在定性研究领域，数据编码一直是关键环节。如今，MAXQDA 的 AI Coding 功能为我们带来了全新的可能。今天，就让我们深入探讨如何在定性研究项目中运用这一强大功能。
1. AI Coding 简介MAXQDA 作为老牌定性数据分析软件，融合生成式 AI 技术推出 AI Assist 附加组件，其中 AI Coding 功能备受瞩目。它旨在将生成式 AI 与编码相结合，在编码过程中发挥独特作用。与传统手动编码不同，AI Coding 依据给定的代码名称和详细描述（代码备忘录），在文档中精准识别相关文本片段并编码，同时提供解释，且创建的 AI 代码作为原始代码的子代码存储，方便识别与管理。
2. 使用步骤步骤一：基于数据子集开发和测试代码描述
创建代码与代码备忘录：在 MAXQDA 中点击绿色加号创建代码，如 “Health”，并在代码备忘录中明确其描述，如 “描述自雇如何影响受访者的身心健康，包括对身体、心理和社会福祉的影响”。
选择文档与执行 AI Coding：打开目标文档，从 “AI Assist>AI Coding” 菜单选择 AI Coding，将创建的代码拖入 “Code” 字段，可再次修订代码备忘录后点击 “OK” 开始编码。
评估初始结果：编码完成后，检查结果。若发现无关数据，调整代码备忘录的排除标准；若遗漏重要文本，优化包含标准或描述，确保代码描述精准、明确且贴合数据。
步骤二：将代码应用于整个数据集
重复编码过程：对初始文档的编码满意后，扩展至整个数据集。逐一对每个文档进行上述编码操作，关注代码频率，及时调整代码备忘录，确保其适用于所有文档。
合并 AI 代码：所有文档编码完成后，在代码系统中选择同一代码的所有 AI 子代码，右键点击 “Merge Codes” 合并，然后再次检查编码片段，确保无误后可将其与手动创建的代码合并。
步骤三：使用 MAXQDA 的可视化工具验证 AI 编码
代码矩阵浏览器（Code Matrix Browser）：通过 “Visual Tools>Code Matrix Browser” 分析代码在不同文档中的分布。较大方块表示代码应用频繁，可据此评估编码质量，若某文档代码结果异常，需重新审视文档和代码描述。但要注意，AI 编码片段大小不一，代码频率不能仅看表面。
文档比较图表（Document Comparison Chart）：利用 “Visual Tools” 中的文档比较图表，查看文档中哪些部分被 AI 编码。每行代表一个文档，列代表段落，颜色表示使用的代码，借此可快速识别未编码部分，判断其对研究目的的影响。
步骤四：分析 AI 编码数据
谨慎分析代码频率：由于 AI 编码片段大小差异大，统计代码频率或测量代码覆盖范围时需格外小心。AI 编码的片段从几个字到几段不等，与手动编码存在区别，且 AI 选择编码的数据可能影响我们对文本的阅读和考量范围。
自动创建代码总结：对编码数据可右键点击代码，选择 “AI Assist>Summarize Coded Segments”，选择语言和期望长度生成总结，若不满意可添加指令定制。
使用智能编码工具创建子代码：AI 编码常产生大量编码片段，适合使用智能编码工具。在 “Codes>Smart Coding” 中，可全面查看代码内容，为每个代码逐段创建和应用新子代码，参考 AI 创建的片段评论或获取 AI 子代码建议，确保每个 AI 编码片段至少被人工研究者审查一次，遵循定性内容分析方法。
优势
辅助人工编码：作为快速且低成本的 “第二编码器”，帮助研究者挑战主观判断，指出可能遗漏或过早舍弃的文本片段，以 AI 的 “视角” 批判性评估自身编码。
处理大数据集：借助手动编码的示例数据集和现有代码描述，将代码扩展到更大数据集，利用 MAXQDA 可视化工具验证结果。
提升研究质量：为定性研究提供新的 “意见”，有助于突破资源限制，改进研究结果的数量和质量。
挑战
代码描述要求高：代码描述需精确、明确，否则可能导致无结果或结果过多，应避免使用示例，可通过文本搜索优化代码备忘录。
数据量限制：AI 处理数据量存在技术限制，文档过长可能出错，可尝试缩短文档，如去除访谈中的无关部分或文档中不相关内容。
4. AI 编码与人工编码的关系AI Coding 在定性研究中是一种极具价值的工具，与人工编码相互补充。尽管 AI Coding 具有高度的演绎性和概念驱动性，与人工编码存在差异，但它为我们提供了新的视角和方法。在实际研究中，我们应充分发挥其优势，规避挑战，将 AI Coding 与人工编码有机结合，推动定性研究向更高水平发展。
