豆包AI用户访谈记录整理与归纳方法：定性数据分析指南

用户访谈录音转译后，面对数十页口语化、跳跃性的原始文本，如何高效提取核心洞察？定性数据分析的第一步往往最为关键，也最具挑战。

利用如豆包这类AI工具，可以系统化处理海量访谈记录。核心在于掌握精准的提问策略，引导AI完成从文本整理、主题归纳到深层洞察的全流程。以下四种方法，能将杂乱的原始记录转化为结构清晰、可直接用于报告的分析素材。

一、上传转写文本，触发语义主题聚类

面对分散的多份访谈记录，快速识别共性观点是首要任务。人工编码耗时且易有疏漏，可借助豆包AI的语义理解能力，自动归拢不同用户表述中的相似意图，形成清晰的主题集群。

操作路径：首先，将整理好的转写文本（建议按用户ID分段，如“U01”、“U02”）完整粘贴给豆包。随后，发出明确指令：“请基于语义相似性，将以下访谈文本聚类为5个核心主题。每个主题需包含：①一个明确的中文主题名（不超过8字）；②3条最具代表性的用户原话（标注说话人ID）；③一句20字以内的概括说明。”

关键检查点：生成后，需核验所有访谈对象是否均被覆盖。若发现某用户ID（如U03）在特定主题下缺失，可追加指令：“请补充U03在‘需求痛点’主题下的原话引用。”以此确保分析全面，避免遗漏关键个体声音。

二、预插【洞察】【矛盾】【例证】标签，驱动结构化提取

若在通读文本时已形成初步判断，可采用“预标记”法。这相当于为AI划定分析框架，使其按你的研究逻辑提取信息，输出结果更便于对接后续编码或分析工具。

实施步骤：在文本关键信息旁手动插入三类标签：【洞察】标记用户自发的认知转变或深层动机；【矛盾】标记同一用户前后表述不一或不同群体间的明显分歧；【例证】标记支撑抽象观点的具体行为、场景或数据。

示例：【洞察】“我其实不是怕贵，是怕买完不会用”（U05）；【矛盾】U02称“每天必看”，但U07表示“打开就关”；【例证】“连续3天截图保存教程”。

标记完成后，在文本末尾输入指令：“请严格按【洞察】【矛盾】【例证】三类标签分别汇总内容，每类按出现顺序编号，保留原始引号与用户ID。”最后核对输出，确保每条引用完整无误。

三、分阶段交互提炼：先剥离原始陈述，再映射理论框架

当研究需对接KANO模型、Jobs-to-be-Done等理论框架时，建议分两步操作。此举旨在先剥离用户“原汁原味”的行为描述，避免AI首轮分析即掺杂外部概念导致信息失真。

第一阶段，发出纯净指令：“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（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。”

获得纯净行为清单后，立即进入第二阶段。输入新指令：“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），仅输出‘Uxx：[属性类型]’格式，无需解释原因。”完成后，对比两轮结果条目数是否一致，并核查是否存在模棱两可的映射。

四、指令锚定对比维度，生成矩阵式归纳

对于涉及多用户群体、多使用场景的复杂访谈，常需进行交叉对比分析。通过预设清晰的对比维度，可直接驱动AI生成矩阵式归纳表，使分群结论一目了然。

操作前，先设定结构化指令框架：“请构建一个对比矩阵。横轴为‘用户类型’（新用户/老用户），纵轴为‘核心诉求’（易用性/功能深度/社交认同）。每个单元格仅填入1条最具代表性的用户原话（标注ID），共4个单元格。”

随后粘贴全部访谈文本并发送。若发现某单元格（如“老用户×功能深度”）为空，可追加指令：“请从U09、U12、U15的表述中寻找内容补充此单元格，要求引用的原话包含具体功能名称及使用频率。”最终严格检查所有填充内容是否均源自原始文本，防止AI自行发挥或泛化表述。

来源：互联网