主题分析：一步一步指南

什么是主题分析？

主题分析是一种定性研究方法，用于识别、分析和解释给定数据集中共享意义（主题）的模式，这些数据可以是访谈、焦点小组讨论、调查或其他文本数据。

主题分析是一种有用的定性研究方法，旨在从定性数据中理解人们的观点、意见、知识、经历或价值观。

这种方法在心理学、社会学和健康科学等多个领域广泛使用。

主题分析不仅对数据集进行最小化的组织和描述，通常还会进一步解释研究主题的各个方面。

主题分析的关键方面包括：

灵活性：它可以适应各种研究的需求，提供数据的丰富而详细的描述。
编码：该过程涉及为特定的数据段分配标签或代码，这些标签或代码捕捉与研究问题相关的一个想法或概念。
主题：代表更高层次的分析，涵盖多个具有共同潜在意义或模式的代码。它们提供了数据的更抽象和解释性的理解。
迭代过程：主题分析是递归的，而不是线性的。研究人员在各个阶段之间来回移动，随着对数据的理解不断进化，不断细化代码和主题。
解释：研究人员解释已识别的主题，讲述一个关于数据的引人入胜且富有洞察力的故事。

类型

许多研究人员错误地将主题分析（TA）视为单一的同质方法。然而，正如布劳恩和克拉克所强调的，TA更准确地被描述为一个“总称”，涵盖了多种不同的方法。

这些方法在程序和关于知识性质及研究者角色的基本哲学方面存在显著差异。

需要注意的是，主题分析的类型并不是互斥的，研究人员可以根据他们的研究问题、目标和认识论立场采用不同方法的元素。

特征

特征	编码可靠性TA	代码手册TA	反思性TA
主题概念化	作为数据的主题总结	通常作为主题总结	作为由中心组织概念支持的共享意义模式
编码过程	使用编码框架或代码手册，可以预先确定或从数据生成，以寻找主题的证据或将数据分配到预定义的主题。理想情况下，两名或更多研究人员独立应用编码框架以避免污染	通常涉及早期主题开发和使用代码手册和结构化编码方法	涉及一个主动的过程，代码从数据分析中发展而来。研究者的主观性塑造了编码和主题发展的过程
基本研究价值观	强调确保数据编码的可靠性和准确性，反映了（后）实证主义研究价值观。优先考虑在编码过程中最小化主观性并最大化客观性	结合了编码可靠性和反思性TA的元素，但定性价值观往往占主导地位。例如，“准确性”或“可靠性”不是编码的主要关注点	强调研究者在知识构建中的作用，并承认其主观性塑造了研究过程和结果
典型应用	常用于高度重视在编码过程中最小化主观性并最大化客观性的研究	常用于应用研究，特别是在信息需求预先确定、截止日期紧迫且研究团队庞大可能包括定性新手的情况下。实用主义关切通常推动其使用	适合探讨复杂的研究问题。常用于承认和重视研究者在知识构建中的积极作用的研究。可用于分析各种数据，包括访谈记录、焦点小组和政策文件
主题发展时间	主题通常在分析过程早期确定或生成，可能在数据分析之前或熟悉数据之后	主题通常在分析过程早期开发	主题在分析过程后期发展，从编码数据中浮现
研究者主观性的作用	最小化研究者的主观性，力求在编码中实现客观性	承认研究者的主观性，尽管使用了结构化的编码方法	将研究者的主观性视为分析过程中的宝贵资源，并认为它不可避免地影响研究结果

1. 编码可靠性主题分析

编码可靠性，经常在美国使用，倾向于实证主义哲学。它优先考虑客观性和可重复性，通常使用预先确定的主题或代码。

编码可靠性TA强调使用编码技术以实现可靠和准确的数据编码，这反映了（后）实证主义研究价值观。

这种做法强调编码过程的可靠性和可重复性。它涉及多名编码员独立使用预先确定的代码手册对数据进行编码。

目标是在编码员之间达到高一致水平，这通常通过使用评分者间可靠性指标来衡量。

这种方法通常涉及事先确定或在熟悉数据后生成的编码框架或代码手册。

在这种类型的TA中，两名或更多研究人员独立应用固定的编码框架对数据进行编码。

一些研究人员甚至建议，一些编码员应不了解研究问题或研究领域，以防止编码过程中的偏见。

统计测试用于评估编码员之间的协议水平或编码的可靠性。研究人员之间的编码差异通过共识解决。

这种方法更适合需要更结构化和可靠编码过程的研究问题，例如内容分析或跨不同数据集比较主题时。

2. 反思性主题分析

布劳恩和克拉克的反思性主题分析是一种定性数据分析方法，强调研究者在知识构建中的积极作用。

它涉及识别数据中的模式，承认研究者的视角如何影响主题的发展，并在整个研究过程中批判性地反思分析过程。

它承认研究者的主观性、理论假设和解释框架影响主题的识别和解释。

在反思性TA中，分析从数据熟悉后的编码开始。与其他TA方法不同，这里没有代码手册或编码框架。相反，研究人员在处理数据时发展代码。

随着理解的加深，代码可以改变以反映新的见解——例如，它们可能会重命名、与其他代码合并、拆分为多个代码或重新划定边界。

如果有多名研究人员参与，编码差异会被探索以增强理解，而不是达成共识。最终的编码始终对新见解和编码开放。

反思性主题分析涉及一个更有机和迭代的编码和主题发展过程。研究者不断反思他们在研究过程中的角色以及他们自己的经验和视角如何影响分析。

这种方法特别适用于探索性研究问题，当研究者旨在提供数据的丰富而细致的解释时。

3. 编码手册主题分析

编码手册TA（如模板、框架和矩阵分析）结合了编码可靠性和反思性元素。

编码手册TA虽然采用结构化的编码方法，如编码可靠性TA中所使用的方法，但通常优先考虑定性研究的价值，如反思性。

在这种方法中，研究人员根据他们与数据的初步接触来开发编码手册。编码手册包含代码列表、定义以及来自数据的示例。

编码手册随后用于系统地对整个数据集进行编码。这种方法允许对数据进行更详细和细致的分析，因为编码手册可以在整个编码过程中不断细化和扩展。

当研究旨在提供对数据集的全面描述时，这种方法特别有用。

在应用研究中，编码手册TA通常出于实用原因被选择，特别是在有预设的信息需求、严格的截止日期和具有不同定性研究经验水平的大型团队的情况下。

在这种背景下使用编码手册有助于映射正在发展的分析，被认为可以提高团队合作、效率和输出交付速度。

为什么编码可靠性不适合反思性TA：

使用编码可靠性措施在反思性TA中试图量化并控制研究方法中的主观性，而该方法明确重视研究者对知识构建的独特贡献。
布劳恩和克拉克认为，这种试图弥合“分歧”的努力最终会削弱反思性TA方法的完整性和丰富性。
强调编码一致性可能会抑制反思性TA鼓励的反思性。

六阶段反思性主题分析

反思性主题分析是由弗吉尼亚·布劳恩和维多利亚·克拉克两位著名的定性研究者开发的。

主题分析的过程以迭代方式在不同阶段之间移动，而不是严格线性进展。

这意味着研究人员可能需要随着对数据理解的演变而重新访问早期阶段，不断细化他们的分析。

例如，在审查和发展主题阶段，研究人员可能意识到他们最初的代码未能有效捕捉数据的细微差别，可能需要返回编码阶段。

这种来回移动在整个分析过程中持续进行，确保对数据的彻底和不断发展的理解。

以下是六个阶段的分解：

熟悉数据：
- 这一初始阶段涉及沉浸在数据中。
- 包括转录音频或视频数据（如果必要）并反复阅读转录稿。
- 目标是全面了解内容，并开始注意到初始模式或有趣特征。
生成初始代码：
- 这一阶段涉及系统地识别和标记与研究问题相关的数据段。
- 代码就像贴在有意义的数据块上的标签，帮助组织和分类信息。
生成初始主题：
- 这一阶段标志着从单个代码向更广泛的含义模式的转变。
- 研究人员开始将似乎聚在一起的代码分组，指示潜在的主题。
- 关键在于认识到主题并不是简单地“从数据中出现”；而是研究者基于对编码数据的解释主动构建的。
审查主题：
- 这一阶段涉及批判性地评估初始主题与编码数据和整个数据集的关系。
- 这是一个质量检查过程，确保主题准确且全面地反映数据。
- 研究人员可能需要根据这一审查过程来细化、丢弃甚至生成新的主题。
精炼、定义和命名主题：
- 这一阶段涉及为每个主题开发清晰简洁的定义，捕捉其范围和边界。
- 研究者的目标是确定每个主题的“本质”，并确保每个主题对整体分析都有独特且有意义的贡献。
- 这一阶段还包括为每个主题开发简洁且富有表现力的名称，传达其核心意义给读者。
撰写报告：
- 最后一个阶段涉及将主题编织在一起，呈现数据的连贯且引人入胜的叙述。
- 撰写报告不应仅仅是描述数据，而应提供深刻的解释，将发现与研究问题联系起来，并将其与现有文献联系起来。

主题分析的连续循环（改编自Braun & Clarke, 2006, 2012）

第一步：熟悉数据

熟悉数据至关重要，因为它有助于研究人员确定可能从数据中浮现的主题类型（和数量）。

熟悉数据涉及通过阅读和重读文本数据项（如访谈转录稿或调查响应）来沉浸在数据中。

你应该至少通读一次整个数据集，可能多次，直到你对其内容非常熟悉。

阅读和重读数据（例如，访谈转录稿、调查响应或其他文本数据）：研究者多次阅读整个数据集，以全面了解数据的广度和深度。这有助于研究者对参与者的经历、观点和数据的整体叙事有一个整体的理解。
听访谈的音频记录：这有助于捕捉语气、强调和情感反应，这些可能在书面转录中不明显。例如，他们可能会注意到参与者在讨论某个特定话题时的犹豫或兴奋。如果你没有亲自收集或转录数据，这是一个重要的步骤。
记下初步的想法和观察：这个阶段的笔记应该是观察性的和随意的，而不是系统的和全面的，因为你还没有开始编码。可以把笔记视为记忆辅助和触发器，以便后续的编码和分析。它们主要是为你自己准备的，尽管可以与研究团队成员分享。
沉浸在数据中以深入理解其内容：这不仅仅是像阅读小说那样吸收表面意义，而是思考数据的意义。

在熟悉数据的步骤结束时，研究者应该对数据的总体内容、参与者讨论的关键问题和经历以及任何初步的模式或主题有很好的把握。

这种对数据的深入了解为后续的主题分析阶段奠定了基础，研究者将在这些阶段系统地编码和分析数据，以识别和解释中心主题。

第二步：生成初始代码

代码是指分配给数据段的简明标签或描述，这些代码捕捉与研究问题相关的一个特定特征或意义。

研究问题和编码

布劳恩和克拉克认为，研究问题应在研究者处理数据时始终处于首位，帮助他们关注相关和有意义的内容。
研究问题不是固定的；它可以在整个分析过程中发展，而且往往应该如此。
布劳恩和克拉克鼓励在反思性主题分析中，研究问题和编码过程之间进行灵活和迭代的互动。
他们提倡一种动态的互动，其中研究问题指导分析，同时保持开放性，根据对数据的深入参与所获得的见解进行调整甚至转型。
通过与数据的密切接触，编码过程可以揭示新的见解、细微差别和探索途径，可能导致对初始研究问题的重新框架或缩小范围。

定性编码的过程帮助研究者组织和减少数据，使其成为易于管理的部分，从而更容易识别与研究问题相关的模式和主题。

这样想： 如果你的分析是一栋房子，那么主题就是墙壁和屋顶，而代码就是单个砖块和瓦片。

编码是一个迭代过程，研究者会随着对数据理解的演变而不断细化和修订他们的代码。

最终目标是开发一个连贯且有意义的编码方案，捕捉参与者经历的丰富性和复杂性，并帮助回答研究问题。

编码可以通过手动（纸质转录和笔或高亮笔）或软件（如使用NVivo、MAXQDA或ATLAS.ti）完成。

定性数据分析软件（如NVivo）可以简化编码过程，帮助你组织数据，并促进模式搜索。

示例： 你可以使用软件直接在数据中对文本段进行标记和分类，而不是手动在便签卡或单独文档上编写代码。这使得在分析后期轻松检索和比较编码片段。

然而，虽然软件可以帮助组织代码和直观表示关系，但研究者仍需负责解释数据、定义主题和做出分析决策。

代码通常附在大小不一的“块”——词语、短语、句子或整段文字上。它们可以是简单的描述性标签，也可以是更复杂的解释性标签（例如，隐喻）。

决定你的编码方法

你将使用基于理论或先前研究的预定义演绎编码框架（并附有示例），还是让代码从数据中浮现（归纳编码）？
一条数据将有一个代码还是多个代码？
你会编码所有内容还是选择性地编码？更广泛的研究问题可能需要更全面地编码。

克拉克提倡不要追求数据饱和，而是追求“理论充分性”。这意味着编码数据直到你有足够的证据来自信且有说服力地支持你的解释和回答你的研究问题。

如果你决定不编码所有内容，至关重要的是：

明确你将编码和不编码的内容的标准。
在研究报告中透明地说明你的选择过程。
保持开放的态度，在分析后期重新审视未编码的数据。

进行第一轮编码

开始识别初步代码，这些代码突出了数据的重要特征，并可能与研究问题相关。

你不需要对每一行或每一个句子都进行编码。你编码的数据段大小可以根据对你研究问题有意义和相关的内容而变化。
浏览数据，并为可能有助于回答研究问题的数据块分配初始代码，即使最初的联系似乎很微弱。
布劳恩和克拉克建议研究人员考虑数据段是否“潜在相关”于研究问题，而不是追求绝对确定性。
创建一个捕捉每个数据块本质的代码名称（一个词或短语）。
保留一个代码手册——列出你的代码及其描述或定义。
保持开放的态度，随时添加、修改或合并代码。
认识到你对数据的理解，以及因此产生的代码，可能会随着你处理数据的过程而演变。

一级编码主要使用这些描述性的、低推断性的代码，这些代码在总结数据段方面非常有用，并为后来的高级编码提供了基础。

生成第一个代码后，比较每个新的数据片段，看现有的代码是否适用，或者是否需要一个新的代码。

避免一开始就试图创建“完美”的代码集。接受编码的迭代性质，根据需要进行细化和调整。

当面对是否编码某个特定数据段的决定时，布劳恩和克拉克倡导在分析的初始阶段采取包容的方法。

编码可以在两个意义层次上进行：

语义代码提供数据的描述性快照，而潜在代码则提供对数据中潜在含义和假设的更深层次的理解。

语义： 这些代码捕捉数据的表面意义或显性内容。它们贴近参与者的意图，反映他们的语言和概念。可以将语义代码视为参与者所说内容的直接表示，研究人员的解释最少。它们提供了数据部分的简洁摘要，贴近内容和参与者的意图。
潜在： 超越参与者的意图，提供对数据的概念性解释。它们通常借鉴现有理论或概念来解释数据，提供对参与者所说内容的更概念性的“解读”。潜在代码要求研究人员深入挖掘表面，根据他们的专业知识和知识进行推理。

使用语义代码还是潜在代码，或者两者的混合，取决于研究问题、具体数据和研究人员的理论取向。

潜在编码比语义编码需要更多的经验和理论知识。

大多数代码将是描述性和概念性的混合。新手编码者最初倾向于生成更多描述性代码，随着经验的积累，逐渐发展出更具概念性的方法。

两种类型的代码在主题分析中都有价值，有助于对定性数据进行更全面和深入的分析。

代码的演变：

反思性主题分析中的编码不是一个线性的、预定的过程；相反，它是一个不断发展的、细化和转化的迭代过程。

布劳恩和克拉克强调，在反思性主题分析中，代码不是静态类别，而是研究人员根据数据中出现的见解积极塑造和重塑的工具。

不要害怕重新审视和调整你的代码——这是深思熟虑的参与，而不是失败的标志。

布劳恩和克拉克指出，代码可能会：

重命名： 随着研究人员对数据的理解加深，他们可能会发现某个代码的初始标签不再准确反映其所捕捉的意义的细微差别。重命名可以更精确和深刻地表示数据。
合并： 初始看似不同的代码在分析过程中可能会揭示重叠或共享的连接，导致它们合并成一个更广泛、更包容的代码。
拆分： 相反，一个初始看似连贯的代码可能会揭示其中的细微差别，促使研究人员将其拆分为两个或更多更集中的代码，反映出对数据更细致的理解。
重新划定边界： 代码的范围和焦点在整个分析过程中也可能发生变化，导致其边界的重新划定，以更好地捕捉出现的模式和见解。

这一步骤结束时：

所有数据已完全编码。
与每个代码相关的数据已整理。

你生成的代码数量取决于你的主题、数据集和编码精度。

步骤3：生成初步主题

生成初步的候选主题是在所有数据初次编码和整理后开始的，结果是生成了一个跨越整个数据集的综合代码列表。

这一步骤涉及从具体的、颗粒状的代码转向更广泛的、更概念性的分析层次。

主题和代码的区别是什么？

代码附属于一段数据（你的“编码块”），这部分数据可能与你的研究问题相关。
主题由代码构建而成，意味着它们更抽象和解释性。
代码捕捉单一想法或观察，而主题则将多个代码整合在一起，形成对数据更广泛、更细致的理解。
可以将代码视为建筑块，而主题则是用这些块构建的结构。

主题是更高层次的分析单元，组织和解释代码，揭示数据中的总体故事和关键见解。重点在于通过识别连接、相似性和总体模式来理解编码数据，以回答研究问题。

将代码整理成潜在主题：

生成初步主题的步骤帮助研究人员从颗粒状的代码级分析转向更概念性的主题级理解。

将代码整理成潜在主题的过程涉及将具有统一特征或代表数据中有意义模式的代码分组。

研究人员寻找代码之间的模式、相似性和连接，以开发能够捕捉数据本质的总体主题。

重要的是要记住，编码是一个有机的、持续的过程。

你可能需要重新阅读整个数据集，看看是否有遗漏的数据与你的主题相关，或者是否需要创建新的代码或主题。

一旦识别出潜在主题，所有与该主题下分组的代码相关的编码数据片段都会被整理。这确保了对每个主题相关数据的全面视图。

研究人员应确保每个主题内的数据片段是连贯和有意义的。

这一步骤有助于确保你的主题准确反映了数据，而不是基于你自己的先入之见。

到这一步结束时，研究人员将拥有一系列候选主题（可能包括子主题）及其相关的数据片段。

然而，这些主题仍然是初步的，将在下一步的主题审查中进行细化。

这个过程类似于雕塑，研究人员将“原始”数据塑造成有意义的分析。这涉及将具有统一特征或代表数据中有意义模式的代码分组：

查看初始代码列表及其相关数据片段（例如，突出显示的引述或访谈记录中的段落）。
寻找似乎具有共同想法或概念的代码。
将相关代码分组，形成潜在主题。
如果使用定性数据分析软件，可以在软件中将编码片段分配给相关主题。
一些代码可能形成主主题，而其他代码可能是子主题，或者不符合任何主题。
如果编码片段似乎适合多个主题，选择与其共享意义最接近的主题。

示例：研究人员会收集所有与“经济障碍和支持”相关的数据片段，如关于支付学费困难、长时间工作或获得奖学金的引述。

希望这段翻译能帮到你！如果有任何需要进一步修改或补充的地方，请告诉我。

主题地图

主题地图可以帮助可视化代码和主题之间的关系。这些视觉辅助工具提供了数据中出现的模式和连接的结构化表示，有助于理解每个主题的意义及其对整体研究问题的贡献。

在确定每个编码摘录所属的主题后，将其复制并粘贴到主题地图或表格中的相关主题下。
包括足够的上下文以确保摘录的意义清晰。

主题地图通常使用框、圆圈、箭头和线条等视觉元素来表示不同的代码和主题，并说明它们如何相互连接。

主题地图通常以层次结构显示主题和子主题，从更广泛的整体主题到更具体、细致的子主题。

来源: Stewart, C., Konstantellou, A., Kassamali, F., McLaughlin, N., Cutinha, D., Bryant-Waugh, R., … & Baudinet, J. (2021). 这是“新常态”吗？COVID-19大流行期间年轻人、家长和临床医生在线进食障碍治疗体验的混合方法研究。Journal of eating disorders, 9(1), 78。

地图可以帮助研究人员可视化不同主题之间的联系和张力，揭示它们如何交汇或分歧，从而对数据有更细致的理解。

类似于主题分析本身的迭代性质，主题地图是流动和适应性的，随着研究人员对数据的深入理解而变化。

地图可以突出主题之间的重叠或某个主题可能过于宽泛或狭窄的区域，促使研究人员相应地调整其分析。

示例：研究第一代大学生时，研究人员可能会注意到“经济挑战”、“兼职工作”和“奖学金”等代码都与更广泛的主题“经济障碍和支持”有关。

关于主题存在的两种主要概念化：

桶状主题（领域总结）：这种方法识别一个预定义的兴趣领域（通常来自访谈问题），并总结所有与此领域相关的数据。
故事书主题（共享意义）：这种方法侧重于识别更广泛的含义模式，讲述关于数据的故事。这些主题不仅限于简单的总结，还涉及研究人员的更高程度的解释。

避免：主题作为领域总结（共享话题或“桶状主题”）

领域总结主题围绕一个共享的话题组织，但不围绕一个共享的意义，通常类似于将数据分类的“桶”。

领域总结围绕一个共享的话题组织数据，但不围绕一个共享的意义。

在这种方法中，主题只是总结参与者关于某个特定话题的提及，而不一定揭示统一的意义。

领域总结将数据摘录围绕一个共同的话题或调查领域进行分组，通常反映访谈问题或预定类别。

重点在于收集与该话题相关的所有相关数据点，无论它们是否具有统一的意义或概念。

虽然对于组织数据可能有用，但领域总结往往停留在描述层面，未能提供数据潜在意义和影响的更深层次见解。

这些主题往往未充分发展，缺乏将所有不同观察结果联系在一起的核心组织概念。

一个强大的主题有一个“核心组织概念”，将该主题内的所有观察和解释联系起来，并超越表面观察，揭示隐含的意义和假设。

主题不应仅仅是一些无关观察的集合。这意味着要超越仅仅描述数据的“表面”，识别塑造数据意义的假设、概念化和意识形态。

至关重要的是避免创建仅仅是数据领域总结或直接反映访谈问题的主题。

示例1：一个名为“同性恋恐惧事件”的主题，如果只是描述各种参与者关于同性恋恐惧的回应，而没有深入解读，则是一个话题总结主题。

示例2：一个名为“单身的好处”的主题，如果只是列出参与者提到的所有单身的积极方面，则是一个领域总结。一个更有洞察力的主题可能会探讨这些好处背后的潜在原因，例如“单身中的独立重新定义”。

提示：将访谈问题用作主题标题而不进行进一步解释，或依赖通用社会功能（如“社会冲突”）或结构性元素（如“经济学”）作为主题，通常表明缺乏共享意义和彻底的主题发展。这样的主题可能与特定数据集缺乏明确的联系。

确保：主题作为共享意义（或“故事书主题”）

Braun 和 Clarke 强调，主题应不仅仅是对数据的简单描述；它应该讲述关于数据的故事。

相反，主题应代表更高层次的解释，捕捉数据的本质，并为研究问题提供有意义的见解。

共享意义主题是由核心组织概念支撑的共享意义模式。

与领域总结不同，共享意义主题不仅仅是识别一个话题。它们围绕一个“核心组织概念”组织，将该主题内的所有观察和解释联系起来。

这个核心组织概念代表了研究人员对连接看似不相关数据点的共享意义的解释。

它们反映了不同数据点之间的共享意义模式，即使这些点来自不同的话题。

强调解释和洞察：共享意义主题要求研究人员超越表面描述，进行更解释性和细致的分析。这包括识别塑造参与者经验和视角的潜在假设、概念化和意识形态。
主题作为解释性故事：Braun 和 Clarke 使用“故事书”的比喻来捕捉共享意义主题的本质。这些主题旨在讲述关于数据的引人入胜且富有洞察力的故事，而不仅仅是重复参与者所说的内容。

示例：主题“‘总有一层不确定性’：大学里的强制异性恋”有效地捕捉了LGBT学生共同经历的恐惧和不确定性，连接了与同性恋恐惧及其对他们生活影响相关的各种代码。

开发共享意义主题的关键考虑因素：

识别“本质”：开发一个强大的共享意义主题涉及识别支持一组代码和数据摘录的“本质”或“核心思想”。这需要提出诸如以下问题：这些观察有什么共同点？表达了什么潜在的假设或信念？这些数据点讲述了关于所研究现象的更大故事是什么？
超越字面意义：共享意义主题通常涉及揭示嵌入在数据中的隐含或潜在意义。这要求研究人员超越参与者话语的字面解释，考虑塑造他们视角的更广泛的社会和文化背景。

第四步：审查主题

研究人员回顾、修改和发展前一步骤中确定的初步主题，将其转化为最终的、发展良好的主题。

这一阶段涉及一个递归过程，将主题与编码的数据摘录和整个数据集进行对比，以确保它们准确反映了数据中明显的意义。

目的是精炼主题，确保它们连贯、一致且独特。

根据Braun 和 Clarke，一个发展良好的主题“捕捉了关于数据与研究问题的重要信息，并在数据集中代表了一定程度的模式化响应或意义”。

希望以上翻译对你有所帮助！如果有任何进一步的问题或需要更多帮助，请随时告诉我。一个发展良好的主题将：

超出对数据的转述，分析所识别模式的意义和重要性。
提供对该主题的详细分析。
有大量相关数据摘录作为支持。
与研究问题相关联。

在此阶段的修订可能涉及创建新主题、改进现有主题或丢弃不符合数据的主题。例如，你可能会意识到两个临时主题实际上重叠显著，并决定将它们合并成一个更加细腻的主题。

一级：根据编码数据摘录审查主题

研究人员首先将其初步候选主题与每个主题相关的编码数据摘录进行比较，以确保它们形成一致的模式。
这一步有助于确定每个主题是否得到数据的支持，以及它是否准确反映了摘录中的意义。确定是否有足够的数据支持每个主题。
查看主题图中主题和子主题之间的关系。考虑这些主题是否能够共同讲述关于数据的一致故事。如果主题图不能有效代表数据，可以考虑调整主题或其组织。
如果某些摘录与主题中的其他数据不匹配良好，考虑它们是否更适合归入另一个主题，或者该主题需要改进。
确保每个主题有一个单一的重点，而不是试图涵盖太多内容。主题应该彼此不同，尽管它们可以建立在彼此之上或相互关联。
如果一个主题缺乏足够的支持数据，或者主题内的数据过于多样且缺乏中心统一概念，则可能需要丢弃该主题或进行调整。这些调整可能包括：
- 丢弃代码：如果某个主题内的某些代码没有得到充分支持或不适合，可以删除。
- 重新定位代码：适合归入不同主题的代码可以移动。
- 重新划定主题边界：可以调整主题的范围，以更好地捕捉相关数据。
- 丢弃主题：如果整个主题不起作用，可以放弃。

二级：根据整个数据集评估主题

一旦主题看起来连贯且得到编码摘录的良好支持，研究人员将继续评估它们与整个数据集的关系。
这涉及对所有数据进行最终审查，以确保主题准确地捕捉到与研究问题相关的整个数据集中最重要和相关模式。
在这一级别，研究人员可能需要为了保持一致性而重新编码一些摘录，特别是如果编码过程发生了显著变化，早期的数据项没有根据这些变化重新编码。

三级：考虑代码、主题和不同层次主题（子主题）之间的关系

一旦你将所有相关数据摘录汇集到每个主题下，审查主题以确保它们有意义且独特。

这一步骤涉及分析不同代码如何组合形成总体主题，并探索主题和子主题之间的层级关系。

在一个主题内，可以有不同的主题层次，通常按主主题和子主题组织。

一些主题可能更突出或总体（主主题），而另一些可能是次要或辅助的（子主题）。

主主题代表在数据中发现的最总体或最重要的模式。它们提供了对数据中关键问题或概念的高层次理解。
子主题本质上是主题内的主题。它们代表了更广泛主题内的进一步细微差别和复杂性，突出了该主题中心组织概念的具体和重要方面。

子主题提供了一种增加主题分析深度和丰富性的方法，但应谨慎和战略性地使用。结构良好的分析可能主要依赖于明确定义的主主题，选择性地使用子主题来突出这些主题内的特别重要的细微差别。

过多的子主题可能会导致分析变得薄且支离破碎，表明分析尚未充分发展以识别将数据联系在一起的总体概念。

需要注意的是，子主题不是反思性TA的必要特征。即使只有两到六个主主题，也可以进行强有力的分析，尤其是在字数有限的情况下。

代码、子主题和主主题之间的关系可以通过主题图、图表或表格来可视化。

该地图帮助研究人员审查和改进主题，确保它们内部一致（同质性）且与其他主题不同（异质性）。

随着继续审查和分析数据，改进主题图。

焦点小组定性数据的主题图。King, D., Zaman, S., Zaman, S. S., Kahlon, G. K., Naik, A., Jessel, A. S., … & Darzi, A. (2015). 用于选择二级医疗保健提供者的患者使用的质量指标：混合方法研究。JMIR mHealth and uHealth, 3(2), e3808.

考虑这些主题如何讲述关于数据的一致故事并解决研究问题。

如果一些主题似乎重叠或未得到数据的充分支持，考虑合并或改进它们。

如果一个主题过于宽泛或多样，考虑将其拆分为单独的主题或子主题。

示例：研究人员可能将“学术挑战”和“社会适应”识别为主要主题，其中“学术挑战”下的子主题包括“冒充者综合症”和“平衡工作和学习”。然后，他们将考虑这些主题如何相互关联并有助于对第一代大学生经历的整体理解。

最终问题：

这个临时主题是否捕捉到了有意义的内容？它是否连贯，具有将数据和代码结合在一起的中心思想？它是否有明确的边界？
我能否确定这个主题的边界？
是否有足够的有意义的数据来证明这个主题？
核心思想周围是否有多种表述，它们是否细腻、复杂且多样？
主题是否感觉丰富？
每个主题内的数据是否过于多样和广泛？
主题是否传达了重要的内容？

第五步：定义和命名主题

当研究人员对主题名称和定义感到满意时，主题即告完成。

如果分析是由单个研究人员进行的，建议寻求外部专家的反馈，以确认主题是否发展良好、清晰、独特且涵盖了所有相关数据。

定义主题意味着确定每个主题的确切含义，并理解它如何有助于理解数据。

这一过程涉及精确地表达我们对每个主题的理解。研究人员应考虑一个主题说明了什么，如果有子主题，它们如何互动和关联，以及主题之间如何相互关联。

主题不应过于宽泛或试图涵盖太多内容，而应具有单一重点。它们应彼此不同且不重复，尽管它们可以建立在彼此之上。

在这个阶段，研究人员指定了每个主题的本质。

主题对我们研究问题的相关性是什么？
它如何融入研究人员想要讲述的“整体故事”？

命名主题涉及开发一个清晰简洁的名称，有效地向读者传达每个主题的本质。一个好的主题名称是信息丰富、简洁且引人注目的。

一个精心设计的主题名称应立即传达主题的中心组织概念，并让读者了解该主题将讲述的故事。
研究人员为每个主题开发简洁、有力且信息丰富的名称，有效地向读者传达其本质。
主题名称应引人注目且富有表现力，让读者立即了解主题的内容。
避免使用单词主题名称或仅标识主题的名称，因为这通常表示域总结而非发展良好的主题。
避免在主题名称中使用行话或过于复杂的语言。
名称应超出简单转述数据摘录的内容，而是解释主题内模式的意义和重要性。
目标是使主题易于目标受众理解和访问。如果主题包含子主题，研究人员还应为每个子主题开发清晰且信息丰富的名称。
主题名称可以包括来自数据的直接引用，这有助于传达主题的意义。然而，研究人员应避免将数据收集问题用作主题名称。使用数据收集问题作为主题往往会导致分析呈现主题的域总结，而不是完全实现的主题。

例如，“‘总有一种不确定性存在’：大学中的强制异性恋”是一个强有力的主题名称，因为它捕捉到了主题的意义。相比之下，“同性恋恐惧事件”是一个较弱的主题名称，因为它只是陈述了主题。

例如，一个标记为“对专家的不信任”的主题，在仔细考虑主题的意义和范围后，可能被重命名为“对权威的不信任”或“阴谋论思维”。

第六步：撰写报告

Braun 和 Clarke 区分了在定性研究中展示分析的两种不同方法：“确立差距模型”和“论证模型”（第120页）。

建立差距模型：

该模型基于这样一个前提：由于在特定领域研究有限或当前研究存在不足，知识差距存在。

这种方法将研究的目的框定为填补这些已识别的差距。Braun和Clarke批评这一模型反映了实证主义-经验主义的研究观，即将研究视为追求确定性真理的过程，他们认为这与定性研究的性质不一致。

他们建议，这种方法更符合寻求揭示客观真理的定量视角。

论证模型：

Braun和Clarke倡导“论证模型”，特别是在定性研究的背景下。

该模型将研究的理由置于现有知识和理论框架之内。

与其努力挖掘单一真理，这种方法旨在通过提供一个有充分支持、基于上下文且具有说服力的观点，来贡献对主题的全面和细致的理解。

这种方法可能消除了在数据分析前进行文献回顾的需要，允许研究结果引导相关文献的探索。

主题分析的方法部分

精心设计的方法部分不仅限于对六个阶段的表面总结。

它提供了清晰而全面的分析过程描述，使读者能够追踪研究人员的思维过程，评估研究结果的可信度，并理解方法选择背后的理由。

这种透明性对于确保主题分析作为定性研究方法的严谨性和有效性至关重要。

1. 主题方法的描述：

方法部分应明确说明所采用的主题分析类型及其具体版本（例如，反思性主题分析、代码书主题分析）。

还应解释选择此特定方法与研究问题的关系。

例如，如果研究重点是探索参与者的实际体验，归纳（反思）方法可能更适合。

如果研究问题是基于特定的理论框架，则可能选择演绎（代码书）方法。

2. 数据收集方法和数据集：

清楚地描述用于收集数据的方法（例如，访谈、焦点小组、调查、文件）。

指定数据集的大小（例如，访谈次数、焦点小组数量或文件数量）以及参与者或文本的特征。

3. 反思性和透明性：

Braun和Clarke警告不要仅仅列出主题分析的六个阶段，因为将这些阶段呈现为一系列步骤意味着主题分析是一个线性和客观的过程，可以与研究者的影响分离。

它应展示对反思性和透明性原则的理解。

通过拥抱反思性和透明性，使用主题分析的研究人员可以摆脱简单的“食谱”式方法，承认定性研究的迭代性和解释性。

反思性涉及承认并批判性地检查研究者的主观性如何影响研究过程。

它要求反思个人经历、信念和假设如何影响数据的解释和主题的发展。

例如，研究歧视经历的研究人员可能会反思自己的社会身份和偏见经历如何影响他们对数据的理解。

透明性涉及在整个研究过程中清楚记录所做的决定。

这包括解释编码选择、主题发展以及选择数据摘录以说明主题的理由。

例如，研究者可能会讨论选择特定数据摘录的过程，或者他们的初始解释如何随着时间的推移而演变。

透明性使读者能够理解研究结果是如何生成的，并评估研究的可信度。

研究者可以详细说明他们如何从初始代码过渡到更广泛的主题，包括如何解决代码之间的差异或将其合并为总体类别。

虽然透明性要求详细和严谨，但不应以牺牲清晰性和可读性为代价。

Braun和Clarke鼓励研究人员用清晰、引人入胜的风格写作，使研究过程和结果易于广大受众理解，包括那些可能不熟悉定性研究方法的人。

描述主题

主题分析报告应提供一个关于数据的令人信服且清晰的故事，该故事位于学术领域内。

应在叙述和数据展示之间取得平衡，确保报告能够令人信服地解释数据的意义，而不仅仅是总结数据。

为了实现这一点，报告应包括生动、引人注目的数据摘录，以说明主题，并结合来自不同数据源的摘录，以展示主题的普遍性并加强分析，代表数据中的各种观点。

报告应以第一人称主动语态撰写，除非报告要求中另有规定。

分析可以以两种方式呈现：

整合的结果和讨论部分： 当分析与现有研究有强烈联系，且分析更具理论性或解释性时，这种方法适用。
独立的讨论部分： 这种方法将数据解释与结果分开呈现。

无论采用哪种呈现风格，研究人员都应旨在“展示”数据揭示的内容，并“告诉”读者其意义，以创建一个令人信服的分析。

主题呈现顺序： 考虑如何在报告中最佳地结构化主题的呈现。这可能涉及按重要性、时间顺序或以讲述连贯故事的方式呈现主题。主题的呈现顺序应逻辑清晰、有意义，为读者创造一个清晰的故事线。
小标题： 使用小标题明确区分每个主题及其子主题，使报告易于导航和理解。

技巧

主题应逻辑清晰、意义深远，如有必要，应建立在先前主题的基础上，讲述关于数据的连贯故事。

避免使用“主题浮现”之类的短语，因为它暗示主题是数据中预先存在的实体，等待被发现。这削弱了研究者在解释和构建主题时的积极作用。

主题应由引人注目的数据摘录支持，以说明识别出的模式。

数据摘录作为TA中识别主题的证据。没有它们，分析就变得缺乏依据，可能无法说服读者。

报告应包括生动、引人注目的数据摘录，以清晰地说明正在讨论的主题，并应结合来自不同数据源的摘录，而不是依赖单一来源。

并非所有数据摘录都同样有效。选择能够生动、简洁地说明主题中心组织概念的摘录。

尽管依赖一个来源表达主题的某个方面时很诱人，但使用多个来源可以增强分析，代表数据中的更广泛视角。

如果一个主题的数据摘录太少，会削弱分析，使其显得“单薄且草率”。这可能会使读者对主题在数据中的有效性和普遍性产生怀疑。

分析应超越对参与者话语的简单总结，而是解释数据的意义。

数据摘录不应在未融入分析叙述的情况下呈现。它们应用于说明和支持数据的解释，而不仅仅是重复参与者所说的话。

研究人员应努力在叙述量和数据展示量之间保持平衡。

良好的主题分析在展示数据摘录和提供分析评论之间取得平衡。一个常见的经验法则是目标为50/50的比例。

考察矛盾数据的重要性

一个稳健的主题分析会承认并探索所有范围的数据，包括那些挑战主导模式的数据。

忽略不符合已识别主题的数据是主题分析中的一个重要陷阱。

未能承认和探索矛盾数据可能导致不完整或误导性的分析，可能掩盖有价值的见解。

数据集很少完全一致：人类经验和视角是复杂且常常矛盾的。期望每条数据都能完美地与已识别的主题对齐是不现实的。
矛盾数据可以挑战假设：与新兴主题相矛盾的数据可以挑战研究者的假设和解释，从而导致对数据更细致和深入的理解。
忽略矛盾可能导致过于简单的分析：平滑矛盾或呈现完全统一的数据图片的分析可能缺乏深度，无法捕捉所研究现象的复杂性。
替代解释：矛盾数据可能暗示需要考虑和解决的替代解释或解释。
异常值的价值：不要简单地忽略不符合的数据，而是将其视为潜在有价值的信息。这些异常值可能揭示分析的局限性，突出背景因素的影响，或发现新的研究途径。

拥抱矛盾并探索其潜在意义可以导致更全面和深入的分析。

讨论部分

讨论部分应批判性地参与研究结果，将其与现有知识联系起来，并为所研究的现象提供更深入的理解。

Braun 和 Clarke 强调，讨论部分不应仅仅总结主题，而应编织一个引人入胜且富有洞察力的叙述，将分析与研究问题、现有文献和更广泛的理论讨论联系起来。

虽然每个主题都应有明确的焦点，但讨论还应绘制主题之间的联系，创造一个连贯且相互关联的叙述。

他们提倡一种吸引读者的风格，使读者相信研究结果的有效性，并让他们有一种“那又怎样？”的感觉——对研究的意义和影响有一个清晰的理解。

连接主题并构建叙述：讨论部分应超越简单描述个别主题，探索它们之间的关系和联系。目标是提出一个连贯且细致的叙述，以回答研究问题。
解释研究结果：讨论部分应解释研究结果的意义，以及与研究问题和现有文献的关系。它应超越仅仅总结数据，提供对主题意味着什么、为什么会出现这些主题及其影响的见解。问一些如“那又怎样？”和“这里有什么相关或有用的信息来回答我的问题？”的问题可以帮助你引导数据的解释。
整合文献：讨论部分应将研究结果与相关学术文献联系起来。这可能涉及比较和对比研究结果与先前研究，探讨研究如何支持或挑战现有理论，或在现有知识的背景下讨论研究结果的影响。
理论洞见：对于超出语义层面的分析，讨论部分应探讨从数据中浮现的理论洞见。这可能涉及识别塑造参与者经历或视角的潜在假设、意识形态或权力动态。
方法的批判性反思：反思分析过程中所做的方法选择及其对研究结果的潜在影响。这可能涉及讨论所选主题分析方法的优点和局限性，承认任何潜在偏见，并建议未来的研究方向。

需要避免的潜在陷阱

未能分析数据：主题分析不应仅限于呈现数据摘录而没有分析叙述。研究者必须提供解释，理解数据的意义，并告诉读者它与研究问题的关系。
将数据收集问题作为主题：主题应在整个数据集中识别，而不仅仅是基于数据收集时提出的问题。将数据收集问题作为主题表明缺乏彻底的分析工作来识别模式和意义。
将主题与摘要混淆：主题不仅仅是参与者对某个话题所说内容的摘要。相反，它们代表围绕中心概念组织的丰富且多方面的共享意义模式，由研究者通过深入分析数据生成。好的主题通常揭示数据背后的隐含或潜在意义，而不仅仅是总结明确陈述的内容。
进行薄弱或不令人信服的分析：主题应具有独特性、内部一致性和连贯性，能够捕捉大部分数据或提供具体方面的丰富描述。薄弱的分析可能有重叠的主题，无法充分捕捉数据，或缺乏足够的例子来支持所作的主张。
忽略矛盾数据：平滑矛盾或呈现完全统一的数据图片的分析可能缺乏深度，无法捕捉所研究现象的复杂性。承认并探索不符合已识别主题的数据可以导致更细致的发现。
数据与分析主张不匹配：研究者的解释和分析观点必须与呈现的数据摘录一致。不受数据支持、与数据矛盾或未考虑不同解读或账户变化的主张是有问题的。
理论、研究问题和分析不一致：数据的解释应与所用的理论框架一致。例如，体验框架通常不会对主题的社会建构做出声明。所用的主题分析形式也应与研究问题一致。
忽视澄清假设、目的和过程：一个好的主题分析应阐明其理论假设，说明其实施方式及目的。没有这些关键信息，分析缺乏上下文和透明度，使读者难以评估研究。

减少偏见

Braun 和 Clarke 的主题分析方法，称为“反思性TA”，将研究者的主观性和反思置于研究过程的前沿。

与其追求虚幻的客观性，反思性TA 认识并重视研究者在从数据解释到主题构建过程中发挥的积极作用。

当研究者在主题分析中既反思又透明时，可以增强研究结果的可信度和严谨性。

对潜在偏见的明确承认和对分析过程的详细记录为数据解释提供了更坚实的基础，使研究结果更有可能反映参与者的视角，而不是研究者的偏见。

反思性

反思涉及批判性地检查自己的假设和偏见，在定性研究中确保研究结果的可信度至关重要。

它要求承认研究者的主观性是研究过程固有的，并可能影响数据的收集、分析和解释。

识别和挑战假设：

布劳恩和克拉克认为，研究者的背景、经验、理论承诺和社会地位不可避免地影响他们如何接近和理解数据。

反思性鼓励研究者明确承认他们的先入之见、理论倾向和潜在偏见。

反思性涉及批判性地审视这些个人和专业经历如何影响研究过程，特别是在数据分析和主题发展过程中。

研究者被鼓励在方法论中以及整个分析过程中透明地展示这些影响，从而促进对研究更诚实和细致的描述。

备忘录为研究者提供了一个空间，让他们从数据中抽身，对自己视角和潜在偏见提出深入的问题。

研究者可以问自己：我的背景或信念是否在塑造我对这些数据的解释？我是否忽略了其他解释？我是否将自己的价值观或期望强加给参与者？

通过积极反思这些因素可能如何影响他们对数据的解释，研究者可以采取措施减轻其影响。

这可能包括寻求替代解释、考虑相反证据或与他人讨论他们的解释以获得不同的观点。

反思性作为持续的过程

反思性不是一个一次性活动，而是一个应该贯穿研究所有阶段的持续过程，从最初的设计到最终的撰写。

这包括不断质疑自己的假设、解释和对数据的反应，考虑不同视角，并保持开放的态度，随时准备修订最初的见解。

布劳恩和克拉克提供了一系列研究者可以在分析过程中问自己的深入问题，以鼓励这种反思性。

“我为什么会以这种方式对数据作出反应？”
“我的解释依赖于什么？”
“如果我处于那种情况，我会有什么感受？（这与参与者的感受有何不同或相似之处，为什么会有这种差异？）”

透明度

透明度指的是清晰记录研究过程，包括编码决策、主题发展及其背后的理由。

透明度不仅在于记录做了什么，还在于清楚阐述为何以及如何在整个研究过程中做出具体的分析选择，从研究设计到数据分析。

这种透明度使读者能够理解研究者的视角、决策背后的理由以及对研究结果的潜在影响，最终增强研究的可信度和可靠性。

这种透明度有助于确保研究结果的可信度和严谨性，使其他研究者能够评估结果的可信度并可能复制分析。

布劳恩和克拉克在主题分析中的透明度不仅仅是遵循一套报告指南，而是贯穿整个研究过程的开放、反思和负责的伦理。

通过揭示定性研究的“混乱”并清楚阐述研究者的视角和决策，反思性的主题分析促进了更诚实、可信且最终更具洞察力的定性探究。

记录决策：

透明度要求研究者在整个研究过程中提供清晰详细的分析选择记录。

这包括记录编码决策背后的理由、主题发展的过程以及在研究过程中对分析方法的任何更改。

数据选择和抽样：为什么选择了特定的数据来源？参与者是如何选择的，其纳入/排除标准是什么？
编码策略：代码是如何开发的？编码主要是归纳的、演绎的还是两者的结合？编码过程是否有变化，如果有，是如何变化的？是否使用了任何编码工具或软件？
主题发展：主题是如何识别、细化和命名的？从代码到主题的过程是怎样的？最终的主题结构是如何确定的？

通过使这些决策透明，研究者允许其他人审查他们的工作并评估潜在的偏见。

主题分析中反思性和透明度的实际策略：

保持反思日志：研究者可以在整个研究过程中保持日志，记录他们的想法、假设和潜在偏见。这本日志作为研究者对数据理解演变的记录，可以帮助识别分析中的潜在盲点。
进行团队分析：多研究者的协作分析可以增强反思性，提供不同的视角和数据解释。作为团队讨论编码决策和主题发展可以使研究者相互挑战假设，确保更全面的分析。
清楚阐述分析过程：在报告主题分析的结果时，研究者应详细说明他们的方法，包括编码决策的理由、主题发展的过程以及分析中遇到的任何挑战。这种透明度使读者能够了解确保分析严谨性和可信度所采取的步骤。

优势

灵活性：主题分析是一种灵活的方法，使其适应不同的研究问题和理论框架。它可以应用于各种认识论方法，包括实在论、建构主义和情境主义视角。例如，研究者可以专注于分析整个数据集的意义或深入研究某个特定方面。
易用性：主题分析是一种易于掌握的方法，特别是对于初学定性研究者来说，因为它不需要像话语分析（DA）或会话分析（CA）那样广泛的专业或技术知识。它被认为是一种基础的定性分析方法。
丰富的描述：主题分析有助于对数据进行丰富和详细的描述。它可以提供对数据集中主要主题的全面理解，提供有价值的见解，尤其是在研究不足的领域。
理论自由：主题分析不受任何预设理论框架的限制，允许多样化的应用。这使其区别于扎根理论或解释现象学分析（IPA），后者更紧密地与特定的理论方法联系在一起。

劣势

主观性和解释：主题分析的灵活性虽然是一种优势，但也可能成为劣势。方法的开放性可能导致对同一数据集的多种解释，难以确定要强调的方面。这种潜在的主观性可能会引发对分析可靠性和一致性的担忧。
解释能力有限：与叙事分析或传记方法不同，主题分析可能无法捕捉个体体验的细微差别或单一账户内的矛盾。关注访谈中的模式可能导致忽略独特的个体视角。
过度简化：主题分析可能通过关注共同主题而过度简化复杂现象，可能错过数据中的细微但重要的变化。如果不仔细执行，分析可能呈现一种同质化的数据视图，未能反映完整的视角范围。
缺乏既定的理论框架：主题分析本身并不依赖于预设的理论框架。虽然这允许进行归纳探索，但如果不在相关理论背景下锚定，也可能限制分析的解释能力。缺乏理论基础可能使得出有意义和可推广的结论变得困难。
高级分析的难度：虽然主题分析相对容易启动，但其应用的灵活性可能使其难以建立高级分析的具体指南。研究者可能在分析的后期阶段感到困惑，难以发展出连贯且有洞察力的主题解释。
研究者偏见的可能性：与其他任何定性研究方法一样，主题分析也容易受到研究者偏见的影响。研究者的先入之见和假设可能会影响他们如何编码和解释数据，导致结果偏差。

阅读清单

布劳恩, V., & 克拉克, V. (2006). 心理学中的主题分析. 心理学中的定性研究, 3(2), 77–101.
布劳恩, V., & 克拉克, V. (2013). 成功的定性研究：初学者实用指南. Sage.
布劳恩, V., & 克拉克, V. (2019). 反思反思性主题分析. 体育、锻炼与健康中的定性研究, 11(4), 589–597.
布劳恩, V., & 克拉克, V. (2021). 一概而论？什么是（反思性）主题分析中的质量实践？ 心理学中的定性研究, 18(3), 328–352.
布劳恩, V., & 克拉克, V. (2021). 饱和或不饱和？质疑数据饱和作为主题分析和样本量理由的概念. 体育、锻炼与健康中的定性研究, 13(2), 201–216.
布劳恩, V., & 克拉克, V. (2022). 主题分析的概念和设计思考. 定性心理学, 9(1), 3.
布劳恩, V., & 克拉克, V. (2022b). 主题分析：实用指南. Sage.
布劳恩, V., 克拉克, V., & 海菲尔德, N. (2022). “旅程的起点，而非地图”：妮基·海菲尔德与弗吉尼亚·布劳恩和维多利亚·克拉克关于主题分析的对话. 心理学中的定性研究, 19(2), 424-445.
芬莱, L., & 格夫, B. (编). (2003). 反思性：健康和社会科学研究者的实用指南. 黑威尔科学.
吉布斯, G. R. (2013). 定性分析中的软件使用. 在 U. Flick (编)《Sage定性数据分析手册》(第277–294页). 伦敦: Sage.
麦克劳德, S. (2024年5月17日). 定性数据编码. 简单心理学. /blog_q/sub/qualitative-data-coding_cn
特里, G., & 海菲尔德, N. (2021). 主题分析要点. 美国心理学会.
特雷纳, L. R., & 本顿, A. (2021). 发展技艺：反思性主题分析的反思性账户. 体育、锻炼与健康中的定性研究, 13(5), 705-726.

良好实践示例
Anderson, S., Clarke, V., & Thomas, Z. (2023). 选择的问题：允许、逃避和羞愧在问题性皮肤抓挠中的作用. 心理学与心理治疗：理论、研究与实践, 96(1), 83-100.
Braun, V., Terry, G., Gavey, N., & Fenaughty, J. (2009). ‘风险’与新西兰/毛利地区同性恋和双性恋男性中的性胁迫——关键信息提供者的观点. 文化、健康与性, 11(2), 111-124.
Clarke, V., & Kitzinger, C. (2004). 脱口秀节目中的女同性恋和男同性恋父母：抵制还是同谋于异性恋至上？. 心理学质性研究, 1(3), 195-217.
Hayfield, N., Jones, B., Carter, J., & Jowett, A. (2024). 从异性关系者的视角探讨民事伴侣关系：拥抱平等的新起点. 家庭问题杂志, 45(8), 1925-1948.
Hayfield, N., Moore, H., & Terry, G. (2024). “朋友？支持。伴侣？不太行……”：女性在围绝经期和更年期期间对友谊、家庭和关系的体验. 女权主义与心理学, 09593535241242563.
Lovell, D., Hayfield, N., & Thomas, Z. (2023). “从来没有人问过我，我很感激你问了”：男性对其伴侣女性性疼痛的体验. 性与关系治疗, 1-24.
Wheeler, L., Fragkiadaki, E., Clarke, V., & DiCaccavo, A. (2022). “阳光”、“天使”和“彩虹”：因围产期丧失而丧亲的母亲们所创造的语言. 英国助产士杂志, 30(7), 368-374.

资源

听维多利亚·克拉克在 NEURO_QUAL 播客中谈论理解并应用质性研究中的反思性主题分析 —— 2023年5月

引用来源

本文翻译自以下网站：

simplypsychology.org

使用声明

本文仅供教育和参考用途。如需转载或引用，请注明出处和作者。

如果你有任何问题或建议，请随时联系微信公众号。

聚观点

聚观点