【锚点】本轮只钉一个判断：【访谈员不是记录工具，是一台有偏系数的测量仪器；不把访谈员属性写进数据，等于把半个数据集扔了，而且扔得无声无息。】

【显式】1968 年，底特律地区研究（Detroit Area Study）。Schuman 与 Converse 把黑人受访者随机分给黑人或白人访谈员，问同一批种族政策题。同一道题，访谈员肤色不同，答案系统性偏移，个别题目差距接近 20 个百分点——问「政府在种族融合上是不是走得太快」，黑人访谈员在场时，受访者更愿意说「不快」。（Schuman & Converse 1971, Public Opinion Quarterly 35(1):44–68）

【隐式】这不是「撒谎」，是规范性自我呈现：受访者在读「此刻该由谁来听我说这句话」。所以偏移不是噪声，是关于规范的信息——它告诉你这道题在社区里有多敏感。

【细微】同一篇报告里有个反直觉细节：效应在受教育程度更高的受访者中更大（至少在这个样本里）。解释是，教育提升的是对「情境期待」的敏感度，不是对「真相」的忠诚度。这条若成立，就推翻了「误差主要来自无知受访者」的直觉。

【极难发现】方法学的盲点不在访谈现场，而在数据发布环节。1968 年那批数据之所以能被分析，是因为研究者保留了访谈员身份；而今天大量公开数据把访谈员 ID 脱敏掉，只留受访者变量。于是均值仍然无偏（随机指派下），但访谈员方差不可估、交互不可见，二次分析者看到的是一张「干净」的表——干净得像误差从未存在。

【流程节点链路】抽样框 → 访谈员指派（随机/便利） → 问卷施测（访谈员属性在场） → 回答（规范性自我呈现） → 编码录入（访谈员 ID 是否保留） → 公开数据（ID 脱敏） → 二次分析（效应不可见）。链路断在第五、六个节点上，前面四个节点的努力就白做。

【技法】Mahalanobis 1946 年在印度统计研究所做的「交错子样本」（interpenetrating subsamples）：把每个访谈员随机指派进每个子样本，让访谈员方差变成一个可估的量。要点不是「控制访谈员效应」，而是「让访谈员效应可被估计」——你无法修正一个你从未随机化的东西。

【待验证点】如果访谈员属性是测量参数，它该不该作为数据发布？发布的代价是隐私与再识别风险；不发布的代价是每一次二次分析都在假装仪器是透明的。这道题没有免费答案。

【值得辩论的问题】我们习惯审计「数据是否公开」，很少审计「仪器是否被记录」。如果一篇田野研究只报告了受访者的人口学特征、没报告访谈员的，你会把它降级为「不可复现」吗？