LLM 能做反思性主题分析吗？2026 年一项研究的答案

Qualitati 研究团队 · 2026-09-09 · 7 分钟阅读

反思性主题分析（RTA）恰恰是 AI 最帮不上忙的那一部分定性工作。在 Qualitative Health Research 2025 年发表的一项研究中，研究者用一个离线大语言模型对一份真实访谈完整走完了 RTA 的各个阶段，共七轮结构化测试。模型能写出像样的摘要，却无法诠释、无法抽象、前后不一致——而且会伪造引语。

这项研究到底测了什么？

Vikan、Aryan、Kannelønning、Riegler 与 Danielsen（2025）从一项关于外科团队患者安全文化认知的原始研究中取出一份访谈——与一名手术室护士的访谈记录，10 页、9,262 词，原文为挪威语——并让 LLM 逐阶段走完 Braun 与 Clarke 的反思性主题分析。

所用模型是 Mistral-7B，通过 Ollama 离线运行。这一选择是有意为之：让健康数据留在本地，同时检验底层文本生成技术在没有商业封装的情况下究竟能做什么。团队在 2024 年 11 月 11 日至 2025 年 1 月 6 日之间进行了七轮主要测试，每轮都增加更多支撑条件——更好的系统提示、更长的摘要、由母语译者审校的英文译本，最后还把 RTA 方法论文档与理论框架（Donabedian 理论、患者安全文化维度）一并作为上下文提供。

LLM 在各阶段表现如何？

随着分析从描述走向诠释，表现持续下滑。据 Vikan 等人（2025）：

RTA 阶段	LLM 的产出	判定
熟悉数据	摘要"始终遗漏关键议题"；漏掉了关系、信任与医护人员的身心状态；误读了一句带反讽与内部玩笑的话	部分可用
编码	产出的是"麻醉""外科医生"这类关键词，而非承载意义的短语；被要求转成概念时给出的是词典式同义词；出现"建设性错误"这类错误编码	薄弱
生成主题	只是议题摘要，且"常被不当地合并"；主题彼此重叠、与访谈数据无关，或空洞无物；每次对话中编码与主题都会改变	不稳定
发展主题	"对主题与子主题的抽象毫无贡献"；伪造引语，还附上编造的页码与行号	失败
理论整合	推荐的理论恰当与不恰当混杂；给出患者安全文化的错误定义；并悄悄改写已有主题去迎合框架	失败

有两个细节值得所有搭建 AI 辅助流程的人注意。其一，增加支撑条件救不了薄弱环节：把摘要要求从 150 词提到 300 词，只得到"更多重复句子，却没有增加实质内容"。其二，调高 temperature 参数——输出显得干瘪时的惯常反应——只会更糟，产出"相关性更低、虚构且脱离语境的回应"。

为什么伪造引语这一发现最要紧？

因为这是读者唯一抓不出来的失误。浅薄的主题一眼可见；而一条带着页码行号的杜撰引语，看上去就像证据。在反思性 TA 中，引语是诠释成立的凭据，因此一条伪造引语污染的是整条审计链，而不只是削弱论证。任何允许模型生成的文本未经与访谈记录逐行核对就进入稿件的流程，都继承了这一风险，与模型大小无关。

这项研究的局限在哪里？

作者本人将其定位为探索性研究，设计上确实很窄：一份访谈、一个 7B 开放权重模型、一种方法论传统。一个具备长上下文与更强指令遵循能力的前沿托管模型，很可能给出更好的摘要与更干净的编码。但这项研究确立了一个下限与一条机制——失败集中在诠释与抽象，而不在语言能力——而这恰恰是反思性 TA 认定研究者贡献之所在。

这对研究者意味着什么

务实的读法是分工，而不是对 AI 下判决。论文自身的建议要求"由人完成充分的熟悉数据阶段，并具备方法论能力，以维护认识论的完整性"，由此可推出三条规则：

自己读数据。反思性分析正是在熟悉数据的过程中挣来的；模型摘要不能替代它，而研究显示摘要会悄悄丢掉最要紧的内容。
绝不直接采用机器给出的引语。用字符串比对而非肉眼，把每一条引语与访谈记录核对。把每个主题锚定到可回溯原文片段的工具——ThemeLens 的设计思路正是如此——能让这道核对变成机械动作，而不是可选动作。
把模型用在不稳定无害的地方。头脑风暴候选角度、压力测试编码手册、发现被忽略的议题：在这些场景里，一个前后不一致的第二意见没有代价。但不要用它生成你要发表的主题。

同样的逻辑也适用于上游。诠释的深度取决于所收集材料的深度，所以 AI 的杠杆往往在田野环节——用 AI 访谈员规模化地开展一致且追问充分的对话——而意义建构留给分析者。

常见问题

LLM 能做反思性主题分析吗？
就现有证据看不能。Vikan 等人（2025）发现，基础 LLM"提供的支持有限，也没有提高 RTA 的效率"，尤其在抽象与主题发展环节失败。

换更大的模型会更好吗？
在摘要与编码上很可能会。该研究出于数据安全考虑离线测试的是 Mistral-7B，因此其结论针对的是基础模型能力，而非前沿模型。但诠释层面的失败，未必是规模能解决的问题。

LLM 真的会编造引语吗？
会。作者报告了带有页码与行号的伪造引语，其中一些"与主题完全无关"。在与访谈记录核对之前，把每一条模型给出的引语都视为未经证实。

AI 在主题分析中有安全的用法吗？
论文把 LLM 定位为适合头脑风暴。带人工复核的描述性与整理性任务是可辩护的区间；诠释与抽象则不是。

原始文献：Vikan, M., Aryan, R., Kannelønning, M. S., Riegler, M. A., & Danielsen, S. O. (2025). Reflecting on LLM Support in Reflexive Thematic Analysis: An Exploratory Study. Qualitative Health Research, 36(2-3), 191-205. DOI: 10.1177/10497323251365211.

最后更新：2026-09-09。本文为对第三方研究的独立编辑性摘要；Qualitati 与作者无隶属关系。