一、研究背景
近年来，社交媒体的使用已成为大学生日常生活的重要组成部分。然而，其对睡眠质量的影响仍存在争议。本研究以“社交媒体使用频率对大学生睡眠质量的影响”为核心问题，基于问卷数据开展实证分析。
研究假设：
H₁：大学生社交媒体使用频率越高，睡眠质量越差；
H₂：睡前使用社交媒体时间越长，入睡时间越晚；
H₃：性别在“使用频率 → 睡眠质量”的路径中起调节作用。
问卷核心变量（共150人样本）：
变量名称
类型
描述
性别
分类型
男 / 女
每日使用频率
数值型
每日打开社交媒体次数
睡前使用时长
数值型
每天睡前使用社交媒体的分钟数
睡眠质量评分
数值型
自评1-10分，分数越高睡眠越好
每日入睡时间
时间型
HH:MM格式，例如“23:45”
二、实操步骤 步骤一：数据导入与结构确认
提示词：
“我上传了一份关于大学生社交媒体使用与睡眠关系的问卷数据Excel，请检查数据结构是否存在缺失值、不一致的格式或分类混乱。”
DeepSeek返回：
“睡前使用时长”中有3条负值记录（应为逻辑错误）；
“入睡时间”格式部分为文本字符串，建议统一转换为时间格式；
“性别”列出现“female”“女”“F”混用，建议统一为“女/男”。
继续提示：
“请将性别分类统一为‘男’‘女’，将负值剔除，并转换‘入睡时间’为标准24小时格式。”
DeepSeek输出清洗后的数据下载链接，并报告完成的数据质量审查。
步骤二：描述性统计分析
提示词：
“请对各变量进行描述性统计分析，包含平均值、标准差、极差、偏度、峰度和频率分布。”
DeepSeek返回摘要示例：
变量
平均值
标准差
偏度
峰度
每日使用频率
8.2次
2.5
0.33
-0.6
睡前使用时长
46分钟
20.4
1.12
2.8
睡眠质量评分
6.1分
1.8
-0.7
进一步提示：
“请用学术论文风格撰写一段关于描述性统计结果的文字分析，适合用于‘样本描述’章节。”
AI输出：
“调查结果显示，大学生平均每日打开社交媒体约8.2次，睡前使用时间约为46分钟。睡眠质量评分平均为6.1分，表明整体处于中等偏低水平。偏度和峰度数据显示，‘睡前使用时长’呈正偏态分布，且存在一定尖峰，提示部分个体存在高频使用行为。”步骤三：假设检验与显著性分析
假设1（H₁）：使用频率影响睡眠质量
提示词：
“请基于Pearson相关性检验，评估每日使用频率与睡眠质量评分之间的相关关系。”
返回结果：
相关系数 r = -0.52，p < 0.01
存在中等强度负相关，显著
假设2（H₂）：睡前使用时间影响入睡时间
提示词：
“请将睡前使用时长与入睡时间进行Spearman相关性检验，并解释是否显著。”
返回结果：
ρ = +0.61，p < 0.001
深度解释：“睡前使用时间越长，入睡时间越晚，显著性较高”
假设3（H₃）：性别是否调节使用频率与睡眠质量关系
提示词：
“请以‘睡眠质量评分’为因变量，‘每日使用频率’为自变量，‘性别’为调节变量，进行调节效应回归分析，并输出交互项结果。”
返回结果：
交互项β = -0.27，p = 0.032，显著；
DeepSeek解释：“在女性群体中，使用频率对睡眠质量的负面影响更显著。”
提示词：
“请生成一张散点图，展示每日使用频率与睡眠质量评分之间的负相关关系，并添加回归线。”
DeepSeek返回：
Matplotlib代码（或Excel绘图步骤）；
图标题建议：“社交媒体使用频率与大学生睡眠质量的关系图”；
可附自动生成的论文描述段落，用于插图说明。
提示词：
“请使用IQR方法判断睡前使用时长中的异常值，并指出处理建议。”
返回结果：
Q1 = 30，Q3 = 60，IQR = 30；
上限 = 105，下限 = -15；
出现2条高于105分钟的极端值，建议视为异常剔除；
DeepSeek同时提供论文中可用的分析描述段落：
“根据IQR方法，共识别出2条显著偏离的极端高值，代表个别学生在睡前社交媒体使用超过105分钟。为避免对分析造成偏差，本研究将其作为异常值处理。”小结
通过本节案例可以看出，DeepSeek在数据分析流程中的每一步——从数据清洗、描述统计、假设检验、回归建模、图表生成到异常值处理——都能为研究者提供准确、标准、可复用的支持。更重要的是，借助自然语言交互，研究者无需精通统计工具或编程知识，也可以获得论文可用级别的分析结果与写作语言。
本案例强调的并非“自动化替代”，而是AI+人类的写作协同：研究者用洞察提出问题，AI用算力提供答案。未来的数据分析，已不再是门槛，而是路径清晰、落地高效的知识跃迁之路。
热门跟贴