Survey Data Processing 是一个用于问卷调查数据清洗、重编码与整理的技能，目标是把原始问卷响应数据准备成可进行统计分析的形式。根据资料，它覆盖问卷数据中常见的问题，包括不完整作答、注意力检查失败、反向计分题、量表构建、开放式回答编码，以及导出为与 SPSS、Stata、R 兼容的分析就绪格式。
用途 该技能面向问卷响应数据的处理流程：从数据质量评估开始，到重编码与转换，再到数据重塑与导出，形成一条面向统计分析的准备链路。资料指出，问卷数据来自 Qualtrics、SurveyMonkey、REDCap、Google Forms 等平台时各有自己的导出格式与特性，因此第一步总是标准化。
主要能力 一、数据质量评估。通过 assess_survey_quality 这类函数生成问卷数据质量报告，检查内容包括：每题的完成率、作答时长（识别过快与过慢的作答者）、直线作答模式、注意力检查失败情况。报告输出整体回应数、实质性完成数、完成率，以及时长分析（中位时长、speeder 数量与占比）和缺失最多的题目。
二、低质量响应的识别。detect_straightlining 用于检测在几乎所有 Likert 量表题上选择同一答案的作答者（直线作答），当某作答者最常见回答的比例超过阈值（默认 0.9）时被标记。check_attention_items 用于验证注意力检查（陷阱）题，接收 {列名: 正确答案} 的字典（例如 {"q15_attention": 4, "q32_trap": "strongly agree"}），返回未通过检查的索引列表。
三、重编码与转换。reverse_code 用于对 Likert 型量表进行反向计分，公式为 reversed = (scale_max + scale_min) - original，例如 1-5 量表上 1 变 5、2 变 4、3 不变、4 变 2、5 变 1；资料给出了 Big Five 人格量表反向题目的示例（extraversion、neuroticism、agreeableness 下的具体题目），并说明 1-7 Likert 量表按 scale_max=7、scale_min=1 处理。
四、量表构建。compute_scale_scores 根据量表定义（量表名到题项列的映射）以 mean 或 sum 方法计算复合量表分数，并同时计算 Cronbach's alpha；cronbachs_alpha 用于评估内部一致性信度，资料说明 alpha 高于 0.70 通常被认为可接受。
五、开放式回答处理。code_open_responses 通过关键词匹配将预定义的编码手册（codebook，编码名到关键词列表的映射，例如 financial_concern、time_constraint、quality_issue）应用到开放式文本上，生成 0/1 编码列。资料提醒，若要做研究级编码，应辅以经过训练的评分者人工编码。
六、评分者间信度。资料说明当多名编码者对开放式回答分类时，两人评分者使用 Cohen's Kappa，三人及以上使用 Fleiss' Kappa，并给出解释尺度：< 0.20 差、0.21-0.40 一般、0.41-0.60 中等、0.61-0.80 较好、0.81-1.00 几乎完全一致。流程为：制定含定义与示例的编码手册；用 10-20 条练习回答培训编码者；独立编码 20% 的回答（重叠集）；在重叠集上计算评分者间信度；若 kappa < 0.70，讨论分歧并修订编码手册；重复直到达到可接受信度；再分配剩余回答。
七、数据重塑。reshape_repeated_measures 用于将重复测量问卷数据从宽表转成长表，例如 q1_pre、q1_post 转为含 time_point 列（"pre"、"post"）与数值列的长表，并清理 time_point 列。
八、导出。资料给出各统计软件的导出方式：SPSS（.sav）使用 pyreadstat.write_sav(df, "output.sav")，并应包含变量标签与值标签、设置测量层级（nominal、ordinal、scale）；Stata（.dta）使用 pandas 的 df.to_stata("output.dta")，可通过 write_stata 的 labels 字典加入变量标签；R 使用带编码手册的 CSV，或用 pyreadstat 写出 .rds 格式，并包含因子水平定义。通用最佳实践包括：包含唯一受访者 ID 列；分类变量使用数字编码并配标签；在配套编码手册中记录所有重编码；同时保存原始与处理后版本；包含时间戳列以便数据版本管理。
适用场景 适用于处理来自 Qualtrics、SurveyMonkey、REDCap、Google Forms 等平台的问卷数据，进行质量筛查、反向计分、量表总分计算、开放式回答编码，以及为 SPSS、Stata、R 等统计分析准备数据。
限制 资料强调，清洗与重编码阶段做出的决定会直接影响研究结论，因此对每一步的透明记录是方法论上的要求；关键词编码方式应辅以人工编码才能达到研究级质量；缺失信息（如具体收费、价格、平台或使用步骤之外的内容）暂未提供。