2025年市场调查理论知识考核试题附答案

2025年市场调查理论知识考核试题附答案一、单项选择题（每题2分，共30分）1.在2025年最新修订的《市场调查伦理准则》中，对“无应答偏差”的矫正顺序被明确为：A.先加权后插补B.先插补后加权C.仅使用加权D.仅使用插补答案：B解析：2025版准则强调“先恢复数据结构完整性，再调整代表性”，插补解决项目无应答，加权解决单位无应答，顺序不可颠倒。2.某品牌计划用“数字孪生门店”测试虚拟陈列效果，其本质属于：A.描述性调查B.因果性调查C.探索性调查D.预测性调查答案：B解析：通过控制虚拟货架、价格、促销等变量观测销量变化，符合因果性调查定义。3.当使用“联邦学习”技术整合多方数据时，最需关注的误差类型是：A.测量误差B.覆盖误差C.抽样误差D.整合误差答案：D解析：联邦学习在本地训练后仅交换梯度，数据分布异构导致的整合误差成为新增误差源。4.在“零阶问卷”设计中，被访者只需做出“是/否”选择，其理论基础是：A.认知负荷最小化B.计划行为理论C.展望理论D.认知失调理论答案：A解析：零阶问卷通过极限简化降低认知负荷，适用于移动微交互场景。5.2025年起，欧盟将“情感AI”视同敏感处理，若调查系统调用摄像头微表情识别，须额外获取：A.明示同意B.双重明示同意C.三重选择同意D.默示同意答案：B解析：情感AI涉及生物特征，需“双重明示”——一次为摄像，一次为情感分析。6.某短视频平台采用“滑动停留≥3秒”作为有效曝光标准，该指标属于：A.行为变量B.态度变量C.心理变量D.人口变量答案：A解析：停留时长可直接观测，归行为变量。7.在“合成控制法”评估campaigns时，选择捐赠池城市最重要的统计量是：A.马氏距离B.欧氏距离C.曼哈顿距离D.余弦相似度答案：A解析：马氏距离考虑协方差结构，能更好匹配预处理趋势。8.当问卷量表采用“0-100滑杆”而非传统5级Likert，其信度检验首选：A.CronbachαB.复合信度C.分半信度D.重测信度答案：B解析：滑杆产生连续数据，潜在变量模型下的复合信度优于α系数。9.“可解释机器学习”在调查甄别中的应用，主要解决：A.黑箱模型不可审计B.运算速度过慢C.内存占用过高D.无法处理文本答案：A解析：可解释性让研究者向监管方说明为何某受访者被判定为“专业受访者”。10.使用“差分隐私”发布交叉表时，隐私预算ε越小，则：A.噪声越小，精度越高B.噪声越大，精度越低C.噪声不变，精度不变D.噪声与精度无关答案：B解析：ε控制隐私与精度的权衡，ε↓噪声↑。11.在“元宇宙焦点小组”中，主持人发现虚拟化身身高差异影响发言顺序，该现象称为：A.数字身高偏差B.虚拟社会期望C.沉浸式从众D.算法排序效应答案：A解析：数字身高偏差是虚拟环境中非语言线索的新变异。12.当采用“语音语义双模态”测谎时，若语义通道置信度0.7，语音通道0.8，融合规则取“与”，则最终置信度为：A.0.56B.0.7C.0.8D.0.75答案：A解析：与规则即相乘，0.7×0.8=0.56。13.“区块链问卷”将每份答卷哈希上链，主要防范：A.录入错误B.事后篡改C.抽样偏差D.测量误差答案：B解析：哈希上链确保一旦写入即不可无痕修改。14.在“实时调查Dashboard”中，若采用“贝叶斯自适应抽样”，停止规则通常基于：A.置信区间宽度小于δB.样本量达到预定nC.p值小于0.05D.功效达到80%答案：A解析：贝叶斯方法关注估计精度而非假设检验。15.某企业用“生成式AI”创建虚拟受访者补充样本，伦理审查重点应落在：A.虚拟样本的知情同意B.虚拟样本的隐私泄露C.虚拟样本是否代表真实D.虚拟样本的存储位置答案：C解析：生成样本若引入系统性偏差，将扭曲推断。二、多项选择题（每题3分，共30分）16.以下哪些技术可用于降低“专业受访者”污染：A.设备指纹B.行为轨迹一致性检验C.区块链身份D.声纹聚类答案：ABCD解析：四者均可交叉验证身份唯一性。17.在“移动面访”中，访问员轨迹数据可用于：A.监测是否按照抽样路径行走B.计算拒访率地理分布C.校正覆盖偏差D.评估访问员效率答案：ABCD解析：GPS轨迹提供时空维度质量监控。18.关于“非概率抽样”的正确说法：A.2025年AAPOR发布新版非概率报告标准B.需报告“伪包含概率”C.可使用倾向得分加权D.不能用于因果推断答案：ABC解析：非概率样本在满足可忽略性假设时仍可因果推断，D错误。19.使用“眼动+EEG”同步采集时，需校准的同步误差来源包括：A.采样时钟漂移B.网络延迟C.人眼视觉延迟D.脑电潜伏期答案：ABD解析：视觉延迟属于生理常量，无需校准。20.在“可编程隐私”框架下，受访者可以：A.动态撤销数据使用权B.设置数据过期时间C.指定算法类型限制D.要求删除已发布结果答案：ABC解析：已发布结果若被第三方缓存，技术上无法保证完全删除，D不现实。21.以下哪些做法会增大“社会期望偏差”：A.调查主题涉及环保行为B.访问员为同性别大学生C.采用自填问卷D.使用间接提问技术答案：AB解析：C、D为降低做法。22.“零样本学习”在开放文本编码中的应用前提包括：A.预训练模型见过相似语义B.编码框架完全不变C.需人工提供属性描述D.需重新训练全部参数答案：AC解析：零样本无需重训全部参数，D错误。23.在“混合模式调查”中，模式选择模型可基于：A.社会经济指标B.设备类型C.过往参与历史D.地理距离答案：ABCD解析：距离影响面访成本，可预测模式偏好。24.关于“合成数据”发布，正确的有：A.需进行隐私泄露审计B.需报告与真实数据分布差异C.可直接替代原始数据做显著性检验D.需保留变量间关联答案：ABD解析：合成数据分布差异会影响检验结果，C错误。25.在“实时情绪追踪”系统中，情绪标签的获得方式包括：A.表情识别B.语音韵律C.键盘敲击节奏D.皮肤电答案：ABCD解析：多模态融合提升情绪识别鲁棒性。三、判断题（每题1分，共10分）26.“可解释AI”必然牺牲模型精度。答案：错解析：局部可解释可在保持全局精度同时提供解释。27.2025年起，中国《个人信息保护法》将“去标识化”数据视为非个人信息。答案：错解析：去标识化数据仍可重识别，需分类评估。28.在“差分隐私”中，加入拉普拉斯噪声比高斯噪声更易于实现ε-差分隐私。答案：对解析：拉普拉斯机制直接对应L1敏感度。29.“元宇宙调查”中，虚拟场景的光照强度不会影响被访者情绪。答案：错解析：环境光照影响唤醒水平，已被实验证实。30.使用“生成对抗网络”扩充样本时，判别器损失越低越好。答案：错解析：过低意味着生成器未产生挑战性样本，导致模式崩塌。31.“语音问卷”中，若受访者使用方言，ASR错误率上升，可通过“方言适配器”缓解。答案：对解析：适配器微调技术可快速迁移方言。32.在“零知识证明”调查激励中，受访者无需透露任何个人信息即可领取奖励。答案：对解析：ZKP允许验证“合格”而不暴露身份。33.“区块链+同态加密”可让智能合约直接对加密问卷数据计算均值。答案：对解析：同态加密支持密文运算。34.当使用“强化学习”优化问卷跳题逻辑时，奖励函数只需考虑完成率。答案：错解析：还需平衡数据质量与受访者体验。35.“数字孪生消费者”技术已能100%预测个体购买行为。答案：错解析：受随机效用与信息边界限制，预测不可能完美。四、填空题（每空2分，共20分）36.在“合成控制法”中，若预处理期均方预测误差称为________，则其英文缩写为________。答案：均方预测误差，MSPE37.2025年AAPOR将“无应答率”重新定义为________与________之比。答案：合格未应答单元，合格单元总数38.当采用“贝叶斯分层模型”校正非概率样本时，超先验通常选择________分布以保证________。答案：柯西，厚尾39.在“眼动热点图”中，若采用“自适应带宽核密度估计”，带宽选择原则为________最小化。答案：积分平方误差40.“联邦学习”中，模型参数聚合算法若考虑拜占庭攻击，可采用________聚合。答案：trimmedmean41.若问卷量表采用“连续评分+锚点视频”，其信度可通过________系数评估。答案：ω_h42.在“零知识激励”中，为防止女巫攻击，通常引入________成本。答案：计算或经济43.使用“生成式AI”创建虚拟被访者时，需报告________指标以说明合成质量。答案：FrechetInceptionDistance44.“移动感知调查”中，若利用GPS+加速度计识别出行模式，该过程称为________识别。答案：交通模式45.在“实时Dashboard”中，若采用“贝叶斯序贯更新”，后验分布的更新公式为________。答案：先验×似然／边际似然五、简答题（每题10分，共30分）46.阐述“差分隐私”与“k-匿名”在调查数据发布中的核心差异，并说明为何2025年GDPR指南更倾向差分隐私。答案：(1)模型差异：k-匿名通过泛化与抑制使每组至少k条记录，差分隐私通过添加噪声使输出对单条记录不敏感。(2)攻击模型：k-匿名面对背景知识攻击脆弱；差分隐私提供ε-可量化保证。(3)信息损失：k-匿名在高维数据需过度泛化；差分隐私可在精度与隐私间平滑权衡。(4)合规：2025年GDPR指南要求“可证明且可审计”的隐私技术，差分隐私的数学证书满足该要求，而k-匿名无法提供同等证明。47.某市政府欲评估“数字消费券”对线下客流的影响，设计一套基于“合成控制+移动大数据”的评估方案，要求说明数据来源、变量选择、识别假设与稳健性检验。答案：数据来源：①移动设备信令数据，获取每日商场客流；②消费券发放行政记录，含券面额、使用地点；③POI数据库，匹配商场坐标；④天气、节假日等外生变量。变量选择：因变量：商场日客流对数；预测变量：发券前30天客流、节假日虚拟变量、天气、地铁运量、竞对促销。识别假设：①无同时期其他政策冲击；②合成控制城市组合可复制处理前趋势；③客流动态不受未观测变量影响。稳健性检验：①置换检验：对捐赠池城市逐一虚构处理；②改变预处理期长度；③采用双重差分作为对照；④剔除节假日样本；⑤安慰剂检验：提前假设发券日期。48.说明“可解释机器学习”在甄别“专业受访者”时的实施流程，并讨论如何平衡解释性与精度。答案：流程：①特征工程：提取设备指纹、答题时长、鼠标轨迹、IP变化、文本相似度；②模型训练：采用梯度提升树获得高精度基准；③局部解释：使用SHAP值解释每条预测，识别关键特征；④全局解释：汇总SHAP聚合图，发现“答题过速”与“IP聚集”为主要信号；⑤阈值设定：在验证集上比较F1与解释覆盖率，选择SHAPtop-10特征作为审计依据；⑥人工复核：对高影响样本二次确认，避免误杀。平衡策略：①采用混合模型：高精度黑箱+可解释白箱，黑箱用于评分，白箱用于报告；②特征简化：将高维稀疏特征压缩为业务可解释指标；③提供分级解释：对监管者输出规则集，对内部输出SHAP；④设置解释保真度指标，如保持特征排序一致性的Kendallτ≥0.9。六、计算分析题（共30分）49.某在线平台采用“分层抽样”估计用户月均消费，总体分三层：高活、中活、低活。已知：层|层权W_h|层标准差S_h|样本量n_h高|0.2|120|100中|0.5|80|200低|0.3|40|300（1）计算估计量标准误；（2）若预算固定总样本600，按奈曼分配重新分配样本并求精度提升百分比。答案：(1)标准误SE=sqrt(Σ[W_h²S_h²(1-n_h/N_h)/n_h])假设有限总体修正可忽略，SE=sqrt(0.2²×120²/100+0.5²×80²/200+0.3²×40²/300)=sqrt(5.76+8+0.48)=sqrt(14.24)≈3.77元(2)奈曼分配n_h∝W_hS_h高：0.2×120=24中：0.5×80=40低：0.3×40=12总和=76n_高=600×24/76≈189n_中=600×40/76≈316n_低=600×12/76≈95新SESE’=sqrt(0.2²×120²/189+0.5²×80²/316+0.3²×40²/95)≈sqrt(3.05+5.06+1.52)=sqrt(9.63)≈3.10元精度提升(3.77−3.10)/3.77≈17.8%50.某品牌使用“uplift模型”评估广告转化，随机实验样本10万人，处理组占30%。模型输出uplift分位数结果如下：十分位|处理转化|对照转化|uplift1(高)|18%|5%|13%2|15%|6%|9%…|…|…|…10(低)|2%|10%|−8%（1）计算整体ATE；（2）若营销预算只覆盖前30%用户，求净提升收益，已知每单利润50元，触达成本5元/人；（3）讨论为何需引入“sleepingdogs”指标。答案：(1)ATE处理组总体转化=Σ(0.1×处理转化)=9.3%对照组总体转化=Σ(0.1×对照转化)=7.0%ATE=2.3%(2)前30%即1-3十分位平均uplift=(13+9+7)/3=9.67%人数=30000增量转化=30000×9.67%=2901单增量利润=2901×50=145050元成本=30000×5=150000元净收益=−4950元（亏损）(3)“sleepingdogs”指被广告负面刺激而降低购买的人群（如第10组uplift为负）。若忽视该指标，仅看正uplift会高估总收益；需排除易反感群体，避免预算浪费。七、案例设计题（共30分）51.背景：2025年“银发经济”崛起，某智能设备企业计划推出“AI健康拐杖”，需在全国60+老人中调研支付意愿与功能偏好。受疫情后遗影响，线下集中访谈受限，而老年人对智能设备操作薄弱。请设计一套“多模式混合调查”方案，要求：①说明抽样框与抽样方法；②设计适老化数据收集流程；③给出