如何用 AI 做亲和图分析（2026 指南）
Qualitati 研究团队 · 2026-07-26 · 10 分钟阅读
最后更新：2026 年 7 月 26 日
简短回答
亲和图法（affinity mapping）是一种定性综合方法：把研究数据拆分为一条条独立的观察，将相关的观察归并成组，再为每一组写一个点明规律的论断式标签。它能把零散的访谈与问卷笔记，整理成团队可以据此行动的少量主题。到了 2026 年，AI 可以在几分钟内给出第一轮的分组和标签，但研究者仍需对照原始证据核查分组，这张图才值得信任。
要点速览
- 亲和图法（也称亲和图、亲和图分析）源自 KJ 法（KJ Method）——日本人类学家川喜田二郎（Jiro Kawakita）在 1960 年代提出，用自下而上的方式整理田野资料，而不是把资料硬塞进预设的类别。
- 产出物不是那面贴满便利贴的墙，而是一组以发现形式书写的带标签分组（“用户在被要求邀请同事时放弃了初始设置”），而不是话题（“新手引导”）。
- AI 改变了成本结构：语言模型一次就能对数百条笔记分组并起草分组标签，把半天的工作坊压缩到几分钟。但它不会改变一个要求——分组必须对照原始引语逐一核实。
- 人和机器的主要失误方式是一样的——过早贴标签、把不同的痛点过度合并成一个含糊的分组，以及丢失“谁说了什么”的溯源链接。
- 用下文的亲和图准备度检查表和人机协同亲和图验证清单来执行这一方法，并证明这张图确实反映了数据。
什么是亲和图法？
亲和图法是定性研究中一种自下而上的综合技术。你拿到一堆非结构化的观察——访谈引语、开放式问卷回答、可用性测试笔记、客服工单——以实体或数字方式把意义相近的内容归到一起，再为每组命名。它的要义在于让主题从数据中浮现，而不是把证据分进你事先定好的桶里。
这一方法可以追溯到以人类学家川喜田二郎命名的 KJ 法，他将其系统化，用来理解大量田野笔记。Nielsen Norman Group 以及多数现代 UX 研究参考资料，都把亲和图视为这一自下而上逻辑的直接应用。它是产品、UX 和客户洞察团队从原始研究走向可分享洞察的最常见途径之一。
亲和图法与主题分析有重叠，但二者并不相同。主题分析是一个有明确阶段和审计轨迹的正式分析框架；亲和图法则是一种更快、更直观的工作坊实践，常在一次会议中协作完成。团队经常把亲和图法当作更大的主题分析或编码流程中的动手综合环节。
亲和图与编码、类别、主题的对应关系
不同团队的术语常常混用。各部分的对应关系如下：
| 要素 | 含义 | 在亲和图中的对应物 |
|---|
| 观察 / 数据单元 | 一条引语、笔记或回答 | 一张便利贴 |
| 编码 | 数据单元上的简短标签 | 按共同想法归在一起的便利贴 |
| 类别 / 分组 | 一组相关的编码 | 一个带标签的便利贴分组 |
| 主题 | 具有意义的更高层级规律 | 一个有名称的“组中组”（超级分组） |
想深入了解这一层级结构，请参阅我们关于编码、类别与主题的指南。
亲和图法 6 步操作
操作本身很简单，难在顺序上的纪律：先分组，再贴标签；标签要写成论断。
1. 把数据拆成单条观察
把每份访谈记录、问卷回答或笔记拆成最小单元——一张便利贴只写一个想法。如果一条笔记包含两个不同的痛点（“导出很慢，而且我找不到设置”），就应拆成两张卡片。每张便利贴都保留指向受访者和来源的标注，便于日后溯源。
2. 把所有观察放到同一个平面上
把所有便利贴放到一块共享看板上，先不加任何结构。忍住按预期栏目预先分类的冲动。这个方法的全部价值，就在于在强加秩序之前先看到原始数据的全貌。
3. 按亲和关系分组，先静默进行
把相关的便利贴挪到一起。两张“感觉”相关的便利贴就构成一个分组的起点，其他便利贴随后加入或分出去。第一轮静默进行（如果用 AI，则先不看机器提议的标签），可以避免整个小组被第一个发言者的思维模型所锚定。
4. 把每个分组标注为发现，而不是话题
分组成形之后再命名——并把标签写成可以据此行动的论断。“支付”只是一个类别，什么也没说明。“用户在支付环节放弃购物车，因为他们看不出折扣是否已生效”才是一个发现。这一个习惯，就能区分出有用的亲和图和一堆按颜色分类的便利贴。
5. 构建超级分组并识别关系
把相关的分组归并为更高层级的主题，并记录它们之间的张力（例如“想要速度”的分组紧挨着“想要掌控感”的分组）。战略洞察通常就藏在这些关系里。
6. 把每个分组追溯回证据
对每个带标签的分组，确认你能指出支持它的具体引语，并统计它覆盖了多少位不同的受访者。只由一位声音很大的受访者支撑的分组是假设，不是发现。
Qualitati 的定位
Qualitati 是一个 AI 用户研究平台，它负责执行访谈或问卷、完成转写，然后进行第一轮综合——这正是亲和图法所要自动化的工作。研究者不必再亲手搬运数百张便利贴，而是由语言模型提出初始分组和标签草稿，研究者在此基础上修改。
具体来说，AI 在三个环节压缩了亲和图流程：
| 人工步骤 | AI 做什么 | 人仍需负责什么 |
|---|
| 把访谈记录拆成便利贴 | 自动把访谈记录切分为独立的观察 | 确定分析单元 |
| 对数百条笔记分组 | 一次完成语义相关观察的归组 | 合并、拆分和剔除不当的分组 |
| 起草分组标签 | 提出论断式标签并附上支持引语 | 改写标签并核查证据 |
在 Qualitati 中，ThemeLens 运行一条 map-reduce 主题分析流水线，可一次处理多达 100 份访谈记录，把编码映射到研究问题，并综合出附有受访者引语的主题——相当于一张由 AI 生成、你来审核而不是亲手搭建的亲和图。QDA Workspace 支持 AI 辅助的归纳式与演绎式编码、编码手册生成和主题可视化，适合希望亲自引导分组的团队。两者都保留了从每个主题回到底层引语的链接，而这恰恰是手工便利贴墙最容易丢失的部分。
关键在于：AI 最擅长机械性、大批量的归组，最不擅长判断。即使数据单薄或自相矛盾，它也会乐于生成一张看起来很整洁的图。请把机器生成的第一版图当作需要审问的草稿，而不是答案。
亲和图准备度检查表
在你（或 AI）开始分组之前，先给你的输入打分。薄弱的输入只会产出看似自信、实则空洞的亲和图。
| 检查项 | 已就绪 | 未就绪 |
|---|
| 数据单元是最小单元（一张便利贴一个想法） | 是 | 整段文字未拆分 |
| 每张便利贴可追溯到受访者 + 来源 | 是 | 来源不明的零散引语 |
| 有一个用于指引分组方向的研究问题 | 是 | 只有“看看有什么” |
| 受访者足够多，足以看出规律（不是 n=2） | 是 | 只有一两个声音很大的人 |
| 计划把标签写成论断而非话题 | 是 | 类别词（“定价”） |
| 分组之后安排了验证环节 | 是 | 亲和图直接进汇报 PPT |
人机协同亲和图验证清单
无论分组来自工作坊还是模型，在任何人把这张图当作研究发现之前，都要先过一遍这份清单：
- 证据溯源：每个分组都链接到具体引语，而且你能打开查看。
- 受访者覆盖：每个核心主题都得到不止一位受访者的支持，而且你清楚具体人数。
- 标签完整性：每个标签都是可据以行动的论断，而不是一个话题词。
- 过度合并检查：没有任何分组在含糊的名称下悄悄合并了两个不同的痛点。
- 反例：你主动寻找了与主题相矛盾的引语，而不只是印证它的引语。参见反例分析。
- 独立抽查：由第二个人（或第二轮模型运行）对一部分样本重新分组，结果大体一致。
- 矛盾处理：分组之间的张力被明确指出，而不是被抹平。
局限与取舍
亲和图法快速、直观，而这也正是它的风险所在。因为它感觉上“只是在给便利贴分组”，团队往往会跳过正式方法本应要求的严谨性。三点提醒：
- 确认偏差是内生的。按“感觉相关”来分组，往往会复现团队原本就相信的东西。验证环节和反例搜索是必要的制衡。
- AI 分组可能流畅却错误。模型可能把表面相似、含义却相反的引语合并在一起，或从嘈杂的数据中编造出一个整齐的主题。我们关于 AI 定性编码在哪些地方会失效的文章同样适用于此。
- 亲和图是起点，不是结论。亲和图法能揭示规律，但不能检验规律。请把主题视为假设，带入后续研究，或与行为数据进行三角互证。
人工审核说明：对于任何有实际后果的决策，在亲和图用于指导战略之前，应由合格的研究者对照原始访谈记录核实分组和标签。
适用人群——以及何时不该用
适合使用亲和图法的情形：你手上有来自访谈、开放式问卷或可用性测试的定性数据，需要快速从原始笔记走到一组可分享的主题，尤其是需要整个团队协作完成时。
不宜依赖它的情形：你的问题是定量问题（有多少、多大程度、哪个更大），受访者太少而看不出规律，或者决策需要统计上的置信度。这些情况下，封闭式测量或混合方法设计更合适。
常见问题
亲和图法和主题分析是一回事吗？
不是。二者都遵循自下而上的逻辑，但主题分析是有明确阶段和审计轨迹的正式分析框架，而亲和图法是一种更快、更直观的工作坊实践。团队常把亲和图法作为主题分析流程中的综合环节来使用。
需要多少张便利贴或多少条观察？
没有固定数字。你需要足够多的不同受访者，确保一个规律反映的不只是一两个人的声音。如果某个“主题”只建立在一位受访者身上，就把它当作假设，而不是发现。
AI 能自动完成亲和图吗？
AI 可以产出第一版草稿——在几分钟内切分访谈记录、对相关观察分组并提出标签。但它无法可靠地判断哪些分组有意义，也难以发现被合并进同一组的相互矛盾的引语，因此研究者仍需对照原始数据验证这张图。
什么是 KJ 法？
KJ 法是由人类学家川喜田二郎提出的技术，也是亲和图的基础：以自下而上的方式，把大量田野资料整理成自然浮现的分组，而不是套用预先定义的类别。
怎样写好分组标签？
把每个标签写成可据以行动的论断，而不是话题。“新手引导”是话题；“当新手引导要求用户先邀请同事时，用户会流失”才是团队可以据此行动的发现。
Qualitati 能生成亲和图吗？
实质上可以。Qualitati 的 ThemeLens 可在多达 100 份访谈记录中综合出附有受访者引语的主题，其 QDA Workspace 支持 AI 辅助编码、编码手册生成和主题可视化——这就是构建和验证亲和图的 AI 原生版本。
结论
亲和图法仍是把杂乱的定性数据转化为团队可行动主题的最实用方法之一，而它自下而上的逻辑，恰恰使其非常适合 AI 辅助综合。这一方法的速度是一把双刃剑：AI 如今把归组工作从数小时压缩到几分钟，但研究者的职责——验证分组、把标签写成论断、把每个主题追溯回证据——才是让这张图保持可信的关键。让机器去分拣，把判断留给自己。
准备好用真实数据试一试了吗？免费注册即得 30 积分——无需信用卡——即可运行一次 AI 主持访谈、对话式问卷或 ThemeLens 主题分析项目。也可以查看透明定价，在决定之前了解每积分的使用费率。