问卷开放题自动编码分析
🎯 解决什么问题
发了 2000 份问卷，选择题好统计，'您还有什么建议'这种开放题 800 条看吐了。智能体对开放题做主题编码：归纳出 8-12 个主题、每个主题占比和代表性原话，并和选择题数据做交叉分析（比如不满意的用户主要抱怨什么）。一天出完整分析报告。
😣 2000 份问卷里 800 条开放题，人工一条条读、贴标签、归类，3 天看吐还前后标准不一；最后报告里开放题部分永远最水，等于白问了。
💡 800 条开放题从 3 天人工编码变成 1 天出报告
🛠 操作步骤（共4步）
1
导出并清洗数据从问卷星导出原始数据为 Excel，清洗掉空白、乱码回答，把开放题列单独整理成文本。
2
试编码定 codebook先喂 200 条给 Muse 做试编码，人工审核后定出 codebook：每个主题的定义、边界和示例。
3
全量主题编码按 codebook 全量编码：8-12 个主题、每个主题占比、代表性原话，无意义回答单独归类。
4
交叉分析出报告把主题分布和选择题做交叉分析（如低分用户的抱怨集中在哪些主题），生成带图表的完整报告。
📋 提示词模板（复制即用）
我有一份问卷的开放题回答（共[数量]条，问题是：[问卷问题原文]）：[粘贴回答文本]。请做主题编码：归纳出8-12个主题，每个主题给名称、占比、2条代表性原话；把“无意义回答”（如“无”、“很好”）单独归为一类不计入主题；最后指出3个最值得产品/运营关注的发现。
🧰 用到工具
Muse · 问卷星 · Excel
⚠️ 注意事项
- 先让 AI 编码 200 条，人工定出 codebook（主题定义+边界），再全量跑，保证前后标准一致
- “无”、“很好”这类无效回答单独成类，别让它们稀释真实主题的占比
- 开放题和选择题做交叉分析（如不满意用户主要抱怨什么），这才是问卷真正的价值所在