當你用 AI 跑質化分析，你其實是開了「一鍵美顏」，還是「自動戰鬥」？——看看 AI 如何悄悄改寫質化分析的判斷

〇、合先敘明，這篇在談什麼

這不是一篇 AI 工具教學文，也不是要告訴你「該不該用某一個 AI 來做質化分析」。

這是一篇方法意識提醒文。

當你把質化分析的一部分交給 AI，你是否意識到——
你也同時交出了哪些分析判斷與詮釋責任？

一、那個開著「自動戰鬥」跑畢業副本的你

深夜的研究室或寢室，螢幕上同時開著逐字稿、NVivo 節點、Excel 表、錄音檔。

你已經看了同一段訪談第七次，還是不知道這句話到底該歸到哪一個主題。

於是你做了一個很合理、也很人性的選擇：
把逐字稿丟進 AI 分析工具。

我們都懂那種心情 —
「拜託誰來幫我生出主題就好，如果還能順便幫我歸納一下，那就更好了。」

但當你按下 Enter，你以為你請了一個免錢的研究助理（RA），其實你是——

開啟了手遊的「自動尋路＋自動戰鬥」。

關鍵不在於你用了哪一個 AI。關鍵在於：
你是否意識到，你已經把一部分分析決策權交出去了。

二、學術界的「神操作」：直接雙跑一場給你看

如果只是憑感覺討論「AI 會不會改變研究」，那多半只是立場之爭。

但 Morgan（2023） 與 Hamilton et al.（2023）
做了一件非常直接、也非常實際的事——

• 同一份質化資料
• 由人類研究者完整分析一次
• 再讓 AI 跑一次
• 逐項對照差異

問了一個十分實際的問題：

純手工分析，和 AI 輔助分析，差別到底出在哪裡？

這兩篇研究的價值，不在於誰比較快、誰比較厲害，而在於它們清楚指出：

AI 在分析過程中，悄悄「少做了什麼」，
以及人類研究者，又可能「忽略了什麼」。

三、拆解神操作：AI 在分析中「吃掉」了什麼？

1. 自動尋路的代價

Morgan（2023）的研究發現相當清楚：AI 非常擅長處理——

• 描述性（descriptive）
• 可見、可命名、可整理的主題

但在以下層次，表現明顯不足：

• 詮釋性（interpretive）
• 與生活經驗、社會位置、權力關係緊密相關的意義建構

舉一個貼近生活、容易理解的情境來說：

AI 可以準確指出，受訪者反覆提到「錢不夠用」。

但它很難自行推進到：
這句「沒錢」，背後其實牽涉到「社會剝奪感、羞愧感、階級位置，以及制度性限制」。

這並不是因為 AI 不夠聰明，而是因為——

詮釋性主題，本來就高度依賴研究者對世界的理解與位置感。

Morgan 的提醒其實非常克制也非常重要：
AI 可以幫你整理「說了什麼」，但「這代表什麼」，仍然需要人來負責。

2. 不是一鍵美顏，而是盲點的相互照見

Hamilton et al.（2023）的研究，提供了一個與直覺不同、但更成熟的視角。

他們的發現不是「AI 會毀掉質化分析」，而是——

AI 和人類研究者，看見的東西不一樣。

在他們的比較分析中：

• 人類編碼員，往往能捕捉到
  • 情緒張力
  • 道德評價
  • 與研究者自身經驗高度共鳴的敘事線索
• 而 AI，反而更容易指出
  • 人類研究者忽略的主題
  • 不符合既有敘事期待的替代性框架（alternative frames）
  • 被研究者以「非主流方式」理解問題的觀點

換句話說——人類會有同理心帶來的洞見，也會有同理心造成的盲點。

Hamilton 並不是把 AI 當成取代人類的分析者，
而是將其定位為一個三角驗證（triangulation）的對照組。

當 AI 的分析結果和你差很多時，問題不一定是 AI 錯了，
而是你作為研究者，可能也被自己的理論框架或經驗位置限制住了。

四、你的研究，正在被悄悄換檔

把 Morgan 與 Hamilton 的發現放在一起，會出現一個清楚的對照：

人類質化分析	AI 輔助分析
保留個案的矛盾與張力	尋找跨個案的普遍模式與共識
對脈絡與例外高度敏感	對重複出現的模式高度敏感
詮釋責任由研究者承擔	決策邏輯隱藏於模型運作中

AI 不是在讓你的研究變膚淺，而是在把分析重心，從「理解差異」，轉向「最佳化共通性」。

這不是對錯問題，而是 ——

你有沒有意識到，自己正在用哪一套邏輯做研究。

你的研究，也因此可能從 —— 魂系遊戲：反覆試錯、理解系統、為選擇負責

悄悄變成—— 放置型手遊：數值累積、自動通關、結果導向

問題不是你能不能通關，而是：
你還記不記得自己為什麼這樣打。

五、請記得，別讓 AI 帶你坐上學術法庭的被告席

試著想像這個場景：

口委看著你的分析結果，問你：「為什麼選這個主題，而不是那一個？」
你不能回答：「因為 AI 給我的主題權重比較高。」

AI 可以是 —

• 初步掃描資料的工具
• 對照用的第二雙眼睛
• 提醒你「該回到資料了」的警鈴

但它永遠不該是那個，替你決定哪些聲音可以被忽略的河蟹機器人。

責任，最後還是會回到你身上

用 AI 跑質化分析，本身不是問題。

真正的問題是：
當分析結果看起來「太順了」，你有沒有停下來問一句 ——
這個順，是我的理解與論述，
還是被美顏過的網美照？

參考文獻

• Hamilton, L., Elliott, D., Quick, A., Smith, S., & Choplin, V. (2023). Exploring the use of AI in Qualitative analysis: A Comparative study of guaranteed income data. International Journal of Qualitative Methods, 22. https://doi.org/10.1177/16094069231201504
• Morgan, D. L. (2023). Exploring the use of artificial intelligence for qualitative data analysis: the case of ChatGPT. International Journal of Qualitative Methods, 22. https://doi.org/10.1177/16094069231211248

推廣組 柯文仁 / 本文搭配 AI 工具進行寫作輔助。