要用 AI 分析客户评价，先定义精确语料范围，保留来源和情境字段，标记重复内容，再建立可追溯主题，并把普遍程度、严重度和情绪分开衡量。AI 可以加快编码与摘要，但证据、法律边界、少数信号和后续行动都必须由人复核。

关键要点

冻结产品、版本、渠道、日期、地区和语言范围。

保留评价 ID、来源、激励、购买验证和审核情境。

分开衡量问题出现频率、后果严重度和表达情绪。

绝不能把 AI 评分当作假评价裁决或自动审核决定。

先采用通用 AI 工作流中的证据和审批阶段。本文分析使用后的反馈，不重复用 AI 比较产品所处理的购买前选择。

如何定义评价语料？

收集或上传前先写语料契约，至少包括：

产品及确切型号、方案或变体；
已知的软件或硬件版本；
评价渠道、来源 URL 或导出；
收集起止日期；
合法取得的评价者地区和语言字段；
纳入和排除规则；
是否有激励、是否标为已验证购买；
审核、转载和翻译字段；
冻结的原始记录数。

语料清单示例：

评价 ID	来源	产品/版本	日期	地区语言	激励已披露	验证字段	转载自	状态
RV-00421	零售商导出	型号 A / v2	2026-07-18	en-GB	否	是	无	纳入

不要因为产品名称相似就混合不同型号或服务阶段的评价。旧版投诉可能不适用于当前版本，但直接删除也可能遮蔽重复出现的生命周期问题。始终保留版本边界。

应保留哪些来源信息？

在线评价不是中立随机样本。各来源对谁能发布、如何征集、如何审核、购买是否验证、激励是否披露都有不同规则。美国 FTC 的消费者评价规则涉及指定的评价和推荐不公平或欺骗行为。［2］FTC 也警告企业不得只向可能给出好评的人征集评价，也不得把奖励与正面评价挂钩。［3］

保留能解释这些情境的字段。不要把有激励的评价改写成普通自然反馈，也不要把“已验证购买”当成每句话都真实的证明。

英国竞争与市场管理局发布了面向展示评价企业的指南，并说明评价发布者对禁止行为负有法律义务。［4］如果分析会影响发布、排序、征集、压制或平台政策，应取得适当的法律或合规复核，而不是把本文当成法规手册。

如何清理评价而不破坏证据？

保留冻结的原始副本，再建立派生分析表。转换前先分配稳定评价 ID。以下情况应标记而非静默删除：

同一来源的完全重复内容；
多个零售商或平台间的转载副本；
另一条评价引用的原文片段；
可能源于模板复用的近似重复；
同时涉及多个产品变体的评价；
已披露的员工、测试人员或受激励参与者评价；
机器译文及其原文；
缺少日期、版本或来源情境的记录。

去重不等于身份解析。两条相似评价可能来自独立真实体验，两段不同文字也可能属于同一活动。AI 可指出候选供人工复核，但不应识别评价者或宣布欺诈。

处置日志示例：

记录	候选重复组	证据	决定	对计数的影响	复核人
RV-00421	D-17	原文和转载来源 ID 完全相同	保留标准记录并链接副本	语料指标只计一次	分析员

如何建立可追溯的评价主题？

试编码样本应覆盖渠道、日期、评分、语言、产品变体，以及常见和罕见意见。GOV.UK 的研究分析指南建议先记录观察再解释，组合相关证据，并让多人参与以减少个人偏差。［1］

建立边界明确的编码本：

编码	定义	纳入	排除	证据例子	严重度规则
设置受阻	无法完成初次设置	故障阻止首次使用	只是不喜欢设置时长	RV-00421	无变通办法时为高

只有能够引用支持片段并返回评价 ID 时，AI 才能提出候选编码。允许多个编码、不确定性和 new_code_candidate，不要强迫所有评价成为正面或负面。

可复制提示词：

只按给定编码本处理这些已脱敏评价。返回评价 ID、候选编码、最短支持片段、产品/版本情境、针对该问题的情绪、置信度和歧义。不要推断评价者身份、真实性、人口属性或因果。把混合型号、疑似重复和无证据分配交给人工复核。

普遍程度、严重度和情绪有何不同？

指标	回答的问题	合适证据	常见错误
普遍程度	主题在本语料中出现多频繁？	范围内独立评价数和分母	把提及率当成市场发生率
严重度	问题发生时后果多严重？	影响量表和证据	把罕见等同于不严重
情绪	体验如何被表达？	针对具体方面的语言	把情绪当成事实后果
置信度	编码有多可靠？	一致率和证据质量	把模型概率当成事实

一次安全故障即使罕见也可能很严重；频繁出现的外观偏好可能严重度很低。强烈负面语言说明挫败感，却不能单独证明金钱损失、危险或产品缺陷。

应写“1,206 条纳入评价中有 74 条提到新手引导困惑”，而不是“6% 的客户感到困惑”。评价未必代表所有客户，而且一条评价可涉及多个主题。

如何处理可疑或可能虚假的评价？

AI 只能根据有记录且可复核的指标提出候选，例如完全重复、已披露的激励字段、不可能的产品版本日期或重复模板文字。保留证据，再交给平台或组织获授权的流程。

不要：

根据写作风格把某人标为欺诈者；
跨平台推断身份；
自动删除、压制、降权或回复评价；
为提高分数而移除真实负面反馈；
把情绪、语法、语言或地域假设当成真实性证明；
发布模型生成的指控。

FTC 明确警告企业不要滥用平台举报机制删除真实负面评价。［3］监管和平台决定需要独立证据、政策、正当流程和获授权负责人。

如何用 AI 分析客户评价并验证结果？

NIST 把生成式 AI 以自信口吻呈现错误内容的现象称为虚构（confabulation），并建议核验来源和引用。［5］评价分析中的每条主题陈述都应映射到评价 ID 和原文片段。

使用包含以下内容的人工分层样本：

每个主要编码中已接受和已拒绝的分配；
全部高严重度问题；
低置信度和新编码候选；
正面、负面、中立和混合评价；
范围内的每种语言和产品变体；
重复和转载候选；
少数信号和反例。

比较复核决定，修订定义，并在编码本变化后重跑受影响记录。应从已接受的编码表确定性地重算计数，不能让 AI 从对话中回忆总数。

如何把主题变成行动矩阵？

优先级不能只看频率，还要结合严重度、置信度、受影响情境、可逆性、负责人和下一项验证。

主题	证据 ID	普遍程度	严重度	置信度	建议行动	负责人	下一项验证
版本 2 设置受阻	RV-00421、RV-00982	1,206 条中 18 条	高	中	在支持设备上复现	产品支持	受控复现

建议行动和发现应分开。评价可以提示调查方向，却不能证明根因。团队可能还需要支持日志、遥测、访谈、无障碍测试或受控技术复现。

编码表获批后，可用电子表格分析计算计数和分布。用事实核查工作流审计最终叙述，并在上传原始客户文字前查阅AI 隐私指南。

总结

冻结范围精确且区分版本的评价语料。
保留来源、激励、验证、审核和转载情境。
标记重复和混合变体，不推断评价者身份。
建立保留评价 ID 和片段的编码及主题。
分开报告普遍程度、严重度、情绪和置信度。
由获授权人员控制假评价、审核、回复和产品决定。

常见问题

AI 能汇总数千条客户评价吗？

可以，但应使用冻结语料、可追溯编码表、确定性计数和人工抽样。没有评价 ID 的流畅摘要无法审计。

情绪分析等同于主题分析吗？

不等同。情绪描述某方面如何被表达；主题描述评价在讨论什么重复问题或需求。应作为不同字段保存。

AI 能检测假评价吗？

它可以标记有据可查的模式供复核，但不能作最终真实性、身份、执法或删除决定。

重复评价应该删除吗？

保留原始记录，组合重复或转载候选，并采用有记录的计数规则。删除会破坏来源，也可能错误合并独立体验。

星级评分能衡量严重度吗？

不能。评分是受多种因素影响的总体信号。应按明确量表和人工复核，从描述的后果判断严重度。

如何处理多语言评价？

保留原文、语言、译文、方法和复核状态。重要决定或仍有歧义时，应安排懂原语言的人复核。

分析后可以让 AI 自动回复评价吗？

不要把主题输出直接连接到公开回复。每个个案仍需获授权的语气、隐私、事实、支持和升级复核。

免责声明：本文提供研究工作流，不构成法律、监管、审核或合规建议。请遵守适用法律、平台规则和获授权复核程序。

来源：

GOV.UK Service Manual — Analyse a research session — https://www.gov.uk/service-manual/user-research/analyse-a-research-session
Federal Trade Commission — Rulemaking: Use of Consumer Reviews and Testimonials — https://www.ftc.gov/legal-library/browse/rules/rulemaking-use-consumer-reviews-testimonials
Federal Trade Commission — Soliciting and Paying for Online Reviews: A Guide for Marketers — https://www.ftc.gov/business-guidance/resources/soliciting-paying-online-reviews-guide-marketers
Competition and Markets Authority — Fake reviews guidance — https://www.gov.uk/government/publications/fake-reviews
NIST — Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile — https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf

Sources checked 2026 年 8 月 30 日。

延伸阅读：

如何用 AI 分析客户评价：从语料范围、可追溯主题到行动矩阵