基于因素分析的深度学习测量模型研究

/基于因素分析的深度学习测量模型研究【摘要】深度学习是学生核心素养发展的内在要求，为了更好地引导学生开展深度学习，需要对课堂中学生深度学习的发生条件、实现机制和水平状态进行研究。研究基于因素分析对深度学习的测量模型进行了探讨：探索性因素分析结果揭示了深度学习的五个基本维度即深层动机、切身体验、高阶思维、深度理解与实践创新；验证性因素分析结果表明深度学习的五维度测量模型配适度较高。根据深度学习的五维测量模型，情境诱发—问题驱动是深度学习的发生机制，切身体验—高阶思维是深度学习的维持机制，问题解决—实践参与是深度学习的促进机制。【关键词】深度学习；因素分析；测量模型 一、问题提出 在核心素养导向的课程改革背景下，深度学习日益受到中小学的广泛关注。人们越来越认识到：深度学习乃是学生核心素养发展的基本途径。关键能力的获得、必备品格的养成和基本价值观念的建构，都有赖于更有内涵、更有品质和更有深度的课堂学习。然而，深度学习在从理念走向实践的转化过程中，教师究竟应该如何引导学生展开真正的深度学习?如何判断学生的深度学习正在或者已经发生?由此引出的理论问题便是：深度学习的潜在维度和内在结构到底为何?深度学习的内在机制到底是什么?这些都是深度学习实践中值得认真研究的问题。 围绕深度学习的潜在维度和内在结构这个问题，Biggs在其“3P”(prediction、process与product)学习过程理论模型基础上，构建了由动机(深度、浅层与成就性学习动机)和策略(深度、浅层与成就性学习)两个维度组成的学习量表，用以判断学生是否处于深度学习的状态。[1]NelsonLaird等人基于深度学习量表分析，发现深度学习可以解构为高阶学习、整合性学习和反思性学习三个相互关联的成分。其中，高阶学习指向学生的分析、综合、评价和创造等能力；整合性学习指向学习者调动已有认知结构，整合多科知识和多渠道知识来对材料进行学习；反思性学习指向学生在学习过程中对自身的思维方式、学习方式以及解决问题的过程进行监控与反思。[2]发展到2015年，美国制定全国大学生学习性投入调查(NSSE)标准，其中的深度学习子量表包含高阶思维(HO)、整合性学习(IL)和反思性学习(RL)三个基本维度。 相对而言，国外对于深度学习的研究更偏向于实证，研究的信度和效度都比较高。反观国内，学者们从深度学习的思想渊源、本质内涵、行为特征、实现条件和教学策略等方面展开了大量的探讨，但对于深度学习内在结构和实现机制的研究尚显薄弱。而在研究方法上，已有研究更多地集中于文献的译介、经验的归纳和理性的思考，缺乏更为深入的实证分析。少数几项关于深度学习内在结构的实证研究又主要是引用国外现成的量表，而且研究对象大多局限于大学生群体。 鉴于此，本文将思辨性的理论思考和实证性的统计分析结合起来，在提出理论假设的基础上，采用探索性因素分析方法(EFA)和验证性因素分析方法(CFA)，对深度学习的潜在维度和测量模型进行探讨，以更深入地揭示深度学习的发生条件和实现机制，从而为教师的深度学习引导提供更为可靠的理论指引。 二、研究假设 探讨深度学习的发生条件和实现机制，一个重要的工作便是厘清深度学习的基本维度及其内在关系。为厘清深度学习的基本维度及其内在关系，又需要确立三个方法论前提：回到浅层学习的实际问题上来，从浅层学习问题的克服和解决中去探寻深度学习的实践诉求；回到社会发展的内在需求上来，从信息社会对人的学习要求中去探寻深度学习的社会价值；回到深度学习的本质内涵上来，从深度学习的独特规定性中去探寻深度学习的基本特质。 其一，无论我们如何理解和界定深度学习，深度学习始终是针对课堂中的浅层学习问题而提出的一种学习愿景，其目的也在于克服和解决学生在课堂中的浅层学习问题。课堂中的浅层学习问题及其表现有很多，但归纳起来主要有三个：一是在输入端上，学生学习的动机缺乏深度，没有更好地激活学生来自内心深处的学习需要和学习期待；二是在过程端上，学生学习的过程缺乏深度，集中体现为学生体验的不深刻与思考的不深入；三是在结果端上，学生学习的结果缺乏深度，主要包括知识理解的不深透和知识运用的不灵活。深度学习正是对这种浅层的课堂学习的突破与超越。 其二，继前工业社会和工业社会之后，人类社会正在经历信息社会的革命。信息社会从根本上改变着人类的知识形态、生产方式和价值观念，与此相适应的课堂学习在学习目标、学习内容、学习方式等方面都在发生着深刻的变化。实际上，深度学习在西方的产生从一开始就与信息社会的内在要求紧密地联系在一起，其实质就是突破单纯注重知识记忆和知识获得的学习方式，转而强调培育和提升学生的广泛适应力。这种广泛适应力的培育和提升需要将课堂学习的目标放在学生的知识建构能力和问题解决能力上，需要将课堂学习的重心放在学生的实践能力和创新能力上。这正是信息社会赋予深度学习的教育价值! 其三，所谓“深度”乃是触及事物本质的程度，所以，深度学习一定是触及“本质”的学习。照此分析，我们可以分别从学习动机、学习过程和学习结果三个维度展开思考。在学习动机维度，深度学习是从身体参与到身心俱在的学习，其实质是触及心灵深处的学习，深层动机乃是深度学习的基本特质。在学习过程维度，深度学习是从知识获得到实践参与的学习，其实质是展开问题解决的学习，切身体验与高阶思维乃是深度学习的基本特质。在学习结果维度，深度学习是从惰性知识到活性知识的学习，其实质是达成理解创新的学习，深度理解与实践创新乃是深度学习的基本特质。 相对而言，我们可以分别从学习动机、学习内容、学习方式、学习过程和学习结果等五个方面来界定深度学习与浅层学习的主要区别(如表1所示)。[3] 基于以上分析，我们提出两个基本的理论假设： 假设1：深层动机、切身体验、高阶思维、深度理解与实践创新是深度学习的五个基本维度。 假设2：深层动机、切身体验、高阶思维、深度理解与实践创新之间具有较高的内部一致性，所建立的一阶模型配适度较高，能够形成较优的测量结构。 其中，深层动机是深度学习的状态显示器。相对于浅层动机，深层动机是源自好奇心、求知欲、探究欲和自身成长需要的学习动力，具体表现为学生乐于学习和主动参与。在深层动机的支持下，切身体验与高阶思维是深度学习的过程显示器。切身体验是亲身而又用心地体验，因而主要表现为学生的直接体验和感悟领会。 相对于低阶思维，参与高级认知活动所需要的高阶思维主要表现为更具深刻性的反思思维与批判思维、更具整合性的整体思维与辩证思维以及更具灵活性的实践思维与创新思维。 深度理解与实践创新是深度学习的结果显示器。基于学生的切身体验与高阶思维，学生不仅能够超越现象而把握本质，超越事实而把握意义，超越局部而把握整体，从而达成对知识的深度理解，而且能够将知识与事物、知识与知识、知识与行动甚至是知识与自我融合起来，从而超越单纯的知识理解而实现知识的实践性运用和创造性运用。 三、研究设计 (一)问卷设计 采用自编的深度学习问卷。首先按照深度学习的五个维度(深层动机、切身体验、高阶思维、深度理解、实践创新)构想编制30个题项，请3位教育学专家和2位教育心理学专家对问卷的项目进行修改，从理论上尽量保证各项目的合理性。然后，打乱所有题项的顺序进行随机排列，并请1位教育学专家把30个题项重新归并于五个维度，同时剔除和修改不符合维度构想的题项，最终确定28个初测题项。最后采用5点记分法，各题项从非常不符合到非常符合分别记为1～5分。 (二)样本选择 样本1：采用方便取样方式抽取成都地区某初中学生作为适宜样本，发放问卷共计500份，回收有效问卷453份。其中，男生254人，女生199人，初一学生占44.38％，初二学生占26.99％，初三学生占28.63％。 样本2：采用方便取样方式抽取成都地区两所初中学生作为适宜样本，发放问卷共计250份，回收有效问卷230份。其中，男生117人，女生113人，初一学生占36.29％，初二学生占33.87％，初三学生占28.63％。 样本3：采用方便取样方式抽取成都地区某初中的初二学生作为适宜样本，发放问卷共计250份，回收有效问卷212份，其中，男生117人，女生95人。 (三)工具选择与统计分析过程 首先，用SPSS22.0软件对样本1进行项目分析、信度分析和探索性因素分析。其中，项目分析主要是进行高低分组决断值检验以及修正项目相关总分系数检验；信度分析主要选择克朗巴赫α系数法，对题项的内部一致性信度进行检验，从矫正题项与总分的相关系数来判断项目是否需要删减；在进行探索性因素分析前先采用KMO和Bartlett球形检验对采样充足度及进行因素分析的适宜度进行检验，然后运用主成分分析法，并通过方差最大法进行正交旋转，以特征值大于1确定公因子数目。 其次，用Amos21.0软件对样本2进行验证性因素分析，测试因子与相对应的测度项之间的关系是否符合理论假设。 最后，利用样本3，以学生的学业成绩作为效标，进行深度学习量表的效标关联效度检验。 四、结果与分析 在分析之前，笔者对自编的《深度学习量表》各项目的区分度进行了检测：一是将初测问卷(n=453)所得数据进行相关分析，结果显示：深度学习下的各项目与深度学习总分的相关系数介于0.41与0.74之间，且均在0.01水平上达到显著。二是对数据按照高低排序，以27％作为决断值将量表所得总分进行高低分组，对高分组和低分组被试在28个项目上的得分进行独立样本t检验，结果显示：高分组与低分组在所有项目的得分上均差异显著(p＜0.001)。两种结果都表明项目具有较好的区分度，说明初测量表能将处于不同深度学习水平的被试区别开来。 (一)信度检验 本研究选择克朗巴赫α系数进行信度检验。在探索性研究中，信度只要达到0.70就可接受，介于0.70～0.98均属于高信度。基于样本1、2、3所得的数据，分别计算深度学习测验在不同样本中的Cronbach'sAlpha信度系数及其95％置信区间。结果显示：问卷的信度系数均在0.70以上，信度良好。其中，样本1中深度学习测验的Cronbach'sAlpha信度系数为0.93，置信区间为0.94～0.92；样本2中深度学习测验的Cronbach'sAlpha信度系数为0.82，置信区间为0.78～0.85；样本3中深度学习测验的Cronbach'sAlpha信度系数为0.93，置信区间为0.91～0.94。 (二)探索性分析 本研究采用KMO和Bartlett球形检验对采样充足度及进行因素分析的适宜度进行检验。结果发现：KMO=0.96，Bartlett的球形检验结果达到显著性水平(=6479.11，df=378，p＜0.001)，综合说明数据适合进行因素分析。 以此为基础，用主成分分析法抽取因子，通过最大方差法进行旋转，以特征值大于1为依据确定公因子数目，同时结合碎石图(见图1)，共抽取出五个公因子，五个公因子的累计贡献率为58.50％，说明抽取的五个因子具有较高的代表性。 图1探索性因素分析碎石图 在各因子项目的取舍上，笔者根据修正指数并结合理论建构及项目本身的意义，逐一删除题项共计13项，保留符合取舍标准的15个项目。对剩下的15个题项再次进行探索性因素分析，结果发现(如表2所示)：每个公共因子的一致性系数均在0.3以上，且每个观测指标的因子载荷均在0.5以上，反映出观测指标在公因子上的相对重要性；五个因子的累计贡献率为71.87％，各公因子方差贡献率分别为15.23％(深层动机)、15.14％(深度理解)、14.76％(切身体验)、13.48％(高阶思维)、13.25％(实践创新)，说明各因子对总体影响程度较高。 如表2所示，经过因素分析后的深度学习主要由五个维度构成。其中，因素1由题项3、4、5构成，并命名为深层动机。深层动机是指学生的学习并非出于外部的强制作用力，而是源于自身的学习兴趣，主要表现为学生乐于学习，能够积极主动地参与课堂学习。因素2由题项8、9、10构成，并命名为深度理解。深度理解是指学生能由表及里去把握知识的内核，具体表现为学生能够把握知识的本质内涵、价值意义和内在结构。因素3由题项12、13、15构成，并命名为切身体验。切身体验是指学生基于自己的生活经验和情感经历，亲身参与问题探究和知识建构活动，具体表现为学生自己的直接经验和感悟领会。因素4由题项18、19、22构成，并命名为高阶思维。高阶思维是指学生能够从事分析、综合、评价和创造等更高级的认知活动，具体表现为学生的反思性思维、整合性思维和创造性思维。因素5由题项25、26、27构成，并命名为实践创新。实践创新是指学生能够灵活地迁移运用知识去解决问题，主要表现为学生对实际问题的创造性解决，具体观测指标如表3所示。 (三)验证性分析 基于SPSS软件的探索性因素分析，本研究又用Amos21.0软件对所搜集的数据(n=230)进行验证性因素分析，以此来检验量表中五个维度的拟合程度[4]。分析结果表明：模型与数据的拟合程度较高，自编的深度学习量表具有良好的效度(见表4)。 同时，从深度学习的测量模型图(见图2)可以看出，五个潜在变量下的观测变量因素载荷基本上都在0.50以上，表明深度学习各个因素的项目较为理想。此外，所有项目的非标准化因素载荷都达到了非常显著的水平，这也表明深度学习的五维度结构效度良好。 图2深度学习结构测量模型图 (四)效际关联效度检验 在检验效标关联效度之前，笔者以自编的《深度学习量表》各分量表与总量表之间的相关性作为考察指标来评价量表的结构效度。结果表明：五个因子与测验量表的总分之间的相关系数介于0.644与0.735之间，p＜0.01，各个因素都围绕着一个共同的特质且内部一致性较好。此外，各因子的相关系数在0.256～0.482之间，因素之间的相关度较低，说明每个因素相互独立，区分度较好。 不少研究都表明学业成绩与深度学习之间存在正相关。[5]本研究将学生的学业成绩作为效标，来考察新编测验与某个已知的能够测量相同特质的旧测验之间的相关。根据相容效度法可知，若两者相关较高，说明新测验有较高的效度。结果发现：本研究中的《深度学习量表》在测验总分、各个维度的测验分数与学生学业成绩之间的积差相关系数均在0.01的水平上达到了显著(见表5)