當質性分析過程導入自動化， 研究者的定位在哪裡？
——Computational Grounded Theory 帶來的提醒
在當代社會科學研究中，越來越多研究者開始感受到一種難以忽視的焦慮：
資料正在快速膨脹，但人的閱讀與理解能力，並沒有跟上。
想像你在深夜的辦公室裡，臉龐被螢幕發出的微弱藍光照亮，
眼前是數百萬字的非結構化文本——
可能是橫跨百年的歷史檔案、數萬則社群媒體貼文，
或是堆積如山的訪談逐字稿。
身為質性研究者，你明明想做的是詮釋與理解，
卻困在一種「看得到森林，卻抓不住細節」的窒息感裡。
人工編碼足夠細膩，研究者卻難以承受這樣規模的資料量；
關鍵字搜尋看似有效，卻常常把真正重要的脈絡一起濾掉。
於是，一個問題開始浮現：
當資料量早已超出人類可逐字閱讀的範圍，
質性研究的方法，是否也正在被迫重新調整？
如果你也曾經對這個問題感到疑惑，
那這篇文章，很可能就是寫給你的。
本文所討論的「計算式方法（computational methods）」，
係指的是在研究流程中，
由電腦輔助進行大規模文本比較與模式辨識的分析流程。
這類方法是從早期的統計計算與程式化文本分析，
一路演進至今日結合人工智慧系統的研究工具。
在資料量急遽膨脹的時代，
我們很容易把「有人幫你處理大量資料」，
誤認成「研究判斷已經被完成了」。
Nelson 提出的 Computational Grounded Theory，
正是在破解這個迷思。
它關心的不是如何替質性研究加速，
而是明確劃出一條界線：
哪些研究步驟可以引入計算式分析流程，
哪些責任，始終只能由研究者自己承擔。
你以為 Grounded Theory 是「讓理論自己長出來」
其實，論文開始的每一步，都是你在做選擇
Grounded Theory 常常被誤會成一種很「放手」的方法：
不設假設、讓資料說話、理論自然浮現。
於是，當計算式分析流程產生了分群、關鍵詞或主題結構時，
不少研究者的第一個直覺反應可能是：
「那這一群，大概就是某個理論概念了吧？」
本圖使用 Memes.tw 梗圖產生器製作 https://memes.tw/maker/template/2500
pattern 的確被辨識出來了，
但它是不是一個「概念」，
是否值得被命名、被比較、被推論成為理論，
從來不是資料自己能回答的問題。
Grounded Theory 從來不是「沒有判斷」，
而是延後理論承諾，但不放棄判斷責任。
這一點，正是許多研究者在第一次引入計算式方法時，
最容易錯置的地方。
計算式方法很擅長辨識 pattern－但 pattern 不等於理論
在《名偵探柯南》中可以知道，
案發現場從來不缺線索。
證詞、時間軸、物證、監視器畫面，
線索越來越多，但案件不會因此自動破案。
因為真正讓「真相成立」的，
從來不是線索的數量，
而是推理的脈絡與結構。
在質性研究中引入計算式方法時，
人與電腦的角色其實分工得相當清楚：
計算式方法能主動協助研究者探索文本，
提示那些研究者原本未必會注意到的方向，
例如——
哪些語句反覆出現、哪些文本形成穩定模式、
哪些差異值得進一步追問。
但它無法回答一個核心問題：
為什麼是這個 pattern 成立，而不是那一個？
Computational Grounded Theory 在此劃出明確界線：
Pattern Detection 這個階段，
可以大量仰賴計算式分析流程；
而理論解釋的責任，則必須由研究者親自承擔。
如果你直接把 pattern 視為理論本身，
那你做的不是紮根理論，而只是分類。
真正困難的不是 coding
什麼時候決定「開始解釋」是你最大的考驗，
許多人以為，質性研究最花力氣的地方在 coding。
但實際上，coding 比較像是把所有素材剪下來。
真正困難的，是剪接。
你什麼時候決定：
這一段資料值得留下來繼續比較？
那一段雖然有趣，但必須放手？
這個時刻，不是技術問題，而是研究判斷。
在 Computational Grounded Theory 的框架中，
這正是 Pattern Refinement 所在的位置。
計算式方法可以幫助研究者延後這個決定，
避免太早被少量資料說服；
但它永遠不能替你做出這個決定。
如果你過早開始解釋，你可能只是把偏見包裝成理論；
如果你遲遲不敢解釋，你只是在累積更多素材。
紮根理論真正困難的地方，
從來不在資料量，而在於你是否準備好為解釋負責。
Computational Grounded Theory 真正在做的事
不是「讓理論自動生成」，而是讓理論經得起驗證
Computational Grounded Theory 並不是要讓理論自動生成，
而是重新解構研究流程，讓不同階段的責任被清楚分工。
如果一定要用一個比喻來說，
計算式分析流程仍然像一個非常勤快的系統，
主動把各種可能的 pattern 一一放進購物車，
其中甚至包含研究者原本沒有預期的方向。
但真正關鍵的，不只是什麼時候「結帳」，
而是——
你是否願意驗貨。
在 Computational Grounded Theory 中，
這個階段被稱為 Pattern Confirmation。
它不是只要研究者點頭確認、
也不是憑直覺「覺得這樣解釋說得通」，
而是要求研究者不能停留在
「看起來好像是這樣」。
你必須回過頭來，
再次運用不同角度的分析與檢驗方式，
確認這個 pattern 是否真的穩固存在，
而不是你的過度詮釋。
換句話說，
這不是單純的「買單」，
而是一個驗證的過程。
- Step 1｜Pattern Detection
計算式方法協助大規模探索與模式提示 - Step 2｜Pattern Refinement
研究者回到資料，進行深度閱讀與理論建構 - Step 3｜Pattern Confirmation
再次引入分析與檢驗，確認理論是否站得住腳
這是把理論的重量，放回研究者必須承擔的位置。
如果你真的要在質性研究中使用計算式方法－
你該升級的不是工具，而是方法意識，
問題從來不是「能不能用」，而是：
- 你是否清楚哪一步是在處理資料？
- 哪一步開始涉及理論承諾？
- 哪些判斷是你自己做的，而不是被分析結果推著走？
Computational Grounded Theory 不提供捷徑，
它提供的是一條護欄，
讓研究者在引入計算式方法時，
不會不小心把研究責任外包出去。
陪你做研究的真心話
質性研究最珍貴的，不是資料，
而是你是否願意讓判斷被看見。
當工具越來越強，質性研究真正稀缺的，
反而不是分析能力，而是方法自覺。
理論不是跑出來的，
而是被選擇、被辯護、被承擔的。
Computational Grounded Theory 想提醒我們的，
不只是「研究者不能把詮釋責任外包出去」，
更重要的是——
這些判斷必須被留下來，
能被回溯、能被理解，甚至能被他人複驗。
當研究者願意把選擇過程攤開，
讓判斷不再只存在於腦中，
而是清楚地嵌入研究流程，
質性研究才真正回應了這個時代的焦慮。
工具可以很強，資料可以很多，
但哪些意義被保留下來，
哪些解釋值得被相信，
始終只能由你來負責。
做研究這條路不輕鬆，但只要你願意替你的方法負責，
人就還在正確的道路上。
研究不輕鬆，圖書館最懂。
參考文獻
Nelson, L. K. (2017). Computational Grounded Theory: a Methodological framework. Sociological Methods & Research, 49(1), 3–42. https://doi.org/10.1177/0049124117729703
推廣組 柯文仁 / 本文搭配ChatGPT進行寫作輔助。