科研 Skill

问卷调查研究架构

survey-research-architect

問卷研究全流程架構:構念操作化、抽樣與檢定力、發放回收計劃、共同方法變異防範與資料品質檢核。適用於設計整份問卷調查研究或應對審稿人對CMV與樣本數的質疑。

发布者 Codar安全审核通过v0.1.0更新于 2026-11-18

SKILL.md

問卷研究架構師(Survey Research Architect)

Step 1|構念到題項(設計)

  1. 量表選用順位:既有中文驗證量表 > 國際量表正式改編(轉 ob-hrm-scale-adaptor 做翻譯回譯+MI)> 自編(自編=審稿最大風險,須完整走量表發展程序,勸阻輕率自編)。
  2. 問卷結構:篩選題 → 核心構念(依變數與自變數分區並隔開)→ 控制變數 → 人口統計(放最後)。每構念題數、計分格式(Likert 5/7 點)與原量表一致。
  3. CMV 程序性預防(設計進問卷,這是重點):
    • 心理分離:不同構念用不同指導語/情境框架。
    • 時間分離:X 與 Y 分兩波(間隔 2–4 週),用受訪者代碼串接。
    • 來源分離:主管評 Y、員工評 X(組織研究金標準)。
    • 匿名保證+「沒有標準答案」聲明(降社會期許)。
    • 反向題節制使用(防直線作答,但過多傷信度——每構念至多一題)。
  4. 資料品質防線:注意力檢查題(「此題請選非常同意」)1–2 題、作答時間下限 (題數×2秒為底線)、開放題一題(偵測敷衍)。判準與淘汰處置規則(先訂,不得 看結果再挑)見 references/data-quality-gates.md。

Step 2|抽樣與樣本數(先驗,不是事後)

  • 母體與抽樣框:明確定義(如台灣製造業主管),說明接觸管道與其偏誤 (EMBA 班/企業合作/研究公司 panel 各有外推性代價,誠實揭露)。
  • 樣本數三算法取大者:
    1. 檢定力分析:主檢定的最小效果量(引前研究)→ α=.05、power=.80 反推 N。 迴歸 f²/相關 r/兩組均值差 d 三種情境可直接算,例: python scripts/power_analysis.py regression --predictors 3 --f2 0.15; SEM 不套用此腳本硬算(理由與改用工具見 python scripts/power_analysis.py sem)。
    2. SEM 經驗法則:估計參數 × 5–10。
    3. 回收率折算:所需完成數 ÷ 預期回收率(冷名單 10–20%、有關係管道 30–60%) ÷ 品質淘汰率(留 85–90%)= 實際發放數。
  • 多波次設計要再乘各波流失(每波約流失 20–40%)。

Step 3|發放與回收執行計畫

產出發放甘特表:前測(30–50 份,驗信度與語意)→ 修訂 → 正式第一波 → 催收(第 7、14 天兩次,措辭漸強但禮貌)→ 第二波(若時間分離)→ 關閉。

  • 誘因設計:抽獎 vs 每人小額,揭露於知情同意;學術倫理與個資聲明(問卷首頁)。
  • 回收監控:每日回收數、完成率、中斷點分析(哪一頁大量放棄=該頁有問題)。
  • 無反應偏誤分析(投稿必備):早晚回覆者比較(wave analysis)+已知母體 特徵比對(產業/規模分布)。兩法怎麼做、判準與報告寫法見 references/data-quality-gates.md 第六節。

Step 4|回收後品質放行與 CMV 事後檢驗

  1. 淘汰:未過注意力檢查、作答時間過短、直線作答(SD≈0)、規律作答——淘汰 標準事先寫定(最好預先註冊),不能看結果挑人。
  2. CMV 統計檢驗(至少兩種並陳):Harman 單因子(必做但公認不足)+ 標記變數法 (設計時就要埋理論無關標記題)或 CFA 共同方法因子。三法各自「能證明什麼、 不能證明什麼、審稿人怎麼看」的對照見 references/cmv-playbook.md。
  3. 放行報告:有效樣本數、淘汰明細、回收率、無反應偏誤結論 → 交棒 ob-hrm-scale-adaptor(測量模型)→ r-spss-syntax-architect(結構模型)。

紅線

  1. 樣本數先驗算,絕不「收到多少算多少」再事後合理化。
  2. CMV 單靠 Harman 單因子=審稿人眼中的敷衍;程序性預防才是本體,統計檢驗是佐證。
  3. 淘汰標準先於資料;看了結果再淘汰=p-hacking 近親。
  4. 個資與倫理:問卷不蒐集非必要個資;需 IRB 時提醒,不代做合規判斷。
  5. 本 skill 不執行實際發放(平台操作是使用者的事),只給計畫與檢核。

Limitations

  • 文中「交棒 ob-hrm-scale-adaptor」指向本 marketplace 另一個 plugin (codar-economics-management)中的同名 skill,需同時安裝該 plugin 才能銜接; r-spss-syntax-architect、experiment-design-architect 等其餘姐妹 skill 未包含在本 marketplace 中,遇到建模或實驗操弄設計步驟時,直接依本 skill 已說明的原則處理,不要嘗試呼叫不存在的 skill。
  • 本 skill 聚焦於自陳式問卷調查的設計與資料品質把關,不涵蓋質性訪談設計 (見 interview-method-designer)或量表本身的跨文化改編。

示例提示词

我要做一项问卷调查,帮我规划抽样样本数和共同方法变异的防御策略。

所属插件

社会学、政治学与城市研究面向社会科学研究:问卷与访谈设计、质性编码、文本即数据、社会网络、ABM、比较政治与选举数据、RCT 与 DID、城市与区域分析。

安装该插件会一并获得同领域的 58 个 Skill / MCP。

同插件的其他科研 Skill

常见问题

问卷调查研究架构能做什么?

問卷研究全流程架構:構念操作化、抽樣與檢定力、發放回收計劃、共同方法變異防範與資料品質檢核。適用於設計整份問卷調查研究或應對審稿人對CMV與樣本數的質疑。

如何安装问卷调查研究架构?

在科搭 Codar 左侧点击「插件」,在「组件」页签搜索「问卷调查研究架构」并安装;在 Claude Code 或 Codex 中可以发送本页的安装提示词,或下载 Skill 包后解压到 ~/.claude/skills 或 ~/.codex/skills。

问卷调查研究架构需要哪些权限?

该科研 Skill没有声明额外权限;执行具体操作时仍由 Agent 按自身规则请求确认。

问卷调查研究架构经过官方审核吗?

是。SpeedSkills 收录的每个版本都会记录内容摘要与权限声明,当前版本已通过安全审核。