生成式人工智能与质性研究：当效率叙事遭遇诠释的边界
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变革之中，其核心承诺是以前所未有的速度实现深度分析。当前的技术生态呈现出多元而动态的图景：ATLAS.ti、MaxQDA 和 NVivo 等传统的计算机辅助质性数据分析软件（CAQDAS）供应商，正通过整合 OpenAI 的技术为工具注入“智能”。与此同时，CoLoop、QInsights 和 AILYZE 等一批原生于人工智能的分析平台作为新进入者涌现。此外，探索创建定制化 GPT，或直接使用 ChatGPT、Copilot 与 Gemini 等通用大语言模型（LLM）的个体研究者，构成了这一生态中另一重要组成部分。值得注意的是，基于机器学习的自动化分析尝试早已存在（例如 2002 年的 Qualrus），但当下以生成式人工智能为中心的浪潮，在规模与雄心上都远超以往。
这股热潮背后是研究者中广泛存在的、主要由效率驱动的热情。这种热情聚焦于自动化的主题编码与质性研究设计的规模化，并且往往由计算机科学家或量化研究者引领。然而，其中潜藏着一个根本性的概念混淆：把文本分析等同于质性分析。例如，有研究（Quevedo et al., 2025）提出，可以使用基于 LLM 的算法高效地探索与分析大规模在线数据集，同时保持与数据的深度接触并维系质性分析的丰富性。这一表述反映出一种乐观的想象，即将大规模自动化处理与质性探究所珍视的深度和丰富性直接挂钩。这种混淆同样映射在学术出版中：期刊编辑提出了生成式人工智能作为研究助理、数据分析者乃至合著者的理想类型角色（Glaser & Gehman, 2024），并主张拥抱人工智能已成为维系学科相关性与推进知识的必要之举（Andrews et al., 2026）。
本质剖析：统计模型的技术现实与固有缺陷
要理解生成式人工智能的潜力与局限，首先必须厘清其技术本质。生成式人工智能常被与其他人工智能技术混为一谈。正如 Bender 与 Hanna（2025）所指出的，“人工智能”在很大程度上是一个营销术语。以 ChatGPT 和 Gemini 为代表的生成式人工智能工具建立在大语言模型之上，这是一类预测下一个词元的特定统计语言模型。它们在海量数据集上训练，能够生成类似人类创造力的合成内容，但其输出不应被等同于类人的推理或智能。这些输出应被理解为一项精密的统计模式匹配活动的产物，它复制并重组已被编码的模式。关键在于，统计模型并不存储任何词串或答案，因此“输出”并非“结果”，而是从概率分布中抽取的样本。这意味着这些模型并不理解文本，也无法执行需要理解力的活动，例如诠释、分析、提取意义或识别主题。
将营销话语与研究现实区分开来，可以揭示这一统计模型的若干固有问题：可解释性不足、内在偏见，以及无法实现可靠性与可复现性。关键在于，这些是模型的特性，而非缺陷。检索增强生成（RAG）、智能体与世界模型等后续技术发展，无法从根本上解决这些问题，因为此类模型的设计目的并不在于确立事实。正如 Thornton（2023）所言，一项输出“不需要‘正确’，只需要‘看起来正确’”。这也解释了为何 OpenAI 的开发者提醒在使用语言模型输出时需格外谨慎，以及为何谷歌首席执行官 Sundar Pichai 同样告诫不要盲目信任容易出错的人工智能。研究者、预测性统计语言模型与经验数据三者之间关系的实质，大致在于研究者通过提示经由模型获得合成文本输出，而非与分析对象（也就是经验数据）展开直接对话。
实践陷阱：效率的幻觉、神谕效应与验证循环
在实践中，生成式人工智能在质性分析中的应用主要围绕两类用例：自动化与增强。然而二者都伴随着显著的陷阱。自动化输出往往因其技术来源而被预设为中立客观；它们生成的学术化格式文本，很容易被赋予并不应得的权威，从而导致“神谕效应”，也就是倾向于认为 LLM 具有堪比甚至超越人类的智能。我们会不自觉地把聊天机器人拟人化，假定其输出背后存在交流意图，并将其视为能干的研究助理、同事乃至朋友。每一次交互都会产生不断膨胀的、需要验证的合成内容，使任何效率提升的承诺沦为幻觉。面对海量的合成输出，研究的可扩展性同样变得难以企及。
现有工具的能力有清晰的边界。以 NVivo 15 的 AI Assist 为例，它主要提供文本摘要与自动化的子编码建议。然而必须注意，这些仅是描述性编码，而非诠释性或分析性编码。正如其培训师 Ben Meehan 所言，它尚未进入高阶分析。其他主流 CAQDAS 供应商同样坦率。MAXQDA 表示其人工智能功能的输出意在提供诠释上的辅助，而不作为真理的来源。ATLAS.ti 则直接提醒用户，AI 编码可能产生偏见、幻觉以及其他不理想的输出。
对专门的“质性人工智能”平台进行测试，进一步暴露出问题。对单份访谈转录稿执行主题分析，往往得到宽泛、表层的描述性主题，缺乏深度与洞见。在对话式分析中，当被问及具体问题时，模型倾向于生成又一段含糊的摘要，而非给出精确回答。为判断答案是否相关且准确，研究者必须早已对数据极为熟悉，并额外付出精力去核验输出。颇具讽刺意味的是，与聊天机器人交互并未让研究者更接近数据，反而插入了一层需要持续诠释与验证的合成文本，最终可能把研究者困在无尽的模型输出验证循环中，使其远离真正的分析对象。
回归与反思：在技术浪潮中重访质性研究的灵魂
这一技术时刻的真正潜力，或许并不在于实现自动化分析的乌托邦，而在于迫使研究共同体重新发现并锚定质性研究的诠释本质。质性研究是意义建构的过程，而非信息处理。它要求研究者具备关系性、具身性、对情境的敏感、文化或时间上的嵌入性、伦理意识、反身性、经验性、共情能力、批判性内省、明确的立场以及投入参与。这些人的品质构成了质性分析不可化约的内核。
这一立场也得到方法论学者的呼应。例如，反身性主题分析（Reflexive Thematic Analysis）的创立者明确表示，其方法远不止于给数据贴标签，从而与那些把分析化约为自动化标签生成的路径划清界限。由此，生成式人工智能提出的挑战成为一个重要的反思契机：我们是否允许一项本质上属于统计模式匹配的技术，来重新定义我们对理解人类经验复杂性的追求？答案在于作出明智的区分与选择。技术可以在某些管理性任务上充当辅助工具，但绝不能取代研究者作为诠释主体的核心角色。培育批判性的人工智能素养，理解其技术基础与局限，并在全过程中坚守研究伦理，尤其是在数据保密方面，比盲目拥抱效率更为重要。归根结底，这场技术冲击波留下的遗产，或许是帮助我们更坚定地重申：质性研究的深度、人文品质与灵魂，正是它最宝贵的资产，也是它不可替代的原因。
报告视频链接：https://www.youtube.com/live/88DFg13x7eg?si=6n4kPsp3hVmyjN3A
References
Bender, E. M. & Hanna, A. (2025). The AI Con: How to Fight Big Tech's Hype and Create the Future We Want.
Garcia Quevedo, D., Glaser, A., & Verzat, C. (2025). Enhancing Theorization Using Artificial Intelligence: Leveraging Large Language Models for Qualitative Analysis of Online Data. *Organizational Research Methods, 29*(1), 92–112. https://doi.org/10.1177/10944281251339144
Glaser, V. L., & Gehman, J. (2023). Chatty actors: generative AI and the reassembly of agency in qualitative research. *Journal of Management Inquiry*.
Thornton I. (2023). A special delivery by a fork: Where does artificial intelligence come from? *New Directions for Evaluation*, 23–32. https://doi.org/10.1002/ev.20560
留言