问卷考试系统设计（三）：评分引擎--维度计分、公式 DSL 与常模

mumu — Fri, 10 Apr 2026 00:00:00 +0000

评分引擎是整个系统里容易出错、也需要优先可审计的部分。心理量表和普通考试上限的差异也在这里：不能只把考试系统那套 sum() 逻辑搬过来，很多规则要单独设计。

心理量表评分 vs 普通考试

两者的差异很大。

普通考试的计分模型很直白:答对得 1 分,答错得 0 分,加起来就是总分。题目按章节组织,分数按章节汇总,出个柱状图就完事了。

到心理量表这里，逻辑就不一样了。题目常用 Likert 等级量表–“从不”到“总是”、“非常不同意”到“非常同意”，每个选项对应一个分值，没有对错之分，只有程度差异。量表按心理学维度组织，比如焦虑、抑郁、躯体化，每道题在设计阶段就归属到某个维度了。

更关键的差异:

反向计分题:防止被试不动脑子全选同一个选项。正常题"我觉得工作很有成就感"选"总是"得 5 分,反向题"我觉得工作毫无意义"选"总是"得 1 分。考试没有这种概念。
测谎题:检测被试是否在刻意美化自己。考试也不需要这个。
维度分析:心理量表的核心价值是维度分–焦虑多少分、抑郁多少分、躯体化多少分,分别对应什么严重程度。光给一个总分没有意义。
常模参照:原始分需要转换成标准分(T 分/Z 分),然后和常模比较才能得出有意义的结论。这是心理量表和考试上限的区别,后面会详细讲。

维度	普通考试	心理量表
计分逻辑	对/错二元	程度量表(1-5 Likert)
反向题	不存在	存在,需要反转分数
维度结构	章节/知识点	心理学维度(如焦虑、抑郁)
质量检测	无	测谎题、一致性检测
结果呈现	总分	维度分 + T分/Z分 + 常模比较

维度模型设计

维度和题目不要做成简单多对多，还要记录反向题、测谎题和父子维度聚合规则：

flowchart TB Scale["量表版本"] --> Root["总维度"] Root --> D1["一级维度 A"] Root --> D2["一级维度 B"] D1 --> L1["叶子维度 A1"] D1 --> L2["叶子维度 A2"] L1 --> Q1["题目 1"] L1 --> Q2["题目 2
反向题"] L2 --> Q3["题目 3"] D2 --> L3["叶子维度 B1"] L3 --> Q4["测谎题"] Q1 --> Sum["叶子维度聚合"] Q2 --> Sum Q3 --> Sum Sum --> Parent["父维度聚合"]

维度与题目的关联

每个量表由若干维度组成,每道题归属于一个维度。维度之间可以有层级关系–比如职业兴趣测评里先有"人际/事务/研究"这类一级维度,下面再拆更细的子维度。类似 SCL-90 这种经典量表则是相对扁平的 9 个因子,不要硬套层级。

问卷考试系统设计（七）：数据统计、可视化与系列总结

mumu — Fri, 01 May 2026 00:00:00 +0000

上一篇：问卷考试系统设计（六）：报告生成

数据采集只是起点。问卷系统真正产生价值的时刻，是数据沉淀之后，研究者打开统计面板，看到分组差异、趋势变化和数据质量。这篇聚焦数据统计分析、多格式导出、隐私脱敏、大屏可视化，以及常模的建立过程。

统计分析要区分离线口径和实时看板，避免把探索性分析塞进在线请求：

flowchart LR A["答卷清洗"] --> B["维度分汇总"] B --> C["描述统计"] C --> D["显著性检验"] D --> E["常模构建"] E --> F["离线导出"] B --> G["实时指标聚合"] G --> H["WebSocket 推送"] H --> I["大屏看板"] E --> J["常模版本"] J --> K["评分引擎读取"]

一、描述性统计

拿到一批量表分数，第一件事是看整体面貌：

        
        
        
    
public DescriptiveStats descriptive(List<Double> scores) {
    DoubleSummaryStatistics stats = scores.stream()
        .mapToDouble(Double::doubleValue)
        .summaryStatistics();

    double mean = stats.getAverage();
    double std = Math.sqrt(
        scores.stream()
            .mapToDouble(v -> Math.pow(v - mean, 2))
            .average().orElse(0.0)
    );
    List<Double> sorted = scores.stream().sorted().collect(Collectors.toList());
    double median = sorted.size() % 2 == 0
        ? (sorted.get(sorted.size() / 2 - 1) + sorted.get(sorted.size() / 2)) / 2.0
        : sorted.get(sorted.size() / 2);

    return new DescriptiveStats(mean, std, median, stats.getMin(), stats.getMax(),
        stats.getCount());
}