mcpField
G
grad-survey-design

grad-survey-design

github.com/asgard-ai-platform数据与数据库24345 次安装21 周前更新
代码仓库

关于 grad-survey-design

面向依赖自我报告数据的定量研究者，提供从构念操作化到量表验证的问卷设计方法。内容涵盖预测试、信效度评估，以及共同方法偏差控制。

主要功能

  1. 01将理论构念转化为测量项目
  2. 02设计并预测试量表
  3. 03评估信度与效度
  4. 04控制共同方法偏差

适用场景

  1. 01测量态度、信念或行为意向
  2. 02开发或调整多题项 Likert 量表
  3. 03规划基于自我报告的定量研究

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/asgard-ai-platform/skills --skill grad-survey-design

安装后在 Claude Code 中输入/grad-survey-design确认已加载。

附带文件examples/sample_scenario.md

详细介绍

问卷设计 (Survey Design)

概述

问卷设计通过系统的操作化、量表开发和心理测量验证，将理论构念转化为可测量的题项。严谨的问卷能够确保观测分数可靠且有效地代表目标构念，同时控制共同方法方差等方法效应。

适用场景

  • 测量感知、态度、信念或行为意向
  • 将理论框架中的潜在构念操作化
  • 开发或改编多题项 Likert 量表
  • 规划依赖自我报告数据的定量研究

不适用场景

  • 有客观行为数据或档案数据可用，且这些数据更合适
  • 通过实验或观察测量构念更为合适
  • 无法通过问卷触及目标人群（识字率极低、没有抽样框）
  • 研究问题具有探索性，构念尚未明确定义

假设

IRON LAW: A survey measures PERCEPTIONS, not objective reality — and common
method variance inflates correlations when predictor and criterion come
from the same source.

关键假设：

  1. 受访者按照预期理解题项（语义等效）
  2. 回答真实，且未受到社会赞许性偏差的系统性影响
  3. 题项充分覆盖构念的领域
  4. 量表中的题项是同一潜在构念的反映性指标

方法论

步骤 1 — 构念操作化

根据理论定义每个构念的概念领域。明确其维度和子维度。通过文献、专家判断和定性输入生成题项库（每个维度至少 3–5 个题项）。

步骤 2 — 量表设计与预测试

选择回答格式（5 点或 7 点 Likert 量表）。避免包含多个问题、带有诱导性或含义模糊的题项。进行认知访谈或专家小组评审。使用 N ≥ 30 进行预测试。

步骤 3 — 评估信度和效度

信度：Cronbach's alpha ≥ 0.70，组合信度（CR）≥ 0.70。聚合效度：AVE ≥ 0.50，因子载荷 ≥ 0.60。区分效度：Fornell-Larcker 准则或 HTMT < 0.90。公式见 references/。

步骤 4 — 控制共同方法方差

程序性补救措施：在时间上分开预测变量和效标变量，使用不同的量表格式，保证匿名性。统计性补救措施：Harman 单因子检验（必要但不充分）、标记变量技术、包含共同方法因子的 CFA。

输出格式

## Survey Design: [Study Title]

### Construct Operationalization
| Construct | Dimensions | Items | Source |
|-----------|-----------|-------|--------|
| [name] | [dim] | x items | [adapted from] |

### Reliability Assessment
| Construct | Items | Cronbach's α | CR | AVE |
|-----------|-------|-------------|-----|-----|
| [name] | x | x.xx | x.xx | x.xx |

### Validity Assessment
| Test | Result | Threshold | Assessment |
|------|--------|-----------|------------|
| Factor loadings (min) | x.xx | ≥ 0.60 | [pass/fail] |
| AVE | x.xx | ≥ 0.50 | [pass/fail] |
| HTMT (max) | x.xx | < 0.90 | [pass/fail] |

### CMV Controls
| Remedy | Type | Result |
|--------|------|--------|
| [remedy] | [procedural/statistical] | [finding] |

### Limitations
- [Note any assumption violations]

注意事项

  • Cronbach's alpha 是信度的下限，且假设 tau 等价；更推荐使用 CR
  • 高信度但低效度意味着你在精确测量错误的对象
  • 反向编码题项可以降低赞同偏差，但在 CFA 中常会形成伪方法因子
  • Harman 单因子检验应用广泛，但检测 CMV 的统计功效很低
  • 翻译和回译并不能保证跨文化测量等值性
  • 即使样本量充足，响应率低于 30% 仍会引发对无应答偏差的担忧

参考文献

  • DeVellis, R. F. (2017). Scale Development: Theory and Applications（第 4 版）。Sage.
  • Podsakoff, P. M., MacKenzie, S. B., Lee, J.-Y., & Podsakoff, N. P. (2003). 行为研究中的共同方法偏差。Journal of Applied Psychology, 88(5), 879-903.
  • Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis（第 8 版）。Cengage.

评论

支持 Markdown