主题分析能用于定量研究吗？

主题分析能用于定量研究吗？

The short answer is yes, with important caveats. 主题分析 is primarily a qualitative method. It was developed to identify, organize, and interpret patterns of meaning within qualitative data such as interview transcripts, open-ended survey responses, and field notes. But researchers across disciplines have found productive ways to bring thematic analysis into quantitative and mixed-methods frameworks. The key is understanding what changes when you move themes from the qualitative world into a quantitative one, and what gets lost in the translation.

当研究人员谈论在定量研究中使用主题分析时，他们通常指的是以下三件事之一。首先，他们可能在定性编码后计算主题频率以生成数值数据。其次，他们可能将主题分析用作混合方法研究的定性组成部分。第三，他们可能应用与主题分析重叠但从一开始就产生可量化输出的结构化内容分析技术。这些方法中的每一种都有不同的优势，每一种都需要不同级别的方法论论证。

了解研究中的主题分析

主题分析由 Virginia Braun 和 Victoria Clarke 在其有影响力的 2006 年论文中定义，是一种在数据中识别、分析和报告模式（主题）的方法。它灵活、易于接近，不与任何单一理论框架相关联。这种灵活性是它在心理学、教育、健康科学、商业研究和社会科学中成为最广泛使用的定性方法之一的原因之一。

Braun 和 Clarke 概述了一个六个阶段的流程：熟悉数据、生成初始代码、搜索主题、审查主题、定义和命名主题，以及生成报告。这个流程是迭代的而不是线性的。随着理解的深化，研究者在各阶段之间来回移动。该方法强调研究者在从数据中构建主题方面的积极作用，而不是简单地发现似乎已经存在的主题。

主题分析的定性基础

主题分析本质上是定性的原因在于其对意义的关注。主题捕捉与研究问题相关的数据中的重要内容。它代表围绕中心概念组织的共享意义的模式。Braun 和 Clarke 明确表示主题不仅由频率决定。仅出现在少数数据项中的主题如果能捕捉到关于所研究现象的重要内容，仍然可以在分析上具有重要意义。

This matters because the most common way researchers try to “quantify” thematic analysis is by counting how often themes occur. While frequency counting can be informative, it does not capture the richness, context, or interpretive depth that makes thematic analysis valuable in the first place. A theme mentioned once by a participant who provides deep, detailed insight may be more analytically important than a theme mentioned briefly by twenty participants. Qualitative thematic analysis preserves that distinction. Purely quantitative approaches risk flattening it.

Braun 和 Clarke 本身已经反对他们所称的“小 q”质性研究方法，其中质性方法被视为为定量分析生成类别的初步步骤。他们辩称这误解了主题分析的认识论基础，并将丰富的解释方法简化为简单的排序练习。想在定量背景中使用主题分析的研究人员应该意识到这一批评，并在其方法论理由中解释。

研究人员如何将主题分析应用于定量数据

尽管主题分析具有定性的根基，但在定量研究设计中合法且行之有效地使用主题分析成果是有充分根据的。研究人员几十年来一直在这样做，这些方法随着时间的推移也变得更加精细。关键是要清楚地说明你在做什么以及为什么要这样做，这样评审者和读者才能评估你的方法学选择。

主题频率统计

最直接的方法是首先进行标准定性主题分析，然后计算每个主题在数据项中出现的频率。这产生了可以在表格、条形图或描述性统计中报告的频率数据。例如，如果您访谈了 40 名参与者关于他们对医疗保健计划的体验，并确定了六个主题，您可能会报告主题 A 出现在 32 次访谈中的 40 次（80%），主题 B 出现在 24 次（60%），等等。

这种方法在卫生服务研究、教育和组织研究中很常见，利益相关者不仅想了解存在哪些主题，还想了解它们的流行程度。当你有相当大的定性样本（通常30个或更多参与者）并想让读者了解不同主题在数据集中相对重要性时，这种方法效果很好。

限制在于出现频率并不等于重要性。在每次访谈中都出现的主题可能相对表面化，而仅在少数几次访谈中出现的主题可能代表关键洞察。优秀的研究人员在报告频率的同时，还会提供保留每个主题深度和背景的定性描述。

代码出现矩阵

代码出现矩阵（有时称为代码文件矩阵或交叉制表矩阵）是一个结构化表格，用于映射哪些代码和主题出现在哪些数据项中。行代表数据源（单个访谈、文件或案例），列代表代码或主题。单元格包含二进制值（存在/不存在）或频率计数。

这种矩阵格式允许研究人员对定性编码输出应用定量技术。您可以计算评分者间信度统计数据（例如Cohen’s kappa）来评估多个编码者之间的编码一致性。您可以识别共现模式，其中某些主题倾向于在同一数据项中出现。您可以使用统计检验比较参与者亚组之间的主题分布。

代码共现矩阵在团队研究项目中特别有用，在这些项目中，多个分析人员正在编码数据，需要一种系统的方法来比较和协调他们的工作。它们还通过提供清晰的审计跟踪来支持透明度，说明主题如何映射到原始数据。

卡方检验和编码类别的统计比较

一旦定性代码被转换为分类变量，研究人员可以应用标准统计测试。卡方检验通常用于确定主题分布是否在不同群体间显著差异。例如，您可能比较男性和女性参与者是否以显著不同的频率提及特定主题，或不同组织级别的参与者是否提出不同的关切。

其他统计方法包括逻辑回归（根据参与者特征预测主题的存在或不存在）、聚类分析（根据参与者的主题档案对参与者进行分组）和对应分析（在二维空间中可视化主题与参与者类别之间的关系）。这些方法将定性编码的输出视为分类数据，并应用定量工具来识别可能通过定性解释单独无法看到的模式。

内容分析重叠

主题分析和定量内容分析在方法论上有显著的重叠，这是 “定性主题分析” 和 “定量内容分析” 之间的界限容易模糊的原因之一。定量内容分析由 Klaus Krippendorff 和 Kimberly Neuendorf 等研究人员开发，明确设计用于从文本来源生成数值数据。它强调编码可靠性、系统抽样和代码频率的统计分析。

一些研究人员使用主题分析来开发他们的编码框架（识别重要的类别和主题），然后转换为内容分析方法进行系统编码和量化。这种混合方法结合了主题分析的解释深度与内容分析的严谨性和可复现性。这在媒体研究、传播研究和政策分析中特别常见。

混合方法论主题分析

混合方法研究明确结合了单项研究或研究计划中的定性和定量数据收集与分析。专题分析经常在混合方法设计中作为定性成分，这些设计为将定性主题与定量数据联系起来提供了最具方法论鲁棒性的框架。

顺序解释性设计

在顺序解释性设计中，研究人员首先收集和分析定量数据，然后使用定性数据（通过主题分析分析）来解释或阐述定量发现。例如，调查可能揭示员工满意度在部门之间存在显著差异。通过主题分析进行的后续访谈可以揭示原因：也许一个部门有有毒的管理风格，而另一个部门受益于强大的同伴指导。主题解释了数字。

顺序探索性设计

在顺序探索设计中，定性数据排在前面。研究人员进行访谈、进行主题分析，并使用生成的主题为随后的定量阶段开发调查工具、量表或编码框架。这是主题分析进入定量研究的最常见方式之一。定性阶段生成的主题成为定量阶段测量的变量。

例如，研究远程医疗采用障碍的研究人员可能进行20次访谈，识别“技术焦虑”、“隐私顾虑”和“提供者关系质量”等主题，然后开发一份测量每个主题的调查问卷。调查随后被施加到大样本并进行定量分析。主题分析为定量工具提供了概念基础。

并发设计

在并发或聚合设计中，质性和量化数据同时收集并分别分析，然后将结果进行比较和整合。研究人员可能会对相同的参与者进行结构化调查和半结构化访谈。调查数据以统计方式进行分析，而访谈数据以主题方式进行分析。整合发生在解释阶段，研究人员在此检查量化模式和质性主题是汇合、分歧还是相补。

这种方法在评估研究、公共卫生和教育中很常见。它允许研究人员在各种方法中三角测量发现，加强整体证据基础。当定量结果和定性主题指向同一方向时，对发现的信心会增加。当它们发散时，发散本身成为一个需要进一步调查的有成果的发现。

定量主题分析何时效果最佳

并非每个研究背景都能从量化主题中受益。但在某些情况下，它可以增加真正的价值，并且在方法论上是可以接受的。

大型定性样本

当你有来自 50、100 或更多参与者的定性数据时，纯粹的定性主题报告变得具有挑战性。读者无法在脑海中容纳如此多的个人观点。频率数据通过提供主题景观的高级地图来帮助。它告诉读者哪些主题广泛存在，哪些主题集中在特定的子群体中。结合代表性引文和厚描述，频率数据增强而不是削弱定性分析。

预先存在的代码簿和框架

当研究人员采用演绎法或模板分析方法，从理论或先前研究中导出预定义代码作为起点时，量化就变得更加自然。这些代码已经被结构化为类别，计算它们在数据项中出现的次数是一个直接的延伸。这在实施科学等应用研究领域很常见，研究人员使用已建立的框架（如《实施研究整合框架》）作为编码模板，然后报告每个构念在各研究地点出现的频率。

跨群组的比较研究

当研究问题明确涉及比较群体（不同组织、人口统计类别、干预条件或时间段）时，量化主题允许进行系统比较。您可以显示某些主题在一个群体中的流行程度高于另一个群体，并且您可以检验这些差异是否具有统计显著性。这支持关于群体级模式的主张，仅基于定性叙述很难做出。

期望数据的利益相关者受众

在项目评估、政策分析和市场研究等应用研究背景下，受众通常期望定量证据。资助机构、政策制定者和组织领导人可能会发现主题频率比纯粹的叙事报告更有可操作性。量化主题可以使定性发现对这些受众更容易理解和更具说服力，而不牺牲基础解释工作。

量化主题的局限性

研究人员应该坦诚说明当主题转化为数字时失去了什么。这些局限是真实存在的，假装没有会削弱任何研究的方法论基础。

上下文和细微差别丧失

当一个主题被简化为一个计数时，其背后数据的丰富性就消失了。一个显示“工作生活平衡”出现在75%访谈中的频率表告诉您参与者描述的具体困难、他们叙述的情感权重或他们经历中的矛盾。主题标签变成了一个容器，它掩盖了它最初被设计来捕捉的复杂性。

优秀的混合方法研究人员通过在频率数据旁呈现定性描述、详细引用和案例示例来缓解这一问题。数字提供概述；定性材料提供深度。仅呈现数字是一个方法论错误。

研究人员的解释挑战

主题分析涉及每个阶段的解释。两个研究人员分析同一数据集可能会识别不同的主题，这取决于他们的理论取向、研究问题和分析视角。这不是定性研究的弱点。这是一个特点。但当你把主题当作客观的范畴来对待，并像计数固定实体一样对它们进行计数时，就会成为问题。

量化主题可能会造成虚假的精确感。像“主题 X 出现在 63% 的访谈中”这样的数字暗示主题 X 是一个稳定的、明确的类别，不同的编码者会始终识别它。实际上，主题的界限往往是模糊的，合理的分析师可能会以不同的方式编码相同的段落。报告评分者间信度统计数据是有帮助的，但不能完全解决定性编码的解释性质。

方法论批评

一些定性研究人员辩称，量化主题从根本上误代表了主题分析的作用。Braun 和 Clarke 警告不要将主题分析视为 “编码可靠性” 方法，其目标是产生一致的、可计数的代码而不是解释性主题。他们区分了 “大Q” 定性研究（接受主观性和解释）和 “小q” 方法（试图将定量逻辑应用于定性数据）。

量化主题的研究人员应该准备好为他们的方法论选择辩护。这意味着明确你的认识论立场，解释为什么量化服务于你的研究问题，以及承认将解释性主题视为类别变量的局限性。一个强有力的方法部分直接处理这些问题，而不是忽视它们。

2026 年主题分析工具

主题分析的实际挑战，无论是定性还是定量，往往归结为工作量之大。手动编码转录非常耗时。手工构建代码出现矩阵很繁琐。比较不同亚群的主题分布需要仔细的数据管理。这正是软件工具变得不可或缺的地方，也是AI辅助分析改变了可能性的地方。

传统的定性数据分析软件，如 NVivo 和 ATLAS.ti，提供强大的编码和检索功能，但需要大量的手动工作。研究人员仍然需要阅读每个转录、分配每个代码和审查每个主题。对于有 10 或 15 个访谈的小型研究，这是可管理的。对于有 50 个或更多数据项的较大数据集，手动工作量可能会成为延长时间表数周或数月的瓶颈。

由 AI 驱动的工具为进行大规模主题分析的研究人员带来了新的可能性。 说 是一个平台，在单一环境中结合了转录、定性编码和人工智能辅助分析。对于从事访谈录音或焦点小组音频的研究人员，Speak 处理带有发言人标签的转录，然后直接在平台内支持主题编码。AI Chat 允许研究人员在多个转录本中查询他们的编码数据，提出诸如“40 岁以上的参与者对技术采用说了什么？”或“比较干预组和对照组之间的主题”之类的问题。

对于需要定性深度和定量输出的研究人员来说，AI 辅助编码可以加快构建代码频次矩阵、计算主题频率以及识别大型数据集中的模式的过程。研究人员仍然推动解释性工作，决定什么算作主题及其含义。但编码、计数和组织的机械步骤会显著加快。

Speak 等工具也支持 定性编码工作流 多个团队成员可以对同一数据进行编码、比较编码结果并计算评分者间的信度。这对于旨在量化主题的研究至关重要，因为频率数据的可信度取决于编码的一致性。 人工智能代理 可以进一步自动化重复性分析任务，让研究人员专注于需要人类判断的解释性决策。