问卷数据怎么变成论文？聊聊 Data2Paper 背后的分析链路
做问卷研究的同学应该都有类似的经历：问卷发完了，数据也导出来了，然后打开 Excel 一看——几十列机器表头，几百行数字，接下来就是漫长的清洗、分析、写作过程。
我之前做 SciDraw（一个 AI 科研绘图工具）的时候，和不少研究生用户聊过，发现大家卡住的地方出奇一致：不是不会设计问卷，而是拿到数据之后从清洗到写完初稿这段路太长了。尤其是统计分析这块，很多人其实知道该用什么方法，但每次都要重复地跑一遍 SPSS、整理输出、粘贴到 Word 里。
所以我做了 Data2Paper，尝试把这条路压短一些。上传问卷导出文件，系统走一遍分析流程，最后输出一篇带统计结果的论文草稿。
下面主要聊聊它在分析这块具体做了什么。
整体思路
先说清楚一个设计原则：所有统计计算都是 Python 实际跑出来的（pandas、scipy、statsmodels 这些库），不是让大模型去"猜"一个数字。AI 的角色是在拿到计算结果之后，把它写成学术论文里的标准表述。
比如回归分析算出 β=0.34, p<0.01，这个数字是 Python 的 statsmodels 算的；AI 负责写成"X 对 Y 有显著正向预测作用（β=0.34, p<0.01）"。
这个分离是刻意的，因为 LLM 编数字是个已知问题，做研究工具不能在这上面冒险。
具体支持哪些分析
描述性统计
最基础的一步。对所有变量自动算均值、标准差、中位数、频率分布。人口统计学变量（性别、年龄、学历等）会单独生成样本特征表，基本上每篇问卷论文的"研究方法"部分都需要这个。
信度分析
按维度计算 Cronbach's α。系统会识别哪些题项属于同一维度，分别算各维度和总量表的信度。这个是问卷研究的标配，不报告基本过不了审。
效度分析
先跑 KMO 检验和 Bartlett 球形检验，判断数据适不适合做因子分析。然后用主成分分析提取因子，算因子载荷和累计方差解释率。主要用来验证问卷的结构效度。
相关分析
根据变量类型选 Pearson 还是 Spearman：
- 连续变量、满足正态分布 → Pearson
- 有序变量或分布偏态 → Spearman
输出相关系数矩阵，标注显著性（*p<0.05, **p<0.01, ***p<0.001）。
差异检验
根据分组变量和因变量的情况自动匹配方法：
- 独立样本 t 检验：两组比较，比如男女在某个量表上的得分差异
- 单因素方差分析（ANOVA）：三组及以上比较，显著的话会自动做事后多重比较
- 卡方检验：分类变量之间的独立性，比如不同年龄段选择某个选项的比例是否有差异
回归分析
问卷研究里用得最多的分析方法：
- 多元线性回归：报告 B、β、t、p、R²
- 层次回归：分步纳入变量，看每一步的 ΔR²，常用于控制人口学变量后检验核心变量的贡献
- Logistic 回归：因变量是分类变量时用，报告 OR 值和置信区间
中介效应和调节效应
这两个在问卷研究里出现频率很高：
- 中介效应：用 Bootstrap 检验间接效应，报告效应值和 95% 置信区间
- 调节效应：通过交互项判断调节效应是否显著，生成简单斜率图
图表
分析结果会自动生成对应的图表——频率分布图、相关热力图、回归系数图、均值对比图（带误差线）、路径图等，直接嵌在论文对应的位置。
其他说几点
关于语言：支持中文、英文、日语、韩语、法语、德语、西班牙语。同一套数据切换语言就行，不用手动翻译。做这个功能主要是因为确实有不少用户需要同一份数据出中英两个版本。
关于导出：PDF、Word、LaTeX、ZIP 都支持。Word 方便改，LaTeX 方便投稿，ZIP 方便打包归档。
关于定位：它输出的是初稿，不是终稿。文献综述、理论框架这些还是需要自己写。它主要帮你跳过的是从原始数据到"有统计结果的结构化草稿"这段最机械的工作。
有问卷数据分析相关的问题也可以交流。
