课程讨论区

一、研究的问题是什么？
      该项研究通过调查在常规特定学科的职前教师教育课程中，实施为期3周的TPACK模块干预，研通过干预是否能够增强职前教师TPACK能力和技术相关动机的获得。基于一个准实验研究的方法，将TPACK模块组与没有实施TPACK模块的控制组课程进行对比。采用客观的知识测试，搜集了职前教师技术相关的专业知识，评价了TPK以及动机变量（感知利用，自我效能，教学热情）。验证并解释TPACK模块的干预是否有效。

二、研究方法设计：

     1、准实验研究如何设计？（自变量、因变量）
     该研究是一项准实验性现场研究，课程被随机分配到实验条件下：常规课程TPACK模块（N=88名职前教师）与常规课程（N=120名职前教师），作为日常控制条件，使用了一个嵌套的数据结构（职前教师嵌套在队列中嵌套的科目中）。
自变量：TPACK模块的干预
因变量：职前教师的技术相关动机（即自我效能感、感知效用、使用技术教学的热情）；职前教师的考试成绩（TPK、TPACK）；职前教师干预期间对技术整合的主观支持

二、研究方法设计

        2、课程设计有什么特点？
        课程设计的TPACK模块基于SQD模型（Tondeur等人，2012年https://doi.org/10.1016/j.compedu.2011.10.009c）以及教师教育的一般原则（Grossman等人，2009年https://doi.org/10.1080/13540600902875340），并在五门学科教学法（生物学、数学、英语作为外语教学、德语、哲学）的常规课程中实施。该模块由经过培训的认证的学科专家主持并开发。不同主题之间的模块的结构是相同的。TPACK模块的材料作为开放教育资源实施（https://vitruv.uni-tuebingen.de/ilias3/goto.php?target=cat_6596.）总体而言，TPACK模块在整个模块期间将反映、协作和反馈视为SQD模型的重复设计特征。TPACK模块三个不同阶段的课程强调了不同的SQD特征，即，角色模型、设计实践、真实体验。

二、研究方法设计

      3、研究的工具（量表）有哪些，怎么来的？
      关于动机性前后评估方面，为测量与技术相关自我效能感，使用了Schmidt等人（2009年）编制的的问卷（https://doi.org/10.1007/978- 1-60761-303-9） 由Backfisch et al.等人（2020年）翻译成德语。（https://doi.org/10.1016/j.learninstruc.2019.101300）；为测量与技术相关的实用价值，采用了由Backfisch et al.等人（2020）的量表 (https://doi.org/10.1016/j.learninstruc.2019.101300)。该量表最初由van BraakTondeur，&Valcke，2004年开发。(https://doi.org/10.1007/BF03173218)；为测量与技术相关的教学热情。使用了Kunter等人关于教学热情的量表(https://doi.org/10.1037/a0032583)

       在知识的评估方面，为为测量职前教师对教育技术领域相关概念和原则的先验知识，使用了Lachner等人（2019年）提出的概念性TPK量表。（https://doi.org/10.1016/j.compedu.2019.103645）；为衡量职前教师对通用技术教学知识的掌握情况，采用了Lachner等人（2019）的情境TPK测试量表。（https://doi.org/10.1016/j.compedu.2019.103645）； 为了测量职前教师关于技术整合（TPACK）的学科特定知识，开发了基于经典测试理论的学科特定TPACK测试；（见10.17605/OSF.IO/3EN2H） 。为测试技术整合课程期间的感知支持（SQD）为使用了Tondeur等人（2018）的SQD问卷。（https://doi.org/10.1016/j.compedu.2018.03.002）

二、研究方法设计

      4.如何保证实施的忠诚度（Implementation fidelity)，即控制干扰变量
     为了确保我们的实施的忠诚度，为所有教师提供了教学的脚本，尽可能保持课程的可比性。三位讲师定期交流，以确保课程之间的可比性。每节课结束，教师被要求回答一份自我报告问卷，评估自己是否意识到每节课的特定教学活动。在整个干预过程中，所有教师均报告已实现TPACK干预中的每个预期的学习活动。干预的课程的结构及作业、活动的数量在整个干预课程中保持不变。总体而言，86%的参与职前教师参加了TPACK干预的所有课程。控制课程不包括与技术相关的内容。在TPACK干预开始之前，不同条件下的教学具有可比性，这表明两种条件都暴露在可比数量的基本教学内容知识中。此外，在TPACK干预期间，TPACK干预和控制组之间的教学方法类型具有可比性。控制组的学生也参与了以学生为中心的活动，以加深他们的知识，例如指定课程规划或设计教学材料，但是，不需要使用教育技术。以此保证实施的忠诚度。

一.研究的问题：
（一）研究目的：使用准实验的研究方法，在常规具体学科大学的职前教师教育课程中实施为期3周的TPACK模型，是否能够增强职前教师TPACK能力和技术相关动机的获得。
（二）研究假设：
1.TPACK干预组比控制组获得更多TPACK能力；
2.TPACK干预组的职前教师比控制组表现出更强的技术相关动机（比如，自我效能感、感知效用和教学热情）；
3.TPACK干预组比控制组教师具有更高的技术支持。
另外，本研究也将“技术支持”作为一个中介变量，探索TPACK能力提升和技术支持的中介效应。

二、研究方法设计：
1. 准实验研究如何设计？（自变量、因变量）
自变量：SQL模型干预
因变量：技术相关的动机（自我效能感、感知效用和教学热情）和TPACK知识能力。
中介效应探索：技术支持作为中介变量进行探索
2. 课程设计有什么特点？
课程以及教师：共选取五门课程；每门课程分为干预组和对照组；分为冬学期和春学期两个阶段；有五个学科教学法的专家做指导
课程设计：同一门课的两个组（干预组和对照组）由一位学科教学法老师负责，在前一段时间讲解学科教学法的常规知识。后三分之一，实验组由TPACK-module的教师负责，干预组还是由另一位老师按照以往内容进行教学。三位老师之间进行有序进行交流。另外，为了阻止实验内容的泄露，实验组和干预组的教师分别两组教学。
3. 研究的工具（量表）有哪些，怎么来的？
(1) The TPACK-module 基于SQD-model 设计(Tondeur et al., 2012)
(2) 技术相关的自我效能： 借用已有问卷
(3) 感知效用：借用已有问卷
(4) 教学热情：借用已有问卷
(5) 技术相关的先验知识：借用已有问卷
(6) TPK前测：已有TPK模型
(7) TPACK后测：自编问卷
(8) 感知技术支持：已有SQD-questionnaire

    二、研究方法设计
     5.数据统计分析用的什么方法？什么是multilevel regressions？什么是multiple imputation，为什么要用它？
multi-level regressions（多层回归分析或多层次线性回归）适用于多个自变量，一个定量因变量的嵌套数据集（包含聚类的数据集，该研究有cohort、subject、condition的层次聚类）的回归分析。 与一般线性回归相比，多层回归分析考虑到了不同水平（聚类）的变异量，不仅在模型的假设上与实际情况更加吻合，更重要的是由这种方法得到的结果能更合理、正确地揭示事物之间的真正关系。多层回归分析通常涉及到对同一个体进行反复测量，这样得到的数据就不再相互独立而是存在某种相关性，所以普通线性回归不再适用。当这种反复测量是在不同时点上进行时，这就称为面板数据分析（panel data analysis）或者 纵向数据分析（longitudinal data analysis）。常见的效应有：固定效应（Fixed Effect）、随机效应（Random Effect）、混合效应（Mix effect model）。
     multiple imputation（多重计算或多重插补），是一种基于重复模拟的处理缺失值的方法，是基于各种模型（如回归、决策树、贝叶斯估计等方法）。简单而言：该方法认为缺失值是随机的，它的值可以通过已观测到的值进行预测与插值，通过多重插补可以从一个包含缺失值的数据集中生成一组完整的数据集，以挽救实验数据的缺失问题。
为便于了解两种数据处理方法，以下附上几个介绍的网站，仅作参考，不代表权威。
     关于多层线性回归的介绍：
https://zhuanlan.zhihu.com/p/150878441
https://baike.baidu.com/item/%E5%A4%9A%E5%B1%82%E7%BA%BF%E6%80%A7%E6%A8%A1%E5%9E%8B/6511753
     关于多重插补的介绍：
https://www.sohu.com/a/275318909_777125

二、研究方法设计
5.数据统计分析用的什么方法？什么是multilevel regressions？什么是multiple imputation，为什么要用它？
本研究运用运用R软件包lme4分析了数据的混合线性模型。以下围绕几个方面试探统计与分析过程：
（1）数据结构
本研究的数据结构为嵌套数据结构，职前教师（pre-service teachers）嵌套在学科（subject）中，学科（subject）嵌套在组别（cohort）中，所以职前教师（pre-service teachers）是数据的第1层次，学科（subject）是第2层次，组别（cohort）是第3层次。
（2）混合线性模型
根据假设，本研究运用了线性混合模型的方法，但是是否是广义线性混合模型，尚不清晰。
线性混合模型，又名多层线性模型(Hierarchical linear model)。它比较适合处理嵌套设计(nested)的实验和调查研究数据。此外，它还特别适合处理带有被试内变量的实验和调查数据，因为该模型不需要假设样本之间测量独立，且通过设置斜率和截距为随机变量，可以分离自变量在不同情境中(被试内设计中常为不同被试)对因变量的作用。
lme4既可以做线性混合模型（linear mixed model，LMM）的拟合，也可以做广义线性混合模型（Generalized linear mixed model，GLMM）的拟合，还可以做非线性混合模型（Non-linear mixed model，NLMM）的拟合。其中混合模型就是既有固定效应又有随机效应。
混合模型中把研究者感兴趣的自变量对因变量的影响称为固定效应，把其他控制的情景变量称为随机效应。由于模型中包括固定和随机效应，故称为混合线性模型。无论是用方差分析进行差异比较，还是回归分析研究自变量对因变量的影响趋势，混合线性模型比起传统的线性模型都有更灵活的表现。
非线性混合模型就是通过一个连接函数将线性模型进行拓展，并且同时再考虑随机效应的模型。
拟合模型后得到了每个自变量的参数（如截距和斜率），以及P值。
（3）什么是multilevel regressions？
multi-level regressions（多层次线性回归）适用于多个自变量，一个定量因变量的嵌套数据集（包含聚类的数据集）的回归分析。与一般线性回归相比，多层回归分析考虑到了不同水平（聚类）的变异量，不仅在模型的假设上与实际情况更加吻合，更重要的是由这种方法得到的结果能更合理、正确地揭示事物之间的真正关系。多层回归分析通常涉及到对同一个体进行反复测量，这样得到的数据就不再相互独立而是存在某种相关性，所以普通线性回归不再适用。当这种反复测量是在不同时点上进行时，这就称为面板数据分析（panel data analysis）或者 纵向数据分析（longitudinal data analysis）。常见的效应有：固定效应（Fixed Effect）、随机效应（Random Effect）、混合效应（Mix effect model）。
（4）什么是multiple imputation？
multiple imputation（多重插补），是一种基于重复模拟的处理缺失值的方法，是基于各种模型（如回归、决策树、贝叶斯估计等方法）。简单而言：该方法认为缺失值是随机的，它的值可以通过已观测到的值进行预测与插值，通过多重插补可以从一个包含缺失值的数据集中生成一组完整的数据集，以挽救实验数据的缺失问题。
综上所示，鉴于准实验设计的多层次性，决定了调查数据为多层次的嵌套数据。所以，数据的分析就不能使用一般线性回归，需要使用multi-level regressions（多层次线性回归）方法，分析其固定效应（Fixed Effect）、随机效应（Random Effect）、混合效应（Mix effect model）。multi-level regressions（多层次线性回归）。需要利用统计学软件，例如SPSS、R语言、STATA均可以进行multi-level regressions（多层次线性回归），其中R语言中的lme4包可以拟合线性混合模型，进行multi-level regressions（多层次线性回归）。另外，multiple imputation（多重插补）经过1000次模拟，弥补实验数据的缺失。

为便于了解两种数据处理方法，以下附上几个介绍的网站，仅作参考，不代表权威。
R软件包lme4的线性混合模型分析的介绍：
https://mp.weixin.qq.com/s/5iKBJpNk3mXjHkL--QdmGQ
https://cloud.tencent.com/developer/article/1839913
R语言︱线性混合模型理论与案例探究（固定效应&随机效应）
https://cloud.tencent.com/developer/article/1434962
关于多层线性回归的介绍：
https://zhuanlan.zhihu.com/p/150878441
https://baike.baidu.com/item/%E5%A4%9A%E5%B1%82%E7%BA%BF%E6%80%A7%E6%A8%A1%E5%9E%8B/6511753
关于多重插补的介绍：
https://www.sohu.com/a/275318909_777125

三、数据分析
1.为什么要做Preliminary analyses，具体分析了什么？
Preliminary analyses分析了职前教师的 the experimental conditions（age、gender、prior knowledge）和technology-related motivation（self-efficacy、utilityvalue、teaching enthusiasm）有无显著性差异，以排除无关变量。

2.对RQ1、RQ2和RQ3的multilevel regressions的数据结果（Appendix B. Model parameters from the multilevel analyses of our dependent measures）如何进行解读?
Appendix B中涉及的参数有Estimate(SE)（回归方程参数估计，标准误）、p (two-sided)（显著性水平）、FMI（缺失值），主要看p值。数据结果的分析有几个内容的解读，分别是：
（1）Intercept（截距）的Estimate(SE)与p值估计了线性模型的预测效果，结果说明数据拟合没有显著性差异；
（2）Condition的Estimate(SE)与p值说明了对干预的估计；
（3）Prior knowledge、Self-efficacy (pre)、Utility value (pre)、Teaching enthusiasm (pre)的Estimate(SE)和p (two-sided)说明了对自变量的估计，说明样本总体数据无显著性差异；
（4）Var(w j)为随机截距的估计，即随机效应的估计；
（5）Var(δij)为残差的估计。

3.什么是R语言，R语言如何在数据分析中进行应用的？
（1）R语言是用于统计分析、图形表示和报告的编程语言:
R 是一个统计编程语言（statistical programming）
R 可运行于多种平台之上，包括Windows、UNIX 和 Mac OS X
R 拥有顶尖水准的制图功能
R 是免费的
R 应用广泛，拥有丰富的库包
活跃的社区
（2）R语言的数据科学流程：数据导入、数据规整、数据处理、可视化、建模以及形成可重复性报告，整个分析和探索过程都在一个程序代码中完成，这种方式对训练我们的数据思维非常有帮助。
（3）R语言的应用：建模（线性回归、统计推断、多层线性模型、广义线性模型、logistic回归模型、有序logistic回归）；贝叶斯推断与建模等。具体见参考网址：
参考网址：数据科学中的R语言
https://bookdown.org/wangminjie/R4DS/baseR-intro-ds.html

四、讨论与结论
1.讨论部分如何撰写？（研究发现可能的原因，理论启示和贡献、实践意义，以及研究局限性）
该研究的讨论部分从Results、Contribution、the potential of our findings、Limitations、Conclusion五个方面撰写。
（1）Results结合假设和研究结果的异同分析可能的原因；
（2）Contribution强调了研究的创新点为基于TPACK理论的教学模块的干预与基于测试和理论的研究工具；
（3）the potential of our findings提炼了研究的理论和实践意义，在于基于理论的特定学科干预的开展；
（4）Limitations分析了研究中潜在学习过程的精细化分析和TPACK模块教学与传统教学的可比性、从面对面教学转向在线教学的潜在差异三个方面的内容进行了分析，并阐述了本研究如何考虑这种局限性，并对进一步的完善提出了看法；
（5）Conclusion对研究的发现进一步做了展望，介绍了干预措施可以作为促进TPACK和自我效能的证据。