AI辅助定性研究：从访谈笔录到洞察的完整工作流

本文适合谁

有访谈笔录或开放题文本、希望用 AI 提升定性分析效率，同时担心质量与幻觉风险的研究人员。本文提供一套可落地的”AI 初稿 + 人工复核”完整工作流。

核心结论摘要

• 完整工作流分 8 步：AI 整理资料 → AI 生成候选编码 → 研究员修改编码框架 → AI 按确认框架重新分析 → AI 检索证据与反例 → 研究员判断主题 → AI 整理报告素材 → 研究员完成最终洞察与建议；
• 三条铁律：AI 生成的是候选分析，不是研究事实；所有原声必须可追溯到原始文件与受访者；AI 不得补写、改写或合并为不存在的受访者原话；
• 高频不等于重要；研究员必须检查反例、群体差异与主题边界；
• AI 不能替代知情同意、隐私保护和研究伦理判断。

AI 适合参与哪些环节

环节	AI 能力	人工把关
逐字稿清理	去口头语、统一格式（保留原意）	抽查清理是否改变语义
说话人识别	自动区分说话人	人工检查标注准确性
文本分段	按话题/段落切分	分段边界是否合理
初步编码建议	生成候选编码与归类初稿	编码是否贴合原意
编码归并	合并相似编码	合并是否丢失语义
候选主题生成	从编码归纳候选主题	主题是否成立、有解释力
跨访谈检索	按主题/编码跨文件检索	检索结果完整性
用户原声检索	按主题检索典型原声	代表性、匿名化
反例查找	查找与主题矛盾的片段	反例是否被合理处理
报告素材整理	按主题汇总证据与引语	素材是否真实可追溯

AI 不适合独立决定的内容

• 研究问题定义：为什么研究、回答什么，是研究者的判断；
• 编码框架的最终确定：框架是研究问题导向的，AI 建议仅是起点；
• 主题是否成立的判断：主题需要解释力与证据支撑，不是文本聚类；
• 重要性的判断：提及次数多不等于重要——重要性需结合叙述深度、业务影响、反例与研究问题综合判断（详见开放题如何编码分析）；
• 洞察与业务建议：AI 可以整理素材，结论与责任属于研究员。

完整工作流：八步法

① AI 整理资料：逐字稿清理、说话人检查、文本分段
② AI 生成候选编码：初版编码框架 + 批量归类建议
③ 研究员修改编码框架：调整、增删、定义边界（人工主导）
④ AI 按确认框架重新分析：在研究员定稿的框架下重新归类
⑤ AI 检索证据与反例：按主题检索支撑片段与矛盾片段
⑥ 研究员判断主题：结合研究问题确认主题与边界（人工主导）
⑦ AI 整理报告素材：主题摘要、原声候选、引用定位
⑧ 研究员完成最终洞察和建议：撰写结论、责任归属

关键节点：第 ③、⑥、⑧ 步必须由研究员主导，AI 在第 ②④⑤⑦ 步提供效率。

各环节操作要点

① AI 整理资料

• 逐字稿清理：去除”嗯、啊”等口头语（保留语义与情绪词）；
• 说话人识别后人工检查：自动识别在重叠语音、方言场景错误率高；
• 文本分段：按话题边界切分，便于后续定位。

② AI 生成候选编码

提示词要点（示例）：

你是资深定性研究员。以下是已脱敏的访谈逐字稿（共 12 份）。请：

1. 提出 10–18 个候选编码，命名贴近原文语义；
2. 每个编码标注典型片段出处（文件编号:段落）；
3. 标注正/负/中性方向；
4. 不编造原文中不存在的观点，所有编码必须有原文依据。

③ 研究员修改编码框架

• 合并语义重复、拆分混合概念、增补遗漏编码；
• 为每个编码写下操作性定义与边界说明；
• 编码框架的确定方法见定性编码完整指南。

④ AI 按确认框架重新分析

• 将定稿框架回喂 AI，要求逐片段归类并标注出处；
• 人工抽查 20–30% 归类的正确性；
• 多重编码（一条片段多个观点）需单独检查。

⑤ AI 检索证据与反例

• 按主题检索支撑片段（原声检索）；
• 主动检索反例：与主题矛盾的片段——反例是主题边界的证据（详见主题分析完整指南）；
• 检索结果人工确认：AI 可能漏检或误检。

⑥ 研究员判断主题

• 结合研究问题判断候选主题是否成立、是否有解释力；
• 确认主题边界、命名与关系；
• 高频编码不自动成为核心主题——按研究问题与解释力判断。

⑦ AI 整理报告素材

• 主题摘要、候选原声、引用定位（文件:段落）一键汇总；
• 人工筛选典型原声并匿名化（方法见定性研究报告完整指南）。

⑧ 研究员完成最终洞察和建议

• 撰写结论、洞察与业务建议，AI 素材仅作支撑；
• 最终判断与质量责任属于研究员。

如何防止 AI 常见问题

风险	表现	防控
编造原声	引语在原文中不存在	要求标注出处；复核时原文定位抽验
拼接观点	把不同受访者观点合成一条”原话”	禁止改写合并；单条引语只来自单一受访者
过度概括	把个别观点写成”多数用户认为”	复核表述与证据范围是否匹配
听起来合理但原文没有	洞察看似合理但无文本支撑	每条洞察要求证据链（结论→主题→编码→片段）
漏掉反例	只检索支持性证据	主动要求检索矛盾片段

人工复核流程

• 逐条复核：编码、归类、主题摘要的抽样（建议 ≥ 20%）与重点全检；
• 证据追溯：对引用的每条原声做原文定位（文件:段落）抽验；
• 双轮分析（可选）：第一轮 AI 初稿 → 研究员修订 → 第二轮 AI 按修订后框架复核差异，两轮结果对比确认稳定性；
• 复核记录：复核人、时间、修改项留存，随报告附录发布。

研究员最终判断责任

• 报告署名与质量责任属于研究员，AI 不承担任何研究判断责任；
• 报告方法说明中注明”AI 辅助环节”与人工复核范围（透明度要求）；
• 研究员必须检查：反例、群体差异、主题边界、编码框架的合理性。

数据隐私与脱敏

• 上传前脱敏：人名、公司名、地名、可识别事件；
• 敏感资料（医疗、金融、未成年人）谨慎上传，优先私有化/合规工具；
• 遵守知情同意范围：受访者同意中的使用边界不能被 AI 环节突破；
• 工具选型：了解数据存储位置与保留策略后再上传。

AI 定性分析检查清单

• 逐字稿已清理且说话人标注经人工检查
• 编码框架由研究员定稿（AI 仅提供初稿）
• 归类正确性已抽查（≥ 20%）
• 每条引用的原声可追溯到原始文件与受访者
• 无 AI 编造/拼接/改写的原话
• 无”听起来合理但原文没有”的洞察
• 反例已检索并说明处理方式
• 主题边界与命名经研究员确认
• 提及人数表述符合定性规范（不推断总体比例）
• 文本已脱敏，合规边界已确认
• 报告注明 AI 辅助环节与人工复核范围
• 复核记录已留存

一个完整的简化工作流案例

背景：12 份用户深访笔录，研究”用户为什么流失”。

1. AI 整理：清理口头语、区分说话人、按话题分段（1 小时 → 分钟级）；
2. AI 候选编码：生成 14 个候选编码（价格、服务、功能、竞品……），每码附出处；
3. 研究员修订：合并”客服慢”与”售后差”为”服务体验”；删除无依据编码；补充”信任问题”；
4. AI 重新分析：按 12 码框架逐段归类，标注（文件:段落）；
5. AI 检索：按”信任问题”检索支撑片段 9 条 + 反例 2 条；
6. 研究员判断：确认 5 个主题，“信任问题”因解释力强保留为核心主题（即使提及人数不是最多）；
7. AI 整理素材：主题摘要 + 候选原声（含出处编号）；
8. 研究员成稿：撰写洞察与建议，复核原声真实性后交付。

常见错误

1. AI 输出直接进报告：未复核的编码、主题、原声可能含幻觉；
2. 不要求出处标注：无法追溯的引语是质量事故；
3. 把 AI 聚类当主题：主题需要解释力与研究问题对齐，不是文本分组（见主题分析完整指南）；
4. 用提及次数判断重要性：高频不等于重要；
5. 未脱敏上传：合规与隐私风险；
6. 跳过反例检索：主题边界无人验证；
7. AI 承担判断责任：质量责任永远在研究员。

使用边界与注意事项

• 本文工作流适用于文本型定性资料；不同研究传统（反思式主题分析、扎根理论等）对 AI 参与的接受度不同，需结合方法论判断；
• AI 工具能力与合规要求持续变化，使用前确认工具当前能力与数据政策；
• 人工方法基础见定性编码完整指南与定性访谈研究如何设计。

参考资料

• Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative Research in Psychology（主题分析方法学经典文献，建议人工复核后再引用）
• Tong, A., Sainsbury, P., & Craig, J. (2007). Consolidated criteria for reporting qualitative research (COREQ). International Journal for Quality in Health Care（定性研究报告规范，建议人工复核后再引用）
• AI 辅助分析属快速演进领域，本文工作流基于当前实践，建议持续关注工具能力与合规要求更新