Sintesis Penyelidikan Pengguna dan Penjanaan Cerapan

Keuntungan:

• Keupayaan untuk mengekod data temu bual, tinjauan dan pemerhatian dengan kecerdasan buatan dan mengekstrak tema dan corak
• Keupayaan untuk mendraf penyataan persona, perjalanan pengguna dan cerapan dengan sokongan kecerdasan buatan
• Melindungi daripada pemalsuan dan berat sebelah dengan menghubungkan dan mengesahkan cerapan yang dihasilkan oleh kecerdasan buatan kembali kepada data mentah

Produk yang baik lahir dari keperluan sebenar pengguna, bukan dari cita rasa pereka. Cara untuk memahami keperluan ini adalah melalui penyelidikan pengguna: temu bual, tinjauan, pemerhatian lapangan, ujian kebolehgunaan. Tetapi bahagian penyelidikan yang paling sukar bukanlah mengumpul data, tetapi memahaminya. Pengalaman dan masa diperlukan untuk membaca berpuluh-puluh halaman transkrip temu bual dan beratus-ratus respons tinjauan serta mengekstrak corak, keperluan dan cerapan sebenar (wawasan; maksud "aha" di sebalik data). Di sinilah kecerdasan buatan adalah pembantu sintesis yang berkuasa: ia dengan cepat mengekodkan sebahagian besar teks, kumpulan tema, menunjukkan corak. Tetapi kuasa yang sama ini, jika tidak digunakan dengan berhati-hati, menghasilkan petikan palsu, penekanan yang herot, dan berat sebelah. Unit ini menerangkan cara menggunakan AI sebagai pemecut dalam sintesis penyelidikan dan sebab anda perlu menyambung setiap cerapan kembali kepada data mentah.

Apakah sintesis penyelidikan dan di manakah AI sesuai?

Data penyelidikan mentah adalah berantakan: seorang pengguna mengatakan dia "mencari kabel pengecasan setiap kali," yang lain berkata "cahaya malam terlalu terang," yang lain mengadu bahawa dia "tidak dapat mencari butang dalam gelap." Sintesis ialah tindakan mengumpulkan pernyataan tunggal ini ("penggunaan malam bermasalah") dan mengubahnya menjadi cerapan ("pengguna menggunakan produk ini paling baik dalam gelap, tetapi produk direka untuk kegunaan siang hari"). Dalam kaedah klasik, pereka bentuk melakukan ini dengan gambar rajah pertalian (pengumpulan fizikal/digital nota serupa).

AI mempercepatkan beberapa langkah proses ini:

1. Pengekodan: Menetapkan tag tema pada setiap pernyataan ("penggunaan malam", "kesukaran untuk dipasang"). AI pra-teg beratus-ratus frasa dalam beberapa minit.
2. Tema: Mengumpul tag ke dalam superset. AI menunjukkan corak berulang.
3. Lakaran cerapan: Mencadangkan ayat "aha" daripada tema. AI menghasilkan draf, anda menapis.
4. Persona dan rangka perjalanan: Melakar profil pengguna biasa dan langkah penggunaan.

Peraturan kritikal: AI meringkaskan dan mengumpulkan, tetapi data mentah memberitahu kebenaran. Setiap tema dan setiap petikan hendaklah dikaitkan kembali dengan transkrip temu bual sebenar dan disahkan.

Dua risiko terbesar: petikan palsu dan berat sebelah

Terdapat dua perangkap berbahaya AI dalam sintesis penyelidikan. Yang pertama ialah petikan rekaan (halusinasi): AI boleh menjana petikan pengguna yang tiada dalam data tetapi "kedengarannya betul." Ini adalah kesilapan yang paling berbahaya dalam penyelidikan kerana anda membuat keputusan reka bentuk sebenar berdasarkan bukti palsu. Yang kedua ialah herotan dan berat sebelah: AI boleh membesar-besarkan pendapat majoriti dan memadamkan keperluan minoriti yang penting tetapi kurang diperkatakan; atau stereotaip dalam data latihan (“orang tua takut teknologi”) mungkin bocor ke dalam penyelidikan anda. Satu-satunya cara untuk mengawal kedua-duanya: palamkan semula setiap output ke dalam data mentah dan tanya "dalam perbualan mana, pada baris mana, petikan ini benar-benar berlaku?" adalah untuk bertanya soalan.

Awas: Jangan sertakan sebarang petikan pengguna yang dijana AI dalam laporan, persona atau pembentangan tanpa mencari dan mengesahkannya secara verbatim dalam teks wawancara mentah. Petikan apokrif menyalahgambarkan keputusan reka bentuk sebenar.

Aliran sintesis selamat langkah demi langkah

1. Anonimkan: Bersihkan data peribadi (nama, kenalan, butiran pengenalan) daripada transkrip temu bual. Data pengguna ialah data peribadi; Kerahsiaan adalah penting.
2. Encode, tetapi minta sumber: Minta AI meminta ungkapan mentah dan rujukan baris/sumber yang sepadan dengan setiap teg.
3. Kira tema: "Berapa ramai pengguna yang menyebut perkara ini?" bertanya; Jangan biarkan seseorang mengemukakan pendapatnya sebagai corak umum.
4. Ikat kembali cerapan: Di bawah setiap ayat cerapan, letakkan petikan sebenar yang menjadi asasnya.
5. Cari contoh balas: Tanya AI "adakah kenyataan yang menentang tema ini, katakan sebaliknya?" bertanya; ini memecah bias dan generalisasi yang berlebihan.

tiga kes mini

Kes 1 — Petikan rekaan ditangkap. Satu pasukan meringkaskan 12 perbualan dengan AI; AI menghasilkan petikan yang menarik, "Salah seorang pengguna berkata, 'Saya akan membeli produk ini sebagai hadiah,'" dan pasukan itu mahu memasukkannya dalam pembentangan. Seorang penyelidik mengimbas teks mentah; Ayat sebegitu tidak terdapat dalam sebarang perbualan. AI "membuat" petikan daripada nada positif keseluruhan. Petikan itu dikeluarkan. Pengajaran: setiap petikan disahkan verbatim dalam data mentah.

Kes 2 — Pemadaman keperluan minoriti. Pasukan reka bentuk menjalankan kajian perkakas dapur dengan 20 pengguna. Ringkas AI menyerlahkan tema "pengguna mementingkan kelajuan." Tetapi apabila pasukan kembali kepada data mentah, mereka melihat bahawa 3 pengguna menyebut keperluan untuk penggunaan sebelah tangan (seorang dengan lengan kurang upaya, seorang sentiasa membawa bayi); AI telah menolak ini sebagai "minoriti". Walau bagaimanapun, ini adalah cerapan kebolehaksesan kritikal yang akan membezakan produk. Pengajaran: berat berangka tidak selalu bermakna kepentingan; keperluan minoriti mungkin merupakan pandangan yang paling berharga.

Kes 3 — Penggunaan yang betul. Seorang penyelidik menyuapkan 300 jawapan tinjauan terbuka kepada AI dan berkata "labelkan setiap jawapan kepada tema ini, hitung bilangan jawapan bagi setiap tema, dan petik 3 contoh jawapan sebenar secara verbatim daripada setiap tema." AI menjana 8 tema, nombor dan petikan sebenar. Penyelidik menyemak petikan sampel dalam data mentah, semuanya adalah nyata. Ini menjadikan jadual sebagai permulaan kajian perkaitan. Pengajaran: permintaan segera berstruktur untuk penghitungan + petikan kata kerja menghasilkan sintesis yang boleh dipercayai dan boleh disahkan.

Templat gesaan yang boleh disalin

TEMPLAT PENGEDUAN SELAMAT "Tag penyataan temu bual (tanpa nama) berikut ke dalam tema. Bagi setiap pernyataan: (1) tema yang anda tetapkan, (2) teks TEPAT penyata, (3) rujukan sumber [nombor/baris temu bual]. JANGAN buat sebarang kenyataan yang TIDAK dalam teks. Labelkan 'tidak pasti' kenyataan yang anda tidak pasti] Data: [paste].

TEMPLAT PENGIRAAN TEMA"Ekstrak tema daripada data berkod berikut. Untuk setiap tema: berapa ramai pengguna BERBEZA menyatakannya, contoh 3 petikan kata kerja (dengan sumber). Jangan kemukakan pendapat yang dinyatakan oleh seorang sebagai 'corak umum'; tulis kekerapan dengan jelas. Data: [tampal]."

TEMPLAT CONTOH BALAS / PREJUDIS "Saya ingin menguji templat cerapan berikut: '[wawasan]'. Senaraikan pernyataan dalam data mentah yang MELAWAN cerapan ini, membayangkan sebaliknya, atau berada dalam minoriti tetapi mungkin penting. Matlamatnya adalah untuk menangkap penggelaran dan berat sebelah yang berlebihan. Data: [tampal]."

TEMPLAT PEMAUTAN KEMBALI INSIGHT "Tulis ayat cerapan berikut: [insight]. Segera di bawah, letakkan petikan sebenar (verbatim, dengan sumber) yang MENYOKONG cerapan ini. Jika tiada bukti langsung yang mencukupi, sebut 'bukti tidak mencukupi'. JANGAN TAMBAH bukti yang dibuat-buat."

Gesaan lemah / Gesaan kuat

PROMPT LEMAH: "Ringkaskan perbualan ini dan berikan saya cerapan."

PROMPT KUAT: "Analisis 12 temu bual tanpa nama di bawah. (1) Labelkan pernyataan ke dalam tema. (2) Kira berapa banyak pengguna yang berbeza yang menyebut setiap tema. (3) Berikan 2 petikan TEPAT untuk setiap tema (dengan nombor temu bual). (4) Kumpulkan keperluan minoriti tetapi berkemungkinan penting di bawah tajuk yang berasingan. (5) Tandakan bukti sebagai 'JANGAN' dengan kesimpulan yang mencukupi. up mana-mana petikan yang tidak wujud: [tampal].”

Gesaan yang lemah memberikan kebebasan AI untuk memutarbelit dan mengarang; Ia menjadikan sintesis boleh disahkan dengan pengiraan segera yang kuat, petikan kata demi kata, perlindungan minoriti dan "larangan fabrikasi".

Kesilapan biasa

• Menggunakan petikan yang dijana AI tanpa menyemaknya dalam data mentah. Petikan rekaan adalah kesilapan penyelidikan yang paling berbahaya.
• Berfikir bahawa majoriti berangka adalah satu-satunya kriteria kepentingan. Keperluan minoriti selalunya merupakan pandangan yang paling berharga.
• Memberi data peribadi kepada AI tanpa menamakannya. Data pengguna ialah data peribadi; Kerahsiaan adalah wajib.
• Bukan mencari contoh balas. Sintesis yang tidak menguji sebaliknya menguatkan prasangka.
• Tersilap ringkas AI untuk "penyelidikan." Sintesis adalah permulaan; Insight adalah berdasarkan data mentah.

Petua: Di bawah setiap cerapan, tanya "apakah 2-3 petikan sebenar yang menyokong ini?" Tulis soalan. Jika tiada jawapan, pandangan itu masih hipotesis, bukan penemuan.

Secara ringkasnya

AI ialah pemecut yang berkuasa dalam sintesis penyelidikan pengguna: ia mengekod ratusan frasa, tema kumpulan dan menghasilkan cerapan dan persona. Tetapi terdapat dua risiko utama: petikan palsu dan herotan/berat sebelah. Cara untuk mengawal perkara ini ialah dengan memautkan setiap tema dan memetik kembali kepada data mentah, mengira kekerapan, mengekalkan keperluan minoriti dan mencari contoh balas. Anonimkan data pengguna, minta petikan dan sumber kata demi kata kepada AI, kenakan peraturan "tiada rekaan" dan jangan mengira sebarang cerapan sebagai penemuan tanpa menyandarkannya dengan bukti.

Tugasan permohonan

Mempunyai 8-10 testimoni pengguna ringkas, nyata atau fiksyen. Anonimkan mereka semua dahulu. Mempunyai tema tag AI dengan templat "pengekodan selamat"; kemudian minta petikan kekerapan dan kata kerja dengan templat "kiraan tema". Semak petikan yang diberikan oleh AI dalam teks mentah satu demi satu dan tandakan sama ada ia benar atau tidak. Akhir sekali, dengan templat "Contoh balas", cari pernyataan yang bercanggah dengan tema utama anda dan tulis sama ada anda mendapati keperluan minoriti.

senarai semak

• [ ] Saya menamakan data pengguna sebelum memberikannya kepada AI.
• [ ] Saya meminta AI untuk petikan verbatim dan rujukan sumber untuk setiap tema.
• [ ] Saya mengesahkan setiap petikan dengan mencarinya dalam data mentah (semakan kesesuaian).
• [ ] Saya mengira kekerapan tema dan menyimpan keperluan minoriti secara berasingan.
• [ ] Saya menguji berat sebelah dengan mencari contoh balas kepada tema utama saya.
• [ ] Saya menandakan kesimpulan yang tidak berdasarkan bukti sebagai "hipotesis" dan tidak mengiranya sebagai penemuan.