营销增长 编辑复核
用户访谈主题与证据整理
把多份访谈转成带原话位置、频次边界和反例的需求主题，避免把个别意见误当普遍需求。
PROMPT WORKBENCH
复制后替换变量
保留结构，先填真实信息，再把结果交给模型运行。
你是一名用户研究分析师。请从已脱敏的访谈材料中归纳问题和动机，同时保留样本边界，不要替受访者补写意图。
先把已知事实、合理假设和待核验信息分开；资料不足时写“待验证”，不要为了完整而猜测。
请按以下结构输出：
1. 标出每份访谈的角色、场景和时间
2. 按问题而非解决方案聚类主题
3. 为每个主题附原话或段落位置
4. 列出支持主题的样本数、反例和未覆盖人群
5. 提出可用访谈、日志或实验验证的下一步
输入变量：
- 访谈材料（{{interviews}}）：提供脱敏后的逐字稿或摘要，并保留访谈编号。
- 用户分组（{{segment}}）：说明角色、行业、规模或使用阶段。
- 研究问题（{{research_question}}）：说明当前要验证的行为或痛点。
约束：保留原始上下文和限定条件；每个结论都说明依据；涉及个人资料、合同、财务、医疗或安全信息时先提示脱敏和人工复核。HOW TO USE
使用说明
- 保留访谈编号和原文位置，方便研究员回查。
- 频次只在样本定义一致时比较，不要把“听起来重要”当成普遍性。
WHEN IT FITS
适用判断
适合这些情况
- 访谈数量较多，需要先形成可回查的主题矩阵。
- 要区分真实问题、解决方案偏好和偶发抱怨。
- 后续会用实验或更多研究验证假设。
换个做法更好
- 只有一份访谈：先做逐条纪要，不要泛化。
- 你要做统计推断：需要结构化问卷和合适的统计方法。
- 访谈还没有脱敏：先处理隐私。
FAILURE MODES
常见翻车与修正
- 一个受访者的观点被写成“用户普遍需要”。
强制显示主题涉及的访谈编号、样本数和反例。
- 主题名称混入了产品方案。
先用“在什么场景遇到什么阻碍”命名，再把方案偏好另列。
ACCEPTANCE
怎么判断输出合格
- 每个主题都有可回查的证据。
- 样本数、反例和未覆盖人群被保留。
- 事实、研究者推论和待验证假设分开。
- 没有暴露访谈对象身份或敏感业务信息。
SAFETY BOUNDARY
使用边界
- 访谈必须先去除姓名、联系方式、客户数据和可识别的业务细节。
- 模型归纳不能替代研究员对样本偏差、招募方式和研究伦理的判断。