---
name: thematic-analysis-expert
description: |
  主题分析(Thematic Analysis)专家技能，基于Braun & Clarke (2006)方法论，提供六步骤分析流程：熟悉数据、生成初始代码、搜索主题、审查主题、定义命名主题、撰写报告。支持归纳式和演绎式分析，适用于访谈数据、焦点小组、开放式问卷、文本材料等质性数据分析场景。
license: MIT
compatibility: |
  Python 3.8+
  AI CLI: Claude/Qwen/iFlow/Gemini/Copilot/Stigmergy/OpenCode/KiloCode/QoderCLI/WorkBuddy/Cursor/Windsurf/龙虾/QClaw
  agentskills.io: v1.0 compliant
metadata:
  version: "5.0.0"
  agentskills-io: "true"
  cross-platform: "true"
  name-zh: "主题分析专家"
  priority: 3
  keywords: ["主题分析", "质性研究", "编码", "Braun Clarke", "访谈分析", "主题发展", "编码方案"]
---

# 主题分析专家 (Thematic Analysis Expert)

## 技能概述

主题分析(Thematic Analysis, TA)是由Braun & Clarke (2006)系统化的质性研究方法，是目前质性研究中使用最广泛的分析方法之一。相比扎根理论的复杂性，主题分析更加灵活、易学、适用范围广，是质性研究的"基础技能"。

### 方法论基础

本技能基于以下核心文献：
- Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. *Qualitative Research in Psychology*, 3(2), 77-101.
- Braun, V., & Clarke, V.2019). Reflecting on reflexive thematic analysis. *Qualitative Research in Sport, Exercise and Health*, 11(4), 589-597.
- Braun, V., & Clarke, V. (2021). One size fits all? What counts as quality practice in (reflexive) thematic analysis? *Qualitative Research in Psychology*, 18(3), 348-368.

## 核心能力

### 能力1: 六步骤分析流程

基于Braun & Clarke的经典六步骤框架：

**Step 1: 熟悉数据 (Familiarization)**
- 反复阅读原始数据
- 记录初步想法和观察
- 建立对数据的整体理解

**Step 2: 生成初始代码 (Generating Initial Codes)**
- 系统编码整个数据集
- 提取有意义的数据特征
- 保持开放性和灵活性

**Step 3: 搜索主题 (Searching for Themes)**
- 将代码聚类为潜在主题
- 识别代码间的关联
- 建立初步主题框架

**Step 4: 审查主题 (Reviewing Themes)**
- 检验主题内部一致性
- 检验主题间差异性
- 必要时合并、拆分或删除主题

**Step 5: 定义命名主题 (Defining and Naming Themes)**
- 明确每个主题的核心
- 确定主题边界
- 撰写主题定义

**Step 6: 撰写报告 (Producing the Report)**
- 选择生动有力的引文
- 撰写连贯的分析叙事
- 确保论证逻辑清晰

### 能力2: 多种分析取向

**反思性主题分析 (Reflexive TA)**
- 强调研究者主观性和反思性
- 适合探索性研究
- 注重研究过程的透明性

**编码簿方法 (Codebook TA)**
- 结构化编码方案
- 适合团队协作
- 强调编码可靠性

**编码可靠性方法 (Coding Reliability TA)**
- 多编码者独立编码
- 计算编码一致性
- 适合实证主义取向

### 能力3: 归纳与演绎模式

**归纳式分析 (Inductive)**
- 数据驱动的主题发展
- 无预设理论框架
- 适合探索新领域

**演绎式分析 (Deductive)**
- 理论驱动的主题发展
- 基于已有概念框架
- 适合验证或扩展理论

### 能力4: 质量保障

**信度检验**
- 编码一致性检验
- 主题饱和度评估
- 三角验证

**效度检验**
- 构念效度
- 内部效度
- 外部效度

**反思性实践**
- 研究者位置性声明
- 假设检验与挑战
- 分析过程透明化

## 使用场景

### 适用数据类型
- 半结构化访谈转录
- 焦点小组讨论
- 开放式问卷回答
- 日记和叙事文本
- 社交媒体内容
- 文献和政策文件

### 适用研究领域
- 心理学（健康心理学、临床心理学）
- 教育学（学习体验、教师发展）
- 健康研究（患者体验、医疗决策）
- 社会学（身份认同、社会现象）
- 商业研究（消费者行为、员工体验）

## 使用方法

### 基本调用

```
在AI CLI中激活此技能后，描述您的分析需求：

"我有一组访谈数据，需要使用主题分析方法进行分析。
数据包含15位教师对在线教学体验的访谈转录。
请帮我完成从编码到主题发展的完整流程。"
```

### 分析流程示例

**阶段1: 数据准备**
1. 提供原始数据（文本格式）
2. 说明研究背景和问题
3. 选择分析取向（归纳/演绎）

**阶段2: 编码阶段**
1. 熟悉数据：AI阅读并总结关键特征
2. 初始编码：生成开放性代码
3. 代码审查：检验代码质量

**阶段3: 主题发展**
1. 代码聚类：识别代码模式
2. 主题生成：形成候选主题
3. 主题审查：评估主题质量

**阶段4: 结果呈现**
1. 主题定义：明确主题内涵
2. 引文选择：选取代表性引文
3. 报告撰写：撰写分析报告

## 输出格式

### 主题分析报告结构

```markdown
# 主题分析报告

## 方法部分
- 数据描述
- 分析方法
- 分析过程

## 发现部分
### 主题1: [主题名称]
- 主题定义
- 支持性引文
- 分析阐释

### 主题2: [主题名称]
...

## 讨论部分
- 主要发现总结
- 与已有研究对话
- 理论和实践意义
- 研究局限性
```

## 质量评估标准

### 主题质量标准

| 标准 | 描述 |
|------|------|
| 内部一致性 | 同一主题内的代码相互关联 |
| 外部异质性 | 不同主题间有明确区分 |
| 覆盖充分性 | 主题充分覆盖数据内容 |
| 解释深度 | 主题有足够的分析深度 |

### 分析质量检验清单

- [ ] 数据充分熟悉
- [ ] 编码系统完整
- [ ] 主题边界清晰
- [ ] 引文支持充分
- [ ] 分析论证有力
- [ ] 过程记录透明
- [ ] 局限性承认

## 注意事项

### 方法论注意点

1. **避免浅层分析**: 不要简单描述数据，要深入阐释
2. **保持主题独立**: 每个主题应有独特的分析贡献
3. **平衡数量与深度**: 主题数量应与数据体量和研究目的匹配
4. **承认主观性**: 研究者视角影响主题发展，需透明说明

### 常见陷阱

- 过度编码或编码不足
- 主题重叠或边界模糊
- 用引文代替分析
- 忽视负面案例
- 主题命名不清晰

## 理论框架

### 本体论假设
- 可能在建构主义或实证主义框架下工作
- 主题是研究者和数据互动的产物

### 认识论假设
- 知识通过系统性分析产生
- 分析过程应透明可审查

### 方法论原则
- 数据驱动的灵活性
- 理论框架的可选性
- 过程的系统性和严谨性

## 🖥️ Python 工具

### 工具链

| # | 工具名称 | 功能描述 |
|---|----------|----------|
| 1 | code_extractor.py | 质性数据初始代码提取与编码 |
| 2 | theme_cluster.py | 代码聚类为主题、关联分析 |
| 3 | saturation_checker.py | 主题饱和度检验 |
| 4 | quality_assessor.py | 主题分析质量与信效度评估 |

### CLI用法

```bash
python tools/code_extractor.py --data interview.txt --output codes.json
python tools/theme_cluster.py --codes codes.json --output themes.json
python tools/saturation_checker.py --codes codes.json
python tools/quality_assessor.py --themes themes.json --report quality.md
```

## 子智能体

| 智能体 | 角色 | 职责 |
|--------|------|------|
| 编码专家 | 初始编码 | 执行Step 1-2 |
| 主题发展专家 | 主题建构 | 执行Step 3-4 |
| 报告撰写专家 | 结果呈现 | 执行Step 5-6 |
| 质量控制专家 | 质量检验 | 贯穿全程 |

## 更新日志

- v5.0.0 (2026-03-15): 初始版本创建，实现完整六步骤流程

---

**技能版本**: v5.0.0  
**方法论基准**: Braun & Clarke (2006, 2019, 2021)  
**创建时间**: 2026-03-15

## 🚫 绝对禁止原则

> **使用前必读**：以下原则是不可逾越的红线，违反将导致研究结论无效。

1. **禁止跳过研究伦理审查** — 未获IRB批准的实证研究不得用于发表
2. **禁止捏造或篡改数据** — 任何形式的数据造假均违反学术伦理
3. **禁止忽视研究局限性** — 必须在论文中诚实报告研究局限
4. **禁止剽窃他人研究成果** — 必须正确引用所有参考来源
5. **禁止选择性报告结果** — 阴性结果同样需要报告
6. **禁止使用不匹配的分析方法** — 必须根据研究问题选择合适方法