Survey

在大多数社会科学调查中， 最常被使用的应答方式就是 Likert（李克特量表）。 但并不是所有问题都适合用 Likert。 如果能根据题目性质灵活调整尺度， 不仅可以降低受访者的疲劳感， 还可以显著提升数据的解释力。 基于实务经验，The Brain 总结了 7 种最常用、也最值得掌握的应答尺度类型。 1️⃣ 排序尺度：用于“比较优先顺序”的问题 例如： “请按喜好顺序选择您最偏好的品牌。” 分析特点： 基于顺序 更适合用中位数而非平均值进行分析 当选择标准明确、需要比较优先级时非常适合使用。 2️⃣ 二分尺度（Yes / No）：快速而明确 例如： “您是否使用过该服务？” 优点： 回答速度快 非常适合用于筛选题（Screening） 缺点： 信息量有限 难以捕捉细微态度差异 3️⃣ NPS（净推荐值）：衡量推荐意愿 例如： “您有多大意愿向他人推荐该服务？（0–10 分）” 优势： 企业调查中广泛使用 是衡量忠诚度的强力指标 分析方式： 0–6：贬损者（Detractors） 7–8：中立者（Passives） 9–10：推荐者（Promoters） NPS = 推荐者比例 − 贬损者比例 4️⃣ 语义差异尺度（Semantic Differential）：情感与印象评价 例如： “满意 ◀▶ 不满意” “复杂 ◀▶ 简单” 优势： 能捕捉态度中的“情感细微差别” 特别适合服务体验、形象评价类问题 5️⃣ 频率尺度（Frequency Scale）：以行为为核心 例如： “过去一个月内，您每周大约使用几次？” 优势： 获取真实行为数据 可直接用于回归分析 基于行为的数据，通常比态度类数据更稳定可靠。 6️⃣ 数值评分尺度（Numeric Rating Scale）：直观易懂 例如： “请在 1–10 分中选择一个分数。” 优势： 受访者理解成本低 分析自由度高 在医疗、心理测量等领域被广泛使用。

在第一次设计问卷时， 最常被问到的问题之一就是： “题目数量多少比较合适？” 题目数量并不仅仅是一个数字。 它会直接影响： 回收率 数据质量 调查周期 项目预算 是整个研究中最核心的设计要素之一。 The Brain 在大量项目经验的基础上，总结出了一套 既能降低答题疲劳，又能保证数据质量 的题目数量标准。 1️⃣ 移动端标准：20–30 题最为稳定 如今，大多数问卷都是在手机上完成的。 屏幕越小，滚动越长， 中途退出的概率就越高。 推荐范围： 快速调查：15–20 题 一般满意度 / 态度调查：20–30 题 结构较复杂的论文问卷：30–35 题（上限） 一旦超过 40 题， 无论在回收率还是数据质量上，都很容易“得不偿失”。 2️⃣ 题项多的变量必须压缩 很多研究者会这样想： “这个变量很重要，所以 6 道题我都要放进去。” 如果每个变量都这样处理， 问卷很快就会超过 50 题。 解决策略： 信任、满意、意向类变量，只保留最核心、最成熟的题项 通过查阅先行研究和因子结构，删除重复内容 建议结构：2 个正向 + 1 个反向即可 题目并不是“越多越好”， 只保留真正必要的内容，才是设计能力。 3️⃣ 筛选题（参与资格确认）必须最小化 筛选题本意是确认受访资格， 但如果设置过多，反而会加重心理负担。 推荐原则： 筛选题控制在 1–3 道以内 利用逻辑分支实现最少跳转 “不符合条件者”应立即分流 筛选不是“淘汰”， 而是“精准连接”。 4️⃣ 题目顺序会改变“体感题量” 如果同类型题目连续出现， 受访者很容易产生： “怎么又是这种题？”的疲劳感。 推荐结构： 基本信息 是否有相关经验 态度 / 满意度 意向 / 行为 开放题放在最后 负向题建议放在区块中段， 避免集中出现。 仅通过顺序优化，

在论文问卷中， 最常使用的应答方式就是 Likert 量表（李克特量表）。 但在实际设计时， 4 分、5 分、7 分该选哪一种， 往往是在没有明确依据的情况下决定的。 The Brain 基于大量研究问卷的实际经验， 将量表选择的标准整理为以下 5 个要点。 只要按照这些标准判断， 就能同时保证数据质量与解释的稳定性。 1️⃣ 想获得稳定、普适的反馈 → 选择 5 分量表 这是最常用、稳定性最高的形式。 包含中立选项（“一般 / 普通”） 应答负担较低 可对照的先行研究多、验证充分 在大多数社会科学研究中， 5 分量表 = 默认标准。 2️⃣ 想“强制选择立场” → 选择 4 分量表 由于没有中间选项， 应答者必须偏向“同意”或“不同意”。 适用于： 使用意向 支持 / 反对 需要明确态度的场景 容易出现“中性逃避”的群体 缺点： 可能出现“被迫选择” 引发部分应答者的反感或敷衍作答 3️⃣ 想分析更细微的差异 → 选择 7 分量表 适合测量细微态度变化。 心理学、满意度研究中常用 分布更细 → 标准差更大 有利于基于分散度的解释 缺点： 题目多时容易产生疲劳 手机端作答时滚动负担较大 4️⃣ 含有反向题时，数值稳定性尤为重要 例如： “我不信任该服务” → 需要反向编码 量表刻度越多， 反向编码出错的风险越高。 如果问卷中反向题较多， 建议使用 5 分量表 来提高稳定性。 反向编码错误 是信度分析中最常见的问题来源。 5️⃣ 若需与先行研究比较，应使用相同量表 这是量表选择中最有力的依据。 沿用既有量表结构 继承文献中已验证的信度与效度 保证结果的可比性 量表的一致性 是保障研究质量的核心策略。 量表选择应基于“研究目的 + 应答环境” 选择原则总结： 5 分量表 → 默认标准，适用于大多数研究 4 分量表 → 抑制中立倾向，迫使立场表达

刚开始做研究的研究生经常会问： “不都是问卷调查吗？有什么不一样？” 但实际上，无论是在研究目的、设计方式，还是质量管理标准上， 论文调查与营销调查都有着本质区别。 The Brain 同时运营这两种类型的调查，并将它们的结构性差异系统化总结如下： 1️⃣ 目的：“产生新知识” vs “支持决策” 区分 论文型调查 营销调查 核心目的 理论验证 / 学术贡献 服务优化 / 商业决策 判断标准 学术依据与逻辑严密性 市场反应与投资回报 论文调查关注“是否能证明一个理论”， 营销调查关注“如何帮助做出更好的决策”。 2️⃣ 设计方式：变量结构 vs 市场洞察 论文调查：以假设、变量、量表为中心进行设计 营销调查：以用户洞察与决策依据为中心进行设计 论文调查强调理论与测量工具的一致性， 营销调查则以消费者行为与需求洞察为核心。 3️⃣ 样本：可推广性 vs 精准匹配 要素 论文调查 营销调查 样本标准 统计代表性 商业目标匹配度 目标难度 中等 有时非常高 论文调查最优先的是信度与效度， 营销调查则更强调目标群体的精准度。 4️⃣ 结果解读：学术标准 vs 实务应用 论文调查重视： 与既有研究的比较 理论意义的阐释 营销调查重视： 战略方向（促销、政策等） 可行动的洞悉 也就是说，目的不同，解读方式自然不同。 5️⃣ 报告形式：论文结构 vs 商业文体 论文调查： 按“引言–方法–结果–讨论”结构展开 强调学术严谨性 营销调查： 以“洞悉为中心” 强化图表与摘要，便于决策者快速理解 一份优秀的营销报告， 传达的不是“数字本身”，而是可执行的信息。 表面相同，核心标准完全不同 虽然形式看起来相似，但： 论文调查的核心是学术说服力 营销调查的核心是商业实用性