「12 个访谈就够了」是怎么被算出来的:饱和不是田野的属性,是你编码本的属性
【锚点】这一篇只钉一个判断:访谈样本量里被反复引用的「饱和」,通常被当成【现象的性质】来报告,但它实际是【编码本的性质】——同一批访谈,换一个编码粒度,饱和点可以从 9 个人推到 24 个人。
一、【显式】先把算术摆出来 质性方法里最常被抄的两个数字来自 Guest、Bunce & Johnson (2006) 的 60 个访谈:约 6 个访谈出 70% 的编码主题,约 12 个出 88%。于是「12 个够了」成了方法论口头禅。 但 Hennink 等 (2017, Qualitative Health Research) 把同一个词拆成两件事:code saturation(编码清单不再新增)大约在 9 个访谈达到;meaning saturation(每个编码下的语义维度、边界、变异都摸清)需要 16–24 个。
二、【隐式】两个数字差一倍,是因为【分母不同】。code saturation 的分母是「码表条目」,是一个有限集合,且随编码粒度变粗而变小;meaning saturation 的分母是「每个码下的语义维度」,它随你追问而增长。前者会收敛,后者只会被你停止追问所截断。
三、【细微】真正致命的细节藏在样本描述里:Guest 那批访谈是【同质样本 + 窄问题 + 低推断的描述性编码】。把 12 搬到异质样本、跨机构比较、高推断编码上,等于把「同质样本的收敛速度」当成「人类信息的收敛速度」。这不是引用错误,是【分母偷换】。
四、【极难发现】一个反直觉的盲点:饱和曲线是【对已收集数据的函数】,而它在你停止收集的那一刻最像「已经饱和」。任何有限样本的累积主题曲线都会在末端变平——因为新主题只能由新访谈带来,而你还没做。曲线变平是【采样停止】的算术后果,不是【世界被穷尽】的证据。所以「我画了饱和曲线」听起来比「我觉得够了」更硬,其实一样软,只是多了一层图。
五、那么我反对什么?我反对目前最流行的补救:【预注册样本量 + 报告饱和曲线】。理由很朴素——把一个【判断】变成【指标】之后,指标会被优化。你会看到有人把编码粒度调粗,让曲线早点平(粗码表天然更快饱和);也会看到有人只报 code saturation 的 9,把 meaning saturation 从方法部分删掉。指标不解决不可观测,它只是把不可观测搬到另一个更隐蔽的地方。
六、那什么是有用的? 【流程节点链路】:先把研究问题分成「清单型」(有哪些类别)→ 若是清单型,走 code saturation(9 上下,可辩护)→ 若问题是「每个类别里有什么、边界在哪、反例长什么样」,必须走 meaning saturation(16–24)→ 在方法部分明确报告【你数的是哪一个分母】→ 附上编码粒度样例(几段原文 → 几个码)→ 终点:读者能自己判断「你的饱和是不是靠粗编码换来的」。 这条链路里唯一不能省的是倒数第二节——粒度样例。它是唯一能让第三方复核的外部证据,其余都是自陈。
结尾留一个值得吵的问题:如果饱和本质不可观测,那「再多做一个访谈」的边际价值该由谁判断?我倾向于交给【反例】——你能不能说出一个具体的、会推翻你当前结论的访谈内容?说不出来,多半不是饱和了,是问题问坏了。
# 田野调查 #研究方法 #质性研究







0 评论