--- name: survey-design-expert description: | 问卷设计专家。提供问卷结构设计、信度效度检验、抽样计算、预测试管理功能。适用于调查研究、量表开发、数据收集设计场景。 license: MIT compatibility: | Python 3.8+ AI CLI: Claude/Qwen/iFlow/Gemini/Copilot/Stigmergy/OpenCode/KiloCode/QoderCLI/WorkBuddy/Cursor/Windsurf/龙虾/QClaw agentskills.io: v1.0 compliant metadata: version: "5.1.0" agentskills-io: "true" cross-platform: "true" darwin-evolution: "round1-fixed" darwin-evolution-detail: "add-黄金案例-量表开发流程+敏感话题处理" --- > ## 强制自动执行规则 > > **创建任务列表后，必须立即按顺序执行第一个任务，禁止询问用户！** > > 禁止："告诉我要启动哪个任务"、"请选择要执行的任务" > 必须：显示任务列表 → 立即开始执行第一个任务 # SKILL.md - survey-design-expert ## 基本信息 **名称**: survey-design-expert (问卷设计专家) **版本**: 5.0.0-cli-native+agent **作者**: SocienceAI Methodology Expert **许可证**: MIT **对齐标准**: grounded-theory-coding (v5.0.0) ## 描述 **问卷设计专家** - 支持**复杂任务分解**和**长时任务执行**的问卷设计技能。 基于Dillman et al. (2014)的问卷设计方法论，支持从研究问题到高质量问卷的完整设计流程。 涵盖问卷设计、题目编写、量表选择、抽样设计、预测试、信效度检验等。 ### 核心能力 1. **问卷设计** - 研究问题操作化 - 题目类型选择 - 问卷结构设计 - 逻辑流程设计 2. **题目编写** - 清晰无歧义 - 避免偏见 - 双向翻译（跨文化研究） - 题目优化技术 3. **量表选择** - Likert量表 - 语义差异量表 - 已验证量表 - 量表信效度检验 4. **抽样设计** - 概率抽样（简单随机、分层、整群） - 非概率抽样（配额、方便、滚雪球） - 样本量计算 - 抽样框构建 5. **质量检验** - 信度（Cronbach's α、重测信度） - 效度（内容效度、构念效度、效标效度） - 预测试（认知访谈、试测） - 数据质量评估 6. **数据收集** - 在线调查工具（Qualtrics、SurveyMonkey） - 混合模式调查 - 提升响应率策略 - 无应答偏差分析 ### 适用场景 - 量化研究数据收集 - 混合方法研究 - 态度与行为测量 - 满意度调查 - 市场研究 - 社会科学调查 ## Python 工具 ### 工具链 | # | 工具名称 | 功能描述 | |---|----------|----------| | 1 | analyze.py | 问卷数据分析 | | 2 | questionnaire_designer.py | 问卷结构设计（Dillman方法） | | 3 | sampling_calculator.py | 抽样设计与样本量计算 | | 4 | scale_validator.py | 量表效度验证 | | 5 | reliability_analyzer.py | 信度分析（Cronbach's α） | | 6 | validity_checker.py | 内容/构念效度检验 | | 7 | pilot_tester.py | 预测试设计与分析 | ### CLI用法 ```bash python tools/questionnaire_designer.py --data research_objective.json --output questionnaire.json python tools/sampling_calculator.py --population 10000 --confidence 0.95 --margin 0.05 python tools/reliability_analyzer.py --data responses.csv --output alpha.json ``` ## 六大绝对禁止原则 ### 1. 禁止脱离理论设计题目 **错误做法**: ```yaml 编造题目: - 直接"凭感觉"编写题目 - 不基于文献或理论 - 不参考已验证量表 - 题目无理论依据 示例: "我想研究用户满意度， 所以随便编了几个题目" ``` **正确做法**: ```yaml 基于理论设计: Step 1: 文献回顾 - 查找相关理论 - 寻找已验证量表 - 理解构念定义 Step 2: 量表选择/改编 - 优先使用已验证量表 - 改编时说明理由 - 保持核心题目 Step 3: 新题目设计 - 基于理论操作化 - 专家评审 - 预测试验证 ``` **量化标准**: - 题目有理论或文献依据 - 优先使用已验证量表 - 新题目经过专家评审 - 所有题目有来源标注 ### 2. 禁止歧义与模糊题目 **错误做法**: ```yaml 模糊题目: - 使用模糊词汇 - 时间范围不清 - 参照对象不明 - 多义性问题 示例: "您经常使用社交媒体吗?" （"经常"定义模糊） "您对这个产品满意吗?" （哪个方面？何时？） "您认为公司政策合理吗?" （哪些政策？与什么比？） ``` **正确做法**: ```yaml 清晰题目设计: 原则1: 具体化 - 时间明确（"过去7天"） - 频率量化（"每天X小时"） - 对象明确（"公司HR政策"） 原则2: 单义性 - 一题一问 - 避免双重问题 - 避免复合概念 原则3: 参照明确 - 比较标准清晰 - 评价对象明确 - 时间范围清晰 正确示例: "在过去7天，您平均每天 使用社交媒体多少小时?" "您对公司HR部门在员工 培训方面的政策满意吗?" "与去年相比，您对公司 福利政策的满意度如何?" ``` **量化标准**: - 每个题目含义清晰 - 时间范围明确 - 参照对象明确 - 通过认知访谈验证 ### 3. 禁止引导性与偏见题目 **错误做法**: ```yaml 引导性题目: - 暗示"正确"答案 - 使用情绪化语言 - 预设立场 - 社会期望偏见 示例: "您不认为这个政策很糟糕吗?" （暗示应该认为糟糕） "专家建议每天运动30分钟， 您每天运动吗?" （权威暗示） "大多数人都支持环保， 您呢?" （从众压力） "您会和你的家人一起犯罪吗?" （社会期望偏见） ``` **正确做法**: ```yaml 中性题目设计: 原则1: 平衡表述 - 避免倾向性词汇 - 使用中性语言 - 提供平衡选项 原则2: 去偏见化 - 避免权威引用 - 避免从众暗示 - 避免情绪化表述 原则3: 隐私保护 - 承诺匿名性 - 说明无对错 - 正常化敏感行为 - 使用投射技术 正确示例: "您对这个政策的看法是?" （中性） "您平均每天运动多少分钟?" （无权威暗示） "您对环保议题的态度是?" （无从众暗示） "人们有时会违反交通规则， 您过去一年是否有过?" （正常化） ``` **量化标准**: - 题目表述中性 - 无引导性语言 - 选项平衡 - 通过专家评审验证 ### 4. 禁止忽视预测试 **错误做法**: ```yaml 跳过预测试: - 问卷设计完直接发放 - 认为自己没问题 - 忽视潜在问题 - 浪费研究资源 示例: "问卷设计好了， 直接发给1000人" ``` **正确做法**: ```yaml 完整预测试流程: Phase 1: 专家评审 - 题目清晰性 - 内容效度 - 问卷长度 - 逻辑流程 Phase 2: 认知访谈（10-15人） - 思考 aloud - 理解检查 - 歧义识别 - 改进建议 Phase 3: 试测（50-100人） - 完整填写 - 时间测量 - 信效度检验 - 数据质量 Phase 4: 问卷修改 - 删除/修改问题题目 - 调整选项 - 优化流程 - 最终版确定 ``` **量化标准**: - 每个问卷必须经过预测试 - 报告预测试方法与结果 - 根据预测试反馈修改问卷 ### 5. 禁止样本量随意确定 **错误做法**: ```yaml 随意确定样本量: - "发300份差不多了" - 不考虑统计功效 - 不考虑总体特征 - 不考虑预计响应率 ``` **正确做法**: ```yaml 科学计算样本量: 1. 确定统计参数 - 期望效应量 - 显著性水平（α=0.05） - 统计功效（1-β=0.80） 2. 选择公式或工具 - G*Power - 在线样本量计算器 - 公式：n = Z²pq/E² 3. 考虑实际因素 - 预计响应率 - 数据缺失率 - 分层需求 4. 最终样本量 - 目标样本 / 响应率 - 如：需500份，响应率60%，发850份 ``` **量化标准**: - 样本量基于统计功效分析 - 报告计算依据 - 考虑响应率和分层需求 ### 6. 禁止不透明的报告 **错误做法**: ```yaml 不透明报告: - 不说明问卷来源 - 不报告量表信效度 - 不说明抽样方法 - 无法复现 ``` **正确做法**: ```yaml 完全透明: 报告所有细节: 1. 问卷来源与设计依据 2. 量表信效度指标（Cronbach's α, KMO） 3. 抽样方法与样本特征 4. 调查实施过程 5. 数据清洗步骤 6. 分析方法 ``` **量化标准**: - 报告问卷设计依据 - 报告信效度指标 - 报告抽样方法 - 可复现性 ## 黄金案例 vs 失败案例 —— 从实践学习 ### 黄金案例（正确做法） **案例：大学生数字媒体使用行为问卷设计（完整量表开发流程）** ``` 背景: 某传播学研究团队研究"大学生数字媒体使用行为与学业自我效能感的关系" 研究类型: 量表开发 + 调查研究 目标样本: 600人（分层抽样：文/理/艺） 做法（量表开发四阶段）： 【Phase 1: 题目生成】 1. 文献综述：梳理已有数字媒体使用量表（Media Use Scale） 2. 深度访谈：15名大学生，探讨数字媒体使用动机/行为/感受 3. 开放式问卷：100人，预估数字媒体使用场景 4. 初始题库：68道题目 2. 【Phase 2: 内容效度检验】 - 专家评审（5人）：删除2道重复题，修改5道表述 - 保留66道题目 - I-CVI = 0.85（≥0.78 通过） 3. 【Phase 3: 预测试（150人）】 - 认知访谈（15人）：发现"使用时长"题歧义（手机/电脑/平板合并问） → 拆分为3道独立题 - 试测（135人）： - 填答时间：平均8.5分钟（合理范围） - 项目分析：删除8道CR值<2.0的题目 - 探索性因子分析：保留45道题目，KMO=0.89 - 提取5个公因子（解释方差67%） 4. 【Phase 4: 正式施测（622人）】 - 验证性因子分析确认五因子结构 - 信度：Cronbach's α = 0.81~0.92（各维度） - 效度：AVE=0.58~0.76（>0.50，通过） - 聚合效度：各因子AVE平方根 > 因子间相关系数 结果： - 正式量表：45道题目，5个维度 - 发表于《新闻与传播研究》 - 后续被3个研究团队引用并改编 ``` **关键细节:** - 量表开发至少需要3轮筛选（初始题库→预测试→正式验证） - 认知访谈是发现题目歧义最有效的低成本方法 - AVE>0.50是聚合效度的基本门槛 --- ### 黄金案例2：敏感话题调查问卷设计** ``` 背景: 研究"大学生焦虑抑郁情绪与求助意愿" 敏感话题: 心理问题涉及隐私，直接询问会高估/低估 做法（敏感性处理技巧）： 1. 设计缓冲题： "您认为大学生中焦虑抑郁问题的普遍程度如何？"（问普遍认知，不问自己） 2. 使用随机化回答技术： - 甲组："过去一年，您是否有过难以入睡的经历？（是/否）" - 乙组："过去一年，您是否有过使用过助眠药物的经历？（是/否）" - 通过已知敏感比例反推真实比例 3. 插入无关题：穿插5道工作学习相关题目，降低敏感题注意力 4. 末尾放敏感题：减少起始抗拒，末尾时戒备降低 结果： - 有效回复率：78%（高于同类敏感研究均值65%） - 社会期望偏差降低，报告的焦虑发生率更接近临床数据 ``` --- ### ❌ 失败案例（常见错误） **错误1: 问卷直接抄袭不经改编** ``` 症状: 照搬国外量表，中文翻译不自然，文化不适配 后果: 测量不准确，因子结构不稳定 ``` **错误2: 样本量拍脑袋** ``` 症状: "发300份差不多了"，实际需要500份 后果: 统计功效不足，效应量低估 ``` **错误3: 不报告信效度** ``` 症状: 直接使用成熟量表但不报告本次数据信效度 后果: 无法证明本次测量质量，审稿人质疑 ``` --- ## 任务分解规则 ### 一、禁止定性分析硬编码（CRITICAL） ## 详细指南 完整的使用指南请参考: [详细指南](references/detailed-guide.md)