Synthesis ng Pananaliksik ng User: Pagkuha ng Mga Insight mula sa Data ng Panayam at Survey

Mga nadagdag:

• Kakayahang baguhin ang mga raw transcript ng panayam, open-ended na mga tugon sa survey at mga ticket sa pagsuporta sa mga tema at insight gamit ang artificial intelligence
• Kakayahang pabilisin ang mga hakbang sa pagsusuri ng husay tulad ng affinity mapping at coding na may suporta sa artificial intelligence at i-verify ang mga resulta gamit ang mata ng tao
• Kakayahang alisin ang mga temang binubuo o pinalaki ng artipisyal na katalinuhan sa pamamagitan ng pag-uugnay sa mga ito pabalik sa mga totoong panipi

Ang pinaka nakakapagod at pinakamadaling laktawan na yugto ng pananaliksik ng user ay ang synthesis: ginagawang makabuluhang mga insight ang dose-dosenang mga panayam, daan-daang tugon sa survey, at mga support ticket (paghiling ng tulong ng user). Ang trabahong ito ay tumatagal ng mga araw sa pamamagitan ng kamay; Iyon ang dahilan kung bakit ang mga koponan ay madalas na pumutol at nagpapasya "sa pamamagitan ng pakiramdam." Binubuksan lang ng AI ang bottleneck na ito: hinahati nito ang hilaw na text sa mga tema sa ilang minuto sa halip na mga oras. Ngunit ang synthesis ay hindi isang "produce summary" na gawain; Ito ay batay sa ebidensya, naa-audit na pangangatwiran. Ipinapakita sa iyo ng unit na ito kung paano panatilihin ang authenticity ng insight habang ginagawang partner mo ang AI sa synthesis.

Ano ang pananaw, hindi buod

Linawin muna natin ang termino. Ang insight ay isang makabuluhang pattern na lumalabas mula sa data at gumagabay sa disenyo: "Hindi sumusuko ang mga user sa hakbang ng pag-checkout, ngunit noong una nilang nakita ang bayad sa pagpapadala." Hindi ito isang buod ("Nagreklamo ang mga gumagamit tungkol sa pagbabayad"); at hindi rin ito isang obserbasyon ("Napahinto ang kalahok 4 nang makita niya ang bayad sa pagpapadala"). Kinukuha ng Insight ang karaniwang dahilan na pinagbabatayan ng maraming obserbasyon at nagbubukas ng pinto sa isang desisyon sa disenyo.

Ang AI ay natural na hilig gumawa ng mga buod. Ang iyong trabaho ay hilahin ito mula sa buod hanggang sa insight: “bakit?” at "ano ang pagbabago nito sa disenyo?" sa pamamagitan ng pag-embed ng iyong mga tanong sa prompt.

Mga hakbang sa pagsusuri ng husay at ang lugar ng artificial intelligence

Ang pagsusuri ng kwalitatibo (hindi numerikal, batay sa teksto/obserbasyon) ay karaniwang nagpapatuloy sa mga hakbang na ito:

1. Coding: Ang bawat makabuluhang piraso sa text ay binibigyan ng label ("pag-aalala sa gastos sa pagpapadala", "kawalan ng kumpiyansa").
2. Affinity diagram (affinity mapping): Nakapangkat ang mga katulad na tag; nagiging tema ang mga pangkat.
3. Pag-prioritize ng tema: Aling tema ang nakikita ng ilang user at kung anong intensity ang tinutukoy.
4. Pananaw at payo: Mga tema na "ano ang gagawin?" nag-uugnay sa mga pangungusap.

Lubos na pinabilis ng AI ang mga hakbang 1 at 2: paghahatid ng paunang coding at paunang pagpapangkat sa loob ng ilang minuto. Gayunpaman, ang kahulugan ng mga grupo, ang kahalagahan ng mga tema, at ang katumpakan ng mga mungkahi ay nangangailangan ng pagpapatunay ng tao. Binibigyan ka ng AI ng "unang draft na mapa"; Iwasto mo ang mapa ayon sa katotohanan.

Tip: Bago mo sabihin sa AI na "i-extract ang mga tema", bigyan ito ng iyong coding scheme (listahan ng mga tag). Sa ganitong paraan, gumagana ito sa karaniwang wika ng lahat at maihahambing ang mga output.

Chain of evidence: nagli-link ang bawat tema sa isang quote

Ang ginintuang tuntunin ng synthesis: ang bawat tema ay naka-link sa kahit isang verbatim quotation. Ang quote ay patunay na ang tema ay totoo. Palaging isama ang kinakailangan sa pagsipi kapag humihingi ng tema sa AI; Sabihin sa kanya na huwag gumawa ng isang tema na hindi niya mahanap ang isang quote. Sa ganitong paraan, ihihinto mo ang guni-guni sa pinagmulan: ang isang gawa-gawang tema ay minarkahan bilang "walang batayan" dahil wala itong katapat sa pinagmulan.

layer

halimbawa

pinagmulan

pagmamasid

"Iniwan ng kalahok 4 ang cart nang makita niya ang bayad sa pagpapadala"

isa-sa-isang pag-record

Code

"hindi inaasahang gastos"

Pag-label

tema

"Ang mga nakatagong gastos ay sumisira ng tiwala"

ulitin sa 5 kalahok

pananaw

"Dapat ipakita nang maaga ang gastos sa pagpapadala"

Iniwan ko ang tema

Mungkahi

"Magdagdag ng pagtatantya sa pagpapadala sa pahina ng produkto"

Desisyon sa disenyo

Nagsisimula ang chain na ito kapag nagtanong ang isang stakeholder ng "paano natin malalaman ito?" Kapag nagtanong ka, pinapayagan ka nitong bumalik mula sa pagmamasid hanggang sa pagsipi.

tatlong mini case

Case 1 — 240 na sagot sa survey, 90 minuto. Isang team na may AI-coded na 240 open-ended (libreng text) na mga tugon sa survey. Ang modelo ay nagmungkahi ng 11 mga tema; Sinuri ito ng team sa loob ng 90 minuto, pinaliit ang mga ito sa 7, pinagsama ang 2 tema, at inalis ang 2 bilang hindi suportado. Ang isang 2-araw na manual na trabaho ay nabawasan sa kalahating araw at ang kadena ng ebidensya ay napanatili.

Case 2 — Nahuli ang labis na tema. Gumawa ang AI ng malakas na tema ng "kinamumuhian ng mga user ang app." Nang tingnan ng pangkat ang mga quote, nalaman nilang 2 kalahok lamang ang malupit, habang 18 ang neutral. Ang tema ay muling isinulat bilang "matinding pagkabigo sa isang tiyak na daloy". Aralin: Maaaring palakihin ng AI ang emosyonal na intensidad; bilangin ang dalas.

Kaso 3 — Nawawalang opinyon ng minorya. Bagama't na-highlight ng modelo ang karamihan sa mga tema, minaliit nito ang isang kritikal na isyu sa accessibility na ibinangon ng 3 kalahok bilang "hindi mahalaga." Napansin ito ng taga-disenyo at napanatili ito bilang isang hiwalay na paghahanap; Nang maglaon ay naging malinaw na ang isyung ito ay nakaapekto sa lahat ng user ng screen reader. Aralin: ang signal ng minorya ay hindi palaging "hindi gaanong mahalaga".

Nakokopyang mga prompt

Ang iyong tungkulin: qualitative research analyst.Coding scheme (tags): <<list>>Task: Code the anonymized transcript below with these tags.Add [Participant

Gawing proximity diagram ang sumusunod na naka-code na data: pangkatin ang magkatulad na mga code, pangalanan ang bawat pangkat ng isang tema. Para sa bawat tema: bilangin kung gaano karaming mga indibidwal na kalahok ang lalabas, isama ang 2 pinakamalakas na panipi, at magsulat ng isang pangungusap na "bakit" na paliwanag. Markahan ang mga tema na may mahinang ebidensya nang hiwalay.Data: <<codes>>

Gusto kong subukan ang sumusunod na tema: "<<tema>>".Ilista nang hiwalay ang mga quote na SUMUSUPORTA at TINANGGILAN ang temang ito sa pinagmulang teksto.Sa dulo, suriin kung gaano kalakas ang suporta ng tema (malakas/medium/mahina).Source: <<transcription>>

Gawing mga insight at mungkahi ang listahan ng mga tema na ito. Para sa bawat tema:1) isang-pangungusap na insight (naglalaman ng "dahil..."),2) isang konkretong mungkahi sa disenyo,3) kung anong screen/daloy ang naaapektuhan ng mungkahing ito. Huwag gumawa ng paraan; Kung mahina ang batayan, isulat ang "kailangan pang pananaliksik." Mga Tema: <<listahan>>

Mahinang prompt / Malakas na prompt

Mahina: "Suriin ang mga pag-uusap na ito at sabihin sa akin ang mga resulta."

Resulta: Isang buod na walang source, walang frequency information, at bukas sa pagmamalabis.

Strong: "I-code ang transcript na ito ng mga label na ibinigay ko sa iyo; ikonekta ang bawat tema sa quote mula sa [Kalahok

Resulta: Isang mataas na dalas, batay sa ebidensya, naa-audit na synthesis.

Pagkakaiba: malakas na prompt prompt dalas + quote + mahina anchor prompt; pinipigilan nito ang pagmamalabis at guni-guni.

Mga karaniwang pagkakamali

• Hindi binibilang ang dalas. Paggawa ng desisyon nang hindi nalalaman kung mayroong 2 o 20 tao sa likod ng pangungusap na "Gusto ng mga gumagamit ng X".
• Kinukuha ang tindi ng emosyon tulad nito. May posibilidad na i-highlight ng AI ang malalakas na expression; Maaari nitong itago ang isang neutral na mayorya.
• Tinatanggal ang signal ng minorya. Maaaring kritikal ang isang isyu na kakaunti lang ang nararanasan (hal. accessibility).
• Hindi nangangailangan ng pagsipi. Ang walang quote na tema ay ang hindi nabe-verify na tema.
• Tapusin sa isang lap. Ang synthesis ay umuulit; Subukan ang unang output at patalasin ang prompt.

Sa buod

Ang Synthesis ay ang pangangatwiran na ginagawang insight ang raw data na nagtutulak sa disenyo. Lubos na pinabilis ng AI ang mga mekanikal na hakbang tulad ng coding at proximity grouping, ngunit ang kahulugan at kahalagahan ng insight ay nananatiling tao. Ang ginintuang tuntunin ay upang ikonekta ang bawat tema sa isang literal na quote; bilang ng dalas, tama para sa emosyonal na pagmamalabis, huwag palampasin ang signal ng minorya. Kapag nagtatag ka ng isang hanay ng katibayan na umaabot mula sa pagmamasid hanggang sa pagsipi, mula sa tema hanggang sa mungkahi, makakamit mo ang isang resulta ng pananaliksik na parehong mabilis at mapagtatanggol.

Gawain ng aplikasyon

1. I-anonymize ang iyong 8-10 (o kathang-isip) na mga tugon sa panayam/survey.
2. Sumulat ng sarili mong coding scheme (6-8 label) at ipa-code ito sa pamamagitan ng artificial intelligence sa unang prompt.
3. Alisin ang mga tema gamit ang pangalawang prompt; Tandaan kung gaano karaming mga kalahok ang lilitaw para sa bawat tema.
4. Subukan ang pinakamalakas na tema gamit ang pangatlong prompt: ihambing ang pagsuporta at pagpapabulaan ng mga panipi.
5. Sumulat ng isang tema sa anyo ng insight + mungkahi + apektadong screen at i-chart ang chain ng ebidensya.

checklist

• [ ] Ibinigay ko ang aking coding scheme sa AI nang maaga.
• [ ] Iniugnay ko ang bawat tema sa kahit isang verbatim quote.
• [ ] Binilang ko kung ilang indibidwal na kalahok ang lumitaw para sa bawat tema.
• [ ] Madalas kong itama ang labis na emosyonal na mga ekspresyon.
• [ ] Gumawa ako ng malay na desisyon kung aalisin ang mga signal ng minorya.
• [ ] Iniugnay ko ang mga insight sa konkretong panukala sa disenyo at sa apektadong screen.