教育学中的因果推断

理论综述性质

[1]郭娇,吴寒天.大数据时代的因果推断——教育政策评估的新路径[J].重庆高教研究,2022,10(04):39-48.DOI:10.15998/j.cnki.issn1673-8012.2022.04.005.

1. 大数据时代的因果推断范式具有数据密集性和场境依赖性两个本质特征，反映为图中的两大支柱( 即基于数据的因果推断与嵌入真实的教育场境) 。
2. 教育政策评估的路径创新体现在数据、技术以及应用 3 个层面。
   1. 在数据层面不仅打通了宏观社会经济结构、中观院校机构以及微观师生个体数据，而且通过增设的大数据中心及其数据采集、清洗、挖掘、可视化等功能助力决策咨询、专家分析、管理实施以及公众问责;
   2. 在技术层面则在成熟的量化( 如调查问卷) 与质性研究工具( 包括访谈、案例、课堂观察等) 基础上加入了随机控制实验、准实验( 如工具变量) 、机器学习( 包括决策树、随机森林等) 、自适应实验或政策学习等最新技术手段;
   3. 就应用层面而言，除动态监测、过程挖掘等功能创新之外，还可对教育政策评估的原有重要功能( 如高等教育阶段的学情调查、学科评价等) 进行升级或拓展。
      

目前，广义社会科学领域中基于机器学习的因果推断尚以经济学研究为主，近两年零星出现了若干教育领域的应用研究( 例如智利全国与美国纽黑文全区的中小学智能择校大数据平台[26]、美国 976 节小学英语课的视频逐字转录的海量文字记录的研究[27] ，以及以美国 7 个学区 84 所小学为实施单位的学生行为随机干预等[28] ) ，但尚未出现高等教育学领域
与政策研究相关的经典文献。

[2]黄斌,李波.因果推断、科学证据与教育研究——兼论2021年诺贝尔经济学奖得主的教育研究[J].华东师范大学学报(教育科学版),2022,40(04):1-15.DOI:10.16382/j.cnki.1000-5560.2022.04.001.

1. 诺贝尔经济学奖得主在教育领域的重要研究发现
   1. 教育收益率的因果推断
   2. 班级规模与学业表现的因果推断
   3. 学校投入与学生学业成绩的因果推断
2. 目前我国教育因果研究存在的问题
   1. 重量化技术、轻研究设计
   2. 重参数估计、轻证伪检验
   3. 重效应识别、轻机制分析
3. 推动我国教育因果研究发展的两点建议
   1. 围绕学生因果思维培养，改革教育量化方法课程体系
   2. 立足我国教育政策实际，提升教育因果研究创新能力

[3] 黄斌;方超;汪栋;;教育研究中的因果关系推断——相关方法原理与实例应用[J];教育文化论坛;2017年06期

1. 断点回归

   断点回归方法最早由 Thistlethwaite ＆ Campbell( 1960) 在一本教育心理学专业期刊上提出，之后沉寂多年，直到 1980 年后才逐渐发展成熟并得到大量应用。与随机实验相似，断点回归也是试图利用一种随机安排形成两组无显著差异的个体进行对照比较。不同在于，断点回归的随机安排并不是人为事先就设计好的，而是研究者事后利用在数据形成过程中自然发生的事件构造出来的。这些“自然事件”应是一些外生事件并对结果变量具有冲击作用，例如自然灾害、爆发战争、实行已久的政策戛然而止、政策对象的随机指派，等等。在外来的冲击作用下，观测对象的某一特征变量会在取值上出现一个断点，观测对象被随机分配至断点两边，一方为接受处理的处理组，另一方为未接受处理的控制组。如果处理手段对于观测对象的行为结果具有因果效应，那么，在该断点上观测对象的结果变量取值必定会有一个明显的跳跃变化，而断点回归的核心任务就是侦测这一跳跃变化是否真的存在。

2. 工具变量法

   与断点回归相同，工具变量法对残值异质性也是采用整体解决的方案，但在研究设计上，工具变量法则另辟蹊径。如前所述，之所以会出现因果关系估计偏差，是因为异质性残值与处理变量出现了相关，导致处理变量的内生化。在此基础上，研究者进一步思考，如果我们能够通过一定方法将处理变量的变异进行分解，将处理变量变异中与残值相关的那部分变异( 即内生变异部分) 剔除，仅保留与残值不相关的那部分变异( 即外生变异部分) ，并只用这部分外生变异对结果变量进行回归的话，其估计必定是无偏的。

3. 倾向得分法结合倍差法

   在实际数据分析中，受制于观测数据的事后性，有效的断点与工具变量往往难以找寻，这严重掣肘着因果关系推断方法的推广应用。近年来，倾向得分法结合倍差法的研究设计逐渐盛行，该方法的基本思路是对异质性残值的不同构成分别运用不同的方法予以解决: 运用倾向得分匹配法解决可观测异质性，运用倍差法解决不随时间变化的不可观测异质性，对于随时间变化的不可观测异质性则采用一些补救手段尽可能地予以消除。

教育对其他因素的影响分析

[1]李适源,刘爱玉.“忧郁的孩子们”：课外补习会带来负向情绪吗？ 基于中国教育追踪调查（CEPS）两期数据的因果推断[J].社会,2022,42(02):60-93.DOI:10.15992/j.cnki.31-1123/c.2022.02.002.

[2]韩佳峻. 教育如何影响个人生育意愿？[D].华东师范大学,2022.DOI:10.27149/d.cnki.ghdsu.2022.002101.

[3]张心悦.高等教育规模对全要素生产率的因果效应分析——以高等教育扩招为工具变量[J].天津市教科院学报,2022,34(05):42-52.

其他可能相关

[1]赵国庆,李欣媛,路通,彭青青.从认知地图到认知图谱：相似概念的跨学科审视[J].现代远程教育研究,2021,33(05):14-25.

这篇和因果推断没有关系，但是借鉴了心理学的认知地图和计算机的知识图谱，并试图相互融合，也许以后可以参考。

英文材料

1. Methods matter: Improving causal inference in educational and social science research.

   世界各地的教育政策制定者不断作出决定，如何利用稀缺的资源来改善儿童的教育。不幸的是，他们的决定很少有关于这些举措在其他环境中的后果的证据。在做出决定的同时，通常也没有制定良好的计划来评估其因果影响。因此，关于在不同情况下什么是有效的知识积累得非常缓慢。在过去的几十年里，研究方法、行政记录保存和统计软件的进步极大地提高了研究人员对教育干预措施的因果影响进行令人信服的评估的潜力，而且设计良好的研究数量也在增加。本书以清晰、简明的散文写成。改善教育和社会科学研究中的因果推断，为评估教育政策的人提供了必要的指导。在严谨的同时，本书提供了易于理解的启发式解释。作者通过描述分析方法在研究教育干预措施因果影响的高质量研究中的使用，以及讨论围绕每项研究的争议，激发了人们对分析方法的兴趣。Murnane和Willett在因果推断方面提供了强有力的方法论见解，同时还研究了在美国和国外实施的各种教育政策的后果。本书是对教育研究文献的独特贡献，对教育和公共政策领域的学生和研究人员，以及对社会科学感兴趣的人来说是非常宝贵的。

2. Causal inference in educational effectiveness research: A comparison of three methods to investigate effects of homework on student achievement.

   在教育效果研究中，经常被证明很难对因果关系做出可信的推断。文章首先确定了从观察性数据中进行有效因果推断的主要威胁类别，并讨论了防止这些威胁的设计和分析方法。通过使用来自22个国家的数据，这些国家参加了2003年国际数学和科学趋势研究（TIMSS）和2008年TIMSS的8年级学生样本，然后运用3种不同的方法来研究花在家庭作业上的时间对数学成绩的影响。(a) 2级回归，用于分离学生层面的关系和班级层面的关系；(b) 工具变量回归，使用教师报告的家庭作业时间来衡量学生报告的家庭作业时间；以及(c) 差别分析，调查2003年和2007年之间国家层面的变化。所有3种方法都表明，家庭作业时间对学生成绩有积极影响。

3. Embedding Experiments: Staking Causal Inference in Authentic Educational Contexts

   为了确定教师和教育系统可以改善学习的方式，研究人员需要进行因果推断。对现有数据集的分析在检测因果模式方面发挥了重要作用，但进行实验也在这项研究中发挥了不可或缺的作用。在这篇文章中，我们主张将实验嵌入到真实的教育环境中，使研究者能够测试诸如学习活动、新技术或建议策略等干预措施是否在真实的学生行为和教育结果中引起可靠的改善。嵌入实验，即在真实的学习环境中系统地操纵理论上的相关变量，对做出因果推论有很大的好处，特别是当与当代电子学习环境的丰富数据资源结合起来时。为了实现这一目标，我们提供了一份嵌入式实验的实地指南，回顾了实验设计的选择，解决了伦理问题，讨论了教师参与的重要性，并回顾了如何在各种背景下以各种规模部署干预措施。因果推断是一个旨在改善学生学习的领域的重要组成部分；在学习分析中，将实验与现有数据的分析结合起来，是检验因果主张的最有说服力的方法。

4. Causal inference in AI education: A primer

   因果推理的研究最近在机器学习和人工智能（AI）领域出现了势头，特别是在转移学习、强化学习、自动诊断和可解释性（等等）领域。然而，尽管它在解决现代人工智能的许多边界方面的应用越来越多，但大多数人工智能课程中仍然没有因果关系的主题。这项工作试图通过提供融入人工智能传统主题的、可在课堂上使用的介绍来弥合这一差距，建议将直观的图形工具应用于概率和因果推理的新课程和传统课程，并为教员提供途径，让他们认识到攀登 “因果层次 “以解决关联性、干预性和反事实推理层面的问题的好处。最后，本研究分享了教员的轶事经验、成功，以及在多个教育层次上整合这些课程的挑战。