Gewinne:
- Möglichkeit, Rohinterview-Transkripte, offene Umfrageantworten und Support-Tickets mithilfe künstlicher Intelligenz in Themen und Erkenntnisse umzuwandeln
- Möglichkeit, qualitative Analyseschritte wie Affinitätsmapping und Codierung mit Unterstützung künstlicher Intelligenz zu beschleunigen und die Ergebnisse mit dem menschlichen Auge zu überprüfen
- Möglichkeit, durch künstliche Intelligenz erfundene oder übertriebene Themen auszusortieren, indem sie mit echten Zitaten verknüpft werden
Die mühsamste und am leichtesten zu überspringende Phase der Benutzerrecherche ist die Synthese: Dutzende von Interviews, Hunderte von Umfrageantworten und Support-Tickets (die Bitte des Benutzers um Hilfe) in aussagekräftige Erkenntnisse umwandeln. Diese Arbeit nimmt Tage in Anspruch; Aus diesem Grund nehmen Teams häufig Abstriche und entscheiden „nach Gefühl“. KI öffnet genau diesen Engpass: Sie zerlegt Rohtext innerhalb von Minuten statt in Stunden in Themen. Bei der Synthese handelt es sich jedoch nicht um eine „Zusammenfassung erstellen“-Aufgabe; Es handelt sich um eine evidenzbasierte, überprüfbare Argumentation. In dieser Einheit erfahren Sie, wie Sie die Authentizität von Erkenntnissen bewahren und gleichzeitig KI zu Ihrem Synthesepartner machen.
Was ist Einsicht, keine Zusammenfassung?
Lassen Sie uns zunächst den Begriff klären. Insight ist ein aussagekräftiges Muster, das aus den Daten hervorgeht und das Design leitet: „Benutzer geben nicht beim Bezahlvorgang auf, sondern wenn sie zum ersten Mal die Versandkosten sehen.“ Dies ist keine Zusammenfassung („Benutzer beschweren sich über die Zahlung“); Es handelt sich auch nicht um eine Beobachtung („Teilnehmer 4 blieb stehen, als er die Versandkosten sah“). Insight erfasst die gemeinsame Ursache, die vielen Beobachtungen zugrunde liegt, und öffnet die Tür für eine Designentscheidung.
KI neigt von Natur aus dazu, Zusammenfassungen zu erstellen. Ihre Aufgabe ist es, von der Zusammenfassung zur Erkenntnis zu gelangen: „Warum?“ und „Was ändert sich dadurch am Design?“ indem Sie Ihre Fragen in die Eingabeaufforderung einbetten.
Qualitative Analyseschritte und der Stellenwert künstlicher Intelligenz
Die qualitative (nicht numerische, text-/beobachtungsbasierte) Analyse läuft klassischerweise mit diesen Schritten ab:
- Kodierung: Jeder aussagekräftige Teil im Text erhält eine Kennzeichnung („Bedenken hinsichtlich der Versandkosten“, „Mangel an Vertrauen“).
- Affinitätsdiagramm (Affinitätszuordnung): Ähnliche Tags werden gruppiert; Gruppen werden zu Themen.
- Theme-Priorisierung: Es wird festgelegt, welches Theme von wie vielen Nutzern und mit welcher Intensität gesehen wird.
- Einblicke und Ratschläge: Themen „Was tun?“ verbindet sich mit Sätzen.
KI beschleunigt die Schritte 1 und 2 erheblich: Bereitstellung der ersten Codierung und ersten Gruppierung in wenigen Minuten. Die Bedeutung der Gruppen, die Bedeutung der Themen und die Genauigkeit der Vorschläge erfordern jedoch eine menschliche Überprüfung. Die KI gibt Ihnen einen „ersten Kartenentwurf“; Sie korrigieren die Karte entsprechend der Realität.
Tipp: Bevor Sie die KI anweisen, „Themen zu extrahieren“, geben Sie ihr Ihr Codierungsschema (Liste der Tags) an. Auf diese Weise funktioniert es in jedermanns Sprache und die Ergebnisse sind vergleichbar.
Beweiskette: Jedes Thema ist mit einem Zitat verknüpft
Die goldene Regel der Synthese: Jedes Thema ist mit mindestens einem wörtlichen Zitat verknüpft. Das Zitat ist ein Beweis dafür, dass das Thema real ist. Geben Sie immer die Zitierpflicht an, wenn Sie die KI nach einem Thema fragen; Sagen Sie ihm, er soll kein Thema produzieren, für das er kein Zitat findet. Auf diese Weise stoppen Sie die Halluzination an der Quelle: Ein erfundenes Thema wird als „unbegründet“ markiert, weil es in der Quelle kein Gegenstück gibt.
Schicht
Beispiel
Quelle
Beobachtung
„Teilnehmer 4 hat den Warenkorb verlassen, als er die Versandkosten gesehen hat“
Einzelaufnahme
Code
„unerwartete Kosten“
Beschriftung
Thema
„Versteckte Kosten zerstören das Vertrauen“
bei 5 Teilnehmern wiederholen
Einsicht
„Versandkosten sollten frühzeitig angezeigt werden“
Ich verlasse das Thema
Vorschlag
„Versandkostenvoranschlag zur Produktseite hinzufügen“
Designentscheidung
Diese Kette beginnt, wenn ein Stakeholder fragt: „Woher wissen wir das?“ Wenn Sie fragen, können Sie von der Beobachtung zum Zitat zurückkehren.
drei Mini-Koffer
Fall 1 – 240 Umfrageantworten, 90 Minuten. Ein Team hat 240 offene (Freitext-)Umfrageantworten KI-codiert. Das Modell schlug 11 Themen vor; Das Team überprüfte diese innerhalb von 90 Minuten, grenzte sie auf sieben ein, kombinierte zwei Themen und entfernte zwei als nicht unterstützt. Eine zweitägige manuelle Arbeit wurde auf einen halben Tag reduziert und die Beweiskette blieb erhalten.
Fall 2 – Übertriebenes Thema erkannt. KI erzeugte ein starkes Thema: „Benutzer hassen die App.“ Als sich das Team die Zitate ansah, stellte es fest, dass nur zwei Teilnehmer hart waren, während 18 neutral waren. Das Thema wurde als „intensive Enttäuschung in einem bestimmten Fluss“ umgeschrieben. Lektion: KI kann die emotionale Intensität übertreiben; Zählen Sie die Häufigkeit.
Fall 3 – Fehlende Minderheitsmeinung. Während das Modell die Mehrheitsthemen hervorhob, spielte es ein kritisches Problem der Barrierefreiheit herunter, das von drei Teilnehmern als „unwichtig“ angesprochen wurde. Der Designer bemerkte dies und bewahrte es als separaten Fund auf; Später stellte sich heraus, dass dieses Problem alle Benutzer von Bildschirmleseprogrammen betraf. Lektion: Minderheitensignal ist nicht immer „weniger wichtig“.
Kopierbare Eingabeaufforderungen
Ihre Rolle: Analyst für qualitative Forschung. Kodierungsschema (Tags): <<list>>Aufgabe: Kodieren Sie das anonymisierte Transkript unten mit diesen Tags. Fügen Sie [Teilnehmer
Transformieren Sie die folgenden codierten Daten in ein Proximity-Diagramm: Gruppieren Sie ähnliche Codes und benennen Sie jede Gruppe mit einem Thema. Für jedes Thema: Zählen Sie, bei wie vielen einzelnen Teilnehmern es vorkommt, fügen Sie die beiden stärksten Zitate hinzu und schreiben Sie eine „Warum“-Erklärung in einem Satz. Markieren Sie Themen mit schwacher Evidenz separat. Daten: <<codes>>
Ich möchte das folgende Thema testen: „<<Thema>>“. Listen Sie separat die Zitate auf, die dieses Thema im Quelltext UNTERSTÜTZEN und ABLEHNEN. Bewerten Sie am Ende, wie stark das Thema unterstützt wird (stark/mittel/schwach). Quelle: <<Transkription>>
Verwandeln Sie diese Themenliste in Erkenntnisse und Vorschläge. Für jedes Thema: 1) Ein-Satz-Einblick (enthält „weil…“), 2) ein konkreter Designvorschlag, 3) welchen Bildschirm/Fluss dieser Vorschlag betrifft. Erfinden Sie nichts; Wenn die Grundlage schwach ist, schreiben Sie: „Weitere Forschung ist erforderlich.“ Themen: <<Liste>>
Schwache Eingabeaufforderung / Starke Eingabeaufforderung
Schwach: „Analysieren Sie diese Gespräche und teilen Sie mir die Ergebnisse mit.“
Ergebnis: Eine Zusammenfassung ohne Quellen, ohne Häufigkeitsangaben und offen für Übertreibungen.
Strong: „Kodieren Sie dieses Transkript mit den Bezeichnungen, die ich Ihnen gegeben habe; verbinden Sie jedes Thema mit dem Zitat von [Teilnehmer
Ergebnis: Eine hochfrequente, evidenzbasierte, überprüfbare Synthese.
Unterschied: starke Aufforderungsaufforderungen Häufigkeit + Anführungszeichen + schwache Ankeraufforderungsaufforderung; diese verhindern Übertreibungen und Halluzinationen.
Häufige Fehler
- Die Häufigkeit wird nicht mitgezählt. Eine Entscheidung treffen, ohne zu wissen, ob hinter dem Satz „Nutzer wollen X“ 2 oder 20 Personen stecken.
- Nehmen Sie die Intensität der Emotionen so, wie sie sind. KI neigt dazu, starke Ausdrücke hervorzuheben; Es kann eine neutrale Mehrheit verbergen.
- Eliminierung des Minderheitssignals. Ein Problem, das nur wenige Menschen haben, kann kritisch sein (z. B. Zugänglichkeit).
- Keine Zitierung erforderlich. Das Thema ohne Anführungszeichen ist das nicht überprüfbare Thema.
- In einer Runde fertig. Die Synthese ist iterativ; Testen Sie die erste Ausgabe und schärfen Sie die Eingabeaufforderung.
Zusammenfassend
Synthese ist die Argumentation, die Rohdaten in Erkenntnisse umwandelt, die das Design vorantreiben. KI beschleunigt mechanische Schritte wie Codierung und Nachbarschaftsgruppierung erheblich, aber die Bedeutung und Signifikanz der Erkenntnisse bleibt menschlich. Die goldene Regel besteht darin, jedes Thema mit einem wörtlichen Zitat zu verbinden; Häufigkeit zählen, emotionale Übertreibung korrigieren, Minderheitensignal nicht verpassen. Wenn Sie eine Beweiskette etablieren, die von der Beobachtung bis zum Zitat, vom Thema bis zum Vorschlag reicht, erzielen Sie ein Forschungsergebnis, das sowohl schnell als auch vertretbar ist.
Anwendungsaufgabe
- Anonymisieren Sie Ihre 8–10 (oder fiktiven) Interview-/Umfrageantworten.
- Schreiben Sie Ihr eigenes Codierungsschema (6-8 Etiketten) und lassen Sie es bei der ersten Eingabeaufforderung durch künstliche Intelligenz codieren.
- Entfernen Sie Themen mit der zweiten Eingabeaufforderung. Beachten Sie, wie viele Teilnehmer für jedes Thema erscheinen.
- Testen Sie das stärkste Thema mit der dritten Eingabeaufforderung: Vergleichen Sie unterstützende und widerlegende Zitate.
- Schreiben Sie ein Thema in Form von Einsicht + Vorschlag + betroffenem Bildschirm und zeichnen Sie die Beweiskette auf.
Checkliste
- [ ] Ich habe der KI mein Codierungsschema im Voraus gegeben.
- [ ] Ich habe jedes Thema mit mindestens einem wörtlichen Zitat verknüpft.
- [ ] Ich habe gezählt, wie viele einzelne Teilnehmer zu jedem Thema erschienen sind.
- [ ] Ich habe oft übertriebene emotionale Ausdrücke korrigiert.
- [ ] Ich habe eine bewusste Entscheidung getroffen, Minderheitensignale zu eliminieren.
- [ ] Ich habe die Erkenntnisse mit dem konkreten Designvorschlag und dem betroffenen Bildschirm verknüpft.