ChatGPT 4-Turbo在扎根理论中的应用指南与效能评估：基于盲人玩家访谈的实证研究

本研究针对生成式大语言模型（LLMs）在定性数据分析中的潜力，以盲人玩家访谈为数据集，系统评估了ChatGPT 4-Turbo在扎根理论三阶段编码中的表现。通过对比人工编码与AI编码结果，发现ChatGPT在提升编码效率与多样性方面表现突出，但在深度解读与上下文关联性上存在局限，为人工智能辅助定性研究提供了方法论参考与实践指南。

　　

在人工智能技术席卷学术研究的浪潮中，生成式大语言模型（LLMs）如ChatGPT正逐步改变传统研究范式。然而，这类模型在扎根理论（Grounded Theory）这类需要深度文本解读和理论构建的定性分析方法中表现如何，仍是一个待解的谜题。尤其在中国语境下，缺乏系统性的实证研究来评估其可靠性和适用性。这一空白不仅制约了人工智能在社会科学领域的应用深度，也阻碍了研究效率的实质性提升。

清华大学新闻与传播学院的研究团队针对这一挑战开展了一项创新性研究。他们以中国热门盲人MMORPG游戏《听游江湖》的8名玩家访谈数据为基础，首次系统比较了人工编码（使用NVivo软件辅助）与ChatGPT 4-Turbo编码在扎根理论三阶段——开放编码、轴向编码和选择性编码中的表现差异。这项发表在《Journal of Medical Internet Research》的研究，不仅提供了详实的操作指南，更揭示了AI在定性分析中的优势与局限。

研究采用多方法验证框架：首先通过语义对齐比较274个AI生成编码与289个人工编码的相似度；其次计算κ系数评估编码一致性；最后对轴向编码的类别关系和理论框架构建进行深度对比。关键技术包括：1）分阶段输入策略克服ChatGPT的token限制；2）提示词工程优化（如"请深入挖掘更多编码"）；3）基于40,000字访谈文本的跨方法可靠性检验。

开放编码结果显示，ChatGPT 4-Turbo与人工编码在节点数（274 vs 289）和参考点数（301 vs 333）上无显著差异，但人工编码展现出更强的参考点合并能力。κ系数分布显示，两种方法在句子级编码上存在"几乎完全一致"（0.81-1.00）和"轻微一致"（0.00-0.20）两极分化现象，反映AI对显性内容的捕捉能力与隐性含义解读的不足。

轴向编码阶段，人工编码生成8个主类别（如"游戏行为与过程"、"游戏认知与态度"），ChatGPT则产出7个类别，其中4个高度重叠。值得注意的是，AI创建的"游戏体验"和"游戏消费投入"类别展现出新颖视角，但在子类关联性和层级组织上弱于人工编码。

选择性编码中，人工组确立"游戏动机与影响"为核心类别，ChatGPT则提出"游戏对生活的影响机制"。尽管命名差异，两者构建的理论框架在叙事逻辑上高度吻合，但AI对动机因素的解读缺乏对盲人玩家特殊背景的深度考量。

这项研究的重要发现在于：ChatGPT 4-Turbo将传统需要3周的编码工作压缩至1天完成，显著提升研究效率；其生成的编码多样性有时能揭示人类研究者忽略的模式；但同时也存在"幻觉"现象——如将"游戏排名靠后"误读为"自我评价下降"。这种局限性源于LLMs的预测性本质和训练数据偏差，尤其在处理特殊人群（如盲人玩家）的独特经历时更为明显。

研究团队建议采用"增强型定性研究"模式，即结合AI的规模处理能力与人类的情境理解优势。随着技术发展，未来可能出现整合自动编码功能的定性分析软件，但必须同步解决数据隐私和算法偏见等伦理问题。该研究不仅为社会科学研究者提供了实用的AI应用指南，更对健康研究中脆弱人群的快速访谈分析具有重要启示——在确保人文深度的前提下，人工智能有望帮助研究者更快地将定性发现转化为干预策略和政策建议。