用 AI 設計問卷與分析回收結果：從題目到洞察

如果你正在準備顧客滿意度調查、員工敬業度問卷或市場需求訪查，這篇教學能幫你用 AI 在一個下午內完成「題目設計、發放前檢查、回收後編碼、到最後生成可執行的洞察報告」全流程，不用再靠人工逐題斟酌、逐份翻閱回收資料。

為什麼問卷設計特別適合交給 AI 處理

問卷這件事，難的從來不是「打字」，而是三個環節：題目會不會引導受訪者說出你想聽的答案、開放題回收後要花大量時間人工歸類、以及回收上百份之後要怎麼在半天內整理出「老闆看得懂、也能拿去做決策」的摘要。這三個環節剛好都是語言模型的強項——它能同時檢查邏輯一致性、辨識誘導性用詞、把雜亂的文字回覆歸進類別，而且可以重複執行、不會因為疲勞而漏看。

台灣中小企業最常見的情況是：行銷或人資單位一個人身兼問卷設計、發放、回收、分析全部工作，沒有專職的市場研究人員，也沒有預算外包給研究公司。這種情境下，AI 扮演的角色比較像是「隨傳隨到的研究方法顧問」，你負責提出研究目的與商業情境，AI 負責把題目寫得中立、把資料整理得有條理。

第一步：釐清問卷的決策目的，再動筆寫題目

在開啟任何 AI 工具之前，先把三件事寫清楚，這一步比任何 Prompt 技巧都重要：

1. 這份問捲回收後，你要做的「一個具體決策」是什麼（例如：要不要調整某項服務流程、要不要加開某個產品線）。
2. 誰會填這份問卷（既有顧客、潛在客戶、內部員工），樣本大概多少人。
3. 你最擔心哪些偏見會混進答案裡（例如老闆本人在場填寫、題目暗示「正確答案」）。

把這三點餵給 AI，比直接說「幫我寫一份滿意度問卷」得到的成果好非常多，因為 AI 會針對你的決策目的去設計對應的量表與追問邏輯，而不是套用一份泛用範本。

第二步：用可複製的 Prompt 生成第一版題目

以下這段 Prompt 可以直接複製使用，把大括號內容換成你的情境即可：

你是一位問卷設計顧問，請根據以下資訊設計一份問卷：

研究目的：{我想知道顧客對我們新推出的線上預約系統的使用體驗，並決定是否要投入資源最佳化}
填答物件：{過去三個月使用過線上預約系統的顧客，預估回收 80-150 份}
決策用途：{是否要在下一季優先改善預約系統，還是把資源投入其他專案}
題目數量上限：{12 題以內，填答時間控制在 3 分鐘內}

請依照以下規則設計：
1. 先列出 1-2 題篩選題，確認填答者確實有實際使用經驗。
2. 主體題目分成「量表題」（李克特 5 點）與「行為/事實題」，並說明每一題想驗證的假設是什麼。
3. 每份問卷最後保留 1 題開放式問題，讓受訪者自由描述遇到的問題。
4. 用中立、不帶預設立場的措辭寫題目，避免任何暗示「正確答案」的字眼，並在每一題後面用括號標註「這一題可能存在的誘導風險」與修正建議。
5. 輸出格式為表格：題號、題目、題型、對應的分析用途。

這段 Prompt 的關鍵設計是「要求 AI 自己標註誘導風險」，這一步能逼模型做二次檢查，而不是隻生成一版就交差。實務上你會發現，AI 第一版草稿裡仍然可能出現「您對我們貼心的客服是否滿意」這類帶有預設立場的寫法，這時候需要你人工再過濾一次。

常見誘導性寫法，寫題目前先對照這張表

把這張表存起來，每次寫完問卷草稿後，逐題比對是否落入左欄的陷阱，是最省時間的自我檢查方式。

第三步：開放題回收後，用 AI 做編碼與分類

開放題是問卷裡最耗時的部分，傳統做法是人工逐則閱讀、手動貼標籤（俗稱 coding）。回收量一旦超過五十份，人工編碼很容易出現「同一個意思被貼成不同標籤」的一致性問題。可以用下面這段 Prompt 處理：

以下是 {N} 則開放式問捲回覆，主題是「您在使用線上預約系統時遇到的問題」。

請執行以下工作：
1. 先通讀一遍所有回覆，歸納出 5-8 個共同主題類別（不要事先假設類別，從資料本身歸納）。
2. 把每一則回覆分配到一個或多個主題類別，並標註信心程度（高/中/低）。
3. 針對信心程度為「低」的回覆，另外列出來讓我人工複核。
4. 統計每個主題類別出現的則數與佔比。
5. 針對每個主題類別，挑選 2-3 則最具代表性的原文引句。

回覆內容如下：
{貼上開放題原始回覆，一行一則}

這裡有個實務上的細節：AI 做的是「輔助分類」，不是「最終認定」，所以第 3 點要求列出低信心的專案，就是刻意留一個人工複核的關卡，避免把模型的誤判當成最終結論直接拿去做決策。

第四步：把回收結果轉成一份能拿去開會的摘要

量表題的統計（平均數、標準差、次數分配）交給 Excel 或 Google 表單本身的統計功能會比較準確，AI 的價值在於「把統計數字轉譯成商業語言」。建議的 Prompt 結構是：把統計摘要與開放題主題分類結果都貼給 AI，要求它輸出「三個關鍵發現、對應的可能原因、建議的下一步行動」，並要求每個發現都要標明是來自哪些具體資料，避免模型自己腦補出資料裡沒有的結論。

台灣案例：一間預約制美容工作室的顧客回訪問卷

台北一間約 6 人規模的美容工作室，過去顧客回訪率下滑，但不確定原因出在服務品質、預約流程還是價格。負責人用上述流程設計了一份 10 題問卷，透過 LINE 官方帳號傳送給近半年有消費紀錄的顧客，回收約 90 份左右的樣本。

開放題編碼結果顯示，抱怨最集中的主題並不是價格（原本負責人最擔心的專案），而是「線上預約系統常常顯示的可預約時段和實際到店後的狀況對不上」，這個主題佔了開放題回覆裡相當高的比例，是量表題數字本身看不太出來的訊息——因為顧客在「整體滿意度」量表題上給的分數其實還算中等偏高，問題被平均掉了，是靠開放題編碼才浮現出來的。負責人後續把資源優先放在跟預約系統廠商溝通同步機制，而不是原本打算做的價格調整。這個案例的重點不是「AI 算出精確的數字」，而是「AI 把原本會被平均值蓋掉的訊號重新浮現出來」，這正是開放題編碼配合量表題交叉比對的價值所在。

AI 的能力邊界，以及最常見的錯誤

老實說，AI 在這個流程裡有幾個明確做不到、或容易出錯的地方，使用前要先知道：

• AI 不能幫你決定「樣本數夠不夠有代表性」，這是統計方法問題，回收 90 份和回收 900 份能下的結論強度完全不同，AI 不會主動提醒你這件事，除非你問。
• AI 對開放題的分類仍然可能出現主題重疊或誤判，尤其當受訪者用反諷、簡體字或方言混雜的方式寫評論時，準確率會下降，這也是為什麼上面的 Prompt 特別要求標註信心程度並保留人工複核。
• 量表題的統計數字（平均數、標準差）建議一律用試算表工具算，不要完全依賴語言模型口算或臆測數字，模型有時候會把數字算錯或憑印象給出一個聽起來合理但不準確的統計值。
• AI 生成的「建議行動」可能只是根據常見商業邏輯做的合理推測，不代表真的掌握你公司的內部限制（例如預算、人力），最終決策仍然需要你自己判斷可行性。
• 誘導性題目的檢查不是百分之百可靠，AI 標註的「誘導風險」建議只是輔助線索，最後上線前最好找一位沒有參與設計的同事再讀一次題目。

下一步：把這套流程變成你的固定作業

問卷設計與分析不是一次性的工作，而是值得建立成標準作業程式的任務。建議把上面幾段 Prompt 存成你自己的範本庫，每次遇到新的問卷需求，只需要替換大括號裡的情境描述，就能重複使用整套流程，不需要每次從零開始想怎麼下指令。如果你想進一步把這類任務串接成自動化流程（例如問捲回收後自動觸發分析、定期產出報表），可以參考站內的自動化與工作流相關做法，逐步把人工介入的環節降到最低。

常見問題 FAQ

延伸閱讀

• 更多 AI 任務指南
• 任務食譜總覽
• 可複製的 Prompt 庫
• 把分析流程接成自動化