agentleFS
kayspiegelkayspiegel/survey-insight-skills/.agents/skills/umfrage-report/SKILL.md

umfrage-report

Skill2 starsChanged 3 months agoMITView on GitHub

Beantwortet eine Frage zu quantitativen Umfragedaten aus einer CSV und schreibt einen kurzen, belegten Report als Markdown nach reports/. Funktioniert mit beliebigen Umfrage-CSVs (Spaltentypen werden automatisch erkannt). Aufruf mit der Anfrage als Argument, z. B. /umfrage-report <deine Frage>. Nutzen, wenn der Nutzer eine Auswertung, Zahlen, Auszählung, Kreuzvergleich oder eine These zu Umfrage-/Survey-Daten wünscht.

The file

Files
SKILL.md

Umfrage-Report

Ziel: Aus einer Umfrage-CSV die gestellte Frage faktenbasiert beantworten und einen kurzen Report als Markdown in reports/ speichern.

Die Frage des Nutzers ist die Anfrage, mit der dieser Skill aufgerufen wurde. Enthält sie einen Datei-Pfad/Namen, ist das die zu nutzende CSV; sonst automatisch die CSV im Ordner.

Werkzeug

Alle Zahlen kommen aus dem beigelegten Skript — niemals Werte schätzen oder aus Rohdaten „im Kopf" zählen. Nur Standardbibliothek, kein pandas nötig.

python3 scripts/survey.py <cmd> [...] [--file CSV]

Aus dem Projekt-Root ausführen. Fehlt scripts/survey.py, unter .claude/scripts/survey.py nachsehen oder survey.py im Projekt suchen.

  • profile — Überblick: n, alle Spalten mit Index, erkanntem Typ (META / EINFACH / MEHRFACH / FREITEXT), Befüllungsgrad. Immer zuerst ausführen.
  • freq COL [--by COL2] [--filter "COL=WERT"] [--top N] — Häufigkeitsverteilung; --by = Kreuztabelle; --filter mehrfach möglich (Teilmenge). Bei MEHRFACH ist die Summe der Prozente > 100 % (das ist korrekt und im Report so zu erklären).
  • text COL [--filter ...] [--sample N] — Freitext-Antworten für qualitative Themen.

COL = Spaltenindex (aus profile) oder eindeutiger Teil des Spaltennamens. Alle Kommandos akzeptieren --json für maschinenlesbare Ausgabe.

Umfrage-Kontext

Liegt neben der CSV ein Kontextdokument (<name>.context.md, bei genau einer CSV im Ordner auch survey-context.md), vor dem Schreiben lesen. Darin stehen Gegenstand, Glossar, Publikum und Erhebungsdesign. Für Einordnung und Begriffe nutzen — die Zahlen kommen weiterhin ausschließlich aus dem Motor. Was darin die Aussagekraft einschränkt, vor allem der Abschnitt „Wer fehlt", gehört in Interpretation und Methodik dieses Reports. Dort genannte Erwartungen sind Prüfgegenstand, nie Beleg: nie als Beleg zitieren und nie die Formulierung eines Befundes davon beeinflussen lassen. Gibt es kein solches Dokument, wie bisher auswerten und am Ende der Antwort einmal auf umfrage-kontext hinweisen.

Ablauf

  1. Profilieren. profile ausführen, um n, Spaltenindizes und -typen zu kennen.
  2. Frage in Auswertungen übersetzen. Passende Spalte(n) wählen und die dafür richtigen Kommandos ausführen:
    • „Wie viele / welcher Anteil / Verteilung" → freq auf der Zielspalte.
    • „Unterscheidet sich X nach Y / Zusammenhang / Vergleich" → freq X --by Y.
    • „… bei Gruppe Z" → --filter "Z-Spalte=Wert".
    • „Warum / was schätzen / typischer Ablauf / Wünsche" → text auf Freitext, bei vielen Antworten --sample 40–60, Themen bündeln und mit ~2–3 wörtlichen Kurzzitaten belegen. Meist braucht es 2–4 Analysebefehle zusätzlich zu profile — eine reine Verteilung ist selten die ganze Antwort. Bei offenen Fragen ruhig mehrere Blickwinkel kombinieren (Verteilung + relevanter Kreuzvergleich + Freitext-Themen).
  3. Report schreiben (siehe Format), Zahlen exakt aus der Skript-Ausgabe.
  4. Speichern nach reports/. Ordner bei Bedarf anlegen. Dateiname: YYYY-MM-DD_kurz-titel.md (Datum via date +%F, Titel kebab-case aus der Frage). Bei einer bereits existierenden Datei einen -2 etc. anhängen, nichts überschreiben.
  5. Dem Nutzer in der Antwort kurz die Kernaussage nennen und den Report-Pfad angeben.

Report-Format (kurz halten)

# <Frage als knappe Überschrift>

**Datenbasis:** <Dateiname> · n = <Antworten> · Report vom <Datum>

## Kernaussage
1–3 Sätze mit der direkten Antwort auf die Frage.

## Ergebnisse
- Belegte Punkte mit **Zahlen (absolut + %)**. Tabellen für Verteilungen/Kreuztabellen.
- Bei Mehrfachauswahl vermerken: Mehrfachnennung möglich, Summe > 100 %.

## Interpretation
Was bedeutet das? Auffälligkeiten, Zusammenhänge, Einschränkungen (z. B. niedriger
Befüllungsgrad einer Spalte, kleine Teilmenge bei Filtern, Grenzen des Erhebungsdesigns
laut Umfrage-Kontext).

## Methodik
Genutzte Spalten und Filter in einem Satz, damit nachvollziehbar/reproduzierbar. Wurde ein
Kontextdokument genutzt, den Rekrutierungsweg und die dadurch fehlende Gruppe nennen.

Regeln

  • Genauigkeit vor Umfang. Nur behaupten, was die Ausgaben hergeben. Prozente auf die Befragten mit Antwort der jeweiligen Spalte beziehen (gibt das Skript aus).
  • Aggregate („insgesamt positiv", Top-2-Box) aus den absoluten Zahlen rechnen, nie durch Addieren gerundeter Prozentwerte: 73 von 140 sind 52,1 %, nicht 13,6 % + 38,6 %.
  • Statistik im Klartext (Chi² = 12.094, p = 0.438, Cramérs V = 0.17), kein LaTeX. Verlässlichkeits-Warnungen der Engine weitergeben, nicht weglassen.
  • Bei Filter-Teilmengen mit kleinem n (< ~30) ausdrücklich zur Vorsicht raten.
  • Sprache des Reports = Sprache der Frage (Standard: Deutsch).
  • Keine personenbezogenen Rohdaten (z. B. einzelne Ids/Zeitstempel) auflisten.
  • Report knapp halten — es ist ein Kurzreport, keine vollständige Studie.

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

  • It worked
  • Partly
  • It didn't
What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.