学校心理平台里积累了几万份测评，做科研时把后台数据导成 Excel，是不是就可以直接跑 SPSS、R 或 Python？

通常还差很远。

业务系统里的数据，首先是为了支持测评、报告、预警和日常管理。人员会新增，错误资料会修正，未完成测评会继续完成，量表可能升级，重复人员会合并，历史记录也可能不断补充。

科研要求的则是另一件事：半年以后换一个研究者，按照同样的方法，仍然能够知道当时到底研究了哪些人、用了哪一版量表、哪些数据被排除，以及最终分析变量是怎么算出来的。

这中间缺的，就是从业务数据到研究数据集（Research Dataset）的转换。

2026年的高校采购里，这种需求已经越来越明确。南开大学心理中心公布的心理健康与社会行为数智实验平台采购意向，就明确要求同时适配心理类科研、教学和心理健康服务。这意味着心理平台的数据价值已经开始从“业务使用”进一步延伸到科研，但两个场景的数据要求并不相同。

第一步不是导出，而是先把“研究对象”固定下来

最容易出问题的是样本。

假设研究的是2026级新生第一次心理普查。今天导数据有4800人，一个月后又有补测学生完成，后台变成4930人；同时还有部分学生修改了院系信息、重复账号被合并。

如果研究人员只是每次重新导一次 Excel，第一次分析和第二次分析使用的可能已经不是同一批数据。

所以科研数据首先要确定一个样本定义。

例如：哪些年级、哪次任务、什么时间范围内完成；是否只保留首次完整测评；补测算不算；同一个人做两次时保留哪一次；未完成到什么程度需要排除。

这些规则就是纳入标准和排除标准（Inclusion / Exclusion Criteria）。

规则确定以后，应冻结研究样本，而不是随着业务后台继续变化。

橙星云目前确认的团体测评能力，可以持续查看参与人数、完成人数、完成率、结果分布和预警率等业务指标。这些信息很适合业务管理，但科研进一步使用时，还需要额外形成明确的样本快照。业务统计口径不能直接替代研究样本定义。

第二步，要知道每一列数据到底代表什么

一张有200列的 Excel，并不天然就是科研数据。

研究者需要一份变量字典（Data Dictionary / Codebook）。

例如 gender=1 到底代表男性还是女性？空值表示没有填写、题目不适用，还是数据丢失？某个“抑郁得分”保存的是原始分、标准分，还是系统根据某个规则转换后的分数？

尤其心理测评还有一个非常重要的问题：量表版本。

同一个量表名称，几年后可能调整题目、计分方法、常模或结果解释。如果研究数据只留一个“量表名称”，以后很难确认两批数据是否真的可比较。

因此研究数据中应该能够追溯到对应的量表版本、题目版本和计分规则。

橙星云这类业务平台可以保存和生成具体测评结果，但如果要进一步服务严谨科研，研究数据最好单独冻结当时使用的量表和变量定义。否则今天计算出来的一个维度分，几年以后可能连具体使用哪套规则都说不清。

缺失值和“异常答卷”也必须提前定规则

科研里很怕一种做法：数据导出来以后，看着不顺眼再决定删谁。

比如有人只做了一半，有人答题特别快，有人漏了一道题，有人所有选项几乎一样。

这些记录到底怎么处理，应该尽量在正式分析之前确定规则。

更重要的是，空值本身也要区分来源。

“没有参加测评”“开始后中途退出”“某题未作答”“该变量原本就不适用”，在 Excel 里都可能表现为空白，但统计意义完全不同。

如果全部统一填成0，数据含义已经被改变。

橙星云当前团体分析中可以看到质量度覆盖率、快答触发率和典型用时等质量信息。这类业务质量指标可以帮助研究人员识别需要进一步处理的答卷，但是否纳入研究，还需要研究方案事先定义，不能看到结果以后再临时决定。

去掉姓名，也不等于已经完成科研脱敏

科研数据通常还涉及去标识化（De-identification）。

最简单的处理是删除姓名、手机号、身份证号，但这还不够。

如果数据同时包含学校、班级、精确生日、性别、特殊身份等字段，在小样本里仍然可能把一个人重新识别出来。

比较稳妥的方式，是为研究样本生成独立的研究编号，把能够直接识别个人的信息和研究分析数据分开保存。

如果研究确实需要以后关联复测数据，可以另外维护一张受严格控制的映射表，例如：业务人员 ID ↔ 研究 ID。

研究人员日常分析的数据里只使用研究 ID。

这样既能做纵向研究，又减少没有必要暴露个人身份信息的机会。

最后还需要一份真正冻结的数据快照

研究数据集形成以后，最重要的一步是冻结（Freeze）。

一项正式研究最好至少能够回答：这批数据什么时候提取？对应哪次测评？样本筛选规则是什么？使用哪一版量表？变量怎样编码？缺失值怎样处理？哪些记录被排除？哪些指标经过重新计算？

这些信息和最终数据一起保存，就形成了一份数据快照（Dataset Snapshot）。

如果后来发现错误，需要重新清洗，可以生成 V2 数据集，但 V1 不应该悄悄被覆盖。

研究论文里一句“共纳入3826名学生”，背后应该能够追溯出这3826人究竟是怎样从原始业务数据中筛出来的。

这就是数据血缘（Data Lineage）和可复现性真正解决的问题。

所以，后台导出一个 Excel，只完成了“把数据拿出来”。

真正可用于科研的数据集，还需要经过：样本冻结、变量定义、量表版本固定、缺失与质量规则确定、去标识化，以及数据快照保存。

对于橙星云或其他心理平台来说，业务系统负责持续产生和管理真实测评数据；科研阶段则需要在这些数据之上再增加一层严格的数据治理。

当另一位研究者半年后仍然能够根据同一套规则重新理解、核对甚至复现这批数据时，这批心理测评记录才真正从“业务数据”变成了可以支撑科研的数据集。