Количественное исследование

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Количественное исследование — семейство эмпирических методов, собирающих и анализирующих числовые данные для описания паттернов, проверки связей и оценки причинных эффектов. В сфере ИИ в образовании количественные методы измеряют, влияют ли инструменты ИИ на результаты обучения, вовлечённость, Мотивация и Самоэффективность и как именно, а также моделируют психологические и поведенческие механизмы использования ИИ. Они дают широту, точность и силу причинного вывода, которыми качественные методы жертвуют ради глубины и контекста.

Вопросы для размышления

«Студенты, использующие тьютора на базе ИИ, получают более высокие баллы» — прежде чем читать, это утверждение о причинности или о корреляции, и какое единственное свидетельство превратило бы одно в другое?
Поперечный опрос может проверять сложную медиационную модель и при этом никогда не установить причинность. Почему две переменные могут коррелировать в опросе, даже если ни одна не вызывает другую? Можете ли вы придумать способ, которым такая корреляция могла бы по-настоящему ввести вас в заблуждение в образовании?
Количественные инструменты хороши ровно настолько, насколько хорошо то, что они измеряют — и страница отмечает, что инструменты могут измерять не тот конструкт. Когда вы заполняете опрос самоотчёта об «уверенности» или «вовлечённости», что он может на самом деле фиксировать вместо этого, и как бы вы это выяснили?
РКИ (рандомизированное контролируемое испытание) случайным образом распределяет обучающихся по условиям, чтобы оценить причинный эффект. Что делает случайное распределение мощным, и какие практические и этические проблемы возникают, когда «воздействие» — это возможно полезный инструмент ИИ, в котором некоторым студентам отказывают?
Лонгитюдные планы отслеживают одних и тех же обучающихся во времени — это необходимо для того, чтобы отличить раздутое ИИ выполнение от длительного обучения. Почему одиночный снимок высоких баллов не смог бы выявить, произошло ли обучение на самом деле?
Количественная работа даёт широту и причинную силу; качественная работа — глубину и смысл. Прежде чем читать об этом сочетании, где, по-вашему, одни числа скорее всего вводили вас в заблуждение относительно утверждения об обучении, и какой метод вы бы добавили для проверки?

Введение

Количественное исследование охватывает описательные планы (измерение распространённости и паттернов), корреляционные/наблюдательные планы (проверка связей между переменными) и экспериментальные и квазиэкспериментальные планы (оценка причинных эффектов). Их объединяет систематическое сведение наблюдений к числам, анализируемым с помощью статистики, и приоритет, отдаваемый надёжности, валидности и обобщаемости — ключевым заботам Образовательное измерение.

Основные количественные подходы

Опросные и корреляционные исследования

Поперечные опросы измеряют отношения, восприятия, мотивацию, Самоэффективность и принятие технологий по данным самоотчёта, часто моделируемые с помощью регрессии или структурного моделирования уравнений (SEM/PLS-SEM) для проверки предполагаемых связей и медиаторов. Они доминируют в корпусе базы знаний, особенно в вопросах принятия, мотивации и психологических механизмов. Принятие инструментов английского языка с поддержкой ИИ строится на TAM с применением SEM; Пути принятия GenAI использует PLS-SEM, fsQCA и картографирование «важность–результативность»; ИИ-грамотность преподавателей использует факторно-валидированные опросы, опирающиеся на Теория самоопределения.

Сильные стороны: крупные выборки; широкий, недорогой охват; проверяет сложные медиационные модели; применим для отношений, которые трудно наблюдать.
Ограничения: поперечные данные не могут установить причинность; искажение самоотчёта; удобная выборка ограничивает обобщаемость; медиаторы выводятся из ковариации, а не из манипуляции. См. Меры самоотчёта для инструментального рассмотрения этих ограничений.

Экспериментальные и квазиэкспериментальные исследования

Эксперименты случайным образом распределяют обучающихся по условиям (например, тьютор на базе ИИ против тьютора-человека или обучение с опорой на ИИ против обучения без помощи), чтобы оценить причинные эффекты на результатах. Рандомизированные контролируемые испытания (РКИ) — золотой стандарт внутренней валидности. Рандомизированное полевое исследование поддержки человека плюс тьюторства с ИИ и РКИ о генеративном ИИ в преподавании используют распределение для изоляции причинных эффектов. Квазиэкспериментальные планы (до/после, сопоставленные группы без рандомизации) более осуществимы в целостных учебных аудиториях, но слабее в части причинных утверждений. Kestin et al. (2025) вместо этого берут кроссовер «внутри субъекта»: каждый студент встречается с одним и тем же материалом по физике дважды — один раз на занятии активного обучения в аудитории и один раз через собственного тьютора на базе ИИ курса, с пред- и пост-тестами вокруг каждого, — так что каждый обучающийся выступает своим собственным контролем, а различия между людьми сокращаются.

Сильные стороны: сильнейший причинный вывод; чистое измерение результата; поддерживает оценку величины эффекта и утверждения об эффективности.
Ограничения: дорого и медленно; искусственные условия снижают экологическую валидность; быстро меняющиеся инструменты ИИ быстро устаревают эксперименты; малые выборки обладают недостаточной мощностью для обнаружения эффектов; этические ограничения на отказ в полезных инструментах.

Лонгитюдные исследования

Лонгитюдные планы отслеживают одних и тех же обучающихся во времени, фиксируя изменение, рост и длительное обучение, которые упускает измерение в одной временной точке. Лонгитюдное исследование LMS отслеживает студентов в течение учебного года. Лонгитюдные планы необходимы для того, чтобы отличить раздутое ИИ выполнение от длительного обучения.

Межбазовые сравнения нуждаются в фиксированной рабочей точке: структурная проверка синтетических образовательных данных обнаружила, что анализ каждого набора данных на его собственном пороге обращал контраст, который сохранялся в общей точке, и что его суррогатное сравнение требовало лишь самих синтетических данных и перестановок себя — перестановочного нуля вместо абсолютного порога (Inoue & Yasutake (2026)).

Вычислительная и психометрическая квантификация

Количественные методы включают также прямое измерение конструктов с помощью инструментов — область Образовательное измерение и Теория Item Response Theory (IRT). GLAT базы знаний — это количественный инструмент из 20 пунктов, валидированный с помощью IRT; измерительные инструменты по ИИ-грамотности, принятию и самоэффективности дают валидированные шкалы, на которые опираются опросные и экспериментальные исследования.

Как количественное исследование представлено в базе знаний

Утверждения об эффективности и причинности. РКИ и квазиэксперименты проверяют, улучшают ли инструменты ИИ обучение (Access is Not Enough: Human Support Improves Engagement with AI Tutoring, Generative AI Can Harm Teaching, Do Gains from Generative AI-Enabled Adaptive Pretesting Persist? Evidence from a Retention Study).
Пререгистрация и репликация. Meyer et al. (2026) формулируют свои гипотезы и план анализа до испытания и объединяют рандомизированное сравнение по двум семестрам и двум крупным асинхронным курсам, так что оценка опирается на фиксированный план и репликацию, а не на одиночную выборку.
Моделирование механизмов. SEM/PLS-SEM проверяет медиаторов и модераторов принятия ИИ и обучения (Decoding symmetric and asymmetric pathways in generative AI learning adoption: a multi-method study, Acceptance of AI-Assisted English Language Learning Tools in Higher Education: Psychological Correlates Across Disciplinary and Proficiency Groups, Teacher education for artificial intelligence literacy through a self-determination theory perspective).
Панельные модели, разделяющие внутриличностные и межличностные эффекты. Wu и Lu (2026) оценивают модель случайного пересечения (random-intercept cross-lagged) с перекрёстными запаздываниями на трёх волнах данных совместного письма, что разделяет устойчивые различия между студентами от внутриличностного темпорального порядка — того различия, которое позволяет читать возросшую опору на ИИ как предшествующую падению воспринимаемой агентности, а не просто сопутствующую ему.
Измерение и разработка шкал. База знаний документирует разработку и валидацию количественных инструментов (GLAT, Образовательное измерение).
Выполнение против длительного обучения. Barcaui (2025) рандомизирует 120 студентов на обучение с ИИ или традиционное обучение и измеряет удержание с помощью внезапного теста из 20 вопросов через 45 дней после интервенции, так что результатом является то, что выжило после задержки, а не то, что появилось в конце занятия.

Сильные стороны и ограничения

Сильные стороны: точность и статистическая мощность; обобщаемость на определённые популяции; причинный вывод (при экспериментальных планах); эффективный охват крупных выборок; кумулятивность и сопоставимость между исследованиями.
Ограничения: фиксирует то, что измеримо, часто упуская процесс, смысл и контекст (см. Качественное исследование); искажение самоотчёта; инструменты могут измерять не тот конструкт (см. проблемы измерения); корреляция без причинности; может быть искусственным и медленным относительно изменений ИИ.

Количественные и качественные методы — это дополнения: количественная работа даёт широту и причинную силу, качественная — глубину и смысл. Смешанные планы их сочетают. См. Методы исследования в AIED для полного сравнения методов и противопоставлений между экспериментальными, опросными, качественными и другими планами.

Связанные концепции

Связанные статьи

Access is Not Enough: Human Support Improves Engagement with AI Tutoring — Рандомизированное полевое исследование поддержки человека плюс тьюторства с ИИ
Generative AI Can Harm Teaching — Генеративный ИИ может наносить вред преподаванию: РКИ
Acceptance of AI-Assisted English Language Learning Tools in Higher Education: Psychological Correlates Across Disciplinary and Proficiency Groups — Принятие инструментов изучения английского языка с поддержкой ИИ
Decoding symmetric and asymmetric pathways in generative AI learning adoption: a multi-method study — Пути принятия GenAI (PLS-SEM, fsQCA)
Teacher education for artificial intelligence literacy through a self-determination theory perspective — ИИ-грамотность преподавателей через теорию самодетерминации
GLAT: The Generative AI Literacy Assessment Test — GLAT: валидированный по IRT тест грамотности в GenAI
AI-Integrated Learning Management System for Middle School: A Longitudinal Study of Learning Outcomes Through High — Лонгитюдное исследование LMS с интегрированным ИИ
Do Gains from Generative AI-Enabled Adaptive Pretesting Persist? Evidence from a Retention Study — Адаптивное предтестирование и удержание
What Fidelity Metrics Miss: A Structural Check on Synthetic Educational Data — Чего не замечают метрики точности соответствия: структурная проверка синтетических образовательных данных

Метаданные

Дизайн исследования	Survey, Experiment
Оценивание и измерение	Образовательное измерение
Методы исследований и оценка	Количественное исследование, Методы исследования в AIED

Source History Edit Chat