老师利用计算机分析学生成绩属于什么,倾向分数方法应用：中学生课堂计算机使用对其数学成绩的影响...

原标题：倾向分数方法应用：中学生课堂计算机使用对其数学成绩的影响

来源：教育学报，作者：辛涛; 邹舟

摘 要：在计算机使用对学业成就影响的研究中, 研究者得出的结论是不一致的。这可能是因为现有研究多数未能控制其他影响变量, 而只能说明计算机使用与学业成就的相关关系。倾向分数方法是一种可做因果推断的统计方法。选取北京市24所中学所有七、八年级学生及其数学教师进行施测, 运用倾向分数方法探讨学生计算机使用与数学成绩之间的关系。结果表明:在数学课堂中常使用计算机的学生, 其成绩显著高于那些不使用或很少使用计算机的学生。

关键词：数学成绩; 倾向分数; 计算机;

1

引言

信息技术的发展推动着人类社会的变革与进步, 如今, 信息技术的使用已渗透到我们生活、工作和学习中的各个领域。2001年, 教育部在《基础教育课程改革纲要 (试行) 》中明确提出:“大力推进信息技术在教学过程中的普遍应用, 促进信息技术与学科课程的整合, 逐步实现教学内容的呈现方式、学生的学习方式、教师的教学方式和师生互动方式的变革, 充分发挥信息技术的优势, 为学生的学习和发展提供丰富多彩的教育环境和有力的学习工具。” 04年教育部实施的《03-07年教育振兴行动计划》中, 再次强调了现代信息技术在教育系统中应用的重要性。在国家政策的引导下, 我国在教育信息化上投入了大量的人力、财力, 力求通过信息技术的使用来全面提高基础教育水平。随着信息技术在中小学教育中的大力推进, 各种关于基础教育中信息技术使用的研究与讨论也纷纷展开。

孟琦[1]在对国内外教育技术有效性研究的元分析中发现, 目前国内关于教育信息化的研究大多是泛指中小学教学, 对于某个具体的学科内容领域的研究很少。并且多数研究是对原则、方法的思辨性的讨论, 缺乏实证数据的支持。而国外的研究则更多是定量研究, 主要探讨教育技术运用对学生认知成绩、学习策略、情感等因素上的影响作用。而在2002年美国通过的《不让一个孩子掉队》法案中, 明确提出了几个进行信息技术应用效果研究的关键变量——信息技术的使用对学生学业成就的影响。这对教育技术研究的发展起了限定和导向的作用。此后, 国外定量研究更多关注于学生的学业成就, 以分析探讨教育技术对学业成就的影响状况。

课堂中信息技术的应用是信息技术教学的一个关键部分, 而在信息技术对学业成就的影响研究中, 多数研究也更为关注学校课堂上计算机使用状况与学生学业成就之间的关系。这一类研究可分为两个方面:学生在课堂使用计算机与其学业成就的关系, 教师在课堂应用计算机教学与学生学业成就的关系。研究发现, 学生在校使用电脑时间/频率与学生成绩之间存在负向的关系[2][3]。OECD对PISA2003数据的描述统计分析发现, 在校使用计算机在中等程度的学生, 其学业成绩得分最高, 而得分最低的是那些在校使用计算机最为频繁的学生。一种可能的原因是在学校接受计算机辅助教学的是那些成绩相对较差的学生, 因此形成了上述的负相关。在教师使用信息技术方面, 教师使用电脑来教授高级思维时能显著提高学生的学业成绩, 而在教授低级思维时, 其使用频率的增加会降低学生的学业成绩[3]。而国内一些研究表明, 教师使用计算机的频率或时间与学生的学业成绩之间没有显著关系[4]。

可见, 尽管课堂教学中信息技术的应用是一个严肃的话题, 但目前的研究结论并不一致。产生这种差异的原因可能是多方面的。一个可能是部分研究没能较好地对混淆变量加以控制。影响学生学业成就的因素是多方面的, 所以要尽可能排除了这些因素的影响后再来探讨信息技术应用对学生成绩的影响。另一个可能的原因是, 现有研究多采用描述统计、相关分析或回归等简单统计方法来说明信息技术应用与学业成就关系, 只能描述状况, 不能深入探讨信息技术应用与学生成绩之间的因果关系。因此, 本研究试图改进统计方法, 得出具有因果关系的结论, 进而更真实的展现信息技术应用对学业成就的影响。

倾向分数 (propensity score) 方法是近年来得到广泛运用、可以有效处理特征变量从而进行因果推断的一种统计方法。Rosenbaum和Rubin在1983年提出倾向分数时所给出的定义是:倾向分数是个体i (i=1, …, N) 在所观察到的协变量xi下划分到处理组 (Zi=1) 或控制组 (Zi=0) 的条件概率[5]。用公式表示即是:

E (xi ) =pr (Zi=1∣Xi=xi )

当两个体的倾向分数接近的时候 (pra≈prb) , 两个体的特征变量也趋于一致 (Xa≈Xb) 。由上可知, 倾向分数可以将全部的协变量整合为一个压缩的分数, 通过比较匹配倾向分数, 可以有效的均衡处理组和控制组的被试, 使两组被试在特征变量上均衡一致, 进而探讨分组变量和结果变量之间的关系。对于倾向分数的获得, 一般采用判别分析或logistic回归的方法。当特征变量中包含二分变量时, 多选用logistic 回归的方法。计算倾向分数可分为两个步骤:首先以分组变量为因变量, 选取特征变量做logistic 回归, 建立估计倾向分数的模型;然后根据个体的特征变量及估计出的模型参数, 得到每个观察对象的倾向分数。

已有的研究主要介绍了三种倾向分数的应用方法:匹配法 (matching) , 分层法 (stratification or sub-classification) 以及回归调整法 (regression adjustment) 。其中, 匹配法和分层法是在观察研究中长期被用于消除选择性偏差 (selection bias) 的有效方法。

匹配法是从控制组中挑选出个体以匹配处理组被试的方法。从处理组逐次挑选被试, 在控制组中寻找与此被试的倾向分数最为接近的全部被试, 再随机从抽取出的全部被试中抽取一个或多个作为处理组被试的对照被试。这种方法常用于处理组被试数量较少而控制组被试数量较大的情况。分层法是将被试按照倾向分数的一定标准区分为若干层, 在不同层次的倾向分数上, 均衡其他特征变量从而实现处理组和控制组之间的比较。研究发现, 采用五等分的分层法可以有效的消除倾向分数模型中所有特征变量95%的偏差。回归调整法是将倾向分数作为一个协变量, 引入回归方程, 再来探讨分组变量与因变量之间的关系。

综上, 本研究将使用调查问卷和数学成就测验收集教师、学生的背景变量及学生的数学成绩, 使用倾向分数的匹配法, 在控制学生、教师相关变量的前提下, 探讨学生课堂计算机使用状况与其数学成绩之间的关系。

2

研究方法

1. 被试

从北京市中选取四个区进行测查, 按区域所在位置可划分为中心城区、城区、城乡结合部和远郊区。采用随机抽样方法, 在四个区中共抽取24所中学的全部七、八年级班级, 以学生班级为测查分析的基本单位, 对测试班级内所有学生全部进行测查, 共有10541名学生和166名数学教师参与了此次调查。其中七年级学生为5464名, 教师85名, 八年级学生5077名, 教师81名。

2. 测查工具

包括数学学业成就测验、学生问卷及教师问卷。本研究的测查工具采用密西根州立大学现有数学学业测验及学生、教师背景问卷的中文修订版。这套工具已在美国收集了数千名教师、二十多万名学生的数据, 并且这套工具自编制以来已进行了两次修订, 具有良好的信效度。学生问卷主要包括学生性别、年级、作业时间、课外辅导时间、数学学习兴趣与动机、学生家庭社会经济地位以及学生计算机使用状况等信息。教师问卷主要包括教师性别、教龄、学历、大学所学专业、职业发展活动等信息。

由国内的数学学科领域专家和熟悉国际大型测评项目的专家结合我国的数学课标、实际数学教学情况和文化背景, 对工具进行翻译和修订的工作, 之后又将翻译结果同美国专家进行了回译工作, 以确保工具的有效性。

3. 变量选取(1) 因变量

本研究的因变量是学生在数学成就测验上的原始得分。数学测验客观题采用机读卡进行评分, 主观题根据专家制定的评分细则, 选取在校研究生进行评分, 并计算评分者信度。

(2) 自变量

本研究自变量为学生在数学课上使用电脑的频率, “基本不使用”编码为0, 为控制组;“使用或经常使用”编码为1, 为处理组。

(3) 特征变量

通过logistic回归预分析, 选取学生和教师两个层面共计8个特征变量:学生层面包括学生的年级、家庭藏书量、在校使用电脑时间以及学生所在地区, 教师层面包括教师的教龄、性别、学历以及教师为演示教学材料而使用电脑的频率。

表1 特征变量描述表

特征变量

量化

没有、有分别编码为0、1

学历

教师性别

男女分别编码为0, 1

五点量表:不用, 很少, 每月几次, 每周几次, 每天都用

学生年级

七、八年级

五点量表:0-10本, 11-25本, 26-100本, 101-200本, 200本以上

五点量表:少于30分钟, 大约30分钟-1小时, 大约1小时-2小时, 大约2小时-3小时, 多于3小时

地区

分为四个地区:中心城区、城区、城乡结合部、偏远郊区

表2 数学测验的内部一致性系数

3

数据分析及结果

1.工具分析结果

数学成就测验利用矩阵抽样技术进行设计, 矩阵抽样是一种通过将测验题目的随机平行等份分配给随机选取的学生来估计测验总分统计量的一种技术。将一套完整的测试题目分割成九套试题册, 每套试题册都包含有完整测试的部分内容, 而九套试题册相互之间都是不一样的。参加测试的学生只需完成九套试题册中的一套试题即可。虽然从个体角度而言, 并没有完成所有的测试内容, 但是从参加测试的班级、学校等群体层面来看, 一个群体内的学生都完成了所有的测试内容。

采用克伦巴赫α系数对九套试题册的同质性信度进行考察, 九套试题册的内部一致性系数在0.817—0.868 之间, 表现出较高的内部一致性, 具体结果见表2。

本研究邀请了两位数学学科教育专家和三位从事中学数学教学实践的专家对十五套试题册从所测内容的范围和代表性、项目与所欲测量特质之间的关联性、题目形式对内容的适当性等若干方面进行分析评价, 五位专家评价的一致性达到98.5%, 表明测验的内容效度较高。

2.计算机配置基本情况

硬件配置是进行计算机化教学的先决条件。描述统计发现, 四个区中, 教室配备有电脑的班级比例均很高:在中心城区, 几乎所有班级都配有电脑 (在46个有效数据中, 仅有一个未配备电脑) ;在城区、城乡结合部和远郊区, 配有电脑的班级也占到调查总班级数的85%-90%。而在北京教科院基础教研中心2001年的一项调查结果中, 中小学班级配备电脑数仅占2.1%。可见, 近几年国家和社会十分重视基础教育中的信息化教学, 从北京地区学校来看, 大多数学校的硬件配置都较之前有了大幅度的提升, 如此大的投入是否能产生预期的效果, 这也是我们后面的分析所要解答的问题。

3. 学生课堂使用计算机频率对数学成绩影响分析

(1) 以学生在课堂使用计算机频率为因变量, 建立估计倾向分数的logistic模型:首先将可能影响学生在课堂使用计算机频率的变量全部纳入logistic回归, 筛选出在回归模型中显著的变量。表3是logistic回归结果, 可以看出, 在纳入回归方程的八个特征变量中, 仅地区对分组变量的影响没有达到显著, 其他七个变量均对分组变量有显著影响, 说明在分析学生课堂使用计算机频率与学生数学成绩关系时, 必须考虑到消除这些变量所带来的影响。然后根据确定的logistic模型, 进一步估计出每个学生的倾向分数。

表3 倾向分数各特征变量估计参数

特征变量

β

χ2

p值

截距

-0.692

13.815

<0.001

地区1

0.039

0.965

0.326

地区2

-0.064

2.32

0.128

地区3

0.071

2.889

0.089

年级

-0.163

48.751

<0.001

0.112

32.28

<0.001

0.178

59.124

<0.001

0.081

8.258

0.004

教师性别

0.081

8.76

0.003

教师学历

0.102

3.973

0.046

-0.344

59.773

<0.001

(2) 根据所估计出每个个体的倾向分数, 在分组变量上进行匹配, 以保证匹配后的分组变量与倾向分数相互独立。前人研究中所使用的匹配法包括近邻法 (nearest neighbor) 、半径法 (radius) 、马氏距离法 (mahal-anobis distance) 和核法 (kernel) 。本研究所选用的方法是处理组和控制组单对单匹配的近邻法, 此种方法能得到更为精准的匹配结果[6]。共抽取出715对被试。

(3) 对倾向分数匹配前后的特征变量进行均衡性比较:在控制组和处理组之间, 比较匹配前后各特征变量上的差异。表4中列出了原始数据和匹配法抽取样本在各特征变量上的均衡性分析结果 (地区变量在logistic回归中不显著, 因此不再进行均衡性比较) 。结果显示, 在匹配之前, 控制组和处理组在七个特征变量, 以及所得出的logit分数上均存在显著差异, 而按倾向分数匹配后, 对数据的配对样本t检验发现, 两组被试在各特征变量的构成比上基本一致, 差异无统计学意义。

(4) 学生在课堂使用计算机与数学成绩之间关系分析。通过第1步和第3步的分析可以发现, 所得出logistic模型中的特征变量与分组变量有较强联系, 而在匹配倾向分数后可以有效地在分组变量上消除这些特征变量的差异。因此, 可使用配对样本t检验方法探讨匹配后数据在数学成绩上的差异情况。具体结果见表5。结果显示, 在排除了学生年级、学生家庭藏书量、学生每周在校使用电脑时间、教师学历、教室是否有电脑、教师性别以及教师为演示教学材料而使用电脑时间这七个变量的影响后, 学生在数学课堂中是否使用计算机与其数学成绩关系仍然显著——在课堂中使用或经常使用计算机的学生, 其数学成绩高于那些很少使用或不使用的学生。

表4 倾向分数匹配前后特征变量均衡性比较

表5 学生课堂使用计算机频率与数学成绩关系

4

讨论

在本研究中, 对学校计算机配置情况的调查发现, 与01年北京调查的结果相比, 北京市中小学在计算机配备情况上有了较大的改善, 特别是在城乡结合部及远郊区, 从01年调查中与城区的显著差距, 发展到目前与城区在硬件配置上几乎均衡无差异, 这说明在新世纪以来, 国家推行的普及中小学信息技术教育、尤其是注意城乡间均衡发展的政策措施实施的有效性。而中小学信息化设备的完善正是为下一步深入发展信息化教育、以信息化带动教育现代化奠定坚实有力的基础。基础设施的配备提供了我们进行信息化教学研究的平台。本研究中, 绝大多数学校的班级内配置有电脑, 这也在一定程度上保证了本研究样本的代表性。

通过倾向分数的方法均衡处理组和控制组在七个特征变量上的差异之后, t检验结果显示, 在课堂中使用或经常使用计算机的学生, 数学成绩要高于那些很少使用或不使用的学生。这个结果也与国外一些元分析的研究结论相一致[7][8]。这可能是因为应用信息技术教学, 使得教师导向的教学模式转变为着重以学生为中心的课堂教学模式, 从而让学生更主动地参与到学习中来, 提高了学生学习的积极性和学习动机。有相关研究在比较计算机化教学和传统教学中师生间互动关系时发现, 在计算机化教学中, 师生互动更加以学生为中心, 并且呈现出个性化的特点[9]。

但也有研究表示, 学生使用计算机与学生成绩之间的关系较为模糊, 不仅要关注学生是否使用计算机或其使用频率, 更重要的是要进一步分析学生使用计算机的主要用途[3]。Wenglinsky发现, 主要使用计算机进行重复练习的学生, 其成绩低于总体平均成绩, 而那些主要使用计算机进行模拟、问题解决等较高层面思维能力训练的学生, 其成绩高于总体平均成绩。本研究仅以学生课堂使用计算机和学生成绩关系作了一定探讨, 而学生使用信息技术的主要用途、教师对信息技术的使用状况及使用能力等都会对信息技术应用于教学的效果产生影响, 此外尚有一些影响信息技术应用效果的因素未明晰, 这就需要在这一领域进行更深入的研究, 以求为教学信息化提供更加全面可靠的科学依据。

当前, 信息技术应用于工业和科学领域带来了巨大效益, 而在教育领域的应用却因缺乏准确可信的研究结论而尚未得到有效指导。信息技术在基础教育中的大力推广给我们创造了进行研究实验的机会。将实验研究结果与理论探讨相结合, 更科学有效地指导信息化教学, 这是今后信息技术应用于教学的一个必然趋势。

5

参考文献

[1]孟琦.课堂信息化教学有效性研究——教育技术之实用取向[D].博士学位论文.华东师范大学教育科学学院.2006.

[2]Papanastasiou, E., Zembylas, M.&Charalambos, V.Can computer use hurt science achievement-The USAresults from PISA[J].Journal of Science and Technology, 2003, 12:325-332.

[3]Wenglinsky, H. (1998) .Does it compute-The relationship between educational technology and student achievement in mathematics.Educational Testing Service Policy Information Center.Retrieved October15, 2008, from http://ets.org/Media/Research/pdf/PICTECHNOLOG.pdf.

[4]黄慧静, 辛涛.教师课堂教学行为对学生学业成绩的影响:一个跨文化研究[J].心理发展与教育, 2007, (4) :57-62.

[5]Rosenbaum, P.R., &Rubin, D.B.The central role of the propensity scorein observational studies for causal effects[J].Biometrika, 1983, 70 (1) :41-55.

[6]辛涛, 李峰.社会科学背景下因果推论的统计方法[J].北京师范大学学报:社会科学版, 2009, (1) :47-51.

[7]Waxman, H., Megn-Fen, L., &Michko, G. (2003) .A meta-analysis of the effectiveness of teaching and learning with technology on student outcomes.Retrieved October15, 2008, fromhttp://www.ncrel.org/tech/effects2/.

[8]Kulik, J. (1994) .Meta-analytic studies of findings on computer-basedinstruction.In Baker, E.L.and O Neil, H.F.Jr. (Eds.) , Technology assessment in education and training. (pp.9-33) Hillsdale, NJ:Lawrence Erlbaum.Retrieved May20, 2008, fromhttp://books.google.cn/.

[9]Swan, K., &Mitrani, M.The changing nature of teaching andlearningin computer-based classrooms[J].Journal of Re-search on Computingin Education, 1993, 26 (1) :40-54返回搜狐，查看更多

责任编辑：