Gioia 方法详解：数据结构、示例与 AI 辅助（2026）

Qualitati 研究团队 · 2026-10-18 · 11 分钟阅读

简短回答：Gioia 方法（Gioia methodology）是一种归纳式定性分析方法，由 Dennis Gioia、Kevin Corley 和 Aimee Hamilton 于 2013 年在 Organizational Research Methods 上系统阐述。研究者先把受访者的原话编码为一阶概念，再归纳为以研究者视角命名的二阶主题，进而提炼出聚合维度，最后构建一个说明各概念如何关联的扎根模型。

如果你在管理学、信息系统、创业或组织研究领域做归纳式访谈研究，审稿人很可能会要求你展示“数据结构”（data structure）。这一要求正是来自 Gioia 方法——商学院研究中用来呈现定性研究严谨性最常用的模板之一。

本文解释这一方法是什么，并通过一个简短的示例走完各个步骤；同时介绍你在采用它之前应了解的主要批评，以及近期研究对用大语言模型构建 Gioia 数据结构的发现。文末附有一份投稿前可用的检查清单。

要点速览

三个层级，一张图。一阶概念（受访者用语）汇入二阶主题（研究者概念），再汇入聚合维度。“数据结构”图展示的就是这一递进过程。
数据结构本身不是研究发现。Gioia、Corley 和 Hamilton（2013）把静态的数据结构视为通往动态扎根模型的一步，理论贡献体现在模型中。
受访者被视为“有知识的行动者”。在研究者进行理论化之前，该方法优先呈现受访者自己的解释。
作为模板，它存在争议。Mees-Buss、Welch 和 Piekkari（2022）认为，把它当作固定配方使用并不能解决诠释问题，并提出以诠释学启发式（heuristics）替代。
LLM 擅长底层，不擅长顶层。一项 2025 年 AMCIS 研究发现，推理模型生成的一阶概念较为合理，但在主题和维度层面过度概括。

什么是 Gioia 方法？

Gioia 方法是一种用于归纳式概念开发和扎根理论阐述的系统化方法。它的设计目的，是让定性研究在读者眼中显得严谨，同时不扼杀其揭示新概念的能力。它的标志性产出是一个三层数据结构，以及随后的扎根理论模型。

经典表述见 Gioia、Corley 和 Hamilton 的 “Seeking Qualitative Rigor in Inductive Research: Notes on the Gioia Methodology”，Organizational Research Methods，第 16 卷第 1 期，第 15–31 页（2013）。该方法源于更早的研究，尤其是 Gioia 与 Chittipeddi 在 1991 年对一所大学战略变革的研究。2023 年，Magnani 与 Gioia 在 International Business Review（第 32 卷第 2 期，文章号 102097）上为国际商务和创业研究者发表了一份应用指南，将其分为三个阶段：构建数据结构、构建扎根模型、把研究发现写成有说服力的叙事。

该方法建立在两个假设之上：第一，组织世界是社会建构的；第二，建构这个世界的人是“有知识的行动者”，能够解释自己的想法、意图和行为。研究者的任务是忠实呈现这些声音，然后在受访者自己不会使用的层面上进行理论化。

Gioia 数据结构的三个层级

每个层级回答不同的问题。把它们混为一谈，是审稿人退回数据结构图最常见的原因。

层级	谁的语言	回答什么问题	典型形式
一阶概念	以受访者为中心	受访者在说什么？尽量贴近他们的原话。	简短的描述性短语，早期往往数量很多
二阶主题	以研究者为中心	哪些概念有助于描述和解释这里发生的事情？	具有理论意义的标签，有的来自文献，有的是新概念
聚合维度	以研究者为中心	这些主题汇总起来体现了哪些总体性观念？	少量高层级维度，作为模型的支点

Gioia 等人描述，一旦二阶主题开始稳定，研究者就要在数据与文献之间来回往复：追问一个浮现的主题在已有理论中是否已有名称，还是一个新概念。正因为这种往复，该方法常被描述为“精神上是归纳的，实践中带有溯因的一步”。我们的溯因分析指南对这一逻辑有更详细的介绍。

如何进行 Gioia 分析：分步指南

以下按照 2013 年论文和 2023 年指南的描述，把方法整理成一个可以照着做的顺序。请把它当作工作顺序而不是严格的配方——作者本人就提醒不要把它当成“菜谱”。

1. 为受访者的声音而设计

从一个界定清晰、但为尚未命名的概念留有空间的研究问题开始。使用半结构化访谈，让受访者用自己的话描述事件，并随着新概念的出现修订访谈提纲。我们的半结构化访谈指南介绍了提纲设计。

2. 编码一阶概念

贴近受访者的用语进行编码，避免过早抽象。这一阶段的编码清单通常又长又杂。In vivo 编码在这里非常合适（参见 in vivo 编码）。

3. 归并与分组

寻找一阶概念之间的异同，把它们合并为数量可控的一组。为每组起一个受访者仍能认出的标签或短语。

4. 形成二阶主题

追问哪些概念能够描述并解释这些模式。此时引入文献，并特别留意那些在现有理论中没有恰当名称的主题——它们就是你潜在的理论贡献。

5. 提炼聚合维度

在合适的情况下，把二阶主题归纳为少数几个聚合维度。画出数据结构图：左侧是概念，中间是主题，右侧是维度。

6. 构建扎根模型

把静态结构转化为动态模型，用箭头、阶段和反馈回路展示概念之间如何随时间或因果关系相互关联。没有这一步，数据结构只是描述，而不是理论。

7. 用“力量引语”和“证据引语”撰写发现

在正文叙述中使用少量生动的引语，把更完整的支持证据放进按主题组织的表格中，然后向读者展示每个主题如何与模型相连。

示例（说明性）

设想一项访谈研究，对象是 25 位开始使用 AI 编码工具的高校研究者。下面的示例是为展示各层级的逻辑而虚构的，并非取自已发表的研究。

一阶概念（受访者用语）	二阶主题	聚合维度
“每个 AI 编码我都会重读一遍才信”；“我会核对引语是否真的在访谈记录里”	核验仪式	校准对机器的信任
“做第一轮可以，做主题不行”；“我绝不会让它给主题命名”	有边界的委托	校准对机器的信任
“导师问我编码是谁做的”；“审稿人 2 要求看提示词”	预期中的受众审视	捍卫方法合法性
“我在方法章节专门写了一段”；“我记录了 AI 给出的每条建议”	记录人的角色	捍卫方法合法性

在此基础上，扎根模型可以提出：预期中的审视推动了核验仪式，而这些仪式又随着时间推移扩大了有边界委托的范围。模型提出的是关于过程的主张，这是静态表格做不到的。

原创框架：Gioia 数据结构就绪检查清单

这份清单由 Qualitati 研究团队根据本文引用的文献整理。在把稿件交给审稿人或导师之前使用它。每一个“否”都可能成为一条修改意见。

#	检查项	为什么重要
1	每个一阶概念都能追溯到证据表中至少一条引语	表明结构有数据支撑，而非主观断言
2	一阶标签使用受访者的语言，而非理论术语	保持“受访者视角”和“研究者视角”两个层级的区分
3	每个二阶主题在正文中都有一句话的定义	让读者判断概念归类是否一致
4	说明哪些主题对应已有概念、哪些是新概念	让理论贡献清晰可见
5	聚合维度数量少且彼此明确区分	避免模型过于笼统而什么都解释不了
6	数据结构之后有一个动态的扎根模型	静态图本身不是理论贡献
7	报告了反例或否定案例	回应“模板会抹平诠释张力”的批评
8	如果使用了 AI 辅助编码，方法部分说明了在哪里、如何使用以及如何核验输出	让读者评估人在诠释中的作用

Gioia 方法的批评与局限

Gioia 方法是呈现严谨性的好方式，但并不保证产生洞见。选择它之前，先了解相关争论。

模板与诠释之争。Mees-Buss、Welch 和 Piekkari 在 “From Templates to Heuristics: How and Why to Move Beyond the Gioia Methodology”（Organizational Research Methods，25(2)，405–429，2022）中指出，该方法的归纳路径并未解决诠释上的挑战。他们主张采用诠释学启发式：以追问而非规定步骤来引导分析。
同质化。Gioia 于 2022 年在 Journal of Management Inquiry 组织的一场专题辩论（记录）汇集了学者们的立场，讨论模板的广泛使用是否让管理学定性研究变得单一。Gioia 本人主张把该方法视为一种灵活的取向，而不是公式。
认识论是否匹配。该方法假设受访者是有知识的行动者。那些需要“逆着”受访者叙述去解读的批判性、话语性或精神分析取向研究，可能并不适用。另一种选择可参见我们的话语分析指南。
并非适用于所有领域。该方法在管理学期刊中占主导地位；在健康或教育研究中，审稿人可能更熟悉反思性主题分析或模板分析。

人工审阅提示：Gioia 方法是否适合你的研究，取决于你的认识论、学科和目标期刊。请与导师或合作者讨论这一选择。

Gioia 方法、扎根理论与主题分析的比较

维度	Gioia 方法	扎根理论（Glaser/Strauss/Charmaz）	反思性主题分析
主要产出	三层数据结构加扎根模型	围绕核心范畴的实质理论	一组讲述数据故事的主题
文献的角色	在主题开始稳定后引入	因流派而异；经典版本推迟引入	灵活；理论可贯穿整个分析
标志性产物	数据结构图	理论备忘录和核心范畴	主题图
常见学科	管理学、信息系统、创业	社会学、护理、管理学	心理学、健康、教育

关于这些方法背后的编码术语，参见开放式、主轴式与选择式编码和主题分析与扎根理论的比较。

AI 能构建 Gioia 数据结构吗？

部分可以。AI 在一阶概念层面最有用，在聚合维度层面最不可靠。

目前最清晰的证据来自 Laato、Mäntymäki、Kordyaka 和 Laato 的 “Automating Qualitative Data Analysis with Chain-of-Thought Reasoning Models: A Study with the Gioia Method”（AMCIS 2025 会议论文集，2025 年 8 月 15 日发表）。他们用 DeepSeek R1 尝试复现一项已发表的、基于 17 份专家访谈记录的 Gioia 分析，并用 Levenshtein 距离核验模型返回的引语是否真实存在于访谈记录中。模型生成的一阶概念与原研究相近，但丢失了部分含义；随后它过度概括，生成的二阶主题和聚合维度被作者判定为不准确、信息量很低。

这一模式与更广泛的 AI 定性编码研究结果一致（参见 AI 定性编码在哪里失效）。一个务实的分工是：

交给 AI 协助：起草候选一阶编码、检索标记了某个概念的所有段落、核验引语是否逐字存在、整理证据引语表。
留给研究者：为二阶主题命名、判断哪些概念在理论上是新的、提炼聚合维度、构建动态模型。

Qualitati 的定位

Qualitati 是一个面向高校和研究机构的欧洲定性研究平台，以数据隐私和 GDPR 为核心优先事项。对于 Gioia 式研究，它支持工作流程中机械性的部分，而把诠释性的步骤留给你：

数据收集：支持 10 种语言的文字或语音 AI 主持访谈，访谈记录自动保存；也可以使用 Active Listener 模式，在你亲自主持访谈时获得实时提示。
一阶编码：QDA Workspace 支持 AI 辅助的归纳式与演绎式编码和手动编码，并可计算评分者间信度。
一个可供推敲的层级草稿：QDA Workspace 的“三级码本”报告会生成“主题 → 类别 → 编码”的层级结构。请把它当作需要质疑的起点，而不是你的数据结构——上面的证据表明，AI 恰恰在上层最容易过度概括。
跨访谈综合：ThemeLens 可在最多 100 份访谈记录中把编码映射到研究问题，并附上锚定到受访者的引语，便于你整理证据表。

Qualitati 不会替你画出 Gioia 数据结构图或扎根模型，也不应该这样做——那正是理论贡献所在。

适用人群与不适用情形

适合使用 Gioia 方法：你在做归纳式、基于访谈的理论构建，目标是审稿人期待看到数据结构的管理学、信息系统或创业期刊；也适合需要透明、可教学分析路径的博士生。

不适合使用：你的研究是演绎式或假设检验式的；你的认识论需要逆着受访者的叙述解读；你的目标是描述而非理论构建；或你所在领域的审稿人更期待反思性主题分析或经典扎根理论。

常见问题

一阶概念和二阶主题有什么区别？

一阶概念贴近受访者的原话，描述他们在说什么；二阶主题是以研究者为中心的概念，从理论上解释正在发生什么。聚合维度则在更高层级上对二阶主题进行归类。

Gioia 方法和扎根理论是一回事吗？

不是。它借鉴了扎根理论，Gioia 等人也把它描述为阐述扎根理论的一种方式，但它有自己的呈现惯例，尤其是三层数据结构和向动态扎根模型的推进。它还会在主题开始稳定后引入文献。

Gioia 分析需要多少场访谈？

该方法没有规定具体数量。与任何定性访谈研究一样，用饱和度或信息力（information power）来论证样本量。参见我们的定性研究样本量指南。

可以用什么软件构建 Gioia 数据结构？

任何支持层级编码的 QDA 工具都可以，包括 NVivo、ATLAS.ti、MAXQDA 和 Qualitati 的 QDA Workspace。数据结构图本身通常在绘图或幻灯片工具中绘制。软件负责组织编码，并不负责完成抽象。

ChatGPT 或其他 LLM 能做 Gioia 分析吗？

单靠它们并不可靠。一项 2025 年 AMCIS 研究发现，推理模型生成的一阶概念较为合理，但二阶主题和聚合维度不准确且过度概括。用 AI 来起草和检索，并核验每一条引语。

对 Gioia 方法的主要批评是什么？

Mees-Buss、Welch 和 Piekkari（2022）等批评者认为，把它当作固定模板使用并不能解决诠释上的挑战，还可能让定性研究趋于同质化。他们主张以诠释学启发式取代规定步骤。

结论

Gioia 方法为归纳式研究者提供了一套展示研究过程的共同语言：受访者用语、研究者主题、聚合维度和扎根模型。用得深思熟虑，它能让审稿人看见你的诠释过程；用得机械，正如批评者和 Gioia 本人都提醒的那样，它只会产出整齐的图表和单薄的理论。AI 工具可以加快数据结构底层的工作，但更高的层级和模型仍是研究者的工作。

想在同一个地方完成下一项访谈研究并进行编码，你可以免费开始，每月 30 积分，无需信用卡。更大规模的研究请查看透明定价，或比较 Qualitati 与 NVivo、ATLAS.ti 和 MAXQDA。

最后更新：2026-10-18。

作者：Qualitati 研究团队。方法论观点均归属于所引用的文献；在用于学位论文或发表之前，请对照你所在学科的标准进行核对。