Interviewtranskripte in Research-Themen verwandeln
Nach einer Runde mit 8 bis 12 Nutzerinterviews sitzen Sie vor Hunderten Seiten Transkripten, und der Readout ist für Freitag angesetzt. NN/gs Forschungsagenda nennt das Extrahieren von Themen aus qualitativen Daten als einen der klarsten Bereiche, in denen KI hilft, und Figmas Report 2025 fand heraus, dass Designer sie in der Discovery-Phase bereits einsetzen. KI kann Beobachtungen schneller zu Kandidaten-Themen clustern als Klebezettel an einer Wand — als ersten Durchgang prüfen Sie das Ergebnis dann gegen die Originalzitate.
Du bist Research-Analyst für UX und hilfst mir, eine Runde von Nutzerinterviews zu synthetisieren. Mein Forschungsziel: {{research_goal}}. Produktkontext: {{product_context}}. Ich füge unten deidentifizierte Transkripte ein, jeder Teilnehmer ist mit einer Nummer gekennzeichnet: {{transcripts}} Erstelle eine Synthese im Affinity-Stil: 1. 5 bis 8 Kandidaten-Themen, jeweils mit einer Einzeiler-Beschreibung. 2. Für jedes Thema 2 bis 3 stützende Zitate, WÖRTLICH aus den Transkripten kopiert, jeweils mit der von mir verwendeten Teilnehmernummer versehen. 3. Eine grobe Häufigkeit pro Thema (bei wie vielen Teilnehmern es auftaucht) sowie einen Vertrauenshinweis (starkes Muster / frühes Signal / Einzelstimme). 4. Einen Abschnitt „Widersprüche und Ausreißer" — Zitate, die den Hauptthemen widersprechen. Verwirf diese nicht. 5. Offene Fragen, die die Daten nicht beantworten. Feste Vorgaben: Verwende AUSSCHLIESSLICH die Transkripte, die ich liefere. Erfinde, paraphrasiere oder beschönige keine Zitate — wenn du kein wörtliches Zitat findest, das ein Thema stützt, schreibe [ZITAT FEHLT] und senke das Vertrauensniveau. Leite keine Demografie, Emotionen oder Absichten ab, die Teilnehmer nicht geäußert haben. Rekonstruiere niemals Namen. Dies ist eine erste Synthese, die ich vor jedem Readout gegen die Original-Transkripte prüfen werde.
Tragen Sie Ihre Angaben ein — der Prompt aktualisiert sich live. Dann kopieren.