痛点：原来怎么干的

一次研究 20 位用户、30 小时录音，转写后人工贴标签要两周，项目周期被拖长，结论还容易受最近几个访谈影响。

做法：分几步改

  1. 按研究问题预设标签体系（动机、阻碍、替代方案、付费意愿、原话金句）
  2. 模型逐段打标签并抽取原话，形成「用户 × 标签」矩阵
  3. 模型做初步聚类，输出 5–7 个主题，每个主题附支撑原话
  4. 研究员回听关键片段验证，写结论与建议

效果：改完变成什么样

分析阶段耗时
2 周 → 2 小时（不含回听验证）
原话引用完整度
每条结论均有出处，可追溯
结论偏差
减少「近因效应」，覆盖全部样本

可以直接抄的三条

  • 标签体系要先定，否则模型给的标签无法聚合
  • 强制保留原话出处，结论才站得住
  • AI 做归纳，人做判断——顺序不能反
适用边界：该做法在本案例的规模与工具条件下成立，换到数据量更大、合规要求更严的场景需重新验证。 效果数字为案例方提供或访谈整理的参考值，不构成效果承诺。
广告
案例详情页广告位（正文下方）
阅读完成率高，适合有转化目标的工具方
查看档期与价格 →
来源：用研社群分享整理
涉及工具：语音转写、大模型 API、标签体系　·　标签：用户研究、质性分析、洞察