豆包AI用户访谈记录整理归纳方法与定性数据分析

用户访谈录音转写后，面对数十页甚至上百页的原始文本，你是否感到无从下手？那些口语化的冗余表达、跳跃的话题转换以及隐藏在字里行间的真实需求，确实让定性数据分析的第一步充满挑战。

不必焦虑，如今借助AI工具，例如豆包，你可以高效处理这些海量文本信息。关键在于掌握正确的“提问”技巧，从而引导AI精准地完成从文本整理、观点归纳到深度洞察的全流程。以下四种实操方法，将帮助你将杂乱的访谈记录，转化为结构清晰、可直接用于研究报告的分析素材。

一、上传转写文本，触发主题自动聚类分析

当你拥有多份分散的访谈记录时，首要任务是发现其中的共性观点。人工逐句编码不仅耗时，而且容易遗漏。此时，可以借助豆包AI的语义理解能力，自动识别并归拢不同用户访谈中的相似表述，形成清晰的主题聚类。

具体操作如下：首先，将整理好的转写文本（建议按用户分段，并标注ID，如“U01”、“U02”）一次性粘贴给豆包。接着，输入明确指令：“请基于语义相似性，将以下访谈文本聚类为5个核心主题。每个主题需满足：①有一个明确的中文主题名称（不超过8个字）；②包含3条最具代表性的用户原话（请标注说话人ID）；③附上一句不超过20字的概括性说明。”

指令发出后，关键一步是核查AI生成的主题是否覆盖了所有访谈对象。如果发现某个用户ID（例如U03）在某个主题下未被引用，可以追加指令：“请补充用户U03在‘需求痛点’这一主题下的代表性原话。”这样可以确保分析的全面性与代表性，避免遗漏关键个体的声音。

二、插入【洞察】【矛盾】【例证】标签，驱动结构化信息提取

如果你在通读访谈记录时，已对部分关键信息有了初步判断，采用“预标记”方法是高效的选择。这相当于为AI划定了分析重点，使其能按照你的研究框架提取信息，输出结果更便于对接后续的编码或分析流程。

操作上，你需要在文本的关键信息旁手动插入三类标签：【洞察】用于标记用户自发流露的认知转变或深层动机；【矛盾】用于标记同一用户前后表述不一，或不同用户群体间的明显分歧；【例证】则用于标记支撑某个抽象观点的具体行为、场景或数据细节。

例如：【洞察】“我其实不是怕价格高，是担心购买后不会操作”（U05）；【矛盾】用户U02说“每天必看”，但用户U07却说“打开就关闭”；【例证】“连续3天截图保存操作教程”。

全部标记完成后，在文本末尾输入指令：“请严格按照【洞察】【矛盾】【例证】三类标签分别汇总内容，每类下的条目按出现顺序编号，并保留原始引号与用户ID。”最后，务必核对输出结果，确保每一条引用都完整、准确无误。

三、分阶段交互提炼：先提取原始陈述，再映射至理论模型

当你的研究需要对接KANO模型、Jobs-to-be-Done等经典理论框架时，采用分两步走的策略更为稳妥。这样做能先剥离出用户“原汁原味”的行为描述，避免AI在第一轮分析中就掺杂外部概念，导致信息失真。

第一步，发出一个聚焦的指令：“请从以下访谈文本中，仅提取所有用户关于产品使用的具体行为描述（注意：排除评价、推测或愿望类表述），原样列出，不做任何修饰，每条以‘Uxx：’开头。”

获得这份纯粹的行为清单后，立即进行第二步。输入新的指令：“请将以下行为列表逐条映射至KANO模型的五类属性（必备型、期望型、魅力型、反向型、无差异型），只需输出‘Uxx：[属性类型]’的格式，无需解释原因。”完成后，请对比两轮结果的条目数量是否一致，并核查是否存在模棱两可的归类。

四、使用指令锚定对比维度，生成矩阵式归纳表

对于涉及多用户群体、多使用场景的复杂访谈，我们常常需要进行交叉对比分析。此时，你可以通过预设清晰的对比维度，直接驱动AI生成一个矩阵式归纳表，使不同用户群体的差异与诉求一目了然。

在粘贴文本前，先给出结构化的指令以设定框架：“请构建一个对比分析矩阵。横轴维度为‘用户类型’（分为新用户和老用户），纵轴维度为‘核心诉求’（分为易用性、功能深度、社交认同）。每个矩阵单元格内只填入1条最具代表性的用户原话（标注ID），总计填充4个单元格。”

然后，粘贴全部访谈文本并发送指令。如果发现某个单元格（例如“老用户×功能深度”）内容为空，可以追加指令，指定从特定用户（如U09、U12、U15）的表述中寻找补充，并要求引用的原话包含具体功能名称或使用频率信息。最后，严格检查所有填充内容是否均源自原始文本，防止AI自行发挥或进行泛化表述。