提炼-归类-验证，分析三层递进（用户研究 2)

主题分析三步法是用户研究中一个能力，这个能力自带一套质性研究的核心方法论：主题分析（Thematic Analysis）提炼主题、亲和图（Affinity Mapping）归类、三角验证（Triangulation）交叉印证。这是能把"一堆原始材料"变成"站得住的结论"的功夫。

用户研究工作：一堆访谈笔记、问卷、反馈，需要把这些散乱、甚至互相矛盾的原始材料，做成一份有优先级、有证据、能直接拿去定路线图的结构化洞察报告。

方法简介

主题分析管"怎么提炼"，亲和图管"怎么归类"，三角验证管"怎么让人信"。核心是三个层层递进的方法：

1. 主题分析（Thematic Analysis）：把数据系统地"读→编码→归主题→复查→命名→写成发现"，六步走，是提炼主题的骨架。
2. 亲和图（Affinity Mapping）：把一条条观察写在小卡片上，靠"相似就贴一起"自然聚类，让主题从数据里自己长出来，而不是事先硬套分类。
3. 三角验证（Triangulation）：同一个结论，用不同方法、不同来源、不同时间各验一遍，互相交叉印证。

在什么场景用

场景	你的状态
材料读完了，但主题迟迟拎不出来	一堆观察摆在那，不知道该怎么归纳
想拉团队一起归类	各说各的分类，缺一个共同方法
单个来源的结论不敢信	一个访谈说 A，你想用别的来源验证一下
结论被质疑"就凭这个？"	需要多来源、多方法交叉印证来加固

不适合的场景：

• 材料很少、一眼就看完（方法论是给"材料多到要系统化"时用的）
• 想要一键出结论、不愿走完整流程（这三个方法是"慢功夫"，换的是可信度）

适合谁用

职能	为什么适合
用户研究员	这是质性研究的看家本领，三件套天天用
产品经理	自己做访谈分析时，有章法、有可信度
数据分析师	"定性"这一半，和定量数据对起来看
创业者	做用户调研时，结论不拍脑袋

立刻上手，将思维框架用作提示词

用六步主题分析，从熟悉化一路走到报告：

复制已复制 ✓把这堆访谈记录用主题分析的方法提炼一下，从编码到主题一步步来。

用亲和图归类，且不许硬套现成框架：

复制已复制 ✓帮我把这些观察做成亲和图，让主题自己浮现，别预设分类。

要求用三个方法交叉验证：

复制已复制 ✓这个"用户觉得难上手"的结论，帮我用访谈、问卷、后台数据三个方法交叉验证一下，看它站不站得住。

实操：把“用户研究”写入 agent skill

下面对三个知识点，我逐个详细解释：1. 应该掌握的核心思维和专业洞察。 2. 你可以用来教 AI 的方法。3. 提示词 Prompt

可复制方法指令，可以作为Skill的一部分

• 提示词可复制，分析方法可作为prompt使用，连同任务一起交给AI，
• 如果需要这些分析方法，可以按需写入 Agent Skill，作为处理相关任务的方法和步骤。你还可以结合具体工作，补充相关资料、输出要求等。

方法 ①：主题分析—提炼主题的六步

1. 应该掌握的核心思维和专业洞察：
让"提炼主题"有章法：不再是拍脑袋归纳，而是可复现的六步

2. 你可以用来教 AI 的方法：

大模型会倾向于对信息做归类总结，急于概括、会过早合并。所以这里会提示宁可一开始贴很多标签，也不要省，因为合并比拆分容易。

3. 提示词 Prompt：

复制已复制 ✓### 主题分析

综合质性研究的核心方法：

1. **熟悉化**：通读所有数据。在编码之前，先对整体图景有个感觉。
2. **初步编码**：系统地过一遍数据。给每条观察、原话或数据点打上描述性编码。编码要大方——之后合并比拆分容易。
3. **主题开发**：把相关编码归成候选主题。一个主题捕捉的是数据中与研究问题相关的某个重要东西。
4. **主题复查**：拿主题去对照数据。每个主题是否有充分证据？主题之间是否彼此区分？它们是否讲得通一个连贯的故事？
5. **主题精修**：清晰定义并命名每个主题。写 1–2 句话描述每个主题捕捉的是什么。
6. **报告**：把主题写成发现，附上支撑证据。

原文：

复制已复制 ✓### Thematic Analysis
The core method for synthesizing qualitative research:

1. **Familiarization**: Read through all the data. Get a feel for the overall landscape before coding anything.
2. **Initial coding**: Go through the data systematically. Tag each observation, quote, or data point with descriptive codes. Be generous with codes — it is easier to merge than to split later.
3. **Theme development**: Group related codes into candidate themes. A theme captures something important about the data in relation to the research question.
4. **Theme review**: Check themes against the data. Does each theme have sufficient evidence? Are themes distinct from each other? Do they tell a coherent story?
5. **Theme refinement**: Define and name each theme clearly. Write a 1-2 sentence description of what each theme captures.
6. **Report**: Write up the themes as findings with supporting evidence.

---

方法 ②：亲和图——让分类从数据里长出来

1. 应该掌握的核心思维和专业洞察：
亲和图是"主题分析"里"归类"这个动作的具体做法，让分类从数据里长出来：不预设框框，避免"拿着锤子看什么都像钉子"。

2. 你可以用来教 AI 的方法：

大模型做聚类时容易把一类越滚越大，要提示它如果一个类别太大，就拆开它。这是防止防止大模型把相似度设太宽、什么往一个类里塞。

3. 提示词 Prompt：

复制已复制 ✓### 亲和图

一种协作式归类观察的方法：

1. **捕捉观察**：把每条不同的观察、原话或数据点写成单独一张记录备注
2. **聚类**：根据相似性把相关记录备注归到一起。不要预先定义分类——让它们从数据里自己浮现。
3. **给聚类命名**：给每个聚类起一个能捕捉共同主线的描述性名字
4. **组织聚类**：如果出现更高层的模式，把聚类进一步归成更上层的小组
5. **识别主题**：聚类及其关系揭示出关键主题

**亲和图提示**：

- 一张记录备注一条观察。不要把多个洞察合并在一起。
- 自由地在聚类之间移动记录备注。第一次归类很少是最好的。
- 如果一个聚类变得太大，它很可能包含多个主题。拆开它。
- 离群点是很有意思的。不要强迫每条观察都塞进某个聚类。
- 归类的过程本身和产出一样有价值。它建立起共同理解。

原文：

复制已复制 ✓### Affinity Mapping
A collaborative method for grouping observations:

1. **Capture observations**: Write each distinct observation, quote, or data point as a separate note
2. **Cluster**: Group related notes together based on similarity. Do not pre-define categories — let them emerge from the data.
3. **Label clusters**: Give each cluster a descriptive name that captures the common thread
4. **Organize clusters**: Arrange clusters into higher-level groups if patterns emerge
5. **Identify themes**: The clusters and their relationships reveal the key themes

**Tips for affinity mapping**:
- One observation per note. Do not combine multiple insights.
- Move notes between clusters freely. The first grouping is rarely the best.
- If a cluster gets too large, it probably contains multiple themes. Split it.
- Outliers are interesting. Do not force every observation into a cluster.
- The process of grouping is as valuable as the output. It builds shared understanding.

---

方法 ③：三角验证——多来源交叉印证

1. 应该掌握的核心思维和专业洞察：

三角验证是三种验证：

• 方法三角：访谈说"难用"，问卷里 60% 也打低分，后台流失数据也掉了——三个不同的方法都指向同一结论，这结论就很硬。
• 来源三角：不只问新手用户，也问老手、管理员，避免"只问了一类人"的偏差。
• 时间三角：同一个问题，上月、本月都观察到，说明它不是偶发。

最关键的是最后一句："来源不一致时，那是有意思的"。它把"矛盾"重新定义为"信号" - 访谈说 A、数据说 B，可以从两个方向检查：
检查人群、时间、统计口径，检查数据质量
如果排除数据问题，你发现的矛盾，可能是发现了两个不同的用户群体差异。

2. 你可以用来教 AI 的方法：
不仅仅只是告诉大模型三角验证的要求，还提出了如何让结论扛得住质疑方式，多来源交叉印证，一条发现被多个来源支持，就比单来源硬得多
同时提示大模型自动的清洗数据噪音，有些为了追求正确而去“和稀泥”，所以要求大模型不要自行推理去规避矛盾，要理解让矛盾变成线索，矛盾可能是不同用户群体的信号。

3. 提示词 Prompt：

复制已复制 ✓### 三角验证

通过组合多个数据来源来加固发现：

- **方法三角验证**：同一个问题，用不同方法（访谈 + 问卷 + 分析数据）
- **来源三角验证**：同一个方法，用不同的参与者或细分人群
- **时间三角验证**：同一个观察，在不同时间点上

一个被多个来源和方法支持的发现，比只被单一来源支持的发现要硬得多。当来源之间不一致时，那是有意思的——它可能揭示了不同的用户细分或情境。

原文：

复制已复制 ✓### Triangulation
Strengthen findings by combining multiple data sources:

- **Methodological triangulation**: Same question, different methods (interviews + survey + analytics)
- **Source triangulation**: Same method, different participants or segments
- **Temporal triangulation**: Same observation at different points in time

A finding supported by multiple sources and methods is much stronger than one supported by a single source. When sources disagree, that is interesting — it may reveal different user segments or contexts.

联系与支持

编号05.4.4
本篇基于 Anthropic knowledge-work-plugins （开源库）与 04_skill_md_series （我的内部资料）的研读系列

想继续看其他能力/职能，或对本系列有反馈，
请联系顾问：程老师
微信号：kciagent