颜京莉userslv0

概览

发布的

订单

邀请码

关注

粉丝

收藏

设置

  • 这篇研究通过潜类别分析、自组织映射与序列挖掘的组合,实现了对学习者全学期状态转移的精细刻画。研究发现也进一步回应了我最近关于学习投入是否能促进学习结果的困惑,即学习投入与成绩的正相关关系并非普适。过程导向的纵向追踪方法可迁移至STEM跨学科学习情境,用以识别不同类型学生的认知启动差异与学习模式分化,进而为差异化教学干预提供动态依据。

    从结果到轨迹:编程学习全过程量化分析方法与应用
  • 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。

    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
  • 这篇论文的独到之处在于将超位理论贯穿ENA编码框架,实现了从可视化描述到理论验证的跨越,使ENA成为拓展社会学理论的方法论载体。在面向中小学课堂教学的研究中,或许可以借鉴这类范式追踪学生从实验操作者到证据评估者的身份演进,将人机关系编码拓展至AI作为可质疑对象等维度

    融合人工智能的外语课堂学习者身份动态构建——基于认知网络分析的实证研究
  • 这篇论文的独到之处在于将超位理论贯穿ENA编码框架,实现了从可视化描述到理论验证的跨越,使ENA成为拓展社会学理论的方法论载体。在面向中小学课堂教学的研究中,或许可以借鉴这类范式追踪学生从实验操作者到证据评估者的身份演进,将人机关系编码拓展至AI作为可质疑对象等维度

    从结果到轨迹:编程学习全过程量化分析方法与应用
  • 在当前我国强调中小学科技教育的背景下,这篇文章的话题选择和研究方法都让我很感兴趣。潜在剖面分析对于刻画学生学习画像和探究背后的因果机制都能兼顾,情境期望价值理论本身强调成功期待、任务价值与成本的多维组合,而LPA恰好能捕捉这种"组合中的相似性",而非传统聚类分析中变量间的距离度量。价值-成本的组合结果也指向了一个教育干预原则——即提升积极信念与降低消极成本需并行。
    从成果产出来看,LPA更擅长回答"研究对象有哪些类型",而如果能通过QCA进一步关注"条件组合如何导致不同的结果",或许会是一类新的研究方法组合。

    学生为什么不想学科学?潜在剖面分析带我们看见 4 类科学学习者
  • 赵同学留下的疑问都很有值得探讨的空间,部分问题也比较专业,可能需要具备一定的城市规划专业知识才能回答。针对第一个问题,就我在广州居住和在县城老家的生活经历来看,不同城市“核心辐射”存在着一定的差异。以北上广深为代表的一线大城市,多中心结构较为成熟(如天河区的CBD区域、体育中心商业区,越秀区的北京路步行街等),街道活力更取决于和商业中心-地铁站点之间的联系(如乘客出站后的活动路径是否必然经过目标街道);以成都、南京、杭州为代表的二线大城市,目前也正在呈现从单中心向多中心过渡的格局;而来到小县城则呈现中心高度单一化的特点,当地可能甚至没有地铁,行政中心往往即商业中心,街道活力更依赖本地服务半径和熟人社会网络。

    城市的发展日新月异,可能正是这类小切口的研究能更精确地契合地域特点与街道氛围进行研究,同时其特异性也同样能够指导我们思考不同城市、新城市格局下城市各要素的流动方式。

    和我在成都的街头走一走:成都街道活力研究 提到成都想到什么?新一线城市?火锅串串?开放包容?街道是城市的 “毛细血管”,藏着城市最真实的活力与温度!为何有的街道熙熙攘攘,有的却冷冷清清?以成都为样本的街道活力量化研究,首次用硬核数据揭开 A/B/R 类街道的活力影响密码,颠覆你对城市街道的固有认知!
  • 这个研究提供了一个很新颖的观察职场环境的视角。原来我们的午餐选择比想象中更具社交意义,它不仅在滋养我们的的身体,也在无形中参与塑造我们的职场人际关系。尽管我们不会刻意地形成一个健康饮食→高自制力→更值得提供支持的思维链条,但正是这种由日常行为引发的“无意识”的职场偏见正在默默影响着我们的人设,而扩大到社会生活的每一个角度或许也是如此。

    关于如何塑造或评估自身形象的纠结想法使人心累,也许在真正专业的职场环境中,我们更应当学会超越表象,从更全面的视角去认识和评价每一位同事。在倡导健康生活方式的同时,也应培养一种不因 "吃什么" 而轻易下判断、更加包容与尊重的组织文化。

    你吃故你在 (You Eat, Therefore You Are)
  • 李同学分享的这篇文章和我分享的量化研究都属于心理学领域,同样应用了响应面分析来检验两类变量之间的匹配度。原文章对于研究程序的报告和研究方法的选用都很详尽,很值得学习。比较科学的一点是,对于“亲子关系”和“教育卷入”这两个变量,是分别面向学生和家长收集自我报告并匹配,再进一步检验匹配效应(而不是直接单一地面向学生或单一面向家长来测量这两个变量),这种做法考虑了父母与孩子身份差异与地位的不对等,从双方的实际心理感受出发,在一定程度上降低了测量偏差。

    好的家庭会让人在向下坠落时拥有勇气,亲子关系中的理解、信任和支持正是消解其中的挫败感、找到人生意义感的关键。亲子关系比教育投入更重要,这虽然是我们亲历了长大成年的过程后可以总结出来的共识,但应用科学的量化方法去调查、验证,也对面向家长群体的科普以及青少年心理问题发展机制的探索有着重要意义,这也是社会科学的温度所在。

    爱,比“卷”更能守护孩子
  • 谢谢老师的提问~😊也让我对测量工具的适配性有了更多思考,我的理解如下:
    1、子女提供的情感支持与老年人的情感期待,其具体内涵并不完全对等,因此论文的重点是聚焦了二者的匹配效应,并就情感、工具、联络、信息四大孝道维度,设计了对应的“期待”和“支持”层面的变量。从研究背景可知,现代化背景使孝道观念发生自适应变迁,代际间对孝道的认同度、行为理解已产生差异,老年人的情感期待主要基于自身需求的主观标准,子女的情感支持则受现实条件制约,二者在内涵感知上确实存在天然偏差。

    2、这种潜在测量偏差确实可能强化“高期待-低支持”的负面效应。研究采用老年人单方自评的方式测量期待与支持,若二者内涵不对等,子女的支持行为会由于没有契合老人的期待内涵,被老人主观判定为“低支持”,让测量中“期待-支持”的差距被放大;同时论文也提及研究工具经国外量表修订,难以完全贴合中国孝道文化,这一测量局限也会进一步放大偏差,加剧高期待低支持下的相对剥夺感,强化孤独感等负面效应。

    子女越孝顺老年人越幸福吗?老年人孝道期待的作用

量化研究 AI 助手

Powered by DeepSeek | 智慧教学平台

👋 欢迎使用!

我是专为量化研究设计的智能助手。支持 MarkdownLaTeX 公式

您可以问我:

  • 如何解读回归分析的 R² 和 P 值?
  • 写一段 R 语言代码进行因子分析。
  • 什么是认知诊断模型(CDM)?