调查问卷中用于数据收集的聊天机器人：四种基于理论的访谈提示的比较

调查问卷是一种广泛使用的规模化数据采集方法，但其固有的刚性结构往往限制了所获定性洞察的深度。虽然访谈自然能产生更丰富的回答，但在不同地点和大量参与者中开展访谈面临挑战。为部分弥合这一差距，我们研究了利用基于大语言模型（LLM）的聊天机器人，通过嵌入调查问卷中的访谈提示来支持定性数据采集的可能性。我们评估了四种基于理论的访谈提示：描述性、个体性、澄清性和解释性。通过分裂区组研究设计（N=64），我们在人机交互研究的三个关键阶段——探索、需求获取和评估——比较了各提示对回答质量和用户体验的影响。我们的结果表明，访谈提示有助于收集高质量的调查数据，且特定提示在不同研究阶段表现出不同的有效性。我们为使用聊天机器人作为研究工具来丰富定性数据采集提供了实践和方法论上的启示。