用 AI 编码访谈记录：质性研究的整理

质性研究里的访谈编码可以交给 AI 做第一遍：逐字稿通读、初始码标记、主题归类这些体力活，AI 处理得又快又稳定。但编码的理论敏感性和最终解释权在研究者手上，AI 产出的初始码只是起点。分工划清楚，整理十份访谈的时间能压缩一大半，质量还不打折。

AI 在质性编码中接哪一段

编码工作大致分三层：贴近文本的开放式编码、归拢关系的主轴编码、提炼核心的选择式编码。AI 适合承接第一层——逐句标记「受访者在说什么」，产出初始码清单；第二层可以辅助——让它把初始码聚成簇、列出簇与簇的可能关系，供你判断；第三层基本要自己来，核心类属的提炼决定研究的解释框架，交给工具风险太大。另一个适合交给 AI 的活是检索与统计：问它「谈到某主题的受访者有几位、各自原话是什么」，几秒钟出结果，人工翻逐字稿要半小时。

从逐字稿到初始码的操作

操作流程分四步。第一步，准备好干净的逐字稿：转写完成后通读一遍，修正明显错漏，标注停顿与情绪这类副语言信息的段落。第二步，设定编码框架：给 AI 一份简短的编码说明书，包括研究问题、已有理论维度、编码粒度要求（按句、按段还是按语义单元），框架越明确，输出的码越规整。第三步，分批处理：一次投喂一到两份逐字稿，要求输出「原文摘录+对应编码+简要理由」三列结构，别把全部材料一次塞进去，质量会明显下滑。第四步，汇总合并：所有批次跑完后，让 AI 或自己用表格把同义码合并，形成初始码本。

编码一致性的复核方法

AI 编码最大的隐患是前后不一致：同一类表述，前一批标了 A 码，后一批标了 B 码。复核做法有三。抽检回对：随机抽十分之一左右的编码片段，回看原文核对贴切度，贴切率明显偏低就调整编码说明重跑。跨材料对照：把不同受访者的同类表述放在一起，检查是否给了同一个码。双轨复核：条件允许的话，自己独立编一小部分材料，与 AI 结果对比分歧点，分歧处往往正是概念边界模糊的地方，把这些边界写清楚，码本才算立住。一致性检验的具体指标与流程，按所在学科的方法规范执行。

匿名化与引用规范

上传逐字稿之前先做匿名化：受访者姓名、单位、地名、可识别的职级与经历细节，统一替换为编号或代称，这份对照表自己留存，不进入任何在线工具。涉及个人隐私的材料，选择服务时优先考虑数据安全条款清晰的正规产品，机构有明确合规要求的按机构规定执行。论文中引用访谈原话时，以你核对过的逐字稿为准，注明编号与来源；AI 辅助整理的事实与方法部分，按期刊或学位论文的要求在方法章节如实说明。引用规范与披露格式，以目标期刊和院校的最新要求为准。

延伸阅读：录音转写与访谈纪要、访谈素材的提炼、访谈提问的诱导规避。

上传逐字稿前先做的四件事

• 姓名、单位、地名统一换成编号
• 可识别的职级与经历细节一并替换
• 对照表自己留存，不进在线工具
• 选数据安全条款清晰的正规产品

四条里最容易被省掉的是对照表留存，一旦随稿上传，匿名化就等于没做。

AI 生成的访谈编码，写进论文方法部分怎么说？

• 方法章节要不要写明用了 AI 工具？：要如实写。说明 AI 承担的是初始编码辅助，人工完成复核与理论建构，并交代工具名称与版本，隐瞒反而构成诚信风险。
• 审稿人质疑 AI 编码的可信度，怎么回应？：拿出一致性证据——抽检记录、人工与 AI 编码的对比结果、分歧处理过程，证明最终码本经过了研究者主导的验证。
• 焦点小组的多人交叉发言，AI 编得动吗？：能处理但效果打折扣，建议先人工做说话人分离与发言归属标注，再交给 AI 编码，归属错了主题统计会跟着错。