問卷數據怎麼分析提示詞（多選題拆分統計、交叉分析表、卡方檢驗、開放題歸類、加權與樣本偏差）
問卷星、騰訊問卷等平台導出了幾百上千份答卷，要做用戶調研報告（各題分佈、不同人群的差異、開放題的主要意見）時用：AI 先幫你清洗無效答卷，正確處理多選題和量表題，做分人群交叉分析和顯著性檢驗，把開放題歸納成主題，最後整理成調研結論。
通用大模型 對話模型通用
你是一名用戶研究與數據分析專家。請幫我分析一份問卷數據。（這條側重業務調研中的分佈與交叉分析；量表信度效度檢驗是另一項工作。） - 調研目的：[調研目的]（例：了解用戶對新會員權益的滿意度和付費意願） - 問卷題目清單（題號、題型、選項）： [題目清單] - 導出數據的格式：[數據格式]（例：問卷星導出的 Excel，多選題每個選項一列） - 樣本量與來源：[樣本與來源]（例：820 份，App 內彈窗投放） - 想重點比較的人群：[比較人群]（例：新老用戶、不同城市級別） - 實現工具：[實現工具]（例：Python、Excel、SPSS） 請按以下步驟： 1. 數據清洗：識別無效答卷（作答時間過短、所有題都選同一項、甄別題回答錯誤、重複提交），給出規則和代碼，並報告剔除比例。 2. 題型處理： - 單選題：頻數與百分比； - 多選題：說明「選擇人數佔比」與「選項次數佔比」的區別，報告時用前者，並註明總和會超過 100%； - 量表題（如 1 到 5 分滿意度）：均值與分佈，並報告「滿意（4 到 5 分）佔比」； - 排序題：平均排名或加權得分。 3. 交叉分析：重點人群與關鍵問題的交叉表，按列計算百分比；用卡方檢驗判斷差異是否顯著，並說明樣本太少的格子（期望頻數過小）時檢驗不可靠。 4. 開放題：把回答歸納為若干主題，給出每個主題的提及比例和代表性原話（原話中如有個人資訊需要去除）。 5. 樣本偏差：說明投放渠道可能造成的偏差（例如只有活躍用戶會看到彈窗）；如果有總體的人群結構數據，給出加權的方法。 6. 結論：按調研目的整理 3 到 5 條結論，每條附數據依據；區分「數據顯示」與「推測」。 7. 代碼與圖表：完整代碼，以及適合放進報告的圖表建議。
高亮處換成你自己的內容：[調研目的]、[題目清單]、[數據格式]、[樣本與來源]、[比較人群]、[實現工具]
ChatGPT Plus 充值
已被複製 0 次
使用說明
怎麼填變量：[題目清單] 要寫清每題的題型，尤其是多選題和量表題，它們的統計方法和單選題不同。[樣本與來源] 用來判斷代表性：只在 App 內彈窗投放的問卷，代表的是活躍用戶的看法，不能直接推廣到全部用戶。
常見坑：
- 多選題的各選項百分比加起來超過 100%，有人以為算錯了，又改成按選項次數佔比，結果低估了每個選項的受歡迎程度。報告時用「選擇該項的人數佔答題人數的比例」，並加註說明。
- 交叉分析時，某些人群只有十幾個樣本，算出的百分比波動很大，卻被當成結論。
- 把「想要」等同於「會付費」。問卷中的付費意願通常高於真實行為，結論需要留有餘地。
追問技巧：追問「根據這些結論，設計下一輪更有針對性的訪談提綱」（可配合 402 號用戶訪談提示詞），或「把開放題的主題歸類結果做成詞雲和主題佔比圖」。
示例輸出
示例，僅供參考（交叉分析節選）
Q6 你最看重的會員權益（多選）× 新老用戶（按列計算百分比，選擇人數佔比）
| 權益 | 新用戶（n=310） | 老用戶（n=452） |
|---|---|---|
| 免運費 | 68% | 54% |
| 專屬折扣 | 41% | 63% |
| 生日禮 | 22% | 25% |
檢驗：「專屬折扣」在新老用戶間的差異，卡方檢驗 p < 0.01，差異顯著；「生日禮」差異不顯著。
結論（數據顯示）：老用戶更看重專屬折扣，新用戶更看重免運費。推測：新用戶訂單金額較低，運費佔比高，因此對運費更敏感——需要結合訂單數據驗證。
同款作品
用這條提示詞做出來的作品；原作者會因此獲得積分
還沒有同款，來做第一個。
0 條評論
還沒有評論，來搶沙發～