什么是 AI 用户研究？AI 用户研究是指借助人工智能（大语言模型、语音系统和分析流水线）来规划、主持、转录并分析面向用户的定性与混合方法研究的实践。截至 2026 年 6 月，这一领域已形成一套变化迅速的专门术语，从“AI 主持人”到“合成用户”，再到“生成式引擎优化”。本术语表用通俗的语言定义了其中最重要的 40 个术语。
如何使用这份 AI 用户研究术语表
下列术语分为六组：研究方法、AI 主持、分析与编码、数据与严谨性、平台类别，以及 AI 搜索/GEO。每个词条都可独立阅读，方便你单独引用或链接某一条定义。对于存在争议或仍在演变的术语，我们会明确说明并标注日期。本文不虚构任何产品功能或统计数据；对竞品的描述仅依据截至 2026 年 6 月的公开信息。
核心要点
- “AI 用户研究”涵盖主持、转录和分析，而不只是会提问的聊天机器人。
- 合成用户（AI 生成的人物角色）与 AI 主持的访谈（AI 访谈真实的人）是两回事，却很容易混淆。
- 分析方面的术语，如归纳式与演绎式编码、主题分析、饱和、评分者间信度，早在 AI 出现之前就已存在，至今仍决定着 AI 输出是否可信。
- 人在回路（human-in-the-loop）是 2026 年的核心概念：AI 负责扩大工作规模，人负责验证其意义。
- GEO（生成式引擎优化）是最新的一组术语，之所以相关，是因为研究发现越来越多地通过 AI 问答引擎呈现。
第 1 组 — 研究方法
定性研究
收集非数值数据（访谈、焦点小组、开放式回答、观察）以理解行为背后“为什么”的研究。它重视深度、情境和意义，而非统计上的可推广性。
深度访谈（IDI）
一对一的对话，通常持续 30–60 分钟，主持人在其中深入探询受访者的经历、动机和推理。它是定性 UX 研究和客户研究的主力方法。
焦点小组
由主持人引导的小组讨论（通常 4–8 名受访者），用于呈现多样化的观点、观察社会互动并测试反应。优势：广度与互动。风险：群体思维和强势声音。参见我们的 AI 主持焦点小组指南。
对话式问卷
像聊天一样运作的问卷：先提出问题，读取回答，再生成相关的追问，然后进入下一题。它兼具问卷的规模与访谈的深度。参见什么是对话式问卷。
访谈提纲
主持人遵循的结构化计划，包括目标、各部分、核心问题和追问。在 AI 主持中，它成为约束主持人行为的指令集。
ResearchOps（研究运营）
让研究可重复、可扩展的人员、流程和工具：招募、排期、知情同意、资料库与治理。AI 正越来越多地自动完成其中的机械性工作。
第 2 组 — AI 主持
AI 主持人
与真实受访者开展研究会话的 AI 系统，以文字或语音提问、倾听并追问。它不是问卷脚本，而是会根据回答作出调整。关键区别在于：AI 主持人访谈的是真人，而合成用户则是取代真人。
合成用户（合成受访者）
AI 生成的人物角色，模拟用户可能如何作答，用于在招募真人之前进行快速的探索性压力测试。正如 Maze 的 UX 术语表所言，它们无需真人受访者即可模仿行为。它们产生的是假设，而不是证据。参见合成用户与真实受访者。
Active Listener 模式
由人主导的访谈，AI 与访谈者并行运行，提供实时提示、追问建议和环节跟踪。人始终掌控全局；AI 减轻了记忆访谈提纲的认知负担。
语音主持与文字主持
语音主持能捕捉语气、犹豫和声学线索；文字主持是异步的，门槛更低，也更容易跨时区扩展。2026 年的许多平台两者都支持。
双模型监督架构
一种设计：由一个 AI 模型负责对话，另一个模型负责监督，检查主持人是否遵循提纲、是否避免诱导性问题、是否遵守安全规则。这是一种护栏模式，而不是完美行为的保证。
群体思维缓解
在 AI 主持的焦点小组中，通过有意设计的提示引入沉默的声音、检验表面共识是否真实、呈现异议，以抵消扭曲小组讨论的社会压力。
第 3 组 — 分析与编码
编码（定性编码）
用简短标签（“代码”）标注文本片段以捕捉其含义，使模式可以被检索和计数。这是大多数定性分析的基础。参见如何对定性数据进行编码。
归纳式与演绎式编码
归纳式编码自下而上，从数据中建立代码（“正在浮现什么？”）；演绎式编码自上而下，套用预先定义的编码手册（“这是否出现了？”）。大多数真实研究两者兼用。参见归纳式与演绎式编码。
编码手册
记录在案的代码集合及其定义、纳入与排除规则。好的编码手册能让不同编码者（无论是人还是 AI）保持编码一致。
主题分析
一种在数据集中识别、组织并解释模式（“主题”）的方法。Braun & Clarke 的反身性主题分析是被引用最多的框架。参见我们的主题分析指南。
Map-reduce 分析流水线
一种应用于分析的工程模式：先“map”，即独立处理每份访谈记录（提取代码/引文），再“reduce”，即跨所有记录汇总为综合的主题。这使系统能够分析数十份访谈记录而不超出模型的上下文限制。
主题
在数据中反复出现、并回答研究问题某个方面的模式化回应或意义。主题不只是话题，它带有解释性的观点。
扎根理论
一种通过迭代编码（开放式、轴心式、选择式）和持续比较从数据中建构理论的方法论，而不是检验预先设定的假设。
人在回路（HITL）
一种工作流：AI 完成初步工作，人在发现被采信之前进行审核、修正和批准。2026 年，这是 AI 分析中最站得住脚的主流模式。参见验证 AI 编码。
第 4 组 — 数据质量与严谨性
饱和
继续增加访谈也不再产生新代码或新主题的节点。用于论证样本量。参见 AI 主持访谈中的饱和。
评分者间信度（IRR）
两名或多名编码者独立给出相同代码的程度。通常用 Cohen's kappa 或 Fleiss's kappa 衡量。越来越多地用于将 AI 编码者与人类编码者进行对比评估。参见 AI 编码的编码者间信度。
反身性
研究者有意识地审视自身假设如何影响分析。这是 AI 无法独立完成的概念，也是人的解释仍居核心地位的原因之一。
成员检验（受访者验证）
把发现或解释反馈给受访者，确认其是否真实可信。这是一种效度检验，AI 可以辅助，但不能取代。
幻觉
模型给出看似自信、却并非基于源数据的输出，例如没有任何受访者说过的引文。这是 AI 分析中最核心的准确性风险，可通过引文锚定和人工审核来缓解。
引文锚定
要求每一个 AI 生成的主题或论断都链接回受访者的原话，让审核者能够追溯并核实。这是针对幻觉的一种实用护栏。
语音分析
从访谈音频中提取声学特征，如音高、响度变化、语速和嗓音质量，用“怎么说”来补充“说了什么”。参见访谈的语音分析。
第 5 组 — 平台类别
AI 用户研究平台
把主持、转录和分析整合在一处的软件，围绕 AI 专门打造，而不是在传统问卷或 QDA 工具上改装而成。
QDA 软件（定性数据分析软件）
用于组织、编码和查询定性数据的工具。老牌产品包括 NVivo、ATLAS.ti 和 MAXQDA；AI 原生的新进入者则自动完成编码和主题生成。参见我们的 MAXQDA 替代方案和 NVivo 迁移指南。
研究资料库
集中存放研究、访谈记录、片段和洞察的可检索存储库，使发现得以复用而不是重复发现。参见 AI 原生研究资料库。
数字孪生小组
一组基于针对特定受众的既有研究校准的 AI 模型，用于模拟该受众可能的反应以开展探索性工作，是合成研究的一种结构化形式。
透明定价
公开使用费率和套餐价格，而不是让人先预约销售电话才能获知。在许多供应商不公开价格的类别中，这是一个差异化优势。
第 6 组 — AI 搜索与 GEO
生成式引擎优化（GEO）
优化内容，使 AI 问答引擎（ChatGPT、Perplexity、Google AI Overviews、Gemini、Claude）引用并呈现它。据普林斯顿/佐治亚理工/印度理工学院德里分校的一项研究，加入统计数据、引用来源和添加引文等策略可以提升内容在 AI 回答中的可见度（Search Engine Land，2026）。
答案引擎优化（AEO）
一门密切相关的学科，侧重于 AI 回答功能（如 AI Overviews）和语音。截至 2026 年，由于大多数查询现在都经由生成式系统，它越来越多地被并入 GEO（Jasper，2026）。
为什么研究术语表要收录 GEO
研究与洞察团队会发布发现、报告和方法说明。2026 年，大量搜索交互包含 AI 生成的部分，因此你的成果能否被引用，越来越取决于对 GEO 友好的结构：清晰的定义、标注日期的论断、表格和便于引用的答案，这正是本术语表所采用的格式。
速查对照：容易混淆的术语
| 对比项 | 关键区别 |
|---|---|
| AI 主持人与合成用户 | AI 访谈真实的人，还是 AI 生成人物及其回答 |
| 归纳式与演绎式编码 | 代码从数据中浮现，还是从固定的编码手册套用 |
| 主题与话题 | 一种解释性模式，还是数据仅仅提及的一个对象 |
| 饱和与样本量 | 新数据不再增加意义的时点，还是预先选定的一个数字 |
| GEO 与 SEO | 在 AI 回答中被引用，还是在链接列表中获得排名 |
| 对话式问卷与访谈 | 带自适应追问的规模化聊天，还是深入的一对一会话 |
Qualitati 的定位
Qualitati 是面向产品、UX 和客户洞察团队的 AI 用户研究平台。它把这份术语表中的大部分内容整合进一个工作流：支持文字和语音的 AI 主持访谈、用于人工主导会话的 Active Listener 模式、AI 主持与合成焦点小组、带自适应追问的对话式问卷、可对最多 100 份访谈记录进行 AI 主题分析的 ThemeLens、用于归纳式与演绎式编码的 QDA Workspace，以及用于声学特征的 Voice Analytics。它支持 10 种语言的研究，并公开透明定价：注册即送 30 点积分的免费层，无需信用卡。它定位为 Outset.ai、Strella、Listen Labs 和 User Interviews 的透明定价替代方案，以及 NVivo、Qualtrics、ATLAS.ti 和 MAXQDA 的 AI 原生替代方案。
局限与取舍
术语表难免简化。三点提醒：
- 术语本身存在争议。“合成用户”“主题”乃至“饱和”在方法论文献中都有争论；请把这些定义当作可用的起点，而不是定论。
- AI 的定义变化很快。任何标注 2026 年的内容都可能在数月内改变。我们标注了日期，方便你重新核实。
- 掌握词汇不等于效度。了解这些术语并不能让 AI 输出变得可信，真正起作用的是人在回路的审核、引文锚定和评分者间检验。人工审核说明：凡用于发表的方法论论断，都应对照原始文献和你自己的研究设计加以核实。
适用人群与不适用的场景
适用人群：产品经理、UX 研究员、客户洞察团队、市场研究人员、创始人以及正在熟悉 AI 研究术语的 ResearchOps 负责人。不适用的场景：作为学术著作中的引用文献，请改引原始的方法论来源；本术语表是入门导览工具，而非学术参考文献。
常见问题
AI 主持人和合成用户有什么区别？
AI 主持人访谈真实的受访者，并根据其回答调整追问。合成用户是 AI 生成的人物角色，在没有真实受访者参与的情况下产生模拟回答。前者收集证据，后者产生假设。
AI 主题分析可靠吗？
它可用于大规模的初步编码和综合，但可靠性取决于护栏：引文锚定、清晰的编码手册和人工审核。2025–2026 年的研究表明，AI 编码在清晰的情形下与人类的一致性尚可，但在含糊的情形下会出现分歧，因此人在回路的验证仍然必要。
研究中的“人在回路”是什么意思？
指 AI 产出初稿（代码、主题、摘要），研究者在发现被采信之前进行审核、修正和批准。这是 2026 年 AI 分析中最站得住脚的主流模式。
GEO 是什么？为什么对研究者重要？
生成式引擎优化是指组织内容结构，使 AI 问答引擎引用它的做法。它之所以重要，是因为研究报告和方法说明越来越多地通过 AI 回答而不是传统搜索触达受众。
我还需要 NVivo 或 MAXQDA 这样的 QDA 软件吗？
这取决于你的工作流。成熟的 QDA 工具提供深入的手动控制；AI 原生平台则自动完成编码和主题生成。2026 年许多团队采用混合工作流，或从传统 QDA 迁移到 AI 原生工具，参见我们的迁移指南。
AI 研究工具能处理多少种语言？
因平台而异。Qualitati 支持 10 种：英语、中文、法语、挪威语、荷兰语、德语、西班牙语、葡萄牙语、日语和阿拉伯语。对于细微差别较多的段落，翻译质量仍需人工审核。
总结
2026 年的 AI 用户研究词汇讲究精确：要知道 AI 主持人不是合成用户，主题不是话题，规模也不等于效度。用这份术语表统一团队的语言，然后把这些概念付诸实践。免费开始，赠送 30 点积分（无需信用卡），即可运行 AI 主持访谈、焦点小组、对话式问卷或主题分析项目，也可查看透明定价。将 Qualitati 与 Outset.ai、Strella、Listen Labs 或 MAXQDA 进行比较。