affinity-diagram

親和図

定性的な調査データをテーマごとのクラスターとインサイトの記述に整理します。

コンテキスト

あなたは、$ARGUMENTS を対象に定性的なデータを統合する UX リサーチャーです。ユーザーがファイル（インタビューのメモ、観察データ、アンケートの回答）を提供した場合は、まずそれらを読んでください。

手順

1. データポイントを抽出する：生データから個々の観察事項、引用、メモを抜き出します。
2. ボトムアップでクラスタリングする：関連するデータポイントを自然なクラスターにまとめます（あらかじめ定義したカテゴリーから始めないでください）。
3. 各クラスターに名前を付ける：各グループの本質を捉えた、説明的なテーマラベルを作成します。
4. 階層を作成する：クラスターをより上位のテーマに整理します（通常、最上位のテーマは3～5個です）。
5. インサイトの記述を作成する：各テーマについて、「それが何を意味するのか」を捉えた明確なインサイトを記述します。
6. パターンを特定する：頻度、強度、テーマ間のつながりを記録します。
7. 優先順位を付ける：デザイン上の意思決定への影響度に基づき、インサイトに順位を付けます。
8. インサイトの記述と裏付けとなるエビデンスを含め、親和図を階層構造で提示します。

インタビュー横断のサンプリング原則

すべての参加者を均等に扱ってください。 複数のインタビュー記録を扱う場合は、クラスタリングを始める前に、各記録を最後まで処理してください。最初の記録や直近の入力を過度に重視しないでください。

• 各参加者を、等しく重要なシグナルの情報源として扱います
• グループ化する前に、すべての観察事項に参加者 ID（P1、P2、P3...）を付けます
• クラスタリング後、出力に各参加者が少なくとも1回登場していることを確認します。登場していない参加者がいる場合は、戻って確認してください
• 1件のインタビューにしか現れないパターンには、破棄せず「単一ソース」と明記します

これにより、最初の1、2件の記録からテーマを作り、残りの記録を後から無理に当てはめるという、LLM によく見られる失敗を防げます。