Синтез интервью и качественных данных

Тематический анализ по NN/g стоит на двух понятиях. Код — это слово или фраза, которой помечен фрагмент текста. Тема появляется, когда связанные находки повторяются у разных участников или в разных источниках.

У темы три теста: она подтверждена данными, насыщена многими примерами, и независимые аналитики с ней согласны. Без этого основания ИИ-синтез не проверить: непонятно, что считать ошибкой.

NN/g разрешает ИИ транскрипцию, чистку персональных данных, первичное кодирование и кластеризацию, вопросы к репозиторию исследований — всё с выборочной проверкой. Там же описаны сбои: Dovetail пропускал большие куски текста, где коды должны были стоять; кластеризация в Miro свалила стикеры в «Прочее»; инструмент анонимизации удалил названия продуктов вместе со смыслом.

Исследования дают границу точнее. На простых кодах GPT-4 почти полностью совпадает с людьми, на интерпретационных заметно хуже. А более слабая модель в том же исследовании придумала 47 кодов, которых не было в кодбуке. В другом исследовании эксперты вслепую чаще предпочитали коды модели, но модель дробила данные сильнее нужного, пропускала скрытые смыслы и давала темы с размытыми границами.

Список типовых сбоев, который полезно держать перед глазами: плоская иерархия тем; избыточное дробление; выдуманные коды; перепутанные говорящие; дословные цитаты, которых в тексте нет; противоречия, сглаженные в ложный консенсус; темы, подходящие любому проекту.

Несколько исследователей в опросе UXtweak описывают один и тот же порядок: закодировать самому хотя бы часть, потом дать ИИ второй проход. Перед промптом из расшифровок убирают имена и контакты и нумеруют строки (P1, строка 40).

У модели просят коды с пометкой «семантический» или «латентный». Темы — только с цитатами от трёх и более участников и списком тех, кто тему не упоминал. Отдельно просят противоречия между участниками и внутри одного и выбросы, которые ни в одну тему не легли. Плюс уверенность как «n из N» и открытые вопросы на следующий раунд.

Чек-лист проверки после ответа модели: каждая цитата сверена дословно; у каждой цифры есть источник; расклад показан как «8 из 12 нашли полезным, 3 — запутались»; каждая тема прослеживается до 3–5 участников; 10–20% тегов проверены выборочно.

«Сплит» — вымышленное приложение из темы «Процесс с ИИ: Double Diamond и Design Sprint». Дизайнер убрал из расшифровок имена, пронумеровал строки и за 15 минут закодировал два интервью руками. Получилось девять кодов, среди них «стыдно напоминать о долге», «считаю в заметках», «валюта». Потом первый промпт из раздела ниже прошёл по всем шести. Сверка с ручными кодами выглядела так (пример условный):

Из пяти проверенных цитат дословно подтвердились четыре. Противоречие про напоминания стало вопросом для следующего раунда, а не выводом, и вернётся в теме «UX-паттерны для ИИ-функций», когда речь пойдёт об автономности напоминаний.

NN/g в марте 2026 года написали, что инструменты, которые обещают анализ юзабилити-теста только по транскрипту, продают пустышку (в оригинале snake oil), потому что люди молчат в ключевые моменты. Транскрипт нужен как указатель: модель выдаёт список таймкодов, которые надо посмотреть в записи, а не выводы. Как сводить сессии теста целиком — в теме «Проверка гипотез и тест прототипа с ИИ».

В Dovetail есть AI highlights по твоей таксономии тегов, кластеризация, чат с цитатами из источника и три режима автоматизации: выключено, предлагает, включено.

Looppanel Auto-Analyze даёт каждый инсайт с цитатами из транскрипта и клипами. NotebookLM и проект в Claude отвечают только по загруженному. Ни один из них не публикует точность.

ИИ вредит в четырёх случаях. Темы собраны до того, как ты сам прочитал хотя бы два интервью. Цитаты не сверены дословно. Противоречие сглажено в общую тему. Юзабилити-тест анализируется по транскрипту без записи.

Таблица тем с цитатами — вход для персон в теме «Персоны и синтетические пользователи» и для JTBD в теме «JTBD и journey map».

Ты помогаешь исследователю с тематическим анализом. Вход: [число] расшифровок интервью с метками P1…PN и номерами строк, гайд интервью и вопросы исследования. Правила: цитируй только дословно и ставь [P#, строка] после каждой цитаты; внутри кавычек не пересказывай; если подтверждающей цитаты нет — пиши "прямых доказательств нет". Шаги: 1. Предложи коды: метка плюс одна строка описания; пометь, какие коды семантические (что сказано) и какие латентные (твоя интерпретация). 2. Собери коды в темы-кандидаты; у каждой темы цитаты минимум от трёх разных участников и список участников, которые тему НЕ упоминали. 3. Противоречия: каждое место, где участники не согласны друг с другом или сами с собой, с обеими цитатами. 4. Выбросы: находки одного участника, которые не легли ни в одну тему; не выбрасывай их. 5. К каждой теме — уверенность как "число участников из N" и что могло бы её опровергнуть. Выдай таблицами. Не добавляй темы из общей UX-литературы, если цитаты их не подтверждают

Прочитай те же расшифровки и выпиши только неожиданное: ответы, которые не подходят ни под один вопрос гайда, противоречат тому, что мы ожидали услышать, или звучат один раз, но меняют картину. К каждому — цитата с [P#, строка] и одна фраза, почему это важно. Темы не строй

Вот таблица тем, которую собрали раньше, и те же расшифровки. Заново, не глядя на старые теги, разметь 30 случайных фрагментов. Сравни со старой разметкой: совпадение по каждой теме, каждое расхождение с обеими метками и текстом фрагмента. Назови темы, которым нельзя доверять (совпадение ниже 80%), и предложи, какие темы объединить

Это транскрипт юзабилити-теста с таймкодами, задания: [список]. Выводы не делай. Выпиши по одной строке на событие: участник, задание, таймкод, что произошло, дословная фраза. Раздели наблюдаемое поведение (Н) и высказанное мнение (М). Отдельным списком — все места, где участник замолчал дольше 5 секунд, сказал "хм", "где это" или переспросил: это таймкоды, которые я посмотрю в записи сам