内容
# 混合方法研究 MCP 服务器
### *您的混合方法分析人工智能研究助手*
> **适用于学术研究人员**：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用于发表的联合显示和综合发现。
## 🎓 这个工具是什么？
作为进行混合方法研究的科研人员，您面临着将量化统计与质性主题相结合的挑战，维持研究严谨性的同时管理复杂的数据集，并记录您的分析决策。这个 MCP 服务器作为您的智能研究助手，通过 Claude Code 或其他 MCP 兼容平台全天候为您提供服务。
您可以将其视为一个集成的系统，其中包括一名研究方法专家、一名统计学家和一名质性编码专家。
### 🌟 关键功能
- **📊 量化分析**：描述性统计、相关性、t检验、ANOVA、回归分析、异常值检测
- **📝 质性编码**：文档管理、主题分析、代码共现、备忘录编写
- **🔄 方法集成**：联合显示、有目的的抽样、量化和质性转化
- **📈 发表级可视化**：300 DPI 图表、相关性热图、词云、主题网络
- **🧠 研究记忆**：持久的上下文跟踪、决策日志、分析审计轨迹
- **🤖 人工智能辅助工作流程**：自动编码建议、统计测试推荐
## 📖 使用此工具理解混合方法研究
### 经典混合方法设计
#### **1. 收敛设计** （平行分析）
```
量化数据收集 → 量化分析
↓
集成与比较
↓
质性数据收集 → 质性分析
```
**示例研究问题**： *"学生的焦虑水平（量化）与他们的在线学习体验（质性）之间有什么关系？"*
**使用此工具的工作流程**：
1. 加载调查数据 (`load_quantitative_data`)
2. 分析焦虑分数 (`describe_statistics`, `correlation_analysis`)
3. 加载访谈记录 (`load_documents`)
4. 编码在线学习体验主题 (`apply_code`)
5. 创建链接焦虑水平和主题的联合显示 (`create_joint_display`)
6. 比较模式 (`compare_patterns`)
#### **2. 解释性顺序设计** （量化 → 质性）
```
第一阶段：量化 第二阶段：质性
调查分析 → 后续访谈
识别模式 → 解释模式存在的原因
↓
集成
```
**示例研究问题**： *"哪些因素预测教师的职业倦怠（量化），以及这些因素对教师意味着什么（质性）？"*
**使用此工具的工作流程**：
1. 分析教师调查数据 (`load_quantitative_data`, `compare_groups`)
2. 确定高/低职业倦怠案例 (`identify_outliers`, `filter_dataset`)
3. 有目的的抽样选择访谈参与者 (`purposeful_sample`)
4. 进行并编码选定教师的访谈 (`load_documents`, `apply_code`)
5. 合并量化分数与质性主题 (`merge_by_id`)
6. 生成综合报告 (`export_integrated_report`)
#### **3. 探索性顺序设计** （质性 → 量化）
```
第一阶段：质性 第二阶段：量化
访谈/焦点小组 → 调查开发
生成主题 → 大规模测试主题
↓
集成
```
**示例研究问题**： *"教师如何描述他们的教学实践（质性），以及这些实践与学生成果（量化）之间有什么关系？"*
**使用此工具的工作流程**：
1. 编码探索性访谈 (`load_documents`, `apply_code`)
2. 确定新兴主题 (`theme_frequency`, `code_cooccurrence`)
3. 将主题量化为变量 (`quantitize_codes`)
4. 加载基于主题的大规模调查 (`load_quantitative_data`)
5. 统计测试关系 (`correlation_analysis`, `compare_groups`)
## 🚀 入门：安装和设置
### 步骤 1：安装服务器
#### **选项 A：自动设置** （推荐大多数研究人员）
```bash
cd /home/tayyabcheema777/MMR_MCP/mixed-methods-mcp
./scripts/setup-env.sh
source .venv/bin/activate
```
这会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）
```bash
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**：
```bash
mixed-methods-mcp
```
2. **配置 Claude Code**：
- 打开 Claude Code 设置
- 添加新的 MCP 服务器
- 设置命令为：`mixed-methods-mcp`
- 服务器将自动注册所有 40 多个研究工具
3. **验证连接**：
- 问 Claude： *"您能给我显示我的研究上下文状态吗？"*
- Claude 将使用 `context_status` 工具确认连接
## 📂 文件组织：所有内容存储位置
### **您的研究文件**
您在存储文件的位置有完全的灵活性。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 ← 量化数据
├── sample_interview_1.txt ← 质性访谈记录
├── sample_interview_2.txt
└── sample_interview_3.txt
```
**使用方法**：`load_quantitative_data(path="examples/sample_survey.csv")`
#### **方法 2：创建专用研究项目文件夹** （推荐用于实际研究）
```bash
# 创建您的研究项目结构
mkdir -p ~/my_dissertation_study/{data,interviews,outputs}
```
```
~/my_dissertation_study/
├── data/
│ ├── pilot_survey.xlsx ← 您的 Excel 文件
│ ├── main_survey.csv ← 您的 CSV 文件
│ └── demographics.xlsx
├── interviews/
│ ├── participant_001.txt ← 访谈记录
│ ├── participant_002.txt
│ ├── focus_group_1.txt
│ └── field_notes.txt
└── outputs/
├── reports/ ← 生成的报告
├── visualizations/ ← 图表和图形
└── codebooks/ ← 编码方案
```
**使用方法**：
```python
# 通过 Claude Code，只需说：
"从 ~/my_dissertation_study/data/main_survey.csv 加载量化数据"
"从 ~/my_dissertation_study/interviews/ 加载所有访谈记录"
"将可视化结果导出到 ~/my_dissertation_study/outputs/visualizations/"
```
#### **方法 3：自动处理文件夹** （用于批量分析）
```bash
# 用于自动量化处理
mkdir -p ~/auto_analysis/quant/{input,processed,reports}
# 用于自动质性处理
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。
## 🔧 完整的工具参考
### 📊 **量化分析工具** （8 个工具）
| 工具 | 功能 | 示例研究用途 |
|------|--------------|---------------------|
| `load_quantitative_data` | 导入 Excel/CSV 文件 | 加载调查响应 |
| `describe_statistics` | 平均值, 标准差, 偏度, 峰度 | 描述人口统计变量 |
| `correlation_analysis` | Pearson, Spearman, Kendall | 测试变量之间的关系 |
| `compare_groups` | t-test, ANOVA | 比较治疗 vs. 对照组 |
| `identify_outliers` | Z-score, IQR 方法 | 查找异常响应模式 |
| `filter_dataset` | 按条件子集数据 | 选择仅完成调查 |
| `visualize_distribution` | 直方图与 KDE | 检查分数是否正态分布 |
| `visualize_relationships` | 散点图与回归 | 显示两个变量之间的关系 |
## 📝 **质性分析工具** （8 个工具）
| 工具 | 功能 | 示例研究用途 |
|------|--------------|---------------------|
| `load_documents` | 导入文本文件 | 加载访谈记录 |
| `search_documents` | 查找关键词/模式 | 搜索“焦虑”的提及 |
| `apply_code` | 用主题标记文本段 | 编码段为“应对策略” |
| `retrieve_coded_segments` | 获取所有代码/段 | 审查所有“教师职业倦怠”代码 |
| `generate_wordcloud` | 视觉词频 | 显示最常见的词 |
| `theme_frequency` | 计算代码出现次数 | 查看主题出现的频率 |
| `code_cooccurrence` | 查找共现主题 | 查找一起出现的主题 |
| `export_codebook` | 文档编码方案 | 导出代码到 Word/PDF |
## 🔄 **集成工具** （9 个工具）
| 工具 | 功能 | 示例研究用途 |
|------|--------------|---------------------|
| `merge_by_id` | 按参与者 ID 连接质性和量化数据 | 匹配调查分数与访谈数据 |
| `create_joint_display` | 质性和量化并排比较 | 显示焦虑分数与主题 |
| `purposeful_sample` | 按标准选择案例 | 选择极端案例进行访谈 |
| `quantitize_codes` | 将主题转换为数字 | 计算每个主题出现的次数 |
| `compare_patterns` | 测试质性和量化收敛性 | 检查主题是否与统计数据一致 |
| `integration_matrix_viz` | 视觉集成显示 | 矩阵显示代码 × 分数 |
| `create_integration_memo` | 文档集成洞察 | 编写数据来源关系 |
| `export_integrated_report` | 全面的混合方法报告 | 生成最终集成发现 |
| `context_status` | 检查当前研究状态 | 查看已加载数据和下一步 |
## 📈 **可视化工具** （6 个工具）
| 工具 | 功能 | 出版质量 |
|------|--------------|---------------------|
| `correlation_heatmap` | 相关性矩阵 | 300 DPI, 色盲友好 |
| `comparison_chart` | 组比较条形/盒形图 | APA 样式格式化 |
| `wordcloud_by_group` | 每组单独的云 | 高分辨率 PNG |
| `theme_network` | 主题网络图 | 显示主题关系 |
| `create_dashboard` | 多面板概览 | 综合视觉总结 |
| `export_visualizations` | 保存图表到文件 | 准备提交期刊 |
## 🧠 **研究记忆工具** （5 个工具）
| 工具 | 功能 | 为什么重要 |
|------|--------------|----------------|
| `save_context` | 存储当前研究状态 | 在下一个会话中恢复工作 |
| `load_context` | 检索保存的状态 | 从中断的地方继续 |
| `log_decision` | 记录分析选择 | 为论文创建审计轨迹 |
| `get_analysis_history` | 审查过去的分析 | 查看已完成的操作 |
| `context_status` | 当前项目总结 | 加载数据的快速概览 |
## 💡 实际研究场景
### **场景 1：关于学生参与度的论文研究**
**您的研究问题**： *"自效能与参与度之间的关系如何，以及不同参与度水平的学生如何描述他们的学习体验？"*
**逐步工作流程**：
```python
# 步骤 1：加载和分析调查数据（n=150 名学生）
"从 ~/dissertation/student_survey.xlsx 加载调查数据"
# 系统响应变量摘要和下一步
# 步骤 2：探索关系
"显示自效能和参与度分数的描述性统计"
"创建所有变量的相关性热图"
"测试高 vs 低自效能组在参与度上的差异"
# 步骤 3：选择访谈参与者（解释性顺序）
"使用有目的的抽样选择 6 名参与度分数极端的学生"
# 系统识别 3 名高参与度和 3 名低参与度学生
# 步骤 4：加载和编码访谈记录
"从 ~/dissertation/interviews/ 加载所有访谈文件"
"搜索提及动机或障碍的文本段"
# 审查结果，然后编码
"将代码'内在动机'应用于文档 participant_high_1, 字符 450-680, 附带备忘录 '学生描述对学科的真诚兴趣'"
# 步骤 5：创建集成发现
"使用 participant_id 合并调查数据与访谈代码"
"创建显示参与度分数与动机主题的联合显示"
"比较量化参与度与质性主题的模式"
# 步骤 6：生成输出
"将相关性热图导出到 ~/dissertation/outputs/figures/"
"将集成报告导出到 ~/dissertation/outputs/chapter4_findings.docx"
"保存当前研究上下文"
# 步骤 7：记录过程
"记录决定：'使用中位数分割法进行高/低参与度分组'
附带理由 '需要平衡样本大小以进行质性后续研究'"
```
## 🎯 视觉工作流程指南
```
┌─────────────────────────────────────────────────────────────┐
│ 您的研究工作流程 │
└─────────────────────────────────────────────────────────────┘
量化分支 质性分支
↓ ↓
┌──────────────────────┐ ┌──────────────────────┐
│ 加载调查数据 │ │ 加载访谈文件 │
│ (.xlsx, .csv) │ │ (.txt, .docx) │
└──────────┬───────────┘ └──────────┬───────────┘
│ │
↓ ↓
┌──────────────────────┐ ┌──────────────────────┐
│ 描述性统计 │ │ 阅读和编码文本 │
│ • 平均值, 标准差 │ │ • 应用主题 │
│ • 分布 │ │ • 编写备忘录 │
└──────────┬───────────┘ └──────────┬───────────┘
│ │
↓ ↓
┌──────────────────────┐ ┌──────────────────────┐
│ 推断性测试 │ │ 主题分析 │
│ • 相关性 │ │ • 主题频率 │
│ • 组比较 │ │ • 共现 │
│ • 回归 │ │ • 词云 │
└──────────┬───────────┘ └──────────┬───────────┘
│ │
└──────────────┬───────────────┘
↓
┌──────────────────────────┐
│ 集成阶段 │
│ • 按 ID 合并 │
│ • 联合显示 │
│ • 模式比较 │
│ • 集成备忘录 │
└─────────────┬────────────┘
↓
┌──────────────────────────┐
│ 最终输出 │
│ • 集成报告 │
│ • 发表图表 │
│ • 代码簿 │
│ • 研究上下文 │
└──────────────────────────┘
```
#### **阶段 2：主题开发**
- 汇总第一阶段的相关代码
- 确定新兴主题和子主题
- 所有主题必须基于实际的片段（不允许臆测）
- 输出：`Stage2_Code_Grouping.xlsx`
#### **阶段 3：理论框架**
- 将主题与研究问题联系起来
- 创建最终的主题框架
- 每个主题都必须有直接引用和片段 ID 支持
- 输出：`Stage3_Thematic_Framework.xlsx`
**如何使用**：
```bash
# 设置文件夹
mkdir -p ~/auto_coding/{input,processed,outputs}
# 启动自动监视器
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"
# 将转录文件（.csv 或 .xlsx）放入 ~/auto_coding/input/
# 系统每 30 秒自动处理一次
```
**研究完整性说明**：
- 所有代码都基于实际文本（无外部知识）
- 每个主题都链接到特定的片段 ID（完整的审计追踪）
- 在所有阶段保留逐字引用
- 您完全控制 - 审查和完善所有 AI 建议
---
### **自动化统计分析流程**
适用于希望在学习或管理多个数据集时获得统计指导的研究人员。
**功能**：分析数据集结构，推荐适当的测试，并生成统计报告。
#### **流程**：
1. **数据集检测**：监视文件夹中新添加的 Excel/CSV 文件
2. **统计咨询**：AI 分析变量并建议测试：
- “根据您的连续因变量和二元自变量，独立 t 检验是合适的”
- “有 3+ 组时，考虑单因素方差分析”
- “首先使用 Shapiro-Wilk 检查正态性假设”
3. **您的审批**：审查建议并请求许可
4. **自动执行**：运行批准的测试（t 检验、方差分析、相关性、卡方检验等）
5. **报告生成**：创建包含以下内容的 Word 和 PDF 报告：
- 结果表格
- 效应量
- 假设检查
- 嵌入式可视化
- 统计解释
**如何使用**：
```bash
# 设置文件夹
mkdir -p ~/auto_stats/{input,processed,reports}
# 启动监视器
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"
# 将数据集放入 ~/auto_stats/input/
# 审查推荐的测试
# 批准或拒绝
# 接收综合统计报告
```
**支持的测试**：
- 独立和配对 t 检验
- 单因素和重复测量方差分析
- Pearson、Spearman、Kendall 相关性
- 卡方检验（独立性和拟合优度）
- 线性和逻辑回归
- Kruskal-Wallis 和 Mann-Whitney（非参数）
- Shapiro-Wilk（正态性）
- Cronbach's Alpha（可靠性）
---
## 📊 了解您的研究背景
在研究的任何时候，您都可以检查当前状态：
```python
"What's my current research context status?"
```
**系统告诉您**：
- ✅ 加载的量化数据集（路径 + 变量名）
- ✅ 加载的质性文档数量（名称 + 字数）
- ✅ 编码片段数量和唯一代码数量
- ✅ 审计追踪中记录的决策数量
- ✅ 根据您已完成的操作建议下一步
**示例响应**：
```json
{
"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
该工具帮助您保持研究质量标准：
### **量化严谨性**
- ✅ **假设检查**：正态性测试、方差齐性
- ✅ **效应量**：不仅包括 p 值，还包括 Cohen's d、eta squared 等
- ✅ **异常值检测**：多种方法（z-score、IQR）
- ✅ **缺失数据**：自动报告缺失值
- ✅ **审计追踪**：所有分析都记录了时间戳
### **质性可信度**
- ✅ **基础**：所有代码都链接到特定的文本片段
- ✅ **透明度**：导出完整的代码簿和定义
- ✅ **审计追踪**：记录每个编码决策
- ✅ **成员检查**：导出片段供参与者验证
- ✅ **厚描述**：在编码片段中附上备忘录
### **整合质量**
- ✅ **收敛测试**：统计比较模式
- ✅ **联合显示**：并排比较表格
- ✅ **整合备忘录**：记录各线索如何关联
- ✅ **有目的的抽样**：系统化的案例选择
- ✅ **元推断**：同时支持两种数据类型
---
## 📚 学习样本数据
我们提供现实的样本数据，您可以在使用自己的数据之前进行练习：
### **量化样本**：`examples/sample_survey.csv`
- **内容**：学生调查问卷（n=20）
- **变量**：
- `competence_score`（1-10 量表）
- `confidence_score`（1-10 量表）
- `engagement_score`（1-10 量表）
- `anxiety_score`（1-10 量表）
- `years_experience`（连续变量）
- **用途**：练习相关性、组间比较、数据可视化
### **质性样本**：`examples/sample_interview_*.txt`
- **内容**：三份学生访谈记录（每份 200-300 字）
- **主题**：在线学习体验、挑战、应对策略
- **用途**：练习编码、主题开发、词云
### **实践工作流程**：
```python
# 使用样本数据开始练习
"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: No module named 'mcp'"**
**解决方案**：首先激活您的虚拟环境
```bash
cd /home/tayyabcheema777/MMR_MCP/mixed-methods-mcp
source .venv/bin/activate
```
### **"FileNotFoundError: Quantitative data file not found"**
**解决方案**：使用绝对路径或确认您在正确的目录中
```bash
# 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"
```
### **"Permission denied writing to ~/.mixed_methods_mcp"**
**解决方案**：检查文件夹权限或删除并重新创建
```bash
rm -rf ~/.mixed_methods_mcp
# 系统将自动重新创建
```
### **可视化未显示**
**解决方案**：必须安装 Kaleido 才能导出 Plotly
```bash
pip install kaleido
# 或重新运行设置：./scripts/setup-env.sh
```
### **上下文似乎不正确或损坏**
**解决方案**：重置您的研究上下文
```bash
rm ~/.mixed_methods_mcp/project_context.json
# 系统将创建一个新的
```
---
## 🎯 研究人员最佳实践
### **1. 记录您的决策**
```python
"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**
```python
# 在主要分析步骤之后：
"Save my research context"
# 这保护了您的工作并创建了时间戳
```
### **3. 尽早导出代码簿**
```python
"Export codebook to ~/my_study/codebook_v1.docx"
# 随着编码的演变，更新版本号
```
### **4. 使用整合备忘录**
```python
"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. 维护审计追踪**
```python
# 在重大决策之前检查您的历史记录
"Show me my analysis history for the last 20 steps"
```
---
## 📖 方法论参考文献
该工具支持以下研究设计：
- Creswell, J. W., & Plano Clark, V. L. (2018). *设计和开展混合方法研究* (3rd ed.). SAGE.
- Fetters, M. D. (2020). *混合方法研究工作簿*. SAGE.
- Morse, J. M., & Niehaus, L. (2009). *混合方法设计：原理和程序*. Routledge.
- Tashakkori, A., & Teddlie, C. (2010). *社会和行为科学研究中的混合方法手册*. SAGE.
有关统计测试，请参阅：
- Field, A. (2018). *使用 IBM SPSS Statistics 发现统计学* (5th ed.). SAGE.
- Cohen, J. (1988). *行为科学的统计学检验* (2nd ed.). Routledge.
有关质性编码，请参阅：
- Saldaña, J. (2021). *质性研究者的编码手册* (4th ed.). SAGE.
- Braun, V., & Clarke, V. (2006). 在心理学中使用主题分析。 *质性研究心理学，3*(2), 77-101.
---
## 🛠️ 高级功能
### **命令行工作流程**（无需 MCP 客户端）
运行预定义的分析流程：
```bash
# 创建工作流程 YAML 文件：my_workflow.yaml
# 然后执行它：
mixed-methods-mcp-cli run my_workflow.yaml --save-output results.json
```
示例 `my_workflow.yaml`：
```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**
```python
from mixed_methods_mcp import QuantitativeToolkit, QualitativeToolkit
# 在 Python 脚本中直接使用工具包
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
### **发现了错误或有建议？**
这是一个研究软件 - 来自研究界的反馈非常宝贵！
- **报告问题**：记录发生了什么、您期望的结果以及重现问题的步骤
- **请求功能**：描述您的研究用例以及某个功能将如何帮助您
- **分享工作流程**：贡献不同研究设计的示例工作流程
### **路线图**（社区驱动）
- 📊 APA 格式表格（直接导出到 Word）
- 📝 增强的备忘录模板（研究日志、反思笔记）
- 🔄 MAXQDA/NVivo 导出兼容性
- 📈 从分析中生成 SPSS/R 语法
- 🌐 为国际研究提供多语言支持
---
## 📜 许可证与引用
**许可证**：MIT 许可证 - 免费用于学术和商业用途
**如何引用** (APA 7th):
```
Ilyas, M. T. (2025). Mixed Methods MCP Server (Version 0.1.0) [Computer software].
https://github.com/your-repo/mixed-methods-mcp
```
**用于论文/学位论文**：
```
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
**Muhammad Tayyab Ilyas**
研究方法专家 & 软件开发人员
- 📧 电子邮件：ceo@pakedx.com
- 💼 LinkedIn：[linkedin.com/in/tayyabcheema777](https://www.linkedin.com/in/tayyabcheema777/)
- 🎓 热衷于让所有研究人员都能进行严谨的混合方法研究
---
## 🎓 致研究人员
混合方法研究具有挑战性 - 您实际上是在进行两项研究并将它们整合起来。 该工具不会取代您的专业知识、理论知识或批判性思维。 它作为您的研究助手，处理分析的机械方面，而您则专注于解释、理论发展和有意义的见解。
记住：
- **工具编码，但您决定代码的含义**
- **工具计算统计数据，但您解释其意义**
- **工具创建显示，但您构建叙述**
- **工具跟踪决策，但您做出决策**
使用此工具来增强严谨性、透明度和效率 - 但永远不要作为对数据的深入参与和深思熟虑的方法论决策的替代。
祝您的研究顺利！ 🚀
---
**版本**：0.1.0
**最后更新**：2025 年 11 月
**文档**：有关详细 API 参考，请参见 `docs/` 文件夹
MCP 配置
以下是此 MCP Server 的配置信息，可直接复制到 Cursor 或其他 MCP 客户端中使用。
mcp.json
连接信息
猜你喜欢
暂无推荐服务器