이득:
- 원시 인터뷰 기록, 개방형 설문 조사 응답 및 지원 티켓을 인공 지능을 통해 테마와 통찰력으로 변환하는 기능
- 인공지능 지원으로 Affinity Mapping, Coding 등 정성분석 단계를 가속화하고 결과를 육안으로 검증하는 능력
- 인공 지능이 구성하거나 과장한 주제를 실제 인용문과 다시 연결하여 걸러내는 기능
사용자 조사에서 가장 지루하고 가장 쉽게 건너뛸 수 있는 단계는 종합입니다. 즉, 수십 건의 인터뷰, 수백 건의 설문 조사 응답, 지원 티켓(사용자의 도움 요청)을 의미 있는 통찰력으로 바꾸는 것입니다. 이 작업은 수작업으로 며칠이 걸립니다. 이것이 바로 팀이 종종 절차를 생략하고 "느낌에 따라" 결정하는 이유입니다. AI는 이러한 병목 현상을 해결합니다. 원시 텍스트를 몇 시간이 아닌 몇 분 만에 테마로 분류합니다. 그러나 합성은 "생산 요약" 작업이 아닙니다. 이는 증거 기반의 감사 가능한 추론입니다. 이 단원에서는 AI를 합성 파트너로 삼으면서 통찰력의 신뢰성을 유지하는 방법을 보여줍니다.
요약이 아니라 통찰이란 무엇인가
먼저 용어를 명확히 해보자. Insight는 데이터에서 나타나 디자인을 안내하는 의미 있는 패턴입니다. "사용자는 결제 단계가 아니라 처음 배송비를 보고 포기합니다." 이는 요약("사용자가 결제에 대해 불만을 표시함")이 아닙니다. 관찰도 아닙니다("참여자 4는 배송비를 보고 멈췄습니다"). 통찰력은 많은 관찰의 기초가 되는 공통 원인을 포착하고 설계 결정의 문을 열어줍니다.
AI는 자연스럽게 요약을 생성하는 경향이 있습니다. 당신의 임무는 요약에서 통찰력으로 "왜?"로 끌어내는 것입니다. 그리고 "디자인에서 이것이 어떻게 바뀌나요?" 질문을 프롬프트에 삽입하면 됩니다.
정성분석 단계와 인공지능의 위치
정성적(비수치적, 텍스트/관찰 기반) 분석은 일반적으로 다음 단계로 진행됩니다.
- 코딩: 텍스트의 의미 있는 각 부분에는 라벨("배송비 문제", "신뢰 부족")이 지정됩니다.
- 어피니티 다이어그램(Affinity Mapping): 유사한 태그를 그룹화합니다. 그룹이 테마가 됩니다.
- 테마 우선순위 : 사용자 수에 따라 어떤 테마를 어떤 강도로 보느냐가 결정됩니다.
- 통찰력과 조언: "무엇을 해야 할까요?"라는 주제 문장으로 연결됩니다.
AI는 1단계와 2단계의 속도를 크게 높여 초기 코딩 및 초기 그룹화를 몇 분 안에 제공합니다. 그러나 그룹의 의미, 주제의 중요성, 제안의 정확성에는 사람의 검증이 필요합니다. AI는 "첫 번째 지도 초안"을 제공합니다. 현실에 맞게 지도를 수정하세요.
팁: AI에게 "테마 추출"을 지시하기 전에 코딩 구성표(태그 목록)를 제공하십시오. 이러한 방식으로 모든 사람의 공통 언어로 작동하고 결과를 비교할 수 있습니다.
일련의 증거: 각 주제는 인용문으로 연결됩니다.
종합의 황금률: 모든 주제는 적어도 하나의 축어적 인용문과 연결됩니다. 인용문은 주제가 실제라는 증거입니다. AI에게 테마를 요청할 때 항상 인용 요구 사항을 포함하세요. 인용문을 찾을 수 없는 주제를 만들지 말라고 그에게 말하세요. 이렇게 하면 소스에서 환각을 멈출 수 있습니다. 꾸며낸 테마는 소스에 해당 항목이 없기 때문에 "근거 없음"으로 표시됩니다.
레이어
예
출처
관찰
"참여자 4는 배송비를 보고 장바구니를 버렸습니다."
일대일 녹음
코드
"예상치 못한 비용"
라벨링
테마
"숨겨진 비용이 신뢰를 무너뜨린다"
5명의 참가자로 반복
통찰력
"배송비가 일찍 표시되어야 합니다"
테마를 남겨요
제안
"제품 페이지에 예상 배송비 추가"
디자인 결정
이 체인은 이해관계자가 "이것을 어떻게 알 수 있나요?"라고 물을 때 시작됩니다. 요청하면 관찰에서 인용으로 돌아갈 수 있습니다.
세 개의 미니 케이스
사례 1 — 240개의 설문조사 응답, 90분. 하나의 팀 AI로 코딩된 240개의 개방형(자유 텍스트) 설문조사 응답입니다. 모델은 11가지 테마를 제안했습니다. 팀에서는 이를 90분 만에 검토한 후 7개로 범위를 좁히고 2개의 테마를 결합한 후 지원되지 않는 테마 2개를 제거했습니다. 2일의 수작업이 반나절로 단축되었으며 일련의 증거가 보존되었습니다.
사례 2 — 과장된 주제가 포착되었습니다. AI는 “사용자가 앱을 싫어한다”는 강력한 주제를 만들어냈습니다. 팀이 인용문을 살펴본 결과, 2명의 참가자만이 가혹한 반면 18명은 중립적인 것으로 나타났습니다. 테마는 '어떤 흐름에 대한 강렬한 실망'으로 다시 쓰여졌다. 교훈: AI는 감정의 강도를 과장할 수 있습니다. 빈도를 세어보세요.
사례 3 — 소수 의견이 누락되었습니다. 모델은 대부분의 주제를 강조했지만, 3명의 참가자가 제기한 중요한 접근성 문제를 "중요하지 않음"으로 무시했습니다. 디자이너는 이를 알아차리고 별도의 발견물로 보존했습니다. 나중에 이 문제가 모든 스크린 리더 사용자에게 영향을 미친다는 것이 분명해졌습니다. 교훈: 소수 신호가 항상 "덜 중요한" 것은 아닙니다.
복사 가능한 프롬프트
귀하의 역할: 질적 연구 분석가.코딩 방식(태그): <<list>>작업: 이 태그를 사용하여 아래의 익명화된 기록을 코딩합니다.[참가자 추가]
다음 코딩된 데이터를 근접 다이어그램으로 변환합니다. 유사한 코드를 그룹화하고 각 그룹에 테마 이름을 지정합니다. 각 주제에 대해 해당 주제가 포함된 개별 참가자 수를 세고, 가장 강력한 인용문 2개를 포함하고, 한 문장으로 된 "이유" 설명을 작성합니다. 증거가 약한 주제는 별도로 표시하세요.데이터: <<코드>>
다음 테마를 테스트하고 싶습니다: "<<theme>>". 소스 텍스트에서 이 테마를 지지하고 거부하는 인용문을 별도로 나열합니다. 마지막으로 테마가 얼마나 강력하게 지원되는지 평가합니다(강함/중간/약함).출처: <<전사>>
이 테마 목록을 통찰력과 제안으로 바꿔보세요. 각 테마에 대해:1) 한 문장의 통찰력(“왜냐하면…” 포함),2) 구체적인 디자인 제안,3) 이 제안이 어떤 화면/흐름에 영향을 미치는지. 기초가 약한 경우에는 "더 많은 연구가 필요합니다"라고 적습니다. 테마: <<목록>>
약한 프롬프트 / 강한 프롬프트
약함: "이 대화를 분석하고 결과를 알려주세요."
결과: 출처가 없고, 빈도 정보가 없으며, 과장 가능성이 있는 요약입니다.
Strong: "내가 준 라벨로 이 기록을 코딩하고 각 주제를 [참가자"의 인용문에 연결하세요.
결과: 빈도가 높고 증거 기반이며 감사 가능한 합성입니다.
차이점: 강한 프롬프트 프롬프트 빈도 + 인용문 + 약한 앵커 프롬프트; 이는 과장과 환각을 방지합니다.
일반적인 실수
- 빈도를 세지 않습니다. "사용자가 X를 원한다"는 문장 뒤에 2명인지 20명인지도 모르고 결정을 내리는 것.
- 감정의 강렬함을 그대로 받아들인다. AI는 강한 표현을 강조하는 경향이 있습니다. 중립적인 다수를 숨길 수 있습니다.
- 소수 신호를 제거합니다. 소수의 사람들이 경험하는 문제는 중요할 수 있습니다(예: 접근성).
- 인용이 필요하지 않습니다. 인용문이 없는 테마는 검증할 수 없는 테마입니다.
- 한 바퀴로 끝내세요. 합성은 반복적입니다. 첫 번째 출력을 테스트하고 프롬프트를 선명하게 합니다.
요약하면
종합은 원시 데이터를 디자인을 주도하는 통찰력으로 바꾸는 추론입니다. AI는 코딩 및 근접 그룹화와 같은 기계적 단계의 속도를 크게 향상시키지만 통찰력의 의미와 의미는 여전히 인간입니다. 황금률은 각 주제를 문자 그대로 인용문으로 연결하는 것입니다. 빈도수 계산, 감정적 과장 교정, 소수 신호를 놓치지 마세요. 관찰에서 인용까지, 주제에서 제안까지 확장되는 일련의 증거를 확립하면 빠르고 방어 가능한 연구 결과를 얻을 수 있습니다.
응용과제
- 8~10일(또는 가상) 인터뷰/설문조사 응답을 익명으로 처리하세요.
- 자신만의 코딩 방식(6~8개 라벨)을 작성하고 첫 번째 프롬프트에서 인공 지능으로 코딩하도록 하세요.
- 두 번째 프롬프트로 테마를 제거하십시오. 각 주제에 대해 몇 명의 참가자가 나타나는지 확인하십시오.
- 세 번째 프롬프트로 가장 강력한 주제를 테스트하십시오. 지지하는 인용문과 반박하는 인용문을 비교하십시오.
- 통찰력 + 제안 + 영향을 받은 화면 형식으로 주제를 작성하고 증거 체인을 차트로 작성하세요.
체크리스트
- [ ] AI에게 미리 코딩 방식을 알려줬습니다.
- [ ] 각 주제를 최소한 하나의 축어적 인용문에 연결했습니다.
- [ ] 각 주제별로 개별 참가자가 몇 명이나 등장했는지 세어봤습니다.
- [ ] 과장된 감정 표현을 자주 교정해 주었습니다.
- [ ] 나는 소수 신호를 제거할지 여부를 의식적으로 결정했습니다.
- [ ] 인사이트를 구체적인 디자인 제안과 영향을 받은 화면에 연결했습니다.