ARTICLE · 1324491
菲常AI|AI读完一万条评论后,我让学生做了一件更重要的事
上一篇文章发出后，有老师问我：
然后呢？
上一篇我写了品牌策划课上，如何让学生用AI从全网抓一万条用户评论。有老师看完后私信我：数据抓回来了，然后呢？AI能直接告诉我们用户想要什么吗？
我的回答是：不能。至少，不能完全能。
这门课的课程设计里，数据采集只是第一个任务。第二个任务才是真正考验学生的:从一万条干净的评论数据里，挖出用户的真实需求和痛点。
这个任务，AI能干80%的体力活，但剩下20%的判断力，必须由学生来做。
而恰恰是这20%，决定了分析报告是"一堆图表"还是"能指导产品决策的洞察"。
第一步：AI做情感分析,但它读不懂"讽刺"
第一个环节是语义分析和情感计算。AI可以对每条评论做分词、词性标注、情感倾向分类（正面/负面/中性）和强度分级（强烈/一般/微弱）。
听起来很简单，把数据扔给AI就行。但课堂上，我故意给学生看了这条评论：
"这饼干可真好吃，干得我差点噎过去，商家真是用心了。"
AI第一次分析的结果是：正面情感，强度一般。理由是识别到了"好吃""用心"两个正面词。
学生们笑了。我说，你们看，这就是为什么不能直接用AI的结果。这句话是反讽，真实情感是强烈负面。AI能识别词语，但读不懂语气和语境。
所以这一步的教学重点不是"怎么让AI做情感分析"，而是：AI输出情感标签后，学生必须做人工抽检，重点排查反讽、反问、双重否定这些特殊表达。
我要求学生按5%的比例随机抽检AI的情感标注结果，发现错误率超过阈值就回炉重跑。有一组学生抽检后发现，AI把"呵呵""就这？"这类网络表达全部标成了中性，实际上这些都是负面情绪。
这就是学生的价值：AI负责批量打标签，学生负责判断标签对不对。
第二步：关键词提取不难，难的是判断"哪些词真的重要"
第二个环节是高频关键词提取和主题聚类。AI过滤掉"的""了""是"这些停用词后，统计出频率最高的词。
在我们的数据集里，排名前十的关键词是：
干、甜、饱腹感、包装、价格、脆、低卡、方便、回购、配料表。
看到这个结果，很多学生的第一反应是：好了，用户最关心的是"干"和"甜"，产品要改进口感。
我说，等一下。你们有没有想过，"干"这个词出现2341次，其中有多少是负面的？"甜"出现1892次，是嫌太甜还是希望更甜？"饱腹感"出现1567次，是夸还是骂？
关键词本身不告诉你答案，关键词的情感倾向和语境才告诉你答案。
我让学生把高频词和第一步的情感分析结果交叉比对。结果发现："干"这个词，87%出现在负面评论里；而"甜"虽然频次第二，但正面和负面几乎各占一半。有人嫌太甜，有人希望更甜。这意味着"甜度"不是简单的"降低"或"提高"，而是需要做差异化产品线。
这一步的训练点是：不要被高频词迷惑，要做词频×情感×语境的三维交叉分析。AI能给你词频，但交叉判断必须学生来做。
第三步：需求图谱是AI画的，但"转化路径"是学生发现的
第三个环节是构建用户需求图谱。AI根据关键词的共现关系，生成节点和边，画出一张网络图。"干"连接着"噎""难以下咽""希望更湿润"，"包装"连接着"简陋""易碎""希望独立包装"。
图谱本身不难看，难的是从图谱里读出"需求转化路径"。
什么是需求转化路径？就是用户从一个痛点出发，自己找到了什么替代方案，而这个替代方案恰恰暗示了产品创新的机会。
比如，学生从图谱里发现了这样一条路径：
饼干太干 → 用户自发搭配牛奶/酸奶 → 有人评论"要是有蘸酱就好了" → 潜在机会：推出蘸酱版或湿润版新品
这条路径不是AI直接告诉你的，是学生从"干"和"牛奶""酸奶""蘸酱"这些节点的关联中推理出来的。AI能画出节点和连线，但判断"这条连线意味着什么商业机会"，需要学生的商业敏感度。
有一组学生更厉害，他们发现了一条隐藏路径：
包装简陋 → 饼干易碎 → 用户抱怨"送不出手" → 潜在机会：升级包装后可切入礼品/伴手礼场景
这个发现直接把一个"负面痛点"转化成了"品类扩展机会"。这就是分析的价值：不是描述问题，而是发现机会。
第四步：用马斯洛理论给需求分层，AI做归类，学生做判断
最后一个环节，我要求学生用马斯洛需求层次理论，把用户需求分到五个层级：生理、安全、社交、尊重、自我实现。
AI可以做初步归类，但有很多词是跨层级的。比如"独立包装"，既属于安全需求（方便卫生），又属于尊重需求（精致体面）。AI会随机选一个，学生必须根据评论语境判断主要归属。
分层之后，数据就有了战略含义。我们的分析结果显示：
生理需求（饱腹感、口感）的评论量最大（7234条），但负面占比也最高（38%）——这是基本盘，必须先解决。
安全需求（低卡、配料表干净）的正面占比68%——用户认可品牌的健康定位。
社交需求（分享、送礼）的评论量少但正面占比75%——这是增长机会，目前产品还没满足。
尊重需求（包装颜值、品质感）的负面占比30%——包装是短板。
自我实现（健康自律、生活方式）的正面占比71%——品牌调性有吸引力。
看到这个分布，学生得出的结论不是"我们要全面改进"，而是：先解决生理层面的"干"和尊重层面的"包装"两个高频痛点，同时在社交层面布局礼品场景。这就是有优先级的产品策略，而不是面面俱到的空话。
最终交付：一份能指导产品决策的报告
四个环节走完，学生最终交付的是一份《用户需求语义分析与痛点挖掘报告》，包含六个章节：引言、情感分析总览、核心痛点与需求图谱、需求层次分析、产品优化建议、总结与展望。
有一组学生的建议是这样写的：
建议一：配方优化提升湿润度——32%负面评论提及偏干，优先级高，实施难度低，第一阶段落地。
建议二：独立小包装+缓冲防护——25%负面评价聚焦包装破损，优先级高，实施难度中，第一阶段落地。
建议三：推出蘸酱伴侣/湿润版新品——用户自发搭配酸奶，优先级中，实施难度高，第二阶段推进。
这就是可展示的成果：不是"我学会了用AI做情感分析"，而是"我用AI完成了一份能直接交给品牌方的产品策略报告"。
写在最后：AI给你数据，洞察要靠人
两个任务走完，学生最大的变化是：不再把AI的输出当答案，而是当初稿。
数据采集阶段，AI负责抓数据，学生决定采什么、怎么采。语义分析阶段，AI负责打标签、画图谱，学生负责判断标签对不对、图谱里藏着什么机会。
AI能在几分钟内跑完一万条评论的情感分析，但它读不出反讽里的愤怒，看不出"干→牛奶→蘸酱"背后的产品机会，也不会把马斯洛理论和商业优先级联系起来。
这些，恰恰是老师要教的东西。
AI时代的课堂，工具越来越强，但对人的要求也越来越高。不是会用工具就行，而是要知道工具的边界在哪，知道在哪个环节必须停下来、用自己的脑子做判断。
数据是AI的，洞察是人的。
