课程结语

The 3rd section

Yangyong Ye

SOE, RUC

2020-12-22

三个基本假设

• 可量化
• 平均效应
• 归纳推理

??? 对象的特征是可量化，可测量的。这是量化研究得以存在的前提。比较毕业生的收入，学生生成，教师的幸福感，校长的领导力，学生心理健康程度，等等，但是，是否客观对象的特征是否是可以测量的，我们是否可以用数字来表达上述特征。比如学生的标准化考试成绩是否能够代表学生能力？学生的爱国情感是否可以测量？学生的责任意识是否可以测量？

量化研究更多的关系一种的平均的效应，比如一个班级的平均成绩，一项干预措施的平均效应，那么，我们是否需要关注异常值，以学生成绩而言，似乎教师更愿意去关注最大值和最小值，最大值可能与绩效有关，最小值的学生才更需要去关注。比如，对于科技的创新，也可能更多是关注精英，极大值。媒体也更喜欢异常值。

量化研究最后的一个假设，量化研究背后的基本推论是归纳逻辑，以样本以推测总体。因此，这样的结论总是渐进性的。统计推断得出的总是可能性真理。

三个功能

• 描述
• 预测
• 干预（因果推断）

??? 一种以描述为目标的量化研究 提到量化研究，很多研究者会只关注相关性的研究，或者更为”高级”的因果推断的分析，最终走向一种技术中心的研究导向，什么技术最复杂用什么技术。这种研究趋势是不好的。研究的优劣在于我们是否可以回答现实中或者理论中迫切解决的有价值的问题。而现实中的一些问题可能只是是什么的问题？即需要我们精准描述的问题，比如学生的辍学的问题，教师流动率和流失率的，学生补习参与率的问题，补习的空间分布问题？学龄儿童的流动问题，本科生就业质量的描述与测量问题，各级政府在义务教育经费中分担的比例问题。这些问题用描述性数据分析方法就可以回答，而且这些问题具有很强的政策意义。描述性的理化研究不仅仅是相关性研究或者因果研究的附属，而且也就应当作为一种独立的研究方法存在，研究者和期刊编制、基金资助者要充分认识到此类研究的重要意义。 一种以预测为目标的量化研究 这需要深入的思考哪些是应用场景，因为机器学习的强项在于预测，那么机器学习如何辅助教育问题的发现与解决呢？作为微观的教育学习，作为宏观的教育政策研究，强调主动进行干预，解决问题，而对于干预效果的预期是建立在对相关现象的因果关系。教育领域里的哪些问题？我们只关注预测，招生问题？

三重误差

• 测量误差
• 抽样误差
• 模型误差

??? 测量误差：一种被忽视的存在； 抽样过程是量化研究不能忽视的存在，必须交待。 模型误差：反映的是研究者对客观世界的关系的认识与客观世界的关系本身之间的之间的误差。