r&d notes · no.10
請 AI 替我去問之前
一個突發奇想、八份訪談紀錄,和先說好的同意
撰文:丁后儀|2026.10.29|閱讀約 8 分鐘|瀏覽 – 次
請 AI 代筆、整理資料,於我早已是日常;請它開口發問,則是從它採訪我開始的――寫專欄以來,每一篇都是 AI 先採訪我,我再動筆。10 月 25 日晚上,我突發奇想:既然 AI 能採訪我,何不請它替我去問別人?
這個念頭,來自一個很實際的需求:我想為 AI 小組「疑難雜症治療所」寫一篇文章,記錄我和財金系賴老師、資工系施老師一路走來的故事,也想聽兩位老師用自己的話來說;然而,我自己也在故事裡。想到就做,當晚我便寫好訪談邀請,請 AI 擔任訪談者。
這篇文章想以這段從需求長出來的研發為例,藉由兩次測試、八份訪談紀錄,探討請 AI 替人發問之前,何以必須先想清楚幾件事;開口之後,又該如何讓受訪者願意多說。
「盡量多讓他們說一些案例或小故事,而不是都是選擇題,訪談建議用語音。」
用哪一個 AI 工具都可以;重點是用語音,讓對方多說。
訪談的目的,是讓對方願意說很多,而不是 AI 說很多。
一個需求,一個突發奇想
我給 AI 的方向只有兩個:用語音受訪,像聊天一樣說就好;讓對方多說案例與小故事,而非一題題勾選答案。
從提出需求到定版,前後約四十分鐘,我改了四次;其中最關鍵的一次,是請 AI 把我記得的事寫成線索,放進每一題――題目要勾起回憶,得先有共同的記憶。
線索後來證明有用。賴老師受訪時說「我記性很差,做了就忘」;AI 改拿一支我們一起做過的影片來問,賴老師便立刻說出想重拍的畫面。也有一條線索是我記錯的,賴老師當場更正,AI 便照著改記;線索終究只是喚起回憶的引子,而非替對方作答。
「你的提問都沒有辦法挖東西啊。」「要問一些我提供的訊息啊,才會勾起他們的回憶。」
心理學的認知訪談(cognitive interview)也有類似的做法:先請受訪者在心裡重回事件當時的情境,再請他描述細節。
九題,約 20–30 分鐘
刪成五題、約 10 分鐘
改掉做法,也問激發的新做法
帶回某一次真實的場景
把我記得的事放進每一題
想到就做;做了,再依回饋修正。
請 AI 替我去問之前:先想清楚四件事
邀請寫好之後,我回頭再想了一次:受訪者說的話,會留在 AI 平台上;AI 也可能問得太多、替人補得太多。請 AI 替我去訪談別人,究竟要先想清楚什麼?哪些話可以交給它問,哪些不行?
所幸,第一次測試的題目本身風險不高――受訪者是一起共事的同事,三個人剛討論過、都想寫這篇,文章也會先給兩位看稿。緣此,我把這次經驗寫成研發手記:它是一次測試,而非可以照抄的做法。
請 AI 替我去訪談別人,可能有倫理問題。
不論題目大小,請 AI 替人發問之前,都有四件事必須先想清楚。
話,進了 AI 平台
受訪者說的話與聲音,會留在他所用的 AI 平台。
以 ChatGPT 為例,個人方案預設會把對話用於改善模型,可以在「資料控制」中關閉,語音模式另有一個設定(OpenAI 說明)。
我的做法邀請與開場都提醒:避免提到學生或其他人的個資,也不提供未獲授權的內部資料。
知情同意
受訪者要知道:發問的是 AI,話會用在哪裡,哪些可以不公開。
同意受訪,不等於同意所有用途;用途要一項一項問,含糊不算同意。
我的做法開場先讓 AI 表明身分:它是我的 AI 分身,不是我本人;三項用途分開問,整理先給本人核對。
線索,可能變成引導
線索給得太滿,受訪者可能順著線索說;AI 也可能替人補上沒說過的話。
有一份紀錄裡,AI 當場替受訪者寫好一段「文章裡可以用的」文字,夾著對方沒說過的詞。心理學家羅芙特斯(Elizabeth Loftus)的研究也發現,提問時換一個用詞,便會改變人對事件的回憶。
我的做法線索只拿來喚起回憶,不替對方補細節;沒說到的,紀錄就寫「未提到」。
研究,要經倫理審查
若是正式研究,訪談方式、資料的保存與使用,都須經研究倫理審查。
AI 能否擔任訪談者,也應一併檢視(參見教育部臺灣學術倫理教育資源中心)。
我的做法這次的訪談明寫「不作為研究論文使用」;要當作研究證據的訪談,我不交給 AI 去問。
方法可以先試;受訪者的信任,不能拿來試。
十六分鐘後:先說好,再好好開口
用在哪裡,不用在哪裡
成員具名,陪跑老師寫學校與姓
三項用途,一項一項問
含糊不算同意
本人核對,再交回
同一晚 20:52,我把這套做法帶到我們的東區跨校教師社群「智匯共生」。這一次,我開口的第一句,便是請 AI 先說明用途、確認身分如何呈現,取得同意之後,才開始訪談。
資料只用在三個地方――社群成果報告與成果發表、社群網站,以及我的 AI 研發手札,不作為研究論文使用;社群成員以學校與完整姓名呈現,跨社群與陪跑的老師則只寫學校與姓氏。
給了同意,也要守住同意。有位老師把對 AI 訪談的感受選成「只供內部參考」,這篇便一句不寫;兩位同事同意的是小組那篇,這篇只寫方法上的發現;也有位老師在訪談最後改了主意,只想寫學校與姓氏,這篇便照新的意願來寫。
開口的方式,也要像我――訪談成不成功,有一半取決於引導者的提問技巧。設計東區訪談時,我讀到邀請開頭寫著「我是丁后儀」,便說:「好生疏,用后儀。」之後,我給 AI 一個提問公式:接住、確認、再深挖――受訪者回答後,先接住他的話,用我的話重述一次讓他確認,再追問細節。為了讓 AI 說話更像我,我也花了不少時間,要求它學習我平常和學生、老師對話的語感;最後索性把這套說話方式整理成一份專屬的「訪談風格」技能,讓每一次訪談都有同一種溫度。

先說好,是尊重;好好開口,是功夫。
八份紀錄:讓對方多說,AI 少說
這幾天,東區社群的兩位夥伴、四位跨社群與陪跑的老師,以及 AI 小組兩位同事陸續受訪;八份紀錄,一路教我修正。
第一批回收,有老師覺得跟 AI 訪談很像跟客服,沒有溫度;國立台中科技大學潘老師也說,AI 只就受訪者的回答做總結,「就像在做問卷一樣」。
於是,我請 AI 照著「接住、確認、再深挖」來問,還替它取了名字「丁丁」,彷彿我的分身。未料,確認做多了,便成了囉唆:一位老師只聊完第一題就被收尾,整理卻長達兩千五百多字;另一位光是確認同意,就走了九輪。
「該問的問題都沒有問完,你就一直在打斷或重複,很囉唆。」
至少題目要走完;每一題確認一次就好;開場先說有幾題、大約多久――「這是禮貌」。
改版之後受訪的三位老師,五題都問完了。他們這樣說――
「可以讓我用講的方式,之後你可以幫我做整理……對我來講是很大的幫助。」
「即便我說了一大段的話語,但是 AI 可以摘要到最精華的部分,這是讓我很驚喜的地方。」
「用這樣子的方式訪談,如果可以直接彙整成一個有用的摘要紀錄,那對於成果報告的製作來說,應該是非常有效的。」
每題只確認一次;剩下的時間,留給對方說。
動手試試:請 AI 替你去問的六個步驟
- 01先定用途與界線資料用在哪裡、不用在哪裡,先寫清楚;學生、敏感經驗、評價他人、正式研究,不交給 AI 去問。
- 02準備三條共同記憶一起做過的事、一個名字、一次磨合或趣事;拿來喚起回憶,不替對方補細節。
- 03五題、十分鐘,用語音聊每一題都帶回某一次真實的場景;回答籠統,就請對方說最近的一次。
- 04開場先說好表明是誰的 AI、有幾題、要多久;用途一項一項問,含糊不算同意。
- 05接住、確認、再深挖接住只用幾個字,每題聊完只確認一次,把時間留給對方說。
- 06教對方傳回,先給本人看一步一步教受訪者把整段對話傳回;整理先請本人核對,再引用。
「老師好,我是〇〇的 AI 分身。這次有五個問題,大約 10 分鐘;加上最後一起看整理,總共約 15 分鐘。不用準備正式答案,像聊天一樣說就好。」
說完這段,先說明內容會用在哪裡、問對方是否同意,再問第一題。〇〇換成你的名字,語氣也換成你平常說話的樣子――訪談者像你,對方才願意多說。
「你們的小組叫『疑難雜症治療所』……你最常『掛號』問別人,或最常『看診』幫別人解決的,是哪一類疑難雜症?說最近的一次。」
小組的名字是線索,喚起共同的記憶;「說最近的一次」,則把對方帶回真實的場景。
題目先想好,界線先說好;剩下的,交給對方說。
未來,帶進教學與研發
願意多說,來自被告知,也來自被聽完。
受訪者知道自己的話會用在哪裡,才放心說;說的時候不被打斷、不被反覆確認,才說得下去。同意與傾聽,說到底都是尊重;惟有把兩者一併設計進題目,替人發問的 AI,方能問得出故事,也守得住信任。
教學與研究:先說好,再提問
做質性研究,知情同意與訪談大綱本是基本功;這次讓我重新體會,連「訪談者是 AI」這件事,也須先讓受訪者知道。
是以,有幾類題目我不會交給 AI 去問:受訪者是學生或彼此權力不對等、涉及隱私與創傷等敏感經驗,或會評價他人。能帶進課堂的,是這套提問與傾聽的方法――學生的反思寫作亦然,先給一個線索,帶他回到某一次課堂,再留時間讓他說完,反思方能寫出細節。
研發:從需求出發,依回饋修正
回頭看,我的 AI 研發多半如此:從一個需求、一個突發奇想開始,想到就做,再依使用者的回饋一版一版修正。這一次,回饋來自受訪的老師們;訪談最後那段自願分享的「AI 訪談感受」,正是讓方法長大的養分。
蘇老師「一週內訪談」的建議,我也記下了,留待下一次活動試試。
延伸閱讀研發手記 No.02〈邀請一位來賓〉:那一篇是 AI 扮演來賓、接受訪談;這一篇反過來,由 AI 擔任訪談者。🔒 文中截圖取自我寫給兩位同事的訪談邀請,以及東區社群的訪談檔;兩位同事的全名已改為姓氏。受訪老師依其同意的方式稱呼;有老師選擇不公開的段落,文中未引用。
本文提及與延伸閱讀
- 社群智匯共生:115 年東區跨校教師社群共學人物誌
- 概念認知訪談 Cognitive interview(維基百科)
- 研究Loftus, E. F., & Palmer, J. C. (1974). Reconstruction of automobile destruction
- 概念誤導訊息效應 Misinformation effect(維基百科)
- 倫理教育部臺灣學術倫理教育資源中心
- 說明OpenAI:Data controls in ChatGPT
- 相關研發手記 No.02:邀請一位來賓
- 相關專欄文章:門檻,是一階一階走上來的
- 前一篇研發手記 No.09:一個晚上,一間 KTV
- 下一篇研發手記 No.11:先看見重複,才交給 AI
交流園地
歡迎留下想法與我交流。填暱稱即可留言,留言會公開顯示,請勿留下個資。