- 导语
传统的“前测-后测”设计只能告诉你学生“有没有进步”，却回答不了“进步的速度谁快谁慢”“进步的速度与自我调节能力的变化是否同步”这些问题。今天介绍的这篇《Educational Technology & Society》刊发的量化研究，通过潜变量增长模型（Latent Growth Modelling, LGM），对一群小学生的移动辅助自我调节词汇学习进行了7个月的纵向追踪，不仅发现了干预组的“加速增长”，还揭示了自我调节能力的变化速度与词汇成绩变化速度之间的强关联。如果你正在设计或进行类似的干预研究，LGM可能是你实现“从静态比较走向动态理解”的利器。
- 方法的基本信息
|
维度 |
说明 |
|
核心思想 |
LGM是结构方程模型（SEM）的一种变体，用于分析多次追踪数据，通过识别两个核心潜伏因子——截距（初始水平）和斜率（变化速率），解释随时间变化的趋势和形态，刻画个体在多个时间点上的发展轨迹。它可以回答：“一开始大家在哪里？”“随时间如何变化？”“个体之间的变化轨迹有什么差异？” |
|
独特价值 |
①超越传统重复测量ANOVA，能同时分析多组、多变量的成长轨迹 ②捕捉个体差异：不是只看群体均值，而是看每个人的起点与增速 ③支持多变量同步增长：看“自我调节学习能力”和“词汇成绩”的增速是否相关 ④适合长期干预研究，检验干预是否让增长“更快、更稳” |
|
关键产出 |
①两组（实验组/对照组）的初始水平差异 ②两组的增长速度差异 ③变量自身起点与增速的关系（初始水平高的人，增长更快还是更慢？） ④条件模型中不同组的斜率均值对比（干预是否改变了增长速度）； ⑤多变量增速—增速的动态关联（一个变量的增长是否伴随着另一个变量的增长）。 |
- 方法的操作过程
（1）应用原则：
数据要求：至少3个时间点的追踪数据
模型设定：先建无条件模型（不分组），再建条件模型（纳入组别）
拟合标准：整体拟合指数通过模型卡方统计（χ²）、增量拟合指数（IFI）、比较拟合指数（CFI）、Tucker–Lewis 指数（TLI）和均方根近似误差（RMSEA）进行评估。本研究采用的标准如下：IFI > 0.9，CFI > 0.95，RMSEA < 0.08。
分组比较：固定因子载荷与残差，只比较截距与斜率均值
（2）操作步骤：（以本研究为例）
数据准备：在3个时间点（T1,T2,T3）分别测量实验组/对照组学生自我调节词汇学习能力（SRVL）和词汇成绩。
建立单变量无条件LGM：分别对“SRVL能力”“词汇成绩”建模，检验是否呈线性增长、初始水平是否有差异、增速是否有个体差异。设定截距因子对三个时间点的载荷均为1；设定斜率因子的载荷为0,0.5,1（反映时间间隔不等，文中第二次测量在中间点）；估计截距均值与方差、斜率均值与方差，以及截距-斜率协方差。
建立单变量条件LGM：将分组变量（实验组/对照组）作为协变量加入模型，比较两组斜率的均值差异（即增长速度是否因干预而不同）。
建立多变量LGM：同时纳入SRVL和词汇成绩两个变量的重复测量，估计SRVL斜率与词汇成绩斜率之间的相关系数，并进一步进行多组比较（实验组相关是否显著强于对照组）。
（3）数据分析方法
软件：SPSS 27 + AMOS 24.0
模型检验：χ²/df、CFI、TLI、RMSEA
参数：截距/斜率的均值、方差、相关系数
组间比较：斜率均值差异检验
- 方法的应用启示
（1）方法的适用情境：
a.教育干预的长期追踪研究（如新技术融入教学、新课程实施）——不仅想知道“有没有效”，还想知道“效果何时开始显现、增长速度是否被干预改变”。
b.自主学习、学习策略、学习动机追踪研究——LGM可以识别“哪些学生起点低但进步快”“哪些学生起点高却停滞不前”。
c.两个或多个发展过程的联动分析（想回答：干预是否让提升更快、能力与成绩是否同步成长）——多元LGM直接给出斜率-斜率相关，比分别做增长模型再简单相关更为严谨。
d.小样本/中等样本、有多次测量的准实验研究。
（2）个人思考：
关于“截距-斜率负相关”的有趣发现：本文发现初始自调能力高的学生，其自调能力的增长速度反而更慢。作者的解释是：高起点学生可能已经拥有了成熟策略，技术干预带来的额外提升空间有限。这一发现对设计差异化干预非常有启发——不要对所有学生采用同一套脚手架，基础弱的学生更需要干预支架，提升空间更大。
LGM特别适合教育类纵向研究，比重复测量方差更贴近“发展视角”。本文用两组多变量LGM证明“支架不仅提分，还让能力—成绩关联更强”。
（3）值得探讨的新问题：
a.如果只有两个时间点（前测、后测），LGM是否完全无法使用？——可以用潜变量变化分数模型（Latent Change Score）作为替代方案。
b.LGM要求所有个体测量时间点相同，如果真实数据中每个学生的测量时间不一致（如线上学习日志），可以考虑定义时间点的连续增长模型（TIC）。
c.本文使用的是线性增长，但如果发展轨迹是先快后慢（如学习曲线），LGM也支持自由估计载荷或二次增长项，这可能是后续的延伸话题。
- 论文基本信息：
文章引用信息：Yang, Y., Cai, Y., & Song, Y. (2024). Examining the effect of a mobile-assisted self-regulation scheme on primary students’ self-regulated vocabulary learning via latent growth modelling. Educational Technology & Society, 27(3), 283–302. https://doi.org/10.30191/ETS.202407_27(3).SP06
晶晶对潜变量增长模型在教育干预研究中的应用总结得很清晰，尤其是多变量LGM分析增速关联的部分。不过，我注意到该研究仅使用了3个时间点，且假设线性增长——如果实际发展轨迹是非线性的（如先快后慢），线性模型可能会掩盖关键变化模式。另外，174名被试对于多组多变量LGM而言样本量是否足够支撑复杂模型的稳定估计？拟合指标虽达标，但参数估计的可靠性是否值得进一步检验？
关于3个时间点与线性假设，确实更多的测点能检验非线性变化，不过本研究在有限测点下线性模型拟合尚可；至于样本量，174名被试对于多组多变量LGM确实不算多，但模型自由度较低且拟合指标良好，表明结果仍有参考价值。未来研究可预先确定所需样本量，进一步探索更多的测试时间点，检验更复杂的非线性变化轨迹。
晶晶的分享很有趣，纵向追踪七个月，让我看到自我调节能力的确需要时间“发酵”。实验组增长更快且关联更强，说明适当的移动辅助方案能帮孩子形成良性循环——越会调节，学得越好；学得越好，越愿意主动调节。技术不是简单给工具，而是赋能过程本身。
这篇研究最大的亮点是把“有没有效果”升级成“怎么变、变多快”，LGM确实更贴近真实学习过程，比只看前后差值有意思多了。尤其是把自我调节和成绩放在一起看增速关系，很有启发。不过我也有点疑问：只有三个时间点，其实对复杂发展轨迹的刻画还是偏粗，线性假设会不会过于理想化？另外，我感觉小样本下模型稳定性也值得留意。
这项研究给我的启发是，它没有停留在“实验组后测分数更高”这种比较表层的结论上，而是进一步追问学生的学习变化是如何发生的、增长速度是否不同，以及自我调节能力的提升是否真的与词汇成绩的提升同步。用潜变量增长模型来分析7个月的追踪数据，确实比单纯前后测或重复测量ANOVA更能体现学习过程的动态性，这对教育技术干预研究很有借鉴意义。
不过我也有一点疑惑：研究虽然用了LGM，但只有3个测量时间点，能够支持的增长形态相对有限，基本只能检验线性变化，很难判断学生的发展是否存在“先快后慢”或“后期加速”等更复杂轨迹。此外，自我调节能力和词汇成绩增长速度之间相关较强，并不必然说明前者直接导致后者，也可能受到学习动机、教师支持、家庭环境等共同因素影响。因此，这项研究的方法设计很有亮点，但在解释机制时仍需要保持谨慎。总体来看，它最大的价值在于提醒我们：教育技术研究不应只问“有没有效果”，还应进一步关注“效果如何随时间发展”。
这篇分享把LGM讲得很清楚，尤其“截距-斜率负相关”很启发人——不是所有学生都适合同一套脚手架，基础弱的孩子提升空间反而更大。我好奇的是，如果实际数据里测量时间点不一致（比如学生请假漏测），用LGM还能处理吗？有没有更灵活的方法？