Case A：心理学 / 教育心理 / 问卷研究

配套课程：plan v3 模块三全部 + 模块四（论文写作）+ 模块六（投稿）

---

研究蓝图

• 研究问题：大学生 AI 学习焦虑对学业自我效能感的影响——学习策略的中介作用
• 研究方法：横截面问卷调查
• 研究模型：X (Anxiety) → M (Strategy) → Y (Efficacy)，部分中介
• 目标样本：300–500 名在校大学生
• 核心变量：
  • 自变量 X：AI 学习焦虑（3 维：认知 / 情感 / 行为回避）
  • 中介变量 M：学习策略（元认知 + 深度学习）
  • 因变量 Y：学业自我效能感

---

文件清单

文件	说明
dataset_A_questionnaire_simulated.csv	模拟样本数据（N=540，清洗后 ~500 有效，达到 SSCI 问卷研究典型规模）
generate_dataset.py	数据生成脚本（可重跑）
data_dictionary.md	数据字典（变量定义/反向题/衍生变量）
README.md	本文件（使用指南）

---

快速上手

通识轨（Jamovi 用户）

1. 下载 dataset_A_questionnaire_simulated.csv
2. 打开 Jamovi，菜单 → Open → 选择该 CSV
3. 按 data_dictionary.md 第七节指引执行数据清洗：
   • 剔除 Duration_Min < 3 的行
   • 用 Compute 创建 Anxiety_4_R = 6 - Anxiety_4（同理 Strategy_8、Efficacy_7）
   • 创建衍生变量 Anxiety_Mean、Strategy_Mean、Efficacy_Mean
4. 按 plan v3 第 24–29 课依次跑：描述统计 → 信度 → EFA → 回归 → 中介

技术进阶轨（Python 用户）

import pandas as pd

df = pd.read_csv('dataset_A_questionnaire_simulated.csv')

# 1. 清洗
clean = df[df['Duration_Min'] > 3].copy()
clean['Anxiety_4'] = 6 - clean['Anxiety_4']
clean['Strategy_8'] = 6 - clean['Strategy_8']
clean['Efficacy_7'] = 6 - clean['Efficacy_7']

# 2. 衍生变量
anx_cols = [f'Anxiety_{i}' for i in range(1, 13)]
str_cols = [f'Strategy_{i}' for i in range(1, 9)]
eff_cols = [f'Efficacy_{i}' for i in range(1, 8)]
clean['Anxiety_Mean'] = clean[anx_cols].mean(axis=1)
clean['Strategy_Mean'] = clean[str_cols].mean(axis=1)
clean['Efficacy_Mean'] = clean[eff_cols].mean(axis=1)

# 3. 接下来:相关、回归、中介分析（参见第 47 课 Jupyter 模板）

---

预期统计结果（教学锚点）

跑出来如果不在以下范围内，可能是清洗步骤有误：

• Cronbach's α(Anxiety) ≈ 0.83
• Cronbach's α(Strategy) ≈ 0.88
• Cronbach's α(Efficacy) ≈ 0.89
• r(Anxiety_Mean, Strategy_Mean) ≈ −0.30
• r(Strategy_Mean, Efficacy_Mean) ≈ 0.42
• 回归 R² ≈ 0.20
• Bootstrap 中介 95% CI ≈ [−0.22, −0.09]，不含 0（部分中介成立）

---

重新生成数据（如需调整）

cd Course_Materials/Case_A_Psychology
python generate_dataset.py

修改 generate_dataset.py 顶部参数可调整：

• 样本量 N
• 各维度的因子载荷
• 中介路径系数 a 与 b
• 反向题位置
• 缺失值比例

---

与课程的对应

课次	本数据集的角色
第 18 课	工具安装验证 — 导入数据跑一次描述统计
第 19–22 课	变量映射、问卷设计、数据编码、数据字典
第 23 课	数据清洗（反向题反转 + 无效样本剔除是高频踩坑点）
第 24 课	描述统计与图表
第 25 课	t 检验、ANOVA（性别 / 年级 / 专业差异）
第 26 课	相关分析与多元回归
第 27 课	Cronbach's α 信度分析（三量表分别）
第 28 课	EFA 因子分析（验证 Anxiety 三维结构）
第 29 课	Bootstrap 中介效应检验
第 30 课	AI 辅助 Results 写作（基于本数据的统计输出）
第 31 课	案例 A 综合实战，整理为论文中期稿
模块四	基于本数据的完整论文写作
模块六	本论文的同行互评 + Cover Letter + 模拟 Rebuttal

---

数据集版本：v3.1 (2026-05) | 维护：年度更新（可能调整效应量或维度结构）