AI生成的后续提问是否能改进定性访谈？一项2026年研究表明，它们可以深化探索并减少访谈员的工作负荷，但前提是人类保持对时机和相关性的控制。AI最有效的作用是作为\"跳板\"提出探针——而非自主访谈员按照自己的时间表提问。
\n\n研究人员测试了AI生成的后续提问（AGQs）是否能帮助人类访谈员进行更好的半结构化访谈。在论文\"Harnessing the Power of AI in Qualitative Research: Role Assignment, Engagement, and User Perceptions of AI-Generated Follow-Up Questions in Semi-Structured Interviews\"（Zhang, Liu, Guan, Cai & Carroll, 2026）中，团队采用了AI驱动的巫师现身设计：一名研究人员充当共同访谈员，在实时访谈期间由GPT-4o生成后续提问。参与者充当主访谈员，决定是否采用每一条建议的探针。
\n\n研究涉及17名参与者（年龄21–35岁；10名女性，7名男性），均具有定性研究经验。根据Zhang等人（2026），其中9人具有定性分析或访谈经验，8人拥有使用定性方法的同行评审出版物——这是一个有经验的样本，其关于访谈质量的判断具有分量。
\n\n该研究在三种插入模式中改变了何时以及多频繁地呈现AI探针：
\n这让研究人员能够观察节奏——而非仅仅是内容——如何塑造访谈体验。
\n\n大多数人认为它们对深化探索非常有用。参与者将AGQs描述为\"连接器\"或\"跳板\"，可以推进主题更深入，充当\"缓冲\"为他们留出思考空间。根据Zhang等人（2026），17名参与者中有14名表示AI保持了与访谈良好的主题相关性。大多数人还报告了认知负荷的降低——缓解即时构思下一个问题的心理工作——少数人（P3, P8, P9, P12）提到了情感支持和增强的信心。
\n\n时机是最大的弱点。大多数参与者（P5, P13, P14, P15, P16）指出时机不当是核心问题：提前或放置不当的探针会中断计划的访谈流程，且不知道下一条AI建议何时出现会造成不确定性。参与者还提出了冒犯或文化不敏感提问的风险，并担心对脆弱受访者的舒适度。一致的结论是：人类把关更受欢迎——访谈员希望对每条建议进行审批、改进或删除，而不是让其自动插入。
\n\n| 维度 | 作为自主访谈员的AI | 作为人类控制的副驾驶的AI（本研究） |
|---|---|---|
| 谁决定时机 | 模型 | 人类访谈员 |
| 主要优势 | 规模、一致性 | 深化探针、降低访谈员负荷 |
| 主要风险 | 破坏性或不敏感的提问 | 节奏变慢；取决于访谈员技能 |
| 相关性控制 | 难以保证 | 人类筛选每条探针 |
| 最佳适用场景 | 高量、结构化主题 | 敏感、探索性、深度优先的研究 |
对于进行定性访谈的团队，实践启示是将AI视为访谈员控制的建议引擎，而非一劳永逸的主持人。呈现候选后续提问，但让人类保持在循环中以控制节奏并筛选敏感性。这反映了Qualitati的Interview Assistant等平台中内置的人类在循环中的工具构建方式，研究人员可以接受或实时编辑AI提出的探针。访谈完成后，同样的人类监督原则适用于分析——AI可以在ThemeLens中起草代码和主题，但研究人员应进行验证。
\n\n这是早期定性证据。参与者数为17人，仅使用一个模型（GPT-4o），模拟访谈场景，以及自我报告的感知而非测量的访谈质量成果，这些发现是方向性的，而非确定性的。它们很好地绘制了使用AI探针的体验，但还没有量化AGQs相比技能高超的人类单独进行访谈是否产生更丰富的数据。
\n\nAI能否在访谈中生成良好的后续提问？能——在这项2026年研究中，17名经验丰富的研究人员中有14人认为AI后续提问具有很好的主题相关性且对深化主题有帮助，前提是人类选择何时使用它们。
\nAI是否应该独立进行访谈？研究的参与者强烈倾向于人类把关。时机不当或不敏感的AI提问是主要风险，因此对于敏感或探索性工作，人类控制的副驾驶模式更安全。
\nAI访谈探针最大的弱点是什么？时机。大多数参与者表示，时机不当的AI提问对访谈流程的破坏比提问内容的影响更大。
\n\n主要来源：Zhang, H., Liu, Y., Guan, X., Cai, J., & Carroll, J. M. (2026). Harnessing the Power of AI in Qualitative Research: Role Assignment, Engagement, and User Perceptions of AI-Generated Follow-Up Questions in Semi-Structured Interviews. arXiv:2509.12709.
\n\n最后更新：2026年6月2日。本文是对第三方研究的独立编辑总结，与作者无关且未获得作者认可。
","related":[{"slug":"ai-vs-human-interviewers-randomized-chat-experiment-2026","title":"AI 访谈员 vs 人类访谈员：2026 年随机实验发现了什么","description":"一项 2026 年随机实验比较了 AI 与人类访谈员的文字聊天访谈：切题程度相同，具体性差距未被检测到，文本多出 65%，但跳题更多。","category":"AI 用户研究","date":"2026-10-19","readTime":"8 分钟阅读","author":"Qualitati 研究团队"},{"slug":"artificial-societies-benchmark-synthetic-population-validity-2026","title":"合成人群数据有效吗？2026 年 11 项检验基准研究","description":"合成人群数据是否有效？2026 年一项基准研究用 11 项效度检验评估 9 个大语言模型：它们能复现平均值，却压缩量表区间并扭曲特质之间的关系。","category":"AI 用户研究","date":"2026-10-15","readTime":"7 分钟阅读","author":"Qualitati 研究团队"},{"slug":"synthetic-consumers-visual-marketing-pretest-2026","title":"合成消费者能预测试 logo 和广告吗？2026 研究结果","description":"合成消费者能否预测试视觉营销？2026 年研究发现，GPT 智能体能正确识别 logo 特征，但六项人类效应最多只复现 2 项，还有 1 项结论相反。","category":"AI 用户研究","date":"2026-10-14","readTime":"7 分钟阅读","author":"Qualitati 研究团队"}]}