焦点小组该交给 AI 主持吗？加州大学圣地亚哥分校的 Zhiqing Wang 与 Steven Dow 在一篇 2026 年 CHI 研讨会论文中指出，真正的问题不是“要不要用 AI”，而是 AI 以什么方式出现。他们把 AI 支持划分为三种角色（工具、联合主持人、主持人）和三种模态（文本、语音、具身），并说明：AI 的权威或存在感每提升一级，就是用坦诚度换取协调性。
\n\n它是一个设计框架，用于决定生成式 AI 如何参与实时焦点小组。根据 Wang 与 Dow（2026）发表于 CHI’26 研讨会 Developing an AI-Powered UX Research Point of View 的论文，最关键的是两个选择：
\n两者交叉得到九种配置，每种都有可预期的收益与风险。这篇论文属于综述与立场论文，而非实验研究：它梳理了 AI 支持实时对话的既有 HCI 研究，并将其转化为焦点小组实践。
\n\n因为焦点小组的价值在于受访者之间的互动，而 AI 可能以一对一访谈中不会出现的方式破坏这种互动。作者强调“群体效应”：人们会相互比较、质疑，并在彼此的故事上继续展开。优秀的主持人通过追问细节、平衡发言时间、管理话题走向、维护心理安全来保护它。
\n这项工作很脆弱。论文引用经典的小组规模研究指出，规模越大，讨论越容易从对话滑向“串联独白”，少数声音占据主导。一个校准不当的主持者——无论是人还是 AI——都会让昂贵的会话只产出浅薄、零散的数据。
\n\n论文从实时对话文献中归纳出五类反复出现的 AI 机制：
\n这些机制在手册中变成七张“行动卡”，汇总如下。
\n\n每张行动卡都有默认配置和明确的效度风险。下表浓缩了论文的行动手册：
\n| 行动 | 典型角色 | 典型模态 | 主要风险 |
|---|---|---|---|
| 深化故事追问 | 工具或联合主持人 | 文本或语音 | 框架偏差、叙事收窄 |
| 公平发言提示 | 联合主持人 | 文本或语音 | 聚光灯压力、自我审查 |
| 话题覆盖监测 | 工具 | 文本侧边栏 | 过早切换话题、减少涌现 |
| 实时主题回顾 | 工具或联合主持人 | 共享文本回顾 | 锚定效应、过早形成共识 |
| 关系性重构 | 联合主持人或主持人 | 文本或语音 | 把有益的冲突“消毒”掉 |
| 观点聚类与空白提示 | 工具 | 可视化画布 | 解读多样性下降 |
| 结构化发言管理 | 主持人 | 语音 | 顺从、错误被放大 |
核心洞见：同一种能力，既可以是低风险的幕后支持（工具 × 文本），也可以是高影响的权威性举动（主持人 × 语音）。
\n\nAI 的权威和存在感越强，就越会塑造受访者说什么。作者描述了三种逐级升高的情形：
\n模态会进一步放大这些影响。文本容易被忽略，能保持讨论流畅；语音带有更强的权威和打断成本；具身形式则加入一个可见的“某人”，提升投入度，但也会加重印象管理。
\n\n实际启示是：把 AI 配置当作研究方法的一部分，并像方法一样报告它。我们从这一框架中得出的几点建议：
\n如果想在正式开展小组前演练讨论提纲，合成焦点小组可以提前暴露薄弱问题，但它无法替代真实的群体效应。若需要一对一的深度访谈，AI 访谈员则完全避开了群体动态风险。
\n\n它没有提供实证比较。作者呼吁开展跨配置的对照研究，测量话题广度、叙事具体性、互惠性以及谁在顺从谁，并建立新的“互动效度”标准。请把这份手册视为一组结构化的假设，而非已验证的结论。
\n\n可以，但 Wang 与 Dow 认为主持人角色风险最高：错误会被放大，信任也很脆弱。目前更稳妥的默认做法是由人类主持人配合幕后 AI 支持。
\n文本干扰更小、更容易被忽略；语音更适合发言轮换这类对时机敏感的协调工作，但会增加受访者顺从 AI 的可能。
\n不是。它是一篇简短的 CHI’26 研讨会立场论文，综合了既有 HCI 研究，提出的是框架和研究议程，而非新数据。
\narXiv：Designing AI-Supported Focus Groups: A Role × Modality Playbook。
\n\n最后更新：2026 年 9 月 10 日。本文是对第三方研究的独立编辑摘要；Qualitati 与论文作者无任何关联。
\n","related":[{"slug":"synthetic-survey-panels-marginal-fidelity-2026","title":"合成问卷样本库真的在模拟人吗？2026 年的一项检验","description":"合成问卷样本库能模拟真实受访者吗？2026 年研究发现，与公开平均值吻合并不能证明模拟成功：无人设提示在 9 组对比中 9 次胜过人设样本库。","category":"研究方法论","date":"2026-10-22","readTime":"7 分钟阅读","author":"Qualitati 研究团队"},{"slug":"llm-as-judge-qualitative-interpretation-2026","title":"LLM 评审能给定性访谈解读打分吗？2026 年研究的检验","description":"LLM-as-judge 能否替代人工审核定性访谈解读？2026 年一项研究对比 3,560 条 AI 解读与人类评分：它能淘汰弱模型，却漏掉言外之意与细微差别。","category":"研究方法论","date":"2026-10-21","readTime":"7 分钟阅读","author":"Qualitati 研究团队"},{"slug":"rehearse-interview-protocol-simulated-participants-2026","title":"能用 AI 模拟受访者预演访谈吗？2026 年研究发现","description":"能否用 AI 模拟受访者预演访谈提纲？一项 2026 年对 21 位定性研究者的研究发现，预演带来了实际的提纲修改，也暴露出三个隐藏风险。","category":"研究方法论","date":"2026-10-21","readTime":"7 分钟阅读","author":"Qualitati 研究团队"}]}