什么是溯因分析？定性研究中的溯因推理指南（2026）
Qualitati 研究团队 · 2026-10-17 · 10 分钟阅读
简短回答：溯因分析（abductive analysis）是一种定性研究方法：研究者先深入掌握已有理论，再在数据中寻找已有理论无法解释的发现，并为这些"意外"构建新的解释。它由 Stefan Timmermans 与 Iddo Tavory（2012）基于 Charles S. Peirce 的逻辑提出，介于归纳编码与演绎编码之间。
大多数方法章节把编码描述为归纳式（编码从数据中浮现）或演绎式（编码来自理论）。但很多真实研究两者都不是。研究者带着理论进入田野，注意到某些不吻合的东西，然后在数据与理论之间来回往复，直到找到更好的解释。定性研究中的溯因分析为这种往复过程提供了名称、逻辑和一套可以向导师、伦理委员会或审稿人辩护的步骤。
本文介绍什么是溯因推理、它与归纳和演绎有何不同、Timmermans 与 Tavory 提出的步骤、溯因主题分析如何开展，以及 AI 工具能帮什么、不能帮什么。
核心要点
- 溯因始于意外。分析的驱动力是已有理论未能预测的发现，而不是一张白纸，也不是假设检验。
- 理论先行，但不是牢笼。你需要广泛的理论知识才能识别什么是"意外"，然后在此基础上构建新的解释。
- 三个动作完成主要工作。Timmermans 与 Tavory 将"重访"（revisiting）、"陌生化"（defamiliarization）和"替代性归案"（alternative casing）列为支撑溯因的方法步骤。
- 它与主题分析兼容。Thompson（2022）在《The Qualitative Report》上发表了溯因主题分析的八步指南。
- AI 可以提供候选，但不能替你推断。语言模型可以标出不符合任何编码的段落，但判断某个意外是否具有理论意义，仍是研究者的工作。
什么是溯因分析？
溯因分析是一种从定性数据中构建理论的方法：从令人意外的观察出发，推理出能让这些观察变得"理所当然"的解释。研究者心中同时持有多种理论，对数据进行编码，分离出不吻合的观察，然后提出新的或修正后的解释，并在完整数据集上加以检验。
这一术语来自美国实用主义哲学家 Charles S. Peirce。他的经典表述（见斯坦福哲学百科全书"溯因"词条的概述）是：观察到一个令人意外的事实；如果某个假设为真，这个事实就是理所当然的；因此有理由怀疑该假设为真。
Stefan Timmermans 与 Iddo Tavory 在 2012 年发表于《Sociological Theory》的文章《Theory Construction in Qualitative Research: From Grounded Theory to Abductive Analysis》（第 30 卷第 3 期，第 167–186 页）中，将这一逻辑引入定性社会学。他们认为，仅靠归纳在逻辑上无法产生新颖的理论洞见，基于经验的理论构建应以溯因为指导原则。2014 年，他们在著作《Abductive Analysis: Theorizing Qualitative Research》（芝加哥大学出版社）中进一步扩展了这一方法。
溯因、归纳与演绎推理的对比
三种逻辑的区别在于理论所处的位置以及什么算作结果。下表是 Qualitati 基于本文所引文献整理的综合对比。
| 维度 | 归纳 | 演绎 | 溯因 |
|---|
| 起点 | 数据，刻意搁置理论 | 某个理论或框架 | 广泛的理论知识加上数据 |
| 理论的作用 | 在最后出现 | 提供编码 | 界定什么算意外，随后被修正 |
| 分析触发点 | 反复出现的模式 | 与预设编码是否吻合 | 已有理论无法解释的异常 |
| 典型产出 | 描述性主题或扎根概念 | 对已有框架的支持或其局限 | 新的或修正后的理论解释 |
| 主要风险 | 重新发现已知的东西 | 遗漏框架未预见的内容 | 过度解读某个醒目的个案 |
| 常见搭配 | 经典扎根理论、反思性主题分析 | 框架分析、模板分析 | 扩展个案法、溯因主题分析 |
关于前两列的详细讨论，请参阅我们的演绎编码与归纳编码指南，以及主题分析与扎根理论的对比。
如何开展溯因分析？三个核心动作
Timmermans 与 Tavory（2012）强调，没有任何标准化流程能够"生产"理论，但他们列出了三个让溯因更可能发生的方法过程。
1. 重访
在项目的不同阶段、借助不同理论，多次回到同一观察、访谈记录或田野笔记。由于观察已被记录下来，第一个月匆匆编码的段落，到第六个月读了更多理论之后，可能会显露出新的内容。
2. 陌生化
与你习以为常的东西拉开距离。把事情写下来、放慢节奏、把普通的陈述当作陌生的东西来看，有助于你看到受访者和研究者共同持有却未曾察觉的假设。
3. 替代性归案
选取一小段摘录，用多个理论框架对其进行细致分析，尽可能找出理解它的多种方式。作者建议在编码和备忘录写作中都这样做。如果两种理论都能同样好地解读这段话，它还不算意外；如果都不能，它可能就是。
他们还补充了一个社会层面：探究共同体（community of inquiry）。展示进行中的研究、分享备忘录、与同事讨论，正是许多候选解释得到检验和完善的地方。
溯因主题分析
溯因并不局限于社会学或扎根理论。Jamie Thompson 的《A Guide to Abductive Thematic Analysis》（《The Qualitative Report》，2022 年，第 27 卷第 5 期，第 1410–1421 页）提出了一套八步方法，在保持主题分析结构化的同时，平衡理论构建与经验数据。Thompson 及其合作者于 2025 年在《Teaching and Learning in Medicine》上将这一思路扩展到医学教育领域。
在实践中，溯因主题分析通常意味着：先用一个受理论启发的初始框架编码，为不吻合的数据单独保留一条线索，并让这些"不吻合"推动主题的形成和命名。如果你已经在使用模板分析或框架分析，主要的转变在于你如何处理那些"剩余"的数据。
原创工具：溯因意外日志
只有当你能说明自己如何识别了某个意外、又如何检验了相应解释时，这个意外才会成为研究发现。我们建议为每个候选意外记录一条日志，与你的分析备忘录放在一起。
| 字段 | 记录内容 |
|---|
| 观察 | 摘录、受访者编号和编码日期 |
| 原本预期 | 哪个理论或已有发现预测了不同的结果，预测的是什么 |
| 为何意外 | 用一句话说明预期与数据之间的差距 |
| 替代性归案 | 至少尝试过的两种理论解读，以及每种为何失败或只部分成立 |
| 候选解释 | 能让该观察变得理所当然的假设 |
| 在数据集中检验 | 该解释还应出现在哪里，是否确实出现，包括反例 |
| 共同体检验 | 谁审阅过（合作者、导师、研讨会），带来了哪些改变 |
| 状态 | 放弃、修正，或保留为理论贡献 |
溯因严谨性检查清单
- 你能说出分析开始前所持有的理论。
- 每个声称的意外都有一条包含明确预期的日志。
- 每个候选解释都在整个数据集中接受了检验，而不只是在触发它的那个个案中。
- 反例被报告出来，而不是被隐藏。
- 你的方法部分解释了数据与理论之间的往复过程，可参考我们的定性研究方法部分模板。
- 你的反思性陈述说明了你的立场如何影响你觉得什么是意外。
适合谁，何时不宜使用
适合使用溯因分析的情况：你的目标是做出理论贡献，你熟悉相关文献，且你的数据足够丰富、值得反复重访，例如深度访谈、焦点小组或田野笔记。它适合需要同时展示理论素养和原创贡献的博士生。
不宜使用的情况：任务是描述性的，例如快速评估或一轮产品可用性测试；你刚进入该领域，还不知道什么才算意外；或者资助方、期刊要求原样套用某个预设框架。在这些情况下，明确的归纳或演绎方法更容易辩护。
AI 能支持溯因分析吗？
部分可以，但要谨慎。近期研究质疑语言模型是否真的在进行溯因推理。Floridi、Morley、Novelli 与 Watson 在 2025 年 12 月的预印本《What Kind of Reasoning (if any) is an LLM actually doing?》中指出，LLM 的输出之所以看起来像溯因，是因为它们在人类撰写的推理文本上训练而成。2026 年 4 月 Salimi 等人的综述《Wiring the 'Why'》将溯因分为假设生成和假设选择两部分，并指出当前评估的一个缺口是基准狭窄且静态。
对定性研究者而言，实际的理解是一种分工：
- 适合交给 AI 的：在大量访谈记录中一致地应用源自理论的编码手册，列出不符合任何现有编码的段落，并为某段摘录提出几种替代解读供你评估。
- 应由人来做的：判断什么在理论上是意外，在不同解释之间做出选择，用反例加以检验，并提出理论主张。
人工审核说明：这种分工是我们对所引文献的编辑性解读，并非经过验证的规程。在论文或发表中依赖它之前，请对照你所在学科的标准进行核查。
Qualitati 的定位
Qualitati 是一个面向高校和研究机构的欧洲平价定性研究平台，将数据隐私和 GDPR 作为核心优先事项。它没有"溯因模式"，溯因也无法被自动化。但它可以承担溯因前后步骤中的部分机械性工作：
- 收集值得反复重访的丰富数据：AI 主持访谈支持文字或语音、10 种语言，生成完整的访谈记录，随着你理论阅读的深入可以随时回看。
- 在同一数据上进行演绎与归纳两轮编码：QDA Workspace 支持 AI 辅助的归纳与演绎编码以及编码手册生成，你可以先应用受理论启发的编码手册，再查看归纳编码发现了哪些编码手册未覆盖的内容。
- 在整个数据集中检验解释：ThemeLens 可在最多 100 份访谈记录中将编码映射到研究问题，并以受访者原话锚定主题，帮助你检查某个候选解释是否在触发它的个案之外依然成立。
意外日志、替代性归案和理论主张，仍然由你来完成。
局限与方法论顾虑
- 意外取决于研究者。什么算意外取决于你读过什么，这正是反思性和探究共同体重要的原因。
- 事后编故事的风险。如果没有日志、也没有在完整数据集中检验，溯因可能沦为用一个整齐的故事去贴合某句生动的引语。
- 程序化程度低于其他方法。习惯分步方法的审稿人可能要求更多细节；意外日志和 Thompson（2022）的步骤会有所帮助。
- AI 建议不是证据。模型提出的解释只是促进你思考的提示，而不是研究发现，需要像其他假设一样接受检验。
常见问题
溯因分析和扎根理论是一回事吗？
不是。经典扎根理论要求研究者搁置理论，让概念以归纳方式浮现。溯因分析则要求从一开始就带入广泛的理论知识，并从这些知识无法解释的观察出发构建理论。Timmermans 与 Tavory（2012）将其作为归纳式扎根理论的替代方案提出。
可以把溯因推理和主题分析结合起来吗？
可以。Thompson（2022）在《The Qualitative Report》上发表了溯因主题分析的八步指南。它保留了主题分析熟悉的结构，同时赋予理论在主题形成中明确的角色。
如何在方法部分描述溯因分析？
说明你起始时所持的理论，解释你如何识别意外发现，描述你如何在数据集中和与同事讨论中检验候选解释，并报告反例。引用 Timmermans 与 Tavory（2012）或 Thompson（2022）作为方法论依据。
定性研究中溯因推理的例子是什么？
一位研究远程办公的研究者根据文献预期孤独感会导致不满。但有几位受访者反而描述了摆脱办公室社交后的轻松感。孤独理论和常规的工作满意度模型都难以很好地解释这一点，于是研究者提出并在全部访谈中检验一个新解释，例如办公室互动中隐藏的情绪劳动。此例仅为说明，并非出自已发表的研究。
AI 能替我做溯因分析吗？
不能。AI 可以应用编码手册、标出不符合任何编码的段落并提出替代解读，但近期研究质疑语言模型是否能进行真正的溯因推理。判断什么是意外、哪种解释成立，仍是研究者的责任。
结论
定性研究中的溯因分析，把"这里对不上"的体验转化为一条通往理论的严谨路径：熟悉文献、注意意外、重访并重新归案，再在完整数据集中、与同事一起检验你的解释。它比纯归纳或纯演绎设计对研究者的要求更高，而回报是审稿人能够认可为理论性而非描述性的贡献。
如果你想在下一个项目中尝试，可以免费开始，每月 30 积分，无需信用卡，用于开展 AI 主持访谈并在 QDA Workspace 中编码。更大规模的研究请查看透明定价，或将 Qualitati 与 NVivo 进行对比。
最后更新：2026-10-17。
本文由 Qualitati 研究团队撰写。方法论观点均归属于所引文献；在用于学位论文或学术发表前，请对照你所在学科的标准进行核查。