特别声明，本系列翻译节选没有经过原作者D. Soyini Madison教授和Sage Pubilication的允许，

因此仅供学习使用，一切分享和商业行为与本人无关。

数据编码与记录

作为访谈者，你已走过许多路径，聆听了许多故事，而那些亟待解决的问题已逐渐演变为需要解读的厚描叙事。现在是时候暂停脚步了。访谈全部完成后该做什么？此刻你拥有大量信息，却感到有些难以驾驭。或许你记得有人曾提起过"编码与记录"这回事。

编码或记录"能帮助你回忆那些曾冲击你的、异常复杂的刺激范围"（Lofland & Lofland, 1984, p.46）。面对海量信息该如何处理？请记住：每个研究项目和研究者都是独特的，因此你需要筛选、归类、整合对你有用的内容。数据编码与记录就是将田野中积累的主题和类别进行分组的过程。

Glesne（1999）建议，在筛选和归类时，你可以构建她所说的"代码簇"——"将相似的数据片段聚集在一起，形成一个组织框架"（p.135）。以下模型结合了多种编码程序，为你提供一个可按需调整的步骤指南：

1. 初步数据整理

通常从基础分类开始：访谈录音、地点与人物、高频主题或关键议题

你也可以将编码分为：

1.      高阶编码：关注更抽象的概念

2.      低阶编码：处理更具体的数据（Carspecken, 1996）

但在开始前，你必须自问："如何分组或聚类这些材料，才能更清晰地聚焦于我的分析或呈现方式？"

2. 分组的深层意义

分组不仅是将相似类别归并，其选择行为本身就在构建一种观点或陈述：

"带着分析意识编码……主题从编码中浮现，而这些主题将指引你的分析"（Carspecken, 1996, pp.146-153）。

如果你准备将数据改编为舞台呈现，还可以：根据表演场景编码；考虑观众或读者的视角。重点在于：编码不仅关乎相似性归类（尽管这是首要任务），还需考量分析、呈现、读者与观众等可能重塑你"数据簇"的因素。

3. 访谈精度决定编码质量

访谈的精确性与细节将直接影响编码（Carspecken, 1996; Lofland & Lofland, 1984）。保持这种精确性至关重要，这意味着访谈越具体、主题越明确，数据归类与排序就越简单。

4. 数据簇的深化处理

随着数据簇的形成，你需要进一步排序：

1.     检视每个簇内的具体主题

2.     比较与对比簇内的特定主题

3.     持续检视并记录各簇的主题

4.     发现重叠主题、显著差异，以及需要跨簇移动的主题（某些主题可能需完全剔除）

5.     完成簇内主题检视后，进行跨簇比较，从而建立关联与主题网络

6.     此时主题的演进脉络已更加清晰

5. 可视化框架

完成数据记录或编码后（或在过程中需要更清晰方向时），绘制组织框架的图形会很有帮助。你可以选择：树状图\聚类图\方框图\表格等形式。