用 AI 设计问卷、清洗数据，几分钟就能出活，但调研结果不准时，问题多半出在样本上：分析没做错，是喂进去的样本从一开始就偏了。大模型不会主动提醒你"你的样本偏向了谁"，这件事只能自己在源头防。这篇按偏差类型、问题措辞、样本结构、结论边界四步，讲清楚怎么排查。
三种偏差，各有各的信号
覆盖偏差：只调研到了某一类人。问卷只发在自家用户社群里，收上来的自然是老用户的声音，新用户和流失用户根本没进样本。判断信号很简单——发放渠道和目标人群对不上号。
无应答偏差：不满意的人往往懒得填问卷，愿意花十分钟作答的，多数是体验不错或者特别较真的用户，留下的样本天然偏正面。判断信号是回收率低，且填答者集中在活跃用户。
引导偏差：问题措辞带了倾向，答案被引向某个方向。这不等于受访者说谎，是问题替他们选了立场。判断信号是某个选项的比例高得反常，且题目本身能读出"标准答案"。
把评价题换成经历题
"你觉得我们的服务好用吗"这类问题已经预设了答案，填的人只能顺着说。改成"请描述一次你最近使用这项服务的经历"，得到的才是事实。经历题还有个附带好处：细节能交叉验证，编出来的经历和真实经历，细节密度完全不同。
让 AI 设计问题时，要把这条规则写进指令：明确要求避开诱导性措辞、不预设前提、不用反问。AI 默认产出的问卷题多半是"您对某某是否满意"这种格式，不约束就会一片全绿。收到初稿后逐题自检一遍：每道题能不能答出"不好"？答不出"不好"的题，都是引导题。
样本结构要和目标人群对表
拿到样本先别看结论，看结构：年龄、地区、使用年限的分布，和目标人群是否接近。对不上的样本，结论再漂亮也不能直接用。处理办法有两档：偏离幅度小、且知道偏离方向的，可以做加权修正；偏离大的，老老实实在报告里写明"本次样本以某某人群为主，结论仅代表这部分人"。
这一步 AI 也能搭把手：把样本结构和目标人群画像两份材料都给它，让它列出分布差异最大的几个维度。但加权怎么加、要不要补样本，得人来定，因为修正本身会引入新的假设。
防偏差还有个笨办法最有效：交叉验证。调研结论拿去和后台行为数据对一遍，问卷说大家喜欢某功能，但该功能的使用率数据不支持，就说明样本可能偏了。不同来源数据互相校对的思路，和售后数据分析里用 AI 归因退货原因是同一套（见用 AI 分析退货原因）。
结论要写清适用于谁
基于偏差样本得出的结论，必须限定适用范围。"在活跃用户中，A 功能满意度较高"和"A 功能满意度较高"是两个完全不同的结论——前者能用，后者会误导决策。写报告时把每条结论的适用人群、适用场景单独标出来。AI 可以帮你检查每条结论有没有越界，但它不会主动替你限定，指令里要写明。
调研做完，样本构成、渠道和局限要一并留档。下一轮调研和年终复盘都用得上：复盘时能说清"这条结论当时基于什么样本"，比结论本身更值钱（整理方法见用 AI 做年度复盘）。如果调研结果要向合伙人或团队汇报，结论的取舍写法可参考用 AI 写年度经营总结。
AI 在这件事上帮不了什么
一是 AI 不知道你的目标人群是谁，画像要你给；二是 AI 看不到你的发放渠道，覆盖偏差只能自己意识到；三是底线问题——AI 会顺着你的预期编造调研数据和样本构成，任何数字只要不是真实回收来的，一律不能用。让 AI 做设计、做检查、做结构化，别让它替你"产出数据"。
三种偏差的排查对照
| 偏差类型 | 典型场景 | 判断信号 | 处理办法 |
|---|---|---|---|
| 覆盖偏差 | 问卷只发自有社群 | 渠道人群与目标人群对不上 | 补其他渠道，或写明局限 |
| 无应答偏差 | 不满的用户不填问卷 | 回收率低，填答者偏活跃 | 追踪未应答者，缩短问卷 |
| 引导偏差 | 题目预设了立场 | 某选项比例反常地高 | 改成经历题，逐题自检 |
| 结构失衡 | 某类人占比过高 | 样本分布与画像偏离明显 | 加权修正或限定结论范围 |
样本偏差排查速查
- 先查渠道：发放渠道决定样本构成
- 逐题自检：每道题要能答出"不好"
- 先看结构再看结论：分布对不上，结论不出口
- 结论必须带适用范围，AI 不替你限定
- AI 只做设计与检查，不产出任何数据
接着会问的三个问题
样本量多大才够？没有统一门槛，取决于目标人群的异质性：人群越杂，需要的样本越多。与其纠结总数，不如先看结构分布是否覆盖了关键人群。任何"多少份就够"的固定答案都不要轻信。
发激励会不会造成偏差？会。激励吸引来的可能是冲着奖励来的人，填答质量差。可以把激励定低一点筛掉纯薅奖励的，或在题目里加一道注意力检查题。
已有结论但样本存疑，能补救吗？能，两条路：用行为数据交叉验证结论是否成立；或者把原结论标注为"待验证"，先小范围再测一轮。不要直接废掉报告，写清局限比掩盖诚实。
