quallmer：R语言生态中AI辅助质性分析的新工具

quallmer是一个R语言开源包，为研究人员提供完整的AI辅助质性分析工具箱，支持基于大语言模型（LLM）的自动编码、跨模型可靠性评估和可审计的研究流程，帮助非编程或机器学习背景的研究者高效开展高质量质性数据分析。

质性研究长期依赖人工编码与主观解释，过程耗时且难以规模化。随着LLM能力提升，学术界探索将AI融入质性分析流程，同时需保持研究严谨性与可审计性。quallmer在此背景下诞生，专为R语言设计，让研究者无需深入编程或ML知识即可利用LLM进行质性分析。

1. 智能编码系统（qlm_code）：基于预定义编码手册自动编码，支持主流LLM（GPT系列/本地开源模型），返回结构化对象确保可复现；
2. 自定义编码手册（qlm_codebook）：创建特定研究的编码方案，支持多种数据类型；
3. 可靠性评估：qlm_compare计算一致性指标，qlm_validate对比人工金标准，qlm_replicate跨模型比较；
4. 审计追踪（qlm_trail）：生成完整记录（模型参数、时间戳、存档等），确保研究可信度。

quallmer构建于R语言生态，与tidyverse深度整合；通过ellmer包实现LLM统一接口（云端API/本地部署）；配套Shiny应用quallmer.app，提供交互式界面（手动编码、AI标注审核、一致性计算），方便非技术背景研究者使用。

适用于：

• 内容分析：大规模文本主题编码；
• 情感分析：快速获取情感倾向分布；
• 多模态研究：图像/PDF文档分析；
• 混合方法研究：AI与人工编码结合提升效率。

使用注意：

• AI编码是辅助而非替代人工判断；
• 不同LLM编码风格有差异，需跨模型验证；
• 敏感数据建议用本地部署模型；
• 编码手册质量直接影响结果，需仔细设计。

quallmer是质性研究方法论现代化的尝试，将LLM能力封装为符合学术规范的工具，提供可审计、验证、复现的流程，树立AI辅助质性研究新标准。适用于社会科学、人文等领域，未来LLM能力提升将让这类工具更重要。