MixMethodResearch MCP

混合方法研究MCP服务器

*您的人工智能混合方法分析研究助手*

学术研究人员：一个全面的模型上下文协议（MCP）服务器，旨在简化您的混合方法研究工作流程——从原始数据收集到可发布的联合显示和综合发现。

______________________________________________________________________

🎓 这个工具是什么？

作为一名进行混合方法研究的研究人员，您面临着将定量统计与定性主题相结合的挑战，在管理复杂数据集的同时保持研究的严谨性，并记录您的分析决策。此MCP服务器充当您的智能研究助手，可通过Claude Code或其他MCP兼容平台全天候使用。

把它想象成一个研究方法专家、统计学家和定性编码专家在一个集成系统中共同工作。

🌟 关键能力

• 📊 定量分析：描述性统计、相关性、t检验、方差分析、回归、异常检测
• 📝 定性编码：文档管理、主题分析、代码共现、备忘录编写
• 🔄 方法集成：联合展示、有目的的采样、定量/定性转换
• 📈 可发布的视觉效果：300 DPI图表、相关热图、单词云、主题网络
• 🧠 研究记忆：持续的上下文跟踪、决策记录、分析审计跟踪
• 🤖 人工智能辅助工作流程：自动编码建议、统计测试建议

______________________________________________________________________

📖 使用此工具了解混合方法研究

经典混合方法设计

1.融合设计 （平行分析）

Quantitative Data Collection  →  QUAN Analysis
                                       ↓
                               INTEGRATION & COMPARISON
                                       ↓
Qualitative Data Collection   →  QUAL Analysis

示例研究问题: *“学生的焦虑水平（定量）与他们的在线学习生活经历（定性）有何关系？”*

使用此工具的工作流:

1. 负荷调查数据(load_quantitative_data)
2. 分析焦虑评分(describe_statistics, correlation_analysis)
3. 加载面试记录(load_documents)
4. 关于在线学习体验的代码主题(apply_code)
5. 创建将焦虑水平与主题联系起来的联合显示(create_joint_display)
6. 比较模式(compare_patterns)

______________________________________________________________________

2.解释性顺序设计 （泉→ qual)

Phase 1: QUANTITATIVE         Phase 2: QUALITATIVE
Survey Analysis        →      Follow-up Interviews
Identify Patterns      →      Explain Why Patterns Exist

         ↓
    INTEGRATION

示例研究问题: *“哪些因素可以预测教师倦怠（定量），为什么这些因素对教师（定性）很重要？”*

使用此工具的工作流:

1. 分析教师调查数据(load_quantitative_data, compare_groups)
2. 识别高/低倦怠案例(identify_outliers, filter_dataset)
3. 使用有目的的抽样来选择面试参与者(purposeful_sample)
4. 对选定的教师进行面试并编写面试代码(load_documents, apply_code)
5. 将定量分数与定性主题相结合(merge_by_id)
6. 生成综合报告(export_integrated_report)

______________________________________________________________________

3.探索性顺序设计 （质量→ quan)

Phase 1: QUALITATIVE          Phase 2: QUANTITATIVE
Interviews/Focus Groups →     Survey Development
Generate Themes         →     Test Themes at Scale

         ↓
    INTEGRATION

使用此工具的工作流:

1. 代码探索性访谈(load_documents, apply_code)
2. 识别新兴主题(theme_frequency, code_cooccurrence)
3. 将主题量化为变量(quantitize_codes)
4. 根据主题加载大规模调查(load_quantitative_data)
5. 统计测试关系(correlation_analysis, compare_groups)

______________________________________________________________________

🚀 入门指南：安装与设置

步骤1：安装服务器

选项A：自动设置 （推荐给大多数研究人员）

cd /home/tayyabcheema777/MMR_MCP/mixed-methods-mcp
./scripts/setup-env.sh
source .venv/bin/activate

这将创建一个虚拟环境并自动安装所有依赖项。

选项B：手动设置 （适用于高级用户）

python3 -m venv .venv
source .venv/bin/activate
pip install -e .
pip install -r requirements.txt

步骤2：连接到Claude Code（或其他MCP客户端）

1. 启动MCP服务器:

mixed-methods-mcp

1. 配置Claude代码:

- 打开克劳德代码设置 - 添加新的MCP服务器 - 将命令设置为： mixed-methods-mcp - 服务器将自动注册所有40+研究工具

1. 验证连接:

- 问克劳德： *“你能给我看看我的研究背景吗？”* - 克劳德将使用 context_status 确认连接的工具

______________________________________________________________________

📂 文件组织：一切走向何方

您的研究文件

您可以完全灵活地存储文件。以下是三种常见的方法：

方法1：使用示例目录 （快速入门）

/home/tayyabcheema777/MMR_MCP/mixed-methods-mcp/examples/
├── sample_survey.csv          ← Quantitative data
├── sample_interview_1.txt     ← Qualitative transcripts
├── sample_interview_2.txt
└── sample_interview_3.txt

使用: load_quantitative_data(path="examples/sample_survey.csv")

______________________________________________________________________

方法2：创建一个专门的研究项目文件夹 （推荐用于实际研究）

# Create your research project structure
mkdir -p ~/my_dissertation_study/{data,interviews,outputs}

~/my_dissertation_study/
├── data/
│   ├── pilot_survey.xlsx           ← Your Excel files
│   ├── main_survey.csv             ← Your CSV files
│   └── demographics.xlsx
├── interviews/
│   ├── participant_001.txt         ← Interview transcripts
│   ├── participant_002.txt
│   ├── focus_group_1.txt
│   └── field_notes.txt
└── outputs/
    ├── reports/                    ← Generated reports
    ├── visualizations/             ← Charts and graphs
    └── codebooks/                  ← Coding schemes

使用:

# Through Claude Code, simply say:
"Load the quantitative data from ~/my_dissertation_study/data/main_survey.csv"
"Load all interview transcripts from ~/my_dissertation_study/interviews/"
"Export visualizations to ~/my_dissertation_study/outputs/visualizations/"

______________________________________________________________________

方法3：自动处理文件夹 （用于批量分析）

# For automatic quantitative processing
mkdir -p ~/auto_analysis/quant/{input,processed,reports}

# For automatic qualitative processing
mkdir -p ~/auto_analysis/qual/{input,processed,stage1,stage2,stage3}

将文件放入 input/ 文件夹，系统会自动处理它们。

______________________________________________________________________

系统管理文件 （自动-无需操作）

备注：此文件是自动创建和更新的。您永远不需要手动编辑它。

______________________________________________________________________

🔧 完整的工具参考

📊 定量分析工具 （8工具）

______________________________________________________________________

📝 定性分析工具 （8工具）

______________________________________________________________________

🔄 集成工具 （9个工具）

______________________________________________________________________

📈 可视化工具 （6个工具）

______________________________________________________________________

🧠 研究记忆工具 （5个工具）

______________________________________________________________________

💡 真实研究场景

场景1：关于学生参与度的论文研究

您的研究问题: *“自我效能感和参与度之间的关系是什么，不同参与度的学生如何描述他们的学习经历？”*

分步工作流程:

# Step 1: Load and analyze your survey data (n=150 students)
"Load the survey data from ~/dissertation/student_survey.xlsx"
# System responds with variable summary and next steps

# Step 2: Explore relationships
"Show me descriptive statistics for self_efficacy and engagement scores"
"Create a correlation heatmap for all variables"
"Test if high vs low self-efficacy groups differ in engagement"

# Step 3: Select interview participants (Explanatory Sequential)
"Use purposeful sampling to select 6 students with extreme engagement scores"
# System identifies 3 high and 3 low engagement students

# Step 4: Load and code interview transcripts
"Load all interview files from ~/dissertation/interviews/"
"Search for text segments mentioning motivation or barriers"
# Review results, then code them

"Apply code 'intrinsic motivation' to document participant_high_1,
 characters 450-680, with memo 'student describes genuine interest in subject'"

# Step 5: Create integrated findings
"Merge the survey data with interview codes using participant_id"
"Create a joint display showing engagement scores alongside motivation themes"
"Compare patterns between quantitative engagement and qualitative themes"

# Step 6: Generate outputs
"Export correlation heatmap to ~/dissertation/outputs/figures/"
"Export integrated report to ~/dissertation/outputs/chapter4_findings.docx"
"Save my current research context"

# Step 7: Document your process
"Log decision: 'Used median split for high/low engagement groups'
 with rationale 'balanced sample sizes needed for qualitative follow-up'"

______________________________________________________________________

情景2：项目评估研究

您的研究问题: *“专业发展计划有多有效，教师认为哪些具体方面最有价值？”*

# Convergent Design - analyze both data sources in parallel

# Quantitative strand
"Load pre and post program survey data from ~/program_eval/surveys.xlsx"
"Compare pre_test vs post_test scores for teacher confidence"
"Identify outliers in the improvement scores"
"Create comparison chart for pre vs post across all domains"

# Qualitative strand (at the same time)
"Load focus group transcripts from ~/program_eval/focus_groups/"
"Apply codes for themes like 'practical_strategies', 'peer_collaboration',
 'time_constraints', 'curriculum_alignment'"
"Generate word cloud to see most frequent terms"
"Show theme frequency to identify most common themes"

# Integration
"Create joint display with teacher_id, improvement_score, and primary themes"
"Compare patterns - do teachers with high improvement mention different themes?"
"Export integrated report documenting both strands' findings"

______________________________________________________________________

场景3：扎根理论探索

您的研究问题: *“哪些因素影响教师采用教育技术？”* （探索性顺序）

# Phase 1: Qualitative exploration
"Load initial interview transcripts from ~/tech_adoption/phase1_interviews/"
"Apply open codes as themes emerge from the data"
"Check code co-occurrence to find related themes"
"Generate theme network to visualize relationships"
"Quantitize codes to see frequency distribution"

# Phase 2: Survey development (based on Phase 1 themes)
"Load Phase 2 survey data testing identified themes at scale"
"Test correlations between the factors identified in Phase 1"
"Use regression to identify strongest predictors"

# Integration
"Compare patterns between qualitative themes and quantitative factors"
"Create integration memo documenting how qual themes were confirmed/refined"

______________________________________________________________________

🎯 可视化工作流指南

┌─────────────────────────────────────────────────────────────┐
│                    YOUR RESEARCH WORKFLOW                    │
└─────────────────────────────────────────────────────────────┘

   QUANTITATIVE STRAND              QUALITATIVE STRAND
          ↓                                ↓
┌──────────────────────┐      ┌──────────────────────┐
│ Load Survey Data     │      │ Load Interview Files │
│ (.xlsx, .csv)        │      │ (.txt, .docx)        │
└──────────┬───────────┘      └──────────┬───────────┘
           │                              │
           ↓                              ↓
┌──────────────────────┐      ┌──────────────────────┐
│ Descriptive Stats    │      │ Read & Code Text     │
│ • Mean, SD           │      │ • Apply themes       │
│ • Distributions      │      │ • Write memos        │
└──────────┬───────────┘      └──────────┬───────────┘
           │                              │
           ↓                              ↓
┌──────────────────────┐      ┌──────────────────────┐
│ Inferential Tests    │      │ Thematic Analysis    │
│ • Correlations       │      │ • Theme frequency    │
│ • Group comparisons  │      │ • Co-occurrence      │
│ • Regression         │      │ • Word clouds        │
└──────────┬───────────┘      └──────────┬───────────┘
           │                              │
           └──────────────┬───────────────┘
                          ↓
            ┌──────────────────────────┐
            │   INTEGRATION PHASE      │
            │  • Merge by ID           │
            │  • Joint displays        │
            │  • Pattern comparison    │
            │  • Integration memos     │
            └─────────────┬────────────┘
                          ↓
            ┌──────────────────────────┐
            │    FINAL OUTPUTS         │
            │  • Integrated report     │
            │  • Publication figures   │
            │  • Codebook              │
            │  • Research context      │
            └──────────────────────────┘

______________________________________________________________________

🤖 人工智能辅助自动化功能

自动定性编码流水线

非常适合拥有大量访谈数据的研究人员，他们需要一致、系统的编码。

它做什么：使用人工智能辅助，通过3个编码阶段自动处理面试记录。

第一阶段：初始开放编码

• 对成绩单进行分段（每单元1-3个句子）
• 指定基于文本的初步代码
• 无解释-只有引号直接支持的代码
• 输出： Stage1_Initial_Coding.xlsx

第二阶段：主题开发

• 第1阶段的组相关代码
• 确定新出现的主题和子主题
• 所有主题都必须以实际片段为基础（没有猜测）
• 输出： Stage2_Code_Grouping.xlsx

第三阶段：理论框架

• 将主题链接到您的研究问题
• 创建最终主题框架
• 每个主题都有直接引用和分段ID支持
• 输出： Stage3_Thematic_Framework.xlsx

如何使用:

# Set up your folders
mkdir -p ~/auto_coding/{input,processed,outputs}

# Start the automated watcher
mixed-methods-mcp-cli watch ~/auto_coding/input \
  --processed-dir ~/auto_coding/processed \
  --stage1-cmd "your-ai-command-stage1" \
  --stage2-cmd "your-ai-command-stage2" \
  --stage3-cmd "your-ai-command-stage3"

# Drop your transcript files (.csv or .xlsx) into ~/auto_coding/input/
# The system processes them automatically every 30 seconds

研究诚信说明:

• 所有代码均以实际文本为基础（无外部知识）
• 每个主题都链接到特定的细分ID（完整的审计跟踪）
• 在所有阶段都保留逐字引用
• 您保持完全控制-审查和完善所有AI建议

______________________________________________________________________

自动统计分析管道

非常适合在学习或管理多个数据集时需要统计指导的研究人员。

它做什么：分析数据集结构，推荐适当的测试，并生成统计报告。

过程:

1. 数据集检测：监视新Excel/CSV文件的文件夹

1. 统计咨询：AI分析你的变量并建议测试：

- “根据您的连续DV和二进制IV，独立的t检验是合适的” - “对于3+组，考虑单因素方差分析” - “首先与Shapiro Wilk一起检查正态性假设”

1. 您的批准：审核建议并请求许可

1. 自动化执行：运行批准的测试（t检验、方差分析、相关性、卡方检验等）

1. 报告生成：使用以下工具创建Word和PDF报告：

- 结果表 - 效应值 - 假设检查 - 嵌入式可视化 - 统计解释

如何使用:

# Set up folders
mkdir -p ~/auto_stats/{input,processed,reports}

# Start the watcher
mixed-methods-mcp-cli quant-watch ~/auto_stats/input \
  --processed-dir ~/auto_stats/processed \
  --reports-dir ~/auto_stats/reports \
  --llm-cmd "your-statistical-advisor-command"

# Place your dataset in ~/auto_stats/input/
# Review recommended tests
# Approve or decline
# Receive comprehensive statistical report

支持的测试:

• 独立配对t检验
• 单因素和重复测量方差分析
• 皮尔逊、斯皮尔曼、肯德尔相关性
• 卡方（独立性和适应性）
• 线性回归和逻辑回归
• Kruskal Wallis&Mann-Whitney（非参数）
• 夏皮罗·威尔克（常态）
• Cronbach's Alpha（可靠性）

______________________________________________________________________

📊 了解你的研究背景

在研究过程中的任何时候，您都可以查看您的当前状态：

"What's my current research context status?"

系统告诉你:

• ✅ 加载了哪个定量数据集（路径+变量名）
• ✅ 加载了多少定性文档（名称+字数）
• ✅ 编码段和唯一代码的数量
• ✅ 审计跟踪中记录的决策数量
• ✅ 根据您迄今为止所做的工作，建议接下来的步骤

示例响应:

{
  "quantitative_data": "~/dissertation/survey_n150.xlsx",
  "loaded_variables": ["participant_id", "self_efficacy", "engagement", "gender", "year"],
  "qualitative_documents": 6,
  "document_names": ["participant_001.txt", "participant_002.txt", ...],
  "coded_segments": 45,
  "unique_codes": 8,
  "codes_used": ["intrinsic_motivation", "time_management", "peer_support", ...],
  "decisions_logged": 3,
  "suggestions": [
    "Consider running correlation analysis on self_efficacy and engagement",
    "You have both data types - ready to create joint display",
    "Export your codebook before proceeding to integration"
  ]
}

______________________________________________________________________

🎓 方法论严谨性和质量标准

此工具可帮助您保持研究质量标准：

定量钻机

• ✅ 假设检验：正态性检验，方差齐性
• ✅ 效应值：不仅仅是p值，还包括Cohen的d、eta平方等。
• ✅ 孤立点检测：多种方法（z评分、IQR）
• ✅ 缺失数据：自动报告缺失值
• ✅ 审计跟踪：所有分析都记录了时间戳

定性可信度

• ✅ 接地：链接到特定文本段的所有代码
• ✅ 透明度：带定义的完整码本导出
• ✅ 审计跟踪：每个编码决策都记录在案
• ✅ 成员检查：导出用于参与者验证的片段
• ✅ 深度描写：附在编码段上的备忘录

集成质量

• ✅ 收敛性测试：统计比较模式
• ✅ 关节显示器：并排比较表
• ✅ 集成备忘录：记录各股之间的关系
• ✅ 目的性抽样：系统性案例选择
• ✅ 元推断：两种数据类型都支持

______________________________________________________________________

📚 学习示例数据

我们提供真实的样本数据，以便您在使用自己的数据之前进行练习：

定量样品: examples/sample_survey.csv

• 什么：学生调查回复（n=20）
• 变量:

- competence_score （1-10比例） - confidence_score （1-10比例） - engagement_score （1-10比例） - anxiety_score （1-10比例） - years_experience （连续）

• 用于：练习相关性、组比较、可视化

定性样本: examples/sample_interview_*.txt

• 什么：三份学生面试成绩单（每份200-300字）
• 话题：在线学习体验、挑战、应对策略
• 用于：练习编码、主题开发、单词云

练习工作流程:

# Start with the samples to learn the system
"Load examples/sample_survey.csv for practice"
"Show me correlations between competence, confidence, and engagement"
"Create a correlation heatmap"

"Load all sample interviews from examples/ folder"
"Search for mentions of 'challenge' or 'difficult'"
"Apply code 'learning_barriers' to the relevant segments"
"Generate word cloud from all interviews"
"Show theme frequency"

______________________________________________________________________

🔍 常见问题排查

“ModuleNotFoundError:没有名为'mcp'的模块”

解决方案：首先激活您的虚拟环境

cd /home/tayyabcheema777/MMR_MCP/mixed-methods-mcp
source .venv/bin/activate

“FileNotFoundError:找不到定量数据文件”

解决方案：使用绝对路径或确认您在正确的目录中

# Instead of: "examples/data.csv"
# Use: "/home/tayyabcheema777/MMR_MCP/mixed-methods-mcp/examples/data.csv"
# Or: "~/MMR_MCP/mixed-methods-mcp/examples/data.csv"

“写入~/.mixed_methods_mcp的权限被拒绝”

解决方案：检查文件夹权限或删除并重新创建

rm -rf ~/.mixed_methods_mcp
# The system will recreate it automatically

未显示可视化效果

解决方案：必须安装Kaleido才能导出Plotly

pip install kaleido
# Or re-run setup: ./scripts/setup-env.sh

上下文似乎不正确或已损坏

解决方案：重置您的研究背景

rm ~/.mixed_methods_mcp/project_context.json
# The system creates a fresh one

______________________________________________________________________

🎯 研究人员的最佳实践

1.记录你的决定

"Log decision: Used median split for creating high/low groups
 with rationale: Balanced sample sizes needed for qualitative follow-up
 with alternatives: Could have used tertile split or quartiles"

2.定期保存上下文

# After major analysis steps:
"Save my research context"
# This protects your work and creates timestamps

3.尽早并经常导出代码本

"Export codebook to ~/my_study/codebook_v1.docx"
# Update version numbers as your coding evolves

4.使用集成备忘录

"Create integration memo with these highlights:
 - High anxiety students mentioned time management issues (convergence)
 - Low anxiety students described peer support (qualitative expansion)
 - Gender differences in coping strategies (divergence - needs explanation)"

5.维护审计跟踪

# Check your history before major decisions
"Show me my analysis history for the last 20 steps"

______________________________________________________________________

📖 方法参考

该工具支持以下中描述的研究设计：

• Creswell，J.W.和Plano Clark，V.L.（2018）。 *设计和进行混合方法研究* （第3版）。圣人。
• 费特斯，医学博士（2020）。 *混合方法研究手册*.圣人。
• Morse，J.M.和Niehaus，L.（2009）。 *混合方法设计：原理和程序*劳特利奇。
• Tashakkori，A.和Teddlie，C.（2010）。 *SAGE社会与行为研究混合方法手册*.圣人。

有关统计测试，请参阅：

• 菲尔德，A.（2018）。 *使用IBM SPSS统计发现统计数据* （第5版）。圣人。
• 科恩，J.（1988）。 *行为科学的统计幂分析* （第二版）。劳特利奇。

对于定性编码：

• Saldaña，J.（2021）。 *定性研究人员编码手册* （第4版）。圣人。
• 布劳恩和克拉克（2006）。运用心理学中的主题分析。 *心理学定性研究，3*(2), 77-101.

______________________________________________________________________

🛠️ 高级功能

命令行工作流 （无MCP客户端）

运行预定义的分析管道：

# Create a workflow YAML file: my_workflow.yaml
# Then execute it:
mixed-methods-mcp-cli run my_workflow.yaml --save-output results.json

示例 my_workflow.yaml:

steps:
  - tool: load_quantitative_data
    args:
      path: data/survey.xlsx

  - tool: describe_statistics

  - tool: correlation_analysis
    args:
      method: pearson

  - tool: load_documents
    args:
      path: interviews/
      pattern: "*.txt"

  - tool: create_joint_display
    args:
      id_column: participant_id
      metrics: ["anxiety_score", "engagement_score"]

自定义Python集成

from mixed_methods_mcp import QuantitativeToolkit, QualitativeToolkit

# Use toolkits directly in your Python scripts
quant = QuantitativeToolkit()
quant.load_quantitative_data("data.xlsx")
stats = quant.describe_statistics()

qual = QualitativeToolkit()
qual.load_documents("interviews/")
qual.apply_code("interview1.txt", "coping_strategy", 100, 250)

______________________________________________________________________

🤝 贡献与支持

发现错误或有建议？

这是研究软件——来自研究界的反馈是无价的！

• 报告问题：记录发生了什么，你期望什么，以及复制的步骤
• 请求功能：描述你的研究用例以及一个功能将如何帮助你
• 共享工作流：为不同的研究设计提供示例工作流程

路线图 （社区驱动）

• 📊 APA格式的表格（直接导出到Word）
• 📝 增强的备忘录模板（研究期刊、反思性笔记）
• 🔄 MAXQDA/NVivo导出兼容性
• 📈 从分析中生成SPSS/R语法
• 🌐 国际研究的多语言支持

______________________________________________________________________

📜 许可证和引用

许可证：MIT许可证-免费用于学术和商业用途

如何引用 （APA第七届）：

Ilyas, M. T. (2025). Mixed Methods MCP Server (Version 0.1.0) [Computer software].
https://github.com/your-repo/mixed-methods-mcp

论文/论文:

All data analysis was conducted using the Mixed Methods MCP Server
(Ilyas, 2025), an AI-assisted research analysis platform implementing
procedures described by Creswell and Plano Clark (2018).

______________________________________________________________________

👨‍🔬 关于作者

穆罕默德·塔亚布·伊利亚斯 研究方法专家和软件开发人员

• 📧 电子邮件：ceo@pakedx.com
• 💼 领英： linkedin.com/in/tayyachiema777
• 🎓 热衷于让所有研究人员都能进行严格的混合方法研究

______________________________________________________________________

🎓 给研究人员的最后一句话

混合方法研究具有挑战性——你基本上是在进行两项研究并整合它们。这个工具不会取代你的专业知识、理论知识或批判性思维。它作为你的研究助理，处理分析的机械方面，同时你专注于解释、理论发展和有意义的见解。

记得：

• 工具代码，但由您决定代码的含义
• 该工具计算统计数据，但你解释了它们的意义
• 该工具创建显示，但你构建叙事
• 该工具跟踪决策，但决策是由你做出的

使用此工具可以提高严谨性、透明度和效率，但绝不能取代对数据的深入参与和深思熟虑的方法决策。

祝你的研究顺利！ 🚀

______________________________________________________________________

版本: 0.1.0 最后更新：2025年11月 文档：有关API的详细参考，请参阅 docs/ 文件夹