大语言模型辅助开放题生成的背景
开放式问题（Open-ended Questions）是调研问卷中获取深度洞察的核心工具，也是设计难度最高、质量参差不齐最明显的题目类型。一个设计精良的开放式问题，能够激发受访者的真实思考，获得丰富的自发性信息；而一个设计粗糙的开放式问题，则可能引发笼统的社会期许回答，无法产生分析价值。AI辅助问卷设计的大语言模型（LLM）功能，为开放式题目的设计提供了重要的辅助手段。
大语言模型在辅助开放题生成方面的独特价值，源于其对大量调研问卷语料的训练——这使它能够识别开放题设计的常见问题（如措辞过宽、隐含假设、双重问题），并提供符合调研设计规范的改写建议。更重要的是，LLM可以基于研究目标和特定受众特征，自动生成多个角度差异化的开放题候选版本，大幅扩展研究者的设计选择空间。
AI辅助生成开放题的Prompt设计规范
在使用大语言模型辅助开放题生成时，Prompt的质量直接决定输出的可用性。有效的AI辅助问卷设计Prompt应包含以下要素：
研究目标的精确描述：告诉模型这道题要探索什么——是了解受访者的具体使用体验、识别其对某品牌的情感联想，还是捕捉其对某政策变化的初始反应？目标越精确，生成的题目越有针对性。模糊描述（如”问一下用户的看法”）通常产生同样模糊的开放题。
受众特征的明确说明：不同受众群体的语言习惯和认知框架差异显著。为Z世代设计的开放题应使用更口语化、贴近社交媒体表达方式的语言；为专业人士（如HR经理、采购主管）设计的开放题则应使用符合其专业情境的词汇。告诉模型”受访者是25-35岁城市白领女性”和”受访者是大型制造业企业的供应链经理”，会产生风格迥异的题目建议。
题目长度和探索深度的控制：短开放题（如”您如何评价？”）和深度探究问题（如”请您详细描述上一次购买该产品时，影响您最终决定的关键因素，以及这些因素相互之间的优先顺序”）服务于不同的研究目的，在Prompt中需明确指定期望的探索深度和题目长度控制范围。
AI生成开放题的常见质量问题与修正方法
即使使用高质量的Prompt，AI辅助问卷设计生成的开放题也存在若干系统性质量风险，需要人工审查和修正：
隐含假设问题：LLM生成的开放题有时会内嵌未经验证的前提。例如，”您最欣赏该品牌的哪些方面？”隐含了受访者对该品牌有欣赏之处的假设。正确的开放题设计应预先排除这类假设，或在设问中明确允许否定性回答。
双重问题结构：AI有时会生成同时探索两个不同维度的问题（如”这款产品的功能和设计分别给您留下了什么印象？”），导致受访者无法明确单一回答重点。双重问题应拆分为两道独立的开放题。
诱导性措辞：某些AI生成的开放题会通过选词传递倾向性（如”您认为这款价格合理的产品还有哪些改进空间？”中的”价格合理”是一个诱导性预设）。人工审查时应识别并删除所有隐性的评价性修饰词。
开放题分析的AI辅助编码方案
大语言模型在开放题分析阶段同样具有重要的辅助价值。在AI辅助问卷设计的完整工作流中，分析环节的AI辅助包括：
主题聚类辅助：对大量开放式回答进行初步的语义聚类，将相似主题的回答归入同一类别，供研究人员在此基础上进行人工解读和精炼，大幅降低纯手工编码的时间成本。
情感倾向标注：对每条开放式回答进行积极/中性/消极的情感极性初步标注，辅助研究人员快速把握整体情感基调，并重点关注情感极性模糊的回答（这些往往是最值得深度解读的复杂反应）。
将AI辅助开放题生成与AI辅助编码分析有机结合，构建”AI辅助设计→人工优化→执行采集→AI辅助分析→人工解读”的完整研究闭环，是当前AI辅助问卷设计前沿实践的最高水平。欢迎关注北京数策中心的AI调研方法论研究动态。