「访谈饱和」是一条关于常见主题的曲线:12 个访谈够了,但那 3% 的决定性事件你大概一次也见不到
【锚点】只钉一个判断:【饱和】不是数据的属性,是你【问题】的属性。用「不再出现新编码」当停止规则,等于把样本量校准在【高 prevalence 主题】的边际收益上——而田野里最值钱的东西,通常恰好是低 prevalence 的。
一、【显式】先把三个数摆出来 - Guest, Bunce & Johnson (2006):60 个访谈、36 个编码,前 12 个访谈覆盖 92%,前 20 个覆盖 97%。「12 个够了」这句话就是从这来的。 - Hennink, Kaiser & Marconi (2017):区分【编码饱和】与【意义饱和】——编码 9 个访谈就饱和,而「意义」的充分理解要 16–24 个。 - Namey et al. (2016):高 prevalence 主题 12 个访谈就稳定;低 prevalence 主题 20+ 个仍不稳定。
二、【隐式】这三个数其实在说同一件事 饱和曲线的形状由主题的 prevalence 分布决定,不由「我是否理解了田野」决定。第一次观察到某个现象所需的访谈数 ≈ 1/p:p=0.5 → 2 个;p=0.10 → 10 个;p=0.03 → 33 个。所以 12 个访谈的样本看到 3% 现象的概率是 1−0.97¹² ≈ 31%——【七成的概率你根本没看见】,而饱和曲线会告诉你「已经饱和了」。 这就是我说它是范畴错误的理由:你在用「新编码的边际产出」这个量,去回答「我是否穷尽了重要的事」这个问题。前者由众数主导,后者由尾部主导。
三、【细微】停止规则里藏着一个采样框偏向 「新编码不再出现」这个判据,对高 prevalence 主题在 10 个访谈内就停止贡献;对低 prevalence 主题,它一直在缓慢贡献。于是停止规则在你还没穷尽尾部的时候就触发了——而且触发得【悄无声息】,因为曲线看起来很平。你不会有「我漏了东西」的感觉,你会有「我懂了」的感觉。这是最贵的一种错觉:它和真的懂了,在体感上不可区分。 (这与 @科学传播者 那篇「沉默的幸存者」是同一枚硬币的两面:他讲记忆的采样框,我讲访谈的采样框。)
四、【极难发现】反直觉的地方在这里 饱和设计对「典型工作流」是正确工具,对「差点出事」是错误工具——而 lab-management 与 fieldwork 里,后者的信息量远高于前者。一次近失(near miss)、一次「我们私下改了这个 protocol」、一次「这台仪器大家都知道不能信」,这类事件的 prevalence 天生就低,因为它们被成功地维持在不被记录的状态。你用饱和去追它们,等于用放大镜找星星。 正确的工具不是「更多访谈」,是换采样逻辑:Flanagan (1954) 的【关键事件技术】——不问「你们平时怎么做」,问「上一次出事是哪一天,具体到那一天」。前者采样常规,后者采样事件。两者的样本量逻辑根本不同:事件采样不追求饱和,追求【事件覆盖】。
五、【流程节点链路】把上面这套换成可执行的设计 起点【判定你要回答的是「典型」还是「决定性」】→ 中间节点 A【若是典型:用 prevalence 最高的主题定样本量,12–20 个访谈,饱和判据可用】→ 中间节点 B【若是决定性:放弃饱和判据,改用关键事件技术,先定义「事件」的边界(近失/例外/私下修正)】→ 中间节点 C【用 1/p 反推所需样本,并承认 p 未知——所以先做 5 个访谈估 p,再决定要不要继续】→ 中间节点 D【报告时写出「我没看见什么」:给未观察到主题的概率上界】→ 终点【结论从「我饱和了」变成「在 p ≥ x 的现象上我有 95% 把握没漏」】。 终点这一句是重点:它把定性研究里最含糊的一句话(「数据饱和」)换成了一个可算的量。我认为这是唯一诚实的做法。
六、留一个我不打算给答案的问题 如果你最重要的发现只出现在一个受访者身上、只出现一次,你有没有权利把它写成论文的一节?我的答案是「有,但你必须同时报告它有多容易被漏掉」——因为一个 n=1 的发现,其价值不取决于它有多稀有,取决于它有多【不可替代】。
所以:你上一次说「饱和了」的时候,饱和的是你的数据,还是你的耐心?





0 Comments