如何试测 AI 访谈提纲（2026 指南）

Qualitati 研究团队 · 2026-08-25 · 8 分钟阅读

简短回答：要对 AI 访谈提纲做试测，请在正式开展田野工作前跑 5–8 场：两场由研究者角色扮演，三场邀请真实受访者，其余作为小范围试运行。检查追问深度、题目理解度、时长、中途流失与知情同意的清晰度，然后集中修改一次并复跑。试测能发现提纲本身的缺陷——这类缺陷再多的访谈记录也补不回来。

为什么 AI 主持的研究仍然需要试测

AI 主持人消除的是排期瓶颈，而不是设计瓶颈。当你一次把研究推送给 200 个人时，一道措辞糟糕的题目不会只在一场访谈里悄悄失败——它会以完全相同的方式失败 200 次，而这一切都发生在任何人读到访谈记录之前。这正是 AI 主持带来的特有风险：缺陷扩散的速度和田野工作的速度一样快。

试测在定性方法中是由来已久的做法。Nielsen Norman Group 的建议非常直白——在真正收集数据前先跑一两场，检查研究设计（NN/g，《Pilot Testing in UX Research》）。方法学文献给出的理由相同：试测通过受访者的反馈提升题目质量，并在修改成本还很低的阶段暴露设计缺陷（Majid 等，《Piloting for Interviews in Qualitative Research》，IJARBSS，2017）。

换成 AI 主持人之后，改变的是你试测的对象。你不再只是检验题目措辞，而是在检验一套支配机器追问行为的指令。这是两个不同的失效面，试测必须同时覆盖。

要点速览

分三个阶段试测 5–8 场：角色扮演、有人监督的真人访谈、小范围试运行。
把追问行为与题目措辞分开检验——它们的失效方式不同。
提纲要短。2026 年一篇方法学论文建议，30 分钟访谈最多设五道核心题。
读试测记录时，关注 AI 没有追问的地方，而不只是受访者说了什么。
集中修改一次，再跑一轮简短的确认，然后正式启动。无休止地试测本身就是一种失败模式。

提纲应该多长？

比多数团队写的要短。Federica Zavattaro 与 Felix Gille 基于 100 多场卫生政策访谈的经验建议：30 分钟访谈最多五道核心题——理想为四道；开场白控制在五到七分钟以内；追问提示要事先准备好，而不是临场发挥（《The 30-Minute Interview Methods Guide》，International Journal of Qualitative Methods，2026）。他们的其他建议——通过充分试测打磨节奏与措辞、用简洁的问答式知情同意书替代法律术语——同样可直接迁移到 AI 主持的形式上。

五题上限这一约束，对 AI 提纲尤其有用。如果主持人被要求在每道题上追问两到三层，五道题就已经是一场 25 轮的对话。那些写了十二道题、然后困惑于 AI 为何一路赶场的团队，问题出在长度，而不是模型。

Qualitati AI 访谈提纲试测流程

以下是我们自己的五阶段流程，设计目标是在一个工作日内完成。

阶段	场次	由谁参与	检验什么	否决标准
1. 对抗式角色扮演	2	一位刻意不配合的同事	AI 会对单词回答追问吗？遇到「我不知道」能否化解？	AI 接受了非回答并直接推进
2. 理解度检查	1	研究团队之外的人	受访者对每道题的理解是否与你的本意一致？	任何一道题需要重新解释
3. 有监督的真人访谈	2–3	真实目标受访者	节奏、深度、流失点、知情同意的清晰度	完成度中位数不足提纲的 60%
4. 修订	—	研究者	一次集中的修改——而非每场之后零敲碎打	—
5. 小范围试运行	3–5	真实受访者	仅作确认：修改是否奏效？	第 1–3 阶段的任何缺陷再次出现

表中有两处设计是刻意为之。阶段 1 排在真实受访者之前，是因为追问失效是代价最高的缺陷，同时也最容易被有意诱发——你不需要一位陌生人来告诉你主持人是否满足于「还行吧」这种回答。而阶段 4 是一次性的集中修订，而非每场之后都改，因为场次之间改动意味着你永远不会观察到同一份提纲两次，也就无从判断某处修改是否真的有效。

读试测记录时该看什么

读试测记录不同于读正式研究的记录。你审计的是工具，而不是结论。请关注：

漏掉的追问。受访者说了有意思的话，而主持人却略过了——每一次这样的情况，都对应一条你还没写下的追问规则。
回声式追问。用不同措辞重复原题的追问（连续三次「能再多说说吗？」）说明追问指令过于笼统。
诱导式补救。留意受访者卡壳时主持人主动提供候选答案的情况。这会污染数据，而且一旦累积到 200 份记录就很难察觉。
时间分布。如果第一题占掉了半场时间，要么题目过宽，要么它的追问深度相对其他题设得过高。
流失位置。在同一道题上持续出现中断，是提纲缺陷，而不是受访者疲劳。

试测就绪评分表

每项按 0（缺失）、1（部分具备）、2（扎实）打分。低于 20 分中的 14 分，请先修订再进入田野。

提纲的每个部分都写明了学习目标，而不只是题目
核心题不超过五道
追问指令是针对具体题目的，而非全局通用的
主持人对「我不知道」和跑题回答都有明确的应对指令
语气与关系营造已用文字写明
知情同意语言平实简短，并在非研究者身上测试过
针对敏感披露设有中止规则
试测场次时长中位数与目标值相差在 20% 以内
理解度检查中没有任何题目需要重新解释
正式启动前由人工审核并批准了最终提纲

Qualitati 在其中的位置

Qualitati 是面向产品、UX 与客户洞察团队的 AI 用户研究平台。上述试测流程可以直接映射到平台功能上，无需另起一套工作流：你配置 AI 访谈者的题目与每题的行为规则，先用正式链接自己跑前几场，读完整访谈记录之后再开放招募。

有两项能力对试测尤为重要。AI 主持访谈支持文字与语音两种形式，因此你可以按将来真正投放的形式来试测——语音节奏和文字节奏的失效方式并不相同。而主动倾听（Active Listener）模式——由人类访谈者实时接收提示与章节进度——是阶段 3 的好工具：用同一份提纲跑一场有人主持的访谈，比较人类抓住而 AI 略过了哪些追问。

多语言研究请分语言分别试测。Qualitati 支持十种语言的研究，而一道在英文中读来中立的题目，翻译之后可能变成诱导性提问——这类缺陷任何英文试测都发现不了。

局限与取舍

试测有真实成本，也有已知的限度，坦率说明是必要的。

试测受访者不是免费的。五到八场对小样本研究而言是相当可观的比例。若研究 n=20，可以考虑在提纲全程未改的前提下把试测场次计入数据——但这要事先决定，而不是事后追认。
试测无法在规模上担保追问质量。八场只能告诉你提纲没坏，却无法告诉你主持人面对处在第十百分位的特殊受访者时会有什么表现。田野期间也要抽样审计访谈记录。
过度试测会把提纲磨平。每一轮修订都倾向于把题目收窄到试测中容易回答的方向。这是一种朝向验证性偏差的漂移，也正是我们建议一次集中修订而非持续修改的原因。
试测受访者可能存在系统性差异。同事和容易招募到的人通常比你真正的样本更善于表达。阶段 1 与阶段 2 的结果只应视为工具检查。

什么时候不必这么做：如果你只做一场探索性访谈，或者沿用上季度在同一人群中原样投放过的提纲，完整的五阶段试测就是多余开销。只跑阶段 1，然后直接进行即可。

常见问题

AI 主持的研究，试测多少场才够？

五到八场，分摊到角色扮演、理解度检查与小范围试运行。少于五场很难暴露追问缺陷；多于八场通常说明提纲存在结构性问题，再加一场也诊断不出来。

试测数据可以纳入最终分析吗？

只有在此后提纲未作改动的情况下可以。如果你修改了任何一道题或追问指令，那么试测场次用的是另一套工具，应单独报告或予以排除。规则要在试测之前就定好。

我可以用 AI 受访者代替真人来试测吗？

合成受访者在阶段 1 很有用——检查主持人是否会追问、能否化解卡壳、是否遵守章节顺序——因为它便宜且可重复。但它不能替代阶段 2 的理解度检验：语言模型不会告诉你真人读错了你的题目。

AI 访谈提纲最常见的缺陷是什么？

据我们的经验是笼统的追问指令。团队写出了很好的题目，然后只挂上一条全局规则，例如「追问一次」。结果就是回声式追问。针对具体题目的追问规则——挖什么、何时收——才是解法。

语音访谈和文字访谈的试测有区别吗？

有。语音场次在节奏、打断和转写清晰度上出问题；文字场次则在题目长度与阅读疲劳上出问题。按你将要投放的形式来试测；若计划让受访者二选一，两种都要试。

对话式问卷该怎么试测？

流程相同，只需增加一点：在阶段 1 刻意给出前后矛盾的回答，以显式检验分支逻辑，并在正式启动前确认每条分支都可达。

结论

试测 AI 访谈提纲，是 AI 主持研究中杠杆率最高的一个小时——因为 AI 主持扩散缺陷的效率，和它扩展田野工作的效率一样高。跑完五阶段流程，读记录时审计漏掉的与回声式的追问而非结论，集中修订一次，再做确认。约束几乎总是来自提纲，而不是模型。

免费开始，赠送 30 个额度——无需信用卡——今天就试测你的第一份提纲；或先查看透明定价，再决定是否扩大研究规模。

最后更新：2026 年 8 月 25 日。本文的方法学建议属编辑观点，取材自文中引用的公开来源；涉及敏感议题的研究设计应交由合格的研究者或伦理委员会审核。