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

量化研究

创建 2026-08-24 · 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。

量化研究 —— 一族收集与分析 数值 数据以描述模式、检验关系、估计因果效应的实证方法。在 教育 AI 中，量化方法量化 AI 工具是否以及如何影响 学习成果、参与、动机 与 自我效能感，并为 AI 使用的心理与行为机制建模。它们提供了 质性方法 为深度与情境而让出的广度、精确性与因果推断力。

值得思考的问题

  • “使用 AI 导师的学生得分更高” —— 在读之前，这是一个关于因果还是相关的断言，什么单一证据能把一个变成另一个？
  • 一项横断面调查能检验复杂的的中介模型，却永远不能确立因果。为何两个变量即便互不为因也可能在调查中相关？你能想到一种在教育中真正被这种相关误导的方式吗？
  • 量化工具的好坏只取决于它测量什么 —— 而本页指出工具可能测量错误的构念。当你填一份关于“信心”或“参与”的自陈问卷时，它实际可能在捕捉什么，你如何查清？
  • 随机对照试验把学习者随机分配到条件以估计因果效应。什么使随机分配如此有力，当“处理”是一个可能有帮助、而某些学生被拒绝使用的 AI 工具时，会出现哪些实践与伦理问题？
  • 纵向设计追踪同一批学习者随时间的变化 —— 这对区分 AI 抬高的表现与持久学习至关重要。为何高分数的一次快照无法揭示学习是否真的发生？
  • 量化工作提供广度与因果力；质性工作提供深度与意义。在读这份配对之前，你认为仅凭数字最可能在什么地方就一个学习主张误导了你，你会加入什么方法来核验？

引言

量化研究横跨描述性设计（测量流行率与模式）、相关/观察性设计（检验变量间关系）与实验及准实验设计（估计因果效应）。统一它们的是把观察系统地化归为数字、以统计分析之，并把 信度、效度与可推广性 置于优先 —— 这正是 教育测量 的核心关切。

主要的量化路径

调查与相关研究

横断面调查测量自陈的态度、感知、动机、自我效能感 与技术接受，常以回归或结构方程建模（SEM/PLS-SEM）来检验假设的关系与中介。这类方法主导着本知识库的语料，尤其在接受、动机与心理机制问题上。对 AI 辅助英语工具的接受 以 SEM 建于 TAM 之上；生成式 AI 采用路径 使用 PLS-SEM、fsQCA 与重要性—表现映射；教师 AI 素养 使用奠基于 自我决定理论 的因子验证问卷。

  • 优势： 大样本；广泛、低成本的覆盖；检验复杂的中介模型；对难以观察的态度可行。
  • 局限： 横断面数据不能确立因果；自陈偏倚；方便抽样限制可推广性；中介从协方差推断，而非操纵。这些局限的工具侧处理见 自陈测量。

实验与准实验研究

实验把学习者随机分配到条件（如 AI 导师 对 人类导师，或 AI 支架 对 无辅助）以估计对结果的因果效应。随机对照试验（RCT） 是内部效度的金标准。一项关于人类支持加 AI 辅导的随机田野研究 与 一项关于教学中生成式 AI 的随机对照试验 用分配来隔离因果效应。准实验 设计（前/后测、不随机的匹配组）在完整课堂中更可行，但在因果主张上更弱。 Kestin 等人（2025） 转而采用被试内交叉设计：每个学生对同一份物理内容见两次，一次在课堂主动学习课中，一次通过课程自带的 AI 导师，每次前后都有测试，于是每个学习者充当自己的对照，人际差异相互抵消。

  • 优势： 最强的因果推断；干净的结果测量；支持效应量估计与效力主张。
  • 局限： 昂贵且缓慢；人为条件降低生态效度；快速变化的 AI 工具很快使实验过时；小样本不足以检出效应；在扣留有帮助的工具上有伦理约束。

纵向研究

纵向设计追踪同一批学习者随时间的变化，捕捉单时点测量会错失的变化、成长与持久学习。一项纵向学习管理系统研究 追踪学生一整个学年。纵向设计对区分 AI 抬高的表现与 持久学习 至关重要。

数据集之间的比较需要一个固定的工作点：一项对合成教育数据的结构检验发现，按各自阈值分析每个数据集会反转一个在共享点上成立的对比，且其代理比较只需合成数据与自身的置换 —— 一个基于置换的零假设而非绝对阈值（Inoue & Yasutake（2026））。

计算与心理测量式的量化

量化方法也包括通过工具直接测量构念 —— 这是 教育测量 与 项目反应理论 的领域。本知识库的 GLAT 是一份经 IRT 验证的 20 题量化工具；跨 AI 素养、接受与自我效能感的 测量工具 提供了调查与实验研究所依赖的经过验证的量表。

量化研究在本知识库中的出现方式

优势与局限

  • 优势： 精确与统计效力；对已界定总体的可推广性；因果推断（配合实验设计）；高效的大样本覆盖；跨研究可累积且可比。
  • 局限： 只捕捉可测量的东西，常遗漏过程、意义与情境（见 质性研究）；自陈偏倚；工具可能测量错误的构念（见 测量问题）；相关而非因果；相对于 AI 变化可能显得人为且缓慢。

量化与 质性 方法互为补充 —— 量化工作提供广度与因果力，质性工作提供深度与意义。混合方法设计 把二者结合。完整的方法比较以及实验、调查、质性与其他设计之间的对照见 教育 AI 研究方法。

关联概念

关联文章

元数据

研究设计Survey, Experiment
评估与测量教育测量
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。