定性访谈怎么编码：从原话到主题的实用方法

先说结论

定性访谈编码，可以按这条路径进行：先完整阅读文字稿，在上下文中选出有意义的段落，再用简短标签描述每段材料表达的行为、需求或问题；随后整理标签、建立编码手册，并在不同访谈中保持一致应用；最后把相互关联的编码标签归入类别和主题。整个过程中，每个编码标签都应连接到准确的来源原话，方便主题和结论被再次检查。

编码不等于摘要。摘要是在压缩一场访谈说了什么；编码则是在具体片段上做标记，从而跨访谈找到相似材料、差异和反例。

编码标签、类别和主题有什么区别？

• **编码标签：**贴在具体段落上的短标签，例如“人工绕行”或“需要主管批准”。
• **类别：**把相关编码标签放在一起，例如“采购限制”。
• **主题：**解释材料中一个有意义的模式，例如“对企业采购者来说，审批风险比设置耗时更重要”。

主题不能只是一个重新命名的引语文件夹。它包含研究者解释，因此需要来源证据、适用边界和反例检查。

1. 选择归纳、演绎或混合编码

归纳编码让标签从访谈材料中逐渐出现，适合团队希望对意外行为和受访者语言保持开放的研究。

演绎编码从研究问题、理论框架或既有经验出发，预先准备一组概念。它便于集中比较，但也可能让研究者忽略初始框架之外的材料。

混合编码先准备少量暂定编码标签，同时允许真实材料推动新编码标签出现。产品研究和客户研究经常适合这种平衡方式。

把选择和规则写下来。只说“我们使用归纳法”还不够，复核者还需要知道标签如何被创建、修改和应用。

2. 确定什么算一个编码片段

编码单位可以是一小段短语、一句话、一次完整发言或一个短段落。片段要保留足够上下文，又不能把几个不同意思全部吞进同一个标签。

不要只看到关键词就编码。“太贵了”可能指价格、员工时间、迁移风险，也可能指作出错误决定的代价。应该阅读前后文，标记这段话真正表达的含义。

同一段材料确实回答多个问题时，可以附加多个编码标签，但不要把原话复制成几条彼此断开的笔记。保留一个来源，再添加相关标签。

3. 完成第一轮编码

先选择两到三场在受访者类型或结果上存在差异的访谈。编码前完整阅读一次，理解整场对话，再逐句或逐段处理。

第一轮编码时：

• 用简洁标签描述行为、需求、限制、动机或后果；
• 受访者自己的用词能准确概括概念时，优先保留原生词；
• 解释还不确定时写研究备忘，不要立刻当成事实；
• 标记意外材料和反例，不要强行塞进已有编码标签；
• 避免每句话都创造一个新标签。

高亮与标签指南展示了如何在 ScribeFlash 中保留来源片段，同时添加研究标签。

4. 把临时标签整理成编码手册

完成前几份文字稿后，集中检查一次编码标签列表：合并重复项，拆开实际包含两个意思的标签，并删除与研究问题没有关系的标签。

每个保留编码标签至少记录：

1. **名称：**简短，且容易与其他编码标签区分。
2. **定义：**它代表什么。
3. **纳入条件：**什么证据应该使用这个编码标签。
4. **排除条件：**哪些相近材料应使用别的编码标签。
5. **示例：**一条保留上下文的来源原话。

编码标签定义变化时要保留版本。修改会明显改变使用范围时，应回看早期访谈，而不是只从后面的文件开始执行新规则。

5. 通过第二轮编码形成主题

第一轮负责给材料贴标签，第二轮则要观察编码标签之间的关系：哪些行为按顺序发生，什么条件触发了问题，哪些动机和后果经常一起出现。

例如，“手工复制数据”“等待财务确认”和“重新制作客户汇报”可以组成“交接成本”类别。真正可用的主题还需要说明这种交接何时发生、影响谁，以及为什么会影响决策。

用完整数据检查候选主题：

• 哪些原话支持它？
• 哪些受访者不符合这个模式？
• 它与其他主题是否真正不同？
• 它回答了哪个研究问题？
• 当前表述比证据更窄，还是已经超出了证据？

6. 跨访谈比较编码标签

可以建立一张矩阵：一边是受访者，另一边是研究问题、编码标签或主题。它能帮助团队看到共同模式、不同用户群的差异和反例，同时避免把小规模定性样本包装成统计代表性结果。

次数可以描述材料，但不能替代解释。“5 位受访者提到审批”还不完整；研究还需要说明是什么审批、在什么条件下发生，以及这 5 人是否拥有相同的关键背景。

完整的上下游流程可参考如何分析客户访谈。

7. 使用 AI 建议，但不交出来源控制权

AI 可以帮助提出候选标签、聚合相似片段，或提示研究者检查可能遗漏的材料。但它不应该编造不存在的原话、静默改写证据，或直接决定某个主题已经成立。

要求每条生成编码标签和研究结论都指向可检查的文字稿片段。回到上下文复核，修改不符合来源的标签；两位研究者对同一材料存在不同解释时，也应保留分歧，而不是为了整齐而强行统一。

研究结论复核指南介绍了下一步如何检查引用、局限和反例证据，再决定是否确认一条结论。

编码质量检查清单

把编码标签整理成结论前，确认：

• 已记录编码方式和编码单位；
• 每个编码标签都指向准确的来源片段；
• 定义中包含使用边界和示例；
• 必要时已把编码手册修改重新应用到早期访谈；
• 已检查反例和未编码材料；
• 主题是在解释模式，而不是给类别换名字；
• 研究判断没有超出样本范围；
• AI 建议经过人工复核。

好的编码会让解释过程变得可见。其他研究者不一定会选择完全相同的标签，但他们应该能够看懂来源材料如何变成主题，以及最终判断为什么被限定在当前范围内。