定量、定性还是混合研究方法？三种范式的选择指南与对比

张薇 · 首席研究员 · 发布 2026-01-15 · 更新 2026-06-25

选择研究方法应由研究问题驱动：探究因果或相关关系用定量，理解主观体验与意义用定性，既要测量效果又要解释过程用混合方法。本文对比三大范式的适用场景、实施步骤与效度信度要求，并给出选择决策清单。

研究方法的选择应由研究问题驱动，而非研究者的偏好：研究问题涉及变量间的因果或相关关系（如「X 是否影响 Y」）时选定量研究；想理解某种现象的深层含义或参与者的主观体验（如「人们如何理解 X」）时选定性研究；既需要测量效果又需要解释过程时选混合方法。研究方法论是连接研究问题与研究结论的桥梁，方法选对了，研究的有效性和可靠性才有保障。

定量、定性、混合方法有什么区别？一张表看懂

三大研究范式在目标、数据类型、典型设计和适用问题上各不相同。下表汇总了它们的核心差异，便于在研究设计阶段快速对照定位。

定量研究方法适合什么场景？

定量研究通过收集和分析数值数据来验证假设，强调客观性、可测量性和可重复性，适合检验变量间的因果或相关关系。常见的定量研究设计包括实验研究（随机对照试验）、准实验研究、调查研究和相关性研究。其中实验研究是因果推断的金标准：通过随机分配被试到实验组和对照组，控制混淆变量的影响，从而得出可信的因果结论。

进行定量研究时，样本量的确定至关重要。样本量过小可能导致统计效力不足，无法检测到真实存在的效应；样本量过大则造成资源浪费。建议在研究设计阶段使用 G*Power 等工具进行统计效力分析（Power Analysis），基于预期效应量、显著性水平和期望的统计效力计算所需样本量，避免「样本不够」或「过度采样」两类常见失误。

定性研究方法适合什么场景？

定性研究通过深入探索参与者的经验、感知和意义建构来回答「如何」和「为什么」的问题，适合理解现象的深层含义。常见的定性研究方法各有侧重：扎根理论（Grounded Theory）适合发展新的理论框架；现象学（Phenomenology）关注个体对特定现象的主观体验；民族志（Ethnography）通过长期沉浸式观察研究特定文化群体；案例研究（Case Study）则深入分析个别案例或事件。

定性研究的数据收集方法主要包括深度访谈、焦点小组讨论、参与式观察和文档分析。在数据分析上，主题分析（Thematic Analysis）是最广泛使用的方法：通过反复阅读数据，识别和编码反复出现的模式，最终提炼出核心主题。NVivo 和 ATLAS.ti 是处理定性数据的常用分析软件，能帮助研究者系统化地管理编码与主题。

混合方法研究怎么设计？三种常见设计

混合方法研究将定量和定性两种方法有机结合，发挥各自优势、弥补各自局限。三种常见设计的区别在于定量与定性部分的先后顺序与组合逻辑，研究者应根据研究目标选择。

• 汇聚设计（Convergent Design）：同时收集和分析定量与定性数据，然后对比整合两套结果，适合从不同角度交叉印证同一问题。
• 解释性序列设计（Explanatory Sequential）：先进行定量研究，再用定性研究解释定量结果，适合定量发现需要进一步「解读为什么」的情形。
• 探索性序列设计（Exploratory Sequential）：先进行定性探索，再用定量研究验证发现，适合先摸清概念结构、再大规模检验的情形。

选择混合方法时需要注意：两种方法之间应有明确的逻辑关系，而非简单拼凑。研究者需要在方法论部分清楚阐述为什么需要混合方法，以及定量和定性部分如何互相补充和验证，否则混合方法会沦为「为混而混」，反而削弱研究的说服力。

如何为自己的研究选对方法？四步决策

研究方法的选择应该由研究问题驱动，而非由研究者的偏好或熟悉程度决定。下面四步可以帮助你系统地完成方法决策，把「研究问题」一步步落到「具体方法」上。

1. 明确研究问题的性质：问题涉及变量间因果或相关关系（X 是否影响 Y）就偏向定量；想理解深层含义或主观体验（人们如何理解 X）就偏向定性；既要测量效果又要理解过程则偏向混合方法。
2. 评估实际约束因素：盘点你能获取的数据类型和规模、可用的时间和资源、以及所在学科的研究传统，确认所选方法在现实条件下可行。
3. 广泛阅读同领域已发表论文：了解该领域常用的研究方法和创新的方法应用，可借助 Scholay 快速检索和比较不同研究中使用的方法论，避免闭门造车。
4. 做小规模预研究（Pilot Study）确认可行：在正式开展前测试研究工具，发现潜在问题并估算所需时间与资源，再据此微调最终方法。

怎样保证研究质量？效度与信度

效度（Validity）和信度（Reliability）是评判研究质量的两大核心指标。效度指研究是否真正测量了它声称要测量的概念，主要包括四种类型：内容效度——测量工具是否覆盖了概念的全部维度；构念效度——操作化指标是否准确反映了抽象概念；内部效度——因果推断是否排除了替代解释；外部效度——研究结论能否推广到其他情境和群体。提高效度需要在研究设计阶段就系统规划，而非事后补救。

信度衡量的是测量结果的一致性和稳定性。常见的信度指标包括重测信度（同一工具不同时间点的结果一致性）、评分者间信度（不同评估者打分的一致性，常用 Cohen's Kappa 或 ICC 衡量）和内部一致性信度（量表各题项之间的相关程度，常用 Cronbach's α 系数，一般要求 ≥ 0.7）。在定性研究中，信度的对应概念是「可信赖性」（Trustworthiness），可通过三角验证、成员核查和审计追踪等策略来增强。

效度和信度之间存在密切联系：一个信度低的测量不可能具有高效度，但高信度不一定意味着高效度——你可以非常一致地测量错误的东西。因此，在设计研究工具时，建议先通过专家评审和预测试确保效度，再通过统计检验评估信度。使用 Scholay 检索相关方法论论文，可以帮助你了解同领域研究者常用的效度和信度评估策略，避免方法论上的常见陷阱。

研究伦理与数据管理：不可忽视的底线

无论采用何种研究方法，研究伦理都是不可忽视的底线。涉及人类被试的研究必须获得伦理委员会（IRB）的审批，确保参与者的知情同意、隐私保护和自愿退出权利。数据安全和存储也越来越受重视，许多期刊已要求作者提交数据管理计划，把伦理合规前置到研究设计阶段而非论文撰写阶段。

数据管理计划（Data Management Plan, DMP）已成为许多基金机构和期刊的强制要求。一份完善的 DMP 应涵盖：数据的类型和格式、收集和处理流程、存储方案和备份策略、访问权限和安全措施、以及数据的长期保存和共享计划。在研究启动之前制定 DMP，不仅能满足合规要求，更能避免研究后期因数据混乱导致的返工和错误。建议使用 DMPTool 等在线工具生成符合资助方要求的标准化数据管理计划。

开放数据运动倡导的 FAIR 原则为数据共享提供了明确框架：可发现（Findable）——数据应有唯一标识符（如 DOI）和丰富的元数据；可访问（Accessible）——数据应存放在公开仓库中，获取协议标准透明；可互操作（Interoperable）——使用通用格式和领域标准词汇表，确保不同系统之间的兼容性；可重用（Reusable）——附带清晰的使用许可证和详细的数据字典，使他人能够理解和复用数据。主流的研究数据仓库包括综合性平台 Zenodo（CERN 维护，免费且支持任意格式）、Figshare（支持可视化预览）和 Dryad（偏向生态和生物数据），以及学科专属仓库如 GenBank（基因序列）、ICPSR（社会科学）等。

定量研究和定性研究最本质的区别是什么？

定量研究收集和分析数值数据来验证假设，回答「是否、多少」这类问题，强调客观与可测量；定性研究探索经验与意义建构，回答「如何、为什么」这类问题，强调深度理解。核心差异在于：定量重检验，定性重探索。

什么时候应该用混合方法研究？

当研究问题既需要测量效果、又需要理解背后过程时，混合方法最合适。例如先用定量发现某个效应，再用定性解释为什么会出现该效应。前提是两种方法之间要有明确的逻辑关系，而非简单拼凑。

定量研究的样本量该如何确定？

建议在研究设计阶段使用 G*Power 等工具做统计效力分析，基于预期效应量、显著性水平和期望的统计效力计算所需样本量。样本过小会导致统计效力不足、漏检真实效应，样本过大则浪费资源。

效度和信度有什么关系？

信度衡量测量的一致性，效度衡量是否测到了想测的概念。两者关系是：信度低不可能有高效度，但高信度不等于高效度——你可以非常一致地测错。建议先靠专家评审与预测试保证效度，再用统计检验评估信度。

选研究方法应该先考虑什么？

应先考虑研究问题的性质，由问题驱动方法选择，而不是凭研究者的偏好或熟悉程度。涉及因果或相关关系用定量，理解主观体验用定性，两者兼需用混合方法，之后再结合数据、时间、资源等约束确认可行性。

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。