文章核心观点 - AI大语言模型正在变革用户研究行业，通过处理海量文本数据提升效率，使研究人员能专注于关键决策 [1] - AI在用户研究中的应用主要聚焦于短文本反馈分类和长文本分析洞察两大核心场景 [1] - AI是强大的辅助工具而非替代者，研究人员需在利用技术的同时守住专业底线 [11] 短文本反馈分类 - 针对短文本分类，存在通用模型分类和SFT微调模型分类两种主流AI解决方案 [2] - 通用模型分类适用于偶发、数据量不大或处于探索分类标准阶段的任务，操作灵活便捷，无需复杂训练数据 [3] - 通用模型分类使用门槛低，可利用常见对话式AI工具或API接口实现高效处理，但在处理高复杂度或深奥行业术语时可能出现偏差 [3] - SFT微调模型分类通过监督微调将通用模型培养为特定领域的专家，适合拥有大量历史数据、业务稳定、需长期监测且对准确率要求高的场景 [4][6] - SFT方案前期需投入精力准备高质量标注数据并进行训练，但成功后准确度与效率出众，缺点是分类标准发生根本变化时需要重新训练 [6] - 提升SFT模型效果的关键在于提供高质量的标注数据，需明确角色、说清任务、讲透规则、提供示例并引导模型进行思维链思考 [7] - 标注数据需确保准确并经交叉检查，同时覆盖各种场景以保持类别均衡，并随业务变化及时更新 [8][12] 长文本分析洞察 - 对于长文本分析，AI可化身“超级管家”，运用RAG等技术处理访谈记录等资料 [9] - 具体运作流程包括：整理切分文本构建知识库，搭建智能体并下达指令，AI根据问题检索相关原始语料并生成洞察报告 [9] - RAG技术极大提升了信息处理效率与完整性，能在几分钟内完成原本需数小时的工作，并基于数据关联分析发现深层洞察 [10] - 优化长文本分析效果需合理拆分文本保证语意完整，采用关键词加语义理解双重优化检索方式，控制上下文参考资料量，并通过指令明确工作规则防止AI“瞎编” [13]