核心结论

AI 可以辅助定性研究整理材料、提出初始编码、比较编码差异和寻找反例，但主题不是词频统计，解释也不能从模型自动生成。研究者必须保留参与者语境、研究者位置、分析决策和从原始材料到主题的审计轨迹。

合格的人机协作方式，是让 AI 的编码作为一个可检查的候选视角，与人工编码比较；不把 AI 说成“客观第二编码员”，不把共识率当作唯一质量证明，也不让含可识别信息的访谈进入未经批准的工具。

先确认材料是否允许处理

访谈和开放文本即使删除姓名，也可能通过职业、机构、事件和叙述细节重新识别参与者。知情同意、伦理审批和数据管理方案是否涵盖外部 AI 处理，需要在上传前确认。

可以采用去标识化片段、合成材料或机构批准的安全环境；对高度敏感主题，AI 可能完全不适合参与原始材料处理。研究者还要考虑模型服务是否保存输入、谁可以访问以及删除规则。

AI编码为什么不是中立观察

模型依据训练数据和当前提示产生标签，会受到常见话语、语言资源和研究者提供的框架影响。它可能把不熟悉的本地表达归入最接近的常见主题，弱化矛盾、沉默和隐含意义，也可能倾向于输出边界整齐的主题体系。

人类研究者同样有立场，但定性研究要求对位置、关系和解释过程进行反思。AI 的问题在于它不能像研究者一样承担与参与者、研究伦理和理论选择的责任。因此，应把模型和提示视为分析工具的一部分，记录它怎样影响结果。

教学案例：20份访谈的主题分析

**教学模拟案例：**社会学研究者白露分析 20 份关于青年照护者使用线上互助群的教学模拟访谈。她已获允许使用去标识化文本，并在机构批准的环境中工作。研究问题关注参与者如何理解“获得支持”和“承担新的照护责任”。

白露先人工精读 4 份差异较大的访谈，写出初始备忘：信息支持、情绪承接、随时在线的压力、互惠义务、退出困难。她没有把这五项直接当作最终主题，而是作为第一版编码本。

编码定义纳入排除教学示例
信息支持获得具体照护知识或资源路径操作建议、服务信息只有安慰而无信息“群里有人告诉我怎样申请喘息服务”
互惠义务因接受过帮助而感到必须持续回应他人责任、亏欠、轮值一般主动分享“别人帮过我，我不回消息会觉得不应该”
在线压力持续通知和即时回应期待造成负担难退出、夜间打扰普通使用频率“手机一响就怕有人出事”

AI 使用同一编码本处理另外两份样本，并为每段给出候选编码、理由和不确定项。白露发现 AI 常把“我不回消息会觉得不应该”只编码为情绪压力，漏掉互惠义务。她修改任务，要求保留多重编码并专门寻找“支持同时带来责任”的段落。

编码本是可变化的，但变化必须留痕

定性分析可能在接触材料后发展概念。每次新增、合并和拆分编码，应记录日期、证据、受影响材料和研究者讨论，而不是让 AI 每轮生成一套新标签。

白露的变更记录示例：

版本变化材料依据决定
0.1初始5个编码人工精读I01—I04候选
0.2将“在线压力”拆为通知压力与道德回应压力I03、I05、I06反复出现不同含义团队讨论后采用
0.3保留“互惠义务”与“道德回应压力”可并存AI漏掉多重意义的反例不强制单一编码

AI 可以重跑受影响材料并列出差异，但最终解释由研究团队确认。

从编码到主题需要解释关系

主题不是“出现次数最多的编码”。它应围绕研究问题表达一个有意义的模式，并说明不同编码、情境和反例怎样共同构成这个模式。

白露最后形成的候选主题不是“信息支持、情感支持、压力”三个清单，而是“支持通过互惠关系获得，也因此形成持续在线的道德责任”。这个主题连接了帮助和负担，也保留不同参与者怎样接受、协商或拒绝这种责任。

AI 可以帮助列出支持段落、反例和主题边界，但不能仅按相似度聚类就命名主题。研究者要回到完整访谈，确认片段没有脱离前后语境。

反例和沉默同样重要

如果大多数参与者描述互惠义务，但有人明确把群聊设为免打扰并认为“不回复也没关系”，这不是要删除的噪声。反例可以暴露主题的边界：可能与群体规范、照护阶段或个人资源有关。

要求 AI 主动寻找与候选主题不一致的材料，比只让它总结共性更有价值。仍需人工确认模型没有把否定句、讽刺或转述误判为反例。

不要迷信一致率

某些定性方法使用多名编码者和一致性指标，另一些方法更强调解释性、反思和讨论。AI 与人工一致高，可能因为编码本过于表面；一致低，也可能暴露有价值的歧义。是否计算一致性，应由方法论立场和研究目的决定，而不是为了证明 AI “可靠”。

COREQ为访谈和焦点小组研究提供报告项目，包括研究团队、研究关系、设计、分析和报告。它能帮助团队透明说明谁参与编码、怎样形成主题，但不规定所有定性研究必须采用同一种分析哲学。

AI使用需要进入方法和反思记录

应说明工具和版本、哪些材料进入系统、提示和编码本版本、AI 参与哪些阶段、人工怎样审查、出现哪些系统性差异。还应反思模型语言能力和训练背景可能如何影响本地概念、方言、少数群体表达和敏感经验。

如果论文写“使用 AI 提高客观性”，却没有验证和反思，这种表述不成立。更准确的是说明 AI 提供了一个额外的候选编码视角，而研究者对解释和主题负责。

用双路径分析检查AI是否压平材料

在正式交给 AI 批量辅助前，研究团队可以选择两到三份信息丰富且包含矛盾的材料，由研究者独立完成初始编码；另一条路径让 AI 按同一编码本提出候选。比较时不只计算标签一致，还要问：AI 遗漏了哪些语境、把哪些不同经验合并了、是否更偏好明确和高频表达、研究者是否因看到 AI 输出而改变了原判断。

教学案例中，AI 把“晚上有人可以聊两句”和“平台回复速度快”都归入“即时支持”。研究者回到访谈后发现，前者描述的是被陪伴感，后者是服务效率，两者对照护者的意义不同。团队于是拆分代码，并记录修改来自哪两段材料。这个差异不是简单判断谁对谁错，而是推动团队澄清概念。

之后的批量协作可以采用候选模式：AI 标出文本片段、候选代码和不确定原因；研究者逐段接受、修改或拒绝。对涉及讽刺、沉默、代词指向、方言和文化背景的片段，默认进入人工队列。若 AI 无法稳定引用原句位置，就不能继续编码，因为团队失去了返回材料的路径。

从主题返回参与者，而不是停在漂亮标题

主题形成后，应建立“主题—代码—原文—参与者”表。每个主题至少包含中心组织概念、支持材料、反例、不同参与者之间的变化以及它与研究问题的关系。同一段引文可以参与多个解释，但不能脱离上下文被反复当作装饰性例句。

例如“夜间数字陪伴的双重性”作为候选主题，需要同时解释：部分照护者获得即时安慰，部分人因持续提醒感到压力，同一参与者也可能在不同阶段有相反体验。如果主题只收集积极句子，它只是分类；如果能说明条件、过程和差异，才开始形成分析。

AI 可以测试主题名称是否过宽、列出尚无反例的主张、检查某类参与者是否完全没有进入当前解释。但“沉默意味着什么”必须由研究者结合招募、访谈关系与情境反思，不能由模型从缺少文本直接推断。

主题稳定后仍应回到完整访谈阅读，确认摘取片段没有改变说话者前后含义，并检查每位参与者是否只以符合主流主题的句子出现。最终引文还要按同意范围去标识化，避免罕见经历与背景组合重新识别个人。

保留研究者的解释责任

定性研究的透明度不等于把每个判断变成机械步骤。团队需要记录研究者位置、与参与者的关系、先入理解、编码变化和分歧处理，因为这些会影响问题如何提出、材料如何理解。AI 同样不是中立工具：训练语料、提示方式、语言能力和默认表达会使某些解释更容易出现。

COREQ 报告指南可帮助访谈和焦点小组研究报告团队、研究设计、分析与发现，但清单不能代替反思。方法部分应如实说明 AI 在转写核查、候选编码、检索片段或文字整理中的具体角色，以及哪些步骤完全由研究者完成。

必须停止的情况

  • 同意和伦理文件不允许当前工具处理访谈材料；
  • 去标识化后仍包含容易重识别的事件或人物组合；
  • AI 持续误解方言、讽刺、否定或文化语境；
  • 研究者没有精读材料，只准备依据 AI 摘要形成主题；
  • 编码本和主题不断变化，却没有版本和决定记录；
  • AI 生成的引语无法回到原始文本；
  • 团队无法说明方法论立场和研究者在解释中的角色。

此时应缩小 AI 使用范围，改用人工分析或安全环境，并把 AI 失败纳入方法记录。

可直接复用的编码与主题审计记录

研究问题与定性方法：
材料范围、同意和安全环境：
研究者位置与初始假设：

编码名称：
定义：
纳入与排除：
正例、反例和边界例：
来源片段位置：
版本与变更原因：

AI工具、版本和提示：
AI处理的材料范围：
人工与AI主要差异：
怎样解决或保留分歧：

候选主题的判断句：
支持编码和原始材料：
反例、沉默和替代解释：
主题适用边界：
研究团队确认人和日期：

定性研究使用 AI 的完成标准不是“自动编码完全部文本”，而是研究者能清楚重建主题怎样从材料和解释产生，并诚实说明 AI 在其中改变了什么、没有替代什么。