质性研究

从小规模试点开始评估 AI 辅助定性编码，明确研究方法和编码指令，逐项审查建议，并保留研究者判断的可追溯记录。

主办方： Association for Consumer Research (ACR)。录制于2026年7月7日。 时长： 约56分钟。 观看录像（56分钟） 本期 ACR 网络研讨会介绍了研究者运用生成式人工智能的两种新兴方式：一是氛围编程（vibe coding），即用自然语言描述需求，由 AI 模型编写代码；二是 AI 辅助访谈，用于收集和开展质性访谈。 录像托管于 OneDrive，将在新标签页中打开：观看录像。 封面图片："Laptop coding programs"（Unsplash，CC0），来源：Wikimedia Commons。

Paradigm Shift from Traditional Coding to Conversational Analysis Yuan Ren 2026年5月16日 从传统编码到对话式分析的范式转变 生成式人工智能（genAI）工具的迅速兴起，正在从根本上重塑研究者处理非结构化数据的方式，这一点在质性分析领域尤为明显。这些技术进步带来了令人振奋的可能性，同时也伴随着重大挑战。传统的质性编码方法虽然严谨，却往往极其耗时；而通用聊天机器人和大语言模型（LLM）虽然速度惊人，却常常难以提供可靠质性探究所必需的严谨性、透明性与可追溯性。正如 Susanne Friese 在其 2026 年的文章中所指出的，当前许多声称能够自动化质性分析的应用，其所执行的任务更接近于分类代理（classification proxies），而没有真正进入该领域所特有的深度诠释性工作。 在这一技术变革的背景下，Friese（2026）对许多质性研究传统长期依赖编码作为主导分析程序的做法提出了质疑。她认为，编码曾被视为质性分析不可或缺的基石，如今或许可以被人工智能支持的

AI in Qualitative Research: Collaborative Partner or Epistemic Risk? Yuan Ren 5月9日 质性研究中的 AI：协作伙伴还是认识论风险？ 生成式人工智能（GenAI）的兴起在质性研究领域引发了一场深刻的学术争论，其核心问题在于：大语言模型（LLMs）究竟是增强了质性探索的深度，还是从根本上威胁到其认识论基础？Adam S. Hayes（2025）认为，LLMs 正在革新学者处理文本数据的方式：研究者可以与材料“对话”，通过有针对性的提问、探寻情境性洞见以及完善理论联系，超越传统的编码手册或逐行人工分析。在这一观点下，LLM 成为一个主动的伙伴，能够识别原本需要数周人工工作才能发现的模式，从而让研究者腾出精力进行更深入的理论反思与意义建构。Hayes 强调，LLMs 展现出某种语言“理解”能力，使其能够在多个分析尺度上把握语义关系、情境意义和细微的语言模式（Brown et al., 2020; Ziems et al., 2024）。 LLMs、编码与质性数据分析中的意义建

Yuan Ren 5月1日 *剖析质性研究中人工智能的偏见* 生成式人工智能不只是工具 站在2020年代中期回望，很难想到近年来学术界还有哪一项变化比生成式人工智能（GenAI）的兴起更具颠覆性。正如德勒兹与加塔利在1980年代所写：“工具只存在于它们所促成的、或促成它们的那些交织关系之中。”今天，这一论断对新的人工智能技术，尤其是生成式人工智能而言，显得格外贴切。生成式人工智能远非一个简单的工具。它是一个宏大而复杂、与社会深度纠缠的装置，由技术、基础设施、人类劳动、经济、文化、政治、权力、意识形态、自然资源、燃料、历史、分类体系以及意义建构相互交织而成（Crawford, 2021; Lindgren, 2024）。 随着生成式人工智能以惊人的速度发展，它许诺了前所未有的效率，并在我们如何工作、沟通与创造方面，催生了关于革命性进步的强大想象。学术界迅速加入这股浪潮，将生成式人工智能用于支持教学、行政与研究（Burton et al., 2024; Perkins & Roe, 2024）。然而，人工智能最终在政治、实践、社会层面以及在质性研究中

How GenAI Transforms Qualitative Data Analysis Yuan Ren 2月27日 生成式人工智能如何改变质性数据分析 生成式人工智能（GenAI）正在重塑质性的消费文化研究：它带来新的效率，同时也在理论、具身、经验与历史四个维度上引出认识论上的权衡取舍。换言之，当消费文化研究者把访谈转录稿、田野笔记或档案材料上传至大语言模型（LLM）时，改变的并不仅仅是研究效率。Epp 与 Humphreys（2025）认为，GenAI 的出现迫使我们重新思考研究者的角色、知识的来源，以及文化分析所依赖的认识论基础。问题不再只是人工智能能否帮助归纳数据，而是在人机协作的情境中，文化理解的逻辑本身是否正在经历微妙而深刻的转变。 从田野笔记到基础模型 技术介入文化研究由来已久。早期民族志学者通过手写笔记记录仪式、言语方式与生活世界（Jones, 2010; Roldán, 2002）。Mauss 基于存档的印刷材料而非直接的田野沉浸发展出理论洞见（Fournier, 2006），这表明文化知识的生产始终经由技术形式中介。..

Yuan Ren 2月20日 生成式人工智能的快速发展正在重新定义消费者与营销研究的开展方式。当一个模型能够在几分钟内复现 35 篇顶级期刊论文的消费者研究流程时，我们是否仍在从事“由人主导的科学”？Yoo、Haenlein 与 Hewett 发表于 *Journal of the Academy of Marketing Science* 的一项研究，恰恰处理了这个问题：人工智能仅仅是在改变研究工具，还是在重塑研究的认识论？ *生成式人工智能正通过把大语言模型嵌入学术工作流，从研究构想到理论发展，重塑消费者研究* 人工智能模型的快速进展开辟了新的研究路径 自 ChatGPT 发布以来，大语言模型（LLM）与大型多模态模型（LMM）迅速成为学术研究中的重要工具，并逐步嵌入研究过程的多个阶段（Marr, 2023）。与传统的预测型人工智能不同，生成式人工智能能够创造文本、图像、音频与视频等新内容；而最初聚焦文本处理的 LLM，已演进为能够整合多模态信息的模型（Toner, 2023; OpenAI et al., 2024; Gemini Team

The contrast between human interpretive work and computational code reflects the tension between qualitative meaning-making and generative AI’s promise of efficiency Yuan Ren 2025年12月15日 *人类诠释工作与计算机代码之间的对照，映照出质性意义建构与生成式人工智能效率承诺之间的张力* 生成式人工智能在质性研究中的应用日益广泛，然而其效率承诺引出了关于诠释、意义建构以及研究者角色的根本性问题。 本文基于 Duc Nguyen 与 Catherine Welch 的学术报告《Interpreting Qualitative Data with AI: Pitfalls and Potential》（2025年11月26日），旨在系统性地检视生成式人工智能在质性研究领域所引发的转变、挑战与反思。 技术图景：效率叙事下的革命承诺与概念混淆 我们正处于一场由生成式人工智能驱动的

2025年10月26日 10月15日，New Scholars 举办了一场网络研讨会，邀请 Stine Grodal 和 Henri Schildt 探讨如何在质性研究中使用人工智能。 以下是基于 Stine 和 Henri 的论文及其研讨会整理的《人工智能增强型质性研究最佳实践指南》。 1.0 引言：质性探究的新前沿 新的人工智能（AI）工具正在从根本上重塑知识工作的格局，为质性研究界带来了重大机遇，也带来了深刻挑战。正如法律和翻译等职业已经发生转变，我们的领域如今也站在关键的十字路口。大范围"去技能化"的风险以及肤浅的"AI 垃圾内容"的泛滥都是真实存在的威胁。然而，同样的工具也蕴含着推动新一轮理论创新的潜力。我们现在形成的实践很可能产生持久的、路径依赖的影响，既塑造我们的方法，也塑造这项技术本身的未来。这一代学者所做的选择将产生深远的影响。 对于当今的研究者而言，核心选择在于如何使用这些工具，而非是否使用。这一决定代表着一个战略性的岔路口，通向两条截然不同的道路。第一条是自动化，这条路颇具诱惑力，承诺速度与效率，但由于将研究者关键的诠释能力

10月10日 人工智能与质性研究 随着生成式人工智能（GenAI）迅速重塑科学研究的格局，质性研究者正面临一项前所未有的技术挑战：这一由大语言模型（LLMs）驱动的新兴工具，能否真正胜任质性数据分析这一以诠释工作为根本的人文任务？Nguyen 和 Welch（2025）在其近期发表的论文中，对这一问题作出了系统而深刻的回应。他们不仅详细考察了生成式人工智能背后的技术机制，还就其作为科学工具的地位展开了深入的哲学与方法论反思。 生成式人工智能究竟是什么？ 作者首先强调，生成式人工智能并非一种通用智能，而是由自回归大语言模型（AR-LLMs）驱动的概率生成系统。这些模型通过学习海量文本语料中词语之间的统计关系，逐词生成文本，从而产生*看似*连贯、自然的回应（Henighan et al., 2020; Wei et al., 2022a）。然而，这一过程属于合成而非诠释。生成的输出或许能够模仿学术语言的修辞风格，但并不包含真正的语义理解（Nguyen & Welch, 2025）。 这些大语言模型的训练基于 Transformer 架构（Vaswan

2025年5月27日 引言 生成式人工智能正在深刻重塑消费者研究：它增强了创意构思，支持质性分析，并重新定义着这一领域的发展方向。*Journal of Consumer Research*（Oxford Academic）刊发的三项实证研究和一篇综述提供了相互补充的框架和实践指导，揭示了人机协作的巨大潜力与潜在陷阱。 创意构思：LLM 是一把双刃剑 作为消费者研究的基石，创意构思及其与生成式人工智能的协作在学术界仍未得到充分探讨。De Freitas、Nave 和 Puntoni（2025）将构思定义为一个把每个想法视为一个单元的过程，并赋予其两个属性：原创性和恰当性。原创性衡量一个想法相对于现有概念的新颖程度，恰当性则评估其在解决问题上的实际效用（Melumad and Pham, 2020; Amabile, 1982; Harvey and Berry, 2023）。在考察大语言模型（LLM）如何支持创造力时，研究者识别出 LLM 的两项核心属性：生产力，即快速生成大量想法并通过迭代不断提高原创性的能力；以及语义广度，即借鉴多元领域、连接

2025年2月28日 在社会科学、经济学和行为科学等领域，质性访谈长期以来是获取深入洞见的重要手段。然而，传统访谈方法面临诸多挑战，包括资源消耗大、时间成本高、受地域限制，以及访谈者主观性带来的偏差。近年来，随着人工智能的快速发展，尤其是大语言模型（LLM）的兴起，AI 驱动的访谈作为一种新型研究方法应运而生。这一新方法日益受到关注，提供了一种更高效、更客观的替代方案。 技术架构与访谈机制 AI 驱动的访谈并非简单的自动化问答，而是建立在一套精密的技术架构之上。以 MimiTalk 平台为例，此类系统通常采用模块化设计，集成前端用户界面、后端 API 服务、AI 推理引擎和云数据库等关键组件。研究者可以通过直观的用户界面设计访谈流程，系统则根据研究情境和历史数据智能推荐访谈问题。更重要的是，AI 系统能够根据受访者的回答实时动态调整提问策略，实现自适应访谈（Liu & Yu, 2024）。这种基于 LLM 的智能对话管理能力不仅适用于文本访谈，还可扩展至音频和视频等多模态数据处理，为未来研究提供更广阔的可能性（Wuttke et al., 202

MimiTalk 历史存档，保留早期界面截图，更新过时的注册与价格说明，并提供当前访谈试点流程的学习入口。

2024年11月4日 · 更新于 2024年12月12日 访谈流程的自动化有望改变我们收集质性数据的方式，尤其是在开展大规模研究时。在本教程中，我将探讨新兴工具如何支持访谈流程的自动化，使研究者能够高效地收集用户反馈并获得洞见。本文将介绍两款各具特色的工具，它们仍处于早期开发阶段，需要谨慎实施。 第一款工具集成了语音交互，通过与参与者进行实时口头交流，为改进访谈流程提供了契机。该系统即 GitHub 上的 Automated Interview AI 项目，它利用 Twilio Voice 和 OpenAI 的 Realtime API，实现由人工智能主持的电话对话。研究者可以向参与者发起电话呼叫，在通话过程中，人工智能可以使用预设问题和动态问题开展访谈。该工具通过建立双向连接，使人工智能能够实时聆听并回应参与者的输入，从而实现自然的对话流程。 Interview AI 系统的技术配置涉及几个关键步骤，包括配置 Twilio 账户、购买具备语音功能的电话号码，以及设置 ngrok 等隧道工具，以便在开发和测试时将本地服务器暴露到公网。人工智能对话

2024年5月1日 Robert M. Davison、Hameed Chughtai、Petter Nielsen、Marco Marabelli、Federico Iannacci、Marjolein van Offenbeek、Monideepa Tarafdar、Manuel Trenz、Angsana A. Techatassanasoontorn、Antonio Díaz Andrade、Niki Panteli 首次发表：2024年1月21日 https://doi.org/10.1111/isj.12504 亮点 在质性数据分析中使用生成式人工智能（GAI）引发了一系列伦理问题，研究人员需要认真考虑这些问题。这些问题涵盖数据所有权与权利、数据隐私与透明度、解释充分性、GAI 中显现的偏见，以及研究人员的责任与能动性。 将研究数据交给商业 GAI 平台以换取自动分析，可能会侵犯数据权利，以及与研究参与者和组织签订的保密协议。 当敏感数据与 AI 工具共享时，使用 GAI 进行分析会引发隐私问题，尤其是当参与者和组织未被告知或未同意进

中文AI辅助质性研究课程指南，包含课程来源、访问要求和实践练习。

Image: "Oral History of Egypt's Education 2.0 Reform-Nelly ElZayat, Deena Bora" by Antoineberlin (CC BY-SA 4.0) via Wikimedia Commons, recoloured. AI 主持的访谈使用对话式智能体提问、倾听回答并追问，可以通过文字或语音进行。它们无法取代熟练的人类访谈者所能达到的深度，但可以在一周内以十种语言收集数百份半结构化访谈，成本更接近问卷调查而非田野工作。本教程从设计到分析完整走一遍研究流程，并标出人类判断仍然必须介入的环节。 第一步：判断这种方法是否合适 当主题具体、参与者愿意与机器交谈、并且你既需要广度也需要深度时，AI 主持效果良好，例如用户体验研究、消费者决策历程、员工脉搏调查，或在小规模人工访谈之前进行的探索性研究。对于创伤、丧亲、违法行为，或任何需要建立信任和随时中止能力的主题，它表现不佳。如有疑问，先做五次人工访谈，并以此为基础构建 AI 访谈提纲。 第二步：为机器编写访谈提纲 AI...

Image via Wikimedia Commons.jpg) (public domain). 7月27日 欢迎阅读本周的人工智能重塑科研动态速览，内容精选自 Nature、PNAS 以及各领域顶级商科与社会科学期刊。 AI 已悄然成为研究工具，而验证工作尚未跟上 本周最相关的两篇论文关注的都是方法，而非模型。在 Journal of Consumer Psychology 上，一组[评论文章](https://doi.org/10.1002/jcpy.70037)回应 Schmitt、Hao、Pham 和 Hofstetter 提出的生成式扎根理论（Generative Grounded Theory, GGT），这是一个七步框架，让生成式 AI 深度参与语料库构建、数据结构化、编码、概念聚类、抽象化、理论整合以及饱和度评估。这意味着 AI 已经进入诠释研究者传统上行使判断力的几乎每一个步骤，远远超出了质性项目的边缘地带。评论这一体裁本身就是信号：学界尚未就这类框架能担保什么达成共识，还在通过纸面论辩解决分歧。 同一问题的定量侧面出现在 [

AI and Qualitative Research: From Research Tool to Methodological Challenge Yuan Ren 6月26日 人工智能与质性研究：从研究工具到方法论挑战 人工智能不再是一位站在研究室门外客气等候的“未来访客”；在这篇文章中，它已经大步迈入了医疗健康、教育和科学探索的腹地。Dellafiore、Saba、Collaro 与 Artioli 开篇便清晰阐明了这一宏阔背景：作为一门横跨计算机科学、工程学、数学、语言学和心理学的交叉学科，AI 正在迅速重塑科学研究方法；预测型 AI 利用机器学习和统计模型来识别模式并做出决策，而生成式人工智能则通过大型基础模型生成文本、图像、音频与视频（Dellafiore et al., 2026）。然而，本文并未对技术唱诵一味赞歌，而是将核心争议全面摆在台前：当 AI 进入质性研究领域，效率与便利的承诺旋即与认识论、伦理学以及深层次的人文关切迎面碰撞，迫使人们重新审视研究者能否继续保持在质性探索中的主体核心地位。 为了将这些抽象的张力转化为具身的

Healthcare interview analysis with open-source AI 作者：Yuan Ren · 6月15日 *图注：基于开源 AI 的医疗访谈分析* 定性分析从不缺少标签 大语言模型让编码过程显得格外简单。只要输入一组访谈转录文本，模型就能迅速返回听起来在分析上颇有价值的短语：患者教育、医生支持、沟通障碍、情绪困扰、治疗负担。输出流畅、有条理，且往往合情合理。然而，定性分析的难点从来都在于标签之后的工作，因为研究者从不缺少生成标签的能力。真正艰巨的工作始于打标签之后：判断一个编码是否保留了语境、是否只是用不同词汇重复了另一个编码、能否支撑主题提炼，以及是否切实有助于解释受访者的亲身体验。 Misra 及其同事通过一个具有挑战性的实证案例检验了这一问题：对美国阿巴拉契亚乡村地区 34 位患有 2 型糖尿病的患者进行半结构化访谈，重点关注他们如何与医护人员讨论自身病情。这些访谈此前已由两位受过专业训练的定性研究者采用传统归纳法完成了编码。该研究随后让两个开源大语言模型（Gemma2 与 Llama3.1）分析相同的文本