AIEd 知识库AIEd KB
本页内容

本页面已译为中文。文章页面仍以英文撰写。 阅读本页的英文版本

概念

潜在类别分析

创建 2026-09-20 · 更新 2026-10-09

本页是英文页面的机器翻译，尚未经母语者审校。

潜在类别分析（LPA）——一种以人为中心的方法，当每个个案同时由若干变量描述时，它把样本分入未观测到的子群（类别）。它是混合模型家族中处理连续指标的成员；它的姊妹方法**潜在类别分析（LCA）**把同样的逻辑用于类别指标。两者与主导 AI in education 研究的以变量为中心模型提出了不同的问题：不是"X 平均而言预测 Y 多少"，而是"那个平均数里面藏着多少种不同的学习者、教师或管理者"。在本知识库中，这个方法显示同一个 AI 工具在不同子群上落地非常不同——加纳本科生中有五种伦理觉察类别、乌克兰教育管理者中有六种就绪类型、台湾职前教师中有四种生成式 AI接纳类别。

值得思考的问题

  • 一项研究报告学生对 AI 的平均接受度为 5 分制中的 3.8。如果一组热情而另一组暗暗抵触，这个平均数可能掩盖了什么？
  • LPA 建模连续分数；LCA 建模类别。如果你把访谈回答编码为"提到过度依赖：是/否"，你需要哪一个？
  • 五类别解的熵为 0.816；四类别的竞品解熵为 0.929，但对数据的描述没那么丰富。你会发表哪一个？
  • 类别是描述性的，不是因果的。如果一个"抗拒的怀疑者"类别表现出高易用性但低采纳意愿，这支持什么，又不支持什么？

引言

多数 AI in education 证据是以变量为中心的：它估计平均关系，而平均假定了同质性。以人为中心的方法反过来以人为分析单元，追问样本中存在多少种不同的属性构型。LPA 属于这一家族，它在这里的回报是：把学习者多样性从修辞主张转化为可测量的发现——当伦理觉察类别从 26.1% 一路铺开到 4.5%，而样本均值相当舒适时，差异化就不再是一种设计偏好。

这个方法做什么，何时它才是对的工具

LPA 假定样本来自若干子群的混合，每个子群在各指标上有自己的均值和方差。研究者提供指标和组数；算法估计每个个案的成员概率并按最高概率归类，返回每组的均值类别、每个类别的规模，以及个案分离得多干净的汇总。用家族中的哪一个成员，取决于指标而不是研究问题：

  • **LCA——类别指标。**Becker 及其同事把 1,189 名物理学生开放作答的编码类别转化为指标变量，保留了两个类别：务实使用者（70%）和怀疑的非使用者（30%）；由于未被提到的话题计为"未表赞同"，作者在分析数据框中标注了零膨胀。
  • LPA——连续指标，如量表分数和构念均值。Chen 及其同事在五个TAM/UTAUT2 构念上刻画了 128 名台湾职前教师；Acquah 及其同事在三个伦理觉察维度上刻画了 509 名加纳本科生；Schweder 及其同事在动机性需要满足上刻画了 2,464 名学生。
  • 潜在（类别）转移分析把这一家族扩展到时间维度，估计每个波次的类别及在类别间移动的概率。Liang 及其同事追踪了 2,086 名学生一年的 AI 学习动机；Wu 在三个波次上追踪了 457 名日语学习者，适应不良类别从 26.48% 收缩到 17.74%。

普通聚类（k-means 和层次聚类）追求同样的以人为中心的意图，但按几何距离而非概率模型来划分个案。当问题关乎子群时——"这名学习者"在你的样本聚合层级上是否是一个虚构，以及子群是否在形状上而不只是水平上不同——去用 LPA 或 LCA。当你需要一个平均处理效应时，不要用它：一项对适应性导师的随机试验中的五类别解预测出了后测差异（partial η² = .27），但没发现条件 × 类别交互（ps ≥ .198）。

语料如何使用它

有三种用法反复出现。

  • **在设计之前先确立异质性。**Kremen 及其同事对 395 名乌克兰教育管理者的调查用以人为本的 LCA 表明"这名管理者"是个虚构：六种类型从受能力约束型（25.6%，有意愿但无技能）到无障碍怀疑者型（就绪度最高却有 74% 不信任 AI），作者把它们解读为对差异化培训的授权。
  • 跨系统对齐作为稳定性检验。Fang 与 Jin（2026）从 49 个教育系统的 40,680 名教师中保留了四种信念类别（从漠然 6.13% 到有节度的认同 56.29%），而改变对齐参照后分类一致性仍为 99.62%——同时效用在全部 49 个系统中把类别排成同一顺序，而风险并没有。
  • **恢复被平均数掩盖的子群。**Acquah 及其同事从"全面很高"（26.1%）到"低伦理觉察"（4.5%，善意 2.06）保留了五个伦理觉察类别，铺开范围从刚好超过样本的四分之一到不足二十分之一。Chen 及其同事发现"抗拒的怀疑者"报告了高感知易用性但很低的行为意愿——这是语料中最清晰的证据，表明易用性/意愿悖论对均值水平模型是不可见的。
  • **刻画校准而非水平。**教师 AI 素养研究把 LPA 用于自评与客观测量之间的一致性，得到六个类别：高估、低估、一致，以及一个集中在没有AI 素养经验的教师中的低/低组。这里类别描述的是跨工具的模式，而非分数段。

随后类别被当作自变量：在职前教师中学科塑造了成员归属（Cramér's V = 0.532，STEM 学生集中在"技术先锋"），而在语料的其他地方成员归属预测了后来的自我效能、倦怠和AI 焦虑。

选择类别数量

没有单一统计量能选出解；语料把保留当作由若干判据共同做出的判断。

  • **信息判据（BIC、AIC）。**越低通常越好，但单调下降是在提示问题而非选出赢家。在乌克兰管理者研究中，BIC 在二到六类的整个区间上单调下降，没有明显极小值，作者据此把自己的六类解称为探索性的。

  • **熵。**分类确定性的汇总，越接近 1 表示归类越干净。Chen 及其同事报告四类为 0.985；Acquah 及其同事报告五类为 0.816、四类为 0.929，并自己建议合并以获得更稳定的分组。

  • **可解释性与类别规模。**信任 AI 的类别研究保留了三个簇，尽管 Calinski–Harabasz 指数偏好两个，因为三个才可解释，并指出 0.288 的轮廓系数意味着分离弱或处于临界。Chen 及其同事警告他们最小的类别（128 例中的 14.06%）可能不稳定，而加纳研究最小的类别只有 23 名学生，作者提议合并。

  • **重采样下的稳定性。**Bootstrap 稳定性是类别在新样本中是否会重现的诚实检验：乌克兰六类解的平均调整兰德指数为 0.385，而信任 AI 研究中 100 次随机初始化的平均值为 0.989——名义设计相同，证据重量截然不同。

  • **Bootstrap 似然比检验（BLRT）**与 Lo–Mendell–Rubin 检验是更广混合模型文献中与 BIC 和熵并列的标准搭档，但本知识库中的类别研究并不报告它们。当一页只报告 BIC 和熵时，把类别数当作临时的。

  • 本语料在其他地方省略了的似然比检验。Song et al.（2026）从 379 名商科学生中保留了四个类别（熵 0.824），并报告了 Lo–Mendell–Rubin 判定：四个类别时显著（p = 0.035），五个时不显著（p = 0.376）。

  • 用竞品解加似然比检验来为保留辩护。Suriá-Martínez et al.（2026）报告四类解对 102 名学生的拟合略好但改进不显著，且留下一个只占 12.7% 的最小类，因此他们保留了三个类别（熵 .89），而非数值上拟合更好的模型。报告落选的解以及是什么使它不合格，正是让保留的类别数成为读者可以检验的判断的东西；而该研究专门编制的 12 题 AI 使用量表——在一个作者自陈为初步的 85 人独立样本上验证——划出了其证据的另一条边界。

报告比较，而不只是赢家：一页若只说"我们保留了五个类别"，却不给出竞品解、熵值和最小类别的规模，读者就无从判断这个选择。

读结果、报告结果，以及它们在哪里出错

读一个类别，既看它的水平也看它的形状。在加纳研究中，各类别在自主性、善意和公平的构型上不同——最大的那个把强烈的自主性认同与较低的善意并置——因此两个类别可能总体水平相近，却要求不同的教学。

四条注意事项，每一条都写在其来源页中：

  1. **类别是描述性的。**它们说明样本中有谁，不说明为什么，横断面设计无法显示稳定性或变动（职前教师、加纳和物理研究）。只有纵向分析——一项为期一年的转移研究和 Wu 的三个波次——支持关于变动的论断，即便在那里，变动也只是关联而非干预效应。
  2. **成员归属是估计出来的，不是观测到的。**个案按最高后验概率归类，因此靠近边界的个体是带着真实的不确定性被分类的；低熵和弱的轮廓值意味着边界应当读作柔软的。
  3. **指标的选择定义了答案。**类别完全取决于哪些变量进入模型，因此一项研究从未测量过的异质性就是它无法发现的异质性——加纳研究只收集了性别一项背景变量，因而无法说什么预测成员归属。
  4. **被发现的异质性不是被发现的因果。**导师试验中类别 × 条件的零结果就是提醒：在试验内对一个结果做类别刻画，并不是对处理的调节检验。

对 AI in education 的启示

  1. **在推荐干预之前先测量异质性。**本语料中的类别反复把四分之一以上的样本置于头条平均数之下；为实际存在的类别而设计，而非为均值而设计。
  2. **当交付物是差异化时，优先用以人为中心的方法。**职前教师和管理者研究都把这种转变当作自己的方法论贡献，因为平均预测因子无法揭示出那些能证明差异化支持之正当性的构型。
  3. **完整报告保留证据。**发表 BIC/AIC 比较、熵、类别规模，以及一项稳定性检验，并直白说明某个类别数何时是探索性的。
  4. **把类别当作诊断而非标签。**类别是一个带有估计边界的研究构念，因此一个把个体分配到命名类别的工具，带着任何测量工具的告诫——而学习者群体间的差异效应值得任何子群分析所应有的审察。

关联概念

关联文章

元数据

研究方法与评价量化研究, 教育人工智能的研究方法
SourceHistoryEditChat

嵌入此页

复制下面的代码，将本页嵌入学习管理系统或其他网站。嵌入版本只显示页面内容 — 网站的页眉、导航和页脚会被隐藏。