大学生学习投入变化趋势及特征——基于校内追踪数据的分析，本文主要内容关键词为：校内论文,变化趋势论文,特征论文,大学生论文,数据论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
中图分类号：G642.1 文献标识码：A 文章编号：1672-0059(2013)05-0046-07
学习投入(Student Engagement)是21世纪初出现的关于院校评估和标志院校改进程度的重要词汇，George D.Kuh甚至形容其为美国高等教育史上的一条故事线[1]。学习投入是George D.Kuh在Tyler的“任务时间”、Pace的“努力质量”、Astin的“学生参与”、Tinto的“社会和学术整合”、Chickering的“有效教育原则”等理论基础上提出的，是学生努力、教师要求和院校支持的综合反映。学习投入有助于促进学生学习能力的发展[2]，Pascarella甚至认为学习投入是影响院校和个人发展的决定性因素[3]。因此，学习投入作为学习成效和院校表现的重要标志[4]，被广泛应用于院校评价中。其中，以“学习投入”作为调查核心的两项最有影响力的调查则是NSSE(National Survey of Student Engagement)和CCSSE(The Community College Survey of Student Engagement)[1]。其调查结果不仅应用于院校评价，甚至在美国大学排行中也得到应用，学习投入一时间成为了美国教育政策讨论和学者研究的热点。
在我国，学习投入概念的兴起则是近几年的事情。学习投入概念最早出现在心理学研究领域，而作为评价教育质量的内涵则是在清华大学引进NSSE工具进行学情调查之后(2007年引进并形成NSSE-China，2009年开展首次全国调查)。随着以“学”为中心质量观的进一步明确，以及对于上一轮本科教学评估的质量测量局限性的认识，教育质量评价逐渐由评“教”向评“学”转变[5]，以真正探寻教育质量生成的本质——学生学习。对汉化后的NSSE－China调查问卷结构的分析认为，代表NSSE学习投入的五维度指标，即学业挑战度LAC(Level of Academic Challenge)、合作性学习水平ACL(Active and Collaborative Learning)、生师互动水平SFI(Student－Faculty Interaction)、教学经验丰富度EEE(Enriching Educational Experiences)和校园环境支持度SCE(Supportive Campus Environment)，在中国情境下仍然存在，有些指标信度甚至好于NSSE[6]。学习投入调查以学生自我报告形式，围绕学习过程和教学实践，反馈学生自身的努力情况、感知教师的学业要求和院校支持的程度，试图以五维度指标以及构建的其他小量表[7]探究学生学习过程，揭示质量“黑箱”的形成本质。
然而，代表学习投入的五维度指标是如何变化的？变化规律与机制如何？国外相关研究多是横断面研究[8]，没能回答这一问题；已有的相关纵向研究[9]也非严格意义上的追踪，对于该问题的探究有限。而在中国，由于该工具刚刚引入，尚未见对相关追踪研究的报道。学习投入对于大学生学习和发展如此重要，探究其变化规律就显得十分必要，对于了解大学生学习过程也是意义重大，本研究的目的即在于此。
一、学习投入测量工具简介
(一)学习投入五维度指标
为量化大学生学习投入状况，NSSE按照相关理论构建了五维度指标。NSSE－China调查开展4年来，每年都会构建五个维度的“985工程”高校、“211工程”高校以及地方高校的全国常模。第一维度是学业挑战度，该指标由11个问题组成，主要包括学生学习投入的时间、学生的阅读量、写作量以及课程严格要求程度等；第二维度是主动合作学习，该指标由6个问题组成，包括学生课堂上提问或回答问题、课上或课后与同学问交流合作、一起做实验或讨论问题等；第三维度是生师互动，该指标由7个问题组成，包括师生学业与成长沟通、学生参与教师的项目、反馈学生学习表现等；第四维度是教育经验丰富程度，该指标由14个问题组成，包括实习、社区服务或志愿活动、社会调查、社会实践、课程以外的学习、参加各类学术竞赛等；第五维度是校园环境支持度，该指标由8个问题组成，包括学校对学生的人际关系和情感支持、财政支持以及学生与教师、行政人员的关系等。上述五维度指标是本研究的探究对象。
(二)学习投入测量工具的信效度指标
NSSE－China每年均报告工具的信效度指标。2009－2012年的问卷使用手册[10]中，五大指标的信度(标准阿尔法值均在0.6以上)较高，以大学生自我报告的教育收获为效标，五大指标和效标的关联效度均在0.001水平上达到显著相关。本研究采用NSSE－China工具，对南京某工科高校2008级的学生进行了历时四年的追踪调查。
二、数据及分析工具
(一)数据结构
本数据来源于研究初始的追踪设计。调查对象为2008级本科生，抽样原则是按照预计回收率(60％)、抽样误差(5％)进行完全随机抽样(全部学生为3603人)。经样本代表性检验(专业、性别、民族、城乡等分布)后，确定样本为813人。2009年至2013年，对该批学生共计调查四次。四次调查有一定的样本流失，具有有效数据的样本为500个(删除测谎题反应异常、缺失数据过多的无效样本)，计入分析的样本430个(删除了只有一次记录的样本[11])。样本的差异检验表明，不存在性别、专业、民族和城乡上的显著差异。
原始抽样样本(813人)的人口学特征如下：男生570人，女生243人；城市户口493人，农村户口320人；文科160人，理科653人。计入分析的样本(430人)的人口学特征为：男生样本占60.5％(260人)，女生样本占39.5％(170人)；文科样本占20.9％(90人)，理科样本占79.1％(340人)；汉族样本占99.1％(426人)，回族样本占0.5％(2人)，瑶族、彝族样本各占0.2％(1人)；城镇户籍的样本占54.0％(232人)，农村户籍的样本占46.0％(198人)。经检验，样本分布与原始抽样分布无显著差异。
(二)数据分析技术与工具
对于追踪研究的数据处理，以往通常使用重复测量数据的方差分析和多元回归分析。由于这些分析经常会受条件限制(以方差齐性和随机误差独立为前提)，而多层线性模型分析技术(HLM)没有这些条件限制，并可以有效处理缺失数据，对于追踪研究的纵向数据可以做到充分利用(追踪研究中存在部分测量时间点个案缺失和部分缺失数据)，是处理追踪数据的有效方法[12]。本研究采用HLM软件构建了多元多层分析模型。同时，为了使样本具有代表性，我们对追踪数据进行了加权处理，即赋予不同特征(性别、城乡、文/理科)追踪群体以不同的权重，权重与样本被抽到的概率成反比，从而使追踪过程流失导致的样本偏差得到了矫正。
三、数据分析结果
(一)数据的初步探索
一般来说，在对数据与假设模型的正式拟合性分析之前，往往需要对数据进行探索性分析，以帮助我们发现数据的一般变化模式，为确定模型(线性、非线性)的函数类型提供直观线索[12]。通过数据描述统计量和统计图，可以观察个体的五维度指标变化趋势及个体间的差异，初步探索五维度指标的发展规律。
从表1可以看出，五维度指标四次测量每年均有一定程度的增长(学业挑战度LAC第二年有小的波动除外)。另以生师互动指标为例，按照430个追踪样本以及随机选取10个个体进行线性和非线性(拟设存在二次型变化和三次型变化，T取时间序列的平方和三次方)作图，初步了解指标随时间变化的大致趋势，如图1－图4所示。图示表明，大一(第一次测量)到大四(第四次测量)的生师互动指标随时间推移有上升趋势，但不同个体上升的速度(斜率)不同，显示了个体间发展的差异。图3、图4还显示了生师互动指标的非线性变化趋势。
图1 430个样本生师互动指标线性变化趋势
图2 10个样本生师互动指标线性变化趋势
图3 10个样本生师互动指标非线性二次变化趋势
图4 10个样本生师互动指标非线性三次变化趋势
(二)数据的模型分析
定义变量。按照HLM多元多层模型要求定义变量。五维度指标作为五个因变量，在模型中用虚拟变量K来定义，Y代表五维度指标测量值。在数据结构中，因变量K1＝1时对应的Y值分别表示不同时间点的“学习挑战度”值，K1＝0时为其他因变量值；因变量K2＝1时对应的Y值分别表示不同时间点的“主动合作学习水平”值，K2＝0时为其他因变量值；因变量K3＝1为“生师互动”值；因变量K4＝1为“教育经验丰富程度”值；因变量K5＝1为“校园环境支持度”值。在线性模型构建中，用时间变量(TIME)t＝0、1、2、3来描述测，量时间，分别代表2009年、2010年、2011年和2012年的四次测量；在非线性模型中，用定义时间的多项式函数即t的平方描述二次增长，用t的三次方来描述三次增长。
建构模型。一般通过探索分析可以初步看出学习投入变化的线性和非线性变化特点。我们可以分别建立线性和非线性发展模型，通过拟合度检验选出最吻合观测数据的理论假设[11]。本研究选用HLM中的HMLM2定义多元三层线性模型和非线性模型。第一层用虚拟变量定义五个因变量，以描述因变量的多元结构；第二层为测量水平；第三层为个体水平。具体模型如下：
第一层：描述因变量结构
上式中，Pk表示第k个因变量(分别代表五维度指标)在时间T的测量值。TIME1、TIME2、TIME3为时间变量，分别反映五维度指标随时间的线性和非线性变化。在本研究中，TIME1取值为0，1，2，3；TIME2取值为0，1，4，9；TIME3取值为0，1，8，27。R为随机测量误差。
1.学习投入五维度指标线性变化
(1)五维度指标线性发展情况
无条件均值模型(不含时间变量，简称模型一)和无条件线性增长模型(仅含有TIME1变量，简称模型二)运行结果的固定效应如表2所示。从固定效应部分参数可以看到，五维度指标学业挑战度、主动合作学习水平、生师互动、教育经验丰富程度、校园环境支持度四次测量平均值的估计值分别为45.26、42.06、26.23、35.53、58.30，个体之间四次平均测量存在显著差异(0.001水平)。
五维度指标学业挑战度、主动合作学习、生师互动、教育经验丰富程度、校园环境支持度初始测量(第一次测量)平均值的估计值分别为41.76、33.33、14.27、28.23、52.24(满分均为100分)。第一次测量时，学生感知的校园环境支持度较其他指标好。学习投入五维度指标在四年中均有明显的上升趋势(T检验均在0.001水平上显著)，特别是生师互动指标上升很快(G310＝7.98)，其次是主动合作学习指标(G210＝5.82)，上升最慢的是学业挑战度指标(G110＝2.34)。
(2)五维度指标发展的交互作用情况
随机效应可以反映五维度指标间的交互作用(表3)。从模型一随机效应看出：四次测量学生之间五维度指标均呈正相关，即五维度指标的变化相互正向影响；主动合作学习与生师互动相关性较强(r＝0.714)，教育经验丰富程度与生师互动、主动合作学习相关性次之(r＝0.550，r＝0.523)。
从模型二随机效应看出，09年初始测量时，学业挑战度、主动合作学习、生师互动、教育经验丰富程度、校园环境支持度这五维度指标之间均呈显著正相关(r＝0.618、0.426，0.734、0.591、0.624、0.705、0.497、0.577、0.537、0.405)。也就是说，初始测量时，学生一个指标高，其他四个指标也较高；反之，一个指标低，其他四个指标也较低。但五个指标间的相关强弱不同：教育经验丰富度指标与学业挑战度、主动合作学习水平相关性较强(r＝0.734，r＝0.705)，生师互动与主动合作学习相关性次之(r＝0.624)。
随着时间推移，五维度指标间仍然呈正相关(r＝0.391、0.269、0.708、0.643、0.879、0.444、0.604、0.435、0.444、0.578)。这说明，五大指标中一个指标上升较快的学生，其另外四个指标上升也较快。尤其是主动合作学习水平变化和生师互动变化关系最为紧密(r＝0.879)，即主动合作学习指标变化可以预测生师互动指标变化或者生师互动指标变化可以预测主动合作学习指标变化。
四年间，学业挑战度、主动合作学习水平、教育经验丰富度、校园环境支持度四个指标增长与初始测量值呈负相关(r＝－0.861、－0.036、－0.084、－0.721)。这说明：上述四个指标初始水平高的学生，上升速度较慢；上述四个指标初始水平低的学生，上升速度较快。尤其是学业挑战度指标，其初始值越低，上升速度越快(r＝－0.861)。生师互动指标增长与初始测量值呈正相关(r＝0.528)。这说明：该指标初始水平高的学生，上升速度较快；该指标初始水平低的学生，上升速度较慢。另外，校园环境支持度增长与学业挑战度、主动合作学习水平、生师互动、教育经验丰富度初始测量值呈负相关，即校园环境支持度指标上升越快的学生，其另外四个指标的初始值相对较低。
2.学习投入五维度指标非线性变化
非线性模型(含有TIME1、TIME2和TIME3变量，简称模型三)固定效应结果见表4。除生师互动指标二次型变化和三次型变化不显著外，其他四个指标均存在显著的二次型和三次型变化。这说明学习投入部分指标呈现显著的非线性变化(增长)趋势。
非线性变化模型中，学业挑战度指标呈先稍稍下降、后一直上升的趋势，其余四个指标一直呈上升的趋势。2009年平均值的估计值为：42.577－6.618*0＋8.003*0－1.711*0＝42.58。2010年平均值的估计值为：42.577－6.618*1＋8.003*1－1.711*1＝42.25。2011年平均值的估计值为：42.577－6.618*2＋8.003*4－1.711*8＝47.67。2012年平均值的估计值为：42.577－6.618*3＋8.003*9－1.711*27＝48.55。三次增长(0.88)小于二次增长(5.42)，大于一次下降幅度(0.33)，呈非线性变化。同理，计算其余四个指标的三次增长结果发现：主动合作学习水平二次增长速率、生师互动水平三次增长速率变化不大；教育经验丰富度、校园环境支持度的增长幅度呈现出第一次增长大于第二次增长、第二次增长小于第三次增长的特征。
3.线性模型与非线性模型拟合结果比较
上述模型分析结果表明，根据目前的追踪数据，学习投入五维度指标无论是线性增长还是非线性增长均呈现显著的指标间差异，一定程度上都能说明指标的大概发展情况。但从模型二和模型三整体拟合差异指数的比较来看(见表5)，非线性模型整体拟合差异统计量(64683.49546)比线性模型拟合差异统计量(64832.89846)小149.4，参数增加了10个。对于自由度为10的卡方分布，149.4达到了极其显著的水平。这说明五维度指标的非线性模型能够更好地拟合学习投入的实际，学习投入的五维度指标发展具有非线性增长的特点。
四、讨论与建议
(一)存在其他影响学习投入变化的因素
通过无条件模型、线性和非线性增长模型的对比发现，除时间因素外，尚存在其他影响学生学习投入的变化因素(T检验均呈显著)，这也是对后续研究中引入性别、学科、满意度等其他变量来探究学习投入变化规律的重要提示。
(二)关注并充分利用学习投入变化规律，促进学习投入
1.学习投入总体变化趋势是正向的
学习投入是反映学生学习和院校教育的积极指标，可以预测学生的学习成效和院校教育表现。线性模型和非线性模型的结果都显示，学生学习投入五维度指标在大学四年中的变化总体上是上升的，趋势是正向的。这反映出学生的学习状态总体上是努力的，教师的要求、院校的支持促进了学生的学习。
2.学习投入五维度指标变化不均匀
反映学习投入的五维度指标虽然在大学四年间均呈上升趋势，但变化并不均衡(速率不同)——有的指标变化快(如生师互动)，有的指标变化慢(如学业挑战度)，这符合当前大学教育的实际。生师互动指标变化快反映出大学生的交往需求和要求的增加，尤其是师生互动中的生生互动较中学阶段更加明显。学业挑战度指标线性变化慢以及非线性变化中第二次呈现小幅下降，均反映出大学的课业(学业)要求未能呈现显著的层级递增，这也符合当前高校扩招后大众化教育的实际状况。教育目标的梯度设计不够[13]是高校普遍存在的教育问题，反映出在当前高等教育大众化阶段，普通高校对于训练学生高级认知能力(高阶思维、创新能力等)的要求不够。
学习投入的大部分指标还呈现显著的非线性变化特征。例如：主动合作学习水平二次增长速率、生师互动水平三次增长速率变化不大；教育实践丰富度、校园环境支持度的增长幅度第一次大于第二次，第二次小于第三次。如何充分利用非线性变化指标的变化特征来有效安排教育资源、教育实践和制定相关教育政策，促进学习投入的正向加速变化，以及如何实现投入和产出的最大效益来有效促进教育成效和学习成效，都是值得关注的问题。
3.学习投入五维度指标间存在交互作用
学习投入五维度指标测量间存在正向相关关系，这一特征为改善学习投入水平提供了有效信息，即对初始测量值较低指标的改善对于提升整体学习投入水平有显著作用，尤其对于与初始测量值较低指标相关性较大的指标的改善更为明显。
五维度指标间还存在初始测量与增长速率的交互作用，这一特征对于我们了解学生学习投入水平和变化、开展有针对性的辅导与教育活动大有裨益。如对于初始生师互动水平较高学生的特质分析(该指标初始值高的，增长也快；该指标初始值低的，增长也慢)可以为该生提供启示。
(三)分析结论的应用
全国地方本科高校学生的学习投入变化是否与该校学生具有相似的变化特点？换句话说，本研究的结论可以在多大范围内得到推广？这也是本研究的拓展意义所在。我们对追踪样本的五维度指标与全国地方高校常模(对应相应年度与年级)进行了T检验和效应大小检验(见表6)，以说明追踪样本对于地方本科高校的代表性。
T检验和效应大小检验表明，样本高校2008级学生每年在五大指标上的均值与全国地方本科高校2008级学生的均值常模差异较小。这在一定程度上说明了该高校2008级学生对于全国地方本科高校2008级学生的代表性，全国地方高校学生学习投入五维度指标的变化也应具有以上变化特征。
收稿日期：2013－04－29
标签：因变量论文; 大数据论文; 线性模型论文; 线性回归模型论文; 校园推广论文; 差异分析论文; 线性思维论文; 数据分析论文; 非线性论文;