第 1 部分 导入：质性研究走入 AI 辅助时代

ℹ️ 质性研究的定义

质性研究是以研究者本人作为研究工具，在自然情境下，采用多种资料收集方法（访谈、观察、实物分析、焦点团体等），对研究现象进行深入的整体性探究，从原始资料中形成结论和理论，通过与研究对象互动，对其行为和意义建构获得解释性理解的一种活动（陈向明，2000）。

1.1 一个真实的场景

1.2 今天的核心观点

AI 不是替你思考，而是让你把时间花在思考上。

Claude Code 在质性研究里的合理定位，只有三句话：

• 一个可对话的研究助手
• 一个可复用的分析工作流容器
• 一个帮研究者记录、整理、追问、挑战、修订分析过程的工具

把它当”分析外包”用，几乎一定出问题；把它当”研究助理”用，节省下来的时间应该被花在更深的理论思考上。

第 2 部分 方法论前提：主题分析和扎根编码

ℹ️ 本部分导语

我们挑了质性研究中最常见的两种分析方法：主题分析（TA）和扎根编码分析（GT）。先做一个清晰的对比，让你知道自己手头的数据应该走哪一条路；再分别附上两篇范文，方便你回去对照阅读。

2.1 数据与理论的关系光谱

质性研究里，“既有理论”和”原始数据”之间的关系，取决于你采用什么研究范式。最常见的有三种模式：

1. 自下而上（归纳 / 数据驱动）：理论后置，让主题从数据里”涌现”。适合探索那些少有人涉足的全新领域。
2. 自上而下（演绎 / 理论驱动）：理论前置，作为”模板”测试它在新情境下是否依然适用。适合验证、修正、扩展成熟理论。
3. 循环往复（溯因法）：理论先作为”敏感化概念”启发分析方向，数据中的异常发现反过来挑战并修正理论预设。

四种理论贡献类型（对应这三种关系的产出）：

• 印证（Confirmation）：证明理论在新情境下仍然适用
• 扩展 / 补充（Extension）：发现理论未提及的新维度或调节因素（最常见的创新路径）
• 挑战 / 修正（Challenge）：数据与理论预测相反，指出理论边界（高价值原创）
• 综合（Synthesis）：引入多个理论交叉解释单一理论无法涵盖的复杂现象

2.2 TA 与 GT 的深度对比

2.2.1 总体对比

一句话概括两者的差别：主题分析是画一幅”静态全景地图”，扎根理论是造一台”动态动力钟表”。

比较维度	主题分析 (TA)	扎根理论 (GT)
核心研究目标	描述与呈现：提炼意义模式，回答”发生了什么”	解释与预测：揭示内在机制，回答”如何运作”
理论介入时机	灵活可变（透镜）：可前置、悬置或溯因	严格后置（土壤）：前期极力避免文献污染
理论对话层级	现象级（不对等）：用现有理论解释新现象	机制级（对等博弈）：用新机制挑战现有理论
核心分析单元	主题（Theme）：并列的多中心	核心类属（Core Category）：严密的绝对单核
核心操作程序	线性递进：数据收集完整后集中分析	螺旋式迭代：收集与分析交替（理论抽样）
关键分析动作	模式识别：寻找受访者话语中的共性	持续比较：跨文本对比，寻找因果和脉络
最终研究产出	概念框架 / 主题地图	实质理论（典范模型）
适用研究问题	What / Which / Experiences / Dimensions——“[群体]的真实体验是什么？""面临哪些维度的挑战？“示例：“00 后职场新人在进行向上管理时，面临着哪些维度的情绪困境？“	How / Process / Mechanism / Evolution——“[群体]是如何应对[问题]的过程？""内在生成机制是什么？“示例：“00 后员工从’积极建言’走向’彻底躺平’的心理与行为演变机制是什么？“
选型信号	数据已一次性收集完毕；只需归纳现象特征；解决具体情境问题；有进度压力	可随时返场理论抽样；需解释动态因果过程；目标是建构普适性实质理论；时间充裕
AI 辅助定位	高级图书管理员（分类、总结、找联系）	苛刻的答辩评委（找矛盾、逼问因果）

AI 可以帮你处理现象材料，但不能替你决定理论对话，也不能替你做方法论选型。

ℹ️ 课程范围说明

本课程的扎根理论部分以 程序化扎根理论（Strauss & Corbin, 1990; 1998） 为参照框架。扎根理论目前有三个主要传统——Glaser 经典版、Strauss & Corbin 程序化版、Charmaz 建构主义版——三者在理论介入时机、编码程序和知识论立场上存在实质差异。课程时间有限，无法逐一展开，延伸阅读见附录 B。

2.2.2 材料分析过程的对比

2.3 几篇范文拆解

• 主题分析范文 1：民族志方法中的主题分析
• 主题分析范文 2：主题分析方法中的主题分析
• 扎根理论范文：程序化扎根的本土化应用

第 3 部分 主题编码及其 Skill 实操

3.1 Braun & Clarke 六步法

主题分析的标准操作框架是 Braun & Clarke 提出的六步法。六步里有四步可以让 AI 介入，但最关键的”命名”环节必须研究者亲自动手。

1. 熟悉数据
2. 生成初始编码 ← AI 可介入
3. 搜寻主题 ← AI 可介入
4. 审查主题 ← AI 可介入
5. 定义与命名主题 ← 研究者主导
6. 撰写报告

3.1.1 数据准备与熟悉

数据准备清单：访谈转录文本（按受访者分文件）、田野笔记、情境备忘录、研究者反身性日志。

熟悉数据这一步不能省也不能让 AI 替——你要先用自己的眼睛把材料从头到尾过一遍，在脑子里形成对话场域的”整体感”。后面 AI 的所有输出，都要靠这个整体感来判断真伪。

3.1.2 生成初始编码

推荐流程：

1. 研究者独立编码 1–2 份材料（建立自己的编码风格基准）
2. 把这两份材料与你的编码样本一并交给 Claude Code
3. 让它”模仿你的编码风格”对其余材料输出候选编码
4. 研究者逐条审查、修正、标注异议

ℹ️ 重要提示

• AI 输出的是候选编码，不是正式编码
• 一次给 AI 太多材料效果会差，最好分段处理
• 你和 AI 的分歧，往往恰恰是洞见所在——不要急着统一

3.1.3 搜寻主题

Prompt 模板：主题聚类

1. 识别编码之间的聚类关系，提出 5–8 个候选主题
2. 对每个候选主题，列出它包含哪些编码
3. 标出你认为归属不明确、可能跨主题的编码

3.1.4 审查主题

可以直接复用的追问：

• “主题 X 和主题 Y 的边界在哪里？请分析差异。”
• “这个主题内部一致性如何？哪些编码可能不属于这里？”
• “如果从 [理论视角] 来看，这些主题能否重新组织？“

3.1.5 命名主题（研究者主导）

ℹ️ 主题命名是分析行为，不是文字润色。它体现的是：你如何理解这个主题的核心，以及你如何把它放进更大的理论对话。Claude Code 可以提供备选名称，但最终命名必须由研究者作出。

3.2 Skills 实操：使用 thematic-analysis skill

先看下这个 skill 的样子——通常放在 .claude 隐藏文件夹下的 skills/ 子目录里。

第 1 步：配置项目的 CLAUDE.md

写清楚：研究主题、受访者编号规则、编码风格偏好、是否要保留 in vivo 原文、不希望出现哪些标签词。

第 2 步：初始编码阶段（thematic-analysis skill）

功能：

• 接收原始访谈文本，逐份完成 TA 初始编码
• 编码贴近数据语言，优先使用受访者原话（in vivo）
• 每份访谈编码完成后自动保存为独立文件（coding_[被访者编号].md），不占用对话上下文
• 所有访谈编码完成后，自动汇总编码池，输出跨访谈重复编码与独有编码分布

演示重点：

• 颗粒度控制：逐句编码，只有纯粹的单词应答（“嗯""对”）才可跳过；其它所有内容必须编码
• 编码权限边界：某句话是否重要，是研究者的判断权，不是 AI 的判断权

第 3 步：主题搜寻与命名（thematic-analysis skill）

功能：

• 对汇总后的编码池整体扫描，识别编码地形
• 自动聚类生成 5–8 个候选主题
• 从内部一致性、外部区分度、研究问题相关性三个维度审查主题
• 为每个主题给 2–3 个备选命名，并明确标注边界模糊的编码

演示重点：

• 主题聚类如何处理归属不明确的编码（不强行归并）
• 主题审查如何发现重叠与拆分必要性

thematic-analysis skill 会在所有命名建议之后输出固定声明：“命名判断移交研究者”。主题命名体现研究者的理论立场，这个设计本身就是方法论立场。

第 4 步：主题审查（thematic-analysis skill）（analytic-memo skill）

主题审查阶段如果某个主题触发了理论联想——“这里似乎有什么”或”这个主题和某个理论概念很像”——立即启动 analytic-memo，让 AI 代写备忘录，研究者审过即可。

写备忘录最重要的不是成品，而是写作过程本身推动分析前进。

第 5 步：主题命名调整与确认（thematic-analysis skill）

经过研究者反思和讨论，对主题表述做最终调整和确认，并撰写主题摘要——为后面正式写作做准备。

第 4 部分 扎根编码及其 Skill 实操

4.1 三阶段结构

扎根编码标准结构是三阶段：开放编码 → 主轴编码 → 选择性编码。AI 在三个阶段的介入度递减——越到核心理论建构，研究者越要亲自上场。

开放编码：打碎数据，进行概念化。追问：这里正在发生什么？AI 介入程度：高。

主轴编码：建立概念之间的关系。追问：这些概念如何相关？AI 介入程度：中。

选择性编码：整合核心类属，形成理论叙事。追问：谁是核心？如何整合？AI 介入程度：低，研究者主导。

本课程以 Strauss & Corbin 的程序化取向 为操作框架，三阶段结构与典范模型均来自该传统。Charmaz 的建构主义版本在知识论上更具反思性，但操作程序较少明确化，不适合初学者在有限时间内入门。

negative-case-finder skill 对应选择性编码阶段的负面案例分析，而不是贯穿全程的通用操作。

4.2 开放编码

ℹ️ 定义：对资料进行分解、比较、概念化与类属化的过程。

一级编码三步走：

1. 识别事件：逐项识别出资料中的事项、事情、事务，进行命名（抽象层次较低）
2. 提炼类属：对具体事件分类合并，形成概念（抽象层次较高）
3. 分析类属：定义内容、分析特征、进行分类

4.3 主轴编码

将现有类属按照”典范模型”进行逻辑关联，讲清楚类属之间的关系（条件 / 情境 / 行动策略 / 后果）。

4.4 选择性编码

确立核心类属，撰写故事线，发展核心研究问题，进行理论对话。

4.2 Skills 实操

第 1 步：配置项目的 CLAUDE.md 文档

跟 TA 类似，需要写清楚研究主题、编码风格、受访者编号、敏感词处理偏好。

第 2 步：开放编码，使用 grounded-coding skill

功能：

• 对访谈材料做开放编码，输出结构化编码表
• 支持概念归并与属性维度整理
• 从第二份起：跨文本持续比较，输出类属演化摘要

演示重点：

• 如何让 AI 跟随研究者的编码风格
• 为什么编码仍然必须逐条人工审查

编码表可以由 AI 协助生成，但编码判断不能由 AI 最终裁定。

第 3 步：主轴编码（继续用 grounded-coding skill）

让 skill 把开放编码阶段产生的类属，按典范模型套进”条件 / 情境 / 行动策略 / 后果”框架。AI 可以提议关系，但每一条关系都要经过研究者验证。

第 4 步：选择性编码（继续用 grounded-coding skill）

到这一阶段 AI 的角色更接近”陪练” / “答辩评委”——你提出核心类属，让它挑刺、追问、找反例。

补充动作：分析性备忘录，用 memo-coach skill

这个 skill 的设计很有意思——它不替研究者写备忘录，而是通过连续追问，逼研究者自己把想法写出来。它会追问你：

• 你到底注意到了什么？
• 这个概念的边界在哪里？
• 什么情况下它不成立？
• 一个怀疑者会如何质疑它？
• 如果必须用一句话说，你现在的暂定命题是什么？

写备忘录最重要的不是成品，而是写作过程本身推动分析前进。这是更符合质性研究主体性要求的 AI 用法。

补充动作：寻找反例，使用 negative-case-finder skill

这个 skill 不是简单”找不同意见”，而是专门做 negative case analysis，把不一致分成四类：

类型	含义
真反例	直接削弱当前命题
边界案例	命题只在某些条件下成立
维度差异	看似不一致，实则是程度或阶段不同
数据不足	目前还无法判断，需要补材料

这种分类方法逼你认真对待”看似冲突”的数据点——而不是把它们当噪音忽略掉。

第 5 部分 方法论边界与伦理

5.1 固有限制

局限	说明	应对方式
无法理解情境	不知道访谈氛围、沉默的含义	保留田野笔记与情境备忘录
容易平滑异质性	倾向于寻找模式与一致性	主动做反例分析
没有反身性	不能替代研究者的自我反思	反身性部分必须由研究者独立完成
语境依赖	对隐语、方言、身份政治理解有限	提供背景说明，谨慎解释
数据隐私	访谈文本可能含有敏感信息	先做匿名化处理，遵守伦理规范

5.2 不建议使用 Claude Code 的情况

• 访谈数量极少，深描比整理更重要
• 研究者尚未形成对材料的整体感
• 研究设计高度依赖反身性和田野嵌入
• 数据高度敏感，匿名化处理困难

ℹ️ 如果研究者还没有真正读懂材料，就不要急着把材料交给 AI——这一步偷不得。

5.3 论文中如何声明 AI 使用

可以参考下面这段表述（依目标期刊政策调整）：

本研究在编码阶段借助 AI 辅助工具（Claude Code）生成候选编码、识别初步聚类关系，并用于反例与边界案例的初步检索。研究者对全部 AI 输出进行逐条审查、修正与重新概念化。AI 工具仅用于提高分析过程的组织效率，所有理论判断与命题修订均由研究者完成。

关键词：候选编码 · 逐条审查 · 重新概念化 · 理论判断由研究者完成

总结：五个核心原则

1. Claude Code 是助手，研究者才是分析主体。
2. Prompt 有用，但 Skill 更能体现 Claude Code 的研究工作流价值。
3. 主题分析与扎根编码都可以借助 AI 辅助，但理论判断不能外包。
4. AI 最好的用途之一，是帮助研究者挑战过早确定性。
5. 真正节省出来的时间，应该用在理论建构上，而不是偷懒上。