研究方法怎么选?一张从研究问题到方法落地的决策地图(定量/定性/混合)

张薇 · 首席研究员 · 发布 2026-06-25

选研究方法的真正难点不是背定义,而是让方法对齐研究问题。本文给出一条「研究问题→方法选择→正当性论证→落地操作」的可执行决策链路:先厘清方法论/方法/设计三层关系,再用一棵决策树把你引向定量、定性或混合方法,每条分支落到样本量、编码饱和、数据整合等关键操作锚点,并对照国内开题报告与国外 methodology chapter 两种写法。

选研究方法的正确做法是「让方法对齐研究问题」,而不是凑齐文献法、问卷法、案例法一份清单。一句话决策:你想检验假设、找因果、做可推广的测量,就走定量;你想理解现象、建构理论、挖掘意义,就走定性;两者都要、且能互相补位,才用混合方法。判断的钥匙永远是你的研究问题用了什么动词——「是否有差异/多大程度相关」指向定量,「如何/为什么/怎样体验」指向定性。

先分清三层:方法论、方法、研究设计不是一回事

很多人在开题阶段卡住,是因为把三个不同层次的概念混成一团。方法论(methodology)是关于「你凭什么相信这样能得到知识」的立场,涉及你对现象本质和认识方式的假设;方法(methods)是具体的数据收集与分析手段,比如问卷、访谈、t 检验;研究设计(research design)是把方法论和方法连起来的总体方案,规定了在谁身上、何时、按什么顺序收集和分析数据。三者的关系是「立场决定方案,方案决定手段」。理解这层结构,才不会写出「我用了文献研究法、问卷调查法、案例分析法」这种把不同层次硬塞在一起的方法段。

决策树:从你的研究问题出发

下面这棵决策树以研究问题的意图为根节点,顺着分支走,就能定位到方法大类。它不替你做最终判断,但能把「定量定性都沾边、不知道怎么选」的模糊状态收敛成一条明确路径。读每一条时,请把你自己的研究问题代进去念一遍。

1. 你的核心意图是检验某个假设、确认变量间是否存在差异或因果关系、并希望结论可推广到更大群体吗?→ 走定量(实验/调查/相关研究)。
2. 你的核心意图是理解一个现象的过程、意义、机制,或在缺乏成熟理论时建构新理论吗?→ 走定性(深度访谈/案例研究/扎根理论)。
3. 你既需要可推广的测量、又需要解释测量背后的「为什么」,且两套数据能互相补位、而非简单拼接吗?→ 走混合方法,再进一步选 concurrent / sequential / convergent 设计。
4. 如果仍判断不清,回到研究问题的动词:出现「是否、多少、相关、影响」偏定量;出现「如何、为什么、怎样体验、有何意义」偏定性。

定量分支的操作锚点:样本量、对照与统计选择

走定量分支后,真正决定研究能不能站住脚的是三个操作锚点,而不是方法名称本身。第一是样本量与检验效能:在 G*Power 或 PASS 里,你需要先定下效应量(可参考同领域文献或预实验)、显著性水平(常用 0.05)、检验效能(常用 0.8),反推所需样本量,再按预期脱落率(如 15%~20%)上浮。第二是对照与变量控制:实验设计要设清楚对照组、随机化与盲法,观察性研究则要识别并尽量控制混杂变量。第三是统计方法选择:它由变量类型、分组数、是否配对、以及数据分布共同决定,而不是「默认跑 t 检验」。

关于「数据不正态还能不能跑 t 检验」这个高频问题,稳健的处理是:先做正态性检验(如 Shapiro-Wilk)和方差齐性判断,若严重偏离则改用对应的非参数检验或对数据做合理变换;当样本量较大时,均值的抽样分布会趋于正态,t 检验有一定的稳健性,但这不是无视分布的借口。报告时要写清楚你为什么这么选,而不是只贴一个 p 值。

定性分支的操作锚点:编码、理论饱和与信效度

定性分支这两年在国内迅速升温,卡点高度集中在扎根理论的三级编码上。三级编码是一个从原始资料逐步抽象出理论的过程:开放编码(open coding)逐句给资料贴上初始概念标签;主轴编码(axial coding)把相关概念归并成范畴,并梳理范畴之间的关系;选择性编码(selective coding)提炼出能统领全局的核心范畴,串成理论故事线。举例:研究「青年科研人员的职业倦怠」,开放编码可能得到「考核压力大」「论文产出焦虑」等标签,主轴编码把它们归入「制度性压力」范畴,选择性编码最终围绕「资源—期望失衡」这一核心范畴组织理论。

访谈样本量不靠固定数字,而靠理论饱和(theoretical saturation)判断:当新增访谈不再带来新的范畴、属性或关系,只是重复已有信息时,即可认为达到饱和。实践中可以边收集边分析,记录每一轮新出现概念的数量,当连续若干个访谈不再产生新编码时停止。信效度方面,定性研究有自己的一套报告语言:可信度(credibility)、可迁移性(transferability)、可靠性(dependability)与可确认性(confirmability),常配合三角验证、成员检验、审计追踪来支撑。若研究中混入了量表,则用 Cronbach's α(常以 0.7 为可接受门槛)报告内部一致性信度,并交代内容效度与结构效度的依据。

混合方法分支:concurrent / sequential / convergent 怎么选

混合方法的难点不在「同时用了定量和定性」,而在两套数据怎么整合(integration)而非简单并排堆放。选择设计的关键是问自己:定量和定性谁先谁后、谁主谁次、在哪一步对话。下面这张表把三种常见设计的适用场景列清楚,按你的研究目的对号入座即可。

整合不是把两章拼在一起就完事。真正的整合体现在:用一方数据解释另一方(连接)、把质性主题转成可统计的变量(数据转换)、或在同一张联合展示表(joint display)里把量化结果与质性主题并列,让读者看到二者如何对话。开题与正文里都要明确写出「整合发生在哪一步、以什么方式发生」,这是评审判断你是否真懂混合方法的试金石。

国内开题报告 vs 国外 methodology chapter:两种写法对照

同样写方法,国内开题报告与国外 methodology chapter 的重心明显不同,理解这点能避免「按错语境用力」。国内更偏工程化与应付答辩,讲究把方法、流程、工具、可行性交代清楚;国外更偏方法论自觉,核心是 justification——不仅说你用了什么,还要论证为什么选它、对比了哪些备选、暴露了哪些假设与潜在混杂。

关于「导师让我用定量、但课题更适合定性」这类分歧,务实的处理不是硬顶,而是回到研究问题本身:用问题的动词和意图说明哪类方法更对齐,把决策树的逻辑摆给导师看;如果两类需求都真实存在,提出混合方法方案往往是双方都能接受的出口。方法选择是可论证的,把论证做扎实,分歧才有讨论的支点。

可套用的方法论段落骨架

无论中英文语境,一段经得起评审的方法论说明都可以套用同一副骨架。按下面的顺序把每一项填实,就能从「罗列方法」升级到「论证选择」。

1. 重述研究问题与目标,点明它的意图属于检验/理解/兼有(为方法选择埋下逻辑起点)。
2. 声明研究取向与设计:定量/定性/混合,以及具体设计(如解释性顺序混合设计),并一句话说明为何这个设计最契合上述问题。
3. 对比备选并说明取舍:简述另一两种可行方法为何不被采用,展示你的方法意识。
4. 交代数据收集:对象、抽样方式、样本量及其依据(效能分析或理论饱和)、工具与流程。
5. 交代数据分析:具体统计方法或编码方案,以及选择它的条件依据(变量类型/数据分布/分析目的)。
6. 报告质量保障:定量报信度效度与变量控制,定性报可信度与三角验证,混合方法报整合策略。
7. 诚实暴露假设、潜在混杂与局限,并说明已采取的应对(这是 justification 的点睛之笔)。

把这副骨架填满,你的方法段就不再是清单,而是一条从研究问题到落地操作、再到正当性论证的完整链路。评审读到的不是「你做了什么」,而是「你为什么有把握这样做」,这正是区分合格与优秀方法章节的分水岭。

methodology 和 methods 到底有什么区别?

methodology 是关于「凭什么这样能获得可信知识」的整体立场与逻辑,methods 是具体的数据收集与分析手段(如问卷、t 检验)。前者解释为什么,后者描述做什么,research design 则是连接二者的总体方案。

开题报告的研究方法段是不是把文献法、问卷法、案例法都写上?

不是。凑清单是最常见的误区。只写真正服务于你研究问题的方法,并说明每种方法对应解决哪个子问题,把方法与问题对齐,比堆方法名重要得多。

访谈做多少个样本才算够?

定性研究不靠固定数字,而靠理论饱和:当新增访谈不再带来新的范畴或关系、只是重复已有信息时即视为饱和。实践中边收集边分析,连续若干访谈无新编码即可停止。

数据不服从正态分布还能跑 t 检验吗?

先做正态性与方差齐性检验。严重偏离时改用非参数检验(如 Mann-Whitney U)或合理变换数据。大样本下 t 检验有一定稳健性,但应在文中说明判断依据,而非默认套用。

混合方法的 concurrent 和 sequential 怎么选?

看时序与逻辑:想让两类证据同时收集、互相印证选 convergent/concurrent;想先量化再访谈解释「为什么」选解释性顺序设计;想先质性建概念再量化验证选探索性顺序设计。关键是写清整合发生在哪一步。

作者:张薇 —— 信息科学博士,专注于学术信息检索和知识图谱研究,主持多项国家级科研项目。