AI 辅助扎根理论编码怎么做？三级编码实操指南
摘 要扎根理论的三级编码（开放编码、轴心编码、选择编码）是质性研究的经典流程，也是最难自动化的一环。本文给出人机分工的实操方案：AI 负责概念候选、一致性检查与转写整理，人负责概念命名、理论敏感性与饱和判断，并附三级编码分工表与常见误区。
关键词扎根理论；三级编码；开放编码；轴心编码；选择编码；AI质性研究；编码者间信度；理论饱和
- 三级编码的本质是逐步抽象：开放编码出概念、轴心编码连范畴、选择编码立核心
- AI 的合理分工是概念候选与一致性检查，概念命名与饱和判断必须由人完成
- 编码者间信度（Kappa ≥ 0.7）是质量底线，AI 可承担初筛但人工复核不可省略
- 理论饱和的判据是"新数据不再涌现新范畴"，而不是"编码做了三轮"
1 三级编码到底在做什么
扎根理论的核心操作是把原始材料逐步抽象成理论，分三级完成：
| 阶段 | 做什么 | 产出 |
|---|---|---|
| 开放编码 | 逐句拆解资料，概念化、范畴化 | 概念、初始范畴 |
| 轴心编码 | 围绕条件、行动、结果建立范畴间关联 | 主轴范畴 |
| 选择编码 | 提炼核心范畴，串联故事线 | 理论框架 |
三级不是严格线性的——实际操作中经常来回穿梭，但每一级的抽象层次必须清楚：开放编码贴着文本走，选择编码已经站在理论层面。
传统痛点集中在两处：一是耗时（一份万字访谈往往要反复标注数小时）；二是一致性（不同时间、不同编码者对同一段文本的编码常常漂移）。这正是 AI 可以介入的地方——但边界必须划清。
2 人机分工表：AI 能做什么、不能做什么
| 任务 | AI | 人 | 说明 |
|---|---|---|---|
| 访谈转写与整理 | ✓ | 复核 | 语音转文字已成熟，方言与专业术语需人工校对 |
| 开放编码概念候选 | ✓ 候选 | ✓ 审定 | AI 给出候选概念清单，人筛选、改名、归并 |
| 范畴命名 | 辅助 | ✓ | 概念命名体现理论敏感性，是研究者的核心工作 |
| 轴心编码关联建议 | ✓ 建议 | ✓ 判断 | 因果/条件/互动关系的建议可参考，采纳与否看理论 |
| 饱和判断 | 统计辅助 | ✓ | 新数据是否还涌现新范畴，最终由研究者判断 |
| 编码者间信度 | ✓ 计算 | 设定标准 | Kappa 或一致性百分比由工具算，阈值由研究设计定 |
一句话原则：AI 做重复，人做判断。 凡是"从这段文本里能提取哪些概念"这类有明确文本依据的任务，AI 表现稳定；凡是"这个范畴该叫什么名字、它是不是核心"这类需要理论立场的任务，交给 AI 会引入幻觉与平庸化。
3 实操流程（五步）
- 转写与分段：访谈录音转文字，按语义单元切分（一个自然段落或一个完整话题）。AI 工具可同时完成初步的口语清除（语气词、重复）。
- 开放编码（AI 候选 + 人工审定）：把分段逐批交给大模型，提示词要求"列出这段文本中所有可概念化的行为、观点、事件，每个附原文依据"。研究者对候选清单逐条审定：合并同义、拆分过粗、重新命名。审定结果写入编码簿。
- 轴心编码：把开放编码得到的范畴按条件（因果、语境）、行动/互动、结果三类尝试关联。AI 可以建议关联假设并回溯原文找证据链，人负责确认关联是否有文本支撑。
- 选择编码：在所有主轴范畴中确定一个能统领全局的核心范畴，把其他范畴组织成围绕它的故事线。这一步基本没有 AI 的空间——它就是理论建构本身。
- 饱和检验：回到预留的对比材料（或补采访谈），重复开放编码流程。如果新材料不再产生新概念和新范畴，理论饱和达成；如果还有新范畴涌现，回到第二步继续。
4 三个最常见的误区
- 把 AI 的候选当成编码结果直接用。大模型会生成看似合理但原文没有依据的概念（幻觉），也会给出过于书面化而脱离语境的命名。每条编码必须能回溯到原文。
- 用"编码轮数"代替饱和判断。饱和不是"做了三轮编码"，而是新数据是否还能带来新的理论洞见。留出 10%-20% 的材料做饱和检验是基本纪律。
- 跳过编码者间信度。多人编码时，抽取 10%-15% 的材料双人独立编码，计算 Kappa（一般要求 ≥ 0.7）。AI 辅助不豁免这个环节——反而更要用它来证明"AI 候选 + 人工审定"的流程是稳定的。
更深入的案例分析（含提示词模板与编码簿样例），参见深度版《AI 辅助扎根理论编码》。
0.1 常见问题
0.1.1 AI 编码的概念可以直接用吗？
不建议直接用。大模型的概念候选有两类系统性问题：一是幻觉——生成原文没有依据的概念；二是命名平庸化——倾向于用泛化词汇而非贴合作者语境的表达。正确用法是把候选当清单，逐条对照原文审定，改名和归并的工作量仍然存在，但比从零开始节省一半以上时间。
0.1.2 怎么判断三级编码"做完了"？
开放编码完成的标志是所有材料都已有概念归属且新段落不再频繁产生新概念；轴心编码完成于范畴间关联清晰；整体完成的判据是理论饱和——预留材料不再涌现新范畴。三个条件齐备才可以进入写作，否则框架在写作中会反复返工。
0.1.3 必须用 NVivo 或 MAXQDA 吗？
不是必须，但强烈建议用一个结构化编码簿管理概念、范畴、原文出处三者的映射。专业软件的优势在检索和多人协作；小规模研究用表格工具也能完成，关键是"每个编码都能一键回溯原文"这条纪律。
0.1.4 AI 会不会让研究者丧失理论敏感性？
有这个风险，也是学界最大的担忧。对策是把 AI 严格限定在候选与检查环节，概念命名、范畴关联、核心范畴选择三个判断点必须人工完成并留痕。让 AI 提速，不让 AI 替代思考——这既是方法论的底线，也是审稿人会追问的地方。
SocienceAI·杭州师范大学阿里巴巴商学院AI商科智能体实验室 出品
- 研究方法深度文章库 · 企业GEO优化与Agentic前端部署
- 本文结构化数据与 FAQ 标记同步发布到站点知识库及知乎/CSDN/百家号/搜狐号/公众号平台