10-03 问卷主体的设计（3） - 第08周 | Coursera

For EnterpriseFor Students

Browse
Top Courses
Log In
Join for Free

10-03 问卷主体的设计（3）

Loading...

社会调查与研究方法（下）Methodologies in Social Research (Part 2)

Peking University

5 (24 ratings) | 2.5K Students Enrolled

Enroll for Free

社会调查与研究方法，首先，是一套观察社会现象、测量社会现象的工具；其次，是一套分析和运用社会现象数据的科学方法；最高境界，则是一套针对社会、经济、教育、政治、法律、管理、公共卫生、新闻报道等人类的生产与生活现象，进行科学沟通的思维逻辑与表达方式。

Reviews

5 (24 ratings)

5 stars
95.83%
4 stars
4.16%

From the lesson

第08周

　　搜集数据是从理论到实践的过程。从本周的课程开始，将进入到社会调查与研究的实践操作部分。本周讨论最常见的数据搜集方法：问卷调查。主要内容包括：什么是问卷调查？问卷有哪些基本类型？一份完整的问卷包括哪些基本要素？怎样设计一份问卷？怎样实施一项问卷调查？为保证问卷调查的质量，如何对问卷调查过程进行管理？

10-01 问卷的要素5:52

10-02 问卷结构的设计（1）9:48

10-02 问卷结构的设计（2）9:06

10-03 问卷主体的设计（1）10:35

10-03 问卷主体的设计（2）9:17

10-03 问卷主体的设计（3）9:57

10-04 问卷辅助内容的设计5:34

10-05 问卷的类型12:15

10-06 问卷调查的实施11:11

10-07 问卷调查的管理10:18

Taught By

邱泽奇（Qiu Zeqi）
教授 (Professor)

Try the Course for Free

Transcript

我们接着前边的内容继续讨论：问卷主体的设计。对态度观点的测量，通常会采用指标题，我们专门讲过大家已经熟悉对吧？指标就是，使用多道访题测量一个变量。每道访题或者每一组访题，测量变量的一个维度。看例子，ADL我们曾经见过，对吗？您的健康状况是否限制了您的这些活动？如果是，程度又如何？这里一共有十三个指标，我就不具体念了。为了方便测量某个程度，通常采用量表题，也是运用多道访题测量一个变量，不同的是：不是关注变量的不同维度，而是侧重于变量某个维度的程度递进。看例子，下面有一些对人们精神状态的描述，请您根据您最近一个月的情况填写：您多久感到了什么什么什么…… 这是测量抑郁的，你们自己也以测量一下，最后一项是最严重的，包含了前边的五项。一般感到沮丧的人，不一定感到精神紧张，感到精神紧张的人不一定感到坐卧不安。坐卧不安的人，一定会感到紧张也一定感到沮丧，对吗？这是从直接测量和间接测量的角度看访题选项的构造。在间接测量中还有一些方法，其中有一种方法是同学们需要知道的，就是虚拟情境锚定法。对于一些非普遍的情境，人们只能依靠想象，因此呢，可以设计虚拟情境。 Gary King等学者就提出了“Anchoring Vignettes" (虚拟情境锚定的方法），这种方法不仅用来测量观念、态度，也用来测量行为。比如，社会距离量表，就是典型的运用了虚拟情境锚定方法的量表。了解了在问卷中访题要问什么，也了解了怎么问，是不是就可以动手构造访题了呢？不急，我们还需要了解一些访题构造的技巧和注意事项，比如说，选项的呈现形式、访题- 的格式。经验上无论是题干的构造还是选项的构造，目的都是为了便于访问、减少误差。因此，选项的排列，需要尽量的一目了然，避免混乱。选项的混乱，会让访员思路混乱，更会让受访者感到混乱，应答显然也会混乱，如此，就会增大访问的误差。在选项中一个重要的要素就是跳转，跳转涉及跳转的路径，如果一份问卷的跳转路径混乱不堪，显然不可能让访员清楚，也不可能让受访者清楚。不仅会因为混乱的造成误差，也可能会因为混乱造成漏问、错问进而带来更大的误差。此外，还有一类特殊的呈现形式，就是访题与选项分别作为一个矩阵的行标题和列标题，这就是这就是矩阵题。矩阵题，通常为内容相近、选项一致的一类访题组合。采用矩阵的方式呈现，目的还是为了清晰，便于访问，便于应答。我们来看例子：5.1.9，过去一年来，您有过以下的经历吗？这是一类访题，把它们搁在一块，受访者不会有心理负担，也不会造成头脑转速过快，因而头脑过热。有时候人的脑袋与计算机一样，CPU过热就容易出现麻烦。如果来回折腾，就很容易造成CPU过热，造成受访者拒访。除了访题的格式、选项的呈现以外，在访题构造中还有一些常见的问题，可以与同学们分享，给同学们一些提示。在题干的构造中，题意要明确。题意不明确的题干，是无法获得准确的应答的，比如：您什么时候吃饭呀？选项要求记录时间。这道访题看起来明确，实际上却很不明确。大家说说看，吃什么饭呀？吃早饭、中饭、晚饭、夜宵？有的地方一天吃六七顿啦，问的到底是什么饭呀？这就叫题意不明确。同样要避免的是题意过于深奥，看例子：您是否赞成自由主义的政治主张？问谁呢？问我可以，我答的出来，如果你问的是某位老农，对他来说就太深奥了。访题设计中的问题，绝不仅仅止于这些，如果能够善于在工作中、练习中积累经验，就可以避免不必要的误差。进一步看例子：多重题意，也是访题中常见的问题。初学访题设计的人，总是希望在有限的时间内问更多的问题，难免出现多重题意的问题。比如：您如何评价北京大学的后勤服务和教学管理？和教学管理？这就是典型的多重题意的题干。如果受访者作答，真的不知道评价的是教学管理呢？还是后勤服务？或者两者都是？这就叫多重题意。还有一类问题：选项不完备，这是封闭选项中常见的问题。比如：您在北京大学就读期间获得过哪些奖励？选项中只有三项：国家奖学金、五四奖学金、方正奖学金。显然这三项不能覆盖北京大学的所有奖项，这样一些获得了奖项的同学，却不在这三项之列的有选项不完备就有选项重叠，选项之间的内容有交叉，甚至完全重叠，这些都是封闭访题的选项构造中需要回避的问题。访题制作中还有一些需要注意的，需要同学们在练习中去慢慢的积累经验，有什么问题请大家在讨论板上提出来。为了帮助同学们能够在访题制作中迈开第一步，下边我们讨论常用变量的访题制作。第一，年龄是一个具有自然属性的变量。对年龄的提问，适宜直接提问出生年、月、日，依照研究的目的，确定精确度。一般研究，到了年也就够了，要求到月、到日的比较少。如果受访者是老年人群体，那还需要自备一份生肖与年月的对照表。第二，性别也是一个具有自然属性的变量。通常呢，不需要提问，直接记录就好。第三，婚姻状态，这是一个提问有技巧的变量。通常，也是直接提问比较合适，常用的选项有：“未婚、同居、已婚、离婚、丧偶”，也可以用这些选项进行组合。什么叫组合呢？比如，丧偶，就有两个组合，初婚丧偶和再婚丧偶。再比如同居，就有三个组合：未婚同居、离婚同居、丧偶同居，比较复杂了对不对？选项要不要搞这么复杂？还是要看研究目的。第五，受教育程度，我们已经多次用到这个例子了。归纳起来需要根据研究变量来设计访题，比如，要么问受教育的年限，要么问到目前为止获得的最高学历，如果有需要还可以问是不是在职接受学历教育。第六，收入与支出。如果无需了解收入的来源，就可以采用逼近法提问，什么叫逼近法呢？举一个例子，设定一个中间数，预估北京市的家庭平均收入是人民币5万元，把前后的间隔做好设计，采用一定的规则。比如：以1万元为间隔起点，按照倍数从平均数开始加减，这样呢，就得到了一个区间内的若干个点。假如，我们按照1万元的1.5倍开始加 1倍开始减，加减一次那就得到了4万元、5万元、 6.5万元三个点，依此类推，就可以得到若干个点，这就是提问的依据。问法是：比如说，您家去年一年的家庭总收入大概是5万块钱？受访者就会说：“哎呀！可能还不是这个数呢！”那就接着问：“比5万多还是少？” 受访者说：“比5万多吧！”那就再接着问： ”比6.5万多还是少？“受访者就说：”啊！比6.5万要少！“ 那最后确问：”6万还是5.5万？” 这样，依此类推，就可以获得一个相对准确的数，这就叫逼近问法。逼近法，能问到粗略数字中最精确的数字。有的同学说：“老师我能不能直接问啊！您家去年的收入是多少？” 不是不可以，受访者可能会随便给你一个数字就打发你了。如果需要了解收入来源，那就可以先采用逼近法，询问总收入，再询问收入的来源。同样呢，支出也可以采用这样的提问方法，在不少调查中采用了记账方法，不一定是一个有效的提问方法。第七，职业，在讨论开放式选项的时候，我们已经讨论过了。通常呢，不宜直接问在做什么，而是采用三段式，理由已经讨论过了，在这里就不重复了。问卷主体的讨论，就到这里，谢谢大家！

Explore our Catalog

Join for free and get personalized recommendations, updates and offers.

Top Online Courses

AI for Everyone
Introduction to TensorFlow
Neural Networks and Deep Learning
Algorithms, Part 1
Algorithms, Part 2
Machine Learning
Machine Learning with Python
Machine Learning Using Sas Viya
R Programming
Intro to Programming with Matlab
Data Analysis with Python
AWS Fundamentals: Going Cloud Native
Google Cloud Platform Fundamentals
Site Reliability Engineering
Speak English Professionally
The Science of Well Being
Learning How to Learn
Financial Markets
Hypothesis Testing in Public Health
Foundations of Everyday Leadership

Top Online Specializations

Deep Learning
Python for Everybody
Data Science
Applied Data Science with Python
Business Foundations
Architecting with Google Cloud Platform
Data Engineering on Google Cloud Platform
Excel to MySQL
Advanced Machine Learning
Mathematics for Machine Learning
Self-Driving Cars
Blockchain Revolution for the Enterprise
Business Analytics
Excel Skills for Business
Digital Marketing
Statistical Analysis with R for Public Health
Fundamentals of Immunology
Anatomy
Managing Innovation and Design Thinking
Foundations of Positive Psychology

Online Certificates

Google IT Support
IBM Customer Engagement Specialist
IBM Data Science
Applied Project Management
IBM Applied AI Professional Certificate
Machine Learning for Analytics
Spatial Data Analysis and Visualization
Construction Engineering and Management
Instructional Design

Online Degree Programs

Master's in Data Science
Bachelors Degree in Computer Science
Computer Science and Engineering Degrees
Master's in Machine Learning
MBA and Business Degrees
Master's in Electrical Engineering
Master's in Public Health
Master's in Information Technology

Coursera

About
Leadership
Careers
Catalog
Certificates
MasterTrack™ Certificates
Degrees
For Enterprise
For Government
For Campus
Coronavirus Response

Community

Learners
Partners
Developers
Beta Testers
Translators
Blog
Tech Blog

More

Terms
Privacy
Help
Accessibility
Press
Contact
Directory
Affiliates

Get it on Google Play

© 2020 Coursera Inc. All rights reserved.