雪球抽樣：定義、過程與主要範例

滾雪球抽樣（Snowball sampling）透過轉介來尋找研究參與者，就像連鎖反應一樣。對於研究隱藏群體（例如無證移民或罕見疾病患者）來說，這是一種實用且往往不可或缺的方法，因為這些群體並不存在官方的名冊。

我們將解釋其工作原理、各種不同的類型以及使用的具體步驟。本指南還將涵蓋其真正的優勢、重大的局限性，以及研究人員必須解決的關鍵倫理問題，以確保其研究結果具有公信力。

<CTA title="規劃您的抽樣策略" description="透過結構化的提示和學術嚴謹性，設計清晰的研究方法" buttonLabel="免費試用 Jenni" link="https://app.jenni.ai/register" />

什麼是滾雪球抽樣？為什麼要使用它？

滾雪球抽樣的工作原理是邀請您當前的參與者從他們自己的聯絡人中尋找下一批參與者。這是一種連鎖反應。這種方法至關重要，因為某些群體在標準研究方法中實際上是「隱形」的。

通常，根本沒有可供抽樣的完整名冊。這正是研究無證勞工、封閉社群成員或極少數領域的專家時所面臨的現實。

正如在滾雪球抽樣定義與方法論中所解釋的，當傳統方法無法接觸到某個群體時，這便成為一種實用的替代方案。

您從少數初始聯絡人（稱為「種子」）開始。他們推薦其他人，其他人再推薦更多的人。您的樣本量隨著每一輪的轉介而增長，就像雪球滾下山坡時變得越來越大一樣。

您可能還會聽到它被稱為：

• 網絡抽樣 (Network sampling)

• 轉介抽樣 (Referral sampling)

• 連鎖轉介抽樣 (Chain-referral sampling)

您會發現這種技術經常被應用於社會學、心理學和公共衛生等領域，特別是在項目的早期探索階段。

<ProTip title="💡 專家提示：" description="使用多個起點參與者，以減少偏差並提高轉介鏈中的多樣性" />

滾雪球抽樣的流程如何運作

雖然滾雪球抽樣依賴個人網絡，但它並非毫無章法。它有清晰、循序漸進的程序需要遵循，而跳過這些階段是常見的錯誤。

以下是它通常展開的步驟：

步驟 1：尋找您的「種子」。您首先要識別並招募少數符合目標群體特徵的初始參與者，通常為 3 到 5 人。

步驟 2：收集第一波數據。您透過訪談或問卷調查從這些種子那裡收集資訊，作為您更廣泛的數據收集的一部分。至關重要的一點是，您隨後要請每個人向您推薦他們認識且同樣符合研究資格的其他受訪者。

步驟 3：透過轉介擴大樣本。由種子推薦的人成為您的第二波參與者。接著您向他們尋求轉介，從而產生第三波，依此類推。

步驟 4：決定何時停止。您持續這個循環，直到您不再獲得新的、有用的資訊（即達到飽和點），或者達到預先設定的樣本量。正如 Researcher.Life 所言，許多研究在 3 到 4 波之後就會停止，以防止樣本在社會學特徵上變得過於相似。

步驟 5：以正確的方向進行分析。獲得的數據應被解讀為探索性的和具有豐富情境脈絡的。從一開始就要明白，這些結果在統計上並不代表更廣泛的群體。

如欲了解這些步驟及其影響的結構化分析，請參閱循序漸進的滾雪球抽樣流程，其中概述了研究人員在實際研究中如何應用此方法。

真實案例：想像一項針對某個特定利基類型軟體開發人員的研究。研究人員找不到任何人員名錄。

他們從 LinkedIn 上的幾個聯絡人開始，對他們進行了訪談，然後詢問：「您還認識其他從事這類工作的人嗎？」每一個新的聯繫都帶來了另一個新的聯繫。

這突顯了該方法的實質核心：對於某些群體，您是透過信任和個人網絡獲得接觸機會，而不是透過資料庫或隨機抽樣。

<ProTip title="📌 注意：" description="在開始招募之前定義明確的納入和排除標準，以保持一致性" />

您應該了解的滾雪球抽樣類型

滾雪球抽樣並不是只有單一方法。您選擇的類型會改變一切：您找人的速度、您找到的人是誰，以及會悄悄滲入何種偏差。

線性抽樣：直線路徑

在此方法中，您建立的是一條單一的鏈條。A 認識 B，B 認識 C，依此類推。這是一條狹窄且受控的路徑。

• 適用於具有非常特定特質、人數少且難以尋找的群體。

• 您放棄了廣泛的接觸，以換取更深入、更專注的連結。這很有用，但您不會透過這種方式找到很多人。

指數型抽樣：分支樹狀結構

這是大多數人使用的經典版本。一個人推薦了幾個人，每個人又再推薦了幾個人。您的樣本量可以非常快速地呈指數級增長。

• 顯而易見的優點是速度和規模。

• 其重大缺點呢？每個人往往彼此認識。您最終可能只得到一個關係緊密的群聚，而不是一個多元化的群體。它的速度很快，但可能會描繪出一個社群非常狹隘的畫面。

受訪者推動抽樣 (RDS)

公共衛生研究人員經常使用這種更具結構性的方法。它試圖解決偏差的問題。

• 參與者在招募其同儕時能獲得少許獎勵或補貼。

• 研究人員隨後使用數學方法對結果進行加權，試圖對「社交廣泛的人被過度抽樣」這一事實進行修正。包括劍橋大學出版社在內的相關研究表明，RDS 旨在提高對隱藏群體抽樣的準確性，儘管其執行過程更為複雜。

更深入的方法論討論可參見受訪者推動抽樣的統計分析，其中探討了受訪者推動抽樣中的進階統計考量。

<ProTip title="⚠️ 提醒：" description="限制每位參與者的轉介人數，以控制偏差的指數級增長" />

滾雪球抽樣的優勢

這種方法具有明顯且實用的優點，尤其是當您面對的群體不存在於任何官方名冊上時。

它在質性研究中特別有用。如果您不確定您的研究適合質性還是量化方法，像是 質性與量化研究 這樣的資源可以幫助釐清滾雪球抽樣在何處最有效。

接觸不落入常規系統的人群 這是使用它的主要原因。傳統的問卷調查對於隱蔽、具有污名化或單純難以找到的群體來說效果不佳。

• 關於非法藥物使用的研究。

• 涉及無證移民工人的研究。

• 為極其罕見的醫療狀況建立研究世代。如果您找不到寄送地址，正式的邀請就毫無意義。在這種情況下，受信任的轉介是唯一行得通的鑰匙。

成本低且速度快 您不需要昂貴的郵寄名單、廣告預算或複雜的篩選程序。招募系統已內置在社群本身之中。社會關係承擔了大部分繁重的工作，這既節省了資金，也節省了時間。

例如，新東南大學的研究就採用了這種方法，高效地找到了不屬於任何正式協會的專業人士。

專為深度、而非廣度理解而生 滾雪球抽樣與質性工作自然契合。如果您的目標是豐富的訪談、詳細的個案研究，或僅僅是想弄清楚接下來到底要問什麼問題，這種方法都能幫您實現。

它犧牲了統計學上的廣度，以換取您真正理解某人的故事或某個社群的真實狀況所需的深度。

滾雪球抽樣的限制與偏差

儘管這項方法有其高度實用性，但它有一些重大缺陷，可能會削弱您研究結果的公信力。滾雪球抽樣是一種非機率抽樣方法，這意味著它與特定研究典範一致，而非可推論的統計模型。當您擁有抽樣架構時，機率抽樣方法 才是獲得更具代表性結果的標準途徑。

如果您正在探索這一更廣泛的脈絡，研究典範 提供了關於不同方法論如何形塑研究設計的有益背景知識。

每個人都彼此認識 最大的問題在於網絡偏差。人們自然會推薦背景、觀點或社交圈與他們相似的人。您的樣本並不是整個社會的縮影，而是一系列互相重疊的社交群聚。

• 如果從一位倡議者開始，您得到的基本上會是他們相熟的倡議者圈子。

• 如果從一位企業高階主管開始，您得到的基本上會是其他高階主管。您最終研究的是一個單一的網絡，而不是整個目標群體。這種天生的偏差往往是該方法的致命弱點。

您無法推論研究結果 滾雪球抽樣是一種非機率方法。其中沒有隨機選取，因此您不能聲稱您的發現在統計上代表了更廣泛的群體。

您可以識別主題、講述引人入勝的故事並詳細探索經驗，但您不能說「該群體中 X% 的人相信 Y」。數學原理並不支持這樣做。

倫理上的鋼索 要求人們轉介他們的朋友，會立即帶來隱私和同儕壓力的問題。

• 參與者可能會覺得有義務提供姓名，從而冒著損害人際關係的風險。

• 在緊密的群體中，匿名性遭到破壞的隱憂始終存在。在針對敏感話題（例如違法活動或健康方面的社會污名）的研究中，這些都不是小問題，而是可能導致研究中斷的核心倫理挑戰。

<ProTip title="🔒 倫理提示：" description="使用匿名轉介連結，而非直接分享姓名，以保護參與者的隱私" />

滾雪球抽樣 vs 其他抽樣方法

選擇抽樣方法即是折衷與權衡的過程。以下是滾雪球抽樣與關鍵方法的比較。

上表顯示了核心折衷方案。當接觸對象是您的首要難題時，您會使用滾雪球抽樣，同時接受將失去統計強度並面臨重大偏差的事實。當其他方法甚至找不到地址時，它能幫助您跨入大門。

如果您正準備發表基於此方法的研究發現，選擇合適的期刊也至關重要。像選擇學術期刊這樣的指南可以幫助您將您採用的方法與合適的學術發表管道相配對。

有效使用滾雪球抽樣的最佳實踐

要使這種方法發揮作用，您需要一個能夠對抗其先天缺陷的計劃。

從多個地點開始，而不是僅從一個地方 您的第一批聯絡人，即「種子」，決定了一切。如果您只從一個人開始，您只會繪製出他們的社交圈。相反地，要從社群的不同部分尋找多個不同的起跑點。

這一步簡單的操作是克服群聚效應問題、並獲得更多樣化樣本的最佳方式。

知道何時停止 如果沒有計劃，招募過程可能會源源不斷地招募到同質性極高的人。為結束數據收集設定清晰的規則。

• 限制轉介「波」的數量（例如，在 3 到 4 輪後停止）。

• 當新的訪談不再揭示新的資訊（即達到所謂的「飽和」狀態）時，請停止收集。這可以防止您只是在同一個網絡中不斷往深處挖掘。

保持詳細的記錄 為了讓您的研究具有信譽，您必須一絲不苟地記錄整個過程。確切寫下您是如何選擇初始種子的、您完成了多少波轉介、您對一個人可以轉介多少人做出了哪些限制，以及您為何決定停止。

這份記錄並不能修正偏差，但它能讓您的地方性方法保持透明，也讓您的限制一目了然。

將其視為多種工具之一 滾雪球抽樣很少單獨存在，應將其與其他方法結合使用。

• 用它來尋找問卷調查的參與者。

• 將其與立意抽樣結合，刻意尋找缺失的觀點。

• 結合公開的線上招募。採用混合方法有助於在滾雪球抽樣的深度獲取能力與更廣泛、更受控的數據收集之間取得平衡。

滾雪球抽樣：接下來該怎麼做

您可能會發現很難接觸到合適的人群，特別是當您的目標群體不易識別，且每一步都依賴轉介時。這確實讓人感到受限。滾雪球抽樣雖有助於推進研究，但偏差的風險可能會令您的研究結果更難被信任。

<CTA title="撰寫您的地方性方法論章節" description="在結構化指南的引導下，將您的抽樣策略轉化為清晰的學術章節" buttonLabel="免費試用 Jenni" link="https://app.jenni.ai/register" />

關鍵是要對您招募參與者的方式以及何時停止收集數據保持坦誠透明。像 Jenni 這樣的工具可以幫助您以乾淨、結構化的方式撰寫您的地方性方法——請參閱學術論文地方性方法論章節寫作的清晰指南——從而使您的決策對讀者來說合情合理，也讓您的研究顯得更加紮實。