动态调查：使用LLM融合定性深度、定量结构和协作交互

调查是收集数据和社会现象洞察的强大工具，在产品设计、营销、科学研究和其他领域至关重要。然而，传统的开放式和封闭式问题格式限制研究者获取结合定性洞察丰富性和定量数据严谨性的数据的能力。封闭式问题便于结构化数据收集，适合统计分析，但限制回答者的答案。相比之下，开放式问题允许包含新视角的细微回应，但因其非结构化性质需要大量努力来解释。此外，传统调查工具缺乏促使回答者进行更深层反思或促进与他人视角互动的机制，限制了获得更丰富洞察的潜力。为解决这些问题，我们提出动态调查，这是一种使用大语言模型(LLM)实时聚类定性回复并获取对这些聚类的定量评分和排名的调查平台，获取关于回答者观点如何与更广泛趋势比较的定性反思。这一过程生成一份报告，向调查创建者和回答者展示聚类响应以及每个聚类的排名、评分分布和后续反思。为评估动态调查，我们进行了两项为期2个月的实地研究，共有93名参与者。在第一项研究中，52名学生为职业研讨会提供输入；在第二项中，41名学生就其学术课程的差距提供反馈。其中，44名回答者填写了关于使用动态调查体验的调查。我们还与4名对洞察感兴趣的个人分享了生成的报告，并采访他们以了解他们对结果的观点以及他们在平台设计中看到的任何情境风险。我们的发现表明，与传统调查工具相比，动态调查不仅提供更丰富、更深入的响应洞察，还增加参与度并培养社区感。我们讨论了融合定性深度与定量结构的调查平台设计更广泛的影响，促进更丰富的洞察并提供更协作的交互。