多层线性建模在cscl研究中的应用-现代远程教育研究.pdfVIP

【技术 用】多层线性建模在CSCL研究中的应用 应应 多层线性建模在CSCL研究中的应用* □余 亮 刘 奇 摘 要：CSCL研究中常需要处理小组变量和学习者个体变量两种数据，而个体嵌套在小组中，形成两层结构 数据。传统的方差分析或线性回归模型仅能针对单层数据，处理多层数据时，易出现标准误差偏移，影响分析的可 信度。多层线性建模尽管受CSCL领域样本数的限制，在组层次可能产生偏移量，但能处理稀疏数据，能比较、评 估不同层次变异对总变异的贡献度，确定不同层次变量对因变量的影响程度，反映因变量测量随时间变化的发展轨 迹，是CSCL领域比较合适的研究方法。 关键词：多层线性建模；CSCL；研究方法；优势与局限 中图分类号：G434 文献标识码：A 文章编号：1009-5195（2011）06-0082-05doi10.3969/j.issn.1009-5195.2011.06.014 *基金项目：2011年度教育部人文社会科学研究一般项目 （青年基金）“基于多Agent仿真的网络舆情传播机 制研究”（11YJCZH220）。 作者简介：余亮，博士，讲师，西南大学计算机与信息科学学院 （重庆 400715）；刘奇，讲师，重庆教育学 院计算机科学系 （重庆 400067）。 计算机支持的协作学习 （ComputerSupported 多层线性建模是为解决传统统计方法 （如回归 CollaborativeLearning，简称CSCL）是心理学、教育 分析）在处理多层嵌套数据时的局限而产生的。社 学、计算机科学、社会学等学科的交叉研究领域。 会科学领域经常出现多层数据，如学生嵌套于班 随着各学科研究方法的引入，CSCL的研究方法趋 级，班级又嵌套于学校，学生的成绩不仅受到其自 于多元化，除了基于解释主义的质性研究取向外， 身因素的影响，还可能受到班级、学校因素的影 基于实证主义的定量研究也成为CSCL领域的重要 响。对于多层数据，传统的回归分析主要采取两种 取向。为分析各种学习环境对于CSCL交互过程和 分析方法：（张雷等，2005）第一种，忽略高一层的 学习的影响，研究人员常采用方差分析 （Analysis 变量，如班级、学校因素，直接对第一层的变量进 of Variance，简称 ANOVA）或线性回归模型 行分析；第二种，将第一层的数据合并到第二层， （LinearRegressionModel，简称LRM）。然而，这些 如将一个班级内的学生数据合并，然后对班级层面 方法仅针对单层数据。如果分析多层数据，则模型 数据进行分析，如此，则放弃了同一班级内样本之 参数估计的标准误差会产生偏移，影响分析的可信 间的差异。以上两种分析方法都没有考虑数据分层 度。多层线性建模 （MultilevelLinearModeling，简 的特点，得到的分析结果可能不合理，甚至是错误 称MLM）能克服常规分析方法的弊端，处理多层 的。多层线性建模将因变量的变异分解为两部分： 数据。本文针对CSCL领域的多层数据处理需求， 一部分是同一小组个体差异 （组内变异），另一部 引入多层线性建模，探讨其在CSCL研究中应用的 分是不同小组之间的个体差异 （组间变异）。通过 优势和局限，以扩展CSCL的研究方法。 分解变异，多层线性建模能够区分小组效应和个体 效应，解释小组变量与个体变量之间的关系。 一、多层线性建模 多层线性建模在不同的学科领域被冠以不同的 名称，（BrykRaudenbush，1992）常见的有分级线性 1.多层线性建模的起源与发展 模型 （HierarchicalLinearModel）、随机效应模型 多层线性建模起源于概率论与数理统计学科， （Random-Effect Model）、随机系数模型 （Ran⁃ 最早应用于社会学学科，目前已广泛用于教育学、 dom-C