我在研究AI Eval中遇到这些概念,可能在社会科学研究中也有,是我学渣了~总之,我研究出来它的差别是这样:
[向右R] 开放式编码:质性研究(如扎根理论)的初始编码阶段,不预设分类框架,将原始数据(访谈、文本等)拆解为独立概念,再合并相似概念形成初始范畴,核心是“从数据中提炼概念”。
[向右R] 轴向编码:开放式编码后的进阶阶段,通过“因果条件-现象-情境-中介条件-行动策略-结果”的逻辑关系,将初始范畴关联起来,形成有层级、有逻辑的编码框架,核心是“建立范畴间的系统联系”。
举个例子的话,假设我们有一些用户对健身APP使用体验的访谈数据:
1. 开放式编码(提炼初始概念与范畴)
假设原始访谈数据片段:
- “每次找特定训练计划要翻很久,太麻烦了”
- “希望能根据我的健身目标(增肌/减脂)自动推荐计划”
- “APP加载训练视频时经常卡顿,影响锻炼节奏”
- “想看到自己每周的训练时长统计,知道进步多少”
编码过程:
1. 拆解数据为独立概念:「查找计划繁琐」「需目标化推荐」「视频加载卡顿」「需训练数据统计」
2. 合并相似概念为初始范畴:
- 范畴1:功能查找便捷性(包含「查找计划繁琐」)
- 范畴2:个性化推荐需求(包含「需目标化推荐」)
- 范畴3:视频加载稳定性(包含「视频加载卡顿」)
- 范畴4:数据统计功能(包含「需训练数据统计」)
2. 轴向编码(建立范畴间逻辑关联)
以“核心现象-范畴”为中心(如「APP使用体验不佳」),通过“因果条件-现象-情境-行动策略-结果”的逻辑链关联范畴:
- 因果条件:功能设计不合理(对应范畴1:功能查找便捷性)、技术优化不足(对应范畴3:视频加载稳定性)
- 现象:用户使用体验不佳
- 情境:用户在实际健身场景中(如居家训练、健身房使用)
- 中介条件:用户有明确健身目标(对应范畴2:个性化推荐需求)、关注训练效果追踪(对应范畴4:数据统计功能)
- 行动策略:优化功能入口布局、提升视频加载速度、新增目标匹配推荐模块、开发数据统计仪表盘
- 结果:用户使用效率提升、满意度提高,留存率上升
是不是还是有点艰涩难懂?我理解的是,开放性编码就是聚类。但是这些类没有准确属性,可能是根源,可能是结果,可能是表象,有些是手段,而轴向编码要区分属性,用逻辑链串成完整故事。
#ai #eval #测评 #数据标注 #ai测评 #ai工具 #互联网大厂 #模型评测 #人工智能