定性数据编码完全指南：逐步教程
Qualitati 研究团队 · 2026-03-12 · 14分钟阅读
什么是定性编码？
定性编码是一个系统的过程，将标签或标记分配给数据的片段，以便组织、分类并最终解释参与者告诉你的内容。如果你曾经在文本中标亮过某段话，并在页边空白处写下简短的摘要说明其内容，那么你已经进行过基本的编码。正式研究中的区别在于，编码是有意图的、一致的，并具有分析目的的。
编码是原始数据与有意义发现之间的桥梁。没有编码，你将面对数页转录和田野笔记，但缺乏识别模式的结构化方式。通过编码，你将非结构化的定性材料转化为可以比较、计数、制图和理论化的有序类别。
重要的是要理解，代码不是被动发现的。研究者通过仔细阅读和解释主动构建代码。两个研究者观察相同的数据时，根据其研究问题、理论视角和分析敏感性，可能会生成不同的代码。这不是缺陷，而是定性研究的特点，反映了这项工作的解释性本质。
首轮编码：初次通过数据
首轮编码是指向数据分配代码的初始过程。这是将数据分解为离散部分并对其进行标记的阶段。Johnny Saldana的《定性研究编码手册》（Coding Manual for Qualitative Researchers）是标准参考文献，描述了二十五种以上的首轮编码方法。最常用的方法包括以下几种。
描述性编码使用一个词或短语来总结数据段的主题。例如，如果参与者谈论他们的日常通勤，你可能会将该段落编码为"通勤常规"。描述性代码对于按主题组织数据很有用，对初学者特别有帮助，因为它们不需要深入的解释。
原文编码使用参与者自己的词语作为代码。如果某人说"我在那些会议中感到自己不可见"，原文代码将是"感到不可见"。这种方法保留了参与者的声音，对于扎根理论研究很有价值，并确保代码与数据保持接近。
过程编码使用动名词（以-ing结尾的词）来表示动作、活动或过程。关于教师调整课程计划的段落可能被编码为"调整课程"。过程编码对于研究事件序列、随时间的变化或参与者策略特别有用。
情感编码标记参与者表达或回忆的感受。诸如"沮丧"、"自豪"或"焦虑"之类的代码捕捉了体验的情感层面。当你的研究问题关于参与者体验、身份或福祉时，这种方法效果很好。
价值观编码捕捉参与者表达的价值观、态度和信念。诸如"我认为每个人都应该获得优质医疗保健"这样的陈述可能被编码为"平等信念"。这对于探索世界观、文化规范或意识形态立场的研究很有用。
逐行编码与分段编码
你将做出的早期决定之一是编码的分析单位。逐行编码意味着审查转录文本的每一行，并至少分配一个代码。这种方法劳动密集，但迫使你与数据进行深入互动。它通常被推荐用于扎根理论研究，其目标是从底层构建理论。
相比之下，分段编码涉及编码较大的文本块，通常是一个段落或对访谈问题的完整回答。这更有效率，当你的研究问题更加集中或当你从现有框架演绎工作时，这是合适的。
对于初学者来说，实际的折中方案是在数据的一个子集上开始逐行编码，也许是前三或四个转录，然后在开发了稳定的代码集后转换为分段编码。这为你提供了早期深入互动的好处，同时避免了在大型数据集中对每一行编码的难以持续的时间投入。
二轮编码：精化与综合
在首次通过数据后，你将有一长串代码，有时达数百个。二轮编码涉及重组、综合和抽象这些初始代码，转化为更有针对性的类别，最终转化为主题或概念。
模式编码将首轮代码分组为数量较少的类别、主题或结构。例如，首轮代码如"跳过早餐"、"在办公桌吃饭"和"忘记午餐"可能被分组为模式代码"饮食中断"。模式编码是最常见的二轮方法之一，也是许多主题分析的基础。
焦点编码涉及选择最频繁或最重要的首轮代码，并根据更广泛的数据集对其进行测试。你基本上在问：我的初始代码中哪些最好地捕捉了整个数据中发生的情况？这是扎根理论方法中的标准步骤。
轴向编码重新组合首轮编码期间分散的数据，通过识别类别之间的关系。你审视类别如何在条件、背景、策略和后果方面相互关联。轴向编码是Strauss和Corbin版扎根理论的核心。
理论编码是最抽象的层级，你将类别整合为连贯的理论框架。这一步超越了描述和分类，进入解释和理论构建。
创建编码表
编码表是定义每个代码并提供何时应用它的指南的文档。一份构建完善的编码表通常包括代码名称、简要定义、对代码覆盖和不覆盖内容的较长描述、来自数据的示例，以及关于它与类似代码如何不同的备注。
编码表有多个用途。它确保你随时间推移对自己的编码的一致性，特别是当你在休息后返回数据时很重要。它使团队中的协作编码成为可能。它为想要理解你如何得出发现的读者和评审者提供透明度。
在编码过程早期开始编码表，并将其视为活的文档。随着你的理解深化和代码发展，更新定义和示例。反映你最终编码方案的编码表可能与你开始时的编码表看起来完全不同，这完全是正常的。
对于团队编码，通过让两个或多个研究者独立编码相同的数据子集，然后比较结果来建立编码者间信度。公开讨论分歧，并将其用作澄清代码定义的机会。可接受一致性的常用阈值是Cohen's kappa为0.70或以上，尽管适当的标准取决于你的研究背景。
使用软件进行编码
虽然编码可以用纸张、荧光笔和便笺进行，但现在大多数研究者使用定性数据分析（QDA）软件。专门的工具允许你将代码分配给文本段、跨代码搜索、可视化类别之间的关系，以及有效地管理大型数据集。
NVivo和ATLAS.ti等传统桌面应用几十年来一直是标准。它们提供包括自动编码、查询工具和可视化在内的强大功能。但是，它们有陡峭的学习曲线和显著的许可成本。
基于云的平台已成为更可访问的替代方案。Qualitati的QDA Workspace将编码与AI辅助的访谈数据直接整合，允许你在单一平台内从数据收集移动到分析。优势在于你的转录、代码和分析备忘录都在一个地方，减少了在工具之间导出和导入的摩擦。
AI辅助编码正在越来越多地可用。Qualitati的ThemeLens使用人工智能来建议初始代码和主题，然后研究者可以审查、修改和精化。这不是对人类解释的替代，而是一个加速器，帮助你识别可能错过的模式，特别是在大型数据集中。研究者仍然是分析权威；AI作为有能力的助手。
初学者的实用技巧
尽早开始编码。不要等到所有数据收集完成。在仍在田野工作时编码你的前几个转录，允许你改进访谈问题并在后续访谈中追求新兴线索。这种迭代方法是严格定性研究的特点。
在首次通过中慷慨地编码。最好是初期过度编码，然后在后期合并，而不是编码不足并遗漏重要模式。你可以始终在二轮编码中合并或消除代码，但无法恢复你从未仔细检查的数据中的见解。
始终写备忘录。备忘录是你对自己的笔记，关于你注意到什么、代码对你的意义、代码如何相互关联，以及什么问题正在出现。备忘录是定性分析的引擎。它迫使你超越标记进入思考。
保持与数据的接近。特别是在早期编码中，抵抗跳到高级抽象的诱惑。让你的代码反映参与者实际说的话，然后再转到它在理论上的含义。定性研究的丰富性来自于这种对生活体验的扎根。
预期修订。当你处理数据时，你的编码方案将发生变化。代码将被分割、合并、重命名和重新定义。这不是计划不周的迹象；这是你真正从数据中学习的迹象。
寻求反馈。与同事、主管或同伴审议伙伴分享你的代码和编码决定。外部视角可以揭示你不知道自己在做出的假设和你未考虑的解释。
从代码到发现
编码不是分析的终点；它是基础。一旦你的代码组织成类别和主题，你需要解释它们相对于你的研究问题的含义。这涉及检查主题如何相互关联、它们讲述什么故事，以及它们如何与现有文献和理论相关联。
在报告你的发现时，提供足够的关于你编码过程的细节，以便读者可以评估你工作的严格性。描述你的编码方法、生成的代码数量、如何从代码转移到主题，以及你如何处理质量和可信度问题。
关于分析下一步的详细指南，请参阅我们的主题分析指南配套文章，其中涵盖了如何从编码数据转向完全开发的主题。如果你准备在自己的数据上尝试AI辅助编码，探索Qualitati的平台，看看技术如何支持定性编码过程的每个阶段。
编码既是一个技术过程，也是一个解释行为。它需要耐心、自反性和愿意接受模糊性。你分配的代码不仅仅是标签；它们是你分析的概念构建块。