30个国家和地区中学课堂中的学术表现与感知到的数字干扰状况分析

《COMPUTERS and EDUCATION》：Profiles of Academic Performance and Perceived Digital Distraction in Secondary Classrooms Across 30 Countries and Regions

数字分心与学业表现的关系研究基于PISA2022数据，运用K-means聚类和XGBoost分析，识别出四类学生群体：最佳表现型、易受分心型、韧性适应型及隐性高风险型，揭示内外部因素及人口学特征对分心与数学成绩的差异化影响，提出针对性干预策略。

　　

李晨阳|陈福

澳门大学教育学院，中国澳门塔ipa

摘要

随着数字干扰成为中等教育中的一个关键问题，探索个体数字干扰与学业表现之间的异质性模式变得非常重要。我们分析了2022年国际学生评估项目（PISA）中30个国家15岁学生的数据。我们使用的主要方法包括K-means进行集成聚类、XGBoost和SHAP分析进行分类和解释。结果确定了四种不同的学生特征，反映了他们对数字干扰的敏感性和数学表现模式。这些特征主要出现在东亚、欧洲、拉丁美洲、东欧和中东的教育系统中。前两个群体（最佳群体和易受干扰群体）证实了干扰与表现之间的负面关系，而两个非传统群体（适应能力强和隐形风险群体）则展示了这一趋势的例外情况。区分这些特征的关键因素包括环境因素（同伴影响和课堂纪律）、内部因素（自我效能感、信息通信技术使用习惯和情绪）以及人口统计特征。基于这些结果，我们为教育工作者、机构和政策制定者提出了有针对性的干预措施。

引言

随着互联网连接的广泛普及，笔记本电脑、平板电脑和智能手机等数字设备已成为从高等教育到K-12课堂教育中不可或缺的工具（Flanigan等人，2023年；Park等人，2024年）。这些设备带来了许多好处，如提高学生积极性、增加参与度和支持学习任务（Rashid & Asghar，2016年；Tang等人，2022年；Wijaya等人，2022年）。然而，这种连接性也带来了一种普遍的全球性挑战：数字干扰，即由于使用数字设备而导致注意力从学术任务上分散到非学术活动上（Flanigan等人，2022年）。尽管数字干扰的负面影响已被广泛强调，但仍有大量学生在课堂上进行与学习无关的数字活动（Liao & Wu，2022年；Flanigan等人，2022年）。重要的是，研究表明，并非所有的非学术数字使用都是有害的。例如，短暂的数字互动可以通过提供短暂的认知休息来帮助调节注意力；它还可以通过打断僵化的思维模式来支持创造性思维（Kim等人，2019年；Ritter & Dijksterhuis，2014年）。同时，学业表现也可能反映不同的数字行为模式。例如，高成就的学生通常表现出更强的自我调节能力，使他们能够保持任务专注（Bandura，2001年；Zimmerman，2002年；Gaudreau等人，2013年）。相比之下，低成就的学生可能会感到更大的学术无聊或缺乏动力，更有可能在课堂上使用数字设备进行非学术活动（Park等人，2024年；Pekrun等人，2010年）。

尽管相关文献日益增多，但仍存在一些关键空白。首先，现有研究主要集中在高等教育领域，而在K-12教育领域的相关研究仍然不足（Park等人，2024年；Zhou & Deng，2023年）。鉴于发展差异，中学生可能比大学生表现出较不成熟的自我调节能力和对环境刺激的更大敏感性（Crone & Dahl，2012年）。因此，有必要更加关注K-12环境中的数字干扰问题。其次，目前缺乏一个全面的框架来解释数字干扰与学业表现之间的关联机制。传统的以变量为中心的方法（例如，研究干扰是否预测较差的表现）通常依赖于线性关联和平均效应，这可能会忽略学生数字干扰行为和学业结果背后的异质性和配置模式。

因此，本研究重点关注中学生课堂上的数字干扰及其与学业表现之间的关联，将其概念化为不同的干扰和表现特征。本研究不假设干扰与成绩之间存在统一的线性关系，而是基于以往文献的整合，假设学生数字干扰-表现特征存在有意义的异质性。此外，在社会认知理论的指导下，我们开发了一个综合框架，将这些特征相关的因素组织为三个维度：内部因素、外部因素和人口统计因素。方法上，本研究利用了2022年国际学生评估项目（PISA）中30个国家和地区的数据，其中数学素养是主要评估领域（OECD，2023年）。为了捕捉复杂且可能非线性的关系，本研究采用了以人为中心的分析方法。我们首先使用数据驱动的聚类技术来根据学生个体对数字干扰的敏感性和数学表现来识别其特征。然后，我们使用监督分类模型来研究与特征成员身份相关的关键因素。我们的目标是识别出将学生的数字干扰与学业表现联系起来的不同特征，并通过社会认知理论的视角来解释它们，最终为中学生制定有针对性的干预措施。

章节摘录

数字干扰的概念化

“干扰”概念本质上是指个体的注意力从一个对象转移到另一个对象的过程（Hanin，2021年）。当这种干扰是由数字设备引起的时，称为“数字干扰”。在教育环境中，数字干扰被定义为由于数字设备的存在或使用而导致注意力从主要学术任务上分散到非学术活动上（Flanigan等人，2022年）。为了明确本研究的范围，我们

数据集和样本

本研究使用了2022年国际学生评估项目（PISA）的数据，该项目评估了15岁学生在阅读、数学和科学方面的能力，其中数学是主要评估领域。根据图1中提出的理论框架，我们从学生问卷和可选的信息通信技术（ICT）熟悉度问卷中选择了30个预测因子，以研究与学生数字干扰相关的因素

学业表现与数字干扰之间的相关性

皮尔逊相关性分析结果如表4所示。我们利用这些发现首先从实证上验证了GMC方法在统计上分离DIGDIST_L1成分的有效性，随后探讨了不同干扰水平与数学表现之间的相关性。

DIGDIST_L1和DIGDIST_L2成分之间的相关性为零（r = .00），表明GMC方法的有效性。这种正交性确保了个体

讨论

本研究的主要研究问题是：（1）根据数学表现和数字干扰识别学生特征；（2）找出区分这些特征的关键因素；（3）研究不同特征之间的人口统计构成差异。在第5.1节中，我们描述了学生特征及其独特的干扰-表现模式和背景特征。第5.2节将这些发现与社会认知理论框架联系起来。我们重点关注个体能动性的作用

结论

本研究分析了2022年PISA测试中来自30个国家的239,695名15岁学生的数据。我们揭示了学生对数字干扰的敏感性与学业表现之间的复杂关系，强调了内部和外部因素以及人口统计特征的作用。具体来说，我们发现了四种有意义的特征。除了两种显示数字干扰与数学表现之间传统负面关系的特征外

CRediT作者贡献声明

陈福：写作——审稿与编辑、监督、概念化。李晨阳：写作——初稿撰写、可视化、软件使用、方法论、数据分析、数据整理、概念化

未引用的参考文献

Berrío-Zapata等人，2018年；Christy和Fox，2014年；Leyva等人，2019年；Senkbeil，2023年。