我和一位前同事聊到关于使用AI进行研究会话的管理，其中一位AI调研助手与人类受访者一起进行定性研究。

她既恶心又沮丧地反应：“呕，真是糟透了。”

我认出了那种反应——那是心神不宁的感觉，担心AI会抢走你所热爱的东西。

对于定性研究人员来说，这对他们来说尤其打击沉重。我们相信我们的工作，并为此感到自豪。如果你查看任何一个定性研究人员的内心，你会发现满满的荣誉，里面装满了他们解开人类神秘的谜题、发现别人未曾发现的新见解的时刻。

AI审核似乎在贬低这一切的价值或危及其所有，但我想要提出一个不同的看法。

大约一年前，我开始尝试AI审核，起初是为了证明它是错的。但最终，我自己开发出了AI审核员DeepNeed，来证明它是对的。

多年来，我培训了许多从业者。我在MIT教了两个学期的定性方法。我想知道，如果我们认为这项技术遵守了我们的“游戏规则”，我们又会怎么想呢？

就这样做，我的内心发生了转变，从自我保护和防御转为感激这种方法带给我们的。

为什么？因为我亲眼见过它打开大门：更多的机会、更高的信誉度和更大的战略价值。

更重要的是，我发现这仍然感觉像是我们的作品。那份匠心依然存在。我仍然喜欢我在其中的部分。

让我们思想开放的第一步是回应和解决人们对AI监管系统最常见的三条批评意见。

1. AI 调解员无法探究背后的“为什么”。
2. AI 调解员会忽略情绪信息和环境因素。
3. AI 调解员无法建立人际联系。

经验丰富的访谈者似乎有一种神奇的魅力，能流利地挖掘更深层次的动机。当我刚开始学习时，我注意到，我记得看资深访谈者时，总觉得他们像是有“超能力”一般。

大家觉得AI做不好这个。

根据最近 Ipsos 的一份报告（见 链接）中提到的：人类主持人在填补差距和消除不一致方面再次表现出色。

“一个AI调解机器人常常像新手一样，总是低头查看讨论指南，因此忽略了现场情况。它错过了许多深入探讨的机会。”

在所有批评中，这是我最不同意的。

如果AI调解员未能有效地进行探究，这更多是设计上的缺陷，而不是技术的根本限制。就像人类一样，AI也需要经过训练，超越讨论大纲，识别出值得深入探讨的精彩瞬间。

在DeepNeed, 我们采用代理式工作流程，其中编码机器人和访谈机器人协同工作以确定探查位置。下面是一个最近访谈的例子：

人工探测

它不可能赢得普利策奖。但它是否揭示了更深层次的原因呢？是的。

大多数时候，我都会想：这就是我本来会问的。

第二个批评是，AI无法理解肢体语言，也无法通过细微线索深入挖掘。

据 Ipsos 所说：

“经验丰富的版主或调停者会透过文字表层——注意发言中的犹豫、兴奋或不适的情绪，并据此进行进一步的互动。没有这些线索的话，研究团队可能就无法察觉其中的弦外之音。”

我同意AI确实可能会错过这些潜在信号——但我不认为这算是一个决定性因素。

当 n = 10 时，捕捉这些线索对于维护数据完整性至关重要。但当 n = 400 时，个别的犹豫或细微差别往往会 平均化，从而揭示更大规模下的更广泛模式。

除此之外，还有许多AI审查平台，如Listen Labs，已经集成了视频分析功能，让研究人员分析隐含的意思。像Affectiva的Emotion AI这样的技术声称能检测复杂的情绪，进一步拉近了距离。

在我看来，更重要的是，缺乏环境上下文是更显著的限制。研究访谈通常包括对话以及观察——而这一点对于人工智能来说仍然是一个挑战。

说起来，疫情证明了面对面的研究并不总是必不可少的，以收集背景信息。平台如Dscout和WatchMeThink已经开创了虚拟观察，让研究人员可以远程收集丰富的现实世界数据。

而这只是一个开始。AI公司正在积极开发视觉功能，比如埃坦·莫利克演示的OpenAI的Live Mode，这表明LLM将增强其分析实时视频的能力，这意味着AI审核人员能够通过视觉理解上下文。

如果你想找一个绝对靠谱的理由说明AI审核永远不会成功，我不会赌这一把。

最终的论据是，AI无法建立让受访者畅所欲言所需的信任。

作为研究人员，我们以能反映情感、确认经历并提供一个诚恳反思的安全环境而自豪。

我也不反对。实际上，在DeepNeed，我们一直在努力设计AI在整个面试过程中验证回答的方式。

但我也有疑问。

我们可能低估了面对面访谈带来的紧张感或侵扰性，特别当有报酬时。

初步研究表明，受访者往往更喜欢AI调解者，因为他们觉得AI不带偏见。

伦敦政治经济学院的一项研究发现（https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4974382），法国选民的情况为：

• 50% 更喜欢AI面试官
• 15% 更倾向于真人面试官
• 35% 则无所谓

根据这项研究，参与者感觉到：

“人工智能是没有评判的实体……他们可以自由地分享自己的想法，而不用担心受到评判。”

这与现有的心理学研究结果一致，表明当人们认为没有人在观察时，他们更愿意向电脑披露真实和敏感的信息。

我们所认为的人工智能的弱点——缺乏人情味——实际上可能成为鼓励坦率回应的优势。

我不认为人工智能监管面临的最大障碍源于这些方法论的批评。真正的问题在于我们尚未充分理解其价值——这怎么可能？这项技术仍然处于初级阶段。

作为从业者，我们经常将传统的定性研究视为一种米其林星级的用餐体验——深刻细致、精心制作。
“第三号餐桌那个地方？你看到他们看到那份凯维奇时脸上的表情了吗？”

在另一端上，定量研究就像一家连锁快餐店Chipotle一样——快速、高效且大规模生产。但它有其用途，没有人会说他们吃了墨西哥卷饼后改变了生活。

量化对比质化

也许就像我们社区里的咖啡馆或熟食店，这就是我认为AI内容审核的真正价值所在。

就像当地的咖啡馆一样，AI moderation 拥有独特的功能和存在的意义。它不是仅仅为了“快，快，快！”而是利用规模和速度的优势来创造一种独特的、自身的方法，而不仅仅是对传统方法的拙劣模仿。

定性研究是非常耗费资源的。我们在数据分析、回顾分析和形成洞察的过程中很容易迷失焦点，忘记了我们原本要回答的核心问题。

我们的相关方希望得到一份完整准备好的饭菜，但我们提供的只是一份详细记录的胡萝卜切片报告。

在最近的一个项目中，我们只有三周的时间来交付成果并在董事会之前展示成果——对于传统的研究来说，这是一个几乎不可能完成的紧迫时间表。但借助AI，我们仅用了两天时间就收集到了所需的数据，这给了我们充裕的时间来思考、改进并迭代。

我们在交付前对核心框架和故事进行了三次重大调整，确保了更好的成果。

当研究变得更快速且更实惠时，它就变得更加触手可及了。这一点也许是最显而易见的。

不再视定性研究为缓慢且耗费资源的过程，利益相关者开始将其视为一种灵活的手段，可以更加频繁、更有策略地应用。

我们可以试着鼓励利益相关者在我们的米其林餐厅用餐——但我们需要意识到他们越来越倾向于直接跳过前往餐厅这一步了。

Aaron Cannon，Outset.ai的联合创始人，通过将数据存储成本的降低进行类比来说明这一点。在过去50年里，计算机内存和存储的价格大幅下降，这不仅让现有的计算变得更便宜，还促进了全新的创新，比如智能手机的出现。

Outset AI

类似地，随着定性研究的成本和所需时间的减少，这不仅使定性研究变得更加容易，还扩展了可能的研究领域。

有一种普遍的看法是，AI内容审核会使数据质量变差——但这不一定就是错的。

规模不仅能加快研究，还能揭示我们在小样本中可能忽略的见解和机会，或者因为它们没有立即吸引我们的注意而被我们错过。

比如说，在最近的一项研究中，我们对400名患者进行了访谈。我们录制了300小时的音频，并识别出了3,580个深层客户需求。我们将这些需求归类成29个汇总类别，按出现频率排序。

在DeepNeed，我们利用这些数据构建一个全面的客户需求全景图。

一次AI监管的面试可能感觉不够细致。但经过数百次面试，大规模的积累可以描绘出更丰富、更全面的画面。

我不知道你的情况如何，但我已经厌倦了为样本量大小的问题争论不休。

每家公司似乎都有重要相关方对定性工作缺乏信任。但局面会发生变化，当我们能用定量数据来支撑这些深刻的见解时。

从四次对话中呈现的见解与从165次对话中得到的见解差别很大。

海量的数据不但提升可信度，也让我们能够捕捉到更广泛模式中的细节，从而讲一个更丰富、更有说服力的故事。

最后一道防线：自己

最终的挑战不是技术性的，而是个人的。

这份工作对我们来说意义深远。我们运用自己的创作才能去理解他人，那些完全不同于我们的人。

研究不仅仅是一份工作；它塑造了我们的身份。我们将自己的创意和才华用于理解他人——那些与我们截然不同的人——而他们的故事会一直伴随着我们。

当我第一次进行AI监管的研究时，我似乎找到了感觉：
✅ 兴奋地挖掘人们的言论，寻找那些宝贵的见解
✅ 注意到一些有趣的词汇选择，它们总结了关键的洞见
✅ 构建了一个我知道会破除团队最大误解的故事

我突然意识到，这依旧是我热爱的工作。

AI内容审核不只是一个工具，它是一种新的方式。和任何方式一样，它也需要人类专业知识来引导。

关键是自信地在这些新模式中找到我们自己的位置。所以我鼓励大家：试试看。亲身体验其价值。并自信地在新方法中找到自己的位置。

参考

• Ipsos. (2024). “质性研究中的AI调解：机遇与限制.” [用于对AI调解能力的批评]
• Ratcliff, M. (2023). “质性研究中的AI状态.” Murmur Research. [指出AI质性研究是“开放式量化研究”]
• London School of Economics. (2023). “AI与人类访谈者的偏好.” [研究显示，50%的受访者更喜欢AI访谈]
• Mollick, E. (2024). “OpenAI的Live模式演示.” [用于展示多模态视觉能力]