不从“AI 能不能”开始
“AI 能不能帮助理解情绪？”是一个有吸引力但难以直接行动的问题。更可研究的问法是：在何种材料、面对何类任务、由谁复核的条件下，AI 能否帮助研究者更快发现需要追问的线索？
问题越具体，研究设计越能经得起检验。
四个必要限定
- 对象：服务谁，研究者、咨询师还是普通用户？
- 场景：发生在访谈整理、心理教育还是日常支持？
- 材料：工具处理的是什么信息，是否取得清晰授权？
- 标准：结果由谁评估，什么算作有效、可靠或有帮助？
例如，不要只问“模型能否总结访谈”。可以改写为：“在获得授权且去除可识别信息的十份访谈材料中，模型生成的主题初稿，能否帮助两位研究者更快完成第一轮编码；研究者对主题命名和原文对应关系的复核结果如何？”这个问题既保留探索空间，也给出了可讨论的评估路径。
先定义不做什么
研究设计常常因为“什么都想探索”而失去边界。开始前，把不处理的材料、不输出的结论和不适用的人群写下来，会比事后补充免责声明更有价值。
范围说明可以包括：不输入直接身份信息；不以模型输出作为风险判断依据；不将单次结果解释为个体稳定特征；涉及敏感情境时必须由专业人员复核。它不是限制创新，而是让创新有可被信任的地基。
把结论写成可复查的过程
研究的价值不只在最后一句判断，也在别人能否理解你如何抵达它。保留问题版本、材料范围、提示词与人工复核记录，能让讨论从“我觉得”走向更可对话的证据。
当团队开始积累这类记录，下一项研究就不必从零开始：哪些提问容易引发误读、哪些输出格式便于复核、哪些材料需要更严格处理，都能成为可持续迭代的方法资产。
在讨论中保留不同答案
研究会议里，最有价值的时刻未必是大家迅速达成一致，而是有人指出：同一段材料还有另一种解释。可以在记录中保留“支持这一判断的依据”“可能的替代解释”“还缺什么信息”三栏。它让分歧变得可见，也让下一步采集材料更有方向。
当 AI 参与前期整理时，这一点更重要。模型可以给出一种看似连贯的归纳，但团队仍要主动追问：它忽略了什么？是否把不同人群的表达放在了一起？是否把相关性误写成了原因？这些问题能让工具输出真正进入研究，而不是停留在展示层面。