要用 AI 将问卷回答归纳为主题，先冻结研究问题和回答集合，为每条回答分配稳定 ID，再从样本建立经人工复核的编码本。AI 只负责提出一致的候选编码；每个主题都必须保留支持和反驳它的回答 ID、明确分母、不确定性及人工结论。

关键要点

分析一个定义清楚且不再变化的回答集合。

删除不必要的身份信息，同时保留稳定的回答 ID。

先试编码和修订编码本，再处理全部回答。

分开报告普遍程度、证据、反例和不确定性。

通用 AI 工作流采用相同的任务、证据、复核和审批边界。本文比用 AI 把笔记整理成报告更窄：重点是透明编码，而不是润色叙述。

主题分析前应定义什么？

写明研究问题、问卷题目、纳入日期、合格受访者、语言范围、排除记录和范围内回答总数。空白、“不适用”和无法使用的回答即使不编码，也应保留在总体和样本计数中。

GOV.UK 的研究分析指南把原始观察与解释分开，并建议先分组寻找模式，再撰写发现和行动。［1］用于问卷时，回答是证据，编码描述相关想法，主题则解释多个编码形成的模式。

建立语料清单：

字段	示例	作用
冻结导出	`survey-open-text-2026-08-29.csv`	固定分析总体
研究问题	完成新手引导的障碍	限制解释范围
范围内回答	842	提供分母
空白回答	119	避免夸大比例
语言	英语和俄语	明确翻译和复核需求
回答 ID	`R-0001`	不用姓名也能追溯

不要让 AI 判断样本是否代表市场或总体。代表性取决于招募、响应模式、加权和研究设计，不取决于主题摘要写得多流畅。

如何保护参与者隐私？

只收集和分享分析所必需的最少数据。GOV.UK 建议减少招募数据、安全存储，并只允许确有需要的人访问研究数据。［3］

交给 AI 前：

将联系方式和招募记录与回答正文分开。
用占位符替换姓名、邮箱、账号、精确位置等标识符。
删除与研究问题无关的元数据。
保留稳定回答 ID；映射关系只放在已批准且受控的系统内。
确认所用服务符合知情同意、保留期限、数据位置和组织审批要求。
即使已经去掉姓名，也把罕见组合和逐字引语视为可能识别个人的信息。

不要根据写作风格推断年龄、族裔、健康、残障、收入、情绪等个人属性。如确需分析已获批准的人口统计字段，应使用记录中的字段，并谨慎报告小群体。

如何建立问卷编码本？

先选取多样化的试编码样本，包括长短回答、正负反馈、常见和罕见答案、空白、多语言内容，以及可能涉及多个观点的回答。

GDS 的敏捷研究分析方法建议每张便笺只放一个观察、使用参与者代码保留来源、记录原话而不过早解释，并协作进行亲和分组。［2］问卷中的一条回答可以有多个可编码单元，但每个编码仍须指回回答 ID。

使用这个模板：

编码	定义	纳入条件	排除条件	正例	反例	复核备注
下一步不清楚	提交后不知道该做什么	明确提到提交后的不确定	只抱怨措辞	R-0042	R-0191 只是要求更快	区分清晰度和速度

可由两人进行开放编码，或由一位分析者分两轮完成。比较分歧，合并真正同义的编码，拆分过宽编码，并记录定义为何改变。编码本是有版本的决策记录，不是模型一次生成的词表。

如何让 AI 提议编码而不代替解释？

向 AI 提供研究问题、已批准且脱敏的样本、当前编码本和严格输出格式。要求候选分配及理由，而不是最终主题。

可复制提示词：

对每个回答 ID，从所给编码本中提出最多三个候选编码。引用最短支持片段，用一句话说明匹配理由；若现有定义都不合适，标记 new_code_candidate。不要推断人口属性、意图、因果或代表性；保留歧义和混合观点。

人工复核试编码结果，并按每个编码衡量一致性，而不能只看总体一致率。模型可能很擅长高频而明确的编码，却压平少数意见，或误解反讽、领域术语、翻译文本和同时表达多个立场的回答。

NIST 把自信生成错误内容列为生成式 AI 风险，并建议核验来源和引用。［4］在这里，回答 ID 和支持片段就是来源；凡是无法指向冻结回答原文的分配都应拒绝。

如何用 AI 将问卷回答归纳为主题？

主题应回答研究问题并解释有意义的模式，而不是给高频词换个名字。组合相关编码，回看底层回答，再写候选主题陈述，说明在已观察样本中发生了什么、涉及谁以及处于什么情境。

每个候选主题都应收集：

纳入的编码 ID；
支持主题的回答 ID；
否定或矛盾案例；
同时属于多个主题的回答；
语言或子群限制；
分析者置信度和待解问题；
建议行动，但与研究发现分开记录。

证据矩阵示例：

主题	支持 ID	反例 ID	已编码回答	分母	解释	置信度
进度反馈不清楚	R-0042、R-0108、R-0317	R-0191	96	842 条范围内回答	提交后反复出现困惑	中

不要因为孤立或少数回答没有形成大簇就删除它们。罕见反馈可能揭示无障碍障碍、安全问题或重要边界情形，应标为少数信号，而不是说成普遍现象。

如何报告主题频率？

同时写出分子、分母和计数规则。一条回答可获得多个编码，因此主题百分比之和超过 100% 并不一定错误。要区分以下分母：

全部合格受访者；
该题全部已提交的回答；
非空回答；
成功编码的回答；
提及次数，而非独立受访者数。

应写“842 条范围内回答中有 96 条被编码到该主题”，而不是“11% 的用户有这个问题”。前者描述观察语料，后者把回答推广成用户，并可能暗示研究设计并未证明的代表性。

如果编码前由 AI 翻译，保留原文、译文、语言、翻译者或工具及复核状态。翻译不确定性不能在主题计数里消失。

如何复核分歧和反例？

建立分歧日志：

回答 ID	候选编码	分歧	证据	决定	决定人
R-0274	速度；下一步不清楚	同时抱怨延迟和指引	两个独立分句	两个编码都保留	研究负责人

从每个主要编码中抽样检查已接受和已拒绝的分配。复核全部新编码候选、低置信度项目、敏感主题、翻译回答，以及将用于高影响决策的主题。让观察或负责研究情境的人参与；协作分析能减少单人解释的影响。［1］［2］

研究发现和行动应分开。“受访者不知道提交是否成功”是发现；“增加绿色确认横幅”只是需要测试的一项设计假设。

最终主题报告应包含什么？

包括研究问题、冻结语料清单、隐私处理、编码本版本、编码方法、复核角色、主题证据矩阵、分母定义、分歧、反例、少数信号、限制和待解问题。每项主张都应链接到批准的研究系统中的回答 ID。

只有编码表获批后，才用电子表格分析计算确定性的计数和分布。AI 事实核查工作流可核对叙述与证据矩阵，AI 隐私指南则提供进一步的数据最小化问题。

总结

冻结问题、总体、排除规则和分母。
最小化并匿名化数据，同时保留回答 ID。
通过试编码建立并维护有版本的编码本。
AI 只提出带引文证据的候选编码，不负责最终解释。
保留分歧、反例、少数信号和翻译限制。
报告分子、分母、不确定性和人工复核。

常见问题

AI 能自动完成主题分析吗？

它可以提出编码和分组，但应由合格人员定义研究问题、复核编码本、解决歧义、检查反例并批准最终主题。

主题分析需要多少份问卷回答？

没有统一数字。它取决于研究问题、招募方式、总体、回答质量、多样性和拟支持的决定。AI 不能证明代表性。

每条回答都只能有一个编码吗？

不是。一条回答可以对应多个编码、没有编码，或标记为不确定。强制单标签会抹掉混合或矛盾观点。

编码和主题有什么区别？

编码标记回答中的相关想法；主题结合研究问题，解释多个相关编码形成的有意义模式。

可以报告主题百分比吗？

可以，但必须写明分子、分母、计数规则以及回答能否属于多个主题。没有合适研究设计时，不要暗示总体流行率。

应删除罕见回答吗？

不应。保留相关的少数意见和反例；证据不足以支持更广泛结论时，把它们报告为有限信号。

可以把原始问卷导出上传到 AI 工具吗？

只有当服务、知情同意、数据分类、保留和访问边界都获批时才可以。先删去不必要字段和标识符。

免责声明：请遵守组织的研究伦理、知情同意、隐私、保留期限和法律要求。AI 辅助编码不能证明样本代表性，也不能取代研究人员判断。

来源：

GOV.UK Service Manual — Analyse a research session — https://www.gov.uk/service-manual/user-research/analyse-a-research-session
GDS User Research — How we do research analysis in agile — https://userresearch.blog.gov.uk/2014/06/05/how-we-do-research-analysis-in-agile/
GOV.UK Service Manual — Managing user research data and participant privacy — https://www.gov.uk/service-manual/user-research/managing-user-research-data-participant-privacy
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 将问卷回答归纳为主题：编码本、证据矩阵与分母报告