ThesisCohen's kappa 评分者一致性计算器
粘贴两位评分者对同一批对象的分类评定，几秒钟算出 kappa 系数与分档判读——内容分析、行为观测、资料编码类论文里，评阅人会要求报「评分者一致性」而不是只说「两人商量后一致」。纯浏览器本地计算、数据不上传，免注册、完全免费。
免注册 · 公测期免费 · 数据留在你的浏览器本地
为什么评分者一致性值得自己先算一遍
内容分析、行为观测、访谈资料编码只要有两人参与评定，就该报评分者一致性；简单一致率会被机会一致虚高，kappa 扣掉了「碰巧一致」的部分，是评阅人认可的口径。
按经典 Cohen (1960) 公式 κ=(Po−Pe)/(1−Pe) 计算，Pe 由两位评分者的边际分布得出，与 SPSS Crosstabs 的 Kappa、Python sklearn 的 cohen_kappa_score 结果一致，另给近似标准误与 z 检验。
同时输出交叉表、逐类别的边际分布、Landis-Koch 分档判读（差/尚可/中等/基本一致/几乎完全一致）与「写进论文」句式，不一致集中在哪两类一眼看清。
计算在你的浏览器里完成，编码数据不发送到服务器，不调用 AI，随时可以换一批数据重算。
怎么用（3 步）
- 把两位评分者对同一批对象的分类评定分别粘贴进两个输入框（每行/每个一条，顺序一一对应；类别可以是数字或文字标签，如 1/2/3 或 高/中/低）；
- 点「计算 kappa 系数」查看观察一致率、期望一致率、κ、z/p、交叉表与分档判读；
- 把结果句式一键复制进论文方法章或数据分析章，正式结论建议再用 SPSS 复核一遍。
常见问题
kappa 和简单一致率有什么区别？
简单一致率（Po）没扣掉「碰巧一致」：类别越少、分布越偏，两人瞎评也会有相当高的一致率。kappa 用边际分布算出期望一致率 Pe，再算 κ=(Po−Pe)/(1−Pe)，只衡量超出机会水平的一致程度，所以 Po 很高而 κ 很低（如两人都几乎只评同一类）是可能且有诊断意义的。
κ 多大算可以？
常用 Landis & Koch (1977) 分档：<0.20 差，0.21–0.40 尚可，0.41–0.60 中等，0.61–0.80 基本一致，0.81–1.00 几乎完全一致。编码类论文一般期望 κ≥0.61，达不到应回到编码手册修订类别定义后重新编码，而不是直接采用。
类别是文字标签可以吗？有序等级呢？
可以，类别按字面精确匹配（「高」和「 高 」会先去掉首尾空格）。本工具算的是无序类别的 unweighted kappa；有序等级（如 1–5 分）严格说应报加权 kappa（线性/二次加权），本工具结果会偏严格，论文中说明口径即可，或用 SPSS 的加权 kappa。
两位以上评分者怎么办？
Cohen’s kappa 只适用于两位评分者。三位及以上用 Fleiss’ kappa 或 Krippendorff’s alpha（可用 SPSS 扩展或 R 的 irr 包）；也可以两两算 Cohen’s kappa 后报范围，需在论文中说明。
我的数据会被上传吗？
不会。计算完全在你的浏览器本地完成，任何数据都不发送到服务器，也不调用 AI 服务。
一致性检验做完了，方法章一站写完
工作台覆盖选题→开题→大纲→分章写作→文献→自查→导出全流程：把编码方案与一致性结果挂进对应章节让 AI 严格依据材料成文，不编造数字，全程免注册、免费。
免费打开工作台