ถ้าให้ AI ช่วยเขียน Questionnaire สำหรับ Customer Satisfaction, Brand Study หรือ Product Research ภายในไม่กี่วินาที เราอาจได้คำถามที่ดูเรียบร้อย มี Scale ครบ และจัด Section มาให้พร้อมใช้
นี่คือประโยชน์จริงของ AI: ช่วยลดเวลาจากหน้ากระดาษเปล่าไปสู่ First Draft
แต่จุดที่ต้องระวังคือ AI สามารถสร้าง “คำถามที่ดูดี” ได้เร็วกว่าสร้าง “คำถามที่วัดสิ่งที่เราต้องการจริง”
Survey Question ที่ผิดไม่ได้สร้างปัญหาแค่เรื่องภาษา เพราะแม้ Sample จะดีและมี Respondent จำนวนมาก ข้อมูลก็ยังผิดทิศได้หากคำถาม Ambiguous, Biased หรือวัดคนละ Construct กับสิ่งที่ทีมต้องการรู้ Pew Research Center ระบุชัดว่าการสุ่มตัวอย่างที่แม่นยำก็สูญเปล่าได้ หากข้อมูลถูกสร้างขึ้นบนคำถามที่คลุมเครือหรือลำเอียง
ดังนั้นคำถามสำคัญไม่ใช่ “AI เขียน Questionnaire ได้ไหม?” เพราะคำตอบคือได้ แต่คือ “ส่วนไหนให้ AI ช่วยได้ และส่วนไหนนักวิจัยยังต้องรับผิดชอบเอง?”

AI ทำให้ Draft เร็วขึ้น แต่ไม่ได้ทำให้ Questionnaire Valid โดยอัตโนมัติ
AI มีประโยชน์มากในฐานะผู้ช่วยร่าง Questionnaire เช่น ช่วยสร้าง First Draft, เสนอ Alternative Wording, แตก Research Objective เป็นคำถามเบื้องต้น, สร้าง Response Options และตรวจคำถามที่อาจยาวหรือซ้ำ แต่ Questionnaire ที่ดีไม่ได้วัดจากความลื่นของภาษา
ก่อนนำ AI-generated Questionnaire ไปใช้ นักวิจัยยังต้องตรวจอย่างน้อย:
1. คำถามเชื่อมกับ Business Decision และ Research Objective หรือไม่?
2. Construct ที่ต้องการวัดถูกแปลงเป็นคำถามอย่างเหมาะสมหรือไม่?
3. มี Leading, Double-barreled, Ambiguous หรือ Assumptive Questions หรือไม่?
4. Response Options ครบ ไม่ทับซ้อน และเหมาะกับ Target Population หรือไม่?
5. Question Order สร้าง Context หรือ Bias โดยไม่ตั้งใจหรือไม่?
6. AI เติม Assumption หรือ Benchmark ที่ไม่มีหลักฐานหรือไม่?
7. Questionnaire ผ่าน Expert Review, Cognitive Interview หรือ Pretest ก่อน Fieldwork หรือยัง?
Pew Research Center และ AAPOR ต่างเน้นว่า Questionnaire Design เป็นกระบวนการหลายขั้น และการ Pretest กับคนที่ใกล้เคียง Target Respondent เป็นส่วนสำคัญก่อนเก็บข้อมูลจริง

AI ช่วยเขียน Questionnaire ได้ตรงไหนบ้าง?

AI มีประโยชน์มากเมื่อใช้เป็น Drafting และ Review Tool
ตัวอย่างงานที่ช่วยได้:

• ปลี่ยน Research Objective เป็นรายการ Topics เบื้องต้น
• สร้าง First Draft ของ Survey Questions
• เสนอ Alternative Wording
• ช่วยย่อคำถามที่ยาว
• เสนอ Response Options เบื้องต้น
• ร่าง Screener Questions
• ช่วยหา Double-barreled หรือ Ambiguous Wording
• เปรียบเทียบคำถามหลาย Version
• ร่าง Follow-up Questions
• ช่วยตรวจ Consistency ของ Terminology
• ช่วยสร้าง Questionnaire Review Checklist

ประโยชน์หลักคือ Speed และ Breadth
นักวิจัยสามารถสร้างหลาย Draft แล้วใช้เวลามากขึ้นกับการ Review แทนการเริ่มเขียนทุกคำถามจากศูนย์
แต่สิ่งที่ AI สร้างขึ้นยังเป็น Candidate Questions
ไม่ใช่ Validated Questions

ความเสี่ยงข้อ 1: AI เริ่มเขียนคำถามก่อนเข้าใจ Decision

ลอง Prompt ว่า: “ช่วยสร้าง Questionnaire วัด Customer Satisfaction ของร้านกาแฟ 20 ข้อ”
AI สามารถสร้างได้ทันที แต่ยังมีคำถามที่สำคัญกว่านั้น:
ธุรกิจต้องการใช้ผลไปทำอะไร?
ต้องการหา Service Improvement Priority?
ต้องการติดตาม Satisfaction Trend?
ต้องการเปรียบเทียบ Branch?
ต้องการหา Driver ของ Overall Satisfaction?
หรือต้องการเข้าใจสาเหตุที่ลูกค้าไม่กลับมา?
Questionnaire สำหรับแต่ละ Decision ไม่ควรเหมือนกันทั้งหมด
ถ้า AI ไม่ได้รับ Business Decision, Research Objective, Target Population และ Analysis Plan ที่ชัด มันมีแนวโน้มสร้าง Generic Questionnaire ที่ “ดูครบ” แต่ไม่ได้ออกแบบมาเพื่อการตัดสินใจนั้นโดยเฉพาะ
ดังนั้น Sequence ที่ปลอดภัยกว่าคือ: Business Decision → Research Objective → Construct → Evidence Needed → Questions
ไม่ใช่: Topic → AI → 30 Questions

ความเสี่ยงข้อ 2: คำถามอ่านดี แต่กำลังวัดผิด Construct

สมมติ Research Objective คือวัด Customer Loyalty
AI สร้างคำถาม: “โดยรวม คุณพึงพอใจกับบริการของเรามากน้อยเพียงใด?”
คำถามนี้อาจเป็นคำถามที่ดี แต่กำลังวัด Satisfaction มากกว่า Loyalty
ถ้าทีมนำคะแนนนี้ไปสรุปว่า: “Customer Loyalty = 8.7/10”
ปัญหาไม่ได้อยู่ที่ Grammar ปัญหาอยู่ที่ Measurement
Construct ที่มักถูกสลับกัน เช่น:
Satisfaction ≠ Loyalty
Recommendation ≠ Retention
Purchase Intent ≠ Actual Purchase
Brand Awareness ≠ Brand Preference
Liking ≠ Willingness to Pay
AI สามารถช่วยเสนอ Operationalization ได้ แต่ Researcher ต้องเป็นคนตรวจว่าคำถามแต่ละข้อมีเหตุผลเพียงพอที่จะใช้เป็น Measure ของ Construct ที่ต้องการหรือไม่

ความเสี่ยงข้อ 3: AI สามารถเขียน Leading Question ได้อย่างเป็นธรรมชาติมาก

ตัวอย่าง: “คุณพึงพอใจกับบริการ Delivery ที่รวดเร็วและสะดวกของเรามากน้อยเพียงใด?” ประโยคดูสุภาพและอ่านลื่น
แต่คำว่า: “รวดเร็วและสะดวก”
ได้ใส่ Evaluation เข้าไปในคำถามแล้ว
Respondent ไม่ได้ถูกถามเพียงว่าพึงพอใจหรือไม่ แต่ถูกบอกก่อนว่าบริการมีคุณสมบัติที่ดีสองอย่าง
Version ที่ Neutral กว่าอาจเป็น: “โดยรวม คุณพึงพอใจกับบริการ Delivery ของเรามากน้อยเพียงใด?”
จากนั้นค่อยแยกถาม:
“คุณพึงพอใจกับความรวดเร็วในการจัดส่งมากน้อยเพียงใด?”
“คุณพึงพอใจกับความสะดวกของขั้นตอนการสั่งซื้อมากน้อยเพียงใด?”
AAPOR แนะนำให้ Survey Questions ใช้ภาษาที่ไม่ผลัก Respondent ไปสู่คำตอบใดคำตอบหนึ่ง และให้ถามหนึ่ง Concept ต่อหนึ่งคำถาม

ความเสี่ยงข้อ 4: AI ชอบรวมหลายเรื่องให้ประโยคดูครบ

ตัวอย่าง: “คุณพึงพอใจกับราคา คุณภาพ และบริการของเรามากน้อยเพียงใด?”
ถ้าลูกค้าตอบ: 3/5
เราจะไม่รู้ว่า:
ราคา = 2
คุณภาพ = 5
บริการ = 3
หรือเป็น Pattern อื่น
นี่คือ Double-barreled Question
Pew Research Center และ AAPOR ต่างแนะนำให้ถามทีละ Concept เพราะคำถามที่รวมหลายเรื่องทำให้ Respondent ตอบยากและทำให้ Researcher ตีความคำตอบไม่ได้ชัด
Version ที่ใช้วิเคราะห์ได้มากกว่าคือแยกเป็น:

• Satisfaction with Price
• Satisfaction with Product Quality
• Satisfaction with Service

AI อาจมองการรวมคำถามว่าเป็นการทำ Questionnaire ให้สั้น แต่ Shorter ไม่ได้แปลว่า Better ถ้าข้อมูลที่ได้ไม่สามารถตีความได้

ความเสี่ยงข้อ 5: Response Options อาจดูสมบูรณ์ แต่ใช้จริงไม่ได้

AI อาจสร้างคำถามอายุ:

• 18–25 ปี
• 25–35 ปี
• 35–45 ปี
• 45 ปีขึ้นไป

ปัญหาคือคนอายุ 25, 35 และ 45 อยู่ได้มากกว่าหนึ่ง Category
Response Options จึง Overlap
หรืออาจถาม: “คุณซื้อสินค้านี้บ่อยแค่ไหน?”

• บ่อยมาก
• บ่อย
• บางครั้ง
• ไม่บ่อย
• ไม่เคย

Scale ดูสมดุล แต่คำว่า “บ่อย” อาจหมายถึงคนละอย่างสำหรับแต่ละ Respondent
สำหรับสินค้าบางประเภท เดือนละครั้งอาจถือว่าบ่อย
สำหรับอีกประเภท สัปดาห์ละครั้งอาจถือว่าน้อย
Pew Research Center แนะนำว่า Closed-ended Questions ควรมี Response Options ที่ครอบคลุมคำตอบที่สมเหตุสมผลและไม่ทับซ้อนกัน เพราะทั้งตัวเลือกและวิธีนำเสนอตัวเลือกสามารถเปลี่ยนคำตอบที่ได้

ความเสี่ยงข้อ 6: AI ไม่ได้รู้ Context ของ Respondent เท่าที่เราคิด

สมมติ AI เขียนว่า: “เหตุผลหลักที่คุณใช้ Mobile Banking ของธนาคารนี้คืออะไร?”
คำถามกำลัง Assume ว่า Respondent: ใช้ Mobile Banking ใช้ของธนาคารนี้ และสามารถระบุ “เหตุผลหลัก” ได้
ถ้า Respondent ไม่ได้ใช้ คำถามนี้ไม่มีคำตอบที่เหมาะสม
ควรมี Screener หรือ Routing ก่อน เช่น:
“ในช่วง 3 เดือนที่ผ่านมา คุณเคยใช้ Mobile Banking ของธนาคารนี้หรือไม่?”
Yes → ไปคำถาม Experience
No → Skip
AI สามารถสร้าง Logic ได้ แต่ถ้า Prompt ไม่มี Target Population, Eligibility และ Customer Journey ที่ชัด AI อาจสร้าง Assumptive Questions ได้ง่าย

ความเสี่ยงข้อ 7: Question Order สามารถเปลี่ยนคำตอบได้

ลองเปรียบเทียบ Questionnaire สองแบบ
Version A: Overall Satisfaction → Delivery Speed → Staff → Price
Version B: Delivery Problems → Complaints → Waiting Time → Overall Satisfaction
แม้ Overall Satisfaction ใช้คำถามเดียวกัน คำตอบอาจได้รับอิทธิพลจาก Context ที่สร้างโดยคำถามก่อนหน้า
Pew Research Center อธิบายว่า Question Order สามารถสร้าง Order Effects ได้ เพราะคำถามก่อนหน้าสามารถเปลี่ยน Context ที่ Respondent ใช้ตอบคำถามถัดไป และการทดลองเปลี่ยน Order พบความแตกต่างของคำตอบที่มีนัยสำคัญในบางกรณี
ดังนั้นการให้ AI “จัดคำถามให้เป็นลำดับที่อ่านลื่น” ยังไม่พอ
ต้องตรวจว่า Flow นั้นกำลัง Prime คำตอบใน Section ถัดไปหรือไม่

ความเสี่ยงข้อ 8: AI อาจสร้าง Response Options จากสิ่งที่ “น่าจะมี” ไม่ใช่สิ่งที่ลูกค้าจริงใช้

สมมติถาม: “เหตุผลหลักที่เลิกใช้บริการคืออะไร?” AI อาจเสนอ:

• ราคาแพง
• บริการไม่ดี
• ใช้งานยาก
• คู่แข่งดีกว่า
• ไม่ต้องการแล้ว

ดูสมเหตุสมผล แต่ถ้าเหตุผลจริงใน Market คือ:
Delivery Area เปลี่ยน
Payment Method ไม่รองรับ
สินค้าขาดบ่อย
บริษัทเปลี่ยนนโยบาย Procurement
ตัวเลือกที่ AI สร้างอาจบังคับให้ Respondent เลือกคำตอบที่ใกล้ที่สุด แทนคำตอบที่ตรงจริง
Pew Research Center ใช้ Pilot Study และ Open-ended Questions ในบางกรณีเพื่อค้นหาว่า Respondent คิดถึงคำตอบประเภทใด ก่อนนำข้อมูลนั้นไปสร้าง Closed-ended Response Options
ดังนั้น AI-generated Options ควรถือเป็น Hypothesis ของ Response Categories
ไม่ใช่หลักฐานว่า Categories เหล่านั้นครอบคลุมโลกจริง

ความเสี่ยงข้อ 9: AI อาจ “แก้” คำถามเดิมจน Trend Comparison เสีย

สมมติบริษัทถามทุกปีว่า: “โดยรวม คุณพึงพอใจกับบริการของเรามากน้อยเพียงใด?”
ปีนี้ทีมให้ AI ปรับภาษาให้อ่านเป็นธรรมชาติขึ้น และได้: “เมื่อพิจารณาจากประสบการณ์ล่าสุด คุณรู้สึกพึงพอใจกับบริการของเรามากน้อยเพียงใด?”
ดูเหมือนเปลี่ยนเล็กน้อย
แต่ Reference Frame เปลี่ยนจาก Overall Experience ไปเป็น Latest Experience
ถ้าคะแนนเปลี่ยน เราจะไม่รู้ว่ามาจาก Customer Experience เปลี่ยน หรือ Measurement เปลี่ยน
Pew Research Center เน้นว่าหากต้องการวัด Trend ควรรักษา Question Wording และ Context ให้สอดคล้องกับรอบก่อน เพราะแม้การเปลี่ยน Wording เล็กน้อยก็สามารถเปลี่ยน Response ได้
ดังนั้นอย่าให้ AI Rewrite Tracking Questions โดยอัตโนมัติเพียงเพราะ Version ใหม่ “อ่านดีกว่า”

ความเสี่ยงข้อ 10: Translation ที่ถูก Grammar อาจไม่ได้ Measurement Equivalence

สำหรับ Questionnaire ภาษาไทยและอังกฤษ ปัญหาไม่ใช่เพียงแปลถูกหรือผิด
ตัวอย่างคำอย่าง:
Value
Trust
Convenience
Worth it
Engagement
Loyalty
อาจไม่มีคำแปลหนึ่งคำที่รักษาความหมายและระดับความเข้มเหมือนกันทุก Context
AI สามารถสร้าง Translation Draft ได้เร็วมาก
แต่ Cross-language Questionnaire ต้องตรวจว่า Respondent แต่ละภาษาเข้าใจ Construct และ Response Scale ใกล้เคียงกันหรือไม่
Pew Research Center ใช้กระบวนการ Translation หลายขั้นใน Cross-national Surveys และให้ความสำคัญกับ Comparability ข้ามภาษาและวัฒนธรรม ไม่ใช่เพียง Linguistic Correctness

ความเสี่ยงข้อสิบ 11: AI สามารถสร้าง Benchmark หรือ “Best Practice” ที่ดูน่าเชื่อถือแต่ตรวจสอบไม่ได้

ตัวอย่าง Prompt: “ช่วยสร้าง NPS Questionnaire ตาม Industry Best Practice”
AI อาจตอบพร้อม:
Recommended Questions
Industry Benchmark
Ideal Survey Length
Suggested Threshold
ถ้าข้อมูลเหล่านี้ไม่มี Source ที่ตรวจสอบได้ ไม่ควรถูกนำไปใส่ใน Research Design โดยอัตโนมัติ
AI-generated Output ไม่ใช่ Evidence ด้วยตัวมันเอง
สำหรับ Claim ที่มีผลต่อ Methodology เช่น:
“Scale นี้เป็นมาตรฐาน”
“Threshold นี้ถือว่าดี”
“คำถามนี้ผ่าน Validation แล้ว”
“Industry Average คือ X”
Researcher ควรตรวจ Original Source, Population, Method, Date และ Definition ก่อนใช้
หลักที่ปลอดภัยคือ: AI can suggest the source. Researcher verifies the source.

ความเสี่ยงข้อ 12: ข้อมูลที่ใส่ใน Prompt อาจเป็น Research Data ที่ไม่ควรส่งออกไปโดยไม่ตรวจสอบ

ทีมอาจ Prompt ว่า: “นี่คือ Complaint ของลูกค้า 5,000 ราย ช่วยสร้าง Questionnaire Follow-up ให้หน่อย”
ก่อน Upload ควรตรวจว่า Dataset มี:

• ชื่อ
• เบอร์โทร
• Email
• Customer ID
• Transaction Detail
• ข้อมูลพนักงาน
• Sensitive Information

หรือข้อมูลอื่นที่ไม่จำเป็นต่อ Task หรือไม่
การใช้ AI ใน Research จึงไม่ใช่เพียงเรื่อง Accuracy
ยังเกี่ยวข้องกับ Data Governance, Confidentiality, Access Control และข้อกำหนดของ Tool หรือองค์กรที่ใช้งาน
ก่อนส่ง Research Data เข้า AI ควรถามอย่างน้อยว่า:
ข้อมูลนี้จำเป็นต่อ Task หรือไม่?
สามารถ De-identify ได้หรือไม่?
Tool เก็บข้อมูลอย่างไร?
ใครเข้าถึงได้?
องค์กรอนุญาตหรือไม่?

วิธีใช้ AI ที่ดีกว่า: ให้ AI Critique Questionnaire แทนการสั่งให้เขียนแล้วใช้ทันที

แทน Prompt ว่า: “เขียน Customer Satisfaction Questionnaire 20 ข้อ”
ลองแบ่งงานเป็นขั้น
Step 1 ให้ AI อ่าน Business Decision และ Research Objective
Step 2 ให้ AI เสนอ Constructs ที่ต้องวัด พร้อมระบุว่าแต่ละ Construct เชื่อมกับ Objective อย่างไร
Step 3 ให้ AI Draft Questions
Step 4 ให้ AI Critique Draft ของตัวเอง โดยตรวจ:

• Leading
• Double-barreled
• Ambiguous Terms
• Assumptions
• Recall Period
• Response Options
• Scale Consistency
• Question Order

Step 5 Researcher Review
Step 6 Pretest กับ Target Respondents
วิธีนี้ใช้ AI เป็น Thinking Partner และ QA Assistant มากกว่า Questionnaire Generator เพียงอย่างเดียว

Prompt ที่ดีขึ้นไม่ได้แทน Research Design แต่ช่วยให้ Draft ดีขึ้น

Context ที่ควรให้ AI ก่อน Draft ได้แก่:
Business Decision: ผล Research จะถูกใช้ตัดสินใจอะไร?
Research Objective: ต้องการรู้อะไร?
Target Population: ใครเป็นคนตอบ?
Survey Mode: Online, Phone, Face-to-face หรือวิธีอื่น?
Key Constructs: ต้องวัดอะไร?
Recall Period: ถามถึงช่วงเวลาไหน?
Analysis Need: ต้อง Compare Segment หรือ Track Trend หรือไม่?
Existing Questions: มี Tracking Questions ที่ห้ามเปลี่ยนหรือไม่?
Constraints: ความยาว Survey, ภาษา, Routing และข้อจำกัดอื่น
เมื่อ Context ดีขึ้น AI มีโอกาสสร้าง Draft ที่เกี่ยวข้องมากขึ้น
แต่ยังไม่เปลี่ยน Draft ให้เป็น Validated Instrument

Pretest ยังจำเป็น แม้ Questionnaire จะผ่าน AI Review หลายรอบ

AI สามารถบอกได้ว่า: “คำถามนี้ดูชัด”
แต่ Respondent ตัวจริงอาจเข้าใจอีกแบบ
ตัวอย่าง: “ในช่วง 30 วันที่ผ่านมา คุณใช้บริการนี้บ่อยเพียงใด?”
Researcher คิดว่า “ใช้บริการ” หมายถึงทำ Transaction สำเร็จ
Respondent บางคนอาจนับการเปิด App
บางคนนับเฉพาะการชำระเงิน
บางคนนับการ Login
ปัญหานี้เห็นได้จากการคุยกับ Target Respondent มากกว่าการตรวจ Grammar
AAPOR แนะนำให้ Pretest Questionnaire ก่อน Fieldwork โดย Cognitive Interview หรือ Qualitative Method เพื่อเข้าใจว่า Respondent ตีความคำถามและสร้างคำตอบอย่างไร และแนะนำ Pilot Test เพื่อดูว่ากระบวนการ Survey ทำงานตามที่ตั้งใจหรือไม่
Pew Research Center ก็ใช้ Focus Groups, Cognitive Interviews และ Pretesting เพื่อปรับคำถามใหม่ก่อนนำเข้าสู่ Production Survey

ก่อนใช้ AI-generated Questionnaire ให้ตรวจ 10 เรื่อง

1. ทุกคำถามเชื่อมกับ Research Objective หรือไม่?
2. Construct ที่วัดตรงกับสิ่งที่ Business Question ต้องการหรือไม่?
3. มี Leading หรือ Loaded Wording หรือไม่?
4. Double-barreled Question หรือไม่?
5. มีคำคลุมเครือ เช่น “บ่อย”, “ปกติ”, “เร็ว” โดยไม่มี Reference ที่ชัดหรือไม่?
6. Response Options ครบและ Mutually Exclusive หรือไม่?
7. มี Assumption เกี่ยวกับ Respondent ที่ยังไม่ได้ Screen หรือไม่?
8. Question Order อาจสร้าง Priming หรือ Context Effect หรือไม่?
9. Tracking Questions ถูกเปลี่ยนจน Trend Comparison เสียหรือไม่?
10. Questionnaire ผ่าน Target Respondent Pretest แล้วหรือยัง?

ถ้าข้อ 10 ยังเป็น “ไม่” Questionnaire ยังไม่ควรถูกมองว่าพร้อม Fieldwork เพียงเพราะ AI ตรวจแล้วว่าไม่มีปัญหา

แบ่งหน้าที่ให้ชัด: อะไรให้ AI ช่วย และอะไร Researcher ต้องรับผิดชอบ

AI เหมาะกับ:

• Drafting
• Alternative Wording
• Brainstorming
• Consistency Check
• Preliminary QA
• Translation Draft
• Documentation

Researcher ยังต้องรับผิดชอบ:

• Business Decision
• Research Objective
• Construct Validity
• Methodological Choice
• Target Population
• Questionnaire Logic
• Measurement Comparability
• Ethical and Privacy Review
• Pretesting
• Interpretation
• Final Sign-off

ggจุดแบ่งนี้สำคัญ เพราะความเสี่ยงไม่ได้เกิดจากการ “ใช้ AI”
ความเสี่ยงเกิดเมื่อทีมให้ AI รับผิดชอบ Judgment ที่ยังไม่ได้ Validate

สรุป: ใช้ AI เพื่อลดเวลาร่าง Questionnaire ไม่ใช่ลดมาตรฐานของ Questionnaire

AI ทำให้ Questionnaire Development เร็วขึ้นได้จริง
มันช่วยให้ Researcher เริ่มจาก Draft ที่ดีกว่าหน้ากระดาษเปล่า สร้าง Alternative Questions ได้เร็ว และช่วยมองหาปัญหาเบื้องต้นได้
แต่ Questionnaire Quality ไม่ได้วัดจากความเร็วหรือความเป็นธรรมชาติของภาษา
Questionnaire ที่ดีต้อง:
วัด Construct ที่ถูกต้อง
ถามอย่าง Neutral
มี Response Options ที่ใช้ได้
จัด Flow อย่างระมัดระวัง
เหมาะกับ Target Population
และผ่านการ Test กับคนจริงก่อน Fieldwork
ดังนั้น Workflow ที่เหมาะกว่าไม่ใช่: AI → Questionnaire → Fieldwork
แต่คือ: Decision → Objective → Construct → AI-assisted Draft → Researcher Review → Pretest → Revise → Fieldwork
AI สามารถช่วยให้ขั้นตอนตรงกลางเร็วขึ้นมาก
แต่ความรับผิดชอบว่าคำถามนั้นกำลังวัดสิ่งที่ธุรกิจต้องการรู้จริงหรือไม่ ยังต้องอยู่กับ Researcher