GATOS 工作流：开源人工智能能否帮助规模化主题分析？

作者：Yuan Ren · 5月31日

GATOS 为何重要

当数字不够用时，社会科学家常常转向定性数据。开放式问卷回答、访谈和书面反思能够捕捉那些难以化约为数字的意义。正如 Saldaña（2011）所指出的，定性数据分析从根本上是一个意义建构的过程：研究者构建模式、识别关系，并在归纳与演绎推理之间来回穿梭。

困难在于，这项工作非常耗时。对定性数据进行编码，通常需要研究者手工阅读、解读、比较、修改并组织大量文本。这一过程的价值恰恰在于它的细致，但当研究者面对成千上万条开放式回答时，它很难规模化。Katz、Coloyan Fleming 和 Main 的研究《Thematic analysis with open-source generative AI and machine learning: a new method for inductive qualitative codebook development》正是在这一张力背景下展开的。他们在文中提出了"生成式人工智能赋能的主题组织与结构化"工作流，简称 GATOS。

GATOS 旨在探索：开放权重的生成式文本模型结合机器学习技术，能否支撑大规模的定性编码手册开发。重要的是，这篇论文并未把 AI 呈现为定性解读的替代品。它追问的是：编码手册开发流程中的某些环节，能否变得更可扩展、更可检视、更可复现。作者还特别强调开放权重模型，因为与专有系统相比，这类模型在隐私、本地控制与可复现性方面可能更具优势，尤其是在研究者处理敏感定性数据的情况下。

*图注：像 GATOS 这样的开源人工智能工具，能在保留人的解读的同时，帮助研究者整理大规模定性数据。*

GATOS 工作流内部

GATOS 借鉴了主题分析的若干环节，尤其是与编码的生成、打磨和归类相关的阶段。Braun 和 Clarke（2006）的六阶段主题分析方法是一个重要的参照。工作流的第一步，是围绕研究者的问题对每个原始文本单元做摘要。这些摘要有点像分析备忘录：它们从较长的回答中提炼出与研究相关的要点。随后，系统把这些要点转换为文本嵌入（embeddings），进行降维，并把语义相近的要点聚为一组。例如，关于团队领导沟通的不同评论，即便措辞不同，也可能被归入同一簇。

最有趣的步骤发生在聚类之后。GATOS 并不会为每个簇自动创建一个新编码。它采用检索增强生成（retrieval-augmented generation）的方法：对每个簇，系统先从正在形成的编码手册中检索语义上最相近的既有编码，然后提示模型判断这些既有编码是否已经提供了充分的主题覆盖。如果已充分，就不创建新编码；如果不充分，模型才生成新的编码及其定义。

这是整个工作流中最接近人类编码者实际两难的一步：一个模式究竟是真正的新事物，还是只是已被捕捉之物的某种变体？GATOS 的价值不仅在于生成编码，更在于尽量避免生成不必要的编码。

*图注：使用开源生成式人工智能与机器学习的可扩展主题分析 GATOS 工作流。*

作者如何评估 GATOS

为了评估该工作流，作者使用了三个模拟数据集，分别对应不同的社会科学情境：团队成员反馈、关于伦理行为的组织文化，以及疫情后员工对重返办公室的看法。这种基于模拟的评估方式很重要，因为作者事先知道数据中植入了哪些主题和子主题，因此可以检验 GATOS 能否从模拟回答中找回那些被有意置入的主题。

这一设计给了作者某种定性研究者难得拥有的东西：一个受控的基准。但这个优势也正是其主要局限的来源。模拟回答虽然包含已知主题，却无法完全再现人类产生的定性数据中的模糊、矛盾与情境上的杂乱。因此，这项研究为该工作流提供的是早期验证证据，而非"它在杂乱的真实研究情境中同样有效"的定论。

结果是令人鼓舞的。在三个数据集上，GATOS 找回了大部分原始子主题，有些匹配非常接近。例如，在重返职场数据集中，原始子主题"对传统办公时间的抵制"被一个措辞几乎相同的 GATOS 生成主题紧密匹配。

然而结果并不完美。一些更复杂的概念只被部分捕捉。例如，原始子主题"组织目标压倒伦理考量"最接近的生成短语是"非伦理因素的优先排序"。这捕捉到了部分含义，却丢失了"组织目标压倒伦理关切"这一具体关系。这类案例很重要，因为它们同时展示了方法的前景与限度：模型往往能识别出大致的语义区域，却可能把更具体的概念关系压平或模糊掉。

*图注：AI 辅助的聚类与检索如何支撑大规模的定性编码手册开发。*

前景、模式与悬而未决的问题

结果中有一个值得注意的模式：随着被分析的簇越来越多，新编码的创建速度逐渐放缓。这表明，随着编码手册日趋成熟，模型越来越多地识别出一个簇是否已被既有编码覆盖。在有限的计算意义上，这类似于定性研究者随着分析推进开始复用既有编码的做法。但不应把它与更完整意义上的理论饱和混为一谈：理论饱和取决于人的解读、研究目的与理论判断。

作者还观察到，在三个案例研究中，模拟回答数量与最终生成主题数量之比约为 10:1。这是一个耐人寻味的模式，但论文对它的态度很谨慎：这个比例究竟是研究设计的巧合，还是一个能推广到其他数据集的规律，目前仍不清楚。

该工作流还引出了关于规模的重要问题。GATOS 为大型数据集而设计，但规模本身有计算成本。作者指出，1 万条评论可能产生约 5 万个摘要要点和数以千计的簇，等待模型评估。换言之，AI 或许减少了某些形式的人力劳动，却也带来了新的负担：计算资源、模型选择、提示词设计与工作流验证。

另一个开放问题是编码应当在哪个抽象层级上生成。编码过于具体，编码手册就会冗余且难以使用；过于宽泛，重要的区分就可能消失。这不只是技术问题，更是定性判断。GATOS 可以辅助这一过程，但它无法免除研究者为自己的研究问题选定合适概念颗粒度的责任。

结语

最好把 GATOS 理解为一次严肃的尝试：让定性编码手册开发中的某些环节更可扩展、更透明。它的贡献不在于解决了主题分析，而在于把流程中的一段拆解成结构化的工作流：摘要、嵌入、聚类、检索、编码生成与主题组织。

这一点之所以重要，是因为许多社会科学研究者正面临日益扩大的错位：一边是定性数据的丰富性，另一边是手工编码的实际极限。Salomon（1991）曾主张超越定性与定量方法之间僵化的界线，GATOS 正可以在这一精神下来解读。它并没有把定性分析化约为计算，而是追问：计算工具可以在哪些地方负责任地支持定性工作。

因此，关键问题不是 AI 能否取代定性研究者，而是像 GATOS 这样的工作流能否承担起整理大规模文本数据中部分重复性的工作，同时把解读、反身性与理论判断留在人的手中。对于这个问题，论文给出了一个谨慎而有益的回答：可以，也许，但前提是研究者始终清楚这套工作流能做什么、不能做什么，以及人的判断在哪里仍然最为关键。

References

Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. *Qualitative Research in Psychology*, 3(2), 77–101. https://doi.org/10.1191/1478088706qp063oa

Katz, A., Fleming, G. C., & Main, J. B. (2026). Thematic analysis with open-source generative AI and machine learning: a new method for inductive qualitative codebook development. *Humanities & Social Sciences Communications*, 13(1), Article 209. https://doi.org/10.1057/s41599-026-06508-5

Saldaña, J. (2011). *Fundamentals of qualitative research*. Oxford University Press.

Salomon, G. (1991). Transcending the Qualitative-Quantitative Debate: The Analytic and Systemic Approaches to Educational Research. *Educational Researcher*, 20(6), 10–18. https://doi.org/10.3102/0013189X020006010