开放题最有价值，也最难分析。用 AI 做开放题编码，推荐“先定编码表、再批量归类、最后人工抽检”的流程：编码表由人确认，AI 只负责按表归类并给出理由，抽检不合格就修订编码表重来。 不要让 AI 一边归类一边随意发明新类别。

场景

一次用户满意度调研收回 600 份问卷，其中“你最希望我们改进什么？”有 420 条有效回答，需要统计主要改进诉求。

流程

1. 抽样建立编码表

随机抽 60–80 条，让 AI 提出候选类别：

以下是问卷开放题的 80 条回答样本。请提出 6–10 个互斥的编码类别，
每个类别给：编码｜名称｜定义（一句话）｜2 条示例回答。
另设“其他”和“无效回答”两个类别。
回答样本：【粘贴】

研究者审阅、合并或拆分类别，形成正式编码表。

2. 批量归类

每批 50–100 条，带上编号：

按下面的编码表给每条回答归类。一条回答可以有最多 2 个编码。
输出 CSV：编号,编码1,编码2,理由（不超过 20 字）
无法归入任何类别的标为“其他”，不要新增类别。
编码表：【粘贴】
回答：【编号|内容，每行一条】

3. 合并与检查

  • 用表格或脚本把 CSV 合并回原始数据，按编号对齐；
  • 检查行数是否一致、有无空编码；
  • 统计“其他”占比，如果很高，说明编码表需要补充。

4. 人工抽检

  • 每个类别随机抽 10 条，由人判断是否同意；
  • 不同意的比例较高的类别，修订定义后重新归类；
  • 条件允许时，两个人独立编码同一批样本，比较一致程度。

输出结果

编码｜名称｜回答数｜占有效回答比例｜代表性原话（2 条）

报告时注明：编码由 AI 辅助完成并经人工抽检，比例基于本次有效回答数。

注意事项

  • 隐私：去掉回答中的姓名、手机号、订单号再处理；
  • 不要过度解读：编码统计说明“提到的频率”，不等于问题的严重程度；
  • 保存版本：编码表和提示词都要存档，下次调研可以复用和对比。

问卷本身的设计可参考 研究者用 AI 设计问卷，数据整理与分析示例见 数据分析师用 AI 做数据分析，数据合规见 AI 时代的数据治理。