问卷里最难处理的往往不是单选题，而是最后那一栏“还有什么想说的”。几十条开放回答看起来杂乱：有人抱怨一个按钮，有人描述一个完整流程，有人只是留下情绪。让 AI 直接“总结用户反馈”，常会得到几条漂亮却无法追溯的结论。更可靠的做法是保留原话、先定义问题，再让 AI 协助归类和找证据。
这篇适合做活动复盘、产品调研和客户满意度调查。可以用 ChatGPT 或 Claude 处理脱敏后的回答，但它不应替你计算比例、判断代表性或虚构用户意图。
导出前先清理身份信息
把姓名、邮箱、电话、订单号、公司名等直接身份信息从工作副本中移除；给每条回答分配一个 response_id，保留原始文件在受控位置。再添加来源渠道、填写日期、用户角色和相关评分等上下文列。开放回答离开上下文很容易被误读：同一句“太复杂”，可能来自首次使用者，也可能来自每天操作的管理员。
从研究问题开始，不从关键词开始
先写下这次问卷想回答的三个问题，例如：用户在哪一步停住？哪些信息没有说清？哪些人愿意再次使用？不要一上来把所有评论扔进词云。“价格”出现得多，可能是价格高、价格不透明、找不到价格，处理方式完全不同。
为每个回答保留四个字段：用户任务、具体阻碍、原文证据、需要追问。AI 输出必须能回到 response_id；没有原话支持的分类，宁可标为未知。
根据以下脱敏开放回答，只提取文本明确表达的内容。对每条输出：response_id、用户任务、反馈类型、具体阻碍、原文证据、情绪倾向、需要追问的问题和置信度。若无法判断，填“未知”。不要估算满意度、市场规模、付费意愿或问题频率，不要合并不同回答。
先做候选主题，再人工确认主题边界
AI 可以提出候选主题，但主题不应只靠相同词汇。把“注册收不到邮件”“找不到密码重置”“登录后跳回首页”归为同一个主题之前，要看用户任务、发生条件和后果。要求 AI 列出每个主题包含的 response_id、共同证据、不能合并的例外以及建议补问的问题。研究负责人再确认主题名称和边界。
一条好的主题卡包含：主题名称、涉及任务、证据原话、相关样本数、可能条件、当前假设、下一步验证。它比“用户觉得体验不好”更能指导产品和运营行动。
数量要诚实，结论要有边界
如果 40 份有效回答里有 8 条提到导入问题，可以说“8/40 的开放回答提到导入相关阻碍”；不能说“20% 的所有用户都被导入问题困扰”。开放题通常不是随机抽样，沉默用户也不会自动进入数据。把计数作为发现信号，而不是统计证明。
同时看评分题和开放题是否互相支持。低分用户没有提到你预设的问题，不代表它不存在；可能是提问方式没有让他们表达出来。AI 可以列出矛盾，但不能自行解释原因。
把主题改成可验证的下一步
每个主题最后只选一种动作：补充文档、修正文案、复现故障、做可用性测试、联系用户补问，或暂不行动并记录原因。例如“看不懂套餐差异”不必立刻改价格，可以先用五位目标用户测试套餐对比区块；“导入失败”则需要记录文件类型、错误提示和复现步骤，不能仅靠情绪总结。
根据已确认的主题卡，为每个主题提出一个最小验证动作。输出：假设、需要的证据、负责人、完成标准、不可得出的结论。不要建议大规模重做或承诺效果；优先给出两周内能完成的小验证。
发布报告前的检查清单
- 每个结论是否链接到 response_id 和原文？
- 计数是否写明分母和样本边界？
- 主题是否把不同任务或条件错误合并？
- 是否移除了身份信息和敏感内容？
- 每个主题是否有明确下一步，而不只是“建议优化”？
AI 最适合减少逐条阅读和初步归类的重复劳动。真正让问卷产生价值的，是可回查的证据、明确的样本边界，以及把“用户说了什么”变成下一次验证该做什么的能力。