企业官网建设流程全解析

温馨提示：若页面不能正常显示数学公式和代码，请阅读原文获得更好的阅读体验。

作者：丁闪闪 (连享会)
邮箱：lianxhcn@163.com

• Title: 对话式调查：AI 时代问卷调查研究的新模式
• Keywords: 自适应访谈, 动态追问, 测量反应性, Adaptive Matrix Validation

提要: 固定问卷便于标准化，却容易压缩受访者的经历与解释。本文介绍对话式调查的设计思路，说明 AI 如何动态追问、将自然语言转成结构化变量，并讨论测量反应性、编码误差、随机验证和复现要求，同时给出可直接参考的开源研究与实现资源。

• Sources: Geiecke and Jaravel (2026), McCormick (2026), Austin et al. (2026)

1. 固定选项为什么有时不够用？

问卷调查是社会科学研究中获取一手数据的重要方式之一。很多我们熟悉的变量，从态度、认知到行为经历，都来自研究者提出问题、受访者提供回答，再经过整理形成可分析的数据。

这套方法已经非常成熟，但有一类问题始终比较难处理：研究者知道自己想了解什么，却很难提前知道受访者会怎样理解问题、怎样描述自己的经历，以及哪些信息值得继续追问。

比如，我们想了解学生如何使用 AI 工具学习。传统问卷可以问：

你使用 ChatGPT、DeepSeek、Kimi 等 AI 工具辅助学习的频率是多少？
A. 经常使用
B. 偶尔使用
C. 很少使用
D. 从未使用

这个问题清楚，也方便统计。但它很难告诉我们学生究竟怎样使用 AI。有的学生用它解释概念，有的用它修改代码，有的让 AI 总结文献，有的把它当作写作助手，还有人使用频率很高，却发现自己离开 AI 以后仍然不会做题。

如果继续采用固定题项，问卷会越来越长：在哪门课使用？在哪个学习环节使用？如何检查 AI 的回答？是否遇到过错误？AI 是否改变了学习习惯？遇到什么问题以后会停止使用？

研究者很难在调查开始前穷尽所有可能路径。

大语言模型带来了另一种资料收集方式。受访者可以先用自然语言描述自己的经历，系统根据回答继续追问，再把对话整理成结构化变量，并对其中一部分结果进行验证。

本文所说的「对话式调查」

指利用 AI 进行自适应提问和追问，让受访者用自然语言描述经历，再把对话内容转化为可整理、可验证和可分析数据的一类调查模式。英文文献中常见conversational survey、AI-assisted conversational interviewing、AI-led interview等表述。

这意味着问卷研究的数据生成方式正在变化：受访者从「填选项」转向「讲经历」，研究者则需要重新设计提问、追问、编码、验证和质量控制的完整流程。

注：图中界面为概念示意，不对应特定调查软件。左侧呈现固定题项问卷的一种简化形式；实际问卷也可以设置跳题、分支和随机题序。

传统问卷最重要的优势是标准化。不同受访者面对相同的问题和选项，研究者最终得到一张结构化数据表。计算比例、比较群体差异、建立回归模型都很方便。

对于年龄、学历、收入、企业规模、是否参加培训、是否使用某项服务这类相对明确的变量，固定问卷仍然高效。

困难主要出现在另一类问题上：研究者关心的是一段经历、一个过程，或者某种判断形成的原因。

例如，学生为什么逐渐依赖 AI？平台劳动者如何理解算法派单？居民为什么对一次公共服务感到不满？教师为什么抵触某项教学改革？员工怎样理解绩效考核？病人为什么中途放弃某种治疗方案？

这些问题的回答往往混合了事实、记忆、动机、情绪和情境。

研究者可以提前列出二十个选项，但总会有人给出第二十一个原因。也可以增加一个「其他，请说明」，但大量真正有价值的信息最后可能被压缩到一个开放文本框里，等待后续人工阅读和编码。

对话式调查提供了另一种设计空间。研究者仍然提前定义研究问题和核心构念，但不必把所有信息都预先写成封闭选项。受访者先描述经历，系统再围绕没有说清楚的部分继续追问。

因此，这种模式尤其适合研究「如何发生」「为什么发生」「当时经历了什么」这类问题。

2. 从填选项到讲经历，调查流程发生了什么变化？

传统问卷的基本流程很短：

设计题目 → 受访者作答 → 得到数据

对话式调查多出了几个关键环节：

研究问题 → 核心构念 → 共同问题 → 自适应追问 → 结构化编码 → 抽样验证 → 分析数据

注：图中第 6 步示意抽样人工复核。第 5 节介绍的 AMV 还要求受访者回答随机抽取的结构化验证题，两者不能互相替代。

假设我们仍然研究学生使用 AI 的方式。

受访者可能先说：

我一般写代码报错的时候才用 AI，平时上课倒是不怎么用。

系统可以继续问：

你遇到报错以后，通常会先自己排查，还是直接把代码发给 AI？

受访者回答：

一般先自己看一下。如果完全不知道怎么回事，就把报错信息和代码一起发过去。

系统再追问：

AI 给出修改方案以后，你通常怎样判断它是不是正确的？

短短几轮对话已经得到几个传统单题很难同时捕捉的信息：什么时候使用 AI、使用之前做什么、怎样向 AI 提问、是否核验输出，以及核验方式是什么。

注：图中界面为示意，用于呈现受访者端可能的交互方式。

研究者还可以要求系统把这段对话映射成结构化字段，例如「使用场景」「独立排查」「代码调试」「结果核验」「依赖程度」，同时保留支持这些编码的原始文本。

于是，调查数据不再只有一张最终表格。研究者还拥有对话记录、问题路径、结构化编码、编码依据以及后续验证结果。

过去，研究设计的重心主要放在「问什么」；采用对话式调查以后，还需要回答几个新的设计问题：什么时候追问？追问到什么程度？什么时候停止？怎样从文本生成变量？哪些变量需要验证？

温馨提示：若页面不能正常显示数学公式和代码，请阅读原文获得更好的阅读体验。