AIEd 知识库AIEd KB
本页内容

本页面已译为中文。文章页面仍以英文撰写。 阅读本页的英文版本

概念

质性研究

创建 2026-08-24 · 更新 2026-10-09

本页是英文页面的机器翻译，尚未经母语者审校。

质性研究（qualitative research） — 研究人们如何体验、解释并赋予现象意义的一族实证方法，通常通过语言、观察与制品而非数字进行。在 AI 教育中，质性方法揭示学生与教师实际如何体验 AI 工具——那些标准化测量所错过的意义、张力、伤害与机制。因为教育中的 AI 变化迅速，且其效应常由情境、感知以及 信任 与 学习者自主性 这类有争议的构念中介，质性工作与 定量设计并置不可或缺（见 教育人工智能的研究方法）。

值得思考的问题

  • 一份调查告诉你 40% 的学生不信任一个 AI 导师；一个焦点小组告诉你为什么。哪个数字让你觉得更可行动，而"为什么"补充了什么百分比无法给出的东西？
  • 质性发现在统计上通常不可推广，然而它们常常是"概念上可推广的"——机制与动态会转移到别处。阅读之前，"一项发现在概念上而非统计上可推广"意味着什么？
  • 本页告诫，当人的共识不是真值时，人–LLM 编码的一致性与编码的质量不是一回事。你曾把"两位审阅者一致同意"当作某事正确的证明吗？一致性何时是真理的信号，何时只是共享的错误？
  • 如果 AI 现在能协助规模化地做质性编码，这是威胁到使质性研究有价值的那种解释深度，还是仅仅自动化了它的苦工？你会如何判定一项具体研究中发生的是哪一种？
  • 质性工作把代表性不足的声音——少数族裔学生、持怀疑的非使用者——置于中心，而大规模调查常错过这些。想一条你听过的关于教育中 AI 的主张。头条数字大概没有捕获到谁的体验？
  • 选一个你在意的有争议构念——信任、能动性或伤害。阅读之前，勾画你会如何用语言与观察而非数字来研究它，并记下这样做你会失去什么。

引言

质性研究不是单一方法，而是一族按研究什么与证据如何收集与分析组织起来的方法。把它们联合起来的，是对意义建构、情境与深度的强调，优先于广度与因果控制。质性发现在统计意义上通常不可推广，但它们常常是概念上可推广的——揭示那些转移到其他情境的机制、类别与动态。在知识库的语料中，质性工作在研究 AI 接受、信任、伤害、教学实践与学习过程方面都很突出。

主要质性路径

主题分析

主题分析在质性数据中识别、编码并解释模式（"主题"）——通常是访谈或焦点小组的记录稿、开放式问卷回答或文件。它是知识库质性研究中使用最广的路径。访谈与开放式回答本身就是 自我报告数据，所以它们共享关于"能就行为主张什么"的限度——见那一页，了解自我报告证据在何处强、在何处失效。一项关于物理中信任–效用落差的研究用学生访谈数据的主题分析，浮现出 学科特定的怀疑与采纳偏好；一项 GenAI 与教师反馈的比较分析学生对有用性与可信度的感知；成人 AI 学习指南从对专家与学习者输入的主题编码中推导设计原则。AI 如何改变教学工作流依赖对教育者叙述的主题分析。

编码可靠性可以做成一项持续的程序，而非一次性检查。Galiç et al.（2026）以 Krippendorff's α = .803 编码 304 条注意陈述，在五个重叠案例上监控一致性（合并 κ = 0.937），并在恢复前每当一致性低于 0.85 的重新校准阈值就重新编码有争议的陈述；随后被编码的陈述进入一项认识网络分析，它建模哪些维度共现，而非一份扁平的主题清单。

扎根理论

扎根理论从数据建构理论，而非检验一个先验框架，用迭代编码（开放 → 主轴 → 选择性）直到理论饱和。它非常适合为涌现中的教育–AI 现象建构新理论。Liu et al.发展了工具、导师还是拐杖的扎根理论——学生在 编程教育中如何对 AI 做认知 脚手架或卸载的三模式类型学——直接对 认知外包 做理论化。一项关于批判性 AI 导师的扎根理论研究考察这类导师是赋权还是奴役学习者。以人为本的 GenAI 反馈设计在一项多地点研究中使用扎根分析。关于这类扎根理论如何喂养本领域的理论建构，另见 教育人工智能中的理论发展。

现象学与现象图析

现象学路径研究一个现象的活生生的经验——与 AI 一起学习是什么感觉——而现象图析研究人们体验与理解一个现象的质性上不同的方式（产出"描述范畴"）。《缺失的认知基线》借助学生在 AI 下自我评估的活生生经验，理论化一个结构性缺口；一项现象学研究捕捉那种在明知不理解的情况下与 AI 一起完成工作的体验；一项社会文化的、解释性的研究分析 GenAI 如何在 数学学术实践中变成一匹"失控的野马"。

话语分析

话语分析考察语言使用如何建构意义、身份与权力——分析课堂话语、书面文本或互动序列。NSPA开展长视野的课堂话语分析（此处由计算辅助），以缓解理解课堂互动中的方言偏见；一项关于少数族裔预科学生的研究分析 提示工程 任务中的协作话语。话语分析与 教育NLP 结合时，在质性解释与计算方法之间架起桥梁。

Poudyal（2026）展示了话语编码如何被渲染为可数规则从而可审计：在 366 篇摘要与 91,405 个 token 上，一处关联只有当某个行为者位于某个谓词之前、中间隔着不超过六个词时才算成立，名词邻近被排除，于是"AI governance"永远不作为"AI 在治理"的证据——这是一种基于规则的近似，而非依存句法分析，其局限由设计本身声明。

观察与民族志

观察研究在情境中观看行为；民族志把这一点延伸为对一个场景持续、沉浸式的研究，研究者常以参与式观察者身份在场。一项三人民族志追踪 LLM 支持的编程教育中学生的解释如何演化；一项课堂案例研究观察 AI 素养 在 生物中的整合。观察方法捕捉实际行为（学习者拿 AI 做什么），而非被报告的行为——补充了那些主导态度的 定量测量的自我报告调查。

案例研究

案例研究是对一个有界个案（一门课、一所机构、单个学习者）用多种数据源所做的深入调查。一项商学院案例研究生成一个由学生知情的 GenAI 教与学框架；一项生物案例研究记录 AI 素养的整合。案例研究以深度换广度，强于理论生成与可迁移洞见，而非推广。Khlaif et al.（2026）提供了对三所巴勒斯坦大学 21 名视障本科生的质性案例研究，用半结构化访谈的主题分析展示 GenAI 如何充当 辅助技术以支持 融合学习——这是案例研究浮现出定量测量所错过之机制（个性化适配、教师增强、教育平权）的一个例子。

Swidan（2026）为一位教师和八名学生把视频、告警系统自身日志与刺激–回忆访谈做三角互证，显示一个情感信号只有通过教师的回应才获得意义；由一位作者所做的两阶段事件编码，没有独立编码也没有经过验证的情感检测，标志着单人编码案例分析所能支撑的限度。

访谈与焦点小组

半结构化访谈与焦点小组是上述所有路径中最主要的数据收集工具。它们引出丰富、带情境的叙述。知识库的质性语料在很大程度上建立在访谈（例如 专长路径）与焦点小组（例如 文生图能力悖论、Guidelines for Designing AI Technologies to Support Adult Learning）之上。质量取决于谨慎的问题设计、为变异而做的抽样，以及严谨的分析。

质性研究在知识库中如何出现

AI 与质性分析

近期一个独特的发展是用 LLM 协助质性编码。知识库的证据是告诫性的：Comparing human and LLM ordered coding of qualitative data: How coding differences cascade through temporal analysis 显示 LLM 与人的编码分歧，误差在时间分析中级联放大；Agreement Is Not Quality 显示，当人的共识不是真值时，人–LLM 编码的一致性不等于编码的质量。LLM 辅助编码可以规模化并加速质性分析，但其产出需要对照 人的判断来验证——这是质性研究与 教育NLP 和 人工智能教育评价 的一个重要交点。

流畅产出问题与可辩护性（warrantability）。 Holster（2026）锐化了为何准确与披露对 AI 辅助的质性工作是不充分的标准。因为 LLM 能在几分钟内把语料重组成流畅的主题、引语与流行度主张，它们可以隐藏产出它们的分析路径——而人们倾向于把易于处理、流畅的产出评为更真实。Holster 提议把可辩护性作为准确与披露的补充：一项 AI 辅助的解释，当"从源数据到主张"的路径保持可检视、可争议、可修订时，就是可辩护的。其建设性机制是语义透镜（对一个语料跨抽象层级的有记录的重组）以及一套相对主张的可辩护性制品库——源链接的主题表、透镜栈与证据之流——被设计进工具中，使流畅的分析也产出一条可回溯的路径记录。这把本领域的审计轨迹传统延伸到生成式时代，并给审阅者一些具体的、除最终解释之外可以争议的东西。

  • **在 多智能体 LLM 编码中，可靠性不是准确率。**一个文献驱动的流水线，由两个 AI 编码者独立编码、辩论并调和分歧，在每个数据集与每个标签上都产出高于 Cohen's kappa 0.85 的编码者间一致性，而判据 F1 从 0.31 到 0.89（均值 0.68，SD 0.16）——两者都错的智能体之间高度一致。更长的编码册（t = -11.702）与更相似的片段（t = -9.249）降低了初始准确率，而讨论轮数与准确率正相关（t = 7.997），被正确解决的冲突与协作模式则与准确率负相关（t = -9.720 与 -8.420），所以收敛是正确性的弱代理。其实际含义是：AI 辅助编码需要对照人类参考做清单层面的裁定，而非以智能体间一致性作为质量信号。(How AI Coders Discuss, Disagree, and Reach Consensus: Challenges and Opportunities for LLM-Based Qualitative Coding)

优势与局限

  • **优势：**深刻的生态与概念洞见；浮现意料之外的现象、风险与机制；对理论建构至关重要（见 教育人工智能中的理论发展）；捕捉意义、情境与有争议的构念；把代表性不足的视角置于中心；强于研究标准化测量尚未跟上的快变现象。
  • **局限：**统计推广性有限；解释性且依赖研究者（可靠性关切）；样本小；对因果主张的支撑较弱；发现难以跨研究综合；耗时费力。

定性与定量方法是互补而非对手——见 教育人工智能的研究方法 了解它们如何对比与三角互证，以及 混合方法 了解把两者结合起来的设计。

关联概念

关联文章

元数据

研究设计Interviews, Case Study
研究方法与评价质性研究, 教育人工智能的研究方法
SourceHistoryEditChat

嵌入此页

复制下面的代码，将本页嵌入学习管理系统或其他网站。嵌入版本只显示页面内容 — 网站的页眉、导航和页脚会被隐藏。