# Tw Research Qualitative Analyzer

> 質性資料編碼與主題分析工具，協助研究者對訪談逐字稿、焦點團體記錄、 觀察筆記或文本資料進行系統性編碼分析。 支援 Braun & Clarke 六步驟主題分析法、 Miles & Huberman 框架式分析，以及歸納式開放編碼。 輸出：編碼矩陣、主題聚類、代表性引述、編碼者信度評估。 當使用者提及「質性分析」「訪談分析」「逐字稿編碼」「主題分析」 「thematic analysis」「質性資料」「編碼」「質性研究」時觸發。 分類：學術研究（tw-research-*） 參考來源：agent-research-skills (data-analysis) + 紮根理論文獻

- Skill: `fw1201/tw-research-qualitative-analyzer` (Agent Skill, multi-file: 2 files)
- Install (CLI): `npx skillmds@latest add fw1201/tw-research-qualitative-analyzer`
- Raw SKILL.md: https://api.skillmd.com/api/skills/fw1201/tw-research-qualitative-analyzer/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: AI & ML
- Author: fw1201 (https://skillmd.com/u/fw1201)
- Updated: 2026-09-17
- Page: https://skillmd.com/skills/fw1201/tw-research-qualitative-analyzer

---


# 質性資料編碼與主題分析工具 v1.0

## 核心哲學
「**質性資料不是無法分析的混亂——而是等待被系統性發現的意義。**
好的質性分析，需要嚴謹的系統 + 詮釋的敏感度。
本工具提供系統，你帶來對資料的熟悉與洞察。」

> 參考設計：agent-research-skills/data-analysis（分析系統化邏輯）
> 學術依據：Braun & Clarke (2006) 主題分析法、
>           Miles, Huberman & Saldaña (2020) 質性資料分析

---

## Step 0：讀取參考資源

1. `references/thematic_analysis_guide.md` — 主題分析六步驟說明
2. `references/coding_matrix_templates.md` — 編碼矩陣模板

---

## Step 1：概念對齊確認卡

```
╔══════════════ 質性資料分析工具啟動 ══════════════╗
📌 任務：質性資料系統性編碼與主題分析
🎯 目標：編碼矩陣 + 主題聚類 + 代表性引述

請提供：
1. 資料類型（訪談逐字稿/焦點團體/觀察筆記/文件）
2. 分析方法偏好（主題分析/框架分析/開放編碼）
3. 貼上部分資料（至少 500-1000 字作為示範）
╚══════════════════════════════════════════════════╝
```

---

## Step 2：分析方式選擇

```
Q1：「質性分析方法？
    A. 主題分析（Thematic Analysis）— 最常用，適合初學者
       → Braun & Clarke (2006) 六步驟
    B. 框架分析（Framework Analysis）— 適合政策研究
       → 先建立分析框架，再對照資料
    C. 開放編碼（Open Coding）— 紮根理論第一層
       → 見 tw-research-grounded-theory
    D. 內容分析（Content Analysis）— 頻率+類別
       → 見 tw-research-content-analysis
    E. 論述分析（Discourse Analysis）— 語言與權力」

Q2：「編碼取向？
    A. 歸納式（Inductive）— 讓主題從資料中浮現
    B. 演繹式（Deductive）— 以理論框架引導編碼
    C. 混合（先演繹再歸納）」

Q3：「資料語言？
    A. 中文（繁體）
    B. 英文
    C. 中英混合」

Q4：「資料量？
    A. 少量（1-3 筆訪談，< 50 頁）
    B. 中量（4-10 筆，50-150 頁）
    C. 大量（> 10 筆，> 150 頁）— 建議使用 NVivo/Atlas.ti 輔助」
```

---

## Step 3：Braun & Clarke 主題分析六步驟

### Phase 1：熟悉資料（Familiarisation）

```
行動：
□ 閱讀所有資料至少兩遍
□ 記下初步印象和想法（備忘錄）
□ 識別潛在有意義的資訊

輸出：
• 資料概覽摘要（每筆 2-3 行）
• 初步感興趣的面向清單
```

### Phase 2：初始編碼（Initial Coding）

```
編碼規則：
□ 為每個有意義的文字片段賦予簡短標籤（Code）
□ 編碼應描述「資料在說什麼」（語意層）
   或「資料隱含什麼」（詮釋層）
□ 同一段文字可有多個編碼
□ 保留原始引述（供後續選取代表性引述）

編碼格式：
[編碼名稱] → 「原始引述」（受訪者代號，頁碼）

示範：
[學習動機-外部壓力] → 「老師說要考試，所以我才讀」（S01, p.3）
[學習策略-反覆練習] → 「我會每天寫一遍直到記住」（S01, p.3）
```

### Phase 3：搜索主題（Searching for Themes）

```
行動：
□ 將相似的編碼歸類成更大的主題
□ 建立主題地圖（Theme Map）

輸出格式：
主題 A：[主題名稱]
  子主題 A1：[子主題] → 包含編碼：[code1, code2]
  子主題 A2：[子主題] → 包含編碼：[code3, code4]

主題 B：[主題名稱]
  ...
```

### Phase 4：審核主題（Reviewing Themes）

```
審核標準：
□ 每個主題有足夠的資料支持（≥ 3 個引述）
□ 主題之間有清楚的概念界線
□ 主題能回答研究問題
□ 無明顯遺漏的重要主題

常見問題：
⚠️  主題太廣（包含太多不同概念）→ 拆分子主題
⚠️  主題太窄（只有 1-2 個引述）→ 合併至相鄰主題
⚠️  主題只是描述（不是分析）→ 提升抽象層次
```

### Phase 5：定義主題（Defining Themes）

```
每個主題需要：
□ 主題名稱（2-5 個詞，清楚描述核心概念）
□ 主題定義（2-3 句話說明此主題的範疇）
□ 代表性引述（2-3 個最能說明主題的原始語句）
□ 與研究問題的連結（此主題如何回答你的研究問題）
```

### Phase 6：撰寫報告（Writing Up）

```
質性分析寫作格式：
1. 每個主題用一段文字描述（主題定義 + 詮釋）
2. 引入代表性引述（格式：「引述原文」[受訪者代號]）
3. 說明此主題與其他主題的關係
4. 連結到研究問題和理論框架
```

---

## Step 4：編碼矩陣輸出格式

```
╔════════════════════════════════════════════════════════╗
質性分析編碼矩陣
研究主題：[研究主題]
資料來源：[訪談數/頁數]
分析方法：[主題分析/框架分析]
╠════════════════════════════════════════════════════════╣

主題一：[主題名稱]
定義：[2-3句說明]

  子主題 1.1：[子主題名稱]
  定義：[說明]
  涉及受訪者：[S01, S03, S07（共X人）]
  代表性引述：
    「[引述1]」（S01）
    「[引述2]」（S03）

  子主題 1.2：[子主題名稱]
  ...

主題二：[主題名稱]
  ...

╠════════════════════════════════════════════════════════╣
主題摘要表：
┌───────────────┬──────────────┬──────┬──────────────┐
│ 主題          │ 子主題數     │ 涉及 │ 核心引述數   │
│               │              │ 人數 │              │
├───────────────┼──────────────┼──────┼──────────────┤
│ [主題一]      │ [X] 個       │ X/N  │ [X] 則       │
│ [主題二]      │ [X] 個       │ X/N  │ [X] 則       │
└───────────────┴──────────────┴──────┴──────────────┘
╚════════════════════════════════════════════════════════╝
```

---

## Step 5：編碼者信度（若多人編碼）

```
若有多位編碼者，計算 Cohen's Kappa：

一致性評估方式：
□ 兩位編碼者各自獨立編碼 20% 的資料
□ 比較編碼結果
□ 計算一致性比率

一致性標準（Lincoln & Guba, 1985）：
• κ > .80：高度一致（可接受）
• κ = .60-.80：中等一致（需討論差異）
• κ < .60：低度一致（需重新訓練/修訂編碼手冊）

若由 AI 輔助編碼：
□ 研究者仍需審閱所有 AI 生成的編碼
□ 說明 AI 在分析過程中的角色
□ 強調最終詮釋由研究者決定
```

---

## 降級方案

若資料量過大（> 150 頁）：
- 建議先對資料進行初步分類
- 分批處理，每批 20-30 頁
- 推薦搭配 NVivo 或 Atlas.ti 等 CAQDAS 工具
- 提供 NVivo 匯入格式的編碼清單