质性研究中的 AI：协作伙伴，还是只是在“聊天”？
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构
然而，Duc Cuong Nguyen 与 Catherine Welch（2026）提出了尖锐的反驳，并在标题中发问：“Analyzing–Or Just Chatting?”（是在分析，还是只是在聊天？）。他们警告，管理学研究者若不加批判地采用这项技术，将带来不可接受的认识论风险。与 Hayes 将 LLMs 视为协作伙伴的观点不同，Nguyen 与 Welch 认为，使用 LLMs 进行质性数据分析构成一种“范畴错误”，即把一个合成的、基于概率预测下一个词的生成器误当作分析辅助工具。他们主张，LLM 的输出仅仅是按概率选出的词串；这些输出或许看似人类的创造力与推理，但该技术从根本上对其输出“是否真实漠不关心”（Hicks et al., 2024; Narayanan & Kapoor, 2024）。
两篇论文在 AI 是否具备真正理解这一核心问题上存在显著分歧。Hayes 认为，LLMs 具有独特的能力，可以把握语气、文化内涵、语境转换和隐含意义等复杂语言特征，实际上能够“读出言外之意”。他描述了研究者、数据与 LLM 之间的“三方对话”，其中 LLM 作为一个智能中介，其基础是在海量文本语料上的广泛训练（Brown et al., 2020; Chowdhery et al., 2022）。这种能力使研究者能够在微观层面的文本细节与宏观层面的理论框架之间自如切换。
相反，Nguyen 与 Welch 坚持认为，这种被感知到的理解是由模型设计所驱动的“拟人化谬误”。他们解释说，LLM 并不处理原始数据或进行系统性检索，而是将数据压缩并转换为向量嵌入，以生成在统计上看似合理的回答。他们特别指出，该技术的随机性与不稳定性会使研究者陷入“与聊天机器人对话的无限循环”，其中不断验证准确性、语境相关性及与数据之间联系的需要，抵消了任何所谓的效率提升。他们认为，这些自动化特性掩盖了分析性投入的缺失，并扭曲了研究者发掘有意义洞见的能力。
从与数据对话到只是聊天：关于 GenAI 的争论
归根结底，这场争论凸显了人在质性探究中的角色。Hayes 认为，LLMs 并不会削弱人类专业知识的核心地位；研究者依然是意义的建构者，负责选择提示词、核验输出，并将其置于概念框架之中。他将 LLMs 视为推动更深入探究的催化剂，而非一键式解决方案。然而，Nguyen 与 Welch 担心，对 AI 效率的热情以及将 LLMs 错误地信任为“中立专家”，可能导致知识生产的同质化，并使批判性、诠释性和反思性方法论等对丰富质性洞见至关重要的传统被边缘化（Köhler et al., 2022; Mees-Buss et al., 2022）。这场学术“较量”提醒我们，在拥抱创新的同时，必须批判性地反思我们的工具如何塑造我们的观察，并坚守诠释社会意义这一核心使命。
References
Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., Neelakantan, A., Shyam, P., Sastry, G., Askell, A., Agarwal, S., Herbert-Voss, A., Krueger, G., Henighan, T., Child, R., Ramesh, A., Ziegler, D. M., Wu, J., Winter, C., … Amodei, D. (2020). Language Models are Few-Shot Learners. *arXiv.Org*.
Chowdhery, A., Narang, S., Devlin, J., Bosma, M., Mishra, G., Roberts, A., Barham, P., Chung, H. W., Sutton, C., Gehrmann, S., Schuh, P., Shi, K., Tsvyashchenko, S., Maynez, J., Rao, A., Barnes, P., Tay, Y., Shazeer, N., Prabhakaran, V., … Fiedel, N. (2022). PaLM: Scaling Language Modeling with Pathways. *arXiv.Org*.
Hayes, A. S. (2025). “Conversing” With Qualitative Data: Enhancing Qualitative Research Through Large Language Models (LLMs). *International Journal of Qualitative Methods*, *24*. https://doi.org/10.1177/16094069251322346
Hicks, M. T., Humphries, J., & Slater, J. (2024). ChatGPT is bullshit. *Ethics and Information Technology*, *26*(2), Article 38. https://doi.org/10.1007/s10676-024-09775-5
Köhler, T., Smith, A., & Bhakoo, V. (2022). Templates in Qualitative Research Methods: Origins, Limitations, and New Directions. *Organizational Research Methods*, *25*(2), 183–210. https://doi.org/10.1177/10944281211060710
Mees-Buss, J., Welch, C., & Piekkari, R. (2022). From Templates to Heuristics: How and Why to Move Beyond the Gioia Methodology. *Organizational Research Methods*, *25*(2), 405–429. https://doi.org/10.1177/1094428120967716
Narayanan, A., & Kapoor, S. (2024). *AI snake oil: what artificial intelligence can do, what it can’t, and how to tell the difference*. Princeton University Press.
Nguyen, D. C., & Welch, C. (2026). Generative Artificial Intelligence in Qualitative Data Analysis: Analyzing–Or Just Chatting? *Organizational Research Methods*, *29*(1), 3–39. https://doi.org/10.1177/10944281251377154
Ziems, C., Held, W., Shaikh, O., Chen, J., Zhang, Z., & Yang, D. (2024). Can Large Language Models Transform Computational Social Science? *Computational Linguistics - Association for Computational Linguistics*, *50*(1), 237–291. https://doi.org/10.1162/coli_a_00502
留言