การสังเคราะห์การวิจัยผู้ใช้: ดึงข้อมูลเชิงลึกจากข้อมูลการสัมภาษณ์และการสำรวจ

กำไร:

• ความสามารถในการแปลงสำเนาบทสัมภาษณ์ดิบ การตอบแบบสำรวจปลายเปิด และตั๋วสนับสนุนให้เป็นธีมและข้อมูลเชิงลึกด้วยปัญญาประดิษฐ์
• ความสามารถในการเร่งขั้นตอนการวิเคราะห์เชิงคุณภาพ เช่น การทำแผนที่ความสัมพันธ์และการเขียนโค้ดด้วยการสนับสนุนปัญญาประดิษฐ์ และตรวจสอบผลลัพธ์ด้วยสายตามนุษย์
• ความสามารถในการแยกธีมที่สร้างขึ้นหรือเกินจริงโดยปัญญาประดิษฐ์โดยการเชื่อมโยงธีมเหล่านั้นกลับไปยังคำพูดจริง

ขั้นตอนที่น่าเบื่อที่สุดและข้ามได้ง่ายที่สุดของการวิจัยผู้ใช้คือการสังเคราะห์: เปลี่ยนการสัมภาษณ์หลายสิบครั้ง การตอบแบบสำรวจหลายร้อยรายการ และตั๋วสนับสนุน (คำขอความช่วยเหลือของผู้ใช้) ให้เป็นข้อมูลเชิงลึกที่มีความหมาย งานนี้ต้องใช้เวลาหลายวัน นั่นเป็นสาเหตุที่ทีมมักจะตัดมุมและตัดสินใจ "ตามความรู้สึก" AI เปิดประเด็นคอขวดนี้: โดยแบ่งข้อความดิบออกเป็นธีมต่างๆ ภายในไม่กี่นาทีแทนที่จะเป็นชั่วโมง แต่การสังเคราะห์ไม่ใช่งาน "สรุปผล" เป็นการให้เหตุผลตามหลักฐานเชิงประจักษ์และตรวจสอบได้ หน่วยนี้จะแสดงให้คุณเห็นถึงวิธีรักษาความถูกต้องของข้อมูลเชิงลึกในขณะที่ทำให้ AI เป็นพันธมิตรในการสังเคราะห์ของคุณ

อะไรคือความเข้าใจ ไม่ใช่สรุป

มาชี้แจงคำศัพท์กันก่อน Insight เป็นรูปแบบที่มีความหมายซึ่งปรากฏจากข้อมูลและเป็นแนวทางในการออกแบบ: "ผู้ใช้ไม่ยอมแพ้ในขั้นตอนการชำระเงิน แต่เมื่อพวกเขาเห็นค่าธรรมเนียมการจัดส่งเป็นครั้งแรก" นี่ไม่ใช่การสรุป ("ผู้ใช้บ่นเกี่ยวกับการชำระเงิน"); และไม่ใช่การสังเกต (“ผู้เข้าร่วมรายที่ 4 หยุดเมื่อเห็นค่าจัดส่ง”) Insight รวบรวมสาเหตุทั่วไปที่มาจากข้อสังเกตมากมาย และเปิดประตูสู่การตัดสินใจในการออกแบบ

AI มีแนวโน้มที่จะสร้างบทสรุปโดยธรรมชาติ งานของคุณคือการดึงมันจากบทสรุปไปสู่ความเข้าใจ: “ทำไม” และ “การออกแบบนี้มีการเปลี่ยนแปลงอะไรบ้าง” โดยการฝังคำถามของคุณลงในพรอมต์

ขั้นตอนการวิเคราะห์เชิงคุณภาพและสถานที่ของปัญญาประดิษฐ์

การวิเคราะห์เชิงคุณภาพ (ไม่ใช่ตัวเลข ข้อความ/การสังเกต) จะดำเนินการตามขั้นตอนเหล่านี้:

1. การเข้ารหัส: แต่ละส่วนที่มีความหมายในข้อความจะได้รับป้ายกำกับ ("ข้อกังวลเรื่องค่าขนส่ง", "ขาดความมั่นใจ")
2. แผนภาพความสัมพันธ์ (การแมปความสัมพันธ์): แท็กที่คล้ายกันจะถูกจัดกลุ่ม กลุ่มกลายเป็นธีม
3. การจัดลำดับความสำคัญของธีม: ธีมใดที่จะเห็นได้จากจำนวนผู้ใช้และความเข้มข้นของธีมที่กำหนด
4. ข้อมูลเชิงลึกและคำแนะนำ: หัวข้อ "จะทำอย่างไร?" เชื่อมต่อกับประโยค

AI เร่งความเร็วขั้นตอนที่ 1 และ 2 ได้อย่างมาก: ส่งมอบการเข้ารหัสเริ่มต้นและการจัดกลุ่มเริ่มต้นภายในไม่กี่นาที อย่างไรก็ตาม ความหมายของกลุ่ม ความสำคัญของหัวข้อ และความถูกต้องของข้อเสนอแนะจำเป็นต้องมีการตรวจสอบโดยมนุษย์ AI ให้ "แผนที่ร่างแรก" แก่คุณ; คุณแก้ไขแผนที่ตามความเป็นจริง

เคล็ดลับ: ก่อนที่คุณจะบอกให้ AI "แยกธีม" ให้กำหนดรูปแบบการเขียนโค้ดของคุณ (รายการแท็ก) ด้วยวิธีนี้ มันจึงใช้งานได้ในภาษาทั่วไปของทุกคนและผลลัพธ์ก็เทียบเคียงได้

ห่วงโซ่หลักฐาน: แต่ละธีมลิงก์ไปยังคำพูด

กฎทองของการสังเคราะห์: ทุกธีมเชื่อมโยงกับคำพูดคำต่อคำอย่างน้อยหนึ่งคำ คำพูดนี้เป็นข้อพิสูจน์ว่าธีมนั้นมีอยู่จริง ใส่ข้อกำหนดการอ้างอิงเสมอเมื่อขอธีมจาก AI บอกเขาว่าอย่าสร้างหัวข้อที่เขาไม่สามารถหาคำพูดอ้างอิงได้ วิธีนี้จะช่วยหยุดภาพหลอนที่แหล่งกำเนิดได้ ธีมที่แต่งขึ้นจะถูกทำเครื่องหมายว่า "ไม่มีมูล" เพราะไม่มีแหล่งที่มาที่เหมือนกัน

ชั้น

ตัวอย่าง

แหล่งที่มา

การสังเกต

“ผู้เข้าร่วมคนที่ 4 ละทิ้งรถเข็นเมื่อเห็นค่าจัดส่ง”

การบันทึกแบบตัวต่อตัว

รหัส

"ต้นทุนที่ไม่คาดคิด"

การติดฉลาก

ธีม

“ต้นทุนที่ซ่อนอยู่ทำลายความไว้วางใจ”

ทำซ้ำในผู้เข้าร่วม 5 คน

ข้อมูลเชิงลึก

"ควรแสดงค่าจัดส่งตั้งแต่เนิ่นๆ"

ฉันออกจากธีม

ข้อเสนอแนะ

"เพิ่มค่าจัดส่งโดยประมาณในหน้าสินค้า"

การตัดสินใจออกแบบ

ห่วงโซ่นี้เริ่มต้นเมื่อผู้มีส่วนได้ส่วนเสียถามว่า "เรารู้เรื่องนี้ได้อย่างไร" เมื่อคุณถาม คุณจะเปลี่ยนจากการสังเกตเป็นคำพูดได้

มินิเคสสามอัน

กรณีที่ 1 — 240 คำตอบแบบสำรวจ, 90 นาที หนึ่งทีมตอบแบบสำรวจปลายเปิด (ข้อความอิสระ) ที่เข้ารหัสด้วย AI จำนวน 240 รายการ แบบจำลองแนะนำ 11 ธีม; ทีมงานตรวจสอบสิ่งเหล่านี้ใน 90 นาที โดยจำกัดให้เหลือ 7 ธีม รวม 2 ธีม และลบ 2 ธีมเนื่องจากไม่รองรับ งานที่ใช้แรงงานคน 2 วันลดลงเหลือครึ่งวันและสายโซ่ของหลักฐานยังคงอยู่

กรณีที่ 2 — ตรวจพบเนื้อหาที่เกินจริง AI สร้างธีมที่แข็งแกร่งของ "ผู้ใช้เกลียดแอป" เมื่อทีมดูคำพูด พวกเขาพบว่ามีผู้เข้าร่วมเพียง 2 คนเท่านั้นที่แสดงความรุนแรง ในขณะที่ 18 คนเป็นกลาง ธีมถูกเขียนใหม่ว่า "ความผิดหวังอย่างรุนแรงในกระแสบางอย่าง" บทเรียน: AI สามารถทำให้อารมณ์รุนแรงเกินจริงได้ นับความถี่

กรณีที่ 3 — ขาดความเห็นส่วนน้อย แม้ว่าโมเดลจะเน้นธีมส่วนใหญ่ แต่ก็มองข้ามปัญหาการเข้าถึงที่สำคัญที่เกิดจากผู้เข้าร่วม 3 คนว่า "ไม่สำคัญ" ผู้ออกแบบสังเกตเห็นสิ่งนี้และเก็บรักษาไว้เป็นการค้นพบแยกต่างหาก ต่อมาเป็นที่ชัดเจนว่าปัญหานี้ส่งผลกระทบต่อผู้ใช้โปรแกรมอ่านหน้าจอทั้งหมด บทเรียน: สัญญาณส่วนน้อยไม่ได้ "สำคัญน้อยกว่า" เสมอไป

พร้อมท์ที่คัดลอกได้

บทบาทของคุณ: นักวิเคราะห์การวิจัยเชิงคุณภาพ รูปแบบการเขียนโค้ด (แท็ก): <<รายการ>>งาน: เขียนโค้ดการถอดเสียงที่ไม่ระบุชื่อด้านล่างด้วยแท็กเหล่านี้ เพิ่ม [ผู้เข้าร่วม

แปลงข้อมูลที่เข้ารหัสต่อไปนี้เป็นไดอะแกรมความใกล้เคียง: จัดกลุ่มโค้ดที่คล้ายกัน ตั้งชื่อธีมให้แต่ละกลุ่ม สำหรับแต่ละหัวข้อ: นับจำนวนผู้เข้าร่วมที่ปรากฏหัวข้อนั้น โดยใส่คำพูดที่ตรงประเด็นที่สุด 2 คำ และเขียนคำอธิบายว่า "ทำไม" เพียงประโยคเดียว ทำเครื่องหมายธีมที่มีหลักฐานอ่อนแยกกัน ข้อมูล: <<รหัส>>

ฉันต้องการทดสอบธีมต่อไปนี้: "<<ธีม>>" แสดงรายการเครื่องหมายคำพูดที่สนับสนุนและปฏิเสธธีมนี้แยกจากกันในข้อความต้นฉบับ ในตอนท้าย ให้ประเมินว่าธีมได้รับการสนับสนุนมากเพียงใด (แรง/ปานกลาง/อ่อนแอ) ที่มา: <<การถอดเสียง>>

เปลี่ยนรายการธีมนี้เป็นข้อมูลเชิงลึกและข้อเสนอแนะ สำหรับแต่ละธีม:1) ข้อมูลเชิงลึกหนึ่งประโยค (ประกอบด้วย “เพราะ…”),2) คำแนะนำการออกแบบที่เป็นรูปธรรม,3) หน้าจอ/โฟลว์ใดที่คำแนะนำนี้ส่งผลต่อ อย่าแต่งหน้า; หากพื้นฐานอ่อน ให้เขียนว่า "จำเป็นต้องมีการวิจัยเพิ่มเติม" ธีม: <<รายการ>>

พรอมต์อ่อน / พรอมต์แข็งแกร่ง

อ่อนแอ: "วิเคราะห์บทสนทนาเหล่านี้แล้วบอกผลลัพธ์ให้ฉันทราบ"

ผลลัพธ์: สรุปโดยไม่มีแหล่งที่มา ไม่มีข้อมูลความถี่ และเปิดรับการพูดเกินจริง

แข็งแกร่ง: "เขียนโค้ดการถอดเสียงนี้ด้วยป้ายกำกับที่ฉันให้คุณ เชื่อมต่อแต่ละธีมกับคำพูดจาก [Participant

ผลลัพธ์: การสังเคราะห์ความถี่สูง ตามหลักฐานเชิงประจักษ์ และตรวจสอบได้

ความแตกต่าง: ความถี่แจ้งพร้อมท์ที่แข็งแกร่ง + เครื่องหมายคำพูด + พร้อมท์จุดยึดอ่อน; สิ่งเหล่านี้ช่วยป้องกันการพูดเกินจริงและภาพหลอน

ข้อผิดพลาดทั่วไป

• ไม่นับความถี่. ตัดสินใจโดยไม่รู้ว่ามีคนอยู่หลังประโยค "Users want X" อยู่ 2 หรือ 20 คน
• การรับเอาความรุนแรงของอารมณ์ตามที่เป็นอยู่ AI มีแนวโน้มที่จะเน้นการแสดงออกที่ชัดเจน มันสามารถซ่อนเสียงข้างมากที่เป็นกลางได้
• กำจัดสัญญาณส่วนน้อย ปัญหาที่น้อยคนจะประสบอาจมีความสำคัญ (เช่น การเข้าถึง)
• ไม่ต้องการการอ้างอิง ธีมที่ไม่มีเครื่องหมายคำพูดเป็นธีมที่ไม่สามารถตรวจสอบได้
• จบในรอบเดียว การสังเคราะห์เป็นการวนซ้ำ ทดสอบเอาต์พุตแรกและเพิ่มความคมชัดของพรอมต์

โดยสรุป

การสังเคราะห์เป็นเหตุผลที่เปลี่ยนข้อมูลดิบให้เป็นข้อมูลเชิงลึกที่ขับเคลื่อนการออกแบบ AI ช่วยเร่งขั้นตอนทางกล เช่น การเขียนโค้ดและการจัดกลุ่มความใกล้เคียงได้อย่างมาก แต่ความหมายและความสำคัญของข้อมูลเชิงลึกยังคงเป็นมนุษย์ กฎทองคือการเชื่อมโยงแต่ละธีมเข้ากับคำพูดตามตัวอักษร นับความถี่ แก้ไขอารมณ์เกินจริง ไม่พลาดสัญญาณส่วนน้อย เมื่อคุณสร้างหลักฐานที่ต่อเนื่องกันซึ่งขยายจากการสังเกตไปสู่การอ้างอิง จากแก่นเรื่องไปสู่ข้อเสนอแนะ คุณจะบรรลุผลการวิจัยที่รวดเร็วและป้องกันได้

งานสมัคร

1. ไม่ระบุชื่อคำตอบในการสัมภาษณ์/การสำรวจในช่วง 8-10 (หรือสมมติ) ของคุณ
2. เขียนแผนการเข้ารหัสของคุณเอง (6-8 ป้ายกำกับ) และเข้ารหัสด้วยปัญญาประดิษฐ์ในทันที
3. ลบธีมด้วยพรอมต์ที่สอง สังเกตว่ามีผู้เข้าร่วมกี่คนที่ปรากฏในแต่ละธีม
4. ทดสอบธีมที่แข็งแกร่งที่สุดด้วยพรอมต์ที่สาม: เปรียบเทียบราคาสนับสนุนและหักล้างราคา
5. เขียนหัวข้อในรูปแบบของข้อมูลเชิงลึก + คำแนะนำ + หน้าจอที่ได้รับผลกระทบ และจัดทำแผนภูมิห่วงโซ่หลักฐาน

รายการตรวจสอบ

• [ ] ฉันมอบรูปแบบการเขียนโค้ดของฉันให้กับ AI ล่วงหน้า
• [ ] ฉันเชื่อมโยงแต่ละธีมเข้ากับคำพูดคำต่อคำอย่างน้อยหนึ่งคำ
• [ ] ฉันนับจำนวนผู้เข้าร่วมที่ปรากฏในแต่ละธีม
• [ ] ฉันมักจะแก้ไขการแสดงออกทางอารมณ์ที่เกินจริง
• [ ] ฉันตัดสินใจอย่างมีสติว่าจะกำจัดสัญญาณส่วนน้อยหรือไม่
• [ ] ฉันเชื่อมโยงข้อมูลเชิงลึกกับข้อเสนอการออกแบบที่เป็นรูปธรรมและหน้าจอที่ได้รับผลกระทบ