基于认知行为模拟的高信度问卷仿真引擎 > High-Fidelity Survey Simulation Engine based on Cognitive Behavioral Models
CBSE 是一个强大的自动化问卷填写工具。不同于简单的随机脚本，它通过构建人格画像 (User Persona) 来模拟真实人类的认知行为，支持李克特量表 (Likert Scale) 的反向计分 (Reverse Scoring) 逻辑，确保生成的数据具有极高的信度 (Cronbach's Alpha) 和效度。
- v7.0 (Current) 目前支持问卷星单选、多选和5分量表题
- [NEW] 原生多线程 (Multi-Threading)：引入线程池，支持 UI 动态调整并发数，填写效率提升 500%。
- [NEW] 设备指纹模拟：支持自定义 微信(MicroMessenger) 与 手机浏览器 的填写比例 (0-100%)。
- [FEAT] 智能多选逻辑：多选题不再是纯随机，而是根据人格维度分值决定勾选数量（分高选多，分低选少）。
- [UX] 交互优化：日志面板改为倒序刷新（最新在最前），增加 SSL 错误智能重试机制。
- v6.0- 逻辑代码增加 8种人格 。
- [FIX] 修复了谷歌浏览器报错问题。
- [FIX] 修复了脚本找不到config的bug
- v5.1- 界面支持 中英文双语切换 🌐。
- [FIX] 重构文件结构，完全修复了
config.json读写的缩进报错问题。
- [FIX] 重构文件结构，完全修复了
- v5.0
- [FEAT] 引入 反向计分 (Reverse Scoring) 逻辑，大幅提升 Cronbach's Alpha 信度指标。
- [FEAT] 降低随机噪声 (Noise Reduction)，使 KMO 值表现更佳。
- v4.5
- [FEAT] 增加 无头模式 (Headless Mode) 开关，支持后台静默运行。
- [UI] 增加实时日志气泡通知 (Toast)。
- v1.0 - v4.0
- 核心仿真引擎开发，实现基于正态分布的人格分值算法。
- 从纯 CMD 环境迁移至 Streamlit 可视化面板。
本项目包含两个版本的引擎，满足不同场景的需求：
- 定位：核心算法验证版 / 极客版。
- 特点：纯命令行交互，轻量级，适合理解底层逻辑或在服务器无界面环境下运行。
- 启动：
python v1-cmd-core/src/run.py - 缺点：需要用AI将代码基本重构，不能客制化
为了解决这个痛点，于是有了：
📁 v2-web-dashboard (推荐 🌟)
- 定位：全功能可视化版。
- 特点：
- 可视化控制台：基于 Streamlit 的交互界面。
- 实时监控：实时查看人格维度分布图表。
- 高级控制：支持动态速度调整、无头模式 (Headless)、声音/弹窗反馈。
- 极速并发：支持 1-10 线程并行工作。
- 配置管理：内置 JSON 配置编辑器，支持热修改。
- 启动：
python -m streamlit run v2-web-dashboard/app.py
- 🎭 多维度人格模拟：内置 Tech(技术痴)、Risk(风险厌恶)、Price(价格敏感) 等多种人格剧本，自动根据题目维度生成倾向性答案。
- 📉 高信效度保障：
- 一致性逻辑：同一维度下的题目，回答保持高度一致。
- 反向题支持：自动识别反向计分题（如“我觉得很不安全”测安全感），进行分数翻转，防止信度崩塌。
- 🖥️ 无头模式 (Headless)：支持后台静默运行，不打扰前台工作。
- ⚡ 拟人化操作：
- 随机延迟：模拟人类阅读思考时间 (0.6s - 1.2s)。
- 固定极速：支持高并发下的快速填充模式。
- 🛡️ 智能防爬：集成 Chrome CDP 协议绕过 WebDriver 检测，模拟移动端 User-Agent。
- 🛡️ 稳定性保障：内置智能重试机制 (Auto-Retry)，自动处理网络波动和 SSL 握手失败。
- ⚡ 高并发多线程：单机支持多线程并行刷题，配合无头模式 (Headless)，速度极快。
确保已安装 Python 3.8+ 和 Chrome 浏览器。
git clone https://github.com/beforeugone520/Cognitive-Behavioral-Survey-Engine.git
cd Cognitive-Behavioral-Survey-Enginepip install -r v2-web-dashboard/requirements.txt
下载与您 Chrome 版本匹配的 chromedriver.exe (下载地址)，并将其放置在 v2-web-dashboard 文件夹下。
python -m streamlit run v2-web-dashboard/app.py
浏览器将自动打开控制台（默认地址 http://localhost:8501）。
在可视化界面的 "🛠️ Config Editor" 标签页中，您可以针对不同问卷定制逻辑。
| 策略代码 | 适用场景 | 说明 |
|---|---|---|
| persona_score | 量表题 (核心) | 根据人格画像打分。例如 dimension="risk"，风险厌恶型人格会在此类题目选高分。 |
| fixed | 测谎/陷阱题 | 强制选择固定选项。例如 index=0 (选第一个)。 |
| random | 人口学题目 | 随机选择，但支持排除特定词汇（如"其他"）。 |
| persona_mapping | 收入/学历 | 将虚拟人格的收入等级映射到问卷选项。 |
对于意思相反的题目，务必勾选 Reverse：
- 正向题："我很担心隐私泄露" (Risk维度) -> 选 5分 (非常同意)
- 反向题："我觉得互联网非常安全" (Risk维度) -> 选 1分 (非常不同意) -> 勾选 Reverse
不想手动写配置？您可以复制以下 Prompt 发送给 ChatGPT/DeepSeek，让 AI 帮您生成 config.json：
👉 点击展开 AI 配置生成指令
# Role
你现在是一位资深的社会科学量表设计专家和 Python 数据结构工程师。你的任务是根据我提供的【问卷内容】，生成一份符合特定 JSON 格式的自动化答题配置代码。
# Goal
生成一个 `config.json` 结构，用于 Selenium 自动化脚本。该脚本会根据关键词匹配题目，并根据预设的“人格维度”进行有倾向性的答题，以确保生成的数据具有较高的信度（Cronbach's Alpha）和效度（KMO）。
# Output Format (JSON)
请严格遵守以下 JSON 结构，不要包含任何注释，只输出纯 JSON 代码：
{
"comment": "自动生成的问卷配置",
"global_settings": {
"run_times": 100
},
"questions": [
{
"description": "题目简述(如：Q1-性别)",
"keywords": ["题干中的独特关键词1", "关键词2"],
"strategy": "策略类型",
"index": 0,
"dimension": "维度代码",
"reverse": false,
"exclude": ["排除词1"]
}
]
}
# Strategy Rules (策略说明)
对于每一道题，请根据题目类型选择以下 `strategy` 之一：
1. **fixed** (固定选择):
- 适用场景：测谎题、陷阱题、或者是人口学题目中你想固定样本属性的。
- 必须字段：`"index": 0` (0代表选第一个选项)。
2. **random** (随机选择):
- 适用场景：无关紧要的人口学题目（如性别、年级），或者非量表类题目。
- 可选字段：`"exclude": ["其他"]`。
3. **persona_score** (核心智能策略 - 重点):
- 适用场景：**李克特量表题** (1-5分) 和 **倾向性多选题** (Checkbox)。
- 原理：脚本会根据设定的人格维度分值来答题。
- 必须字段：`"dimension": "xxx"`。请归纳出 3-5 个核心维度（如 tech, risk, price, ease, social）。
- 必须字段：`"reverse": true/false`。
- **单选题逻辑**：
- `reverse: false`: 维度分越高，选的选项分值越高（如非常同意）。
- `reverse: true`: 维度分越高，选的选项分值越低（如非常不同意）。
- **多选题逻辑**：
- `reverse: false`: 维度分越高，勾选的选项**数量越多**（表现为对该领域越熟悉/越感兴趣）。
- `reverse: true`: 维度分越高，勾选的选项**数量越少**。
# Workflow
1. 分析问卷文本。
2. 提取所有题目，判断它是人口学题目还是量表题目。
3. 对量表题目进行维度归类（Dimension Grouping）。
4. 识别量表题目中的反向题（Reverse Coding）。
5. 提取每道题的独特关键词（Keywords），确保最短且唯一。
6. 输出最终的 JSON。
# User Input
(请在下面粘贴你的问卷题目文本，可以是直接复制的文字)
本项目仅供学术研究、软件测试及算法验证使用。
- 请勿用于恶意刷票、破坏性攻击或任何违反目标平台服务条款的行为。
- 开发者不对使用本工具产生的任何后果负责。
此项目遵循 MIT License 开源协议。
如果你在国内网络环境下运行本项目，请参考以下优化建议：
- 使用镜像源安装依赖： 由于官方 PyPI 源访问较慢，建议使用清华大学镜像源：
pip install -r v2-web-dashboard/requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
-
ChromeDriver 下载提示： 如果无法访问 Google 官方驱动下载地址，推荐使用 淘宝 NPM 镜像 (现为华为云代管) 下载与你 Chrome 版本一致的驱动文件 。
-
Streamlit 运行优化： 首次运行
streamlit时，如果卡在Checking for updates或加载白屏，可以尝试在项目根目录创建.streamlit/config.toml并添加以下配置：
[browser]
gatherUsageStats = false