可借助kimi智能体平台对问卷开放性回答进行自动化情感分析与语义聚类：一、清洗文本为utf-8纯文本格式；二、用指令工程批量标注情感极性；三、多轮指令生成语义主题关键词簇；四、导出结构化excel表实现二维映射；五、人工抽样验证聚类准确性。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
如果您收集了大量调研问卷的开放性回答，手动阅读与归类耗时费力，则可借助Kimi智能体平台对文本进行自动化情感分析与语义聚类。以下是具体实施步骤：
一、准备结构化文本输入
Kimi不支持直接上传Excel或Word文件中的原始问卷数据，需先将开放性回答清洗为纯文本格式，并按条目分行排列，确保每条回答独立成行且无编号、无前缀干扰信息。该步骤旨在提升模型对语义边界的识别准确率。
1、打开问卷原始数据表（如Excel），仅保留“开放性回答”一列。
2、删除该列中所有空行、重复行及明显无效内容（如“无”“不知道”“略”）。
3、将剩余回答逐条复制粘贴至纯文本编辑器（如记事本），每条回答独占一行，不加序号、不加引号、不换行分段。
4、保存为UTF-8编码的.txt文件，文件名不含中文标点或空格。
二、调用Kimi进行批量情感极性标注
Kimi支持在单次对话中对数百条短文本进行统一情感判断，输出结果包含正向、中性、负向三类标签及简要依据，无需逐条提交。此操作依赖清晰的指令工程与格式约束。
1、登录Kimi官网，进入长文本对话界面，清空历史记录。
2、输入系统级提示词：你是一名专业调研分析师，请对以下每一条用户开放性回答独立判断其情感倾向：仅输出【正向】、【中性】或【负向】三类标签，每条回答对应一个标签，严格按原顺序逐行输出，不添加任何解释、序号、空行或额外字符。
3、在提示词后另起一行，粘贴已准备好的.txt文件全部内容。
4、点击发送，等待Kimi完成响应；若返回结果错乱，检查是否混入表格符号或超长句式，重新截断为单次≤300条提交。
三、使用Kimi生成语义聚类关键词组
在获得情感标签基础上，需进一步挖掘高频语义主题。Kimi可通过多轮指令引导，从原始回答中自动提取具有区分度的关键词簇，替代人工编码中的初始范畴构建环节。
1、新建对话窗口，输入指令：请基于以下开放性回答文本，归纳出5–8个最具代表性的语义主题类别，每个类别用不超过6个汉字命名，并列举3条最能体现该主题的原始回答原文（需字面完全一致）。
2、在指令下方粘贴同一份清洗后的文本内容。
3、接收响应后，若某类别下例句重复率高或覆盖不均，追加指令：请将上一轮未被归入任何类别的剩余回答，重新聚类为3个新主题，命名规则相同。
4、合并两轮输出的主题名称，形成初步类目体系，用于后续交叉验证或人工校验。
四、导出带标签的结构化结果表
Kimi本身不提供表格导出功能，但可通过标准化文本格式还原为Excel可识别结构，实现情感标签与聚类归属的二维映射。该方式避免截图识别误差，保障数据可追溯性。
1、在Kimi首轮情感分析结果页，全选并复制全部输出内容（应为纯标签列，如【正向】【中性】【负向】垂直排列）。
2、打开Excel，在A列粘贴原始回答，在B列粘贴对应情感标签，确保行数严格对齐。
3、新建C列，手工填入第三步所得主题名称（如“服务响应慢”“价格接受度高”），按每条回答最匹配的主题填写，允许一条回答对应多个主题时以顿号分隔。
4、选中A:C三列，使用Excel「数据」→「筛选」功能，即可按情感类型或主题类别动态查看子集。
五、人工抽样验证关键聚类边界
模型聚类存在语境误判风险，尤其在反讽、隐喻或专业术语密集的回答中。必须选取不少于总样本5%的条目进行回溯比对，确认主题命名与原始语义的一致性。
1、在Excel中使用「随机排序」功能（如=RAND()辅助列+升序排列），随机抽取20–50条回答。
2、对照Kimi生成的聚类结果，逐条核查：该回答是否确实属于所分配主题？是否存在更贴切的其他主题？
3、对存疑条目，在Excel D列标注【待复核】，并在E列填写人工判定的主题名称。
4、统计D列中标注比例，若超过15%，则需返回第三步，调整聚类指令中的示例密度或增加否定约束条件（如“避免将含‘贵’字的回答一律归为价格类”）。
