AI 访谈媒介应选择“能获得研究所必需证据的最低负担方案”，而不是默认视频最深、语音最自然或文字最安全。文字适合异步复盘和精确表达，语音适合连续讲述，视频适合必须观察动作、物品和空间的任务；但三者会改变可参与人群、回答方式、社会压力、技术失败和隐私暴露。媒介不同，结果不能直接混成一个频次。
决策前先写一句“如果看不到什么，我们就无法回答研究问题”。如果答案是手部动作、包装开合、屏幕状态或空间布局，才有充分理由请求视频；如果只需要最后一次决策过程，语音或文字通常已足够。多收集面孔、背景和声音不会自动提高洞察，只会扩大数据治理和退出成本。
三种媒介分别擅长什么证据
- 文字：参与者可异步思考、回看和修改，原始内容便于检索与引用，也适合不方便说话的环境；缺点是输入负担高，拼写、阅读或键盘障碍会缩短回答，节奏和语气线索有限。
- 语音：适合讲述时间线、转折、原话和情绪变化，手部不被输入占用；缺点是需要相对私密和安静的环境，口音、噪声、多人说话和专有名词会增加转写错误。
- 视频：能够观察动作、物品、环境和屏幕，并比较“说的”和“做的”；缺点是带宽、权限、出镜压力与第三方暴露最高，分析还必须区分观察、解释和研究者推断。
“证据更多”不等于“证据更好”。研究包装开合时，视频中的动作可能是核心数据；研究工作困难时，要求展示办公室可能泄露同事、文件和商业信息，却没有增加必要证据。应为每项视觉信息写明用途，没有用途就关闭摄像头或不请求共享。
用六个问题决定媒介
- 研究结论必须观察动作、物品、界面或环境才能成立吗？
- 参与者需要连续叙述，还是需要时间查找记录并斟酌表达？
- 话题是否敏感，真人感、声音或面孔会不会抬高社会压力？
- 目标人群的网络、设备、识字、听说、视觉和精细操作条件怎样？
- 转写、翻译、字幕和描述性记录的准确度怎样被验证？
- 团队是否有必要权限、安全空间和保留规则处理原始音视频？
只要其中一项表明单一媒介会系统性排除目标人群，就应提供真实替代路径，或将研究范围明确限制为能够使用该媒介的人。让参与者“自由选择”有助覆盖，但选择原因会与结果混在一起；如果目标是比较媒介本身，则需要在伦理和可访问性允许下随机分配，并保留拒绝与转换记录。
三百六十人案例：视频最丰富，却不是最有效
下面是一个示例性预测试。团队研究一次非敏感的线上服务中止经历，从相同名单中抽取三百六十名符合条件者，随机邀请到文字、语音或视频三组，各一百二十人。三组主题、激励、时间窗口和大纲目标相同；参与者可以退出，但本轮为测量媒介负担，不在组间切换。
文字组完成一百零八人，完成率百分之九十；语音组完成九十六人，完成率百分之八十；视频组完成七十八人，完成率百分之六十五。研究者预先把“可用证据包”定义为包含具体事件、参与者行动、理由与结果，并由不知道媒介目标的两名编码者复核。文字组七十二份、语音组七十八份、视频组六十六份达到标准。
若只看完成访谈者，证据包比例依次为百分之六十六点七、百分之八十一点三和百分之八十四点六，视频最高。但以每一百二十名被邀请者为分母，最终可用证据分别是百分之六十、百分之六十五和百分之五十五。视频在完成者中更丰富，却因更多人没有完成，最终每位邀请者的证据收益最低；本场景下语音是更好的主媒介。
这个结果不是通用排行榜。题目不需要视觉证据，所以视频的额外信息价值有限；若任务是观察包装使用，文字的证据定义就不可能相同。完成者也可能是对视频更自在、设备更好的人。正确结论是“在本次总体、主题、邀请和技术条件下，语音取得最高每邀请可用证据”，下一轮仍应为不能或不愿语音参与者提供文字路径。
媒介会改变回答，不只是改变长度
语音或视频中的社会互动可能让参与者更礼貌，文字自填则可能让敏感表达更直接，但也可能产生更短或更经过编辑的叙述。Pew Research Center 曾在大规模随机实验中比较电话访员与网页自填：很多题没有模式差异，但部分差异明显，较大差异常涉及社会赞许。该研究不是 AI 深访实验，却清楚说明不能把媒介差异全部当作人群态度差异。
分析混合媒介时，应保留媒介、选择原因、完成、时长、字数、技术失败和证据包质量。核心主题使用相同定义，媒介特有证据另表报告。不要因为语音字数更多就判参与更深，也不要把文字中的沉默理解为没有经历。
语音转写必须按真实说话环境评估
转写测试不能只让团队成员在安静会议室朗读标准句。应覆盖目标语言、口音、语速、停顿、代码切换、专有名词、背景噪声、手机麦克风和边操作边讲述。NIST 早期的语音识别评估资料已经指出，朗读条件的识别表现可能高于并行任务和自然环境，报告需要描述说话任务与环境。
质检可抽取分层片段，分别检查关键名词、否定、数字、说话者、时间顺序和不可辨认标记。机器没有听清时应标为不确定，不要让语言模型凭上下文补全。引用、风险事件和决定性片段要回听原音；如果同意范围不允许保留原音，应在删除前完成必要核验并记录限制。
视频分析要把看到、听到和推断分开
视频可记录“参与者三次旋转包装后找到开口”，但“他很沮丧”是解释，除非参与者自己表达或有预先定义的行为规则。面部表情不能被自动当作真实情绪、人格或意图。屏幕共享也可能弹出联系人、消息、地址、客户数据和密码，邀请和界面应提醒关闭通知、使用示例数据并随时停止共享。
摄像头还会捕捉家人、同事和家庭环境，这些第三方没有必然同意。研究只需手部或产品时，应允许调整镜头避免面孔与背景；只需屏幕时，不同时收集摄像头。发现无关敏感信息后，应按预设流程限制访问、编辑或删除，而不是保留“以防以后有用”。
无障碍不是给所有人强制同一种方式
英国政府关于远程研究的指南指出，电话和视频能帮助部分行动受限或不愿线下参与者，也可能排除聋人、语言障碍者，并带来隐私和技术问题。真正包容的设计包括文字、字幕、手语或辅助人员等适合目标人群的路径，允许更多时间，并用参与者自己的辅助技术预测试。
W3C Web Accessibility Initiative 说明，字幕应提供理解内容所需的语音和非语音音频信息；描述性文本还需包含关键视觉信息。因此，自动生成一份只有对白的转写稿，不代表视频已经可访问，也不代表未看视频的分析者获得了同等证据。视觉任务应同步形成结构化观察记录。
混合媒介有两种设计，不要混为一种
覆盖型混合允许参与者选最合适方式，目标是减少排除；分析要承认自选人群差异。比较型混合在可行范围内随机分配媒介，目标是估计媒介如何改变完成或回答；需要相同邀请、内容、时间和结果定义。前者不能直接估计模式效应，后者也不应强迫有无障碍需求者进入不适用媒介。
还可以采用主媒介加升级路径：先用文字或语音复盘，只有当关键研究问题确实需要观察时，再经单独说明请求短视频任务。这样把额外数据收集限制在有明确价值的参与者和片段，而非让所有人默认开视频。
隐私、同意与保存按媒介逐项说明
邀请必须说明会收集文字、声音、面孔、屏幕还是环境，AI 用于追问、转写或分析的哪个环节，谁可访问，保留多久，以及参与者能否关闭摄像头、停止共享、跳过或退出。音频、视频和转写是不同数据对象，不能只获得“同意访谈”就默认全部长期保存。
分析只需要文字时，可以评估在完成准确性核验后删除原始媒介；需要保留动作证据时，则限定片段、访问者和期限。具体方案要服从所在地法律、机构伦理、合同与安全要求，本文不替代专业审查。
发布前检查清单
- 每项需要声音或视觉的证据都有明确研究用途。
- 选择的是最低负担媒介，并为不适用者提供真实替代。
- 完成率、完成者质量和每位邀请者可用证据分别计算。
- 自选媒介用于覆盖，随机媒介用于比较，两种结论不混用。
- 核心主题一致，媒介特有证据与原始字数另行报告。
- 转写在真实口音、噪声、设备和并行任务下预测试。
- 关键否定、数字、引用和风险片段回到原始媒介核验。
- 视频中的观察、参与者解释和研究者推断分别标记。
- 字幕、描述性文本、辅助技术和参与时间满足目标人群需要。
- 文字、音频、视频、屏幕和转写分别告知、授权、访问和删除。
对话内容可用AI 访谈大纲方法设计；具体数据边界结合知情同意与隐私；预测试参考认知预测试，混合媒介后的主题分析则使用开放文本编码并保留媒介字段。选择媒介的最终标准，不是单场记录看起来多丰富，而是目标人群中有多少人能安全完成、证据能否回答问题，以及关键内容能否被准确复核。
媒介与可访问性资料
- GOV.UK Service Manual：Remote User Research by Phone or Video：远程研究的情境损失、隐私、技术与包容性边界。
- Pew Research Center：Telephone versus Web Mode Experiment：随机模式实验、社会赞许与跨模式趋势解释。
- W3C WAI：Making Audio and Video Media Accessible：字幕、转写、视觉描述与可访问播放器。
- W3C WAI：Transcripts：基本转写与包含关键视觉信息的描述性转写。
- NIST：Performance Assessment of Automatic Speech Recognizers：朗读、自然任务、说话环境和识别性能评估边界。