结构化调研类面试题及答案

结构化调研类面试题及答案一、单项选择题（每题2分，共20分）1.某市人社局拟对“灵活就业者社保参保意愿”开展结构化访谈，下列哪一项最符合“结构化”的核心特征？A.访谈提纲只列关键词，由调研员临场发挥追问B.所有受访者被询问完全一致的字句与顺序C.问题固定，但允许调研员根据回答即时插入探针题D.先让受访者自由叙述，再统一补问5个封闭题答案：C解析：结构化访谈强调问题、顺序、选项、记录方式的标准化，但允许在出现模糊信息时使用预设的探针题，以保证数据可比性同时兼顾深度。B项过于刚性，容易牺牲信息丰度；A、D偏半结构或非结构。2.在预测试中，发现“您为何不愿参保？”这一原始题有47%的受访者沉默超过5秒。最佳修正策略是：A.改为多选题，列出8项可能原因让受访者勾选B.拆成两道：先问“不愿参保的第一原因”再用卡片展示常见原因供其确认C.直接删除该题，改用“您最担心的三点是什么”D.加入提示语“没关系，您可以先想一想”并延长整体访谈时间答案：B解析：拆分+卡片确认既保留开放度，又降低认知负荷，同时方便后期编码。A项完全封闭，损失原生动机；C项偷换概念；D项仅缓解尴尬，未解决题项本身难答的问题。3.调研员在记录时使用了“√”“×”“—”三种符号，其中“—”代表“不适用”。这属于哪类质量控制手段？A.受访者激励B.字段完整性校验C.记录一致性约定D.非抽样误差校正答案：C解析：符号约定是现场记录环节的标准化动作，目的是确保不同调研员对同一情境的记录可比，属于一致性控制。4.若采用“最大差异量表”（MaxDiff）测量灵活就业者对15项社保改革诉求的重要性，下列说法正确的是：A.每位受访者须完成15×14/2=105次配对比较B.可通过BalancedIncompleteBlock设计减少任务量C.分析时直接对被选次数进行t检验即可D.结果只能排序，无法估计区间尺度答案：B解析：MaxDiff通过BIB设计将大量配对拆分为若干小集，每位受访者只需评价4~5项子集，显著降低疲劳。A项为完全配对，不可行；C项需HierarchicalBayes或计数模型；D项可导出区间尺度重要性值。5.为了检验“访谈员性别是否影响敏感问题回答”，调研方采用：A.将男、女访谈员随机分配至同一受访者B.在问卷末尾加问“您是否介意由异性提问”C.使用交叉设计，让同一批受访者在两天内分别接受不同性别访谈员D.比较不同性别访谈员所得样本的边际分布与效应量答案：D解析：由于无法让同一受访者被重复访谈，现实做法是事后比较不同性别访谈员采集的数据分布差异，辅以效应量判断实际影响。6.在双语言场景下，若先以普通话询问，再现场翻译成当地方言，最可能导致：A.测量等价性偏高B.系统误差方向随机C.语义漂移（semanticdrift）D.访谈时长缩短答案：C解析：现场口译难以保证逐字对应，易出现语义漂移，降低跨群体可比性。7.下列哪项不是“访谈到saturation”的常见判断指标？A.新增3名受访者未出现任何新编码B.编码簿厚度>30页C.主题-亚主题数量曲线趋于水平D.研究团队共识认为信息增量<5%答案：B解析：厚度与饱和度无直接函数关系，可能因记录字体行距而异。A、C、D均为可量化或共识指标。8.当受访者回答“我怕将来政策会变，所以犹豫参保”，调研员立即追问“您最担心政策哪方面变化？”这属于：A.诱导性问题B.探针题（probe）C.双重问题D.投射技法答案：B解析：探针用于澄清、细化，不引入研究者倾向。9.若需事后对500份逐字稿进行“主题-情感”双层编码，最佳抽样策略是：A.随机抽100份，信度达标后外推B.先分层按性别、行业、年龄段抽120份，计算κ值≥0.8再扩至全量C.全体编码，两名coder全程独立D.先用算法预标注，人工只抽检10%答案：B解析：分层可确保各类群体都有代表，κ≥0.8说明编码方案成熟，再扩至全量兼顾成本与质量。A样本可能不足；C成本高；D算法预标注对情感极性易出错。10.在撰写结构化访谈报告时，“方法”章节通常不包括：A.采样框架与招募流程B.访谈员培训与质控C.研究者个人反思日志D.编码框架与信度检验答案：C解析：个人反思属于“研究者立场”或“讨论”部分，而非标准方法。二、多项选择题（每题3分，共15分）11.以下哪些做法可有效降低“社会期望偏差”？A.使用自填式电子问卷替代面访B.在提问前强调“答案无对错，仅用于学术研究”C.将敏感问题置于问卷末尾D.采用间接提问法如“您的朋友会如何看待”E.给予金钱激励并告知“回答越正面奖励越高”答案：A,B,D解析：C项效果不稳定；E项反向激励，会加剧偏差。12.关于“回溯性时间锚”技术，下列说法正确的有：A.利用公共节日、重大事件帮助受访者定位记忆B.可减少telescoping效应C.适用于所有年龄群体，效果无差异D.需在访谈前收集当地当年大事年表E.与“生活史日历”互为补充答案：A,B,D,E解析：C项错误，老年人对远期事件锚定效果更好，但对近期事件可能更差。13.在NVivo中建立“案例-属性-编码”三角结构时，属性可包括：A.受访者IDB.性别C.行业D.情感极性得分E.节点层级答案：B,C,D解析：A是案例标识，非属性；E属于编码体系，不是属性。14.以下哪些情况需要提交伦理委员会重新审批？A.将原定的线下面访改为网络视频B.把样本量从80扩大到120C.增加采集受访者地理位置信息D.把匿名化改为“可识别但保密”E.将激励从50元礼品卡改为100元现金答案：C,D解析：涉及可识别信息及保密级别变更必须重审；A、B、E若未触及风险等级可备案。15.在“灵活就业者社保”研究中，若发现访谈样本与官方统计在“年龄分布”存在显著差异，可采用的统计调整手段有：A.事后分层加权B.倾向得分加权C.校准估计（calibrationestimation）D.删除偏离过多的个案E.使用模型-based预测并边缘化答案：A,B,C,E解析：D项人为删减将引入选择偏差。三、判断题（每题2分，共10分）16.结构化访谈的数据分析只能采用定量统计，不能进行质性编码。答案：错解析：逐字稿仍可转写后进行质性编码，再与量化变量融合，形成混合方法。17.当受访者使用隐喻回答时，调研员应立即要求其“用更直白的语言再说一遍”，以保证记录准确。答案：错解析：立即打断可能破坏叙事流，应先完整记录，在后续探针环节再请其解释隐喻含义。18.在双盲设计中，访谈员与受访者均不知道研究假设。答案：错解析：双盲通常指医学实验中的“评估者-受试者”双盲，访谈场景难以对受访者完全隐藏目的，只能做到“访谈员单盲”。19.若两名coder的κ=0.65，可认为编码结果基本可用，但需在报告里披露并解释局限。答案：对解析：κ=0.6-0.8为“中等-良好”，可接受，但需透明报告。20.采用“录音+人工转写”方式时，转写精度达到95%即可满足大多数分析需求。答案：对解析：95%单词级准确率已能支持主题编码，剩余5%多为语气词、重复，不影响核心语义。四、简答题（每题10分，共30分）21.请写出“灵活就业者社保参保意愿”结构化访谈提纲中的5个核心封闭题，并给出对应编码本及跳答逻辑。答案：（1）Q1.您目前是否以灵活就业形式工作？①是②否【跳至Q6】编码：work_type1=是0=否（2）Q2.您是否已参加城镇职工基本养老保险？①已参保②未参保【跳至Q4】编码：pen_status1=已0=未（3）Q3.若已参保，您的缴费方式？①个人全额自缴②平台代缴③其他编码：pen_channel1/2/3（4）Q4.若未参保，您未来12个月内的参保意愿？①非常愿意②比较愿意③一般④不太愿意⑤完全不愿意编码：willing5=非常愿意…1=完全不愿意（5）Q5.如果政府给予30%缴费补贴，您的意愿会？①提高②不变③降低编码：subsidy_effect1/0/-1跳答逻辑：Q1=2直接到Q6；Q2=1则答Q3后至Q5，Q2=2则跳过Q3直接到Q4。22.描述如何在访谈现场实时监测“调研员漂移”（interviewerdrift），并给出两条纠正措施。答案：监测：1.每日晚现场回听10%录音，使用《调研员操作清单》打分，重点核查“是否按字句读题”“是否擅自解释选项”“是否跳序”。2.计算每位调研员采集样本的关键变量边际分布，若某员出现“非常愿意”比例>均值+2σ，立即预警。纠正：1.次日晨会通报偏差案例，重新演练问题段落，并进行角色扮演。2.对连续两次预警的调研员暂停作业，安排督导陪访直至重新达标（清单得分≥95%且分布回落）。23.针对“社保缴费负担”这一抽象概念，设计一个生活化类比问题，使其更易被低学历灵活就业者理解，并说明其认知测试步骤。答案：类比问题：“假如您每天送外卖，一单赚6元，平台每天先扣掉1元‘装备折旧费’，这1元就像社保缴费。您觉得这笔扣款对您来说算多、算少，还是刚好？”认知测试步骤：1.预测试30人，记录第一反应时间、受访者是否主动提及“1元/6元=16.7%”这一比例。2.追问“您刚才说的‘多’是指占收入比例高，还是绝对金额高？”判断是否存在比例-金额混淆。3.若>20%受访者无法区分，则增加第二题“如果一单赚10元，仍扣1元，您还觉得多吗？”检验比例敏感性。4.根据结果决定是否保留类比或改用“月租手机套餐”类比。五、综合实务题（25分）24.背景：某研究团队已完成80名灵活就业者结构化访谈，逐字稿平均时长35分钟，共计约93万字。研究目的：提炼“参保阻力”主题并量化其重要性。任务：a)给出从清洗到主题量化的完整技术路线（含工具、算法、指标）。b)设计一个可重复实验方案，确保半年后另一组团队复现结果相关系数r≥0.85。c)若发现“信息获取渠道”与“参保意愿”呈倒U型关系，请用非参数方法检验并写出R代码片段。答案：a)技术路线1.清洗：使用Python+正则清除转写符号、语气词，统一口语数字（“仨”→“3”），保留段落标记。2.分词与词性标注：调用jieba+用户词典（含“社保”“缴费档次”“断缴”等）。3.主题建模：先以BERTopic生成150个候选主题，计算c-TF-IDF；人工合并同义主题至25个，再让两名coder对500条随机句子进行双盲编码，κ≥0.78；将25主题降维至8主主题，计算每条句子的主题归属概率。4.重要性量化：句子级概率加总至受访者，得8维主题得分；以“参保意愿”为因变量，主题得分为自变量，进行LASSO回归，非零系数即为主题重要性权重；用Bootstrap1000次估计权重置信带。b)可重复实验方案1.数据封存：将清洗脚本、词典、BERTopic参数（min_topic_size=42，n_gram=1,2）上传至OSF平台，附带Docker镜像。2.随机种子：设置random_state=42于所有随机过程。3.编码手册：提供25→8主题合并规则、示例句、边缘案例决策表。4.复核流程：新团队下载数据，运行脚本，计算8维权重向量，与原向量计算Pearsonr；若r<0.85，需检查环境差异并提交差异报告。c)非参数检验倒U型R代码：```rlibrary(dplyr)library(boot)df包含变量channel（信息渠道得分）、willing（参保意愿）假设已做loess平滑发现倒U型，现用非参数bootstrap检验极值点是否显著1.计算loess预测fit<loess(willing~channel,span=0.7)grid<seq(min(dfchpred<predict(fit,newdata=data.frame(channel=grid))2.寻找极值imax<which.max(pred)xmax<grid[imax]3.bootstrap极值点boot.r