要用 AI 把問卷回應歸納成主題，先凍結研究問題和回應集合，為每項回應編配穩定 ID，再從樣本建立經人工覆核的編碼手冊。AI 只負責提出一致的候選編碼；每個主題都必須保留支持及反駁它的回應 ID、明確分母、不確定性和人工決定。

關鍵要點

分析一個定義清楚而且不再變動的回應集合。

刪除不必要的身份資料，同時保留穩定的回應 ID。

先試編碼及修訂編碼手冊，再處理全部回應。

分開報告普遍程度、證據、反例和不確定性。

通用 AI 工作流程採用相同的任務、證據、覆核和審批界線。本文比用 AI 把筆記整理成報告更聚焦：重點是透明編碼，而非潤飾敘述。

主題分析前應定義甚麼？

寫明研究問題、問卷題目、納入日期、合資格受訪者、語言範圍、排除紀錄和範圍內回應總數。空白、「不適用」和無法使用的回應即使不編碼，也應保留在總體和樣本計數內。

GOV.UK 的研究分析指引把原始觀察與詮釋分開，並建議先分組尋找模式，再撰寫發現和行動。［1］用於問卷時，回應是證據，編碼描述相關想法，主題則解釋多個編碼形成的模式。

建立語料清單：

欄位	例子	作用
凍結匯出	`survey-open-text-2026-08-29.csv`	固定分析總體
研究問題	完成新手引導的障礙	限制詮釋範圍
範圍內回應	842	提供分母
空白回應	119	避免誇大比例
語言	英文和俄文	明確翻譯及覆核需要
回應 ID	`R-0001`	不用姓名也可追溯

不要讓 AI 判斷樣本能否代表市場或總體。代表性取決於招募、回應模式、加權和研究設計，並不取決於主題摘要寫得多流暢。

如何保障參與者私隱？

只收集和分享分析所需的最少資料。GOV.UK 建議減少招募資料、安全儲存，並只讓確有需要的人存取研究資料。［3］

交給 AI 前：

把聯絡資料及招募紀錄與回應正文分開。
用佔位符取代姓名、電郵、帳戶號碼、精確位置等識別資料。
刪除與研究問題無關的元數據。
保留穩定回應 ID；映射關係只放在已批准並受控的系統內。
確認所用服務符合知情同意、保留期限、數據位置和機構審批要求。
即使已移除姓名，也把罕見組合和逐字引述視為可能識別個人的資料。

不要根據寫作風格推斷年齡、族裔、健康、殘疾、收入、情緒等個人屬性。如確需分析已獲批准的人口統計欄位，應使用紀錄欄位，並審慎報告小群組。

如何建立問卷編碼手冊？

先挑選多樣化的試編碼樣本，包括長短回應、正負意見、常見和罕見答案、空白、多語言內容，以及可能涉及多個觀點的回應。

GDS 的敏捷研究分析方法建議每張便條只放一項觀察、使用參與者代碼保留來源、記錄原話而不過早詮釋，並協作進行親和分組。［2］問卷的一項回應可有多個可編碼單元，但每個編碼仍須連回回應 ID。

使用這個模板：

編碼	定義	納入條件	排除條件	正例	反例	覆核備註
下一步不清楚	提交後不知道要做甚麼	明確提到提交後不確定	只不滿措辭	R-0042	R-0191 只要求更快	區分清晰度和速度

可由兩人作開放編碼，或由一名分析員分兩輪完成。比較分歧，合併真正同義的編碼，拆分過闊編碼，並記錄定義為何改變。編碼手冊是有版本的決策紀錄，不是模型一次生成的詞彙表。

如何讓 AI 提議編碼而不取代詮釋？

向 AI 提供研究問題、已批准並刪減識別資料的樣本、目前編碼手冊和嚴格輸出格式。要求候選分配和理由，而非最終主題。

可複製提示詞：

對每個回應 ID，從所提供的編碼手冊提出最多三個候選編碼。引述最短支持片段，用一句話說明匹配原因；如現有定義都不適用，標記 new_code_candidate。不要推斷人口屬性、意圖、因果或代表性；保留歧義和混合觀點。

人工覆核試編碼結果，並按每個編碼衡量一致性，不可只看整體一致率。模型可能善於處理高頻而清楚的編碼，卻壓平少數意見，或誤解諷刺、領域術語、翻譯文字和同時表達多個立場的回應。

NIST 把自信生成錯誤內容列為生成式 AI 風險，並建議核實來源和引用。［4］在此，回應 ID 和支持片段就是來源；凡無法指向凍結回應原文的分配都應拒絕。

如何用 AI 把問卷回應歸納成主題？

主題應回答研究問題並解釋有意義的模式，而非替高頻詞換名。組合相關編碼，重看底層回應，再寫候選主題陳述，說明在已觀察樣本中發生甚麼、涉及誰以及處於甚麼情境。

每個候選主題都應收集：

納入的編碼 ID；
支持主題的回應 ID；
否定或矛盾個案；
同時屬於多個主題的回應；
語言或小組限制；
分析員的信心和待解問題；
建議行動，但與研究發現分開記錄。

證據矩陣例子：

主題	支持 ID	反例 ID	已編碼回應	分母	詮釋	信心
進度回饋不清楚	R-0042、R-0108、R-0317	R-0191	96	842 項範圍內回應	提交後反覆出現困惑	中

不要因為孤立或少數回應沒有形成大組就刪除它們。罕見回饋可能揭示無障礙障礙、安全問題或重要邊界情況，應標示為少數信號，而非說成普遍現象。

如何報告主題頻率？

同時寫出分子、分母和計數規則。一項回應可獲多個編碼，因此主題百分比總和超過 100% 不一定有錯。要區分以下分母：

全部合資格受訪者；
該題全部已提交的回應；
非空白回應；
成功編碼的回應；
提及次數，而非獨立受訪者人數。

應寫「842 項範圍內回應中有 96 項被編碼到此主題」，而不是「11% 用戶有此問題」。前者描述觀察語料，後者把回應推廣成用戶，並可能暗示研究設計尚未證明的代表性。

如編碼前由 AI 翻譯，保留原文、譯文、語言、翻譯者或工具及覆核狀態。翻譯不確定性不可在主題計數中消失。

如何覆核分歧和反例？

建立分歧紀錄：

回應 ID	候選編碼	分歧	證據	決定	決定人
R-0274	速度；下一步不清楚	同時不滿延遲和指引	兩個獨立分句	兩個編碼都保留	研究負責人

從每個主要編碼抽樣檢查已接受和已拒絕的分配。覆核全部新編碼候選、低信心項目、敏感主題、翻譯回應，以及用於高影響決策的主題。讓觀察或負責研究情境的人參與；協作分析可減少單人詮釋的影響。［1］［2］

研究發現和行動應分開。「受訪者不知道提交是否成功」是發現；「增加綠色確認橫幅」只是要測試的一項設計假設。

最終主題報告應包括甚麼？

包括研究問題、凍結語料清單、私隱處理、編碼手冊版本、編碼方法、覆核角色、主題證據矩陣、分母定義、分歧、反例、少數信號、限制和待解問題。每項主張都應連結至已批准研究系統內的回應 ID。

只有編碼表獲批後，才用試算表分析計算確定性的數量和分佈。AI 事實核查流程可核對敘述和證據矩陣，AI 私隱指南則提供進一步的數據最小化問題。

總結

凍結問題、總體、排除規則和分母。
最小化並匿名化數據，同時保留回應 ID。
透過試編碼建立並維護有版本的編碼手冊。
AI 只提出附有引述證據的候選編碼，不負責最終詮釋。
保留分歧、反例、少數信號和翻譯限制。
報告分子、分母、不確定性和人工覆核。

常見問題

AI 能自動完成主題分析嗎？

它可以提出編碼和分組，但應由合資格人員定義研究問題、覆核編碼手冊、處理歧義、檢查反例並批准最終主題。

主題分析需要多少份問卷回應？

沒有統一數字。它取決於研究問題、招募方式、總體、回應質素、多樣性和要支持的決定。AI 不能證明代表性。

每項回應都只能有一個編碼嗎？

不是。一項回應可對應多個編碼、沒有編碼，或標記為不確定。強制單一標籤會抹去混合或矛盾觀點。

編碼和主題有甚麼分別？

編碼標記回應中的相關想法；主題結合研究問題，解釋多個相關編碼形成的有意義模式。

可以報告主題百分比嗎？

可以，但必須列明分子、分母、計數規則以及回應能否屬於多個主題。沒有合適研究設計時，不要暗示總體普遍程度。

應刪除罕見回應嗎？

不應。保留相關少數意見和反例；證據不足以支持更廣泛結論時，把它們報告為有限信號。

可以把原始問卷匯出上載至 AI 工具嗎？

只有當服務、知情同意、數據分類、保留和存取界線均獲批時才可以。先移除不必要欄位和識別資料。

免責聲明：請遵守機構的研究倫理、知情同意、私隱、保留期限和法律要求。AI 輔助編碼不能證明樣本代表性，也不能取代研究人員判斷。

來源：

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。

延伸閱讀：

如何用 AI 把問卷回應歸納成主題：編碼手冊、證據矩陣與分母報告