质性抽样策略：2026 年指南

Qualitati 研究团队 · 2026-07-20 · 12分钟阅读

最后更新：2026 年 7 月 20 日

简要回答

质性抽样策略是你用来决定纳入哪些人的规则，而不是决定纳入多少人的规则。绝大多数质性研究采用目的性抽样：之所以刻意选择某些参与者，是因为他们的经历能够照亮研究问题。常见变体包括最大差异抽样、同质抽样、理论抽样、标准抽样、极端个案抽样与滚雪球抽样。样本量的正当性来自信息效力或饱和，而不是统计检验力。

核心要点

质性样本追求的是概念上的代表性，即相关经验的覆盖范围，而不是对某一总体的统计代表性。
目的性抽样是主导性的一大家族。选哪一个变体应当由研究问题决定，而不是由谁最容易招募决定。
Malterud, Siersma & Guassora (2016) 主张样本量应由信息效力决定：目标狭窄、样本针对性强、理论扎实、对话质量高、以个案为基础的分析，这些都会降低所需访谈数量。
Robinson (2014) 给出了一个四步序列：界定样本总体，确定样本量，选择抽样策略，然后获取样本。
AI 主持访谈取消了主持成本对 n 的天花板。这使得抽样策略成为真正的约束条件：一个靠便利方式抽取的大样本，依然是弱样本。
在正式投放之前，使用下文的抽样设计画布把设计写清楚、让它可被审阅。

为什么质性抽样策略的逻辑不同

在调查研究中，抽样是为了从样本推论总体，因此概率方法与误差范围占据主导。质性研究提出的是另一类问题：某件事是如何被体验的、某个决定为何做出、某个类别对身处其中的人意味着什么，因此它的抽样方式也不同。目标是聚合起一组参与者，使他们的叙述合在一起能够覆盖相关经验的范围。这就是概念上的代表性。

这正是为什么一项设计良好的 15 人研究，可能比一项设计糟糕的 500 人研究更可信。这也是为什么"谁回应我们就访谈谁"是应用研究中最常见的单一弱点：便利抽样会悄悄地把样本偏向那些方便找到的、热情的、以及本就深度参与的人。

先确定样本总体

Oliver Robinson 那篇被广泛引用的访谈式质性研究抽样指南（Qualitative Research in Psychology, 2014）开篇就界定了样本总体：明确的纳入与排除标准，用以框定谁具备资格。只有在此之后，样本量、策略与来源才依次展开。多数抽样失误都发生在第一步，因为标准从未被写下来，因此也从未被一致地执行。

主要的质性抽样策略

下面是你在产品、UX 与客户洞察工作中真正会用到的策略，以及每种策略所要回答的问题。

策略	它的作用	适用场景	主要风险
最大差异抽样	刻意跨越不同细分、情境或极端	你需要完整的经验范围，或需要找出跨越差异仍然成立的共同模式	若 n 较小，每个细分的覆盖都很单薄
同质抽样	聚焦于一个界定严密的群体	你需要在某个特定角色、旅程或状况上挖掘深度	结论无法迁移到该群体之外
标准抽样	纳入所有达到既定阈值或经历既定事件的人	研究某一特定经历（30 天内流失、入门流程失败）	判定标准可能依赖会误分类的系统数据
理论抽样	依据目前分析所提示的缺口，迭代式地招募	扎根理论式的工作；概念开发	要求分析与田野工作并行，而不是事后进行
极端／偏离个案抽样	锁定异常成功或异常失败的个案	你希望看到机制最清晰可见的样子	非典型个案可能被误当作常态
滚雪球／链式推荐	由参与者推荐其他人	难以触达或低发生率的人群	推荐链条在社交上会聚集，同质性悄然渗入
分层目的性抽样	为每个细分设定配额，各细分内部再做目的性抽样	你必须在既定细分之间做比较	配额可能被契合度差的参与者填满
便利抽样	谁有空就找谁	仅限试点与工具测试	系统性偏差；结论薄弱

如何在它们之间取舍

一条能覆盖多数应用研究的快速判断规则：

问题是"X 的范围有多大？" → 最大差异抽样或分层目的性抽样。
问题是"这个特定群体是如何体验 X 的？" → 同质抽样或标准抽样。
问题是"X 为什么会发生？"且概念仍在成形 → 理论抽样。
问题是"失败／成功是什么样子？" → 极端个案抽样。
人群隐蔽或稀少 → 滚雪球抽样，并检查推荐聚集问题。

需要多少参与者？信息效力优先于人头数

关于质性访谈样本量，被引用最多的答案来自 Malterud, Siersma & Guassora (2016)，他们提出了信息效力：样本所承载的相关信息越多，所需的参与者就越少。有五个因素决定它：

研究目标：目标狭窄比目标宽泛需要更少的参与者。
样本针对性：高度贴合主题的样本，每次访谈携带的信息更多。
既有理论：理论基础扎实会降低所需数量。
对话质量：强有力、善于追问的访谈，每位参与者产出更多。
分析策略：深度个案分析所需的个案数少于跨个案比较。

请注意第四个因素。访谈质量是一个样本量变量。访谈越浅，你就需要越多访谈，而这恰恰是无人主持、不做追问的研究所落入的陷阱。关于何时停止这一相关问题，我们在什么是数据饱和与 AI 主持访谈中的饱和两篇文章中已有讨论。

AI 改变了什么，又没有改变什么

历史上，质性研究的样本量受制于主持人工时。12 到 15 次访谈与其说是方法论选择，不如说是预算的产物。AI 主持访谈改变了这一经济学：访谈可以并行进行、全天候进行、以多种语言进行。

由此产生的推论经常被误读。更便宜的访谈并不会让抽样策略变得不那么重要，反而让它更加重要，原因有三：

偏差同样会放大。300 人的便利样本，就是一个有偏的 300 人样本。数量并不能纠正选择误差，它只会让由此产生的偏差看起来更权威。
细分比较变得负担得起。当你能投放 60 场访谈而非 12 场时，此前遥不可及的分层目的性设计就成了默认选项。这要求你事先决定分层维度。
筛查质量变成承重结构。大规模开放样本库招募会提高遭遇职业受访者与欺诈参与者的风险。截至 2026 年 7 月的公开平台文档，将欺诈筛查与单人研究参与次数上限描述为标准控制措施，请把它们视为必要项，并且要去核实而不是想当然。参见我们关于 AI 主持访谈筛查问卷以及机器人与研究数据质量的指南。

有一件事 AI 并没有改变：理论抽样仍然要求分析与田野工作同步进行。如果你一次性启动 100 场访谈，就等于放弃了让早期发现重塑后续招募对象的机会。若概念仍在成形，请分波次投放。

抽样设计画布（Qualitati 框架）

在招募之前使用它。它能装进一页纸，并让没有参加过规划会议的人也能审阅这份设计。每一行都必须能用一两句话回答；如果做不到，说明设计尚未就绪。

#	画布字段	它逼你回答的问题	失败信号
1	研究问题	这项研究将为什么决策提供依据？	写的是一个主题（"入门流程"），而不是一个问题
2	样本总体	明确的纳入与排除标准	标准只存在于招募人员的脑子里
3	策略	选用上表中的哪一种策略，以及为什么	"能找到谁就是谁"
4	细分／分层	样本必须支持哪些比较？	比较是在数据收集之后才想出来的
5	样本量与理由	每个细分的目标 n，并以信息效力加以论证	一个没有任何依据的整数
6	来源与筛查	参与者从哪里来；契合度与真实性如何核验	没有筛查问卷；没有欺诈核查
7	已知偏差	谁被系统性地遗漏了，代价是什么	"没有"，其实永远都有人被遗漏
8	停止规则	什么证据会告诉你该停止或该继续？	日程排完了就停

第 7 项是团队最容易跳过、而评审最爱追问的一项。把谁被遗漏写下来，比如非用户、已流失账户、从未完成注册的人、非英语使用者，就把一个未经检视的弱点转化为一条明示的局限，而这正是可信报告应有的样子。

抽样质量检查清单

纳入与排除标准在招募开启之前就已写定。
在研究计划与最终报告中都明确写出所用策略的名称。
设定了各细分的目标数，而不只是一个总数。
筛查问卷至少针对若干已知合格与已知不合格的画像做过测试。
把实际达成的样本对照目标记录下来，包括未达标的部分。
若使用了滚雪球抽样，检查推荐聚集情况。
在局限性一节中点名缺失的群体。
用文字论证样本量，并引用信息效力或饱和证据。

Qualitati 在其中的位置

Qualitati 是面向产品、UX 与客户洞察团队的 AI 用户研究平台。具体到抽样：

AI 主持访谈支持文本与语音并行进行，因此一个带有真实分细分目标的分层目的性设计是负担得起的，而不只是理想。
对话式问卷具备 AI 追问与分支逻辑，可以充当筛查层，为目的性访谈样本供给对象。
覆盖 10 种语言的多语研究，包括英语、中文、法语、挪威语、荷兰语、德语、西班牙语、葡萄牙语、日语与阿拉伯语，把样本总体拓宽到多数团队将就使用的英语便利样本之外。
ThemeLens 可在一条流水线中分析多达 100 份转录稿，把编码映射到研究问题上，因此更大的分层样本依然可分析，而不是堆在那里无人阅读。
Active Listener 模式支持由人主持的访谈，提供实时提示与章节追踪，非常适合小规模同质设计或极端个案设计，在这些设计中对话质量承载着信息效力。

Qualitati 的主持行为与主题分析流水线都有文档记录，并对照学术质性研究文献持续打磨，定价按点数公开。

局限与取舍

没有任何抽样策略能挽救一个含糊的问题。如果研究问题是一个主题而不是一个决策，样本就无法针对它来设计。
更大并不等于更强。把一个界定不清的样本做大，只会放大偏差，并可能制造虚假的信心。
理论抽样与批量投放相冲突。若概念仍在浮现，请选择分波次投放。
筛查并不完美。自我报告的资格是可以被钻空子的；在伦理允许的范围内，请对照行为数据或账户数据加以核验。
信息效力是一套判断框架，不是一个公式。它为你的样本量论证提供结构，但并不替你算出一个数。
人工复核提示：抽样充分性、饱和主张与可推广性陈述，应在发表前由具备资质的研究者依照你所在领域的报告规范（例如 COREQ 或 SRQR）加以复核。

常见问题

质性研究中最常见的抽样策略是什么？

目的性抽样，即刻意选择经历与研究问题相契合的参与者。在应用型产品与 UX 研究中，最大差异抽样与标准抽样是它使用频率最高的两个变体。

质性研究中随机抽样有适用的时候吗？

作为主策略很少适用，因为随机选择并不保证选到信息丰富的个案。它有时会被用在一个已按目的性界定好的池子之内，以便在池子较大且同质时降低选择偏差。

我需要多少参与者？

没有放之四海皆准的数字。请使用信息效力：目标狭窄、样本针对性强、理论扎实、对话质量高、以个案为基础的分析，都会降低所需数量。然后用文字论证你的数字，而不是搬出一条经验法则。

使用滚雪球抽样会让研究失效吗？

不会，但需要披露。推荐链条往往在社交上聚集，因此请报告你有多少条链条，以及不同链条之间的发现是否存在差异。

AI 主持研究可以使用同样的抽样策略吗？

可以，这些策略与方法无关。改变的是可行性：更大规模的分层设计与最大差异设计变得切实可行，而理论抽样要求你分波次投放，而不是一次全部放出。

如何防止职业受访者污染目的性样本？

在可能的情况下把筛查问卷与行为或账户层级的核验结合起来，限制同一个人可参与的次数，并在投放其余部分之前先审阅早期转录稿中是否出现模板式作答。

结论

好的质性抽样策略先回答"选谁，以及为什么是他们"，然后才回答"要多少"。界定样本总体，选择一个由研究问题推导出来的策略，设定以信息效力为依据的分细分目标，并写下谁被遗漏了。AI 主持研究抬高了样本量的成本天花板，而这恰恰是上述设计决策如今分量更重而非更轻的原因。

想在没有主持瓶颈的情况下开展一项分层规范的质性研究？免费开始，赠送 30 点数，无需信用卡，或查看透明定价。了解 Qualitati 如何端到端地运行 AI 主持访谈、焦点小组、对话式问卷与主题分析。

配图替代文本建议："抽样设计画布：从研究问题到停止规则的八个质性抽样策略字段。"

外部来源：Malterud, Siersma & Guassora (2016), Sample Size in Qualitative Interview Studies Guided by Information Power (Qualitative Health Research); Robinson (2014), Sampling in Interview-Based Qualitative Research (Qualitative Research in Psychology); Vasileiou et al. (2018), Characterising and justifying sample size sufficiency in interview-based studies (BMC Medical Research Methodology); Purposive sampling in qualitative research: a framework for the entire journey (Quality & Quantity, 2024)。

""" def main(): env = {} with open("backend/.env") as f: for line in f: line = line.strip() if line and not line.startswith("#") and "=" in line: k, v = line.split("=", 1) env[k.strip()] = v.strip().strip('"').strip("'") eng = create_engine(env["DATABASE_URL"]) with eng.begin() as c: if c.execute(text("SELECT slug FROM blog_posts WHERE slug=:s"), {"s": SLUG}).fetchone(): print("SLUG ALREADY EXISTS - aborting") return c.execute(text(""" INSERT INTO blog_posts (slug, title, description, keywords, author, category, read_time, content, is_published, created_at, updated_at) VALUES (:slug, :title, :description, :keywords, :author, :category, :read_time, :content, 1, :dt, :dt)