前言

总结：从用户研究，如访谈、焦点小组、日志研究、实地考察等数据中识别出基本主题的常见方法之一是进行主题分析。

从定性数据中发掘主题的过程可能很繁琐、困难。对定量研究进行总结则相对明确：比如你的产品比竞品的表现好 25%。但我们应该如何总结一系列的定性观察数据呢？

在发现阶段，我们往往会做探索性研究。这类研究通常会产出许多定性数据，可能会包括：

• 定性态度数据，例如从用户访谈、焦点小组甚至是日志研究中获取的人们的想法、信念和自我汇报的需求
• 定性行为数据，例如通过情境问询和其他民族志方法收集的用户行为的观察数据

主题分析每个人都可以做，它可以渲染定性数据中的重要部分，并帮助我们更轻松地发现主题。

一、主题分析是什么？

定义：主题分析是一种系统性地把从定性研究中获取的丰富数据解构、重组的方法。用合适的编码为每项观察数据和用户原话贴上标签，帮助发掘重要的主题。

正如该方法的名字所暗示的那样，主题分析包含发现主题。

定义：一个主题

• 是对于一个信念、惯例、需求或数据中发现的其他现象的描述
• 在不同参与者或数据源中都多次产生相关发现时浮现

二、分析定性数据时的挑战

面对在项目早期阶段进行探索性研究收集的海量定性数据，许多研究者都感到手足无措。下表总结了一些常见挑战和导致的后果。

缺少一定形式的系统化流程，在分析定性数据时很容易出现上述问题。主题分析帮助研究员理清条理、明确关注点，并为他们提供一个分析定性数据时的一般性流程。

三、进行主题分析的工具和方法

主题分析可能用多种不同方式进行。最合适的工具和方法取决于以下因素：

• 数据
• 数据分析阶段的情境和限制
• 研究员的个人工作风格

3 种常见的方法包括：

• 使用软件
• 手写记录
• 使用亲和图技巧

3.1 使用软件

研究者常常使用数据分析软件来分析大量定性数据。研究员将原始数据（通常是对话记录或场次笔记）上传到软件里，接着使用软件的功能来编码数据。一些工具甚至支持转录视频或音频。数据分析软件例子包括：

• Dovetail
• EnjoyHQ
• Delve
• Aurelius
• Nvivo
• Dedoose
• MAXQDA

优点：

• 分析非常完全
• 可以协作进行分析
• 原始数据和分析结果一直都保存在软件中，可以在需要时再访问

缺点：

• 分析过程可能会很耗时，因为产生的大量编码需要被压缩成一个精简、可控的列表
• 软件许可证或订阅费可能会很贵
• 需要对软件进行一定学习

3.2 手写记录

写下对于文本的思考过程和想法常见于实践扎根理论（grounded-theory）的研究者。作为主题分析的一种形式，手写记录基于该理论，包括手动高亮数据、添加注释，并写下研究员的想法和思考过程。这些笔记被称作备忘（memos，注意不要与公司层面发送给所有员工的新闻备忘录混淆）。

优点：

• 分析过程中，通过手写详细笔记促进反思
• 研究员对于如何得出主题有详尽的记录
• 分析很便宜、灵活

缺点：

• 很难进行协作

3.3 亲和图技巧

在实体或线上的白板上，高亮数据重点、实体或虚拟地剪贴数据，再将它们整理成有意义的分组，直到主题出现。

优点：

• 可以协作进行
• 快速形成主题
• 便宜、灵活
• 可视化、支持迭代分析

缺点：

• 相比其他方法不够完备，因为往往文本片段不会被多次编码
• 当数据差异性很大或数量大时，难以操作

四、编码和编码过程

所有的主题分析方法都涉及一定程度的编码（不要与用编程软件编写程序混淆；英文都为 coding）。

定义：编码是一个词或短语，作为某个文本片段的标签。

编码描述了文本的内容，简略地表达了复杂的信息。（一个比较好的比喻是，编码对数据的描述就像是一篇文章的关键词，或是一篇推文的标签。）定性研究员往往并不只给编码一个标签名称，还会描述该编码的含义以及符合或不符合该编码的文本范例。在有超过一个人负责编码，或是项目时间线较长的情况下，这些描述和示例会尤为有用。

定义：编码过程指的是用合适的编码为文本片段贴标签的过程。

一旦编码完成后，识别并比较描述相同现象的文本就会轻而易举。编码帮助我们轻松分类信息、分析数据，来发现相同点、不同点以及文本片段之间的关系，从而达成对于数据基本主题的理解。

主题分析从编码定性数据开始。通过系统化地在编码内、编码间对比文本片段这一过程，帮助研究者识别出主题。

编码类型：描述型和解释型。

编码可以是：

• 描述型：这类编码描述了数据的内容
• 解释型：这类编码是对于数据的分析性理解，加入了研究员的阐释视角

让我们从实际项目中看一些描述型和解释型编码的例子：今年早些时候，我为准备 UX 职业报告对 UX 从业者进行了访谈。以下是访谈中截取的部分原文：

“当我得知我要主持一个会议时，我都惊呆了。当时公司提供了一天半的相关培训课程，所以我就去参加了。那个主持人做了一件让我当时感觉很糟糕，但后来非常感激的事情。培训的时候，我们做的第一件事就是在一张纸上写下自己的名字和对于主持活动最害怕的东西，再交上去。结果主持人说，好的，明天我们就会把这些情景演出来… 第二天我们回到课程后，全班会在我不在场的情况下读出我最大的恐惧，接着讨论他们会怎么演出来，我再走进来、在这种演习场景下主持 10 分钟。这样真的帮我发现其实没有什么好怕的，那些我们恐惧的东西绝大多数情况下都只存在我们大脑里；真正面对它让我发现我其实可以处理好这些情况。”

以下是针对上述文本的可能描述型和解释型编码：

描述型编码：如何习得技能。
该编码标签的理由：参与者描述了她是如何获取特定技能的。

解释型编码：反省。
该编码标签的理由：参与者描述了这个经历如何改变了她对于主持这件事的信念，以及她对她的恐惧的反思。

五、进行主题分析的步骤

无论你用的是什么工具（软件、手写记录或亲和图），进行主题分析可以分为 6 个步骤。

主题分析包含 6 个不同阶段：收集数据、从头到尾阅读所有数据、根据内容编码文本、创建概括候选主题的新编码、暂停后再次进行分析、评估合适的主题

5.1 第一步：收集所有数据

从原始数据，例如访谈或焦点小组记录、场次笔记，或日志研究记录开始。正如我之前推荐那样，最好直接转录访谈的录音并使用原本分析，而非依赖不靠谱的记忆或笔记。

5.2 第二步：从头到尾阅读所有数据

在开始分析之前，让自己熟悉数据，即是是你亲自做的研究也应如此。在开始分析数据之前，阅读所有的记录、场次笔记和其他数据源。在这个阶段，你可以邀请整个团队参与项目。让团队卷入项目可以注入用户相关的知识，培养他们对用户和用户需求的共情。

可以举行一个工作坊（或一系列工作坊，如果你的团队规模很大或有大量数据）来完成这一步。遵循以下具体步骤：

1. 在团队成员处理数据前，将研究问题写在白板或翻页挂图上，方便在整理数据期间随时参考。
2. 给每个成员一份记录，或是单次实地考察、日志研究的记录。让人们高亮他们觉得重要的部分。
3. 一旦团队成员读完分配给他们的记录后，可以将各自的数据或记录给别人传阅，并从别人那儿得到一份新记录。重复该步骤，直到所有人都看完所有数据。
4. 一起讨论从数据中发现的重点或令人惊讶的地方。

相较于仅仅阅读数据、让团队成员被动接受，举办让每个成员阅读每条日志或实地研究记录，并高亮重点的工作坊是一种让他们积极卷入研究数据的好方法。

虽然最好的方式是让整个团队观察所有的研究场次，在研究场次繁多或团队规模很大时这往往不切实际。当单个团队成员只观察少数几个场次时，他们对于研究发现的理解有时是不全面的。工作坊的形式就可以解决这个问题，因为每个人都会阅读所有场次的数据。

5.3 第三步：根据内容编码文本

在编码阶段，我们需要对高亮的数据进行分类，方便比较这些数据。

在这个阶段，时刻提醒自己最初的研究目标。把研究问题打印出来；贴在在你将要进行分析的空间（会议室、办公室等）的墙上或白板上。

如果你的时间充裕，可以邀请团队参与这个初始编码阶段。如果时间有限、数据量大，你可以自己完成这个步骤，之后再邀请团队来评估你的编码、头脑风暴最终主题。

在编码过程中，再次查看每个高亮文本片段，并问自己：“它是关于什么的？” 用可以描述每段数据的名字来命名它们（描述型编码）。你也可以在这个阶段添加解释型编码。然而，在之后的阶段再命名解释型编码往往更简单。

编码可以在你分类数据之前或之后创建。该步骤的下面两个小节描述了你可以如何、何时进行编码。

5.3.1 传统方式：在分类前创建编码

传统上，在高亮数据片段，如句子、段落、短语时，同时进行编码。保存所有编码的记录以及列出所有编码很有帮助，因为在后续编码其他文本时可以随时进行参考（尤其是多个成员编码同一个项目数据的情况下）。该方式避免了为同一问题创建重复编码（因为后续还要整合它们）。

一旦所有文本完成编码后，你可以将有相同编码的数据放在一起。

如果你是用软件来完成该过程的话，它会在编码过程中自动记录你使用的编码，方便之后再次使用。软件也会允许你查看所有包含相同编码的数据。

上图为在 Dovetail 中进行编码的实例。高亮部分显示了该记录中哪些片段被编码了。编码显示在右侧。点击一个编码会显示所有归属于该编码的数据片段。

5.3.2 快速方式：分类数据片段，再赋予编码

与高亮文本同时进行编码相反，该方式是剪切（实体或虚拟地）和归类所有类似的高亮片段（类似于在亲和图里对包含相似内容的便利贴进行归类）。接着，根据这些分类赋予编码。如果在线上使用该方法，可以将被编码的片段放到新的文档或协作平台上。

在下面的图片里，我们是用手动的方式来进行分类的。剪下研究记录、将它们和便利贴粘在一起，接着将它们在白板上移动，直到找到合适的话题分组。研究员接着在粉色的便利贴上写下描述型编码，并贴在对应的分组上。

用剪刀剪下高亮片段，并用胶带贴到便利贴上。

将参与者编号或数据类型（如访谈 vs. 实地考察）写在便利贴上（用便利贴颜色进行区分）。这样可以方便我们轻易找到原始数据，并在不同参与者和数据源之间进行比较。便利贴也帮助我们轻松地在墙上或白板上移动这些数据。

依据文本主题分类高亮数据片段，并赋予描述型编码。

在这个步骤结束后，我们会拥有按照主题分类的数据，每个主题都有相应编码。

让我们来看一个例子。我就人们在家烹饪的主题访谈了 3 个人。在这些访谈中，参与者聊到他们为什么做一些特定菜肴，而非别的菜品。他们也谈到了烹饪时遇到的具体挑战（例如，饮食限制、预算紧张、缺少时间和空间）以及他们是怎么解决其中一些挑战的。

在依照主题对于高亮数据片段进行分类后，我总结了 3 个宽泛的描述型编码及其对应的数据分组：

• 烹饪体验：和烹饪相关的、印象深刻的积极或消极的体验
• 痛点：阻止某人烹饪或让烹饪变困难的因素（饮食健康限制、预算不足等）
• 获得帮助：帮助（或者被认为可能会帮助）参与者克服特定困难或痛点的事物

5.4 第四步：创建概括候选主题的新编码

查看所有编码，并探索可能的因果关系、相似点、不同点或矛盾点来挖掘潜在的主题。在这样做的同时，一些编码可能会被闲置（被存档或删除），而新的解释型编码会被创建。如果你在第三步使用的是实体绘图的方法， 在查找主题的过程中，一些最初的分组可能会消失或扩展。

问自己以下问题：

• 每个组里包含的是什么？
• 这些编码是如何相关的？
• 它们和我的研究问题是如何联系起来的？

回到我们的烹饪主题，当在每个分组内分析文本并寻找数据间的关系时，我注意到两名参与者说他们喜欢可以以多种方式烹饪、并且适配多种不同食材的食物。第三名参与者谈到她希望可以有一套食材能在一周内做出许多不同花样，而不用给每顿饭都单独准备食材。因此，一个有关食材灵活性的新主题出现了。对于这个主题，我提出的编码是搭配万物的食材，并就此撰写了细节描述。

在该研究示例中，一个新的分组形成了：该分类包含用户提到了需要可以灵活使用的食材的原话——这些食材可以用多种方式烹饪，或是可以在一周内烹饪出不同菜肴。该分类以一个解释型编码 “搭配万物的食材” 命名。研究员接着补充了对该编码的描述。

5.5 第五步：暂停后再次进行分析

休息一下，再回来以一个新鲜的视角看数据不失为一个好主意。不时这样做可以帮助你更清晰地发现数据里的重要模式，并产生突破性洞见。

5.6 第六步：评估合适的主题

在进行这一步时，和他人一起回顾编码和发现主题会对你很有帮助。这样并不仅能产生新收获，别人带来的新视角和新思路也可能会挑战、批判你的既定结论。这个过程可以减少你的理解给数据染上过多个人偏见的风险。

仔细检查提出的主题。问自己以下问题：

• 数据充分支持主题了吗？或者你发现了不支持主题的数据？
• 主题包括大量的实例吗？
• 其他人在独立分析数据后，同意你从数据里发现的主题吗？

如果对以上任意一个问题的答案是 “否”，可能意味着你需要再次回到数据分析板。在你之前收集了充足数据的情况下，再次探究上述问题会帮助你学习到新收获。因此，和你的团队一起花更多时间重复第四步到第六步是值得的。

结论

进行主题分析可以发现研究中的重大主题。主题分析的方式并不是唯一的；应根据你的研究数据种类和量级选择合适的分析方法。在可行的情况下，邀请他人参与分析过程可以提升分析的准确性，同时增加团队对于用户行为、动机和需求的理解。分析可能会占用很长时间；一个经验法则是留出至少和收集数据相当的时间来完成分析。

附录

原文地址：https://www.nngroup.com/articles/thematic-analysis/

版权声明
本文版权属尼尔森诺曼集团（Nielsen Norman Group）所有。欢迎转发至朋友圈，如需转载，请邮件 Support@nngroup.com。未经授权的转载、翻译是侵权行为，版权方将保留追究法律责任的权利。
© 2022 Nielsen Norman Group. All Rights Reserved.