在质性研究中使用人工智能
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边缘化，可能产出肤浅、描述性的发现。第二条是增强，这种方法要求更高，但回报也大得多：人工智能作为强有力的合作者，提升质性分析这门人文技艺，并为更深入、更具创新性的理论创造可能。
本指南为采用增强型方法提供了一个实用框架。其目的是让研究者掌握必要的原则与实践，以合乎伦理且有效的方式利用人工智能来增强而非取代自身的专业能力。通过掌握这些方法，研究者可以保持对分析过程的智识控制，确保技术服务于严谨且有影响力的理论发展这一最终目标。首先，我们必须确立自动化与增强之间的基础性选择。
2.0 基础性选择：自动化与增强
理解研究任务自动化与增强之间的区别，是任何考虑使用人工智能工具的研究者最关键的一步。这一基础性选择不仅决定分析产出的质量与深度，还决定研究发现的正当性以及研究者的根本角色。它区分了两种做法：把人工智能当作提供"答案"的黑箱，或是在复杂、迭代的发现过程中将其视为伙伴。在人工智能时代，审慎地做出这一选择对于维护质性探究的技艺与价值至关重要，其紧迫性怎么强调都不为过。
自动化方法是指"机器接管人类任务"（Raisch & Krakowski, 2021, p. 192）。在这一模式下，研究者将核心分析工作外包，把人工智能视为客观结果的生产者。其吸引力毋庸置疑：它承诺客观、快速和简便，似乎能消除人为偏差并大幅减少繁重的编码时间。然而，这种方法带有严重风险。研究发现往往肤浅、偏重描述，并局限于最常见的模式，忽略了那些能带来宝贵洞见的罕见观察。当正当性寄托于工具本身时，研究者便放弃了对最终诠释的责任。
与之形成鲜明对比的是，增强方法是指"人类与机器密切合作完成任务"（Raisch & Krakowski, 2021, p. 192）。在这里，人工智能在研究者的直接智识控制下充当强大的助手。其优势在于有可能对数据形成更深入、更丰富的理解，并生成新颖的理论。其不足在于这种方法更耗时、认知负担更重。关键在于，在增强模式中，最终的智识与伦理责任，以及由此而来的研究发现的正当性，牢固且明确地归属于研究者。
| 特征 | 自动化方法 | 增强方法 |
|---|---|---|
| 目标 | 机器接管人类任务。 | 人类与机器密切合作。 |
| 主要吸引力 | 客观、快速、易用。 | 更深入、更丰富的理解与新颖理论。 |
| 主要风险 | 肤浅、描述性且带有偏差的发现。 | 更耗时、认知负担更重。 |
| 正当性 | 归属于人工智能工具。 | 归属于人类研究者。 |
| 典型结果 | 描述性或重复性的结果。 | 严谨且富有洞见的理论构建。 |
要将人工智能有效地用作增强工具，首先必须了解其具体能力和固有局限。
3.0 了解人工智能的能力：聪明但不稳定的同事
人工智能工具并非能够独立思考的魔法盒子；它们是强大但会出错的工具，具有特定的"可供性"，即影响其在研究中如何被使用的赋能与约束效应。一个有用的比喻是把人工智能视为一位"古怪的同事"。这位同事随时可用，能以惊人的速度处理信息，有时还能提供精彩的见解。然而，他们也容易出错，缺乏深层的情境理解，而且永远不会为自己的建议承担责任。与对待这样的同事一样，你必须始终质疑、核实，并最终对成果负责。
面向质性研究的核心可供性
人工智能的通用能力可转化为质性分析中具体而强大的可供性。这些可供性必须用来支持而非取代核心研究实践。
快速识别主题与意义：人工智能擅长处理大型数据集，识别文本中反复出现的模式和概念。这一可供性直接支持开放式与封闭式编码这类基础性质性任务。在增强方法中，研究者可以利用人工智能快速找出与某一新兴诠释相关的段落，从而支持、完善或反驳自己的想法。
段落的分类与归组：人工智能可以根据语义相似性或用户定义的标准，对已识别的段落或编码进行归组。这一能力对于二阶类别的形成与评估非常有用。在形成初步想法之后，研究者可以将自己的发现与人工智能建议的分组进行比较，以实现三角互证，发现新的联系或挑战最初的假设。
长文本摘要：大型语言模型善于将大量文本浓缩为连贯的摘要。这一可供性可用于为访谈或田野笔记撰写叙事性摘要。对于管理大型数据集的研究者而言，这些摘要为把握情境的关键方面、更有效地梳理材料提供了高效途径。
有效使用的必要条件
要让人工智能语言模型在质性研究情境中有效发挥作用，必须满足三个必要条件。其中任何一项未能满足，都会导致不可靠或具有误导性的输出。
相关的"语言游戏"包含在模型的训练数据中。人工智能模型从海量文本语料中学习。如果你研究情境中的特定术语或交流风格（例如高度专业化的职业群体）在这些数据中没有得到充分体现，模型准确诠释意义的能力就会受到限制。
提示词提供了足够的相关情境，使模型能够推断正在进行的是哪种语言游戏。精心设计的提示词至关重要。它必须为人工智能提供足够的信息，使其理解数据的情境以及所需的具体分析任务。模糊或缺乏情境的提示词只会产生泛泛且往往无用的结果。
模型不会遗漏重要的"招数"，例如非语言交流或共同的历史。人工智能只能分析提供给它的文本。它看不到人类凭直觉就能把握的丰富的、未成文的情境，例如肢体语言、语气或不言而喻的文化默契。这一局限凸显了人类监督为何不可替代。
在清楚了解这些能力之后，研究者便可以在一个结构化的多阶段流程中加以运用。
4.0 人工智能增强型分析框架：从原型理论到理论贡献
为了保持智识控制并确保理论严谨性，研究者必须将人工智能嵌入结构化、迭代的研究流程之中。这一框架不只是一个工作流程，更是一种旨在让工具服从于理论化过程的战略纪律。以下四阶段模型将人工智能整合进既有的质性理论构建实践，确保研究者始终掌握主导，重点始终放在发展富有洞见的贡献上。
阶段一：提出原型理论
质性研究的初始目标是提出超越现有知识的新颖解释。这一过程始于原型理论的形成，即在早期接触数据时浮现的粗略而零散的理论解释。在增强型工作流程中，人工智能可以成为这一阶段的有力盟友。研究者可以利用人工智能工具快速探索数据集，发掘初步主题，并观察理论概念可能如何适用。这使得初始探索的范围远超单靠人工编码所能达到的程度，有助于产生更丰富的待探索想法。
阶段二：阐发原型理论
这一关键阶段是一个深度反思的迭代循环，最不适合人工智能介入，几乎完全依赖人类认知。在提出初步原型理论之后，研究者必须退后一步加以阐发。这包括两项关键活动：通过重新审视原始数据来质疑和完善人工智能生成的模式，从而反思理论与数据的契合度；以及将原型理论与现有理论进行比较，以评估其新颖性。研究者的专业能力、创造力以及对文献的深入理解在此至关重要。自动化方法绕过了这一必不可少的反思工作，导致研究发现缺乏理论深度。
阶段三：借助人工智能为原型理论提供支持
一旦某个有前景的原型理论得到阐发，研究者就必须用令人信服的经验证据加以支持。此时，人工智能的速度与规模再次变得极为宝贵。研究者可以利用人工智能工具系统地梳理大型数据集，寻找支持、完善或反驳其新兴解释的更多证据。这与"展示而非讲述"这一质性研究核心原则相一致，即以直接引语来佐证理论主张。人工智能可以帮助制作全面的数据表格，或量化某些主题的出现频率，从而增强研究者的信心，并使最终成文更具说服力。
阶段四：从原型理论走向理论
在最后阶段，目标是将研究发现一般化，使完善后的原型理论脱离其具体的经验情境，以明确其更广泛的理论贡献。这包括将新的解释与现有文献重新联系起来，并清晰阐明其新颖之处。虽然这主要是研究者的智识任务，但人工智能可以充当有用的"陪练伙伴"。例如，研究者可以提示人工智能为其研究问题生成基线解释。如果人工智能的回答与研究当前的贡献相近，这可能表明论证还需进一步打磨，才能真正具有新颖性。
遵循这一框架，研究者便可以在受控的过程中有策略地运用不同的推理方式。
5.0 借助人工智能运用推理方法：归纳、演绎与溯因
质性探究采用三种核心推理方法，而人工智能在每种方法中的作用差异显著。增强模型可以应用于这三种方法，但溯因推理脱颖而出，成为在利用人工智能能力的同时确保研究者牢牢掌控分析过程的最佳策略。
归纳方法
归纳是从具体的经验观察出发，推理形成一般性的新颖主张或"规则"。在增强型归纳过程中，研究者可以利用人工智能快速识别潜在主题，类似于一种加速版的开放式编码，并以此作为深入诠释的起点。自动化归纳方法的主要风险在于，它会产出缺乏理论性的描述性结果，只报告最常见的模式，而忽略富含理论价值的异常现象。
演绎方法
演绎是运用现有理论概念来解释经验发现。人工智能可以增强这项工作，快速评估某一理论与大型数据集之间的匹配程度，例如找出与某个预先界定的构念相关的所有段落。自动化演绎方法的风险在于，它往往只是重复性的，确认已知内容而不生成新理论，而生成新理论正是质性研究的首要目标。
溯因方法
溯因是一种创造性的推断过程，旨在提出新的假设来解释令人意外或异常的证据。这种方法与人工智能增强最具协同效应、也最为有力，因为它确保研究者始终掌握主导。该过程始于由人识别出的谜题，并将人工智能定位为探索和评估异常现象解释的工具。研究者可以利用人工智能的速度检验不同的理论视角并搜索相关证据，开展一种动态的"替代性框定"（alternative casing），在不让渡智识权威的前提下放大自身的创造力。溯因从结构上固化了增强型工作流程，使其成为严谨的人工智能辅助探究的理想方法。
下表提供了在每种推理方法中应用人工智能的实际示例。
| 推理方法 | 增强型使用示例 | 自动化使用的风险 |
|---|---|---|
| 归纳 | 向人工智能输入提示："请列出以下访谈中的所有情绪，并附上引文：[数据摘录]"，作为由人主导的开放式编码的起点。 | 产出最常见话题的描述性清单，缺乏理论洞见。 |
| 演绎 | 向人工智能输入提示："请从以下文本中提取所有涉及羞耻的句子：[数据摘录]"，以快速评估某一理论的相关性。 | 仅仅量化已知概念，导致重复性的发现而没有新理论。 |
| 溯因 | 向人工智能输入提示："列出以下文本中行动者对未来持有的所有信念：[数据摘录]"，以快速探索对某一意外发现的多种解释。 | 难以自动化，因为溯因依赖研究者识别谜题并推动探究的能力。 |
成功运用这些方法，需要对支配所有研究的伦理责任做出深切承诺。
6.0 人工智能时代研究者的责任与伦理考量
无论人工智能工具多么强大，它们终究只是工具。它们不是合著者，不具备判断力，也无法承担责任。因此必须牢记，任何研究成果的最终伦理与智识责任完全且明确地归属于人类研究者。正如你不会让一位不稳定的同事未经审查就合著论文，你也不能将责任让渡给人工智能。
首要准则：你负有责任
最关键的伦理准则非常简单：你，研究者，是唯一的责任人。从你手中发出的每一项诠释、主张和结论，都必须是你完全愿意为之辩护的。人工智能可以提供建议、识别模式，但研究者有责任批判性地评估这些输出是否与数据相符、是否达到学术严谨性的标准。未经深入的亲自核实便信任人工智能的输出，就是放弃这一核心职业责任。
关键的伦理义务与风险
研究者在使用人工智能时必须应对几个关键的伦理领域。这些领域是产出可信且具有正当性的学术成果的核心。
可靠性与偏差：人工智能模型并非中立；它们会再现并常常放大训练数据中存在的人类偏见，例如严重的隐性种族偏见。使用人工智能的研究者可能在不知不觉中产出受模型在性别、方言或社会阶层方面偏见影响而失真的发现。降低这一风险需要人类对照原始文本，审慎检查所有人工智能生成的结果。
数据隐私与安全：保护敏感数据是首要的伦理和法律义务。GDPR 等法规规定，将访谈转录稿等个人数据上传至跨境传输数据的公共人工智能服务是违法的。研究者绝不能将面向公众的工具用于机密数据，并应尽可能探索安全的本地模型。
透明度与正当性：要让人工智能增强型研究被接受，其方法必须透明。学术界，尤其是期刊编辑和审稿人，在这方面发挥着关键作用。如果人工智能的使用与肤浅的自动化工作联系在一起，就有可能使这一工具对所有人都失去正当性。我们必须共同建立标准，将严谨的增强与"粗制滥造"的自动化区分开来。
环境影响：大型语言模型消耗大量能源和水资源。在大型数据集上进行一次复杂分析，其环境足迹也不容忽视。研究者应注意这一影响，避免进行不必要或冗余的分析。
这些责任并非边缘问题；它们是维护质性探究完整性的核心。
7.0 结论：增强型质性研究的未来
本指南认为，人工智能给质性研究界带来了一个关键抉择：在自动化的肤浅便利与增强的高要求、富有洞见的工作之间做出选择。自动化可能使我们的发现流于描述或重复，而有策略的增强方法则有潜力深化我们与数据的互动，锐化我们的理论洞见，并拓展我们能从质性探究中获得的认识边界。我们所选择的道路将对我们的方法以及这门技艺的正当性产生持久影响。
因此，质性研究界，包括个体研究者、期刊编辑、审稿人和教育者，现在必须审慎地制定、采纳并执行增强型实践的标准。通过将人工智能视为成熟的合作者而非人类智识的替代品，我们可以借助其力量提高生产力，产出更具影响力的理论，并确立这些新工具的正当性。通过让具有反思性和创造力的人始终处于分析过程的中心，我们确保技术服务于学术，而非反过来。
现在正是塑造这些实践的时刻。一项新技术的早期使用方式往往决定其演进与普及。通过审慎地将人工智能融入我们的工作，我们可以确保它成为人类追求理解这一永恒事业中强大而持久的盟友。
留言