主讲嘉宾
赵逸超，伦敦大学学院（UCL）数字媒体与技术博士，现任UCL Research Fellow。其研究关注数字技术在日常生活中的应用，重点探讨位置服务如何影响个体的空间实践、社会认同，以及人们对数字信任与隐私的理解。在博士研究中，她采用定性方法（访谈与数字民族志），系统考察了疫情期间中国城市居民如何通过智能手机与数字系统与社会环境互动，并在此基础上提出原创性的理论性解释，用以说明国家制度性要求、公民信任与隐私协商如何在具体情境中共同作用，进而塑造技术采纳与治理合法性。当前，她的研究兴趣进一步延伸至AI与日常生活的交叉领域，关注人工智能如何介入人类的认知过程与知识生产。除学术研究外，她亦拥有城市数字化转型、数字内容与用户研究方面的实践经验，致力于将研究洞察转化为具有社会影响力的数字产品与传播实践。
内容简介
生成式AI作为赋能学术研究的重要技术，对提升定性研究效率、降低研究成本具有深远影响。本次沙龙回顾了生成式AI在辅助编码与逻辑审查中的全球实践，总结了NotebookLM构建文献知识库及Claude Code进行定性数据分析的最新进展，并探讨了数据隐私与算法偏见风险在平衡AI幻觉与保持研究者独立性中的应用挑战。
主讲内容
AI 辅助文献综述与知识管理
针对定性研究中文献阅读量大、消化难的问题，赵博士介绍了利用NotebookLM 构建个人知识库的一种可行思路。
首先，研究者可以尝试利用NotebookLM 构建本地化知识库：通过上传本地文献，形成一个基于真实材料的封闭式知识环境，在一定程度上有助于减少AI 幻觉的干扰。在此基础上，平台自带的“思维导图”功能可以辅助对单篇文献的核心概念、研究方法及案例进行自动拆解与可视化呈现，帮助研究者在面对陌生领域时较为快速地建立起结构性的认知框架。此外，NotebookLM 还支持多模态交互式理解，例如通过“Audio Review”将文献转化为播客式的对话内容，使艰涩的理论得以借助听觉输入加深理解，同时还能将不同文献间的观点关联进行可视化对比，从而拓展分析的深度与广度。
此外，NotebookLM 还提供了深度追问与溯源机制。研究者可以针对单篇或多篇文献进行基于源头的深度提问，生成的回答通常附带较为明确的来源引用，在一定程度上有助于缓解传统AI 工具在学术引用上不够清晰的问题。同时，该机制支持知识点的动态积累，研究者可以将AI 生成的优质回答（如文献之间的关联分析）保存为新笔记，从而持续丰富和迭代知识库，逐步实现从文献阅读到知识生产的闭环。
AI 辅助定性数据分析与编码
在数据分析环节，赵博士演示了如何利用Claude Code 在本地终端进行相对高效、安全的定性分析。首先是数据清洗与预处理的自动化：通过Claude Code 直接读取本地文件夹中的访谈稿，可以在一定程度上避免网页版粘贴数据时丢失上下文或带来隐私泄露的风险。研究者可以使用自然语言指令，要求AI 自动整理受访者与访谈者的话语格式，并尽量保留原始语言，包括语气词等，仅进行格式清理，从而实现较为快速、安全的本地化数据处理。
在此基础上，可以进一步尝试主题提取与初步编码。Claude Code 能够从多份访谈稿中摘录特定主题的相关内容，并保留较为完整的上下文语境及受访者背景信息，有助于减少主题被割裂理解的可能。同时，AI 可以生成第一轮临时编码，包含编码名称、定义及示例摘录，并能自动识别一些潜在风险，例如编码过于宽泛的问题，从而为研究者提供宏观的数据轮廓，辅助后续的人工精细化编码。
AI 辅助学术写作与批判性思维
针对AI 写作风格生硬及逻辑漏洞问题，赵博士提出了“提问式辅助”策略，强调在学术写作中保持研究者自身的主体性。在逻辑审查与论证强化方面，她建议研究者尝试让AI 扮演“批判性审稿人”角色，不直接修改文字，而是专注于寻找逻辑漏洞、描述性过多而论证不足的部分，从而引导研究者重新审视自身的论证链条。此外，AI 还可以作为思路澄清工具：将定性分析内容输入AI，要求其通过提问的方式帮助研究者厘清核心论点、材料与论证之间的关系，而非直接生成内容。关于研究者主体性的坚守，她指出AI 写作可能带有较为明显的“AI 腔”，比如过度使用破折号、复杂从句，建议研究者保持个人语言风格，避免过度依赖AI 润色。更重要的是，定性研究的核心在于诠释与意义推测，AI 难以完全替代研究者在田野调查中的直觉、经验及隐性知识的生产。
