文章目录 / 点击展开
AI 最适合减少访谈整理中的机械工作，例如转写清理、候选编码和相似片段归类；它不应替研究员决定用户真正需要什么。可靠的研究输出必须能从洞察回到参与者原话、上下文和样本范围，并保留不符合主流结论的反例。
先确认同意、隐私和数据范围
录音、转写和个人信息在进入任何 AI 工具前，都要确认研究同意范围、组织政策、供应商数据处理条款和保留设置。删除姓名、电话、账号、公司机密和不影响分析的身份线索，为参与者分配匿名编号。
如果材料包含无法脱敏的敏感信息，应使用组织批准的环境或改为本地人工分析。便利不能替代参与者同意和数据保护责任。
第一步：统一访谈记录结构
每份记录保留参与者编号、访谈日期、研究问题、角色背景、原始转写、时间戳、观察备注和研究员反思。区分参与者说的话、研究员的解释和模型生成的摘要，避免后续混在一起。
转写清理只修正明显口误和分段，不要为了“通顺”重写参与者表达。对于听不清的内容标记时间戳和待确认，不要让 AI 猜词。
第二步：从开放编码开始
先选择一小批访谈，由研究员独立标记行为、目标、障碍、触发因素、替代方案和情绪。再让 AI 提出候选编码，并比较哪些与人工编码一致、哪些缺少证据。
请对以下访谈片段做开放编码。
每个编码必须包含原文、参与者编号、时间戳、描述性标签和你的解释。
不要推断未表达的动机；无法判断时标记“不确定”。初期编码应贴近原话，避免过早使用“体验差”“效率低”等抽象结论。
第三步：合并主题但保留差异
将相近编码归为主题时，记录纳入和排除规则。例如“寻找信息困难”可以包含搜索失败和导航迷路，但不一定包含权限不足。每个主题列出支持片段、反例、涉及人数和可能的角色差异。
出现次数只能说明样本中的频率，不代表总体比例。定性研究的价值在于理解原因和机制，不应把小样本次数包装成统计结论。
第四步：把主题写成可验证洞察
洞察应包含场景、行为、原因、影响和证据，而不是“用户希望更简单”。例如：“首次配置时，参与者无法判断权限选项的后果，因此反复返回帮助页面并延迟提交。”随后附上支持原话和反例。
为每条洞察标记证据强度和未知项。若同一行为可能有多种解释，保留竞争假设，并提出下一轮访谈或可用性测试如何区分。
第五步：转化为机会与设计假设
洞察不是功能需求。先写机会问题，再提出多个方案和可验证假设。例如“如何让用户在提交前理解权限影响”，可以通过示例、分级说明、预览或默认策略解决。
每个假设写清目标用户、预期行为变化、成功指标和失败信号。进入界面方案后，可使用 AI 辅助界面评审流程 检查状态和可读性，但不能用设计评审替代真实用户验证。
第六步：建立洞察证据库
保存研究问题、参与者范围、访谈片段、编码、主题、洞察、机会、决策和后续验证结果。每条洞察应能追溯到原始片段，也要标记何时被新证据修正或失效。
AI 生成的总结要标记工具、日期和输入范围。未来复用时先核对原始材料，而不是把旧摘要当作长期事实。
研究整理检查清单
- 是否取得适用的录音、转写和 AI 处理同意。
- 是否完成脱敏并限制原始材料访问权限。
- 参与者原话、研究员解释和 AI 摘要是否分开。
- 每个编码和洞察是否能回到编号与时间戳。
- 是否保留反例、分歧和未知项。
- 是否避免把小样本次数写成总体比例。
- 设计机会是否写成待验证假设而非确定需求。
常见问题
AI 能代替研究员做访谈吗
不能完全代替。追问、关系建立、非语言观察和伦理判断仍需要研究人员。AI 可辅助准备问题和整理材料。
可以只给 AI 看摘要，不保存原始记录吗
不建议。没有原始证据就无法检查断章取义、修正编码或解释分歧。应在合规前提下保存可追溯材料。
多人观点不一致时怎么总结
按角色、场景和任务条件拆分，展示差异，而不是强行生成单一“用户画像”。
需要把研究结论转换为页面结构时，可继续使用 Figma + AI 线框流程，并保留洞察到设计决策的对应关系。