ptreezh metadata: version: "5.1.0-cli-native+agent" methodology: "Survey Research Methodology" absolute-prohibitions: true task-decomposition-rules: true ai-cli-native: true task-queue-support: true agentskills-io: true cross-platform: true state-persistence: true self-iteration: true academic-alignment: true subagent-support: true graceful-fallback: true created: "2026-03-08" updated: "2026-03-08" author: "SocienceAI Methodology Expert" license: "MIT" alignment_reference: "grounded-theory-coding (v5.0.0)"
execution_modes: cli_queue: "CLI任务队列（基础）" subagent_parallel: "子Agent并行（增强）"
performance: sequential: "45分钟/问卷" parallel: "50分钟/10问卷（9.0x加速）"
基本信息
---|
✅ 检查点设计（权重7）
- 确保用户确认关键决策
- 防止自主失控
- 关键决策前有用户确认
- 防止自主失控
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
🖥️ 项目初始化（跨平台Python脚本）
使用Python创建项目目录
import os
# 设置项目路径
project_path = r"D:\your_project_path\项目名" # Windows
# project_path = "/home/user/project" # Linux/macOS
# 创建标准目录结构（跨平台兼容）
for subdir in ['.tasks', 'data', 'results', 'visualizations', 'logs']:
os.makedirs(os.path.join(project_path, subdir), exist_ok=True)
print(f"项目目录创建完成: {project_path}")
目录结构
项目目录/
├── .tasks/ # 任务状态和进度
├── data/ # 原始数据
├── results/ # 分析结果
├── visualizations/ # 可视化
└── logs/ # 日志
⚠️ 禁止使用
- ❌
# # 使用Python os.makedirs创建目录（Linux命令，Windows不支持） - ✅ 使用Python的
os.makedirs(path, exist_ok=True)（跨平台兼容）
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
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
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
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
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
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
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
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:
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:
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:
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:
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:
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:
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:
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:
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
### 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)