結(jié)構(gòu)化調(diào)研類面試題及答案一、單項選擇題（每題2分，共20分）1.某市人社局?jǐn)M對“靈活就業(yè)者社保參保意愿”開展結(jié)構(gòu)化訪談，下列哪一項最符合“結(jié)構(gòu)化”的核心特征？A.訪談提綱只列關(guān)鍵詞，由調(diào)研員臨場發(fā)揮追問B.所有受訪者被詢問完全一致的字句與順序C.問題固定，但允許調(diào)研員根據(jù)回答即時插入探針題D.先讓受訪者自由敘述，再統(tǒng)一補問5個封閉題答案：C解析：結(jié)構(gòu)化訪談強調(diào)問題、順序、選項、記錄方式的標(biāo)準(zhǔn)化，但允許在出現(xiàn)模糊信息時使用預(yù)設(shè)的探針題，以保證數(shù)據(jù)可比性同時兼顧深度。B項過于剛性，容易犧牲信息豐度；A、D偏半結(jié)構(gòu)或非結(jié)構(gòu)。2.在預(yù)測試中，發(fā)現(xiàn)“您為何不愿參保？”這一原始題有47%的受訪者沉默超過5秒。最佳修正策略是：A.改為多選題，列出8項可能原因讓受訪者勾選B.拆成兩道：先問“不愿參保的第一原因”再用卡片展示常見原因供其確認(rèn)C.直接刪除該題，改用“您最擔(dān)心的三點是什么”D.加入提示語“沒關(guān)系，您可以先想一想”并延長整體訪談時間答案：B解析：拆分+卡片確認(rèn)既保留開放度，又降低認(rèn)知負(fù)荷，同時方便后期編碼。A項完全封閉，損失原生動機；C項偷換概念；D項僅緩解尷尬，未解決題項本身難答的問題。3.調(diào)研員在記錄時使用了“√”“×”“—”三種符號，其中“—”代表“不適用”。這屬于哪類質(zhì)量控制手段？A.受訪者激勵B.字段完整性校驗C.記錄一致性約定D.非抽樣誤差校正答案：C解析：符號約定是現(xiàn)場記錄環(huán)節(jié)的標(biāo)準(zhǔn)化動作，目的是確保不同調(diào)研員對同一情境的記錄可比，屬于一致性控制。4.若采用“最大差異量表”（MaxDiff）測量靈活就業(yè)者對15項社保改革訴求的重要性，下列說法正確的是：A.每位受訪者須完成15×14/2=105次配對比較B.可通過BalancedIncompleteBlock設(shè)計減少任務(wù)量C.分析時直接對被選次數(shù)進(jìn)行t檢驗即可D.結(jié)果只能排序，無法估計區(qū)間尺度答案：B解析：MaxDiff通過BIB設(shè)計將大量配對拆分為若干小集，每位受訪者只需評價4~5項子集，顯著降低疲勞。A項為完全配對，不可行；C項需HierarchicalBayes或計數(shù)模型；D項可導(dǎo)出區(qū)間尺度重要性值。5.為了檢驗“訪談員性別是否影響敏感問題回答”，調(diào)研方采用：A.將男、女訪談員隨機分配至同一受訪者B.在問卷末尾加問“您是否介意由異性提問”C.使用交叉設(shè)計，讓同一批受訪者在兩天內(nèi)分別接受不同性別訪談員D.比較不同性別訪談員所得樣本的邊際分布與效應(yīng)量答案：D解析：由于無法讓同一受訪者被重復(fù)訪談，現(xiàn)實做法是事后比較不同性別訪談員采集的數(shù)據(jù)分布差異，輔以效應(yīng)量判斷實際影響。6.在雙語言場景下，若先以普通話詢問，再現(xiàn)場翻譯成當(dāng)?shù)胤窖?，最可能?dǎo)致：A.測量等價性偏高B.系統(tǒng)誤差方向隨機C.語義漂移（semanticdrift）D.訪談時長縮短答案：C解析：現(xiàn)場口譯難以保證逐字對應(yīng)，易出現(xiàn)語義漂移，降低跨群體可比性。7.下列哪項不是“訪談到saturation”的常見判斷指標(biāo)？A.新增3名受訪者未出現(xiàn)任何新編碼B.編碼簿厚度>30頁C.主題-亞主題數(shù)量曲線趨于水平D.研究團(tuán)隊共識認(rèn)為信息增量<5%答案：B解析：厚度與飽和度無直接函數(shù)關(guān)系，可能因記錄字體行距而異。A、C、D均為可量化或共識指標(biāo)。8.當(dāng)受訪者回答“我怕將來政策會變，所以猶豫參?！保{(diào)研員立即追問“您最擔(dān)心政策哪方面變化？”這屬于：A.誘導(dǎo)性問題B.探針題（probe）C.雙重問題D.投射技法答案：B解析：探針用于澄清、細(xì)化，不引入研究者傾向。9.若需事后對500份逐字稿進(jìn)行“主題-情感”雙層編碼，最佳抽樣策略是：A.隨機抽100份，信度達(dá)標(biāo)后外推B.先分層按性別、行業(yè)、年齡段抽120份，計算κ值≥0.8再擴(kuò)至全量C.全體編碼，兩名coder全程獨立D.先用算法預(yù)標(biāo)注，人工只抽檢10%答案：B解析：分層可確保各類群體都有代表，κ≥0.8說明編碼方案成熟，再擴(kuò)至全量兼顧成本與質(zhì)量。A樣本可能不足；C成本高；D算法預(yù)標(biāo)注對情感極性易出錯。10.在撰寫結(jié)構(gòu)化訪談報告時，“方法”章節(jié)通常不包括：A.采樣框架與招募流程B.訪談員培訓(xùn)與質(zhì)控C.研究者個人反思日志D.編碼框架與信度檢驗答案：C解析：個人反思屬于“研究者立場”或“討論”部分，而非標(biāo)準(zhǔn)方法。二、多項選擇題（每題3分，共15分）11.以下哪些做法可有效降低“社會期望偏差”？A.使用自填式電子問卷替代面訪B.在提問前強調(diào)“答案無對錯，僅用于學(xué)術(shù)研究”C.將敏感問題置于問卷末尾D.采用間接提問法如“您的朋友會如何看待”E.給予金錢激勵并告知“回答越正面獎勵越高”答案：A,B,D解析：C項效果不穩(wěn)定；E項反向激勵，會加劇偏差。12.關(guān)于“回溯性時間錨”技術(shù)，下列說法正確的有：A.利用公共節(jié)日、重大事件幫助受訪者定位記憶B.可減少telescoping效應(yīng)C.適用于所有年齡群體，效果無差異D.需在訪談前收集當(dāng)?shù)禺?dāng)年大事年表E.與“生活史日歷”互為補充答案：A,B,D,E解析：C項錯誤，老年人對遠(yuǎn)期事件錨定效果更好，但對近期事件可能更差。13.在NVivo中建立“案例-屬性-編碼”三角結(jié)構(gòu)時，屬性可包括：A.受訪者IDB.性別C.行業(yè)D.情感極性得分E.節(jié)點層級答案：B,C,D解析：A是案例標(biāo)識，非屬性；E屬于編碼體系，不是屬性。14.以下哪些情況需要提交倫理委員會重新審批？A.將原定的線下面訪改為網(wǎng)絡(luò)視頻B.把樣本量從80擴(kuò)大到120C.增加采集受訪者地理位置信息D.把匿名化改為“可識別但保密”E.將激勵從50元禮品卡改為100元現(xiàn)金答案：C,D解析：涉及可識別信息及保密級別變更必須重審；A、B、E若未觸及風(fēng)險等級可備案。15.在“靈活就業(yè)者社?！毖芯恐?，若發(fā)現(xiàn)訪談樣本與官方統(tǒng)計在“年齡分布”存在顯著差異，可采用的統(tǒng)計調(diào)整手段有：A.事后分層加權(quán)B.傾向得分加權(quán)C.校準(zhǔn)估計（calibrationestimation）D.刪除偏離過多的個案E.使用模型-based預(yù)測并邊緣化答案：A,B,C,E解析：D項人為刪減將引入選擇偏差。三、判斷題（每題2分，共10分）16.結(jié)構(gòu)化訪談的數(shù)據(jù)分析只能采用定量統(tǒng)計，不能進(jìn)行質(zhì)性編碼。答案：錯解析：逐字稿仍可轉(zhuǎn)寫后進(jìn)行質(zhì)性編碼，再與量化變量融合，形成混合方法。17.當(dāng)受訪者使用隱喻回答時，調(diào)研員應(yīng)立即要求其“用更直白的語言再說一遍”，以保證記錄準(zhǔn)確。答案：錯解析：立即打斷可能破壞敘事流，應(yīng)先完整記錄，在后續(xù)探針環(huán)節(jié)再請其解釋隱喻含義。18.在雙盲設(shè)計中，訪談員與受訪者均不知道研究假設(shè)。答案：錯解析：雙盲通常指醫(yī)學(xué)實驗中的“評估者-受試者”雙盲，訪談場景難以對受訪者完全隱藏目的，只能做到“訪談員單盲”。19.若兩名coder的κ=0.65，可認(rèn)為編碼結(jié)果基本可用，但需在報告里披露并解釋局限。答案：對解析：κ=0.6-0.8為“中等-良好”，可接受，但需透明報告。20.采用“錄音+人工轉(zhuǎn)寫”方式時，轉(zhuǎn)寫精度達(dá)到95%即可滿足大多數(shù)分析需求。答案：對解析：95%單詞級準(zhǔn)確率已能支持主題編碼，剩余5%多為語氣詞、重復(fù)，不影響核心語義。四、簡答題（每題10分，共30分）21.請寫出“靈活就業(yè)者社保參保意愿”結(jié)構(gòu)化訪談提綱中的5個核心封閉題，并給出對應(yīng)編碼本及跳答邏輯。答案：（1）Q1.您目前是否以靈活就業(yè)形式工作？①是②否【跳至Q6】編碼：work_type1=是0=否（2）Q2.您是否已參加城鎮(zhèn)職工基本養(yǎng)老保險？①已參保②未參?！咎罳4】編碼：pen_status1=已0=未（3）Q3.若已參保，您的繳費方式？①個人全額自繳②平臺代繳③其他編碼：pen_channel1/2/3（4）Q4.若未參保，您未來12個月內(nèi)的參保意愿？①非常愿意②比較愿意③一般④不太愿意⑤完全不愿意編碼：willing5=非常愿意…1=完全不愿意（5）Q5.如果政府給予30%繳費補貼，您的意愿會？①提高②不變③降低編碼：subsidy_effect1/0/-1跳答邏輯：Q1=2直接到Q6；Q2=1則答Q3后至Q5，Q2=2則跳過Q3直接到Q4。22.描述如何在訪談現(xiàn)場實時監(jiān)測“調(diào)研員漂移”（interviewerdrift），并給出兩條糾正措施。答案：監(jiān)測：1.每日晚現(xiàn)場回聽10%錄音，使用《調(diào)研員操作清單》打分，重點核查“是否按字句讀題”“是否擅自解釋選項”“是否跳序”。2.計算每位調(diào)研員采集樣本的關(guān)鍵變量邊際分布，若某員出現(xiàn)“非常愿意”比例>均值+2σ，立即預(yù)警。糾正：1.次日晨會通報偏差案例，重新演練問題段落，并進(jìn)行角色扮演。2.對連續(xù)兩次預(yù)警的調(diào)研員暫停作業(yè)，安排督導(dǎo)陪訪直至重新達(dá)標(biāo)（清單得分≥95%且分布回落）。23.針對“社保繳費負(fù)擔(dān)”這一抽象概念，設(shè)計一個生活化類比問題，使其更易被低學(xué)歷靈活就業(yè)者理解，并說明其認(rèn)知測試步驟。答案：類比問題：“假如您每天送外賣，一單賺6元，平臺每天先扣掉1元‘裝備折舊費’，這1元就像社保繳費。您覺得這筆扣款對您來說算多、算少，還是剛好？”認(rèn)知測試步驟：1.預(yù)測試30人，記錄第一反應(yīng)時間、受訪者是否主動提及“1元/6元=16.7%”這一比例。2.追問“您剛才說的‘多’是指占收入比例高，還是絕對金額高？”判斷是否存在比例-金額混淆。3.若>20%受訪者無法區(qū)分，則增加第二題“如果一單賺10元，仍扣1元，您還覺得多嗎？”檢驗比例敏感性。4.根據(jù)結(jié)果決定是否保留類比或改用“月租手機套餐”類比。五、綜合實務(wù)題（25分）24.背景：某研究團(tuán)隊已完成80名靈活就業(yè)者結(jié)構(gòu)化訪談，逐字稿平均時長35分鐘，共計約93萬字。研究目的：提煉“參保阻力”主題并量化其重要性。任務(wù)：a)給出從清洗到主題量化的完整技術(shù)路線（含工具、算法、指標(biāo)）。b)設(shè)計一個可重復(fù)實驗方案，確保半年后另一組團(tuán)隊復(fù)現(xiàn)結(jié)果相關(guān)系數(shù)r≥0.85。c)若發(fā)現(xiàn)“信息獲取渠道”與“參保意愿”呈倒U型關(guān)系，請用非參數(shù)方法檢驗并寫出R代碼片段。答案：a)技術(shù)路線1.清洗：使用Python+正則清除轉(zhuǎn)寫符號、語氣詞，統(tǒng)一口語數(shù)字（“仨”→“3”），保留段落標(biāo)記。2.分詞與詞性標(biāo)注：調(diào)用jieba+用戶詞典（含“社保”“繳費檔次”“斷繳”等）。3.主題建模：先以BERTopic生成150個候選主題，計算c-TF-IDF；人工合并同義主題至25個，再讓兩名coder對500條隨機句子進(jìn)行雙盲編碼，κ≥0.78；將25主題降維至8主主題，計算每條句子的主題歸屬概率。4.重要性量化：句子級概率加總至受訪者，得8維主題得分；以“參保意愿”為因變量，主題得分為自變量，進(jìn)行LASSO回歸，非零系數(shù)即為主題重要性權(quán)重；用Bootstrap1000次估計權(quán)重置信帶。b)可重復(fù)實驗方案1.數(shù)據(jù)封存：將清洗腳本、詞典、BERTopic參數(shù)（min_topic_size=42，n_gram=1,2）上傳至OSF平臺，附帶Docker鏡像。2.隨機種子：設(shè)置random_state=42于所有隨機過程。3.編碼手冊：提供25→8主題合并規(guī)則、示例句、邊緣案例決策表。4.復(fù)核流程：新團(tuán)隊下載數(shù)據(jù)，運行腳本，計算8維權(quán)重向量，與原向量計算Pearsonr；若r<0.85，需檢查環(huán)境差異并提交差異報告。c)非參數(shù)檢驗倒U型R代碼：```rlibrary(dplyr)library(boot)df包含變量channel（信息渠道得分）、willing（參保意愿）假設(shè)已做loess平滑發(fā)現(xiàn)倒U型，現(xiàn)用非參數(shù)bootstrap檢驗極值點是否顯著1.計算loess預(yù)測fit<loess(willing~channel,span=0.7)grid<seq(min(dfchpred<predict(fit,newdata=data.frame(channel=grid))2.尋找極值imax<which.max(pred)xmax<grid[imax]3.bootstrap極值點boot.r