编辑推荐：
本文聚焦教育研究中种族、民族等相关问题，介绍了量化批判（QuantCrit）框架下的研究方法，如替代种族民族类别操作化、效应编码和以人为主的分析。这些方法能避免强化刻板印象，推动教育研究的公平性，值得关注。
引言
在教育领域，利用定量方法研究种族、民族等因素对教育的影响是常见的研究方向。例如探讨新冠疫情是否加剧了不同种族学生学业成就的不平等、不同种族和民族的大学入学率差异，以及少数族裔学生是否能从同属少数族裔的教师教学中获益等问题。然而，传统定量研究常将种族、民族、文化或移民身份视为自然、固定的分析单位，这种做法存在诸多弊端。
从历史上看，定量研究往往以白人主导群体为规范标准，将少数族裔群体视为偏离规范的存在，强化了对这些群体的缺陷视角。研究人员常把教育成就的差异归因于文化实践、社会化过程或教育期望等因素，但很少深入探究背后的机制。事实上，教育不平等是由结构种族主义和人际歧视等与群体身份相交的反复经历所塑造的。
作者意识到传统定量研究训练在应用批判或种族公平视角方面的不足，开始探索量化批判（QuantCrit）框架。该框架包含 “种族主义的核心地位” 和 “类别既非中立也非自然” 两个原则。基于此，文章介绍了三种受 QuantCrit 框架启发的研究方法，即替代种族民族类别操作化、效应编码和以人为主的分析（person - centered analysis），旨在推动定量教育研究采用批判性反思的方法。
替代种族民族类别操作化
传统研究中，种族和民族类别定义方式较为固定，而替代种族民族类别操作化则是采用不同寻常的方法来定义这些类别。在一些国家，如巴西、美国和英国，常用的分组方式较为传统，而在德国、荷兰等欧洲大陆国家，常用宽泛且异质的代理类别，如移民背景或本地学生。这种替代方法可用于稳健性检验，确保研究结果可靠、一致，避免因宽泛的代理类别导致结果偏差。
例如，一项研究发现，当用原籍国定义种族时，课堂种族多样性与同伴受害之间没有二次关系；但用自我认定的种族定义时，却呈现出显著的负二次效应，即种族多样性处于中等水平时，受害情况较少，而在低和高多样性水平时较多。
还有研究通过纳入多种社会类别，如移民背景、家庭遗产和文化认同来进行研究。在德国的研究发现，没有德国遗产的参与者比只有德国遗产的参与者经历更多歧视和感知到更多的伊斯兰恐惧症，且这种效应在阿拉伯、土耳其和 “其他” 遗产群体中更为明显，突出了 “移民背景” 群体内部的异质性。
在德国的另一项研究中，针对土耳其裔和俄罗斯裔德国定居者后代（resettler - origin）学生的研究发现，他们的民族和国家认同感随时间下降，且作者未将所有学生归为 “移民背景” 这一宽泛类别，而是考虑了自我分类和非自我分类变量，揭示了更多细微差异。
在美国的研究中，对拉丁裔本科生的研究发现，将种族细分为北美、中美、南美和加勒比地区等子区域后，北美和中美洲种族对种族认同有显著预测作用，而南美和加勒比地区种族则没有。在拉丁美洲，对土著身份的定义采用多维方式（包括家庭、语言、种族和血统），相较于仅依据母亲语言定义土著身份的传统方法，这种方式揭示了土著和非土著儿童在学业成就上更大的差异。这些研究表明，替代种族民族类别操作化能揭示传统宽泛分组下隐藏的重要模式。
超越虚拟编码：效应编码
虚拟编码（dummy coding）是一种常用的分析方法，通过将特定群体或组合群体与参考群体（如白人学生）进行比较来分析指标变量的影响。然而，这种方法默认参考群体的经验为 “标准” 或 “规范”，存在局限性。在多元回归分析中，虚拟编码不会为参考群体提供系数。
效应编码（effect coding）则是一种改进方法，它将每个群体与所有群体的平均值（即总均值）进行比较，且可应用于多种类别分组，如性别认同、性取向、教育代际状况、政治倾向等，不仅局限于种族和民族。虽然效应编码本身不能使研究更公平和包容，但它认识到了虚拟编码的部分局限性，是迈向更批判性研究方法的一步。
目前，效应编码在教育领域的应用并不广泛，主要集中在北美研究。例如，一项研究考察了美国 102 所机构大学生的种族和民族身份对社会正义取向的纵向预测，发现亚裔美国学生和白人学生相比其他种族和民族背景的学生，社会正义态度较低。另一项研究评估美国高中学生的学校归属感差异，结果显示，南亚学生的学校归属感较高，而东亚学生（尤其是女生）相对总体平均水平较低。还有研究发现，在 COVID - 19 期间，亚裔美国大学生在归属感和学习自我效能方面低于黑人和其他少数族裔学生。这些研究体现了效应编码在揭示群体间差异方面的重要性。
以人为主的分析
以人为主的分析方法不再将种族或民族作为分组依据，而是根据参与者在各种指标变量上的相似反应模式进行分组，从以变量为中心转向以人为主的分析。这种方法避免了将种族或民族错误地视为独立变量暗示因果关系，旨在理解变量间的个体内模式，并进一步分析这些模式如何与种族相关（即种族化）。该方法试图识别潜在类别（latent classes），根据对一组指标变量（如学校种族氛围感知）的反应类型或模式来描述数据中的子群体。个体在子群体中的成员身份不能直接观察到，而是从指标变量的反应中推断出来，子群体的数量也需由研究人员根据数据拟合度和理论考虑来确定，且个体属于某个子群体的概率是不确定的。
以人为主的分析可分为两种策略。第一种策略是先识别数据集中的潜在类别，然后用种族民族群体成员身份预测类别成员身份，检验反应模式是否存在种族化。在科学、技术、工程和数学（STEM）学术领域，许多研究采用了这种策略。例如，一项研究根据学生对学校种族氛围（SRC）的感知，识别出五个子群体，发现对 SRC 感知更积极的子群体成员在 STEM 课程中的归属感、参与度、需求满足度以及对 STEM 职业的兴趣更高，且白人青少年在积极 SRC 集群中占比过高，而黑人青少年在批判性 SRC 集群中占比过高。另一项研究根据学生在 STEM 学科（数学和科学）的期望和价值信念进行分组，发现动机概况成员身份能预测高中数学和科学成绩以及大学 STEM 专业选择，且不同种族民族学生在不同动机概况中的分布存在差异，如亚裔和黑人学生在高数学 / 高科学概况中占比过高，而西班牙裔学生在该概况中占比低于低数学 / 低科学概况。还有研究对本科生物学学生的效能信念、成就目标、期望和科学课程价值进行分析，通过潜在剖面分析（LPA）得到四个不同的动机概况，发现少数族裔学生更有可能属于高目标和价值观组，而非高成本和中等动机组。不过，也有研究在识别出不同的批判性思维技能和科学成就概况后，虽发现种族民族群体在各概况中的分布不均，但未检验是否存在系统差异。这种策略的好处是独立于种族民族分组识别潜在类别，减少对少数族裔群体的刻板印象描述。
第二种策略是聚焦于一个种族民族群体内的异质性。例如，一项针对美国亚裔美国人的研究考察了教育成就、收入、性别、移民代际和居住地点等指标，发现亚裔美国人群体内部存在很大差异，并非如 “模范少数族裔” 神话所认为的那样都表现出色，除了高成就者，还有相当数量的普通（低至中等成就）和弱势（低成就）亚裔美国人。对拉丁裔青少年学校氛围感知的研究表明，尽管近一半的拉丁裔青少年对学校氛围感到满意，但超过四分之三的人认为学校缺乏有意义的参与机会，体现了该群体在学校氛围感知上的异质性。针对有色人种儿童的研究发现，那些具有高积极青年发展、高种族民族自豪感和低感知种族民族障碍的儿童，学业成就更高，反驳了所有有色人种儿童学习成绩都差的刻板印象。这种策略通过展示种族民族群体内的异质性，为种族民族群体的教育成就提供了更细致入微的观点。
结论
在教育研究中比较种族民族群体时需谨慎，因为不当的比较可能强化对历史上边缘化学生的缺陷视角，造成进一步伤害。本文介绍的替代种族民族类别操作化、效应编码和以人为主的分析这三种受 QuantCrit 框架启发的方法具有重要意义。它们有助于确保研究结果可靠、一致，避免基于宽泛代理类别过度概括；挑战了将白人作为正常或参考群体的默认定位；减少了对以白人中心模型和变量的依赖。这些方法通过承认群体分类背后的结构动态，避免对群体同质性的假设，增强了研究的严谨性和反思性。虽然这些方法的应用正在增加，但仍建议定量研究人员和教育定量方法培训项目更广泛地整合 QuantCrit 框架启发的方法。采用和整合这些批判性方法有助于构建一个更包容、公正的框架，用于理解教育中的种族民族差异，使研究成为促进公平的工具，而非强化系统偏见的手段。
