AIEd база знанийAIEd KB
На этой странице

Читать эту страницу на английском

Концепции

Анализ латентных профилей

Создано 2026-10-13

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Анализ латентных профилей (LPA) — ориентированный на человека метод, который распределяет выборку по ненаблюдаемым подгруппам (профилям), когда каждый случай описывается сразу несколькими переменными. Это член семейства смешанных моделей, работающий с непрерывными индикаторами; его родственник — латентно-классовый анализ (LCA) — применяет ту же логику к категориальным индикаторам. Оба задают вопрос, отличный от вопроса ориентированных на переменные моделей, доминирующих в исследованиях ИИ в образовании: не «насколько X предсказывает Y в среднем», а «сколько разных типов учащегося, преподавателя или менеджера скрывается внутри этого среднего». В настоящей базе знаний метод показывает, что один и тот же инструмент ИИ приводит к очень разным результатам в разных подгруппах: пять профилей осведомлённости в вопросах этики среди учащихся старших курсов в Гане, шесть типологий готовности среди украинских руководителей образования, четыре профиля принятия генеративного ИИ среди тайваньских будущих преподавателей.

Вопросы для рассмотрения

  • В исследовании сообщается, что средний уровень комфорта студентов с ИИ составляет 3,8 из 5. Что может скрывать это среднее значение, если одна группа настроена восторженно, а другая тихо сопротивляется?
  • Модели LPA работают с непрерывными показателями; LCA — с категориями. Если вы кодируете ответы на интервью как «упоминает чрезмерную опору на ИИ: да/нет», какой из методов вам нужен?
  • Решение с пятью профилями даёт энтропию 0,816; конкурирующее решение с четырьмя профилями даёт 0,929, но описывает данные менее подробно. Какое из них вы опубликовали бы?
  • Профили носят описательный, а не причинный характер. Если профиль «Скептики-сопротивляющиеся» показывает высокую лёгкость использования, но низкое намерение внедрять технологию, что это подтверждает, а что нет?

Введение

Большинство данных об ИИ в образовании ориентировано на переменные: оцениваются средние взаимосвязи, а средние предполагают однородность. Ориентированные на человека методы вместо этого берут человека как единицу анализа и спрашивают, сколько различных конфигураций признаков существует в выборке. LPA принадлежит к этому семейству, и его ценность здесь в том, что он превращает разнообразие учащихся из риторического утверждения в измеримый результат: когда профили осведомлённости в вопросах этики разбросаны от 26,1 процента до 4,5 процента, несмотря на вполне комфортное среднее по выборке, дифференциация перестаёт быть вопросом предпочтений в дизайне.

Что делает метод и когда он уместен

LPA предполагает, что выборка взята из смеси подгрупп, у каждой из которых свои средние и дисперсии по индикаторам. Исследователь задаёт индикаторы и число групп; алгоритм оценивает вероятность принадлежности каждого случая и относит его к той группе, для которой эта вероятность максимальна, возвращая средний профиль по каждой группе, размер каждой группы и сводку того, насколько чисто случаи разделяются. Какой член семейства использовать, определяется индикаторами, а не исследовательским вопросом:

  • LCA — категориальные индикаторы. Беккер и коллеги преобразовали закодированные категории ответов из открытых ответов 1 189 студентов-физиков в переменные-индикаторы и оставили два класса: Pragmatic Users (70 процентов) и Skeptical Non-Users (30 процентов); поскольку неупомянутая тема считается «отсутствием одобрения», авторы отмечают проблему избыточных нулей в анализируемом наборе данных.
  • LPA — непрерывные индикаторы, такие как шкальные оценки и средние по конструктам. Чен и коллеги профилировали 128 тайваньских будущих преподавателей по пяти конструктам TAM/UTAUT2; Аква и коллеги профилировали 509 учащихся старших курсов в Гане по трём измерениям осведомлённости в вопросах этики; Шведер и коллеги профилировали 2 464 студента по удовлетворению мотивационных потребностей.
  • Анализ латентных переходов (профилей) расширяет семейство во времени, оценивая профили по каждой волне и вероятность перехода между ними. Лян и коллеги отслеживали мотивацию 2 086 студентов к обучению с ИИ в течение года; У наблюдал 457 изучающих японский язык в трёх волнах, при этом доля неадаптивного профиля сокращалась с 26,48 до 17,74 процента.

Обычная кластеризация (k-means и иерархическая) преследует ту же ориентированную на человека цель, но разделяет случаи по геометрическому расстоянию, а не путём оценки вероятностной модели. Прибегайте к LPA или LCA, когда вопрос касается подгрупп — того, является ли «учащийся» фикцией на уровне агрегирования вашей выборки и различаются ли подгруппы по форме, а не только по уровню. Не прибегайте к нему, когда нужен средний эффект воздействия: решение с пятью профилями внутри рандомизированного испытания адаптивного репетитора предсказывало различия в посттесте (частичное η² = .27), но не выявило взаимодействия условие × профиль (ps ≥ .198).

Как его использует корпус

Три способа использования повторяются.

  • Установление неоднородности до того, как для неё что-то проектируют. Опрос Кременем и коллегами 395 украинских руководителей образования использовал ориентированный на человека LCA, чтобы показать, что «менеджер» — фикция: шесть типологий идут от Competency-constrained (25,6 процента, готовы, но не обладают навыками) до Barrier-free skeptics (наивысшая готовность при 74 процентах недоверия к ИИ), и авторы трактуют их как обоснование для дифференцированной подготовки.
  • Межсистемное согласование как проверка устойчивости. Фан и Цзинь (2026) оставили четыре профиля убеждений у 40 680 преподавателей из 49 систем образования (Indifferent 6,13 % до Measured Endorsement 56,29 %), а смена референсного согласования оставила согласие классификации на уровне 99,62 % — при этом упорядоченность профилей по полезности была одинаковой во всех 49 системах, а по риску — нет.
  • Восстановление подгрупп, которые скрывает агрегат. Аква и коллеги оставили пять профилей осведомлённости в вопросах этики — от Comprehensive Very High (26,1 процента) до Low Ethical Awareness (4,5 процента, beneficence 2,06), — то есть разброс от чуть более четверти выборки до менее чем одной двадцатой. Чен и коллеги обнаружили, что Resistant Skeptics сообщали о высокой воспринимаемой лёгкости использования, но об очень низком поведенческом намерении — самое наглядное в корпусе доказательство того, что парадокс «лёгкость использования / намерение» невидим для модели среднего уровня.
  • Профилирование калибровки, а не уровня. В исследовании ИИ-грамотности преподавателей LPA был применён к согласию между самоотчётом и объективными измерениями, что дало шесть профилей: переоценка, недооценка, согласие и группа «низкий/низкий», сосредоточенная среди преподавателей без предшествующего опыта ИИ-грамотности. Здесь профили описывают закономерность по разным инструментам, а не диапазон оценок.

Затем профили выступают в роли независимой переменной: дисциплина влияла на принадлежность среди будущих преподавателей (Cramér's V = 0,532, студенты STEM концентрировались в Technology Pioneers), а принадлежность предсказывала последующие Самоэффективность, выгорание и тревожность по отношению к ИИ в других частях корпуса.

Выбор числа профилей

Ни одна отдельная статистика не определяет решение; в корпусе выбор числа групп трактуется как суждение, выносимое сразу по нескольким критериям.

  • Информационные критерии (BIC, AIC). Меньшее значение обычно лучше, но монотонное снижение сигнализирует о проблеме, а не о победителе. В исследовании украинских руководителей BIC монотонно снижался по всему диапазону от двух до шести классов без явного минимума, и авторы на этом основании называют своё решение из шести классов исследовательским.

  • Энтропия. Сводный показатель определённости классификации; чем ближе к 1, тем чище отнесение случаев. Чен и коллеги сообщают 0,985 для четырёх профилей; Аква и коллеги сообщают 0,816 для пяти профилей против 0,929 для четырёх и сами предлагают объединить группы ради большей устойчивости.

  • Интерпретируемость и размер профиля. В исследовании профилей доверия к ИИ оставили три кластера, хотя индекс Калинского–Харабаша предпочитал два, потому что три были интерпретируемы; там же отмечается, что коэффициент силуэта 0,288 сигнализирует о слабом или пограничном разделении. Чен и коллеги предупреждают, что их наименьший профиль (14,06 процента от 128 случаев) может быть неустойчив, а наименьший профиль в исследовании по Гане содержит всего 23 студента, и его авторы предлагают объединить его.

  • Устойчивость при ресемплинге. Бутстрап-устойчивость — честная проверка того, воспроизвелись бы профили в новой выборке: средний скорректированный индекс Rand составил 0,385 для украинского решения из шести классов, но 0,989 для 100 случайных инициализаций в исследовании доверия к ИИ — одна и та же номинальная конструкция, но очень разная доказательная весомость.

  • Бутстрап-тесты отношения правдоподобия (BLRT) и тест Ло–Менделл–Рубина — стандартные спутники BIC и энтропии в более широкой литературе по смешанным моделям, но исследования профилей в настоящей базе знаний их не приводят. Если на странице сообщаются только BIC и энтропия, считайте число классов предварительным.

  • Проверка отношения правдоподобия, которую этот корпус в остальном опускает. Song и др. (2026) оставили четыре профиля (энтропия 0,824) у 379 студентов-бизнесменов и сообщили решение по тесту Ло–Менделл–Рубина: значимо при четырёх (p = 0,035) и незначимо при пяти (p = 0,376).

  • Выбор числа групп, защищённый сопоставлением с конкурирующим решением и тестом отношения правдоподобия. Суриа-Мартинес и др. (2026) сообщают, что решение с четырьмя профилями подходило для 102 студентов чуть лучше, но не давало значимого улучшения и оставляло наименьший класс на уровне 12,7 процента, поэтому они оставили три профиля (энтропия .89) вместо численно лучше подходящей модели. Публикация проигравшего решения и того, что его дисквалифицировало, — это именно то, что делает выбранное число классов суждением, которое читатели могут проверить; а созданная для этих целей шкала использования ИИ из 12 пунктов — валидированная на отдельной выборке из 85 человек, которую авторы называют предварительной, — обозначает другую границу доказательств этого исследования.

Сообщайте о сопоставлениях, а не только о победителе: страница, которая говорит «мы оставили пять профилей», не приводя конкурирующего решения, значений энтропии и размера наименьшего профиля, не даёт читателям возможности оценить этот выбор.

Чтение и представление результатов, а также типичные ошибки

Читайте профиль и по его форме, и по его уровню. В исследовании по Гане профили различаются конфигурацией автономии, beneficence и справедливости — крупнейший сочетает высокую автономию с более низким beneficence, — поэтому два профиля могут иметь схожие общие уровни и при этом требовать разного преподавания.

Четыре предостережения, каждое из которых сформулировано на исходных страницах:

  1. Профили носят описательный характер. Они говорят, кто есть в выборке, а не почему; поперечные конструкции не могут показать устойчивость или движение (исследования будущих преподавателей, Ганы и физики). Только продольные анализы — годичное исследование переходов и три волны У — поддерживают утверждения о движении, и даже там движение — это связь, а не эффект вмешательства.
  2. Принадлежность оценивается, а не наблюдается. Случаи относятся к группам по наибольшей апостериорной вероятности, поэтому индивиды рядом с границей классифицируются с реальной неопределённостью; низкая энтропия и слабые значения силуэта означают, что границы следует читать как мягкие.
  3. Выбор индикаторов определяет ответ. Профили целиком зависят от того, какие переменные входят в модель, поэтому неоднородность, которую исследование не измеряет, оно и не может найти: исследование по Гане собирало среди фоновых характеристик только пол и поэтому не может сказать, что предсказывает принадлежность.
  4. Обнаруженная неоднородность — это не обнаруженная причинность. Нулевой результат «профиль × условие» в испытании репетитора — напоминание: профилирование результата внутри испытания не является тестом модерации воздействия.

Значение для ИИ в образовании

  1. Измеряйте неоднородность до того, как рекомендовать вмешательство. Профили в этом корпусе неоднократно помещают четверть или более выборки ниже среднего по совокупности; проектируйте для тех профилей, которые существуют, а не для среднего значения.
  2. Предпочитайте ориентированные на человека методы, когда конечный продукт — дифференциация. Исследования будущих преподавателей и руководителей представляют этот сдвиг как свой методологический вклад, потому что средние предикторы не могут выявить те конфигурации, которые обосновывают дифференцированную поддержку.
  3. Сообщайте доказательства выбора числа групп полностью. Публикуйте сопоставления BIC/AIC, энтропию, размеры профилей и проверку устойчивости и прямо говорите, когда число классов носит исследовательский характер.
  4. Трактуйте профили как диагностику, а не как ярлыки. Профиль — это исследовательский конструкт с оценённой границей, поэтому инструмент, который относит индивидов к названным категориям, несёт в себе осторожность любого инструмента измерения, — и различия в эффектах между группами учащихся требуют той же строгости, что и любой анализ подгрупп.

Связанные концепции

Связанные статьи

Метаданные

Методы исследований и оценкаКоличественное исследование, Методы исследования в AIED
SourceHistoryEditChat

Встроить эту страницу

Скопируйте код ниже, чтобы встроить эту страницу в систему управления обучением или на другой сайт. Во встроенной версии отображается только содержимое страницы — заголовок сайта, навигация и нижний колонтитул скрыты.