苏宇凡userslv0

概览

发布的

订单

邀请码

关注

粉丝

收藏

设置

  • 这篇研究的数据量和方法设计都很扎实,8万人的横断加纵向追踪,得出的结论可信度比较高。比较有意思的是敏感窗口期的性别差异,女性在11-13岁、男性在14-15岁,到了19岁又出现一个男女共同的窗口期。这正好对应大学生刚入学、环境发生较大变化的阶段,说明这个年龄段对社交媒体的影响确实比较脆弱。还有一个点是双向循环机制:生活满意度低的人更容易增加社交媒体使用,反过来又会进一步拉低满意度。这个“越emo越刷、越刷越emo”的路径在数据里是成立的,而且不受性别和年龄影响。不过横断数据虽然能看出关联,因果关系还是得谨慎解读。另外样本来自英国,放到国内大学生群体里是否完全适用,也值得再考虑。

    当代大学生的 emo:一半源于社交媒,一半源于没放下手机
  • 这个研究设计挺清晰的,准实验加三组对照,能看出AI本身的效果,也能看出脚手架在计算思维和自我效能感上的增量。有意思的是,加了脚手架那组,内在动机反而没有显著提升。帖子后面也提到了,可能是脚手架增加了认知负荷。这其实点出了一个挺现实的问题,引导如果太结构化了,反而可能影响学习体验的流畅性。怎么在给够支持和留足空间之间拿捏,确实值得再琢磨。

    当AI遇见跨学科学习:如何用“脚手架”让学生学得更好?
  • 这篇研究在方法上挺扎实,用二次响应面回归处理“期待—支持”匹配问题,确实比传统差异分数更精确。不过样本局限于重庆城市老人,推广到农村或不同年龄群体时可能需要谨慎。结论里“工具支持与孤独感无关”这点值得留意,说明精神层面的匹配远比物质重要,也提醒子女别只盯着“给东西”,关注情感和日常联络可能更关键。

    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)?