国际学术界对定性研究数据实现认知突破

长期以来，定量研究凭借数据标准化、可量化、可复制的优势，成为学术界的主流研究方法之一，并形成了“数据即数字文本”的固化认知。相较于定量研究中数据的直观性与标准化，定性研究中的数据因其具备非结构化、场景化、主观性等特征，长期面临科学性争议、评价标准模糊、分析范式不统一等问题。在传统研究体系中，定性数据往往被简单等同于访谈转录文本、公开文献、问卷文字答案等显性素材，大量蕴含研究价值的场景化细节被研究者忽视，导致定性研究的阐释力难以充分发挥。

随着定性研究方法的迭代升级与数字技术的深度赋能，国际学术界对定性研究数据的认知实现了突破性进展。近日，土耳其科奇大学社会学系讲师塞扎伊·多鲁克·索亚塔（Sezai Doruk Soyata）在英国伦敦政治经济学院网站撰文表示，定性数据不再局限于可视化文本资料，访谈中的沉默停顿、参与者语气的变化、田野空间布局、非正式对话、场景元素的缺失与留白等隐性素材，经系统化记录与科学化解读后，均可成为核心研究证据。与此同时，人工智能技术的普及重塑了定性数据的处理模式，在提升数据整理、编码分析效率的同时，也造成了场景语境、隐性数据、人文细节的大量流失。围绕定性数据的广义内涵、当前定性研究数据处理的主流范式与核心痛点、技术赋能下的研究范式如何革新等话题，本报记者采访了相关学者。

定性数据内涵的扩展

定性数据是定性研究的核心支撑，与定量数据侧重数值统计、假设检验的属性不同，其核心价值在于完成社会现象的意义建构与成因阐释，回应“如何发生”“为何存续”等人文社科研究的核心问题。美国北达科他大学教育、健康与行为学博士后研究人员罗尔·西宾（Roehl Sybing）对本报记者表示，传统观点对定性数据的界定较为狭隘，仅将其定义为访谈记录、焦点小组文本、政策文献、个案资料等非数值显性文本。当代定性研究理论突破了这一局限，构建了“显性文本+隐性场景”的广义定性数据体系，有效拓宽了定性研究的素材边界与阐释维度。

西宾解释说，广义的定性数据分为显性与隐性两大类别。显性数据为学术界主流的应用素材，其中包括访谈转录文本、田野书面记录、公开文献、个案档案与参与者自述资料；隐性数据涵盖访谈过程中的犹豫停顿、语气波动、话题规避等行为细节，田野场景的空间布局、装饰特征、元素缺失、场域氛围，以及非正式互动、敏感议题间接表述等场景化素材。西宾提醒说，隐性细节不天然具备研究价值，只有经过系统记录、跨场景对比与反复验证，才能转化为有效的研究数据，但同时也要注意规避研究人员主观臆断导致的解读偏差。

索亚塔认为，相较于定量数据，定性数据具备四大核心特质。一是场景依附性，数据生成于具体的田野互动场景，脱离语境的文本素材将失去核心阐释价值；二是开放生成性，无须预设研究假设，依托田野调研动态生成，适配复杂未知社会现象的探索性研究；三是多元非结构性，涵盖文本、行为、场景、氛围等多元形态，无固定标准化范式；四是主体关联性，既承载参与者的主观认知与情感态度，也受研究者观察视角与研究立场的适度影响。

定性数据有效弥补了定量研究“重结果、轻过程”“重统计、轻内涵”的固有缺陷。定量数据可精准呈现社会现象的规模、分布与趋势，却无法解读现象背后的文化逻辑、个体体验与深层动因。而定性数据通过捕捉多元场景细节，还原社会生活真实样貌，挖掘定量数据无法覆盖的隐性问题，在社会学、教育学、公共管理、人类学等领域，是文化阐释、个案剖析、体验研究、政策落地分析的核心载体，为理论建构与实践优化提供了坚实支撑。

数据处理的主流范式与现存核心争议

经过长期发展，人文社科研究形成了成熟的定性数据收集范式，如访谈法、焦点小组法、观察法、开放式调查法、文献分析法、案例研究法与民族志田野调查法，各类方法相互补充，以适应不同的研究场景。在英国南安普顿大学儿童及青少年健康讲师莎拉·詹纳（Sarah Jenner）看来，访谈法适用于个体深层体验与敏感话题研究；焦点小组法聚焦群体互动与集体意义建构；观察法可捕捉真实自然行为，弥补自我报告数据的偏差；开放式调查法支撑定性数据规模化采集；文献分析法依托现有资料开展历史与政策研究；案例研究法实现对单一研究对象的整体性深度剖析；民族志田野调查法则通过长期沉浸式调研，完成对社群文化的深度解读。

澳大利亚昆士兰大学人文、艺术与社会科学学院副院长凯瑟琳·格尔伯 （Katharine Gelber）在接受本报记者采访时表示，当前定性数据分析的主流范式包含主题分析、扎根理论编码、话语分析、深度个案剖析等，均遵循归纳式研究逻辑，从原始数据中提炼概念、建构理论。同时，NVivo、ATLAS.ti等专业定性分析软件的普及，实现了非结构化数据的系统化整理、编码与归类，显著提升了定性数据分析的效率与规范性。

格尔伯说，尽管研究体系日趋完善，但定性数据在采集、质量控制、分析与评价环节仍存在争议与短板。在采集层面，多数研究局限于显性文本数据，忽视田野隐性场景素材，导致数据碎片化、研究视角片面化。

在质量控制层面，定性数据尚未形成统一通用的评价标准，区别于定量数据可通过信效度检验、显著性分析完成质量核验，其质量判定高度依赖研究者的专业素养。研究者的研究预设、主观认知与立场偏差极易渗透到数据筛选与记录过程之中，影响数据的客观性。

在分析层面，浅层化、同质化解读问题突出。部分研究者仅对显性文本开展基础编码，脱离语境与场景联动分析，难以挖掘数据的深层意义。此外，定性数据留存体系不完善，可追溯性、可重复性较弱，难以开展二次研究与跨研究对比验证。

在评价层面，学术界普遍存在“定性数据科学性不足”的刻板认知。现有评价体系片面要求数据标准化、可量化、可复制，忽视了定性数据的场景价值与阐释优势，缺乏适合定性研究的评价标准，导致优秀定性研究成果的学术价值难以被认可，制约了学科范式的均衡发展。

构建规范化的革新路径

针对定性数据的各类痛点，国际学术界形成了“传统方法规范化+数字技术智能化”的双重革新路径，推动定性研究从零散经验化走向规范科学化。西宾进一步解释说，在传统方法优化层面，全流程质量控制体系的建立有效解决了数据不规范、解读偏差大、严谨性不足等核心问题。在数据采集环节，三角验证法、成员检验法、全程田野备忘录成为核心的质量控制方法。研究者同步采集显性文本与隐性场景数据，完整记录田野空间特征、人际互动细节与行为变化，通过多源数据交叉核验、参与者反馈纠错、全程记录溯源，规避数据片面化与失真问题。同时，学术界持续完善研究伦理规范，明确知情同意、隐私脱敏、数据保密、伤害规避等准则，规范敏感话题与隐性数据的采集应用，平衡研究创新与学术伦理。

在数字技术赋能方面，格尔伯认为，人工智能与专业定性研究软件重构了定性数据的处理范式。NVivo、ATLAS.ti等工具实现了海量非结构化文本的自动转录、分类与编码，解决了人工分析低效、易错、零散等问题。人工智能文本挖掘、语义分析、情感识别等技术，可精准捕捉文本隐性语义与情感倾向，实现数据精细化解读，突破传统人工分析的视角局限。大数据技术进一步拓展了定性数据的边界，社交媒体话语、线上互动场景等新型数字化素材，成为当前定性研究的重要资源。需要明确的是，人工智能仅为辅助工具，可承担转录、编码等机械化工作，但无法识别场景语境、判定隐性数据的研究价值、完成深层学术阐释。隐性数据解读、研究逻辑建构与结论论证，仍需依托研究者的田野经验与专业判断，这是人工智能无法替代的定性研究的核心价值。

不断提升定性数据的质量

对于未来如何进一步提升定性数据的质量，格尔伯认为，结合定性数据研究的现状与前沿趋势，可从质量控制体系、主观与客观平衡、方法融合、评价优化四个维度，构建可落地、标准化的质量提升路径，推动定性研究高质量发展。

第一，构建全流程可追溯的质量控制体系。建立“采集—整理—编码—分析—归档”标准化流程，明确显性与隐性数据的采集、记录、留存规范。完整保存田野笔记、访谈底稿、编码记录与修改过程，形成完整的审计追踪链条，确保研究过程可追溯、结论可核验。

第二，平衡研究的主观性与科学性。正视定性数据的场景性、主体性等固有特征，通过多元手段管控研究偏差。

第三，加强定性研究与定量研究方法的融合。依托混合研究范式，形成定性研究与定量验证结论的互补模式。以定性数据挖掘社会现象的深层动因、个体体验与隐性问题，搭建研究理论框架；以定量数据统计现象分布特征，检验研究结论的普遍性，补齐定性研究样本局限的短板，提升研究结果的说服力与应用价值。

第四，完善定性研究专属评价体系。打破“唯量化”的单一评价导向，根据定性研究的范式特征，制定适合的数据与成果评价标准。

未来，社会科学研究者需坚守定性研究的人文内核，兼顾方法规范与技术创新，依托数字技术提升研究效率，依托田野经验守护场景阐释深度，充分发挥定性数据在社会现象解读、人文体验挖掘、学科理论建构中的核心作用，推动人文社科研究实现深度与精度的协同提升。

中国社会科学报记者 赵琪

来源：中国社会科学报

责任编辑：王俊美

新媒体编辑：张雨楠

如需交流可联系我们