什么是质性数据分析（Qualitative Data Analysis，QDA）
编译/刘枫宁
质性数据分析（Qualitative Data Analysis，QDA），是以非数值型资料为分析对象，依靠归纳、解读、解构、抽象的方式，挖掘资料背后行为动机、认知含义、社会规则、内在逻辑、情感态度与深层机理的一套分析范式。
区别于量化分析用数字、公式、统计模型回答「多少、频次、差异、相关度」，质性分析核心回答：为什么、是什么含义、过程如何、背后的逻辑是什么。
常见原始质性数据类型
全部是非数字资料：
- 文字类：访谈笔录、开放式问卷回答、工作日志、日记、文件档案、社交媒体文案、新闻文本
- 影音类：现场录音、活动录像、会议影像
- 实物 / 观察记录：田野观察手记、照片、手绘记录、受访者画作
质性数据分析的核心底层逻辑
量化：先设假设 → 收集数字数据 → 验证假设（演绎逻辑）
质性：先收集原始素材 → 拆解提炼信息 → 归纳总结规律与理论（归纳逻辑）
分析全程重视场景、语境、当事人真实视角，拒绝用标准化数字抹杀个体、场景的差异性。
质性数据分析通用核心工作步骤
- 数据整理与清洗 转录录音、修正文稿、剔除无效冗余内容、补齐残缺记录，把零散原始资料整理成可读的规整素材。
- 编码拆解（最核心动作） 逐行阅读资料，给片段内容打上标签（编码）：
- 开放式编码：纯粹提炼原文概念，不加主观预设；
- 主轴编码：把零散编码分组归类，梳理类别之间的关联；
- 选择性编码：提炼出整个资料体系的核心主线，搭建整体逻辑框架。
- 归类、对比与三角验证 对比不同受访者、不同场景下的表述异同；结合多份资料交叉印证结论，避免单一素材带来的片面偏差。
- 诠释与理论提炼 基于编码体系，解读现象产生的原因、发展过程、内在机制，提炼观点、总结规律，形成分析结论。
- 成果输出 以文字报告、叙事框架、逻辑图谱、理论模型等形式呈现分析结果。
质性数据分析主流适用场景
- 社会学、人类学：田野调查、群体行为研究、社会现象解读
- 心理学：个案心理咨询记录分析、人群情绪与认知研究
- 管理学：员工离职深度访谈、用户体验访谈、组织文化调研
- 教育学：课堂观察记录、师生行为分析、学习体验研究
- 市场研究：用户深度访谈、产品使用痛点、消费动机挖掘
质性分析的优势与局限
优势
- 能够捕捉细腻、隐性、难以被数字衡量的内容（情绪、想法、隐性动机、完整行为过程）
- 适合研究全新、缺乏成熟理论的陌生问题，可自下而上生成新理论
- 贴合真实自然场景，还原事物发生的完整过程
局限
- 样本量通常偏小，结论不具备大范围统计学推广性
- 分析过程带有研究者的主观解读成分，对分析人员专业素养要求高
- 处理海量文本资料工作量大，耗时成本更高
总结：量化数据分析：用数字说话，描述客观数量特征；质性数据分析：用文本与过程说话，解读行为与思想背后的意义。
经典培训课程
企业AI知识库搭建与运营培训课程
呼叫中心AI知识库培训课程
个人知识体系构建能力课程
书籍和资料
《卓越密码如何成为专家》
《你的知识需要管理》
免费电子书《企业知识管理实施的正确姿势》
免费电子书《这样理解知识管理》
