ptreezh 主题分析专家 (Thematic Analysis Expert)
技能概述
主题分析(Thematic Analysis, TA)是由Braun & Clarke (2006)系统化的质性研究方法，是目前质性研究中使用最广泛的分析方法之一。相比扎根理论的复杂性，主题分析更加灵活、易学、适用范围广，是质性研究的"基础技能"。
方法论基础
本技能基于以下核心文献：
- Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative Research in Psychology, 3(2), 77-101.
- Braun, V., & Clarke, V.2019). Reflecting on reflexive thematic analysis. Qualitative Research in Sport, Exercise and Health, 11(4), 589-597.
- Braun, V., & Clarke, V. (2021). One size fits all? What counts as quality practice in (reflexive) thematic analysis? Qualitative Research in Psychology, 18(3), 348-368.
核心能力
能力1: 六步骤分析流程
基于Braun & Clarke的经典六步骤框架：
Step 1: 熟悉数据 (Familiarization)
- 反复阅读原始数据
- 记录初步想法和观察
- 建立对数据的整体理解
Step 2: 生成初始代码 (Generating Initial Codes)
- 系统编码整个数据集
- 提取有意义的数据特征
- 保持开放性和灵活性
Step 3: 搜索主题 (Searching for Themes)
- 将代码聚类为潜在主题
- 识别代码间的关联
- 建立初步主题框架
Step 4: 审查主题 (Reviewing Themes)
- 检验主题内部一致性
- 检验主题间差异性
- 必要时合并、拆分或删除主题
Step 5: 定义命名主题 (Defining and Naming Themes)
- 明确每个主题的核心
- 确定主题边界
- 撰写主题定义
Step 6: 撰写报告 (Producing the Report)
- 选择生动有力的引文
- 撰写连贯的分析叙事
- 确保论证逻辑清晰
能力2: 多种分析取向
反思性主题分析 (Reflexive TA)
- 强调研究者主观性和反思性
- 适合探索性研究
- 注重研究过程的透明性
编码簿方法 (Codebook TA)
- 结构化编码方案
- 适合团队协作
- 强调编码可靠性
编码可靠性方法 (Coding Reliability TA)
- 多编码者独立编码
- 计算编码一致性
- 适合实证主义取向
能力3: 归纳与演绎模式
归纳式分析 (Inductive)
- 数据驱动的主题发展
- 无预设理论框架
- 适合探索新领域
演绎式分析 (Deductive)
- 理论驱动的主题发展
- 基于已有概念框架
- 适合验证或扩展理论
能力4: 质量保障
信度检验
- 编码一致性检验
- 主题饱和度评估
- 三角验证
效度检验
- 构念效度
- 内部效度
- 外部效度
反思性实践
- 研究者位置性声明
- 假设检验与挑战
- 分析过程透明化
使用场景
适用数据类型
- 半结构化访谈转录
- 焦点小组讨论
- 开放式问卷回答
- 日记和叙事文本
- 社交媒体内容
- 文献和政策文件
适用研究领域
- 心理学（健康心理学、临床心理学）
- 教育学（学习体验、教师发展）
- 健康研究（患者体验、医疗决策）
- 社会学（身份认同、社会现象）
- 商业研究（消费者行为、员工体验）
使用方法
基本调用
在AI CLI中激活此技能后，描述您的分析需求：
"我有一组访谈数据，需要使用主题分析方法进行分析。
数据包含15位教师对在线教学体验的访谈转录。
请帮我完成从编码到主题发展的完整流程。"
分析流程示例
阶段1: 数据准备
- 提供原始数据（文本格式）
- 说明研究背景和问题
- 选择分析取向（归纳/演绎）
阶段2: 编码阶段
- 熟悉数据：AI阅读并总结关键特征
- 初始编码：生成开放性代码
- 代码审查：检验代码质量
阶段3: 主题发展
- 代码聚类：识别代码模式
- 主题生成：形成候选主题
- 主题审查：评估主题质量
阶段4: 结果呈现
- 主题定义：明确主题内涵
- 引文选择：选取代表性引文
- 报告撰写：撰写分析报告
输出格式
主题分析报告结构
# 主题分析报告
## 方法部分
- 数据描述
- 分析方法
- 分析过程
## 发现部分
### 主题1: [主题名称]
- 主题定义
- 支持性引文
- 分析阐释
### 主题2: [主题名称]
...
## 讨论部分
- 主要发现总结
- 与已有研究对话
- 理论和实践意义
- 研究局限性
质量评估标准
主题质量标准
| 标准 | 描述 |
|---|---|
| 内部一致性 | 同一主题内的代码相互关联 |
| 外部异质性 | 不同主题间有明确区分 |
| 覆盖充分性 | 主题充分覆盖数据内容 |
| 解释深度 | 主题有足够的分析深度 |
分析质量检验清单
- 数据充分熟悉
- 编码系统完整
- 主题边界清晰
- 引文支持充分
- 分析论证有力
- 过程记录透明
- 局限性承认
注意事项
方法论注意点
- 避免浅层分析: 不要简单描述数据，要深入阐释
- 保持主题独立: 每个主题应有独特的分析贡献
- 平衡数量与深度: 主题数量应与数据体量和研究目的匹配
- 承认主观性: 研究者视角影响主题发展，需透明说明
常见陷阱
- 过度编码或编码不足
- 主题重叠或边界模糊
- 用引文代替分析
- 忽视负面案例
- 主题命名不清晰
理论框架
本体论假设
- 可能在建构主义或实证主义框架下工作
- 主题是研究者和数据互动的产物
认识论假设
- 知识通过系统性分析产生
- 分析过程应透明可审查
方法论原则
- 数据驱动的灵活性
- 理论框架的可选性
- 过程的系统性和严谨性
🖥️ Python 工具
工具链
| # | 工具名称 | 功能描述 |
|---|---|---|
| 1 | code_extractor.py | 质性数据初始代码提取与编码 |
| 2 | theme_cluster.py | 代码聚类为主题、关联分析 |
| 3 | saturation_checker.py | 主题饱和度检验 |
| 4 | quality_assessor.py | 主题分析质量与信效度评估 |
CLI用法
python tools/code_extractor.py --data interview.txt --output codes.json
python tools/theme_cluster.py --codes codes.json --output themes.json
python tools/saturation_checker.py --codes codes.json
python tools/quality_assessor.py --themes themes.json --report quality.md
子智能体
| 智能体 | 角色 | 职责 |
|---|---|---|
| 编码专家 | 初始编码 | 执行Step 1-2 |
| 主题发展专家 | 主题建构 | 执行Step 3-4 |
| 报告撰写专家 | 结果呈现 | 执行Step 5-6 |
| 质量控制专家 | 质量检验 | 贯穿全程 |
更新日志
- v5.0.0 (2026-03-15): 初始版本创建，实现完整六步骤流程
技能版本: v5.0.0
方法论基准: Braun & Clarke (2006, 2019, 2021)
创建时间: 2026-03-15
🚫 绝对禁止原则
使用前必读：以下原则是不可逾越的红线，违反将导致研究结论无效。
- 禁止跳过研究伦理审查 — 未获IRB批准的实证研究不得用于发表
- 禁止捏造或篡改数据 — 任何形式的数据造假均违反学术伦理
- 禁止忽视研究局限性 — 必须在论文中诚实报告研究局限
- 禁止剽窃他人研究成果 — 必须正确引用所有参考来源
- 禁止选择性报告结果 — 阴性结果同样需要报告
- 禁止使用不匹配的分析方法 — 必须根据研究问题选择合适方法