本科生就读经验影响学习收获的路径研究-基于结构方程模型

1、    本科生就读经验影响学习收获的路径研究基于结构方程模型        摘要：学生就读经验近年来成为衡量高等教育质量的重要视角，注重从学生学习过程的角度揭示本科生教育状况。以学生就读经验为核心概念，在学生发展影响理论基础上，利用学生就读经验调查问卷所收集的数据，使用结构方程中的路径分析方法，建构分析就读经验影响学习收获的模型。结果发现：支持性校园环境、学生的学业活动、学校资源利用以及社会交往对学习收获的各维度产生积极影响，呈现出显著的正效应。关键词：本科教育，就读经验，学习收获，路径分析一、问题提出随着我国本科生教学评估

2、实施以来，高等教育发展进入到“评估的时代”，本科生培养质量的状况成为高等教育发展的核心。在高等教育大众化进程中，越来越多的利益相关者介入到其中，对于质量的关注与外在问责促使高等教育主体的转变，学生维度成为越来越重要的关注点。由此，也带来质量评估范式与主体的转变，影响到评估维度的选择，评估主体的确立，评估方法的反思，促使质量评估视角的转变。从国外高等教育评估发展来看，注重学生角度出发的评估方式占据着重要地位。在具体的实施中，将学生的就读经验与学习投入纳入进来，注重从学习过程与学习收获的角度进行评价，这些指标也成为衡量高等教育质量的关键维度。学生进入大学后，其发展过程犹如一个“黑箱”，其实际状况如

3、何尚待去揭示。国外研究对于学生发展做出了有益的探索，探讨学习过程与学习结果之间的关系，形成了若干理论模型。这些研究对我国本科生发展探索产生有利的启示，可以从学生就读经验角度出发，探寻学生的受教育过程是一种什么样的进程？弄清学生在学期间所从事的活动，对其学习收获产生什么样的影响？这种关系在多大程度上能够解释学生的学习收获？在这些研究基础上，可以形成本科生发展的影响机制。结构方程模型（sem）可以满足这种研究需要，其验证性因素分析的方式，可以建基于一定的理论模型，结合实证数据的分析，通过检验就读经验与学习收获之间的相关关系，对其影响效果以及路径机制进行验证与解释。二、初始模型的建立在利用验证性因素

4、的分析方式时，首要依据已有的研究基础，建立初始模型，然后利用数据对该模型进行验证与修订。在本研究中，就读经验与学习收获是核心概念，就读经验是指学生对自身与大学环境中的人、事、物所发生的交互作用的认识与体验。具体来说，是学生在学校期间参与课内、课外活动的经历1。对就读经验的研究是为了解学生在与学习相关的各种活动中究竟做了什么，注重对学生学习进程的调查，如与教师的交流、与同学的合作学习以及写作经验等，获得受教育的预期结果2。学习收获是衡量学生培养质量的评价标准，是指对学生在完成一系列课程或者培养计划之后，能够证明自己在知识、技能以及价值观念上具备了应有的能力3。在模型的建构中，包括就读经验与学习收

5、获的构成因素，并建立各种因素之间的影响路径。从已有研究来看，研究者注重从多方面探讨影响学生发展的因素，包括学校与学生个体层面。罗伯特·佩斯（robert pace）从学生投入角度进行研究，重视学生所投入的时间与努力，加上对学校设施、机会的利用，对学习收获产生影响4。这里面包括学生在学习上投入的时间，还有利用学校设施的频率，时间投入越多以及频率越高，对学生的收获影响越大。奥斯汀（astin）从学校环境影响出发，研究院校环境作为学生投入与收获的中介因素，对学生的发展产生重要影响，该研究注重外部影响因素5。乔治·库（george kuh）从学校环境与学生努力出发，认为学生的学习性

6、投入通过个人努力与学校环境作用，对最终的学习成就产生影响6。该研究将学校外部因素与学生内在因素结合在一起，学生的学习成就受内外在因素共同影响。齐克林（chickering）从学习过程因素考虑，认为师生交往、学生合作、学习反馈以及学习时间对学生发展产生重要影响7。该研究注重学生内在因素，从学生的学习过程角度探讨影响学生发展的多方面因素。帕斯卡雷拉（pascarella）从综合角度出发，提出了对学生学习产出与成长产生影响的五个变量，学生个体背景与学校组织特征是外在的环境变量，通过学生的社会交往、个人努力、学校环境因素，从而对学生个体发展产生影响8。该研究将影响学生发展的诸多因素包括在内，从背景因素

7、到学校外在因素，再到学生内在因素，也是对以前研究与理论的综合化应用。在初始模型建构中，综合考虑已有研究基础，将学生发展分为输入、过程与结果三部分，对应自变量、中介变量以及因变量。在变量的构成中，输入部分考虑学生的家庭背景与校园环境因素；在过程部分对学生参与活动进行分类，学生在学期间主要参与学业活动与社会交往活动，同时还利用学校资源进行学习，这些多元化活动通过学生个人努力对自身发展产生影响；在结果部分考虑学生的学习与认知发展状况，获得发展的程度。将上述因素分别列入到各变量中（见图1），对初始模型构成因素间的关系进行建构，形成各因素间的影响路径关系。学生家庭背景与支持性校园环境对学习收获产生直接影

8、响，同时通过学习过程因素对学习收获产生间接的影响；学校资源利用与学业活动对学习收获产生直接影响，同时通过学生的社会交往与个人努力对学习收获产生间接影响；社会交往通过个人努力对学习收获产生间接影响，同时社会交往与个人努力对学习收获产生直接影响。 三、研究方法（一）研究工具具体的研究工具采用“大学生就读经验问卷”，该问卷由美国的“大学生就读经验问卷”（college student experiences questionnaire，简称cseo）第四版汉化修订而来。该问卷已经在美国的大学里使用了多年，取得了很好的效果。cseo总共有四个部分，包括学生的背景信息、学生的学校活动、对学校环

9、境的感知以及学生对学习收获的自我评估。学生的背景信息包括性别、专业、家庭背景等，根据学生的不同背景信息设置了17个问题；学生的学校活动部分是问卷主体，包括图书馆学习、课程学习、与教师交往、写作经验、社团活动等112个问题，均采用四点量表的方式，参加活动的频率分为很多、多、一些、很少4个量度；学校环境部分包括学术环境、人际环境与职业环境10个问题，对环境的感知程度从非常重视到很不重视分为7个量度；学习收获部分包括学生在知识技能、个人发展、职业准备、通识教育等方面的发展状况25个问题，按照获得程度分为很多、多、一些、很少4个量度。具体方法将采用结构方程模型中的路径分析法，该方法不仅能弥补回归分析的

10、不足，而且能够更好地证明和预测学生学习收获的机制。随着相关软件的发展与普及，路经分析可以轻易地在结构方程模型中得到应用，并有效地验证理论模型9263-264。通过对本科生就读经验影响学习收获关系的揭示，可以对已有的研究进行验证，检验初始模型与观察数据的适切性，进而反映出输入变量、过程变量对结果变量的直接影响、间接影响和总影响，解释学生学习收获的影响关系与变异百分比。（二）研究样本在数据收集上，大学生就读经验课题组对问卷进行了前测与修订，并进行了多次正式的调查，建立了完善的数据库。本研究选用数据库中比较完整的高校作为个案，课题组在2009-2010学年对北京某重点高校进行了大规模调查，几乎涵盖该

11、学校所有专业，总共包含3037份有效问卷。虽然施测时间上较早，但是在数量规模以及样本代表性上，都有利于揭示研究的问题，有效验证理论模型。研究对象的基本信息包括性别、年级（详见表1）。 （三）信效度分析从问卷调查看，修订后的问卷具有很高的信度与效度。一般认为，内部一致性（cronbachs alpha）信度系数在0.7以上表示量表测量的是同一个事件，具有较高的信度10。问卷的总体信度=0.9099，可以看出问卷的信度很高。在对效度进行检验时，kmo测量系数值越大，表明变量间的共同因素越多，愈适合进行因素分析。问卷总体抽样适当性的kmo值为0.911，系数值符合标准要求，可以有效进行因素

12、分析。从模型构成的各变量分析看，将问卷中不同题项归入到不同变量中，家庭背景包括父母受教育程度、家庭资助学费、校内外兼职时间以及兼职影响学习状况；支持性校园环境包括学术、人际以及职业环境；学生个人努力包括阅读写作量、选修学分、学习时间；社会交往包括与教师相处经验、学生社团、同学交往、个人经历、谈话话题、美术音乐；学校资源包括校园设备与电脑配备；学业活动包括图书馆、写作经验、计算机应用、科学数量经验、课程学习、谈话信息；学习收获包括收获自评和学习成绩。对各变量进行内部一致性系数分析，可反映数据的稳定程度（见表2）。学生家庭背景与学生个人努力的值在0.7左右，其余各项变量的值都在0.8以上，显示出良

13、好的信度。 （四）数据准备将各项数据输入初始模型进行验证之前，需要对数据的分布状况进行完善，再选择利用何种方式进行模型的估计。对各变量数据进行分析时，偏度用于衡量分布的不对称程度，峰度是用于衡量分布的集中程度，理想的偏度与峰度应当接近于0，表示符合正态分布。从表3的具体情况来看，变量的峰度和偏度值存在一定的非正态性问题，其背后的原因可能由于样本容量较大的缘故。之所以处理数据存在缺失值，主要是为了有利于结构方程模型的运行，有利于对模型与数据进行有效的估计。我们通过均值填补法将缺失数据进行弥补与完善。在模型估计的方法上，最广泛采用的是极大似然法（ml），在应对大样本的分布状况下，其估计值

14、都是适当、可信且正确的925。本研究的样本量超过3000，可以利用极大似然法对参数进行估计，不需要对数据的非正态性进行调整。 （五）模型拟合情况在数据完备的前提下，将数据输入到初始模型中，利用amos20.o软件对变量数据与初始模型进行拟合及调整，反映该模型的识别度与拟合度。在具体分析中，首先审查初始模型是否被识别，理想的状况是过度识别模型，才能进行模型拟合度的检验。模型识别的方法采用t法则（t-rule），对估计参数数目与模型数据点数目进行对比。模型数据点数目多于估计参数数目，表示模型自由度为正数，才能称为过度识别模型。在模型的输出结果中，外因变量有2个，内因变量有5个，根据模型数

15、据点的算法，（5+2）（5+2+1）/2=28个；估计参数数目包括19个回归系数，1个协方差，7个方差，19+1+7=27个，自由度等于模型数据点减去估计参数数目，28-27=1，表示数据点数目多于估计参数数目，因此该模型为过度识别模型，可以继续进行模型的拟合度分析。其次，审查模型的拟合效果，在审核之前需要观察是否存在违反估计的情况。经计算之后，模型中不存在负的残差方差，标准化系数不存在超过或者接近1的值，也不存在超出可理解范围的太大的变量标准差值。再看模型与数据的匹配状况，如果表示显著性的卡方值（x2）比较大，可信度系数（p值）小于0.05，那么呈现出显著性，数据与初始模型并不匹配，需要对初

16、始模型进行修改，反之亦然。从实际结果来看，x2检验结果为2.075，卡方值比较小；p值为0.150.05，没有呈现出显著性，可以接受该模型。除了查看显著性指标外，还需要考虑模型适配度检验指标，检验路径分析模型图与数据的相互适配程度，更加符合实际数据的状况。从适配度指标来看，具体见表4，该模型的拟合程度比较好，渐进残差均方和平方根（rmsea）为0.019，小于0.05，表示模型适配度很好；适配度指数（gfi）和调整后适配度指数（acfi）为1.000和0.995，均大于0.90，具有良好的适配度；规准适配指数（nfi）、增值适配指数（ifi）和比较适配指数（cfi）都为1.0，大于0.90，愈

17、接近1表示模型适配度愈佳；最后一项简约适配度指数（pgfi）为0.071，该指标的数值欠佳，这只表示该模型结构尚不够简洁。 四、研究结果分析在模型拟合适配度指标符合标准要求的前提下，对模型进行估计值计算，呈现出最终的模型运算结果。通过对模型变量之间关系的观察，还有对于数据输出结果的评判，可以得出有利的研究结论。对研究结果的分析包含两大部分的数据结果：一个是标准化估计量模型图，显示各变量之间的路径系数，其中主要是标准化回归系数，揭示变量间相关关系的显著性水平（这是进行深入探究的前提），还有变量呈现出的残差项；另一个是模型运行结束后形成的文字报表输出结果，其中主要看变量之间的标准化直接效

18、果与间接效果，并对其进行汇总与计算，以得出输入变量与过程变量对于结果变量产生影响的比重。对两类数据结果的处理上，标准化回归系数不能直接进行运算，只能反映变量相关关系在统计学意义上的显著性水平，而标准化直接效果与间接效果可以进行计算，反映变量间具体的影响程度。深入揭示变量之间的影响关系。（一）变量之间的路径系数及其显著性首先，从数据运算后的标准化估计量模型图（图2）来看，需要分析变量之间的路径系数与显著性程度，在过程变量与结果变量旁边的数值和e1到e5是多元相关系数平方值和残差项。在路径系数中，主要有输入变量之间的相关系数，各变量与结果变量之间的标准化回归系数，通过回归系数可以观察变量间的显著性水平；过程变量与结果变量旁的数值是多元相关系数平方值，表示对于该变量的联合解释变异量百分比，e1到c5是残差项，残差项在模型中无法进行预测或解释。从过程变量与结果变量旁的多元相关系数平方值来看，要重点关注因变量的数值.具体为0.49，它表示该模型中所有变量可以解释学习收获变异的49%，即学生的学习收获近一半的部分可以由各影响因素进行解释，达到了比较高的比