内容效度(CVI)

所属分类：问卷分析

这个方法是做什么的

内容效度回答的是：量表的题项是否贴合、覆盖了要测量的构念。它通常在编制或翻译量表、正式施测之前完成，做法是请若干位专家对每道题的“相关性”打 1~4 分（1 不相关，2 需大幅修改，3 相关但需小改，4 非常相关），再用内容效度指数汇总专家意见。

本模块计算题项水平的 I-CVI（评为 3 或 4 分的专家比例）、随机一致概率 Pc 与修正 kappa（k*），以及量表水平的 S-CVI/Ave（各题 I-CVI 的平均）和 S-CVI/UA（所有专家都评为相关的题项占比），并按专家人数给出每道题的判定标准与“保留 / 修改 / 考虑删除”建议。第四张卡列出每位专家评为相关的比例，帮你识别明显偏宽松或偏严格的评审。若想更严格，可以把“视为相关”的评分改为仅 4 分。

需要准备什么数据

• 放入专家评分列 [定量]：至少 3 个，定量变量（数值）
• 放入题项名称 [定类] (可选)（可选）：0~1 个，定类变量（分组/标签）

数据要求

• 数据表至少 2 行。
• 单列缺失率不超过 50%。

以上条目由系统从该方法的校验规则直接生成，与上传数据时的实际拦截规则一致。

什么时候用它

• 自编问卷或改编量表，需要报告专家评审的内容效度
• 量表翻译回译后，请专家判断条目是否仍然切题
• 修订量表时，决定哪些题项需要改写或删除

数据格式：每一行是一个题项、每一列是一位专家，单元格为 1~4 分；另有一列题项名称时可放入可选区。至少 3 位专家，未评分的单元格留空即可，模块按该题实际评分的专家数计算；评分出现 1~4 以外的数值时会直接提示，避免把其他量表的分数误当成相关性评分。

阅读顺序建议：先看第一张卡的评分分布，确认专家整体打分是否过于集中；再看第二张卡的题项表，找出 I-CVI 未达标、k* 评价为“一般”或“差”的题项；最后对照第四张卡，看低分是否集中来自某一两位专家。若是，应先回看这几位专家的书面意见，判断是题目本身的问题，还是他们对构念的理解与其他专家不同。

什么时候不要用它

• 已经正式施测、手里是被试的作答数据：内容效度用的是专家评分，不是被试作答。被试数据应做「信度分析」，再用「效度分析」或「因子分析(探索性)」检验结构效度。
• 专家给的是分类判断而不是相关性评分（例如把每道题归到某个维度）：这是评分者之间的分类一致性问题，用「Kappa一致性检验」。
• 专家对题目做的是排序：用「Kendall一致性检验」看排序是否一致。
• 评分是连续分数、想看评审者整体一致性：用「组内相关系数(ICC)」。

容易误读的地方

• 专家人数决定判定标准。 5 位及以下专家时，每道题都要所有人评为相关（I-CVI = 1.00）才算达标；6 位及以上时 I-CVI ≥ 0.78 即可。人数太少时一个专家的意见就能决定去留，建议邀请 6~10 位熟悉该领域的专家。
• S-CVI/UA 天然偏严。 它要求每位专家都评为相关，专家越多越难达到，报告中常见 S-CVI/Ave 达标而 S-CVI/UA 偏低的情况，这并不矛盾。多数文献以 S-CVI/Ave ≥ 0.90 为主要依据，同时报告 S-CVI/UA。
• k* 校正的是“碰巧一致”。 专家人数少时，几个人都打高分有不小的随机成分，k* 把这部分扣掉，比 I-CVI 更保守，可以作为题项取舍的辅助依据。表中 Pc 一列就是这部分随机一致的概率，专家越多它越小，k* 也就越接近 I-CVI。
• 专家之间要独立评分。 评审前不宜组织讨论或互相传阅打分，否则专家意见趋同，指数会虚高而失去意义。
• 数字只是起点，删题要看专家意见。 表中“修改 / 考虑删除”是按惯例界值给出的提示。最终取舍应结合专家的书面意见：题目是否表述含糊、是否与其他题重复、是否超出构念边界。
• 修订后应再评一轮。 修改过的题项要重新交专家评分，并在论文中报告每一轮的专家人数、评分标准与 CVI 结果。
• 专家的资质比人数更重要。 内容效度依赖专家判断的质量，评审组应同时包含学科专家与熟悉目标人群的实践者，并在论文中说明遴选标准；给专家的评分说明要写清每个分值的含义，否则不同专家对“3 分”的理解可能并不相同。

报告里有什么

1. 输出结果一：数据概览与评分分布
2. 输出结果二：题项与量表内容效度
3. 输出结果三：I-CVI 条形图
4. 输出结果四：专家评分倾向
5. 输出结果五：结论与学术表述