把访谈录音逐字稿交给AI做初步编码，听起来像是一条省时省力的捷径。但很多本科生在这么做之后，会陷入一种说不清的焦虑：AI给出的主题归纳看起来很有条理，可一旦被追问“这个编码的依据是什么”“你有没有核对过原文”，就答不上来。这种焦虑不是多余的——质性研究里，编码不只是给文本贴标签，它本身就是分析过程的一部分。AI可以帮你整理材料、提出候选编码，但它无法替你承担“这个片段为什么归入这个主题”的判断责任。这篇文章要讨论的，就是如何把AI定位成一个需要人工验证的研究辅助步骤，而不是自动生成结论的工具。
先厘清：编码这件事，AI能替你做到哪一步
访谈编码通常分几个层次：先是开放式编码，把原始语句拆解成初步概念；然后是轴心编码，把相近概念聚合成类属；最后是选择性编码，提炼出核心范畴并建立关系。不同层次对研究者的判断力要求不同，AI能介入的深度也不同。
在开放式编码阶段，AI确实能帮上忙。你可以把一段去标识化的受访者原话交给AI，请它“列出这段话里可能涉及的主题或概念”，它会给出若干候选标签。这些标签的价值在于提供一个起点——尤其当你面对几十页逐字稿、脑子一片空白时，AI的提议能帮你打开思路。但请注意，这些候选标签只是“候选”，它们的质量参差不齐：有些可能精准，有些可能停留在表面，还有些可能是AI基于训练数据里的常见模式“脑补”出来的，未必贴合你的研究语境。
到了轴心编码和选择性编码阶段，AI的辅助价值就明显下降。把概念聚合成类属，需要你理解研究问题、理论框架和材料之间的张力；提炼核心范畴，更需要你做出理论性的取舍。这些判断依赖的是你对整个研究设计的把握，而不是语言模式匹配。把这两个阶段完全交给AI，等于把研究的灵魂交了出去。
一个可操作的边界是：AI负责“整理和初筛”，你负责“判断和决策”。具体来说，AI可以帮你做逐字稿的初步摘要、提取可能的主题词、把相似表述归拢到一起供你检视；但每一个编码是否成立、类属如何命名、类属之间是什么关系，都必须由你回到原始文本逐一确认。
人工抽样复核：不是“信不信AI”的问题，而是如何系统地验证
很多人的复核方式是“大致看一遍”，觉得AI编码的结果“看起来合理”就采用了。这种做法的风险在于，AI的编码错误往往不是一眼能看出来的——它可能把两段语境完全不同的话归到同一个主题下，也可能漏掉某个只出现一两次但很重要的概念。要控制这种风险，你需要的是抽样复核，而不是泛泛浏览。
抽样复核的设计可以分三步走。第一步，确定复核比例。没有放之四海而皆准的数字，但一个比较稳妥的起点是：如果你有20份访谈，至少抽出5份做全文复核；如果访谈数量少（比如8份以内），建议全部复核。第二步，选择抽样方式。不要只挑你印象深刻的访谈，那样容易带着预判；最好结合随机抽样和目的抽样——随机抽一部分，再刻意抽那些内容比较特殊、情绪比较强烈或信息量特别大的访谈，因为这些往往是编码最容易出错的地方。第三步，逐条比对。把AI给出的编码结果调出来，对照原始文本，问自己三个问题：这个编码是否准确概括了这段话的核心意思？是否存在更贴切的编码？这段话是否还包含AI遗漏的其他重要信息？
复核过程中，你大概率会发现三类问题：一是误判，AI把某个表述归入了错误主题；二是遗漏，某些重要内容没有被任何编码覆盖；三是过度归纳，AI把多个本应分开的概念合并成了一个。发现问题后，不要只改这一处，而要回溯同类编码，检查同样的问题是否在其他地方也出现了。这就是抽样复核的意义——它不只是验证AI，也是在帮你建立对材料的整体感觉。
留痕：提示词、版本和决策过程都要能回溯
“留痕”听起来像是额外负担，但它其实是保护你自己的手段。当你提交论文、参加答辩时，如果被问到“AI在编码中起了什么作用”，你能拿出记录说明每一步是怎么做的，这本身就是学术严谨性的体现。留痕至少包括三部分。
第一，提示词记录。你每次交给AI的任务指令，都应该保存下来。这不只是“帮我编码”这么简单，而是完整的提示词——包括你提供了什么材料、要求AI做什么、限定了什么输出格式。保存提示词的意义在于，它决定了AI产出的边界，别人看了提示词才能理解你的AI使用方式。
第二，工具与版本记录。你用的是哪个AI工具、哪个模型版本、使用日期是什么，这些信息都要记下来。原因很实际：AI模型的输出会随版本更新而变化，同一段文本在不同版本下可能得到不同的编码结果。记录版本，是为了让你的研究过程在技术上可复现——至少别人知道你在什么条件下得到了这些结果。
第三，决策记录。这是最容易被忽略但最重要的一环。对于AI给出的每一个编码建议，你当时是采纳、修改还是否决了？理由是什么？你可以做一个简单的表格，列出编码名称、AI建议、你的决定、依据。这份记录不需要写进论文，但它是你答辩时的底气，也是你向导师说明研究过程时的依据。
方法部分怎么披露：具体、分阶段、可核查
很多学校已经出台了AI使用规范，有的明确允许AI辅助文献检索和格式整理，有的规定不得用AI直接生成摘要、正文或结论。你需要先查清楚自己学校的政策——这是底线。在符合政策的前提下，方法部分的披露原则是：具体、分阶段、可核查。
不要只写一句笼统的“本研究使用了AI辅助工具”，这既不够透明，也容易引发不必要的怀疑。更稳妥的做法是在研究方法部分单独设一小节，按研究阶段说明AI的参与程度。例如：
- 数据整理阶段：使用AI对访谈逐字稿进行初步摘要和主题词提取；
- 编码阶段：使用AI生成开放式编码的候选标签，所有标签经研究者逐条核对原文后保留、修改或删除；
- 分析阶段：轴心编码与选择性编码由研究者独立完成，AI未参与类属关系构建与结论提炼。
这样的披露方式有几层好处：它明确划定了AI的边界，让读者知道哪些环节是你的原创判断；它把AI定位为辅助工具而非分析主体，符合学术规范对作者责任的要求；它也为你自己留出了解释空间——如果评审者追问某个编码的依据，你可以直接指向你的复核记录。
还需要注意一个细节：如果AI参与了具体某段文本的编码，而这段文本最终被写入论文作为例证，那么这种使用也应当在注释或附录中说明。这不只是合规问题，更是对读者负责——他们需要知道哪些分析是经过人工验证的。
自查清单：提交前逐项确认
在论文定稿前，你可以对照这份清单做一次系统检查。如果任何一项的回答是“否”，说明你的AI使用流程还有漏洞，需要补齐。
- 是否已查阅并确认学校对AI使用的具体规定？
- 是否保存了所有与AI交互的提示词记录？
- 是否记录了使用的AI工具名称、模型版本和使用日期？
- 是否对AI编码结果进行了抽样复核？复核比例是多少？
- 是否保存了编码决策记录（采纳、修改、否决及理由）？
- 方法部分是否按阶段说明了AI的参与程度？
- 是否明确说明哪些分析环节完全由研究者本人完成？
- 论文中引用的受访者原文，是否确认其编码结果经过人工验证？
- 是否确认AI未参与摘要、正文、结论等核心部分的直接生成？
- 答辩时能否清晰说明AI在你研究中的具体角色和边界？
最后想提醒你一点：AI编码的便利性很容易让人产生“效率优先”的错觉，但质性研究的价值恰恰在于研究者对材料的深入理解。AI帮你省下的时间，应该花在更仔细地阅读原文、更深入地思考类属关系上，而不是用来提前收工。把复核和留痕当作研究过程的一部分，而不是应付检查的额外任务——你的论文质量，最终取决于你在多大程度上真正“拥有”了自己的分析。
