收益：
- 能够使用人工智能对采访、调查和观察数据进行编码并提取主题和模式
- 能够在人工智能的支持下起草角色、用户旅程和洞察陈述
- 通过将人工智能生成的见解与原始数据连接起来并进行验证，防止捏造和偏见
好的产品诞生于用户的真实需求，而不是设计师的品味。了解这种需求的方法是通过用户研究：访谈、调查、实地观察、可用性测试。但研究中最困难的部分不是收集数据，而是理解数据。阅读数十页的访谈记录和数百份调查回复并提取真实的模式、需求和见解（洞察力；数据背后的“啊哈”含义）需要经验和时间。这就是人工智能成为强大的综合助手的地方：它可以快速编码大块文本、对主题进行分组、指出模式。但同样的权力如果使用不当，就会产生虚假引用、扭曲的重点和偏见。本单元解释了如何使用人工智能作为研究综合的加速器，以及为什么应该将每一个见解与原始数据联系起来。
什么是研究综合以及人工智能在哪里发挥作用？
原始研究数据很混乱：一位用户说他“每次都在寻找充电线”，另一位用户说“夜灯太亮”，另一位用户抱怨他“在黑暗中找不到按钮”。综合是将这些单一陈述（“夜间使用是有问题的”）进行分组并将其转化为见解（“用户在黑暗中使用该产品效果最好，但该产品是为白天使用而设计的”）的行为。在经典方法中，设计者使用亲和图（相似音符的物理/数字分组）来做到这一点。
人工智能加速了这个过程的几个步骤：
- 编码：为每个语句分配主题标签（“夜间使用”、“安装困难”）。人工智能可在几分钟内预先标记数百个短语。
- 主题化：将标签收集到超集中。人工智能指出重复的模式。
- 洞察草图：从主题中建议“啊哈”句子。人工智能产生草稿，你过滤。
- 角色和旅程大纲：绘制典型的用户配置文件和使用步骤。
关键规则：人工智能进行总结和分组，但原始数据说明真相。每个主题和每个引用都应该链接到实际的采访记录并进行验证。
两个最大的风险：虚假报价和偏见
人工智能在研究综合中存在两个危险的陷阱。第一个是虚构的引言（幻觉）：人工智能可以生成数据中没有但“听起来正确”的用户引言。这是研究中最危险的错误，因为你根据虚假证据做出了真正的设计决策。第二是扭曲和偏见：人工智能可以夸大多数人的意见，抹杀少数人重要但鲜为人知的需求；训练数据中的刻板印象（“老年人害怕技术”）可能会渗透到你的研究中。防止这两种情况发生的唯一方法是：将每个输出插回到原始数据中，并询问“在哪个对话中，在哪一行，这句话实际上发生了？”就是提出问题。
注意：在未在原始访谈文本中逐字查找并确认的情况下，请勿在报告、角色或演示文稿中包含任何人工智能生成的用户引用。杜撰的引用歪曲了实际的设计决策。
安全合成流程逐步
- 匿名：从访谈记录中清理个人数据（姓名、联系方式、识别详细信息）。用户数据属于个人数据；保密至关重要。
- 编码，但请求来源：要求 AI 请求每个标签对应的原始表达式和行/源引用。
- 统计主题：“有多少用户提到过这个？”问;不要让一个人将他的观点作为一种普遍模式来表达。
- 将见解联系起来：在每个见解句子下，放置其所基于的实际引用。
- 寻找反例：询问人工智能“是否有与这个主题相反的陈述，说相反的？”问;这打破了偏见和过度概括。
三个迷你箱子
案例 1 — 捏造的报价被抓获。一个团队总结了 12 次与 AI 的对话；人工智能生成了一句引人注目的引言，“其中一位用户说，‘我会购买这个产品作为礼物’”，团队希望将其包含在演示文稿中。研究人员扫描原始文本；这样的句子在任何对话中都找不到。 AI“编造”了一句整体积极基调的引语。引用被删除。教训：每个报价都经过原始数据的逐字验证。
案例 2——消除少数群体的需求。设计团队与 20 位用户进行了一项厨房用具研究。 AI简报突出了“用户关心速度”的主题。但当团队返回原始数据时，他们发现 3 位用户提到需要单手使用（其中一位手臂残疾，一位经常抱着婴儿）； AI 将此视为“少数”。然而，这是一个关键的可访问性洞察，将使产品脱颖而出。教训：数字权重并不总是意味着重要性；数字权重并不总是意味着重要性。少数人的需求可能是最有价值的见解。
案例3——正确使用。一名研究人员向 AI 提供 300 个调查开放式答案，并表示“为这些主题标记每个答案，计算每个主题有多少个答案，并逐字引用每个主题的 3 个实际示例答案。” AI 生成 8 个主题、数字和真实报价。研究人员检查了原始数据中的样本报价，它们都是真实的。这使得该表成为亲和力研究的开始。教训：结构化提示要求枚举+逐字引用产生可靠且可验证的综合。
可复制的提示模板
安全编码模板“将以下（匿名）采访陈述标记为主题。对于每条陈述：(1) 您指定的主题，(2) 陈述的确切文本，(3) 来源参考文献 [采访编号/行]。请勿编造任何不在文本中的陈述。将您不确定的陈述标记为“不确定”。数据：[粘贴]。”
主题计数模板“从以下编码数据中提取主题。对于每个主题：有多少不同的用户表达了它，示例 3 逐字引用（带来源）。不要将单个人表达的意见呈现为‘一般模式’；清楚地写出频率。数据：[粘贴]。”
反例/打破偏见模板“我想测试以下洞察模板：“[洞察]”。在原始数据中列出与此洞察相反、暗示相反或少数但可能很重要的陈述。目标是捕捉过度概括和偏见。数据：[粘贴]。”
洞察力反向链接模板“写下以下洞察力句子：[洞察力]。紧接着在下面，放置支持该洞察力的实际引用（逐字记录，带来源）。如果没有足够的直接证据，请说“证据不足”。不要添加捏造的证据。”
弱提示/强提示
弱提示：“总结这些对话并告诉我见解。”
强烈提示：“分析下面的 12 次匿名采访。(1) 将陈述标记为主题。(2) 计算有多少不同的用户提到了每个主题。(3) 为每个主题提供 2 个准确的引文（带有采访编号）。(4) 在单独的标题下收集少数但可能重要的需求。(5) 在文本中将证据不足的推论标记为“需要验证”。不要编造任何不存在的引文。数据： [粘贴]”。
弱提示赋予AI扭曲和编造的自由；它通过强大的即时计数、逐字引用、少数保护和“禁止捏造”使合成可验证。
常见错误
- 使用人工智能生成的报价，而不在原始数据中进行检查。捏造的报价是最危险的研究错误。
- 认为人数多数是重要性的唯一标准。少数人的需求往往是最有价值的见解。
- 将个人数据提供给人工智能而不进行匿名化。用户数据属于个人数据；保密是强制性的。
- 不寻找反例。不进行相反检验的综合会强化偏见。
- 将人工智能简报误认为是“研究”。综合是一个开始；洞察力基于原始数据。
提示：在每个见解下，询问“哪 2-3 个真实的引述支持这一点？”写下问题。如果没有答案，这种见解仍然是一个假设，而不是一个发现。
综上所述
人工智能是用户研究综合的强大加速器：它对数百个短语进行编码，对主题进行分组，并产生见解和角色。但存在两个主要风险：虚假报价和扭曲/偏见。防范这些问题的方法是将每个主题和引用链接回原始数据，计算频率，保留少数需求，并寻找反例。对用户数据进行匿名化，要求人工智能提供逐字引述和来源，实行“不得捏造”的规则，并且在没有证据支持的情况下不要将任何见解视为调查结果。
应用任务
有 8-10 条简短的用户评价，无论是真实的还是虚构的。首先将它们全部匿名。拥有带有“安全编码”模板的AI标签主题；然后使用“主题计数”模板询问频率和逐字引用。一一核对原始文本中AI给出的引言，标记是否真实。最后，使用“反例”模板，寻找与你的主题相矛盾的陈述，并写下你是否发现少数人的需求。
清单
- [ ] 在将用户数据提供给 AI 之前，我对其进行了匿名处理。
- [ ] 我向 AI 询问了每个主题的逐字引用和来源参考。
- [ ] 我通过在原始数据中找到每个报价来验证它（拟合检查）。
- [ ]我统计了主题的频率，并单独保留了少数需求。
- [ ] 我通过寻找与我的主题相反的例子来测试偏见。
- [ ] 我将没有证据的推论标记为“假设”，并且没有将其算作发现。