用 AI 辅助编码，怎么不丢掉研究者的判断

先划线：什么交给 AI，什么不交

可以交给 AI 的：提出候选编码，把相近的编码归成候选主题，按语义（而不只是关键词）找出相关引文。这些都是「给你一个起点」。
必须留给研究者的：一段话到底算不算某个编码，一个主题成不成立，证据够不够下结论。这些是解释，而解释就是质性研究本身。

许多研究者对 AI 编码的不安是有道理的。一个可用的做法是把 AI 当成「建议」，而不是「代替」。

让每条建议经过你的裁决

Liminon 的做法是：AI 的每条建议，不管是一个编码、一组主题还是一条相关引文，都处于待定状态，你接受后才进入项目。接受、拒绝和修改都会写进审计记录，可以导出；方法报告里会写出 AI 建议的接受和拒绝比例，以及编码本的演变。这样，写方法章节、回答伦理委员会或审稿人「AI 到底做了什么」时，你有记录可查，而不是凭记忆。

一个可以照着走的流程

先自己手工编码一部分逐字稿，建立你对材料和编码本的判断。
再让 AI 在其余部分提议编码，当作初稿看。
逐条接受、拒绝或修改。拒绝的理由值得记一笔，常常能暴露编码本里没写清的边界。
定期回看被接受的建议是否在改变你的编码习惯，如果有，退一步重新核对。
在方法部分如实写：用了什么模型、让它做了什么、你怎么裁决。

在 Mac 上用 Ollama 本机运行

Liminon 的 AI 功能通过免费的 Ollama 在本机运行小模型，数据不出这台电脑。步骤：

安装 Ollama：到 ollama.com/download 下载，或用 brew install ollama。
在终端运行 ollama pull qwen2.5:3b，下载约 2 GB 的模型。
回到 Liminon，点设置提示条上的 Re-check，它会检测 Ollama 是否就绪，应用内有逐步引导。

不想用 AI，可以完全跳过这一步：转写和手动编码不需要它。

用中文材料要先小样本试

目前 Liminon 的 AI 编码建议质量只用英文材料评测过。中文访谈的转写能用，但 AI 建议的质量我们没有评测过，beta 说明里也写明了其他语言的 AI 编码质量不稳定。建议先拿一两份访谈试，把建议当成初稿，不要直接信任。AI 建议本来就设计得偏保守，把它当作起点，而不是答案。

延伸阅读

编码方法见访谈逐字稿怎么编码。英文版的完整论证见 How to use AI in qualitative coding without giving up your judgment。