质性研究中引入生成式AI，真正需要提前想清楚的不是"能不能用"，而是数据流向哪里、判断权归谁、过程能否被复核。访谈转录与编码这两件事恰好同时触碰三条线：知情同意划定的资料使用范围、机构的数据管理与伦理审查要求、以及学术成果中对研究过程的可追溯责任。把AI使用嵌入既有的伦理与数据管理流程，而不是另起一套做法，是三个环节中最省事也最稳妥的路径：先做范围判断，再设计人工复核，最后完整留痕与披露。
一、先做范围判断：AI用法是否仍在原知情同意与伦理审批之内
许多研究者在设计阶段签署的知情同意书里，会写明"访谈录音将被转录、匿名化并由研究团队分析"。这句话通常默认转录与分析由研究团队成员完成，或者至少发生在受机构数据管理规定约束的环境中。当转录或编码由第三方生成式AI工具承担时，资料的处理主体、存储位置和后续用途都可能发生变化，这就构成了一次实质性的方案变更。
判断可以从三个追问开始：
- 同意书里对"谁处理资料""资料存放在哪里""是否会被第三方获取"有没有明确说明？
- 参与者当初同意的用途，是否覆盖"上传给外部工具"这一动作？
- 机构伦理审查批件中关于数据处理方式的描述，是否仍然与实际操作一致？
如果三个问题中有任何一个无法确认，稳妥的做法是先按"需要补充"处理，而不是先上传再补手续。
通常需要补充伦理审查或重新征得同意的情形
以下几类情形在多数机构的规定中都属于应当重新评估的范围：
- 资料包含可直接或间接识别个人身份的信息，而你打算使用的工具无法保证数据不被留存或用于模型训练；
- 研究涉及敏感议题、未成年人、患者、原住民或其它需要特别保护的群体。部分高校指引明确要求，涉及原住民数据、原住民知识或与原住民参与者合作的项目，需遵循数据主权与自由、事先、知情同意的原则；
- 原知情同意中明确承诺"资料仅由研究团队访问"或"不向第三方提供"；
- 研究属于机构间合作项目，数据出境或跨机构传输需要额外审批。
需要注意的是，不同机构、不同学科乃至不同期刊的要求并不一致，最终以所在机构伦理委员会与数据管理部门的最新规定为准。
二、转录环节：能不能上传，取决于工具与数据流向
转录是质性资料处理中最先接触原始语料的环节，也是风险最集中的环节。原因很直接：录音中包含的声音特征、口音、语速、停顿、情绪，以及访谈中自然流露的人名、单位名、地名，都是高度可识别的信息。
Ulster University 在面向研究生的生成式AI指引中明确指出：把访谈、焦点小组或自然情境互动的录音放入生成式AI工具进行转录或分析，意味着这些数据会进入该工具的训练数据集，因而不再处于安全存储状态；直接把未匿名的录音上传到开放的生成式AI工具，不符合其数据管理标准。该指引建议研究者重新审视知情同意过程中的数据共享安排，以及这些安排对分析的影响。这一判断对其他机构也具有参考意义，因为消费级工具的默认条款通常允许将输入内容用于服务改进。
哪些资料不宜上传
- 未经去标识化的原始录音、视频，尤其是包含面容、声音特征与真实姓名的材料；
- 访谈中涉及健康、性行为、违法犯罪经历、政治态度、心理创伤等敏感内容的段落；
- 小样本、独特人群或罕见情境的资料，因为语境细节本身就可能完成"再识别"；
- 受保密协议、伦理批件或第三方合同约束的资料；
- 涉及原住民知识、传统知识或社区集体数据的材料。
必须使用AI转录时的保护措施
如果研究确实需要借助AI提高转录效率，可以考虑以下做法，并在方法与记录中如实说明：
- 优先选择机构统一采购、有明确数据保护约定的版本，而非个人账号下的免费公开工具。部分高校会为研究者提供数据不用于训练、存储受机构管理的AI服务，这类工具在合规上明显优于开放工具；
- 在转录前先对音频做处理，或与参与者约定使用化名，避免访谈中出现可识别信息；
- 转录完成后及时删除云端副本，转录文本转入机构认可的存储环境；
- 明确转录结果必须由研究者逐段核对，尤其是方言、专业术语、反讽、停顿和重叠发言处。语音识别系统对非标准口音和特定群体语音的识别偏差已有研究提及，这类偏差会直接转化为分析偏差；
- 在数据管理计划中记录工具名称、使用日期、处理范围与销毁方式。
三、编码环节：AI产出只能算草稿
AI用于编码时，风险性质与转录不同。转录的误差表现为"字词错"，编码的误差表现为"意义误判"。生成式模型擅长给出看起来合理的类目名称，但它无法知道受访者在特定情境中的语气、你此前田野笔记里的观察，以及研究问题真正关心的理论张力。已有质性健康研究领域的讨论指出，AI技术在提升效率的同时，也带来决策责任归属的问题——最终对编码负责的仍是研究者本人。
因此，AI生成的编码框架应当被视为一份待验证的草稿，而不是分析结果。
人工复核怎么设计
一个可操作的做法是把复核分成三层：
- 逐条确认：研究者对AI给出的每一段编码判断做出"接受、修改、拒绝"的决定，并记录理由。理由不需要长篇大论，但要能说明判断依据，例如"该段受访者是在反讽，字面语义与AI判断相反"。
- 抽样重编：从全部材料中随机抽取一定比例（例如10%–20%）由研究者独立重新编码，与AI初稿比对，统计分歧类型：是术语归类不同，还是意义理解不同。分歧集中的地方，往往正是需要回到研究问题重新界定编码手册的地方。
- 编码手册迭代：根据复核结果修订编码定义与示例，把AI容易误判的情形写入手册，供后续材料使用。
一致性检查的正确用法
有的研究会计算AI编码与人工编码之间的一致性系数。这里需要避免一个常见误读：一致性高，只能说明两者判断接近，不能证明编码有效，更不能替代研究者对编码效度、类目饱和度与理论适配性的论证。此外，生成式模型的输出具有随机性，同一份材料在不同时间、不同提示下可能得到不同结果，因此不要把它当作稳定可复现的"第二位编码者"。它也不是人。在需要报告编码者间信度的研究中，应当由受过训练的人担任第二编码者。
四、过程留痕：披露记录应当包含什么
香港大学关于研究中负责任使用生成式AI的指引要求，任何生成式AI的使用都应当按照机构的研究数据与记录管理政策加以记录，使研究过程尽可能透明、可复现。这条要求对质性研究尤其重要，因为质性分析的透明度历来依赖过程文件，而不是统计程序。
一份完整的AI使用记录，至少应包含以下字段：
| 记录项 | 具体内容 |
|---|---|
| 工具信息 | 工具名称、版本或访问日期、机构版还是公开版 |
| 使用环节 | 转录、初步编码、类目整理、文献检索等，分别记录 |
| 使用范围 | 涉及哪些资料、多少份、处理时间区间 |
| 数据处理 | 是否去标识化、上传形式、云端副本是否删除、最终存储位置 |
| 人工介入 | 谁复核、复核方式、抽样比例、修改与拒绝的记录位置 |
| 结果处置 | AI产出中哪些被采纳、哪些被弃用、编码手册修订版本号 |
| 伦理对应 | 原批件编号、是否提交变更申请、是否重新取得同意 |
这些记录不一定要全部写进论文，但应当作为研究档案保存，以便在伦理审查、导师核查或期刊询问时提供说明。保留AI的原始输出与自己的修改痕迹，比只保留最终版本更有说服力。
五、方法部分与投稿披露怎么写
在论文的方法章节中，AI使用的说明应当与其它方法细节同等对待：简短、具体、可核查。可以按"工具—用途—验证"三段式组织，例如：
"访谈录音经参与者书面同意后，使用机构提供的XX工具（机构版，数据不用于模型训练）进行初步转录，随后由研究者逐段核对并修订，重点核对地方口音、专业术语与重叠发言段落。初步编码阶段使用同一工具生成编码建议，研究者对全部编码逐条确认、修改或拒绝，并对随机抽取的20%材料进行独立重编，据此修订编码手册。所有AI使用记录与版本文件留存于研究档案。"
如果期刊或基金有专门的AI使用披露要求，按其表格与栏目填写；如果期刊禁止在评审稿中出现AI生成内容，则只说明研究过程中的使用情况，不使用AI代写文本。投稿前应查阅目标期刊的最新作者指南，因为相关规定更新较快。
六、把三步固化为可复核的流程
把上述内容整理成日常可执行的顺序，大致如下：
- 在资料收集前，确认知情同意与伦理批件中关于数据处理方式的表述，是否覆盖AI工具的使用；不覆盖就先提交变更或补充同意。
- 在转录前，确认工具的版本与数据条款，剔除不宜上传的资料，约定去标识化方式与副本销毁时间。
- 在编码前，明确AI产出的定位是草稿，预先设计抽样复核比例与分歧处理规则。
- 在分析过程中，同步维护AI使用记录表与版本文件，而不是等到写作阶段再回忆。
- 在写作与投稿阶段，按目标期刊要求如实披露，并保留可供核查的档案。
合规的成本主要集中在前两步，一旦判断清楚、记录习惯建立起来，后续的写作与投稿反而会顺畅很多。真正需要避免的不是使用AI，而是在没有任何判断与记录的情况下使用它——那会让研究者在伦理审查和成果发表两个环节都处于被动。
时效性与来源说明：本文涉及的高校与研究机构指引，检索日期为2026年2月，主要参考 Ulster University 研究生院《Guidance on the use of Generative AI tools》、香港大学《Guidelines on the Responsible Use of Generative AI in Research》、悉尼科技大学《Use of AI in Research Guidelines》以及发表于 ALISE 会刊的质性研究中AI笔记与转录服务伦理研究。各机构规定与期刊政策更新频繁，请以所在机构伦理委员会、数据管理部门及目标期刊的最新文件为准。
