简短回答：混合方法研究设计是在同一项研究中结合定性与定量数据，并事先规划两者如何整合。三种核心设计是：聚敛式设计（同时收集两类数据，再合并）、解释性序列设计（先做问卷，再用访谈解释结果）和探索性序列设计（先做访谈，再据此构建并检验测量工具）。选择哪一种，取决于哪一部分数据回答哪个问题，以及在什么时候回答。
最后更新：2026 年 11 月 9 日
选择混合方法研究设计，关键不在于贴上哪个标签，而在于决定两类证据如何相互对话。问卷能告诉你有多少人持某种观点；访谈能告诉你他们为什么这样想，以及这对他们意味着什么。只有当这两条数据线被有意识地连接起来时，混合方法研究才值得投入额外的工作量，而许多已发表的研究从未真正把它们连接起来。
本指南面向在 2026 年规划混合方法研究的博士生、研究实验室以及定性研究和市场研究团队。内容涵盖三种核心设计、进阶框架、审稿人关注的整合技术、报告规范，以及当 AI 主持访谈和对话式问卷让定性部分能以更低成本大规模开展时会发生哪些变化。文中还提供一份原创的混合方法整合规划清单，可直接用于研究计划书。
要点速览
- Creswell 与 Plano Clark 广泛使用的分类法将混合方法归纳为三种核心设计：聚敛式、解释性序列和探索性序列。更复杂的研究都在此基础上展开。
- 整合是混合方法的决定性特征。Fetters、Curry 与 Creswell（2013）从设计、方法（连接、构建、合并、嵌入）和解释三个层面描述整合。
- 联合展示（joint display）把定性和定量结果并排放在一张表中，是向审稿人展示整合最实用的工具。
- 已有现成的报告清单：APA 的 JARS-Mixed（2018）、面向卫生服务研究的 GRAMMS（2008），以及用于质量评估的 MMAT（2018）。
- LLM 正在被测试用于混合方法工作流。一篇 AERA 2026 论文发现，LLM 模拟的问卷回答与人类的平均模式一致，但变异性明显更小。
什么是混合方法研究设计？
混合方法研究设计是一种在单项研究或系列研究中收集、分析并整合定性与定量数据的方案，用来回答任何单一方法都难以很好回答的研究问题。关键词是“整合”。做一份问卷加几场访谈，然后在不同章节分别报告，这只是多方法研究，并不一定是混合方法研究。
任何混合方法设计都由三个决定来界定：
- 时序。两条数据线是同时收集（并行），还是先后收集（序列）？
- 优先级。是否有一条数据线权重更大？Morse 的记法用大写字母表示主导部分，例如 QUAN → qual。
- 整合点。两条数据线在哪里交汇：抽样、工具设计、分析，还是解释阶段？
整合问题由来已久。在 2006 年一项被广泛引用的已发表混合方法论文分析中，Alan Bryman 发现许多研究并没有真正整合其结果（Bryman, 2006, Qualitative Research）。
三种核心混合方法研究设计
1. 聚敛式设计
在同一阶段收集定性和定量数据，分别分析，然后合并结果进行比较。当你想检验不同类型的证据是否一致时使用，例如同一项目的问卷满意度得分与访谈叙述。
注意：两条数据线样本量不同、问题不同，会导致难以合并。从一开始就在两种工具中规划平行的主题。
2. 解释性序列设计
先进行定量阶段，再用定性数据解释结果。问卷发现出乎意料的模式、离群值或子群体，后续访谈追问原因。这是管理学、教育学和卫生服务研究中最常见的设计。
注意：两个阶段之间的时间间隔，以及没有规则地挑选受访者。事先确定哪些定量结果将触发哪种访谈样本。
3. 探索性序列设计
先用定性数据探索一个了解不足的主题，再据此构建某种东西，通常是问卷工具、类型学或干预方案，然后进行定量检验。当没有经过验证的量表，或你怀疑现有量表没有反映受访者理解问题的方式时使用。
注意：构建这一步。要记录每个定性主题如何变成题项或构念，否则审稿人无法评估工具的内容效度。
进阶框架
Fetters、Curry 与 Creswell 列出了叠加在核心设计之上的四种框架：多阶段（长期项目中的多个阶段）、干预（在试验之前、之中或之后嵌入定性数据）、案例研究（两条数据线都在一个或多个有边界的案例内）和参与式（社区参与确定研究问题和结果的使用）（Fetters, Curry and Creswell, 2013, Health Services Research）。
对比：哪种设计适合你的问题？
| 设计 | 顺序 | 典型问题 | 整合点 | 主要风险 |
|---|---|---|---|---|
| 聚敛式 | QUAN + QUAL 同时进行 | 数字与叙述是否一致？ | 在分析和联合展示中合并 | 两条数据线问的是不同问题，无法比较 |
| 解释性序列 | QUAN → qual | 这个结果为什么会出现？ | 连接：用结果选择受访者和话题 | 受访者随意挑选，而非依据结果 |
| 探索性序列 | QUAL → quan | 我们应该测量什么？结论能否推广？ | 构建：主题转化为题项或构念 | 从主题到题项的审计轨迹薄弱 |
| 嵌入式 / 干预 | qual 嵌入 QUAN 试验（或反之） | 干预如何以及为什么起作用？ | 在多个节点嵌入 | 定性部分被当作事后补充 |
如何整合定性与定量数据
审稿人越来越常对混合方法稿件提出同一个问题：整合在哪里？Fetters 等人描述了方法层面的四种整合方式：
- 连接：一条数据线为另一条选择样本，例如访谈问卷中得分极端的受访者。
- 构建：一条数据线为另一条的数据收集提供依据，例如访谈主题转化为问卷题项。
- 合并：把两组数据放在一起分析和比较。
- 嵌入：数据收集和分析在多个节点上相互关联，常见于干预研究。
在解释层面，整合通过叙述（把主题和统计结果交织在一起，或分节呈现但相互关联）、数据转换（例如把编码后的主题转为计数）以及联合展示来实现。比较两条数据线时，要如实标注“契合度”：印证、扩展或不一致。不一致本身就是一项发现，而不是失败，它往往能带来最有意思的讨论部分。
一个最简联合展示
联合展示可以很简单：每个构念一行，四列分别是定量结果、带锚定引文的定性主题、契合度（印证、扩展、不一致）以及你得出的元推论。如果最后一列填不出来，说明两条数据线还没有真正整合。
混合方法整合规划清单
这是 Qualitati 原创的规划清单。请在数据收集之前完成，并附在研究计划书或伦理审查申请中。
- 理由。用一句话说明为什么单靠任何一条数据线都无法回答问题（互补、解释、发展、三角验证或扩展）。
- 分线问题。列出定量问题、定性问题，以及需要两者共同回答的混合方法问题。
- 设计与记法。写明核心设计并给出记法，例如 QUAN → qual。
- 抽样关联。说明样本是相同、嵌套、平行还是多层级，以及为第二条数据线选择受访者的规则。
- 整合点。选择连接、构建、合并或嵌入，并说明发生在什么时候。
- 联合展示草稿。在拿到数据之前先画出行和列。
- 契合规则。事先决定如何处理不一致：进一步分析、补充访谈，或作为发现报告。
- 质量标准。写明你将遵循的评估或报告规范（JARS-Mixed、GRAMMS 或 MMAT）。
- AI 使用。记录哪些步骤使用了 AI 工具、使用哪个模型，以及由人如何核查输出。
报告与评估规范
以下三种工具能满足大多数需求：
- JARS-Mixed。APA 首个混合方法报告规范，由 Levitt 等人于 2018 年发表在 American Psychologist（APA Style, JARS-Mixed）。
- GRAMMS。O'Cathain、Murphy 与 Nicholl（2008）在 Journal of Health Services Research & Policy 提出的六项报告条目，包括理由、设计、整合以及混合带来的收获。
- MMAT 2018 版。面向系统综述作者的评估工具，覆盖定性、定量和混合方法研究，每类研究有五条核心标准（Hong et al., 2018, Education for Information）。
2026 年 AI 给混合方法研究带来的变化
最大的实际变化是成本。AI 主持访谈和对话式问卷让团队能够从数百名受访者那里收集经过追问的开放式回答，定性部分不再局限于 12 到 20 场访谈。这让嵌套样本和样本匹配的聚敛式设计更容易实施。
研究者也在测试把 LLM 用于整合步骤本身：
- 在 AERA 2026 上，Zhang 等人使用 19 名课后项目工作人员的访谈和 BREQ 问卷数据，检验 GPT-4.1、Gemini 2.0 Flash 和 Claude 3.7 Sonnet 能否模拟这些人的问卷回答。模型再现了平均模式，但变异性明显更小。包含个人访谈数据的提示词与人类回答的 Pearson 相关系数为 0.5 到 0.73（AERA 2026 论文摘要）。
- Gonzalez 等人 2026 年 4 月的一篇预印本对 151 份学生反思使用 LLM 辅助情感分析，检验七个身份变量上的差异，再用统计结果指导定性分析，探究差异出现的原因，这是在单一数据集内部运用解释性逻辑（arXiv 2605.27403）。
我们的看法：AI 在连接和构建步骤中最站得住脚，它能加快数据收集和初轮编码，再由研究者核查。用 AI 替代某一条数据线则最难站得住脚。方差被压缩的模拟问卷回答不能算作定量部分。更多细节请参阅我们关于基于访谈的 LLM 问卷回答的文章。
Qualitati 的定位
Qualitati 是一个面向高校和研究公司的欧洲平台，价格亲民，以 GDPR 和数据隐私为核心。在混合方法研究中，它支持定性部分以及两条数据线之间的连接：
- 对话式问卷把封闭题与 AI 驱动的追问和分支逻辑结合，一份工具即可从同一批受访者那里同时收集量表回答和经过追问的解释。
- AI 主持访谈支持文本或语音，可大规模开展解释性序列设计的后续阶段，支持 10 种语言。
- ThemeLens将编码映射到研究问题，并在最多 100 份访谈记录中一次性综合主题，附带锚定到受访者的引文，有助于填写联合展示中的定性一列。
- QDA Workspace支持归纳式和演绎式编码以及编码手册生成，适用于探索性序列设计中需要把主题转化为问卷题项的情形。
Qualitati 不能替代你的统计软件。请在 R、Stata、SPSS 或 Python 中进行定量分析，并在自己的备忘录中记录整合决策。
局限与方法论考量
- 范式张力。混合方法并不能消解哲学上的分歧。请说明你的立场（通常是实用主义），不要宣称大样本开放式数据集可能并不具备的诠释深度。
- 规模不等于饱和。数百条由 AI 收集的简短回答，不等同于几场深入的长访谈。根据问题需要来决定。我们关于数据饱和的指南对此有详细说明。
- AI 编码需要核查。请由人工复核一部分 AI 编码，并按照LLM 使用报告指南说明核查方式。
- 工作量。混合方法研究比单一方法研究耗时更长。博士研究时间表应为两套分析加上整合预留时间。
人工审阅提示：本文的方法论建议属于一般性指导。请与导师、伦理委员会或目标期刊确认设计和报告选择。
适用对象，以及何时不宜使用
当你的问题同时包含“有多少”和“为什么”两部分，且必须一起回答时，使用混合方法设计。如果单一方法就能很好地回答问题、你缺少开展两条严谨数据线的时间或技能，或者定性部分只会为问卷提供装饰性的引文，就不要使用。
常见问题
三种主要的混合方法研究设计是什么？
三种核心设计是聚敛式（同时收集并合并定性和定量数据）、解释性序列（先定量，再用定性解释结果）和探索性序列（先定性，再基于其结果开展定量阶段）。
混合方法研究与多方法研究有什么区别？
多方法研究使用不止一种方法，可能全是定性或全是定量，且不一定加以整合。混合方法研究结合定性与定量数据，并规划两者如何整合。
混合方法研究中的联合展示是什么？
联合展示是一张表或一幅图，按构念或案例把定性和定量结果并排呈现，显示它们是相互印证、扩展还是矛盾，并给出综合推论。
解释性序列设计需要多少场访谈？
没有固定数量。用与定量结果挂钩的规则选择受访者，例如极端案例或子群体，并持续访谈，直到每种模式的解释都得到充分支持。
AI 可以用于混合方法研究吗？
可以，用于数据收集、转录、初轮编码和连接数据线，但需要人工核查。一篇 2026 年的 AERA 论文发现，LLM 模拟的问卷回答变异性远小于人类回答，因此 AI 不应替代某一条数据线。
结论
好的混合方法研究设计由其整合方案定义，而不是由拥有两类数据定义。根据研究问题选择核心设计，决定两条数据线在哪里连接，在田野工作前起草联合展示，并按照 JARS-Mixed 或 GRAMMS 进行报告。如果你想用 AI 主持访谈或对话式问卷开展定性部分，可以免费开始，获得 30 个积分，或查看透明定价。
最后更新：2026 年 11 月 9 日
研究结果摘自上文链接的公开摘要和页面，截至 2026 年 11 月 9 日。Qualitati 与相关作者无隶属关系。