探索数据驱动学习中个体差异与学习成果之间的关系：一种元分析路径分析方法

《Learning and Individual Differences》：Exploring relationships between individual differences and learning outcomes in data-driven learning: A meta-analytic path analysis approach

数据驱动学习（DDL）的个体差异及其对学习成果的影响，通过元分析结构方程模型（MASEM）整合25项研究（N=1094），发现工作记忆、L2熟练度、DDL正感知和熟悉度是关键预测因子，验证了DDL机制中个体差异的复杂关联。

　　

韩松丽|张浩李

韩国军事学院英语系，首尔，大韩民国

摘要

尽管数据驱动学习（DDL）在语言学习中的教学优势已被广泛认可，但个体差异（如学习者的人口统计特征、认知因素和情感因素）的作用尚未得到系统性的充分研究。为填补这一空白，本研究采用元分析结构方程建模方法来识别个体差异变量，并分析这些变量对DDL语言学习成果的影响。基于25项研究（样本量N=1094），分析发现以下关键预测因素：学习者的工作记忆、第二语言（L2）水平、对DDL的积极认知以及对其的熟悉程度（包括语料库查询技能）。结构关系表明，L2水平（β=0.20，SE=0.07，p=0.003）和对DDL的熟悉程度（β=0.06，SE=0.03，p=0.046）对学习成果有显著影响。进一步分析探讨了潜在的调节因素，如目标语言领域、L1与L2的关联性、教学模式和对照方法，但未观察到显著的调节效应。

引言

数据驱动学习（DDL）的教学优势在语言学习领域得到了广泛认可，大量初步研究证明了其有效性。关于DDL的有效性如何因个体差异而变化，最近的元分析（Boulton & Cobb, 2017; Lee, Warschauer, & Lee, 2019; Ngo & Chen, 2024）指出，学习者的母语（L1）、第二语言（L2）水平、学科领域和教育水平是影响DDL效果的显著调节因素。然而，一些研究者（Chambers, 2005; Lee, Warschauer, & Lee, 2020; Yoon, 2008）认为，除了这些因素外，学习者的认知和情感因素也可能在决定DDL的教学效果中起关键作用，尽管目前相关综合研究较少。尽管前述元分析已成功证明了DDL相较于传统教学方法在L2学习中的有效性，并识别出多种调节变量，但这些研究主要关注组间比较（Plonsky & Oswald, 2014）。迄今为止，尚未有综合研究探讨影响DDL成果的关键因素之间的相关性。

因此，该领域亟需开展相关性研究，尤其是运用结构方程建模（SEM）在不同学习情境下的研究，以填补现有研究空白。例如，Lee等人（2020）使用SEM探讨了学习者的先前英语水平、工作记忆和DDL策略使用对DDL成果的影响。尽管有这一重要贡献，但后续的SEM研究仍较为有限，难以验证和扩展其发现。鉴于此限制，我们采用了元分析结构方程建模（MASEM）方法，整合多项研究的相关矩阵，从而提供了更全面和统计上更稳健的分析手段，纳入了以往SEM模型未涉及的个体差异因素，进一步深化了对DDL机制的理解。

顾名思义，MASEM结合了元分析（MA）和结构方程建模（SEM）。该方法通过样本量加权计算，收集文献中的双变量相关系数并合成汇总矩阵，评估其与假设结构模型的契合度。此外，MASEM还能考察调节因素是否显著影响模型中各变量之间的结构关系，特别是连接这些变量的路径系数。我们的目标是识别个体差异变量，并探究这些变量与DDL学习成果之间的复杂关系，从而全面理解这些变量如何相互作用并共同影响DDL效果。

DDL的教学优势与实际挑战

DDL是一种第二语言习得（SLA）方法，利用大规模结构化语言数据集（即语言语料库）来促进语言学习（Johns, 1994）。其核心思想是让学习者接触真实的语言数据，从而发现语言使用中的模式、结构和语境，而不仅仅是依赖规则或明确指导。相关研究表明，DDL为语言学习者带来了多种教学优势，但也存在

个体差异在DDL中的作用

在本节中，我们将介绍被视为DDL背景下个体学习者差异的关键认知和情感因素，以及可能调节这些因素之间关系的因素。

本研究

如第1节所述，本研究旨在通过MASEM方法识别个体差异变量，并探讨这些变量与DDL学习成果之间的复杂关系。采用这种方法的理由在于，尽管有许多研究探讨了因素与DDL成果之间的双变量关系（Boulton & Cobb, 2017），但关于DDL成功机制的实证研究仍较为有限。

文献检索

为收集当前MASEM研究的相关文献，我们系统检索了截至2024年底发表的关于L2学习中DDL的实证研究。具体而言，检索目标是找出提供变量对之间相关系数的研究，包括个体差异变量与学习成果之间的相关性。为确保涵盖语言相关研究和跨学科研究，我们选择了五个数据库进行检索

汇总相关矩阵

如表2所示，计算出的相关系数范围从-0.001到0.21，其中只有两项具有统计学意义，分别是（1）DDL成果与DDL熟悉程度（r=0.06，SE=0.03，p=0.047）以及（1）DDL成果与英语水平（r=0.21，SE=0.07，p=0.003）之间的相关性。

根据Kang & Ahn (2021)提供的检查清单，应注意的是，效应量同质性的整体检验结果

讨论

作为首次综合研究DDL相关相关性研究的尝试，本研究通过MAPA方法整合了个体差异变量与学习成果之间的可量化相关系数，探讨了语言学习中DDL成功机制。该方法使我们能够全面分析DDL相关变量之间的复杂关系，具有比单独分析更多的方法优势。

结论与未来研究方向

作为首项应用MAPA方法于DDL研究的研究，本研究整合了个体差异变量与学习成果之间的可量化相关性，揭示了DDL成功的学习机制。通过识别DDL成果的关键预测因素并明确其结构关系，该研究为如何根据学习者的不同特点有效调整DDL提供了宝贵见解。

教育意义与启示

本研究探讨了个体差异（如记忆、语言技能和使用特定工具的经验）如何影响人们通过数据驱动学习（DDL）掌握语言的能力。DDL利用大量文本集合（称为语料库）中的实际例子来发现语言使用模式。研究指出了DDL成功的关键要素，如学习者的技能和对方法的熟悉程度，并揭示了这些因素如何相互作用以影响学习成果。

CRediT作者贡献声明

韩松丽：撰写——审稿与编辑、初稿撰写、可视化、资源整理、方法论设计、数据管理、概念构建。张浩李：撰写——审稿与编辑、初稿撰写、验证、监督、方法论设计、数据分析、数据管理、概念构建。

伦理声明

由于本研究仅基于已发表的文献，因此无需伦理声明。

资金来源

本研究得到了韩国军事学院基金会的支持，该基金会为第一作者在牛津大学的访问教授职位提供了研究资助。此外，本研究还得到了大韩民国教育部和韩国国家研究基金会（NRF-2020S1A5A2A01040173）的支持。

利益冲突声明

作者未报告任何潜在的利益冲突。

致谢

我们感谢Editage对本文的校对工作。