要用 AI 分析客戶評價，先定義精確語料範圍，保留來源和情境欄位，標記重複內容，再建立可追溯主題，並把普遍程度、嚴重度和情緒分開衡量。AI 可以加快編碼及摘要，但證據、法律界線、少數信號和後續行動都必須由人覆核。

關鍵要點

凍結產品、版本、渠道、日期、地區和語言範圍。

保留評價 ID、來源、激勵、購買驗證和審核情境。

分開衡量問題出現頻率、後果嚴重度和表達情緒。

絕不能把 AI 評分當作假評價裁決或自動審核決定。

先採用通用 AI 工作流程的證據和審批階段。本文分析使用後的回饋，不重複用 AI 比較產品所處理的購買前選擇。

如何定義評價語料？

收集或上載前先寫語料契約，至少包括：

產品及確切型號、方案或變體；
已知的軟件或硬件版本；
評價渠道、來源 URL 或匯出；
收集開始及結束日期；
合法取得的評價者地區和語言欄位；
納入和排除規則；
是否有激勵、是否標示為已驗證購買；
審核、轉載和翻譯欄位；
凍結的原始紀錄數。

語料清單例子：

評價 ID	來源	產品/版本	日期	地區語言	激勵已披露	驗證欄位	轉載自	狀態
RV-00421	零售商匯出	型號 A / v2	2026-07-18	en-GB	否	是	無	納入

不要因產品名稱相似就混合不同型號或服務階段的評價。舊版投訴可能不適用於目前版本，但直接刪除也可能遮蔽重複出現的生命週期問題。必須保留版本界線。

應保留哪些來源資料？

網上評價不是中立隨機樣本。各來源對誰能發佈、如何徵集、如何審核、購買是否驗證、激勵是否披露均有不同規則。美國 FTC 的消費者評價規則涉及指定的評價和推薦不公平或欺騙行為。［2］FTC 亦警告企業不可只向可能給好評的人徵集評價，也不可把獎勵與正面評價掛鈎。［3］

保留能解釋這些情境的欄位。不要把有激勵的評價改寫為普通自然回饋，也不要把「已驗證購買」當成每句話都真確的證明。

英國競爭與市場管理局發佈了供展示評價企業使用的指引，並說明評價發佈者對禁止行為負有法律責任。［4］如分析會影響發佈、排序、徵集、壓制或平台政策，應取得適當法律或合規覆核，而非把本文當成法規手冊。

如何清理評價而不破壞證據？

保留凍結的原始副本，再建立衍生分析表。轉換前先編配穩定評價 ID。以下情況應標記而非靜默刪除：

同一來源的完全重複內容；
多個零售商或平台間的轉載副本；
另一項評價引述的原文片段；
可能源於模板重用的近似重複；
同時涉及多個產品變體的評價；
已披露的員工、測試人員或受激勵參與者評價；
機器譯文及其原文；
缺少日期、版本或來源情境的紀錄。

去重並不等於身份解析。兩項相似評價可能來自獨立真實體驗，兩段不同文字也可能屬於同一活動。AI 可指出候選供人工覆核，但不應識別評價者或宣告欺詐。

處置紀錄例子：

紀錄	候選重複組	證據	決定	對計數的影響	覆核人
RV-00421	D-17	原文和轉載來源 ID 完全相同	保留標準紀錄並連結副本	語料指標只計一次	分析員

如何建立可追溯的評價主題？

試編碼樣本應涵蓋渠道、日期、評分、語言、產品變體，以及常見和罕見意見。GOV.UK 的研究分析指引建議先記錄觀察再詮釋，組合相關證據，並讓多人參與以減少個人偏見。［1］

建立界線明確的編碼手冊：

編碼	定義	納入	排除	證據例子	嚴重度規則
設定受阻	無法完成首次設定	故障阻止首次使用	只是不喜歡設定需時	RV-00421	沒有替代方法時為高

只有能引述支持片段並傳回評價 ID 時，AI 才可提出候選編碼。容許多個編碼、不確定性和 new_code_candidate，不要強迫所有評價成為正面或負面。

可複製提示詞：

只按指定編碼手冊處理這些已移除識別資料的評價。傳回評價 ID、候選編碼、最短支持片段、產品/版本情境、針對該問題的情緒、信心和歧義。不要推斷評價者身份、真確性、人口屬性或因果。把混合型號、疑似重複和無證據分配交給人工覆核。

普遍程度、嚴重度和情緒有何分別？

指標	回答的問題	合適證據	常見錯誤
普遍程度	主題在此語料中出現多頻繁？	範圍內獨立評價數和分母	把提及率當成市場發生率
嚴重度	問題出現時後果多嚴重？	影響尺度和證據	把罕見等同於不嚴重
情緒	體驗如何被表達？	針對具體方面的語言	把情緒當成事實後果
信心	編碼有多可靠？	一致率和證據質素	把模型概率當成事實

一次安全故障即使罕見也可能很嚴重；頻繁出現的外觀偏好可能嚴重度很低。強烈負面語言顯示挫敗感，卻不能單獨證明金錢損失、危險或產品缺陷。

應寫「1,206 項納入評價中有 74 項提到新手引導困惑」，而非「6% 客戶感到困惑」。評價未必代表所有客戶，而且一項評價可涉及多個主題。

如何處理可疑或可能虛假的評價？

AI 只能根據有紀錄並可覆核的指標提出候選，例如完全重複、已披露激勵欄位、不可能的產品版本日期或重複模板文字。保留證據，再交給平台或機構獲授權流程。

不要：

按寫作風格把某人標示為欺詐者；
跨平台推斷身份；
自動刪除、壓制、降低排序或回覆評價；
為提高分數而移除真實負面回饋；
把情緒、文法、語言或地域假設當作真確性證明；
發佈模型生成的指控。

FTC 明確警告企業不要濫用平台舉報機制刪除真實負面評價。［3］監管和平台決定需要獨立證據、政策、正當程序和獲授權負責人。

如何用 AI 分析客戶評價並驗證結果？

NIST 把生成式 AI 以自信口吻呈現錯誤內容的現象稱為虛構（confabulation），並建議核實來源和引用。［5］評價分析中的每項主題陳述都應映射至評價 ID 和原文片段。

使用包含以下內容的人工分層樣本：

每個主要編碼中已接受和已拒絕的分配；
全部高嚴重度問題；
低信心和新編碼候選；
正面、負面、中立和混合評價；
範圍內的每種語言和產品變體；
重複和轉載候選；
少數訊號和反例。

比較覆核決定，修訂定義，並在編碼手冊改變後重新處理受影響紀錄。應從已接受的編碼表確定地重算數量，不能讓 AI 從對話中回想總數。

如何把主題變成行動矩陣？

優先次序不可只看頻率，還要結合嚴重度、信心、受影響情境、可逆性、負責人和下一項驗證。

主題	證據 ID	普遍程度	嚴重度	信心	建議行動	負責人	下一項驗證
版本 2 設定受阻	RV-00421、RV-00982	1,206 項中 18 項	高	中	在支援裝置上重現	產品支援	受控重現

建議行動和發現應分開。評價可提示調查方向，卻不能證明根本原因。團隊可能還需要支援紀錄、遙測、訪談、無障礙測試或受控技術重現。

編碼表獲批後，可用試算表分析計算數量和分佈。用事實核查流程審核最終敘述，並在上載原始客戶文字前查閱AI 私隱指南。

總結

凍結範圍精確並區分版本的評價語料。
保留來源、激勵、驗證、審核和轉載情境。
標記重複和混合變體，不推斷評價者身份。
建立保留評價 ID 和片段的編碼及主題。
分開報告普遍程度、嚴重度、情緒和信心。
由獲授權人員控制假評價、審核、回覆和產品決定。

常見問題

AI 能總結數千項客戶評價嗎？

可以，但應使用凍結語料、可追溯編碼表、確定性計數和人工抽樣。沒有評價 ID 的流暢摘要無法審核。

情緒分析等同主題分析嗎？

不等同。情緒描述某方面如何被表達；主題描述評價討論甚麼重複問題或需要。應作為不同欄位保存。

AI 能偵測假評價嗎？

它可以標記有據可查的模式供覆核，但不能作最終真確性、身份、執法或刪除決定。

重複評價應該刪除嗎？

保留原始紀錄，組合重複或轉載候選，並採用有紀錄的計數規則。刪除會破壞來源，也可能錯誤合併獨立體驗。

星級評分能衡量嚴重度嗎？

不能。評分是受多種因素影響的整體信號。應按明確尺度和人工覆核，從描述的後果判斷嚴重度。

如何處理多語言評價？

保留原文、語言、譯文、方法和覆核狀態。重要決定或仍有歧義時，應安排懂原語言的人覆核。

分析後可以讓 AI 自動回覆評價嗎？

不要把主題輸出直接連接至公開回覆。每個個案仍需獲授權的語氣、私隱、事實、支援和升級覆核。

免責聲明：本文提供研究工作流程，不構成法律、監管、審核或合規建議。請遵守適用法律、平台規則和獲授權覆核程序。

來源：

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。

延伸閱讀：

如何用 AI 分析客戶評價：由語料範圍、可追溯主題到行動矩陣