关于 affinity-diagram
用于将定性研究资料归纳为亲和分组、主题和设计洞察的 UX 研究技能。它强调均衡处理不同访谈参与者的资料，并保留证据及仅在单次访谈中出现的模式。
主要功能
- 01提取观察记录、引述和笔记
- 02自下而上归类相关资料
- 03将分组整理为主题层级
- 04撰写带支持证据的洞察
- 05检查参与者覆盖及单一来源模式
- 06按设计影响排列洞察优先级
适用场景
- 01综合访谈记录
- 02归类问卷回答和观察记录
- 03发现多位参与者间的主题
安装
复制下面的命令，在终端中运行。
$
npx skills add https:/安装后在 Claude Code 中输入/affinity-diagram确认已加载。
详细介绍
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
- 提取数据点：从原始数据中提取单条观察、引述和笔记。
- 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）。
- 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。
- 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）。
- 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？”
- 识别模式：记录主题出现的频率、强度以及彼此之间的关联。
- 确定优先级：根据对设计决策的影响，为洞察排序。
- 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。
评论
支持 Markdown