如何构建定性研究编码簿（2026 模板）
Qualitati 研究团队 · 2026-06-02 · 11分钟阅读
最后更新：2026 年 6 月 2 日
简洁回答
定性编码簿是一份结构化参考文献，定义了每一个代码——其名称、定义、纳入和排除规则以及示例引文——使得团队能够一致地应用标签。要在 2026 年构建编码簿，应从研究问题中起草代码，根据样本文本记录进行归纳细化，撰写严谨的定义，测试编码者间一致性，并让 AI 提出人工编辑和批准的候选代码。编码簿是一份活性文件，而非一次性交付物。
编码簿在 AI 时代为何仍然重要
定性编码簿是严谨定性数据分析的基础。它记录原始文本如何被标记、解释和组织成主题，这正是使编码在团队中可重复且对审查者具有防御性的原因（Lumivero，2026）。没有编码簿，两位研究员阅读同一次访谈会有不同的标记方式，你的主题就会成为谁恰好编码了哪份文本的产物。
AI 并未使编码簿过时——它让编码簿更加核心。大型语言模型现在能够大规模阅读文本记录并提议代码，但它们需要精确的编码簿来锚定其输出，也需要人工来决定代码的含义。最近的方法学工作发现，借助 LLM 协助开发的编码簿包含了更多相关代码，且在独立人工评审员的全面性评估中得分高于仅由人工开发的编码簿（《人文与社会科学传播》，2026）。编码簿是人类判断与机器速度相遇的地方。
关键要点
- 编码簿定义了每个代码的名称、定义、纳入/排除规则以及一个锚点示例。
- 迭代构建：从研究问题起草，根据实际文本记录细化，测试一致性，修订。
- 归纳、演绎和混合方法都使用编码簿——它们在首批代码的来源上有所不同。
- AI 可以提议候选代码并大规模应用它们，但人工必须编辑定义并批准结构。
- 在信任编码簿进行全数据集编码之前，应使用质量标准评估和编码者间可靠性检查。
定性编码簿包含哪些内容
良好的代码不仅仅是一个标签——它是关于何时应用该标签的小型契约。基于团队的定性分析研究建议每个代码都应附带一份定义以及何时使用和何时不使用的明确规则（i-PARIHS 编码簿开发，NCBI）。最小实用结构如下：
| 字段 | 功能 | 示例 |
|---|
| 代码名称 | 简洁、易记的标签 | 入门摩擦 |
| 定义 | 一至两句关于代码含义的说明 | 新用户在完成设置过程中遇到困难的时刻 |
| 何时应用 | 纳入标准 | 用户描述被阻止或困惑的首次运行步骤 |
| 何时不应用 | 排除标准/近似情况 | 对价格的一般性抱怨（使用"定价关注"） |
| 锚点示例 | 清晰符合该代码的逐字引文 | "我不知道哪个按钮开始导入。" |
| 父级主题 | 代码在层级结构中的位置 | 首次运行体验 |
代码组织成主题；主题映射回研究问题。保持这种链条的透明性——代码→主题→研究问题——是防止编码簿演变为有趣但无关标签列表的关键。
7 步编码簿构建工作流（2026）
这是 Qualitati 的原创工作流，融合了经典编码簿开发与人机协作 AI 步骤。它适用于归纳、演绎和混合项目。
- 围绕研究问题锚定。列出每个问题需要呈现的内容。这些内容定义了你的演绎初始代码和相关性筛选器。
- 起草初始代码。对于演绎工作，从理论或以前的文献中推导代码。对于归纳工作，从几乎空白的编码簿开始，让数据引导。
- 开放编码样本。仔细阅读 5 至 10 份文本记录并自由标记。让新代码出现；记录重叠和模糊之处。
- 合并和定义。合并重复，拆分超负荷代码，为每个代码撰写定义加纳入/排除规则及锚点引文。
- 添加 AI 步骤。让 LLM 在新一批数据上提议候选代码并应用你的初稿编码簿。将输出视为建议：保留适合的，重写薄弱定义，删除噪音。
- 测试编码者间可靠性。让两位编码者（或一位编码者和 AI）独立编码同一批文本并测量一致性。通过锐化定义而非推翻来解决分歧。
- 应用，然后持续修订。编码完整数据集。当某段文本无法适配时，这是更新编码簿的信号——记录变化并重新检查早期编码。
编码簿质量标准
在你信任编码簿进行全数据集编码之前，应根据以下标准对其评分。定义清晰度或独特性得分低的编码簿将产生不可靠的主题，无论编码速度有多快。
| 标准 | 薄弱（1） | 强劲（3） |
|---|
| 定义清晰度 | 仅一个词的标签，无定义 | 包含纳入和排除规则的清晰定义 |
| 独特性 | 代码重叠；编码者犹豫 | 每个代码在实践中互不相同 |
| 锚定 | 无示例 | 每个代码都有逐字锚点引文 |
| 覆盖范围 | 许多段落无法适配任何代码 | 编码簿覆盖数据且无强制适配 |
| 可追溯性 | 代码游离 | 每个代码映射到一个主题和研究问题 |
| 可靠性 | 未测试 | 编码者间一致性已测量且可接受 |
在任何大规模编码之前，在定义清晰度、独特性和锚定上目标为 3；覆盖范围和可靠性在首次完整编码后检查。
归纳、演绎或混合——相同编码簿，不同起点
这三种方法都产生编码簿；它们在首批代码的来源上有所不同。在演绎编码中，你从源于理论的编码簿开始并应用它。在归纳编码中，你从数据构建编码簿，通常从几乎什么都没有开始。混合（应用研究中最常见）从你的研究问题中播种几个演绎代码，然后让归纳代码与它们并行出现。更深入的处理，请参见我们关于归纳 vs 演绎编码的指南。
AI 的助力——以及它不应该主导的地方
LLM 在编码簿工作的机械层面很强大：从一批文本记录中提议候选代码、将现有编码簿应用于数千个片段，以及标记无法适配的段落。在 2025–2026 年出现的框架——如 GATOS 和 DeTAILS 等可编辑编码簿工具——将其形式化为一种有指导的伙伴关系，人工保持智识领导地位并将结构化、重复性任务委托给模型（GATOS 工作流，arXiv 2410.03721）。反复出现的设计原则是人工监督：一份可编辑编码簿，其变化贯穿已编码数据，研究员批准每项概念决策。
AI 不应无监督地做的是决定你的代码意味着什么。定义、两个近似相同代码间的边界以及从代码到研究问题的链接都是诠释行为。2026 年对开源 LLM 编码的一项 CHI 相关用户研究发现，研究员相信模型能够提取和提议，但希望保留诠释权，并在依赖模型之前要求可验证的行为（见我们关于本地 LLM 私有定性编码的写作）。
Qualitati 的定位
Qualitati 是一个 AI 用户研究平台，配备了内置的QDA 工作区，用于 AI 辅助的归纳和演绎编码、自动编码簿生成和主题可视化——正是本文所述的确切的人机协作循环。你可以让 AI 从你的文本记录中提议初始编码簿，编辑定义和纳入规则，然后在整个数据集中应用结果，同时保持每个代码可追溯至研究问题。对于较大的研究，ThemeLens 在最多 100 份文本记录中运行地图-缩减主题分析管道，将代码映射到研究问题，并用参与者锚定的引文综合主题，供研究员验证。两者都使人类对诠释保持控制，这是 AI 辅助编码的核心方法学要求。
局限性和权衡
编码簿施加结构，结构会让你视而不见。过度指定的编码簿使编码者强行适配段落而非浮现真正新的模式——这在演绎为主的项目中是真实风险。AI 提议的代码可能流畅但浅薄，生成看似合理的标签但不反映底层结构，也可能继承模型的偏差。编码者间可靠性统计也会产生虚假信心：高度一致的模糊编码簿只意味着两个人以相同方式犯错。防御贯穿始终——撰写严谨的定义，用真实引文锚定每个代码，保持人工对含义的问责，并将编码簿视为在主题稳定之前可修订的。人工审查注：高风险研究的可靠性阈值和编码决策应由合格的方法学家审查。
这对谁有用——以及何时跳过编码簿
适用对象：UX 研究员、产品和客户洞察团队、市场研究员和研究运营主管，编码访谈或开放式调查数据，特别是在团队或大型文本记录集中。何时正式编码簿过度：单个研究员对五次访谈进行快速探索性阅读以做出当天决策时可能不需要文件化编码簿——尽管即使如此，记下代码定义也能在项目扩展时防止漂移。
常见问题
什么是定性编码簿？一份结构化参考文献，定义了分析中使用的每个代码——其名称、定义、何时应用和不应用，以及一个示例引文——使编码在团队中保持一致且可重复。
编码簿应该有多少个代码？没有固定数量；这取决于你的数据和问题。倾向于拥有一套易于管理的不同、定义明确的代码，而非一长串重叠的代码。合并编码者混淆的代码，拆分承载两种含义的代码。
AI 能为我生成编码簿吗？AI 可以提议强劲的初始编码簿并大规模应用它，研究发现 AI 辅助编码簿可能更全面。但人工必须编辑定义、解决重叠并批准结构——编码簿的含义是诠释决策。
我如何测试我的编码簿是否可靠？让两位编码者（或一位编码者和 AI）独立编码同一批文本并测量编码者间一致性。分歧是定义需要锐化的信号，而非仅仅是编码者需要纠正的问题。
编码簿在分析期间应该改变吗？是的。编码簿是活性文件。当段落无法适配时，更新编码簿并重新检查早期编码。记录变化以使演变可审计。
代码和主题之间的区别是什么？代码是应用于数据段的标签；主题是将相关代码分组并回答研究问题的更高级别模式。代码是原始材料；主题是诠释。
底线
定性编码簿是将编码从意见转变为方法的关键。在 2026 年工作流与以往相同——起草、细化、定义、测试、修订——但 AI 现在加速了机械步骤，而你保持对含义的控制。迭代构建编码簿，根据质量标准对其评分，测试可靠性，并将其视为活性文件。
免费开始 30 个学分——无需信用卡——在QDA 工作区中构建 AI 辅助编码簿，或跨最多 100 份文本记录运行完整主题分析。查看透明定价或创建账户开始。