重新构想对话式分析：将生成式人工智能融入质性研究
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数据检索与基于对话的诠释相结合的方式有效取代。为此，她提出了一个新的方法论框架：人工智能赋能的对话式分析（Conversational Analysis to the Power of AI, CAAI），主张转向一种与质性数据更具互动性、共同分析的交互方式。该框架将分析重新构想为一个迭代提问、综合与反思性诠释的过程，而不再是简单的切分与归类。
争论：质性编码与 LLM 驱动的分类
随着 LLM 在质性研究中的应用日益增多，区分真正的质性编码与更准确地说应称为“分类代理”的做法变得愈发重要。来自计算机科学、数据科学或人机交互（HCI）领域的研究者（例如 Gao et al., 2023; Xiao et al., 2023; Zackary, 2024; Zhang et al., 2024）通常采取工程思维，将质性数据视为可借助模型进行切分、标注或聚类的文本。这些项目往往依赖定制工具和预处理数据集，把分析简化为一组分类任务，而这些任务通常需要对文本进行“分块”（chunking），从而破坏了质性分析中实现诠释性跃迁所必需的连贯性。
相比之下，来自社会学、教育学、健康或传播学等领域的质性研究者（例如 Goyanes et al., 2025; Hayes, 2025; Hitch, 2024; Lixandru, 2024; Perkins & Roe, 2024）则更强调诠释、反思性与透明性。在这些研究中，编码远不止为文本贴标签，而是一个理论性、迭代性和情境性的过程。真正的质性编码需要在完整的访谈转录文本中反复沉浸、反思、撰写备忘录并重新配置，最终往往形成 80 到 250 个不同的代码。当 LLM 被用来把这些方法简化或扁平化为标注练习时，反思性、细微差别与方法论严谨性都会随之丧失。因此，在这个快速演进的人工智能时代，认识到分类代理与真正质性编码之间的差异，对于确保方法论的完整性至关重要。
认识论转变：三元诠释空间
质性探究传统上植根于诠释范式。在这一范式中，意义并不直接存在于数据之中，而是从分析者、情境与文本之间的对话性、递归性关系中生成。当人工智能加入这一关系时，它并不取代研究者，而是成为三元诠释空间的一部分。正如 Krähnke et al.（2025）以及 Schäffer 和 Lieder（2023）所论证的，诠释学认识论尤其适合用来理解人工智能如何能够有意义地融入质性分析。理解的过程由此成为在多种视角之间的穿行：参与者的视角、人工智能模型的视角，以及研究者自身不断演变的框架。
尽管人工智能模型缺乏 Gadamer（1960）和 Mannheim（1936）所描述的 *Seinsverbundenheit*，即扎根于真实社会历史世界的本体论嵌入性，但由于其训练基于庞大且具有社会情境性的语料，其输出仍能提供有价值的洞见。LLM 可以充当“溯因催化剂”（abductive catalysts），帮助研究者获得意料之外的洞见，挑战既有假设，并开启新的诠释方向。在这一模式下，人工智能所生成的知识是集体性和分布式的，是跨越多元社会、文化与话语情境的意义建构的聚合回响。尽管 LLM 的训练数据可能过度代表西方话语，但在以数据为基础的对话式使用中，模型的任务是严格在研究者所提供材料的范围内检索和重组意义，从而将诠释空间锚定在参与者的真实声音之上。
LLM 作为辅助工具与方法论创新
后编码分析的兴起与实践
已有多位研究者正在探索通向后编码分析的路径，表明无需编码的分析已经在实践中出现。Hayes（2025）展示了一种混合方法：使用 GPT-4 或 Claude 3.5 生成主题框架，随后提示这些模型执行更具动态性的任务，例如跨案例比较不同视角或模拟政策辩论。Perkins 和 Roe（2024）则更进一步，将主题发展与数据切分解耦，使用聊天机器人进行模式识别和合理性检验，再由人类研究者对输出进行验证。
Morgan（2026）提出的基于查询的分析（Query-Based Analysis, QBA）提供了一个结构化的三步流程：首先通过宽泛的初始查询引出高层次主题，随后通过具体查询细化子主题，最后以原始引文为研究发现提供支撑。此外，Nguyen-Trung 和 Nguyen（2025）提出的叙事整合主题分析（Narrative-Integrated Thematic Analysis, NITA）通过构建个体叙事档案与跨案例整合来生成综合结论，使意义源自对参与者叙述的整体性把握，而非对离散数据片段的标注。综合来看，这些实践表明，对话而非分类，可能成为未来质性分析的基础。
CAAI 框架的五个核心步骤
CAAI 框架以关系建构主义本体论为基础，将意义视为互动的产物。该框架围绕四个核心迭代步骤组织，另有一个用于理论发展的可选第五步。
第一步是熟悉数据。研究者必须对材料形成熟悉感，并可借助人工智能生成的摘要进行初步定位。由于 LLM 具有非确定性，建议进行三次主题生成，以确定哪些主题值得进一步追问。
第二步是为分析做准备。研究者选定一个主题，并拟定一组探索性问题（归纳式或演绎式）。这些问题充当分析支架，并为透明性和可复现性提供基础。
第三步聚焦于选择数据并提出问题。为避免泛化的概括，最好使用聚焦的数据子集（例如 4 到 6 份访谈）并开展迭代对话。在此过程中，可以运用溯因推理来探究异常或矛盾之处，模型也可以集思广益，提出合理的解释。
第四步是综合洞见。在借助人工智能进行快速探索之后，研究者需要放慢节奏，深入研读对话记录并撰写综合分析。这一过程可以独立完成，也可以与人工智能共同完成，从而形成一种“组装体”（assemblage），意义在其中通过关系而生成。
可选的第五步是提升分析层次。这一阶段将研究发现整合进既有理论框架，确保实现 Strübing et al.（2018）所说的“理论渗透性”（theoretical pervasiveness），使研究能够为学术对话贡献原创且稳健的洞见。
CAAI 中的操作步骤与实践指导
CAAI 框架具有高度灵活性，允许整合来自扎根理论（Grounded Theory, GT）、质性内容分析或主题分析（Thematic Analysis, TA）等传统的程序性步骤。在改编扎根理论时，研究者不再分配正式代码，而是通过探索性提问来“打开”数据，这对应于 Strauss 和 Corbin（2014）所描述的开放编码阶段，并借助对话进行持续比较与范畴发展。质性内容分析同样可以被重构：研究者不再将数据片段套入预先设定的类目，而是先通过对话建立丰富的叙事性理解，直到过程末尾才抽象出范畴及其维度。
为确保 CAAI 的严谨性，建议采取以下几项策略。第一，研究者应优先使用基于 RAG 的工具，因为这类架构明确地将输出建立在用户数据之上，大幅降低了幻觉风险。第二，基于主题的问题集充当分析支架，完整的对话记录则提供审计轨迹，使诠释路径可见且可供审查。此外，分析者之间的跨人比较，或独立研究者的跨时间比较，有助于评估诠释的稳定性。对模型参数进行配置，例如将温度设定在 0.2 到 0.5 之间的较低水平，也能进一步提升输出的一致性。
质量保证、伦理与认识论转变
伦理、作者身份与根本性的范式转变
在 CAAI 方法中，研究者始终是首要作者。即使语言是共同生成的，意义的赋予、理论视角的选择以及最终的诠释判断都完全属于人类研究者。作者身份的归属取决于谁赋予意义，而非谁生成文本。透明性至关重要，研究者需要披露所使用的问题集和分析轨迹。
归根结底，CAAI 代表了质性分析中一次更深层的范式转变。它挑战了长期以来认为切分与分类是严谨诠释之前提的假设，并以提问、综合、诠释流动与迭代完善的逻辑取而代之。正如 Krähnke et al.（2025）所指出的，LLM 在对话中充当助手，而人类研究者始终是分析的引擎。通过将人工智能作为诠释过程中的生成性中介加以接纳，CAAI 不仅带来了效率与灵活性，还深化了诠释，并拓展了数字时代质性研究的认识论视野。
References
Corbin, J. M., & Strauss, A. L. (2015). *Basics of qualitative research: techniques and procedures for developing grounded theory* (4. utgave). Sage. https://contents.bibs.aws.unit.no/files/images/large/1/6/9781412997461.jpg
Friese, S. (2026). From Coding to Conversation: A New Methodological Framework for AI-Assisted Qualitative Analysis. *Qualitative Inquiry*. https://doi.org/10.1177/10778004251412871
Gadamer, H.-G. (1960). *Hermeneutik 1. Wahrheit und meth ode. Grundzüge einer philosophischen Hermeneutik.* Mohr-Siebeck.
Gao, J., Kenny Tsu Wei Choo, Cao, J., Roy Ka Wei Lee, & Perrault, S. (2023). CoAIcoder: Examining the Effectiveness of AI-assisted Human-to-Human Collaboration in Qualitative Analysis. *arXiv.Org*.
Goyanes, M., Lopezosa, C., & Jordá, B. (2025). Thematic analysis of interview data with ChatGPT: designing and testing a reliable research protocol for qualitative research. *Quality & Quantity*, *59*(6), 5491–5510. https://doi.org/10.1007/s11135-025-02199-3
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
Hitch, D. (2024). Artificial Intelligence Augmented Qualitative Analysis: The Way of the Future? *Qualitative Health Research*, *34*(7), 595–606. https://doi.org/10.1177/10497323231217392
Krähnke, U., Pehl, T., & Dresing, T. (2025). Hybride Interpretation textbasierter Daten mit dialogisch integrierten LLMs: Zur Nutzung generativer KI in der qualitativen Forschung. SSOAR. https://nbn-resolving.org/urn:nbn:de:0168-ssoar-99389-7
LIXANDRU, I.-D. (2024). The Use of Artificial Intelligence for Qualitative Data Analysis: ChatGPT. *Informatica Economica*, *28*(1/2024), 57–67. https://doi.org/10.24818/issn14531305/28.1.2024.05
Mannheim, K. (1936). Ideology and utopia: An introduction to the sociology of knowledge (L. Wirth & E. Shils, Trans.). Harcourt, Brace & Company.
Morgan, D. L. (2026). Query-Based Analysis: A Strategy for Analyzing Qualitative Data Using ChatGPT. *Qualitative Health Research*, *36*(2–3), 206–217. https://doi.org/10.1177/10497323251321712
Nguyen-Trung, K., & Nguyen, N. L. (2026). Narrative-Integrated Thematic Analysis (NITA): How can LLMs support theme generation without coding? *Qualitative Research in Psychology*, 1–37. https://doi.org/10.1080/14780887.2026.2638348
Perkins, M., & Roe, J. (2024). The use of generative AI in qualitative analysis: Inductive thematic analysis with ChatGPT. Journal of Applied Learning & Teaching, 7(1), 390–405. https://doi.org/10.37074/jalt.2024.7.1.22
Schäffer, B., & Lieder, F. R. (2023). Distributed interpretation - teaching reconstructive methods in the social sciences supported by artificial intelligence. *Journal of Research on Technology in Education*, *55*(1), 111–124. https://doi.org/10.1080/15391523.2022.2148786
Strübing, J., Hirschauer, S., Ayaß, R., Krähnke, U., & Scheffer, T. (2018). Gütekriterien qualitativer Sozialforschung. Ein Diskussionsanstoß. *Zeitschrift Für Soziologie*, *47*(2), 83–100. https://doi.org/10.1515/zfsoz-2018-1006
Xiao, Z., Yuan, X., Q Vera Liao, Abdelghani, R., & Pierre-Yves Oudeyer. (2023). Supporting Qualitative Analysis with Large Language Models: Combining Codebook with GPT-3 for Deductive Coding. *arXiv.Org*. https://doi.org/10.48550/arxiv.2304.10548
Zackary Okun Dunivin. (2024). Scalable Qualitative Coding with LLMs: Chain-of-Thought Reasoning Matches Human Performance in Some Hermeneutic Tasks. *arXiv.Org*.
Zhang, H., Wu, C., Xie, J., Rubino, F., Graver, S., Kim, C., Carroll, J. M., & Cai, J. (2024). When Qualitative Research Meets Large Language Model: Exploring the Potential of QualiGPT as a Tool for Qualitative Coding. *arXiv.Org*.
留言