daten-checklisted

# Datenqualitäts-Check Ziel: **Vor** jeder inhaltlichen Auswertung prüfen, wie belastbar die Daten sind, damit aus schwachen Daten keine starken Schlüsse gezogen werden. Ergebnis als Markdown in `reports/`. Ein Pfad in der Anfrage des Nutzers wählt die CSV, sonst die im Ordner. ## Werkzeug ``` python3 scripts/survey.py quality [--file CSV] python3 scripts/survey.py profile [--file CSV] python3 scripts/survey.py freq COL [--file CSV] ``` Aus dem Projekt-Root ausführen. Fehlt `scripts/survey.py`, unter `.claude/scripts/survey.py` nachsehen oder `survey.py` im Projekt suchen. `quality` liefert direkt: - **Befüllungsgrad je Spalte** (dünne Spalten < 50 % markiert), - **Ausfülldauer** (Median, Bereich) und **Speeder** (< 1/3 der Median-Dauer), - **Straightlining** in erkannten Skalen-Batterien (identische Antwort über ≥3 gleiche Skalen). `freq` wird nur gebraucht, um einen vermuteten Widerspruch zum Umfrage-Kontext zu belegen (siehe unten), nicht für die Qualitätskennzahlen selbst. `--json` für strukturierte Werte. ## Umfrage-Kontext Liegt neben der CSV ein Kontextdokument (`<name>.context.md`, bei genau einer CSV im Ordner auch `survey-context.md`), lesen — und dann etwas tun, das kein anderer Skill tut: **es gegen die Daten prüfen.** Überall sonst ist der Kontext Hintergrund; hier ist er eine Behauptung auf dem Prüfstand. Ein Widerspruch zwischen dem, was im Kontext steht, und dem, was die Daten zeigen, ist ein **eigenständiger Befund** — oft ein schwererer als eine Han