1 定义
定性分析（qualitative analysis）用于分析访谈、出声思考、观察记录等形成的非结构化数据，重点不再是将数据用于序列分析、行为统计检验等定量分析，是识别其中反复出现的内容、行为、观点和意义模式。
非结构化数据可能来自文本、图像、音频和视频等不同形式。正式分析前，通常需要先把资料整理为可以编码和比较的形式。例如，访谈和出声思考录音可以转录为逐字稿；录像可以根据研究问题记录其中的语言、行为、事件和情境。转录的详细程度取决于研究问题：如果只关注参试者表达了什么，可以主要记录语言内容；如果关注互动或情绪表达，还可以记录停顿、语气、重音等信息。
2 常用方法
根据研究目的和所需分析深度，可以采用不同的定性分析方法。如果定性资料主要用于补充实验结果、快速整理大量发现，可以采用亲和图，将内容相近的观察、行为或原话归为若干组，识别反复出现的问题和观点。
如果定性资料直接用于回答研究问题，通常需要进行更系统的编码。根据编码框架的来源，可以采用归纳编码（inductive coding），从本次数据中自下而上形成编码标签和编码本；也可以采用演绎编码（deductive coding），根据已有理论或概念框架预先确定编码本，再对资料进行编码。
完成编码后，可以进一步进行内容分析（content analysis）或主题分析（thematic analysis）。内容分析主要关注资料中出现了哪些内容、如何分类以及不同类别怎样分布；主题分析则进一步比较不同编码之间的联系，形成能够回答研究问题的共同意义模式。
3 定性分析中的大模型使用
另外，由于定性分析耗时耗力，近年不少研究者尝试将大模型用于分析定性数据。演绎编码具有相对明确的参照结果，可以作为分类任务，使用准确率、召回率、F1和评分者一致性等指标评价。一些研究表明，大模型在多项规则明确的社会科学文本标注任务中已经达到或超过众包人员、专家编码者或传统监督分类器 [@tornbergLargeLanguageModels2025]。不过，模型表现会随资料、概念难度和提示方式变化，因此固定编码任务应先在本研究的代表性样本上进行验证。
对于归纳编码和主题形成，尤其是反思性主题分析，通常不存在唯一正确的分析结果，还需评价主题的资料依据、边界和解释力[@braunReflectingReflexiveThematic2019]。现有研究发现，大模型能够生成有价值的归纳编码和主题，但也可能过度切分资料、遗漏隐含意义或编造引文 [@vikanReflectingLLMSupport2026]。因此，一些研究者还设计工具，探索人机协作归纳编码的可能性，由AI完成更机械的工作，而将解读留给人类分析者[@sharmaDeTAILSDeepThematic2025]。
总体而言，大模型用于定性分析仍处于探索和发展阶段，现有研究的任务、评价方法和报告质量差异较大[@kempnyUseMethodologicalReporting2026]。其中，许多争论集中在反思性主题分析：反对者认为，这类方法依赖研究者的社会位置、生活经验和反思，大模型不能成为意义建构的主体[@jowseyWeRejectUse2025]；回应者则认为不应全面禁止大模型，而应区分模型主导分析与研究者有控制地使用模型，并明确最终解释权和责任归属[@greenhalghReflexiveQualitativeResearch2026]。因此，现阶段更适合将大模型作为辅助分析工具：对于规则明确的演绎编码，可以在验证模型表现后用于批量编码；对于归纳编码和主题分析，则可以辅助整理资料、生成候选编码或主题，但研究者仍需检查其与原始数据的对应关系，并负责最终的主题形成和解释。
4 参考文献
Braun, V., & Clarke, V. (2019). Reflecting on reflexive thematic analysis. Qualitative Research in Sport, Exercise and Health, 11(4), 589–597. https://doi.org/10.1080/2159676X.2019.1628806
Greenhalgh, T. (2026). Reflexive Qualitative Research and Generative AI: A Call to go Beyond the Binary. Qualitative Inquiry, 10778004261429383. https://doi.org/10.1177/10778004261429383
Jowsey, T., Braun, V., Clarke, V., Lupton, D., & Fine, M. (2025). We Reject the Use of Generative Artificial Intelligence for Reflexive Qualitative Research. Qualitative Inquiry, 10778004251401851. https://doi.org/10.1177/10778004251401851
Kempny, C., Frings, J., Rust, P., Meister, S., & Fehring, L. (2026). The use and methodological reporting of large language models in qualitative research: a scoping review. BMC Medical Research Methodology, 26, 137. https://doi.org/10.1186/s12874-026-02913-1
Sharma, A., & Wallace, J. R. (2025). DeTAILS: Deep Thematic Analysis with Iterative LLM Support. Proceedings of the 7th ACM Conference on Conversational User Interfaces, CUI ’25, 1–7. https://doi.org/10.1145/3719160.3735657
Törnberg, P. (2025). Large Language Models Outperform Expert Coders and Supervised Classifiers at Annotating Political Social Media Messages. Social Science Computer Review, 43(6), 1181–1195. https://doi.org/10.1177/08944393241286471
Vikan, M., Aryan, R., Kannelønning, M. S., Riegler, M. A., & Danielsen, S. O. (2026). Reflecting on LLM Support in Reflexive Thematic Analysis: An Exploratory Study. Qualitative Health Research, 36(2–3), 191–205. https://doi.org/10.1177/10497323251365211