--- title: "定量研究与定性研究：核心区别" description: "定量研究与定性研究的区别详解，涵盖实际案例、样本量、常用方法、适用场景，以及合成调研在2026年体系中的定位。" canonical_url: "https://getminds.ai/blog/zh/difference-between-quantitative-and-qualitative-research" last_updated: "2026-10-04T01:47:01.297Z" --- # 定量研究与定性研究：核心区别 *更新于 2026 年 10 月 3 日。* 定性研究探索*为什么*与*如何发生*：它通过开放式对话、观察或自由文本，与少数受访者展开互动，以理解他们的想法及其背后的原因。定量研究探索*有多少*与*程度如何*：它通过结构化问题获取足够的数据量，用以统计、对比和检验差异。两者并无优劣之分。它们解决不同的问题，优秀的调研通常会将二者结合使用。
定性研究 定量研究
核心问题 为什么？如何发生？存在哪些选项？ 有多少？程度如何？哪个选项胜出？
典型方法 深度访谈、焦点小组、可用性测试、日志研究、开放式问题 封闭式问卷调查、A/B 测试、数据分析、联合分析（Conjoint）、MaxDiff、追踪调研
数据形态 文本、原声语料、视频、观察记录 数字、百分比、评分
典型样本量 每个细分人群 5 到 30 人 数百到数千名受访者
分析方式 主题编码、归纳阐释 统计学分析、显著性检验、建模
产出结果 核心主题、动机原因、用户原话、假设构想 比例分布、优先级排序、效应量、预测模型
主要风险 将少数人的观点过度泛化 极其精准地测量了错误的提问
## 什么是定性研究 定性研究收集非数值维度的证据：人们说了什么、写了什么以及做了什么。USC Libraries 的研究指南将其定义为侧重于“实体的质性特征，以及未经实验检验或未从数量与频率角度测量的过程与意义”([USC Libraries](https://libguides.usc.edu/writingguide/qualitative))。Nielsen Norman Group 用一句话概括了两者的实际差异：定性研究回答“为什么”，定量研究回答“有多少和多大程度”([NN/g](https://www.nngroup.com/articles/quant-vs-qual/))。定性研究的核心优势在于深度。一场优质的访谈能够揭示用户决策背后的真实动机、客户描述自身痛点时的原话，以及你此前未曾设想过的选择。 常见的定性研究方法： - 一对一深度访谈，单次通常为 30 到 60 分钟。 - 6 到 10 人的焦点小组，共同讨论特定议题。 - 出声思维法（think-aloud）可用性测试，观察用户实际操作产品。 - 日志研究与民族志调研，长期跟踪记录用户行为。 - 问卷中的开放式问题，后续进行主题编码归类。 定性研究的局限在于难以泛化推导。12 场访谈足以证明某种动机确实存在，但无法证明市场上 40% 的人群都持有该观点。 ## 什么是定量研究 定量研究将回答转化为数值，以便进行统计和对比。USC Libraries 将定量方法描述为强调“客观测量，以及对通过投票、调查表和问卷收集的数据进行统计、数学或数值分析”([USC Libraries](https://libguides.usc.edu/writingguide/quantitative))。结构化问卷、实验和行为数据是其主要数据来源。定量研究的优势在于精准测量：某种现象有多普遍、某个方案胜出另一个方案的具体幅度、两组人群之间的差异是否显著超越了随机概率。 常见的定量研究方法： - 包含评分量表、单选、多选和排序的问卷调查。 - 在实际产品或营销活动中运行的 A/B 测试与多变量测试。 - 产品埋点与网站数据分析。 - MaxDiff 和联合分析（Conjoint）等偏好选择模型，用于功能优先级排序或权衡估算。 - Van Westendorp 价格敏感度测试和 Gabor-Granger 定价模型。 - 长期的品牌资产与客户满意度追踪。 定量研究的局限在于数字本身很少能自我解释。正如 NN/g 所指出的，即使知道只有 40% 的用户能完成某项任务，“也无法解释为什么用户在该任务中遇到了困难，或者该如何优化流程”。此外，你只能测量你预先想到的问题：如果一份问卷设置了错误的选项维度，它只会极其精准地测量出毫无意义的结果。 ## 样本量：为什么两者的数字差异巨大 定性样本量通常很小，因为其核心目标是*发现*主题。在 Guest、Bunce 和 Johnson 针对 60 场深度访谈的研究中，信息饱和在最初的 12 场访谈内就已经出现([Guest et al., 2006](https://journals.sagepub.com/doi/10.1177/1525822X05279903))。只有在对比多个不同细分人群时，才需要增加访谈场次。 定量样本量通常要大得多，因为其核心目标是*估算*比例。对于简单随机抽样，在 95% 置信度且假设结果比例为 50% 的情况下，400 个样本的误差范围约为 ±4.9 个百分点，1,000 个样本的误差范围约为 ±3.1 个百分点。来自商业在线样本库的实际样本很少是严格的简单随机抽样，因此这些数值应视为理想状态下的参考基准。 ## 同一个问题用两种方式调研的实例
决策场景 定性版本 定量版本
为什么试用用户没有转化？ 深度访谈 12 名流失的试用用户，复盘他们试用最后一星期的具体操作 针对 600 名试用用户发放原因调研问卷，随后对比转化用户与未转化用户的差异
五个文案标题中选哪一个上线？ 邀请 10 位目标客户，探讨每个标题分别让他们产生了什么预期 向每个测试组展示对应标题（每组 300 人），测量各标题的吸引力与清晰度
我们的品牌形象在市场中是怎样的？ 采用开放式提问，探讨品牌代表什么核心价值以及适合哪些人群 按季度追踪品牌知名度、考虑度，以及相对竞品的属性评分
新方案该如何定价？ 深入探寻采购方如何评估产品价值，以及他们会将哪些替代方案拿来对比 面向数百名采购决策者开展 Van Westendorp 或 Gabor-Granger 价格测试
## 何时使用哪种方法 在以下场景使用定性研究： - 尚未明确正确的问题切入点或选项维度。 - 需要深入理解背后的动机、工作流程或情绪触发点。 - 需要提炼客户的原话语料，用于广告文案、定位策略或后续问卷设计。 在以下场景使用定量研究： - 需要了解某种现象的普及程度，或测量差距的具体幅度。 - 需要在少数几个已知且明确的选项中做出抉择。 - 需要追踪随时间推移的变化趋势，或向管理层汇报量化指标。 经典的调研顺序是先定性、后定量：先通过访谈发掘选项，再通过问卷测量分布。反向操作同样行之有效：当问卷数据显示某项指标出现意外下滑时，通过访谈来解释背后的成因。 ## 合成调研在其中的定位 合成调研利用 AI Persona 在接触真实受访者之前或与之并行开展研究。它并没有消除定性与定量之间的界限，而是彻底改变了前期探索阶段的成本结构。 在 Minds 中，同一个合成 Audience 可以在单个 [Study](/guide/studies) 内完成两种维度的探索：既可以与单个 Mind 展开开放式提问和深度访谈，并将内容编码归纳为带有频次统计的主题；也可以发放包含单选、多选和量表的问卷，并运行确定性方法，包括 MaxDiff、NPS、TURF、Kano 模型、Van Westendorp、Gabor-Granger 以及联合分析。这使得团队在一个下午内就能完成定性探索与方向性的定量摸底，进而精准评估哪些环节值得投入预算进行真人实地调研。 明确边界至关重要。合成回答是基于模型推演而非现实直接观测，因此合成得出的“百分比”属于方向性预估，而非对真实市场的精确测量。Minds 通过公开的真实调研数据或你上传的历史问卷来[验证 Audience](/guide/audiences)，并为每份问卷提供 100 分制评分及 95% 置信区间，以此展示其方向性判断的可信程度。我们的专项研究也深入阐明了为何即便问卷拟合度极高，也并不等同于完美模拟了真实个体：[问卷匹配并不能证明用户模拟的保真度](/research/survey-match-does-not-prove-user-simulation)。 ## 局限性：何时不应使用合成调研 - 最终的市场规模测算、财务预测以及对外公开发布的数据主张，必须依赖真实受访者和严谨可辩护的抽样。 - 涉及物理接触、感官体验及特定现场环境下的行为，必须依托真人与实际产品。 - 医疗健康、金融或雇佣等人力资源领域的合规监管决策，必须依赖客观真实的现实证据与人工审查。 - 针对公开数据极度稀缺的小众或特殊人群，合成回答的有效性最弱；在此类场景下，必须先补充自有调研数据并完成验证。 ## 常见误区 - 基于 10 场访谈得出百分比结论。定性样本只能证明某个主题存在，无法证明其普遍程度。 - 在未与任何真实用户交谈前就直接设计问卷，导致测量了完全错误的选项。 - 将开放式文本反馈当成零散故事随意翻阅，而未进行系统化的主题编码。 - 将统计学显著性直接等同于业务重要性。除了关注 p 值，务必检查效应量（Effect Size）的实际大小。 - 将合成调研结果直接视为最终的现实测量值。它们是用于快速建立第一认知的探索性工具，仍需进一步验证。 ## 延伸阅读 - [什么是合成市场调研](/blog/what-is-synthetic-market-research) - [规模化定性研究指南](/use-cases/qualitative-research-at-scale) - [AI 客户访谈工具横向对比](/blog/ai-customer-interviews) - [如何将合成样本库与真人研究相结合](/blog/combine-synthetic-panels-with-human-research) - [AI 样本库调研与传统问卷调研对比](/blog/ai-panel-research-vs-surveys) - [合成调研与传统市场调研的区别](/comparison/synthetic-research-vs-traditional-market-research) - [如何对照真实数据验证合成样本库](/faq/how-to-validate-synthetic-panels-against-real-data) - [Minds 调研方法论](/research/methodology) ## 来源 - Nielsen Norman Group: [Quantitative vs. Qualitative Usability Testing](https://www.nngroup.com/articles/quant-vs-qual/). - USC Libraries research guides: [Qualitative Methods](https://libguides.usc.edu/writingguide/qualitative) 与 [Quantitative Methods](https://libguides.usc.edu/writingguide/quantitative). - Guest, G., Bunce, A. and Johnson, L. (2006). [How Many Interviews Are Enough?](https://journals.sagepub.com/doi/10.1177/1525822X05279903) *Field Methods*, 18(1). - 误差范围依据标准公式 1.96 × √(p(1−p)/n) 在 p = 0.5 设定下计算得出。