Lecture
本页目录· 12 条
📘 会议主题总结：定量研究中的推论统计、假设检验与常见偏差
🧑🏫 主讲人介绍
- Mladen Rakovic 现接任本单元讲师，研究方向为自我调节学习（Self-Regulated Learning）与学习分析（Learning Analytics）。
- 他特别关注学生在 Moodle 等在线学习环境中产生的数据，以研究学习行为、决策过程与学习表现之间的关系。
📊 本周核心内容概览：
推论统计（Inferential Statistics）
本周重点是从描述性统计进入推论性统计，即通过数据样本推断总体特征：
🔍 推论统计定义与作用
- 利用样本数据推断变量间关系，如：温度上升是否导致冰淇淋销量上升。
- 更复杂的例子包括多变量联合分析，如人口、气温、商店数量对消费行为的影响。
🧪 假设与假设检验
✅ 良好假设的四个标准：
- 基于已有知识（文献或行业背景）
- 清晰简洁（便于理解）
- 可检验（可收集相关数据）
- 相关性强（避免引入无关变量）
📌 假设类型说明：
- 研究问题（Research Question）：开放式探索，如：“是否存在关联？”
- 研究假设（H1）：具体可检验的断言，例如：“学习单元数量增加会导致学习动机降低。”
- 零假设（H0）：H1的对立面，例如：“学习单元数量与动机无关。”
📐 变量分类
研究中主要涉及三类变量：
- 自变量（Independent Variables）：预测用变量，如观看视频数、完成测验次数。
- 因变量（Dependent Variables）：被预测对象，如期末成绩。
- 混杂变量（Confounding Variables）：可能影响自变量与因变量之间关系的其他变量，如学年、心理健康、课程设计差异等。
讨论中还提到如何在研究中“控制混杂变量”，包括实验设计中的时间控制，以及在后期分析中通过模型调整来弥补设计缺陷。
⚠️ 定量研究中常见偏差（Biases）
- 抽样偏差（Sampling Bias）：样本代表性不足，例如仅选取墨尔本大学生群体。
- 樱桃采样（Cherry Picking）：只报告有意义结果，忽略无效或不支持假设的数据。
- P 值操纵（P-Hacking）：不断尝试不同统计方法，直到获得显著性结果。
- 可视化操控（Manipulation of Visualization）：通过误导性图表放大差异或趋势。
🧠 实践与延伸讨论
- 教师们（Tag、Marino）分享了各自研究中关于假设偏差、变量设定、不同职业群体对结果解读差异等实际案例。
- 强调研究结果的“情境依赖性（Context-dependence）”和“时间依赖性（Time-dependence）”。
📅 Studio 工作坊预告（本周任务）
- 分析 4 个 IT 研究场景中的偏差，提出改进建议。
- 练习假设构建与变量设定。
- 选择合适的统计测试方法进行讨论。