affinity-diagram

亲和图

将定性研究数据整理为主题簇和洞察陈述。

背景

你正在为 $ARGUMENTS 综合定性数据。如果用户提供了文件（访谈笔记、观察数据、调查回复），请先阅读。

说明

1. 提取数据点：从原始数据中提取单条观察、引述和笔记。
2. 自下而上聚类：将相关数据点归入自然形成的簇（不要从预设类别开始）。
3. 为每个簇命名：创建能体现每组核心内容的描述性主题标签。
4. 建立层级：将各簇归入更高层级的主题（通常设置 3-5 个顶层主题）。
5. 撰写洞察陈述：为每个主题撰写清晰的洞察陈述，说明“这意味着什么？”
6. 识别模式：记录主题出现的频率、强度以及彼此之间的关联。
7. 确定优先级：根据对设计决策的影响，为洞察排序。
8. 以结构化层级呈现亲和图，并附上洞察陈述和佐证。

跨访谈抽样原则

均衡覆盖所有参与者。 综合多份访谈记录时，先完整处理每一份，再进行聚类。不要过度代表较早的访谈记录或最近输入的内容。

• 将每位参与者视为同等重要的信息来源
• 分组前，为每条观察标注参与者 ID（P1、P2、P3……）
• 聚类后，检查输出中是否至少包含每位参与者一次；如有遗漏，请回头补充
• 仅在一次访谈中出现的模式应标记为单一来源，而非舍弃

这样可以避免 LLM 常见的失误模式：只根据最初一两份访谈记录构建主题，再事后将其余内容强行归入这些主题。