如何利用 AI 进行主题分析：分步指南

主题分析是一种在定性数据（如访谈转录文本或开放式调查回答）中寻找意义模式的方法。要使用 AI 进行主题分析，请导入您的转录文本和研究问题，让 AI 提出第一轮编码建议，然后由您自己构建和检查主题。AI 可以加快阅读和整理的速度，而解读工作仍由您来完成。

本指南将解释什么是主题分析，逐步介绍六个阶段，并展示 AI 在哪些方面可以提供帮助，以及在哪些方面不应由其做决定。其中还包括一个实际案例、结果表格格式以及与内容分析的对比。

什么是主题分析

该方法最常被引用的版本的开发者 Virginia Braun 和 Victoria Clarke 在其网站上对其进行了定义：“主题分析（TA）是指一系列用于探索和解读整个数据集中模式化意义的定性研究方法。”

该定义中有两个词至关重要。“系列（Range）”意味着主题分析是一组方法的集合，而不是单一固定的程序。“解读（Interpreting）”意味着输出结果是对数据含义的论证，而不是对其内容的简单统计。

Braun 和 Clarke 将这一系列方法分为三个集群：编码信度法、代码簿法以及他们自己的反思性方法。这些差异会影响您使用 AI 的方式。

• 编码信度在早期确定代码簿，并检查不同的编码员是否以相同的方式应用它。
• 代码簿方法同样使用结构化的框架，但允许其在一定程度上进行演变。
• 反思性主题分析保持编码的开放性，并随着您理解的加深而允许其发生变化。他们的常见问题解答（FAQ）明确指出“反思性 TA 避免使用代码簿”。

在反思性主题分析中，主题不仅仅是一个话题。Braun 和 Clarke 将主题描述为“由核心概念或想法支撑的共享意义模式”。像“定价”这样的普通话题并不是主题，而“客户将价格视为信任的信号”才是。

六个阶段

Braun 和 Clarke 概述了六个阶段。他们强调“这些阶段并没有规定您必须遵守的死板流程”。在实践中，您会在这些阶段之间来回移动。

1. 熟悉数据集。阅读并反复阅读数据，记录初步观察结果。
2. 编码。在整个数据集中，分两轮或更多轮为有意义的片段贴上简短的标签。
3. 生成初始主题。将代码聚类为候选的意义模式。
4. 发展和审查主题。根据已编码的数据和完整的数据集检查每个候选主题。根据需要拆分、合并或舍弃主题。
5. 完善、定义和命名主题。确定每个主题的范围和故事，并赋予其一个具有信息量的名称。
6. 撰写报告。将分析性叙述与数据摘录交织在一起，并将其与现有文献联系起来。

他们的网站坦诚地描述了这一过程：“分析通常是一个循环往复的过程。”请做好在开始构建主题后重新返回编码阶段的准备。

AI 在哪些方面可以提供帮助，以及在哪些方面不应由其做决定

AI 在涉及大量数据的阶段确实非常有用。它可以快速阅读 40 份转录文本，推荐候选代码，提取符合代码的每个片段，并统计某种模式出现的频率。

但它不应该做出解读性的决策。Braun 和 Clarke 写道：“定性分析是一个需要技巧、结合情境且主观的过程。”模型无法与您感同身受地理解研究问题的重要性，而且它只了解您提供给它的上下文。

他们的常见问题解答（FAQ）针对分析软件提出了相关的观点。他们写道，最重要的是“成为一名有觉察力的研究者”。这意味着使用任何工具的方式都必须符合您所选择的方法的价值观。

一个可行的分工如下所示：

阶段	AI 可以做什么	您决定什么
熟悉阶段	总结每份转录文本，标记令人惊讶的段落	哪些段落对您的研究问题至关重要
编码阶段	提出第一轮代码并一致地应用它们	保留、合并或重命名哪些代码
生成主题阶段	聚类代码并提取支持的片段	某个聚类是否是真正的意义模式
审查主题阶段	在数据集中搜索反例	主题是否站得住脚
命名主题阶段	建议名称和单行定义	最终名称及其讲述的故事
撰写报告阶段	起草各个章节并汇编引用语	论点及其主张

如果您使用代码簿方法， AI 的输出可以作为代码簿草案。如果您使用反思性主题分析，请将 AI 代码视为启发思考的提示，而不是分析本身。

无论您使用哪种方法，都要记录 AI 是如何参与其中的。记下所使用的工具、它协助的阶段以及您随后做出的修改。一段简短的方法学描述可以在评审员、考官或利益相关者提出疑问之前就给出解答。

开始前您需要准备什么

在任何 AI 工具接触数据之前，请准备好以下四样东西。

明确的研究问题。每个代码和主题都要对照它来进行评估。“客户在新手引导期间有什么体验？”与“为什么客户在第一个月就取消订阅？”所产生的分析是完全不同的。

干净且去标识化的转录文本。删除姓名、公司名称、电子邮件以及任何可以识别参与者身份的细节。请在上传前完成此操作，而不是上传后。检查您的伦理审批或知情同意书，了解对第三方工具的任何限制。

用于自我反思的笔记文档。反思性主题分析突出了研究者的视角。在阅读时，持续记录您的假设和反应，并将其与 AI 生成的任何内容分开。

一致的文件格式。每次访谈一个文件，并带有发言人标签，这使得追溯每个片段的来源变得更加容易。保留一个简单的索引，将参与者代码与访谈日期对应起来。

如何使用 AI 进行主题分析

以下步骤遵循这六个阶段，并归类为三个工作单元。

步骤 1：导入转录文本并设定研究问题

将去标识化的转录文本上传到 AI 工作空间，例如 Powerdrill Bloom。其方案支持上传 Excel、CSV、PDF 和文档，因此 Word 或 PDF 格式 of 转录文本可以直接使用。导出到电子表格的开放式调查回答也同样适用。

在提出任何请求之前，先陈述研究问题。然后要求对每份转录文本进行简短总结，并列出与该问题相关的段落。

阅读这些总结，然后亲自阅读转录文本。AI 总结可以加快熟悉过程，但不能替代它。在查看任何 AI 生成的代码之前，先在单独的文档中记录您自己的第一印象。

步骤 2：生成第一轮代码，然后自己重新编码

让 AI 为每份转录文本提出编码建议。要求提供简短的标签、每个标签的单行定义以及支持它们的准确摘录。

一个有用的请求应该是简短且具体的。例如：针对与研究问题相关的任何内容对转录文本进行编码，将标签保持在 5 个字以内，并引用每个标签的准确段落。要求提供准确段落可以很容易地发现代码是否偏离了参与者实际所说的话。

然后自己进行第二轮编码。将您的代码与 AI 的列表进行对比。在它们一致的地方，该代码可能描述了明显存在的事实。在它们不一致的地方，请仔细观察。要么是 AI 注意到了您忽略的内容，要么是它标记了表面字词而非深层含义。

保持每个摘录的可追溯性。每个代码都应该指向一个参与者和一段话。Powerdrill Bloom 的主页指出，每一个数字“都可以追溯到其背后的页面、行和数据”，对于引用语来说，同样的可追溯性也至关重要。

步骤 3：构建候选主题并对照数据进行检查

让 AI 将您最终的代码聚类为候选主题，并提供每个主题的支持摘录。将这些聚类视为一个起点。

对于每个候选主题，问一个问题：它背后是否有核心概念或想法？如果答案仅仅是一个共同的话题，那么它还不能算作一个主题。对其进行拆分、合并或舍弃。

然后测试每个主题。让 AI 寻找与该主题相矛盾的摘录。一个在刻意寻找反例的过程中幸存下来的主题，比从未受到挑战的主题更具说服力。

最后，为每个主题命名并写下两句话的定义。逐节起草报告，并在将每句引用语写入报告之前，对照原始转录文本进行核对。

实际案例

以下是一项包含 12 次客户访谈的产品研究项目的简化流程。研究问题是：为什么新客户在 30 天内停止使用该产品。

AI 的第一轮编码包括“安装耗时过长”、“定价不明确”和“需要 IT 部门批准”。

在第二轮编码之后，研究者注意到，这三个编码都出现在那些并非自己主动选择该产品的受访者中。

最终产生的主题是“缺乏自主权的被动采用”。被动接受该产品的客户没有动力去克服早期的摩擦。

随后，研究者让 AI 寻找反例：那些并非自己选择该产品但仍然留存下来的客户。有两次访谈符合这一情况。两者都描述了同事在第一周向他们展示了一个快速见效的用例，这进一步完善了该主题，而不是推翻了它。

AI 快速提取了代码。而主题则源于研究者注意到了是谁在说这些话，这是任何代码本身都无法单独捕获的。

如何呈现主题分析结果

结果部分通常以主题表开始，然后讨论每个主题并提供支持性摘录。下表展示了一种常见的格式。

主题	定义	参与者	示例摘录
缺乏自主权的被动采用	并非自己选择该产品的用户几乎没有坚持使用的动力	12 人中的 7 人	“我是被要求使用它的，所以我只做了最基本的操作。”
安装过程作为第一印象	早期的安装体验塑造了对产品的整体看法	12 人中的 9 人	“如果第一个小时很困难，你就会觉得剩下的部分也会很难。”

在表格之后，为每个主题撰写一个简短的章节。解释核心思想，展示两到三个摘录，并将其与您的研究问题联系起来。

选择能从不同角度展示主题的摘录，而不是三句表达相同意思的引用语。保持摘录简短，并始终将其归因于某个参与者代码。当读者能从多种声音中看到同一个主题时，他们会更加信任该主题。

参与者人数是有用的背景信息，但 Braun 和 Clarke 的方法并不将频率视为衡量重要性的标准。一个被 4 个人提及的主题可能比一个被 10 个人提及的主题更重要。

对于利益相关者受众，同样的结果通常会转化为一份简短的幻灯片。其 AI research synthesis 工具描述了这一路径，将转录文本和调查问卷结合，转化为主题、证据和一份面向利益相关者的幻灯片。

主题分析与内容分析的对比

这两种方法经常被混淆，因为它们都处理定性数据。

	主题分析	内容分析
主要目标	解读意义模式	对内容进行分类并通常进行统计
输出结果	具有核心思想的主题	带有频率的类别
统计的作用	最多作为支持性的背景信息	通常是核心
最适用于	理解体验和观点	衡量某事出现的频率

如果您问题是“客户提及定价的频率是多少？”，那么内容分析更合适。如果是“定价对客户意味着什么？”，则主题分析更合适。

某些项目会依次使用这两种方法。对大型数据集进行频率分析可以显示数据量集中在何处。然后对较小的、有针对性的样本进行主题分析，以解释这些数据量背后的含义。

对于大规模的反馈（例如成千上万条评论或支持工单），频率视图通常是首要需求。Voice of Customer Summarizer 可以将反馈渠道整合为主题，并提供每个主题的频率和代表性的原话。

在 Excel 中进行主题分析

许多研究者仍然在电子表格中进行编码，这对于小型研究非常有效。一个简单的布局是每行放置一个摘录。

• A 列：参与者代码。
• B 列：摘录，完全照抄。
• C 列：第一轮代码。
• D 列：第二轮代码。
• E 列：候选主题。

按主题进行筛选可以让您在同一个视图中看到每个支持性的摘录。每个主题和每个参与者的行数统计也能让您一目了然地看出某个主题是否仅仅依赖于某一位健谈的受访者。其局限性在于规模。一旦超过几百个摘录，手动排序和重新编码就会变得很慢，而这正是 AI 辅助聚类最能节省时间的地方。

如果您的项目还包括对已发表研究的审查，我们关于如何使用 AI 撰写文献综述的指南涵盖了这部分内容。

常见错误

• 将话题视为主题。“沟通”是一个话题，而主题则对该话题发表了某种见解。
• 不进行第二轮编码就直接接受 AI 代码。第一轮代码通常标记的是字面措辞而非深层含义。
• 上传可识别身份的数据。在上传之前，请务必对转录文本进行去标识化处理。
• 将频数统计视为证据。频率可以支持一个主题，但不能确立一个主题。
• 跳过反例搜索。一个从未受到挑战的主题比看起来要脆弱得多。
• 让 AI 为主题命名。名称承载着论点，因此在主题确定并定义好之后，请亲自撰写名称。

做好这些是将可信的分析与带标题的简单总结区分开来的关键。如果您希望在自己的转录文本上更快地完成阅读、编码和聚类，您可以尝试在单个研究中体验 Powerdrill Bloom。

常见问题解答

用简单的话来说，什么是主题分析？

主题分析是一种在定性数据（如访谈）中寻找并解读意义模式的方法。研究者对数据进行编码，将代码分组为主题，并解释每个主题对研究问题说明了什么。

主题分析的六个步骤是什么？

Braun 和 Clarke 的六个阶段是：熟悉数据集、编码、生成初始主题、发展和审查主题，以及完善、定义和命名主题。第六个阶段是撰写报告。他们指出，这些阶段并不是死板的规则。

AI 可以进行主题分析吗？

AI 可以协助处理大量的工作，例如总结转录文本、提出编码建议和提取片段。而决定主题含义的解读工作仍然需要研究者来完成。Braun 和 Clarke 将定性分析描述为一个需要技巧、结合情境且主观的过程。

一次主题分析应该有多少个主题？

Braun 和 Clarke 表示“在主题分析中，没有确定主题数量的精确公式”。这取决于数据、研究问题以及报告的长度。一项分析可以深入报告一个主题，也可以提供更广泛的概述。

主题分析和内容分析有什么区别？

主题分析解读意义模式并生成主题。内容分析对内容进行分类，并通常统计类别出现的频率。若要理解体验，请选择主题分析；若要衡量频率，请选择内容分析。

来源： Braun and Clarke, Thematic Analysis · Understanding TA · Doing Reflexive TA · Thematic Analysis FAQs。实际案例和结果表格仅用于说明。