《教育的因果机制探索如何从“一个原因”到“多条路径”：组态视角下的QCA方法全解析》
一、导语
在社会科学研究中，定量范式基于这样的逻辑：根据设定的因变量，提出具备解释能力的自变量，建立理论模型与假设，通过收集观察对象的数据以验证模型，自变量尽可能与竞争性的理论关联，研究聚焦于自变量的相对解释能力。与此同时，由于社会科学的研究对象经常界限模糊、错综复杂且互相缠绕，这就使得像案例研究这样注重”深描”的质性研究，一直以来在众多领域扮演着不可或缺的角色。两种方法互补的观点存在于许多方法论文献之中，而组态视角的QCA正是其中的一种努力。
定性比较分析（Qualitative Comparative Analysis，QCA）由美国社会学家查尔斯·拉金（Charles C. Ragin）于1987年系统提出，基于集合论与布尔代数，被誉为连接定性与定量研究的”第三条道路”。以教师数据素养研究为例，当结构方程模型揭示了”数据效能感显著正向影响数据素养”时，QCA能够进一步回答：高数据素养究竟由哪些条件组合导致？是否存在”殊途同归”的多条路径？低数据素养的成因是否与高数据素养呈简单对称关系？这种对因果复杂性的敏感，使得QCA为探索教育现象中的复杂因果机制提供了新的可能。
二、方法的基本信息
（一）核心思想
定性比较分析（Qualitative Comparative Analysis, QCA）的核心思想可概括为三个关键词：
第一，组合因果（Conjunctural Causation）。结果的产生从来不是单一因素的独立作用，而是多个前因条件以特定方式组合后共同导致。例如，高数据素养可能由”高数据效能感＋低数据焦虑＋高数据资源”这一组合产生，也可能由”高数据效能感＋高数据资源＋高数据氛围”另一组合产生。QCA将组合条件作为交互效应进行建模，当存在交互作用时，自变量对因变量的影响取决于一个或多个其他自变量。这与传统分析中”自变量对因变量的水平、强度或概率的影响是线性和可加的，其作用不受其他自变量的值以及组合方式的影响”的假设形成对照。
第二，多重并发因果（Equifinality）。即”殊途同归”——不同的条件组合可以导致同一结果。如吴林静等的研究发现，教师高数据素养存在”效能－资源型”和”效能－环境型”两条不同路径。这一思想打破了传统分析中”唯一最佳模型”的执念，揭示在原因和结果之间存在着多重并发路径，不同的组态具有等效性，不同因果路径可以导致相同的结果。
第三，因果非对称性（Asymmetric Causality）。与相关关系的完全对称不同，集合关系是非对称的。由于因果关系的多重并发，因果效应不再具有一致性，正向的结果与负向的结果可以是不同的原因，因而可以分开研究。例如，“高数据效能感”对高数据素养重要，但”低数据效能感”未必是低数据素养的唯一解释，低数据素养可能由完全不同的条件组合导致。QCA允许研究聚焦于单方面结果的条件组合，这不符合传统定量研究的规定。根据等效性假定，同一结果的组合原因可以有多个，即便是单一结果的案例，也可以分析产生同一结果的不同组合条件，但不能因此推演出相反结果的条件组合。
此外，QCA具有鲜明的理论依赖性与过程透明性。它要求研究者在数据与理论之间反复对话：从演绎视角看，前因条件基于理论来选择；从归纳视角看，通过案例获取洞见，识别关键因素。同时，QCA建立在布尔代数、集合论、模糊逻辑等明确规则之上，分析过程的每一步都可以透明呈现，具备良好的可复制性。常规的QCA设计，无论是布尔最小化、矛盾组态和逻辑余项的处理、结果的解释，甚至是校准等最基础的环节，都需要在数据与理论之间反复迭代。
（二）独特价值
第一，对因果复杂性的敏感。 传统的定量研究（如回归分析、结构方程模型）虽然能够处理多变量关系，但其基本逻辑仍是将自变量视为相互独立的原因，考察各自对因变量的”净效应”。当存在交互效应时，通常需要研究者事先设定交互项。而QCA将组合条件作为交互效应进行建模，直接考察多个前因条件的特定组合如何共同导致结果，无需预设交互项形式。这对于探索”因素如何组合才有效”的研究问题尤为适用。
第二，适度的普适性。 质性研究（如个案研究）能够对情境进行深入剖析，但构建理论的普适性不高，结果可能多元决定，很难排除其他因素的影响。QCA的分析性策略将每个案例作为整体单元进行比较，研究者可以进行多案例的系统分析，形成供后续研究的命题，并且用于分析其它类似案例。它既保持了案例导向研究对情境的敏感性，又通过形式化的分析工具实现了跨案例的系统比较。
第三，过程透明性。 QCA建立在布尔代数、集合论、模糊逻辑等明确规则之上，具备良好的语法和明确的规则，具备了可复制的特征。研究者在QCA的各个环节中，都能够以透明的方式做出决定，包括变量选择、处理、分析工具选择、分析过程干预、布尔最小化等等。这种透明性大大减少了研究过程的模糊性和主观性。
第四，集合关系替代相关关系。 传统的定量或定性研究，本质上都是围绕变量展开的。QCA则使用集合论的术语来制定和评估理论，将条件与结果的关系表述为子集关系，用维恩图等工具直观呈现前因条件及条件组合与结果的关系。这种集合关系的表述方式，使得研究者能够更清晰地识别必要条件与充分条件。
第五，因果非对称性。 与相关关系的完全对称不同，集合关系是非对称的。由于因果关系的多重并发，因果效应不再具有一致性，正向的结果与负向的结果可以是不同的原因，因而可以分开研究。QCA允许研究聚焦于单方面结果的条件组合，分别探索导致高结果和低结果的不同组态。
| 特征维度 | 传统定量研究 | 传统定性研究 | 组态视角的QCA |
|---|---|---|---|
| 因果确定性 | 固定为主 | 多元决定 | 多重并发 |
| 条件与结果表达方式 | 变量 | 故事、变量 | 集合 |
| 条件作用方式 | 独立（可加性原则） | 相互纠缠，很难明确 | 受组合方式影响 |
| 对称性 | 对称 | 不明确 | 非对称 |
| 研究过程与理论的联系性 | 不强 | 取决于具体的方法 | 强 |
| 普适性 | 普适 | 不普适 | 适度普适 |
| 过程透明性 | 透明 | 不透明 | 透明 |
（三）关键产出
QCA分析的核心产出包括：
-
必要条件（Necessary Conditions）：某一条件缺失则结果一定不发生。可借助NCA（必要条件分析）方法进一步量化其瓶颈程度，回答”要达到某一水平的结果，该条件至少需要达到什么水平”。
-
充分条件组态（Sufficient Configurations）：导致结果出现的条件组合。分析中通常报告一致性（Consistency）、覆盖度（Coverage），并区分核心条件（同时出现在中间解和简约解中）与边缘条件（仅出现在中间解中）。解的形式包括复杂解（不含逻辑余项）、简约解（含逻辑余项但不对其合理性进行评价）和中间解（仅使用有合理依据的逻辑余项）。
-
解的稳健性（Robustness）：通过调整校准阈值、改变案例频率门槛、调整一致性临界值等方式验证结果稳定性。
以吴林静等的研究为例，该研究产出了教师高/低数据素养的各两条组态路径，识别出”效能－资源型””效能－环境型””效能缺乏型”三种培养类型，并发现数据效能感对高数据素养具有较强的瓶颈效应。
三、方法的操作过程
（一）应用原则
-
理论驱动原则：条件选择必须基于扎实的理论框架（如社会认知理论、技术接受模型等），而非数据驱动式的随意挑选。QCA强调在数据与理论之间反复迭代，通过”思想与证据之间的对话”来修正和完善理论。
-
案例导向原则：每个案例被视为一个由一系列特征构成的复杂组合，而非变量的简单加总。研究者需要对个案本身有深入理解，保持对案例情境的敏感性。
-
集合思维原则：关注条件”存在/缺失”的相对程度，将变量转化为集合隶属度，用维恩图等工具直观呈现前因条件及条件组合与结果的关系。
-
因果复杂性原则：承认多重路径、条件替代、非对称因果的存在，不追求唯一的”最佳模型”，而是探索导致结果的不同等价组态。
-
反事实分析原则：通过布尔代数和理论推论，将研究对象从”有限多样”的观测案例扩展到非实际观察案例及其组态，以得出简约化的因果表达式。
（二）操作步骤（以模糊集定性比较分析fsQCA为例）
第一步：变量选择与校准（Calibration）。 将原始数据转化为0—1之间的集合隶属度。设定三个锚点：完全隶属（如95%分位点）、交叉点（50%分位点）、完全不隶属（5%分位点）。若缺乏理论标准，也可采用统计分布数据（最大值、均值、最小值）作为锚点。校准是连接数据与理论的关键环节，使得研究更具可解释性和实际意义。
第二步：构建真值表（Truth Table）。 列出所有可能的条件组合（共2^k行，k为条件数量）。设定案例频率阈值（小样本通常设为1）和一致性阈值（通常≥0.8），筛选出满足频数要求且一致性达标的组态行。
第三步：布尔代数最小化。 运用逻辑最小化算法对真值表进行简化，得到三种解：复杂解（不使用任何逻辑余项）、简约解（使用所有逻辑余项）和中间解（仅使用有合理依据的逻辑余项）。通过对比简约解与中间解，区分核心条件与边缘条件。
第四步：必要条件检验。 在充分性分析之前，需对各前因条件进行必要性检验。判断标准通常为一致性≥0.9。若某一条件的一致性达到必要程度，则需在后续解释中予以说明。也可结合NCA方法，进一步分析条件的瓶颈水平。
第五步：结果解释与稳健性检验。 区分核心条件（●）与边缘条件（•），并结合理论对组态进行命名和阐释。稳健性检验可通过调整校准锚点（如从0.95/0.5/0.05改为0.75/0.5/0.25）、改变一致性阈值等方式进行，若产生的组态与原始结果基本一致，则说明结果稳健。
（三）数据分析方法
| 分析类型 | 方法 | 关键指标 | 判断标准与含义 |
|---|---|---|---|
| 必要性分析 | QCA必要性检验 | 一致性（Consistency） | 通常≥0.9，表示该条件是结果的必要条件 |
| 必要性分析 | NCA | 效应量d、瓶颈水平 | d＞0.1且p＜0.05；瓶颈水平揭示达成特定结果所需的条件最低值 |
| 充分性分析 | fsQCA | 一致性、原始覆盖度、唯一覆盖度 | 一致性＞0.8；覆盖度越高，解释力越强 |
| 稳健性检验 | 调整阈值 | 组态稳定性 | 改变校准阈值或一致性门槛后，组态结果保持一致 |
一致性衡量的是某一条件或条件组合作为结果子集的程度，即”该条件组合出现时，结果出现的概率”；覆盖度衡量的是该条件组合对结果的解释力度，即”结果出现时，能被该条件组合解释的案例比例”。两者需结合使用，缺一不可。
四、方法的应用启示
（一）适用情境
第一，技术接受与采用研究。 教育技术领域的许多研究者关注各类技术接受与采用的前因条件及其相互关系。传统的技术接受模型（如TAM、UTAUT）虽然系统分析了影响技术使用的因素，但大多数研究没有充分地捕捉到行为及其前因条件之间可能发生的相互关系和动态相互作用。单个模型不太可能完全解释在多个情境或不同情况下的学习行为。QCA可以弥补这一不足，通过组态分析揭示导致高/低采用意愿的条件组合。
第二，环境对学习行为影响研究。 学习环境被认为是促进学习者发展的各种支持性条件的统合。环境与行为的关系呈现出非对称性和复杂性等特点。传统的分析方法只能探究哪些因素会影响行为，即单个因素对行为结果的”净效应”。QCA可以分析空间结构、方法论文化、教育工具等条件如何组合产生有效教学，揭示环境对行为影响的多因素综合作用机制。
第三，学习者的分类研究。 学习者分类既是学习者特征分析的结果输出，又常作为其他深入研究的输入。聚类分析虽然被广泛应用于识别和刻画学习者特征，但存在缺乏与理论的联系、分析结果难以解释等局限。QCA可以用精练的方法呈现数据，并且对实证现象进行更具综合性的描述，通过建立集合隶属度实现数据与理论的联系，增强分类结果与理论和先验知识之间的可解释性。
（二）个人思考
第一， 不同的研究方法并不是互斥的，它们是替代或并行的，每种方法（包括QCA）都有其独特的优势和限制，可以从不同维度拓展我们对教育现实的理解。对于QCA而言，参与混合方法设计非常重要，可以用更加综合的方式融入不同的研究场景，发挥其本身的长处。当数据量较大时，可先通过常规的统计分析，以缩小进入QCA分析的前因条件以及案例的数量。
第二，保持方法的开放性和创造性。 QCA最新进展也产生了一些新的方法来解决特定问题，例如，将量化分析方法与QCA相结合。此外，除了少数案例外，大多数案例是QCA单独应用或作为最主要方法。然而，其它领域QCA很少作为单独方法使用，大多数研究将QCA与至少一种其他方法结合、对比或拓展，并且对传统主流方法进行有效的补充。
第三，需避免大样本滥用与理论脱节的问题。 当前教育技术领域的QCA研究存在以下不足：一是案例数量过大，将QCA变成另外一种量化统计方法，这并非该方法本身的价值所在；二是数据与理论的耦合松散，缺少在数据初步分析之后回到案例本身、对其特征及其问题情境所做的深度分析；三是方法使用单一，过度依赖fsQCA。研究者应回归QCA的案例本位，加强分析与理论的对话，避免”为方法而方法”。
第四，校准的主观性有待探讨。 锚点的选择虽有惯例，但仍需结合理论和实际情境。研究者应在论文中明确报告校准标准，以增强可复制性。
（三）值得探讨的新问题
-
时间维度如何纳入QCA？ 传统的QCA是静态的，如何分析条件组合的动态演变？时序性定性比较分析（tsQCA）和共存分析（CNA）等新方法或许能提供思路。
-
QCA能否处理多层次数据？ 如学生嵌套于班级、班级嵌套于学校的情境。QCA把层次视为组织属性和集合来看待，不受层次间嵌套关系的限制，但具体操作仍需探索。
-
教育研究中QCA的样本量边界在哪里？ 10个案例是否足够？如何判断”理论饱和”？这关系到QCA在教育研究中的适切性边界。
-
如何结合机器学习优化QCA？ 如利用随机森林辅助条件筛选，再使用QCA进行组态分析；或者将灰色关联分析（GRA）与QCA相结合，以处理更复杂的数据情境。
五、论文基本信息
[1]吴林静,王慧敏,刘清堂.组态视角下教师数据素养的影响机制与培养策略研究——基于NCA和QCA的证据[J].现代教育技术,2025,35(02):98-107.
[2]陈向东,杨德全.组态视角下的教育研究新路径——质性比较分析（QCA）及在教育技术中的应用分析[J].远程教育杂志,2020,38(01):28-37.
京莉对QCA方法从“一个原因”到“多条路径”的梳理非常清晰，尤其是将组合因果、多重并发和非对称性三个核心思想讲得很透彻。顺着这个思路，如果我们将QCA应用于在线学习社区中的协作知识建构，除了您提到的认知、情感、资源等条件，是否还可以考虑社会网络位置（如中心度）作为前因条件？不同网络位置与认知因素的组态，是否会生成截然不同的知识建构路径？这或许能进一步拓展QCA在教育情境中的适用边界。
我认为，将社会网络位置（如中心度、结构洞）纳入QCA前因条件，确实能拓展在线协作知识建构的研究边界。社会认知理论中的”环境”维度可延伸至社会网络结构，形成认知-情感-网络的三维框架。我推测高中心度可能替代部分认知条件（如效能感）的作用；而结构洞位置与知识建构质量的关系，可能因认知条件不同呈现非对称因果。这恰恰是QCA能捕捉的复杂机制，值得在后续研究中探索。
读完这篇文章收获很大，让我学习到了QCA这种新方法，认识到这种方法和传统定性定量方法的区别，文章不仅梳理了核心原理，还结合教育研究实际场景举例，同时也客观指出了QCA应用中的局限和注意事项，很贴合我们平时写论文、做实证的需求。
是的，我也阅读了王老师写的相关论文《多元小组特征对协作问题解决的组态效应——基于模糊集定性比较分析（fsQCA）》。给我很多启发。能够探析高低水平小组协作问题解决水平的相关机制并为未来开展教学提供启示。