База знань AIEdAIEd KB
На цій сторінці

Ця сторінка перекладена українською. Сторінки статей досі написані англійською. Читати цю сторінку англійською

Концепції

Аналіз латентних профілів

Створено 2026-10-13

Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.

Аналіз латентних профілів (ЛПА, LPA) — персцентрований метод, який сортує вибірку на неназвані підгрупи (профілі), коли кожен випадок описаний одразу кількома змінними. Це член родини моделей сумішей із безперервними індикаторами; його родич аналіз латентних класів (ЛКА, LCA) застосовує ту ж логіку до категоричних індикаторів. Обидва ставлять питання, відмінне від variable-centered моделей, що домінують у дослідженнях ШІ в освіті: не «наскільки X передбачає Y усередненому», а «скільки різних типів здобувача, teacher чи менеджера ховається всередині цього середнього». У цій базі знань метод показує, що один інструмент ШІ приземлюється зовсім по-різному на різних підгрупах — п’ять профілів етичної обізнаності серед ганських студентів бакалаврату, шість типологій готовності серед українських менеджерів освіти, чотири профілі прийняття generative-AI серед тайванських майбутніх викладачів.

Питання для роздумів

  • Дослідження повідомляє, що середній комфорт студентів із ШІ становить 3,8 з 5. Що могло б приховувати це середнє, якщо одна група — ентузіасти, а інша — тихо опирається?
  • ЛПА моделює безперервні бали; ЛКА моделює категорії. Якщо ви кодуєте відповіді інтерв’ю як «згадує overreliance: так/ні», який з них вам потрібен?
  • Рішення з п’ятьма профілями повідомляє ентропію 0,816; конкурентне рішення з чотирма дає 0,929, але описує дані менш багато. Яке ви б опублікували?
  • Профілі є описовими, а не причинними. Якщо профіль «Скептичні опірники» показує високу легкість використання, але низький намір упровадити, що це підтверджує, а що — ні?

Вступ

Більшість доказів у сфері ШІ в освіті є змінноцентрованою: вона оцінює середні відносини, а середні припускають однорідність. Персцентровані методи натомість беруть особу як одиницю аналізу та питають, скільки відмінних конфігурацій атрибутів існує у вибірці. ЛПА належить до цієї родини, і його користь тут у тому, що він перетворює різноманітність здобувачів із риторичного твердження на вимірюваний висновок: коли профілі етичної обізнаності розходяться від 26,1 % до 4,5 % попри комфортне середнє вибірки, диференціація перестає бути питанням проєктного смаку.

Що робить метод і коли він є правильним інструментом

ЛПА припускає, що вибірка взята зі суміші підгруп, кожна з власними середніми та дисперсіями за індикаторами. Дослідник задає індикатори та кількість груп; алгоритм оцінює ймовірність належності кожного випадку й призначає за найвищою ймовірністю, повертаючи середній профіль на групу, розмір кожного профілю та підсумок того, наскільки чітко розділяються випадки. Якого члена родини використати, випливає з індикаторів, а не з дослідницького питання:

  • ЛКА — категоричні індикатори. Becker і колеги перетворили кодовані категорії відповідей відкритих відповідей 1 189 студентів фізики в індикаторні змінні й утримали два класи: Прагматичні користувачі (70 %) і Скептичні некористувачі (30 %); оскільки незгадана тема рахується як «відсутність підтримки», автори позначають зероінфляцію в аналітичному датафреймі.
  • ЛПА — безперервні індикатори, зокрема бали шкал та середні конструктів. Chen і колеги профілювали 128 тайванських майбутніх викладачів за п’ятьма конструктами TAM/UTAUT2; Acquah і колеги профілювали 509 ганських студентів бакалаврату за трьома вимірами етичної обізнаності; Schweder і колеги профілювали 2 464 студентів за задоволеністю motivational потреб.
  • Аналіз латентних (профільних) переходів розширює родину на час, оцінюючи профілі на кожній хвилі та ймовірність переходу між ними. Liang і колеги відстежували мотивацію до навчання за допомогою ШІ у 2 086 студентів упродовж року; Wu відстежувала 457 тих, хто вивчає японську, на трьох хвилях, де дезадаптивний профіль скорошувався з 26,48 до 17,74 %.

Звичайне кластеризування (k-means та ієрархічне) переслідує той самий персцентрований намір, але поділяє випадки за геометричною відстанню, а не оцінюючи ймовірнісну модель. Беріться за ЛПА або ЛКА, коли питання стосується підгруп — чи «здобувач» є фікцією на рівні агрегації вашої вибірки, і чи відрізняються підгрупи формою, а не лише рівнем. Не беріться за нього, коли вам потрібен середній ефект впливу: рішення з п’ятьма профілями всередині randomized trial на adaptive tutor передбачало різниці на посттесті (часткове η² = 0,27), але не виявило взаємодії умова × профіль (ps ≥ 0,198).

Як це використовує корпус

Три використання повторюються.

  • Встановлення гетерогенності перед проєктуванням для неї. Опитування Kremen і колег серед 395 українських менеджерів освіти використало персцентрований ЛКА, щоб показати, що «менеджер» є фікцією: шість типологій від обмежених компетентністю (25,6 %, бажання є, а навичок немає) до скептиків без бар’єрів (найвища готовність і водночас 74 % недовіри до ШІ), і автори читають їх як мандат на диференційоване навчання.
  • Міжсистемне узгодження як перевірка стійкості. Fang and Jin (2026) утримали чотири профілі переконань серед 40 680 викладачів у 49 освітніх системах (від Байдужих — 6,13 % до Виміряного схвалення — 56,29 %), і зміна еталонного джерела узгодження залишила узгодженість класифікації на рівні 99,62 % — тоді як корисність упорядковувала профілі однаково в усіх 49 системах, а ризик — ні.
  • Відновлення підгруп, які ховає агрегат. Acquah і колеги утримали п’ять профілів етичної обізнаності від Всеосяжно дуже високої (26,1 %) до Низької етичної обізнаності (4,5 %, благодійність 2,06) — розкид від трохи більше за чверть вибірки до менше ніж двадцятої частини. Chen і колеги виявили, що Скептичні опірники повідомляли про високу сприйняту легкість використання, але дуже низький поведінковий намір — найясніше в корпусі свідчення того, що парадокс легкість використання/намір невидимий для моделі на рівні середніх.
  • Профілювання калібрування, а не рівня. Дослідження ШІ-грамотності викладачів застосувало ЛПА до узгодженості між self-report та об’єктивними вимірами, отримавши шість профілів: переоцінка, недооцінка, узгодженість і група низьке/низьке, сконцентрована серед викладачів без попереднього досвіду AI literacy. Тут профілі описують взірець між інструментами, а не смугу балів.

Профілі потім слугують як незалежна змінна: дисципліна формувала належність серед майбутніх викладачів (V Крамера = 0,532, студенти STEM зосереджені в Технологічних піонерах), а належність передбачала пізнішу Самоефективність, вигоряння та AI anxiety в інших частинах корпусу.

Вибір кількості профілів

Жодна одна статистика не обирає рішення; корпус трактує утримання як судження, ухвалене на основі кількох критеріїв разом.

  • Інформаційні критерії (BIC, AIC). Менше зазвичай краще, але монотонне зниження сигналізує про проблему, а не про переможця. У дослідженні українських менеджерів BIC монотонно спадав у діапазоні від двох до шести класів без ясного мінімуму, і на цьому підставі автори називають своє шестикласове рішення дослідницьким.

  • Ентропія. Підсумок певності класифікації, чим ближче до 1, тим чіткіше призначення. Chen і колеги повідомляють 0,985 для чотирьох профілів; Acquah і колеги повідомляють 0,816 для п’яти профілів проти 0,929 для чотирьох і самі пропонують укрупнення для стійкішого групування.

  • Interpretability і розмір профілю. Дослідження профілювання довіри до ШІ утримало три кластери, хоча індекс Calinski–Harabasz віддавав перевагу двом, бо три були інтерпретованими, і воно зазначає, що коефіцієнт силуета 0,288 сигналізує про слабке або прикордонне розділення. Chen і колеги попереджають, що їхній найменший профіль (14,06 % із 128 випадків) може бути нестійким, а найменший профіль у ганському дослідженні містить лише 23 студентів, і автори пропонують його об’єднати.

  • Стійкість за ресемплінгу. Бутстрап-стійкість — чесна перевірка того, чи профілі відтворилися б у новій вибірці: середній скоригований індекс Rand становив 0,385 для українського шестикласового рішення, але 0,989 за 100 випадкових ініціалізацій у дослідженні довіри до ШІ — те саме за назвою проєктування, зовсім різна доказова вага.

  • Бутстрап-тести відношення правдоподіб (BLRT) і тест Lo–Mendell–Rubin — стандартні супутники BIC і ентропії в ширшій літературі про моделі сумішей, але профільні дослідження в цій базі знань їх не повідомляють. Там, де сторінка повідомляє лише BIC і ентропію, трактуйте кількість класів як умовну.

  • Перевірка відношення правдоподіб, яку цей корпус інакше пропускає. Song et al. (2026) утримали чотири профілі (ентропія 0,824) серед 379 студентів бізнесу і повідомили рішення за Lo–Mendell–Rubin: суттєве для чотирьох (p = 0,035) і несуттєве для п’яти (p = 0,376).

  • Утримання, захищене конкурентним рішенням і тестом відношення правдоподіб. Suriá-Martínez et al. (2026) повідомляють, що рішення з чотирма профілями підігналося до 102 студентів трохи краще, але не поліпшилося суттєво і залишило найменший клас на 12,7 %, тож вони утримують три профілі (ентропія 0,89), а не числово краще підігнану модель. Повідомлення програшної альтернативи і того, що її дискваліфікувало, — це те, що робить утриману кількість класів судженням, яке читач може перевірити, і спеціально сконструйований для цього дослідження 12-пунктовий мірило використання ШІ — перевірений на окремій вибірці зі 85 осіб, яку автори називають попередньою, — позначає іншу межу його доказовості.

Повідомляйте порівняння, а не лише переможця: сторінка, яка каже «ми утримали п’ять профілів» без конкурентного рішення, значень ентропії та розміру найменшого профілю, не дає читачеві жодного способу оцінити вибір.

Читання та повідомлення результатів, і де вони йдуть не так

Читайте профіль за його формою так само, як за рівнем. У ганському дослідженні профілі відрізняються конфігурацією автономії, благодійності та справедливості — найбільший поєднує сильну підтримку автономії з нижчою благодійністю, — тому два профілі можуть лежати на схожих загальних рівнях і водночас вимагати різного викладання.

Чотири застереження, кожне сформульоване на сторінках джерел:

  1. Профілі є описовими. Вони кажуть, хто є у вибірці, а не чому, і поперечні проєктування не можуть показати стійкість або зміну (дослідження майбутніх викладачів, ганське та фізичне). Лише поздовжні аналізи — річне дослідження переходів і три хвилі Wu — підтримують твердження про зміну, і навіть там зміна є асоціацією, а не ефектом втручання.
  2. Належність оцінюється, а не спостерігається. Випадки призначаються за найвищою апостеріорною ймовірністю, тому особи біля межі класифікуються зі справжньою непевністю; низька ентропія і слабкі значення силуета означають, що межі слід читати як м’які.
  3. Вибір індикаторів визначає відповідь. Профілі повністю залежать від того, які змінні входять у модель, тому гетерогенність, яку дослідження ніколи не вимірює, — це гетерогенність, якої воно не може знайти: ганське дослідження зібрало серед тлових змінних лише стать і тому не може сказати, що передбачає належність.
  4. Виявлена гетерогенність — це не виявлена причинність. Нуль взаємодії профіль × умова в досліді репетитора — нагадування: профілювання результату всередині досліду не є тестом модерування впливу.

Наслідки для ШІ в освіті

  1. Вимірюйте гетерогенність, перш ніж рекомендувати втручання. Профілі в цьому корпусі неодноразово розміщують чверть або більше вибірки нижче за заголовне середнє; проєктуйте для профілів, які існують, а не для середнього.
  2. Надавайте перевагу персцентрованим методам, коли результат — це диференціація. Дослідження майбутніх викладачів і менеджерів обидва подають цей зсув як свій методичний внесок, бо середні предиктори не можуть розкрити конфігурації, які виправдовують диференційовану підтримку.
  3. Повідомляйте докази утримання повністю. Публікуйте порівняння BIC/AIC, ентропію, розміри профілів і перевірку стійкості, і відверто кажіть, коли кількість класів є дослідницькою.
  4. Трактуйте профілі як діагностику, а не ярлики. Профіль — це дослідницький конструкт із оціненою межею, тому інструмент, який призначає осіб у названі категорії, несе застереження будь-якого інструмента measurement — і differential effects across learner groups вимагають того ж пильного розгляду, що й будь-який аналіз підгруп.

Пов’язані поняття

Пов’язані статті

Метадані

Методи досліджень та оцінкаКількісне дослідження, Методи досліджень в AIED
SourceHistoryEditChat

Вставити цю сторінку

Скопіюйте наведений нижче код, щоб вставити цю сторінку в систему управління навчанням або на інший вебсайт. Вбудована версія показує лише вміст сторінки — вона приховує заголовок сайту, навігацію та колонтитул.