name	performing-open-coding
description	当用户需要执行扎根理论的开放编码，包括中文质性数据的概念识别、初始编码、持续比较和备忘录撰写时使用此技能。
version	1.1.0
author	socienceAI.com
tags	["grounded-theory","open-coding","concept-identification","initial-coding","qualitative-analysis","planning-with-files"]
compatibility	Claude 3.5 Sonnet and above
metadata	{"domain":"qualitative-research","methodology":"grounded-theory","complexity":"intermediate","integration_type":"analysis_tool","last_updated":"2026-01-23"}
dependencies	["planning-with-files"]
allowed-tools	["python","bash","read_file","write_file"]

开放编码技能 (Performing Open Coding)

Overview

专门用于扎根理论研究的开放编码阶段，对中文质性数据进行系统性的概念识别和初始编码工作。

When to Use This Skill

Use this skill when the user requests:

Initial coding of qualitative data in grounded theory
Concept identification from interview transcripts or other qualitative data
Line-by-line coding of textual data
Initial categorization of phenomena in data
Development of initial theoretical concepts from data
Systematic approach to early-stage qualitative analysis
Chinese qualitative data analysis following grounded theory principles
Need for systematic planning and progress tracking in open coding
Integration with planning-with-files for project management

Quick Start

When a user requests open coding:

Prepare the qualitative data for coding
Identify initial concepts and phenomena
Code data line by line or paragraph by paragraph
Compare concepts across different data segments
Develop initial categories and memo notes

使用时机

当用户提到以下需求时，使用此技能：

"开放编码" 或 "执行开放编码"
"扎根理论编码" 或 "质性数据编码"
"概念识别" 或 "概念提取"
"初始编码" 或 "逐行编码"
"持续比较" 或 "编码比较"
"备忘录撰写" 或 "编码备忘录"
需要分析中文访谈、观察记录或文档资料

脚本调用时机

当需要执行开放编码的不同阶段时，调用对应的脚本：

数据预处理阶段：调用 preprocess_text.py
概念识别阶段：调用 auto_loader.py
持续比较阶段：调用 compare_codes.py
概念聚类阶段：调用 cluster_concepts.py
编码验证阶段：调用 validate_codes.py

统一输入格式

{
  "coding_context": {
    "research_topic": "研究主题",
    "data_source_type": "数据来源类型(访谈/观察/文档)",
    "language": "数据语言",
    "coding_purpose": "编码目的"
  },
  "raw_data": {
    "content": "原始文本内容",
    "segments": [
      {
        "id": "段落ID",
        "text": "段落文本",
        "context": "上下文信息"
      }
    ]
  },
  "coding_parameters": {
    "abstraction_level": "抽象层次",
    "coding_depth": "编码深度",
    "theoretical_focus": "理论关注点"
  },
  "previous_results": {
    "concepts": "之前识别的概念",
    "codes": "之前创建的编码",
    "memos": "之前的备忘录"
  }
}

统一输出格式

{
  "summary": {
    "total_concepts": "识别的概念总数",
    "total_codes": "创建的编码总数",
    "processing_time": "处理时间(秒)",
    "coding_progress": "编码进度"
  },
  "details": {
    "concepts": [
      {
        "id": "概念ID",
        "name": "概念名称(动词开头)",
        "definition": "概念定义",
        "examples": ["示例1", "示例2"],
        "frequency": "出现频率",
        "source_segments": ["来源段落ID列表"]
      }
    ],
    "codes": [
      {
        "id": "编码ID",
        "concept_id": "关联概念ID",
        "segment_id": "来源段落ID",
        "code_text": "编码文本",
        "context": "上下文信息"
      }
    ],
    "relationships": [
      {
        "from_concept": "源概念ID",
        "to_concept": "目标概念ID",
        "relationship_type": "关系类型",
        "strength": "关系强度(0-1)"
      }
    ],
    "statistics": {
      "concept_diversity": "概念多样性",
      "coding_density": "编码密度",
      "intercoder_agreement": "编码者间一致性(可选)"
    }
  },
  "metadata": {
    "timestamp": "时间戳",
    "version": "版本号",
    "skill": "performing-open-coding",
    "processing_stage": "处理阶段"
  }
}

快速开始

工具链（5个脚本）

# 1. 文本预处理
python scripts/preprocess_text.py --input interview.txt --output clean.json

# 2. 快速概念提取
python scripts/auto_loader.py --input interview.txt --output concepts.json

# 3. 持续比较
python scripts/compare_codes.py --input concepts.json --output comparison.json

# 4. 概念聚类（可选）
python scripts/cluster_concepts.py --input concepts.json --output clusters.json

# 5. 编码验证
python scripts/validate_codes.py --input concepts.json --output validation.json

核心流程

第一步：数据预处理

使用预处理工具清洗文本：

python scripts/preprocess_text.py --input raw.txt --output clean.json

关键要点：

中文分词（jieba）
停用词过滤
语义分段

详见：references/theory.md - 预处理原理

第二步：概念识别

使用自动提取工具获得初步概念：

python scripts/auto_loader.py --input raw.txt --output concepts_v1.json

编码原则：

✅ 使用动词开头（"寻求帮助"）
✅ 保持适度抽象（既不过具体也不过抽象）
✅ 提供清晰定义和示例

详见：references/examples.md - 完整编码案例

人工精炼：

改进概念命名
补充清晰定义
添加具体示例

第三步：持续比较

使用比较工具识别重复和关系：

python scripts/compare_codes.py --input concepts.json --output comparison.json

比较维度：

相似度>0.8 → 考虑合并
相似度0.5-0.8 → 建立关联
相似度<0.5 → 独立概念

详见：references/theory.md - 持续比较方法

第四步：编码优化

使用聚类发现模式（可选）：

python scripts/cluster_concepts.py --input concepts.json --output clusters.json

使用验证工具检查质量：

python scripts/validate_codes.py --input concepts.json --output validation.json

质量标准：

命名规范：动词开头，长度适中
定义完整：清晰说明概念内涵
示例充分：至少2个具体例子

详见：references/troubleshooting.md - 常见问题解决

第五步：备忘录撰写

记录编码过程的关键思考：

概念识别的理由
概念间的关系发现
方法反思和改进

详见：writing-grounded-theory-memos 技能

输出格式

所有工具使用统一的三层JSON格式：

{
  "summary": {
    "total_concepts": 20,
    "top_concepts": ["学习", "帮助", "关系"],
    "processing_time": 2.5
  },
  "details": {
    "concepts": [...],
    "statistics": {...}
  },
  "metadata": {
    "timestamp": "2025-12-18T10:30:00",
    "version": "1.0.0"
  }
}

详见：references/examples.md - 完整输出示例

质量检查清单

在完成开放编码后，请检查以下项目：

所有概念命名都使用行动导向的动词开头
每个概念都有清晰的定义和说明
提供了具体且代表性的示例
进行了充分的持续比较分析
撰写了完整的分析备忘录
准确理解了中文语境的特殊含义
保持了编码的一致性和连贯性
概念的抽象层次适当，不过于具体也不过于抽象

常见问题

快速诊断：

概念过多/过少 → 见 references/troubleshooting.md - 问题1、2
抽象层次不当 → 见 references/troubleshooting.md - 问题3
重复编码 → 使用 compare_codes.py 自动识别
命名不规范 → 使用 validate_codes.py 检查

中文特殊性：

关系导向、面子文化、集体主义
详见：references/chinese-context.md

深入学习

理论基础：references/theory.md - 扎根理论流派、核心原则
实践案例：references/examples.md - 完整编码过程
故障排除：references/troubleshooting.md - 问题诊断和解决
中文语境：references/chinese-context.md - 文化和语言特点

完成标志

完成开放编码后，应该产出：

完整的概念编码清单
详细的备忘录记录
概念间关系分析
质量评估报告

开放编码多阶段编码流程集成planning-with-files

阶段1：项目规划与准备

使用planning-with-files初始化项目
创建开放编码任务计划文档
定义编码目标、范围和时间线
确定数据源和编码深度

阶段2：数据预处理

跟踪数据预处理进度
记录数据清洗和分段结果
更新任务完成状态
记录预处理过程中发现的问题

阶段3：概念识别

执行初步概念提取
监控概念识别进度
记录关键概念发现
与任务计划进行对照

阶段4：持续比较

跟踪概念比较过程
记录概念相似性和关联
更新编码阶段状态
整理比较分析结果

阶段5：编码优化与验证

跟踪编码优化过程
记录质量检查结果
监控编码一致性指标
整合优化结果

阶段6：备忘录撰写与总结

整合所有编码结果
生成编码分析报告
记录关键洞察和反思
完成项目总结和复盘

此技能专为中文质性研究设计，提供从数据预处理到概念提取的完整开放编码支持。