Исследование в смешанных методах

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Исследование в смешанных методах — проектирование и практика намеренного сочетания количественной и качественной составляющих в рамках одного исследования, так чтобы их сильные стороны взаимодополнялись, а слабые стороны компенсировали друг друга. В ИИ в образовании дизайны смешанных методов широко используются, потому что эффекты ИИ одновременно измеримы (прирост в обучении, вовлечённость) и насыщены смыслом (доверие, Автономность учащегося, идентичность) — и ни опрос, ни интервью в отдельности не фиксируют и то и другое.

Вопросы для размышления

Предположим, опрос показывает, что студенты сообщают о высокой удовлетворённости инструментом ИИ, но результаты тестов не улучшаются. Какое число «верно»? На данной странице утверждается, что сочетание количественной и качественной составляющих позволяет каждой объяснять другую — как могло бы интервью объяснить то, чего не могут числа сами по себе?
Распространённое мнение состоит в том, что числа объективны, а интервью анекдотичны, поэтому количественные доказательства превосходят качественные. На данной странице вместо этого обе стороны трактуются как взаимодополняющие — широта и точность от чисел, глубина и смысл от слов. Когда число без контекста вводит в заблуждение сильнее, чем интервью?
Один паттерн дизайна (последовательный объясняющий) сначала собирает количественные данные, а затем использует интервью, чтобы объяснить поразительные результаты. Можете ли вы вспомнить образовательный результат, который был загадочным в числовом выражении, пока качественные описания не раскрыли механизм?
Триангуляция — это ключевая ценность: когда независимые составляющие сходятся, уверенность растёт, а когда они расходятся, само расхождение информативно. Приходилось ли вам сталкиваться с тем, что два источника свидетельств об одном и том же противоречили друг другу — и чему вас научил этот конфликт?
Смешанные методы могут одновременно фиксировать эффекты (насколько велик прирост в обучении) и смысл (доверие, идентичность, агентность) — то, что не фиксирует ни один отдельный опрос или интервью. Если бы вы изучали, помогает ли инструмент ИИ студентам, какие количественные и качественные вопросы вы бы соотнесли и в каком порядке?

Введение

Дизайны смешанных методов интегрируют широту, точность и причинную силу количественных методов с глубиной, контекстом и смыслом качественных методов. Ценностное предложение — это триангуляция: когда независимые составляющие сходятся на одном и том же выводе, уверенность возрастает; когда они расходятся, само расхождение информативно.

Распространённые паттерны дизайна

Последовательный объясняющий (QUAN → qual). Количественные данные собираются сначала, затем качественные данные объясняют или контекстуализируют поразительные или значимые количественные находки. Исследование в смешанных методах по GenAI и устойчивому обучению соотносит трёхволновые опросы с интервью преподавателей, чтобы объяснить количественный паттерн перехода от усиления к чрезмерной опоре.
Последовательный разведочный (QUAL → quan). Качественная работа строит теорию, порождает гипотезы или информирует проектирование инструмента, который затем проверяется количественно. Качественная типология внедрения ChatGPT даёт категории, которые могут информировать последующее проектирование опроса.
Разведочный последовательный с инвариантностью измерения. Бу и Ли (2026) кодируют интервью, чтобы выявить четыре измерения модели, строят из них инструмент из 22 пунктов, а затем проверяют конфигуративную, метрическую и скалярную инвариантность по полу и предметной области на аналитической выборке из 642 человек, — показывая, что качественная составляющая питает инструмент опроса, а тест инвариантности подтверждает, что конструкции ведут себя одинаково в разных группах.
Конвергентный/параллельный. Количественная и качественная составляющие идут одновременно и интегрируются в анализе. Исследование парадокса компетентности использует фокус-группы преподавателей, опрос студентов и последующие интервью параллельно; исследование разрыва между доверием и полезностью сочетает свидетельства опроса и интервью о внедрении ИИ студентами-физиками.

Как смешанные методы проявляются в базе знаний

Объяснение механизмов. Same AI, different pathways: Unpacking mechanisms of AI-mediated learning across discipline-institution contexts сочетает составляющие, чтобы распаковать механизмы опосредованного ИИ обучения в различных дисциплинарно-институциональных контекстах, где одни только количественные различия были бы непрозрачны.
Дополнение данных о результатах опытом. Безопасность ИИ-репетитора соотносит количественные индикаторы вреда с качественными описаниями педагогического вреда; The Competence Paradox: Negotiating Ease, Risk, and Creative Identity in Text-to-Image Generative AI Use Among Art and Design Students соотносит количественные результаты опроса с качественными описаниями согласования идентичности.
Интеграция без объединения. Ван и Чжао (2026) координируют опрос (N = 131), ручное кодирование 66 текстов о критической вовлечённости и журналы программирования (N = 1 423), которые происходят из разных выборок и никогда не сливаются, присваивая ветви следов без ИИ роль проверки границ, а не подтверждающую роль, — так что каждой составляющей даётся отдельная инференциальная работа, вместо того чтобы сообщать их бок о бок.
Проектирование и оценка. Мультисайтовый эксперимент по проектированию обратной связи с GenAI сочетает экспериментальное измерение результатов с качественной обратной связью от учащихся, интегрируя количественную оценку эффекта с руководством по проектированию.
Свидетельства о процессе внутри крупного испытания. Мата и др. (2026) соотносят системное наблюдение и обсуждения с администраторами с четырёхлетней рандомизированной оценкой 8 708 студентов на протяжении восьми семестров, имеющей мощность для обнаружения эффектов в 0,05 стандартных отклонения, так что одно и то же исследование объясняет организационные условия, которые поддерживали программу чат-бота, и сообщает о строго ограниченных нулевых результатах по среднему баллу и продолжению обучения.
Триангуляция политического феномена. Исследование откладывания приватности студентов в EdTech соотносит двенадцать полуструктурированных интервью с аудитом документов 48 платформ, оцениваемых двумя кодировщиками с определением согласия между оценщиками (средняя κ Коэна = 0,781), используя интервью для объяснения того, почему приватность откладывается, а аудит — для показа паттерна раскрытия, который порождает это откладывание; это конвергентный дизайн, в котором ни одна составляющая в отдельности не могла бы поддержать утверждение (Наир и Гринштадт, 2026).

Сильные и слабые стороны

Сильные стороны: триангуляция повышает уверенность; количественная широта плюс качественная глубина; может объяснять неожиданные результаты и соединять механизм с величиной; производит и эффекты, и смысл; хорошо подходит для сложных, контекстуальных феноменов ИИ в образовании.
Ограничения: сложность, ресурсоёмкость и методологическая требовательность; интеграция может быть поверхностной, если составляющие просто сообщаются бок о бок, а не подлинно сливаются; всё ещё наследует слабые стороны каждой составляющей (например, предвзятость самоотчёта в опросах, зависимость от исследователя в интервью); требует владения обеими методологическими традициями.
Ограничение кластеризации, которое ограничивает вывод. Альшехри и др. (2026) назначают два целостных класса (n = 31, n = 22), поэтому при наличии только двух кластеров сообщаемые t-тесты игнорируют внутриклассовую вложенность, а многоуровневые модели невозможно оценить, из-за чего тесты значимости оптимистичны относительно того, что может поддержать данный дизайн.

Соотношение с более широким ландшафтом методов

Исследование в смешанных методах находится между количественной и качественной традициями, опираясь на сильные стороны каждой и добавляя при этом дисциплину проектирования в виде намеренной интеграции. Это — методологический ответ на признание того, что феномены ИИ в образовании одновременно действенны и насыщены смыслом — и что область движется вперёд быстрее всего, когда широта сочетается с глубиной (см. Методы исследования в AIED). Это связано с Образовательное измерение (количественные инструменты), Разработка теории в области ИИ в образовании (качественное построение теории) и Оценивание ИИ-образования (интеграция свидетельств о результатах и опыте).

Связанные концепции

Связанные статьи

From Enhancement to Over-Reliance: A Mixed-Method Study of Generative AI and Sustainable Learning Performance — From enhancement to over-reliance (surveys + interviews)
The Competence Paradox: Negotiating Ease, Risk, and Creative Identity in Text-to-Image Generative AI Use Among Art and Design Students — The competence paradox (focus groups + survey + interviews)
Trust-utility gap in introductory physics education: Students' adoption, domain-specific skepticism, and preferences for AI integration — Trust–utility gap (survey + interviews)
Same AI, different pathways: Unpacking mechanisms of AI-mediated learning across discipline-institution contexts — Mechanisms of AI-mediated learning across contexts
Human-centered GenAI feedback design in higher education: a multisite experiment on direct, reflective, and hybrid approaches to scientific argumentation — Human-centered GenAI feedback design (multisite)
SafeTutors: Benchmarking Pedagogical Safety in AI Tutoring Systems — AI tutor safety and pedagogical harms
Pragmatic users and skeptical nonusers: A qualitative typology of ChatGPT adoption in physics education — A qualitative typology of ChatGPT adoption in physics
"We'll Fix It Later": Education, AI, and the Deferral of Student Privacy in EdTech — "We'll Fix It Later": Education, AI, and the Deferral of Student Privacy in EdTech

Метаданные

Дизайн исследования	Survey
Методы исследований и оценка	Исследование в смешанных методах, Качественное исследование, Количественное исследование, Методы исследования в AIED

Source History Edit Chat