用 AI 設計問卷與分析結果：問出不引導的好問題，回收後快速找出洞察

問卷是很多決策的起點：要不要推新方案、客服哪裡該改、活動值不值得再辦。但問卷做不好，回收一堆數字反而會把你帶往錯誤方向。

這篇要解決的問題：怎麼用 AI 問出「不引導、答得準」的好問題，而不是隨手叫它出幾題就上線？ 適合誰讀：要做顧客調查、員工調查、活動回饋、市場測試的行銷、營運、HR、店長與小團隊負責人。 讀完你會得到：一套從研究問題到回收分析的完整流程，含可複製的 Prompt、Workflow 流程圖，以及台灣中小企業的導入前後對照。

為什麼問卷的成敗在「設計」，而不是在「發出去」

大多數人對問卷的時間分配是反的：花九成力氣在「怎麼多收幾份」，卻只花十分鐘湊題目。問題是，一份題目有偏誤的問卷，收得越多、錯得越穩——你會非常有信心地走錯方向。

常見的崩壞長這樣：題目暗示了期待的答案（「您有多滿意我們貼心的服務？」），把兩件事塞進一題（「您覺得價格與品質如何？」），或量表只給好沒給壞。受訪者順著填，數據看起來很漂亮，實際上量到的是「你想聽的話」，不是「真實的想法」。

AI 在這裡的價值不是「幫你生題目」——那只是把湊題目這件事自動化，反而更危險。AI 真正能幫上忙的是兩件人最容易偷懶的事：上線前逐題挑偏誤，以及回收後快速從幾百筆雜亂回覆裡撈出洞察。前者靠它的耐心與一致性，後者靠它處理文字的速度。

核心概念：好問卷的四個品質關卡

設計問卷可以想成讓每一題通過四道關卡。下面這張表是你（與 AI）逐題自檢的清單。

把這張表餵給 AI，要求它「逐題對照這四關卡審查」，比叫它「幫我看一下問卷好不好」有效得多——因為你給了它明確的評分維度，而不是讓它含糊地說「看起來不錯」。

另外一個關鍵概念是題目要從決策反推。先問自己「這題的答案會改變我哪個決定？」如果想不出來，這題八成可以刪。問卷不是越長越好，每多一題就多一分流失，受訪者填到一半關掉，你連有用的前幾題都拿不回來。

實際教學：五個步驟，從研究問題到洞察報告

Step 1：先寫研究問題，不要先寫題目

打開問卷工具前，先用一句話寫下你想做的決策，再拆成 3 個它依賴的研究問題。例如決策是「下季要不要把外送服務外包」，研究問題可能是：顧客對目前外送速度的滿意度？延遲時最在意什麼？願不願意為更快多付一點？

把這三個研究問題交給 AI，請它反推每個問題該用哪些題目來回答。這一步能擋掉大量「為問而問」的廢題。

Step 2：用 AI 草擬題目，並標註假設與題型

讓 AI 依研究問題草擬題目，但要求它每一題都附上「想驗證的假設」與「題型（單選／多選／李克特量表／開放題）」。這樣你能一眼看出哪些題目其實在問同一件事，哪些假設沒有對應的題目。

不要讓 AI 一次出二十題就收工。題目寧少勿多，一般顧客滿意度問卷控制在 8～12 題、3 分鐘填完，回收率與品質都會比長問卷好。

Step 3：切換角色，讓 AI 當「方法論審查者」抓偏誤

這是最關鍵、也最常被跳過的一步。把草稿丟回去，請 AI 換一個身分——不是出題者，而是嚴格的問卷方法論審查者，依「不引導／單一焦點／量表平衡／語意清楚」四關卡逐題挑毛病，並給修正版。

換角色之所以重要，是因為 AI 對「自己剛寫的東西」會偏寬鬆，明確要它站到對立面才會認真找碴。

Step 4：校準量表、加跳題邏輯，再做小樣本前測

統一所有李克特量表的級距（全用五點就別混七點），把對稱的負向選項補齊，並設好跳題邏輯（沒用過外送的人就跳過外送相關題）與必填規則。

接著找 5～10 個同事或熟客做前測，請他們邊填邊講出「哪題看不懂、哪題覺得在誘導我」。把前測回饋連同問卷給 AI，請它依實際反應修語意。前測花一小時，能省下回收後才發現整題作廢的崩潰。

Step 5：回收後，用 AI 做編碼、交叉分析與洞察萃取

回收資料分兩塊處理。封閉題整理成 CSV，請 AI 依年齡、區域、方案等維度做交叉分析，標出差異明顯的組別。開放題最耗人工，把所有文字回覆貼給 AI，請它先建編碼表（歸納出主題分類）、再逐筆標註、統計各主題占比，並挑代表性原文佐證。

最後請 AI 產出「洞察＋證據＋建議行動」三段式摘要，但所有數字與分類都要回原始資料抽驗 10%～20%，AI 偶爾會把立場相反的回覆歸成一類，人工校正不可省。

範例：Prompt 與 Workflow

可複製的 Prompt（問卷審查＋開放題分析二合一）

你是一位資深問卷方法論審查者與調查資料分析師。請分兩階段協助我。

【階段一：題目審查】
以下是我的問卷草稿，受訪對象是：{填入對象，例如「曾在本店外送下單的顧客」}。
請逐題依四個關卡審查，並為每題輸出表格欄位：
原題 | 偏誤類型（不引導/單一焦點/量表平衡/語意清楚，可多選或「無」） | 問題說明 | 修正後題目
四關卡定義：
1. 不引導：不得有暗示期待答案的形容詞或預設立場。
2. 單一焦點：一題只問一件事，禁止雙管問題。
3. 量表平衡：李克特量表須對稱、正負向選項對等，全卷級距一致（請統一為五點）。
4. 語意清楚：禁雙重否定、模糊時間、未解釋的專有名詞。
最後列出：建議刪除的冗題、缺少對應題目的研究問題。

【階段二：開放題分析】（回收後我會再貼資料給你）
收到開放題回覆後，請：
1. 先歸納 5～8 個主題建立編碼表，並定義每個主題。
2. 逐筆標註主題（可多標），統計各主題出現次數與占比。
3. 每個主題挑 1～2 則代表性原文。
4. 輸出「洞察｜支持證據（含占比）｜建議行動」三欄摘要。
規則：占比一律標母數；樣本不足以下結論的發現要明確標「僅供參考」；不得編造未出現在資料中的內容。

我的問卷草稿如下：
{貼上題目}

Workflow 流程圖（文字版）

寫決策與 3 個研究問題
        ↓
AI 反推題目（標假設＋題型）
        ↓
AI 換「審查者」角色 → 逐題抓偏誤、出修正版
        ↓
校準量表＋跳題邏輯 → 小樣本前測（5～10 人）
        ↓
依前測回饋修語意 → 正式上線發放
        ↓
   ┌─────────────┴─────────────┐
回收封閉題（CSV）          回收開放題（文字）
   ↓                          ↓
AI 交叉分析、標差異組      AI 編碼表＋逐筆標註＋占比
   └─────────────┬─────────────┘
        ↓
AI 產「洞察＋證據＋建議」報告
        ↓
人工抽驗 10%～20% → 定稿決策

把這套流程存成你的固定範本，每次做問卷只要替換研究問題與受訪對象，前段設計與後段分析都能複用。

常見錯誤

• 直接用 AI 出的第一版題目：未經審查的 AI 題目語氣普遍偏正向，等於把引導性偏誤量產上線。一定要做 Step 3 的換角色審查。
• 混用量表級距：前面五點、後面七點，分析時無法直接比較，受訪者也會混淆。全卷統一。
• 開放題不建編碼表就直接「請 AI 總結」：AI 會給你一段讀起來順、卻無法回溯佐證的空話。先編碼、再標註、再統計，才有證據力。
• 小樣本講大話：50 份問卷就寫「八成顧客認為……」。樣本不足時要標明僅供參考，否則決策者會被假確定性誤導。
• 跳過前測：很多歧義題只有真人填過才會現形，前測省一小時、回收後可能整題報廢。
• 不抽驗 AI 的分類：AI 可能把「太貴了還能接受」和「太貴了不會再買」歸成同一類，人工抽驗 10%～20% 是底線。

最佳實務

• 一題對一個決策：寫每題前先問「這答案會改我哪個決定」，答不出來就刪。
• 量表對稱、選項窮盡互斥：正負向對等，選項涵蓋所有可能且不重疊，必要時加「其他＿＿」。
• 敏感題放後面、放寬填答：收入、年齡等敏感題往後排並設為選填，避免一開頭就讓人關掉。
• 讓 AI 同時當出題者與審查者，但分兩次對話：避免它對自己的草稿手下留情。
• 保留原始回覆與編碼表：方便覆核、也方便下次調查沿用同一套主題分類做趨勢比較。
• 報告區分「可下結論」與「待驗證」：請 AI 明確標註哪些發現樣本足夠、哪些需擴大樣本，避免過度詮釋。

實際案例：台中一家連鎖手搖飲的會員滿意度調查

情境：台中一家有 6 間分店的手搖飲品牌，想知道為何近三個月會員回購率下滑。行銷負責人是一人小團隊，過去都用免費表單隨手出十幾題，回收後只看每題平均分，看不出所以然。

導入前：上一份問卷有「您有多滿意我們用心調製的飲品？」這類引導題，又把「甜度與冰量是否符合期待」塞成一題。回收 210 份，平均分 4.2，看起來很好，卻完全找不出回購率為何下滑——因為題目根本沒問到痛點，開放題的 180 則留言也沒人有空看，全被晾著。

導入後做法：先寫下決策「下季要不要調整甜度標準與會員集點規則」，拆成三個研究問題，讓 AI 反推題目，再用「審查者」角色逐題抓出 4 個引導題、2 個雙管問題並修正，量表統一五點，前測 8 位熟客修掉兩個看不懂的詞。回收後把封閉題做分店交叉分析，開放題的 180 則留言用 AI 編碼成 6 個主題、標註占比並抽驗校正。

成果數據：

• 問卷從 16 題精簡到 10 題，平均填答時間從 4 分半降到 2 分鐘，完成率從 61% 提升到 88%。
• 開放題分析時間從「沒人看」變成 40 分鐘產出帶證據的主題報告，找出 32% 的留言抱怨「新版甜度普遍偏甜、無法微調」這個過去被平均分掩蓋的痛點。
• 交叉分析發現回購率下滑集中在 2 間導入新點餐機的分店，指向操作流程而非產品問題。
• 依此調整甜度選項與集點規則後，三個月後該季會員回購率回升約 9 個百分點。

關鍵不在 AI 多神，而在於先用對流程問對問題，再讓 AI 把人最容易偷懶的審查與文字分析做到位。

結論

AI 不會自動讓你的問卷變好——叫它隨手出幾題，只會把偏誤量產得更快。真正的槓桿在於：用 AI 當嚴格的審查者，逐題擋下引導、雙管與量表失衡；再用它的文字處理速度，把回收後最耗人工的開放題編碼與交叉分析變成幾十分鐘的事。

記住三個原則：題目從決策反推、上線前一定換角色審查、分析結果一律回原始資料抽驗。把本文的 Prompt 與 Workflow 存成範本，下次做任何調查都能複用。想把分析這段接到更完整的資料流程，可以接著看用 AI 做資料分析與用 AI 分析顧客回饋，或到工作流知識庫找現成範本。

❓ 常見問題 FAQ

🔗 延伸閱讀

• 用 AI 做資料分析：從雜亂表格到可行動洞察
• 用 AI 分析顧客回饋：把抱怨變成改善清單
• ChatGPT Prompt 怎麼寫？實戰指南
• 工作流知識庫
• Prompt 產生器