题分析，以区别于同样引用该论文的编码手册型和编码信度型版本。
\n\n不需要。反思性主题分析把编码视为诠释性工作，一致性统计量无法衡量其质量。应当报告反思性、分析决策和清晰的审计轨迹。
\n\nBraun 和 Clarke 把框架分析与模板分析一样归入编码手册型主题分析：使用结构化矩阵，但编码被视为诠释性的。
\n\nAI 可以大规模应用编码手册并检索证据，这适合编码手册型和编码信度型主题分析。在反思性主题分析中，主题生成应由研究者完成，并应报告 AI 的使用情况。
\n\n主题分析的各种类型不可互换。先确定你是在发现模式、为团队组织模式，还是由你本人诠释模式，然后写明类型名称、引用正确的文献，并报告相匹配的质量证据。如果你想尝试带人工审核的 AI 辅助编码手册流程，可以免费开始，每月 30 积分，无需信用卡，或查看透明定价。如需了解六个阶段的详细内容，请阅读我们的主题分析指南。
\n\n最后更新：2026 年 11 月 5 日。作者：Qualitati 研究团队。文中来源均已标注；在你自己的研究中引用前，请核对原始论文。
\n","related":[{"slug":"multi-llm-thematic-analysis-2026","title":"多模型LLM主题分析：AI模型是否一致？（2026年）","description":"多模型LLM主题分析在相同的文本记录上运行多个AI模型，仅保留它们达成一致的主题。了解2026年的可靠性证据及适用场景。","category":"主题分析","date":"2026-06-11","readTime":"12分钟阅读","author":"Qualitati 研究团队"}]}