質性資料主題分析提示詞（Braun & Clarke 六步法：編碼 → 主題 → 命名與界定）
分析訪談、開放題回答、焦點小組記錄時用：按主題分析（thematic analysis）的六個階段分步推進，AI 協助生成編碼、歸納候選主題、畫主題地圖、寫主題定義，並提醒每一步需要研究者回到原始資料核對。
通用大模型 對話模型通用
請協助我對質性資料做主題分析，按照 Braun 與 Clarke 提出的六個階段推進。每完成一個階段先停下，等我確認後再進入下一階段。 研究問題：[研究問題] 資料類型與數量：[資料類型與數量]（如：12 份訪談轉錄 / 300 條問卷開放題） 分析取向：[分析取向]（歸納式：從資料出發 / 演繹式：基於某理論框架 [理論框架名稱]） 本次提供的資料（已匿名化）： [粘貼資料] 六個階段： 1. 熟悉資料：寫出你讀完後的初步印象（5–8 條），以及我應該特別留意的反覆出現的說法。 2. 生成初始編碼：以表格輸出「資料編號 | 原文片段 | 編碼」，編碼要簡潔且能脫離上下文看懂；同一片段可以有多個編碼。 3. 尋找主題：把編碼歸為候選主題和子主題，用縮進列表畫出「主題地圖」，標出暫時無處歸屬的編碼（放入「其他」）。 4. 審查主題：分兩個層次檢查——每個主題內部的編碼是否一致；主題集合整體是否能回答研究問題。指出可能需要合併、拆分或捨棄的主題。 5. 界定與命名主題：每個主題寫 2–4 句定義（它是什麼、不是什麼），起一個能概括核心意思的名稱，並配 2 條代表性原文引文。 6. 撰寫報告：給出結果部分的寫作結構——每個主題一個小節，敘述 + 引文 + 與研究問題的關係。 要求： - 主題是對資料意義模式的概括，而不是訪談問題的簡單彙總（不要出現「關於問題 3 的回答」這種主題）。 - 引文必須一字不改地來自我給的資料，並標註編號。 - 數量詞慎用：可以說「多位受訪者提到」，避免把質性資料寫成百分比統計，除非我要求。
高亮處換成你自己的內容：[研究問題]、[資料類型與數量]、[分析取向]、[理論框架名稱]、[粘貼資料]
ChatGPT Plus 充值
已被複製 0 次
使用說明
怎麼填變量：[分析取向] 二選一：歸納式適合探索性研究，演繹式適合用已有理論框架（如「技術接受模型」）去整理資料，選演繹式時填上 [理論框架名稱]。[粘貼資料] 數量多時分批貼，第 2 階段每批都把前面生成的編碼表一起貼回去，保證編碼一致。
常見問題與調整：
- 主題等於訪談提綱的題目 → 追問：「這些主題只是按問題分類。請從編碼出發，尋找跨問題反覆出現的意義模式。」
- 主題過多（超過 7–8 個）→ 追問：「合併相近主題，最多保留 5 個主題，其餘作為子主題。」
- 研究者反思：Braun 與 Clarke 後來把這一方法稱為「反身性主題分析」，強調研究者本人的解讀角色，AI 生成的編碼只是起點，最終主題需要你反覆回到資料中確認。
合規提醒：資料提交前刪去可識別資訊，並確認符合你的倫理審批；論文方法部分如實說明 AI 的輔助作用。
示例輸出
示例，僅供參考（第 5 階段，研究：大學生對使用 AI 寫作工具的看法）
主題 2：「借力」與「失手」之間的界線感
定義：受訪者普遍在心裏劃了一條界線——用 AI 查資料、改語法算「借力」，讓 AI 寫觀點算「失手」；這條線因課程要求和個人經歷而移動。本主題不包括對學校規定的了解程度（歸入主題 4）。
代表引文：「改句子我覺得沒問題，但觀點要是它想的，那就不是我的作業了。」（S07）
同款作品
用這條提示詞做出來的作品；原作者會因此獲得積分
還沒有同款，來做第一個。
0 條評論
還沒有評論，來搶沙發～