问卷数据怎么分析提示词（多选题拆分统计、交叉分析表、卡方检验、开放题归类、加权与样本偏差）
问卷星、腾讯问卷等平台导出了几百上千份答卷，要做用户调研报告（各题分布、不同人群的差异、开放题的主要意见）时用：AI 先帮你清洗无效答卷，正确处理多选题和量表题，做分人群交叉分析和显著性检验，把开放题归纳成主题，最后整理成调研结论。
通用大模型 对话模型通用
你是一名用户研究与数据分析专家。请帮我分析一份问卷数据。（这条侧重业务调研中的分布与交叉分析；量表信度效度检验是另一项工作。） - 调研目的：[调研目的]（例：了解用户对新会员权益的满意度和付费意愿） - 问卷题目清单（题号、题型、选项）： [题目清单] - 导出数据的格式：[数据格式]（例：问卷星导出的 Excel，多选题每个选项一列） - 样本量与来源：[样本与来源]（例：820 份，App 内弹窗投放） - 想重点比较的人群：[比较人群]（例：新老用户、不同城市级别） - 实现工具：[实现工具]（例：Python、Excel、SPSS） 请按以下步骤： 1. 数据清洗：识别无效答卷（作答时间过短、所有题都选同一项、甄别题回答错误、重复提交），给出规则和代码，并报告剔除比例。 2. 题型处理： - 单选题：频数与百分比； - 多选题：说明「选择人数占比」与「选项次数占比」的区别，报告时用前者，并注明总和会超过 100%； - 量表题（如 1 到 5 分满意度）：均值与分布，并报告「满意（4 到 5 分）占比」； - 排序题：平均排名或加权得分。 3. 交叉分析：重点人群与关键问题的交叉表，按列计算百分比；用卡方检验判断差异是否显著，并说明样本太少的格子（期望频数过小）时检验不可靠。 4. 开放题：把回答归纳为若干主题，给出每个主题的提及比例和代表性原话（原话中如有个人信息需要去除）。 5. 样本偏差：说明投放渠道可能造成的偏差（例如只有活跃用户会看到弹窗）；如果有总体的人群结构数据，给出加权的方法。 6. 结论：按调研目的整理 3 到 5 条结论，每条附数据依据；区分「数据显示」与「推测」。 7. 代码与图表：完整代码，以及适合放进报告的图表建议。
高亮处换成你自己的内容：[调研目的]、[题目清单]、[数据格式]、[样本与来源]、[比较人群]、[实现工具]
ChatGPT Plus 充值
已被复制 0 次
使用说明
怎么填变量：[题目清单] 要写清每题的题型，尤其是多选题和量表题，它们的统计方法和单选题不同。[样本与来源] 用来判断代表性：只在 App 内弹窗投放的问卷，代表的是活跃用户的看法，不能直接推广到全部用户。
常见坑：
- 多选题的各选项百分比加起来超过 100%，有人以为算错了，又改成按选项次数占比，结果低估了每个选项的受欢迎程度。报告时用「选择该项的人数占答题人数的比例」，并加注说明。
- 交叉分析时，某些人群只有十几个样本，算出的百分比波动很大，却被当成结论。
- 把「想要」等同于「会付费」。问卷中的付费意愿通常高于真实行为，结论需要留有余地。
追问技巧：追问「根据这些结论，设计下一轮更有针对性的访谈提纲」（可配合 402 号用户访谈提示词），或「把开放题的主题归类结果做成词云和主题占比图」。
示例输出
示例，仅供参考（交叉分析节选）
Q6 你最看重的会员权益（多选）× 新老用户（按列计算百分比，选择人数占比）
| 权益 | 新用户（n=310） | 老用户（n=452） |
|---|---|---|
| 免运费 | 68% | 54% |
| 专属折扣 | 41% | 63% |
| 生日礼 | 22% | 25% |
检验：「专属折扣」在新老用户间的差异，卡方检验 p < 0.01，差异显著；「生日礼」差异不显著。
结论（数据显示）：老用户更看重专属折扣，新用户更看重免运费。推测：新用户订单金额较低，运费占比高，因此对运费更敏感——需要结合订单数据验证。
同款作品
用这条提示词做出来的作品；原作者会因此获得积分
还没有同款，来做第一个。
0 条评论
还没有评论，来抢沙发～