Let's Make AGI Real

第二篇：扎根理论的AI革命——当“涌现”遭遇“预设”

“让理论从数据中涌现，而非强行套用既有框架。”这是扎根理论（Grounded Theory）创始人Barney Glaser和Anselm Strauss在1967年写下的核心箴言。半个多世纪以来，这句话被无数质性研究者奉为圭臬。然而今天，当我们让ChatGPT分析访谈数据时，我们还能说理论是“涌现”的吗？

从芝加哥大学的田野到算法的“田野”

扎根理论诞生于20世纪60年代的美国社会学界。当时，芝加哥学派的研究者们走进街头、医院、工厂，用参与观察和深度访谈的方式研究真实的社会生活。Glaser和Strauss在对临终关怀的研究中发展出一套系统的方法：不预设理论框架，而是在数据中反复比较，逐步抽象，最终让理论“自然而然地”涌现出来。

这个过程就像淘金——在大量的泥沙（原始数据）中，通过反复淘洗（持续比较），最终提炼出黄金（理论）。古人说“水落石出”，扎根理论追求的正是这种“去粗取精、去伪存真”的境界。

然而AI的“田野”是什么？是海量的互联网文本。当我们让ChatGPT分析关于“留守儿童心理健康”的访谈时，它调用的是训练数据中所有与“儿童”“心理”“健康”相关的模式。这些模式来自新闻报道、学术论文、社交媒体，甚至包括虚构故事。它给出的编码，本质上是对既有模式的再现，而非从当前数据的涌现。

三阶段编码：AI能做什么，不能做什么？

扎根理论有一套经典的三阶段编码程序：开放编码（打碎数据，逐行标注）、轴心编码（建立类别间的联系）、选择性编码（提炼核心类别）。AI在每个阶段的表现截然不同。

开放编码是AI的强项。2025年发表于《Journal of Medical Internet Research》的研究显示，ChatGPT在开放编码阶段生成的节点数量（274个）与人工编码（289个）接近，句子层面的一致性高达95%。换句话说，如果任务只是“给每一段话打标签”，AI做得又快又好。

但进入轴心编码，AI就开始“力不从心”了。轴心编码要求研究者在各个类别之间建立有意义的联系，识别因果关系、背景条件、行动策略等。这需要对研究现象的深度理解和理论敏感性。研究发现，AI生成的轴心编码往往停留在表面的逻辑关联，缺乏洞察力。

到了选择性编码——识别能够统摄所有类别的“核心类别”（core category），AI基本“哑火”。因为这一步需要研究者的理论判断和创造性飞跃，而AI没有真正的判断力，只有模式匹配。

这让我想起《庄子》中的“庖丁解牛”。庖丁说他解牛时“以神遇而不以目视”，靠的是对牛的身体结构的深刻理解，而非表面的观察。扎根理论也是如此——核心类别的识别，需要的是那种“神遇”的顿悟，而非AI的“目视”。

“涌现性”遭遇“预设模式”：认识论的根本冲突

扎根理论最核心的哲学承诺是理论的涌现性（emergence）——理论应该从数据中自然而然地生长出来，而非研究者预先带入的（然而却也是研究者后来“洞察”和“发现”的）。Glaser曾尖锐批评某些研究者“forcing”（强行套用）理论框架。

但AI的工作原理恰恰是基于“预设模式”。它的每一次输出，都是基于训练数据中的统计规律。用哲学术语说，AI是演绎的（deductive），而扎根理论要求归纳的（inductive）思维（目前大模型如何从关联关系进化到因果关系，已经有很多研究，但尚未取得突破）。这种认识论上的不兼容，是无法通过改进提示词（prompt）来解决的。

有学者提出，可以让AI扮演“第二编码员”的角色，与人类编码员进行“对话”。这听起来不错，但实践中存在微妙的权力动态：当AI已经提供了一套看似合理的编码方案，人类研究者需要具备足够的负责任态度、独立性和自信心才能推翻重来。尤其对于缺乏经验的研究生，AI的建议很容易变成无形的“理论预设”。

Kathy Charmaz的建构主义扎根理论怎么说？

扎根理论发展到今天，已经形成了多个流派。其中影响最大的是Kathy Charmaz在2006年提出的建构主义扎根理论（Constructivist GT）。与Glaser的经典扎根理论强调“发现”理论不同，Charmaz认为理论是研究者与参与者共同建构的。

从这个视角，表面上看起来似乎给了AI一定的话语空间，但AI的参与也带来了更深层的问题：AI作为非人类的“共同建构者”，它的参与如何改变了知识的性质？Charmaz强调研究者需要对自己的立场保持反思，但AI没有“立场”，它如何反思？当我们说“AI辅助生成的理论”时，这个理论到底是谁的建构？

遗憾的是，Charmaz于2020年去世，未能亲自评论AI时代的扎根理论。但她的核心观点——知识是具身的、情境的、关系性的——暗示了对AI介入的深刻质疑。

给使用AI做扎根理论的实用建议

如果你确实要使用AI辅助扎根理论分析，以下是一些负责任的做法：

• 先手工编码一部分数据

选择3-5份访谈，完全用传统方法编码。这能帮你建立对数据的“感觉”，也为后续评估AI输出质量提供基准。

• 把AI当作“批判性对话者”而非“权威”

AI给出编码后，问自己：这个编码捕捉到了受访者话语背后的意义吗？它是否过于表面？是否有文化偏见？

• 保留完整的分析痕迹

记录你使用的提示词、AI的原始输出、你的修改理由。这不仅是学术诚信的要求，也帮助你保持反思性。

• 轴心编码和选择性编码必须由你主导

可以用AI快速完成开放编码，但建立类别间联系、提炼核心类别，必须是你深度思考的结果。

• 成员检验（member checking）时披露AI的使用

如果你把分析结果返回给受访者核实，应该告诉他们：“我使用了AI辅助初步编码，但所有解释都是我的判断。”这是对参与者的尊重。

延伸思考

• 如果未来AI能够真正“理解”人类的生活世界（比如通过AGI），扎根理论还需要人类研究者吗？
• 你认为Glaser会如何评价AI辅助的扎根理论？Charmaz又会怎么说？
• 有没有可能发展出一种“AI原生”的扎根理论方法论，而非简单地把AI套用到传统框架中？