SRC000131 Collins Experimental research into teaching in part001 p0001-0050

所属学科: 学位论文与全文文献库
所属专题: B-DM Dissertation 全文文献库
原始文件名: SRC000131__Collins____Experimental research into teaching in__part001__p0001-0050.pdf.lecture.clean-v1.md
源路径: early music/B-DM Dissertation/全文文献库/11-研究设计、案例与伦理/.pdf-reader-parts/5792ad8d013e/SRC000131__Collins____Experimental research into teaching in__part001__p0001-0050.pdf.lecture.clean-v1.md
专题内序号: 第 136 篇

S3.1 The use of random control trials in education
- 页码：3-4
S3.2 Experimental research and units of analysis
- 页码：4-5
S3.3 [描述性拆分] Randomisation, block designs and sampling challenges
- 页码：5-6
S3.4 Potential threats to the validity of findings from RCT
- 页码：6-7

C4 Threats to validity in educational RCT

S4.1 [描述性拆分] Participants’ expectations can influence outcomes
- 页码：7-9
S4.2 Participants can respond to perceived novelty
- 页码：9-10
S4.3 [描述性拆分] Fair testing should involve teachers in different treatment groups having comparable levels of experience of their assigned teaching ’treatment’
- 页码：10-12
S4.4 Participants may make gains during a study due to maturation
- 页码：12-13
S4.5 Participants may learn from pre-tests
- 页码：13-14
S4.6 Deciding when learning is best measured
- 页码：14-15
S4.7 Measurement instruments may be considered to be biased towards one treatment
- 页码：15-16
S4.8 Other potential confounds
- 页码：16-16

C5 Quasi-experiments and natural experiments

S5.1 Quasi-experiments and natural experiments employed when randomisation is not plausible
- 页码：17-18
S5.2 Testing for equivalence between groups
- 页码：18-19
S5.3 Equivalence is more than a lack of significance difference
- 页码：19-20
S5.4 Using statistics to respond to non-equivalence
- 页码：20-21

C6 Choosing comparison conditions

S6.1 Choosing comparison conditions
- 页码：21-22
S6.2 Does the experimental treatment have any educational effect?
- 页码：22-23
S6.3 Does the intervention represent an improvement on current practice?
- 页码：24-24
S6.4 How does an innovation compare with currently recognised good practice?
- 页码：24-25
S6.5 Guidance on selecting control conditions: logical considerations
- 页码：25-26
S6.6 Guidance on selecting control conditions: ethical considerations
- 页码：26-27

C7 Generalising from experimental studies

S7.1 Generalising from experimental studies
- 页码：28-28
S7.2 [描述性拆分] Reporting effect sizes
- 页码：28-29
S7.3 Natural kinds and theoretical generalisation
- 页码：29-30
S7.4 Statistical generalisation
- 页码：30-30
S7.5 Strict conditions for statistical generalisation
- 页码：31-31
S7.6 Sampling
- 页码：31-32
S7.7 Variation within a population
- 页码：32-33

C8 Replication studies

S8.1 Replication studies
- 页码：33-34
S8.2 Replication in the natural sciences
- 页码：34-35
S8.3 Replication in a local educational context
- 页码：35-36
S8.4 Programmes of replication across diverse contexts
- 页码：36-36
S8.5 Guidelines for supporting analytical or reader generalisation
- 页码：37-38

C9 Rhetorical experiments and good practice

S9.1 Planning ethical comparison conditions in replication studies
- 页码：38-39
S9.2 Rhetorical experiments
- 页码：39-40
S9.3 Avoiding detrimental control conditions
- 页码：40-40
S9.4 Good practice in selecting productive control treatments
- 页码：41-41

C10 Conclusions, References and Endmatter

S10.1 Conclusions
- 页码：42-44
S10.2 References
- 页码：44-49
S10.3 [描述性拆分] Endnote and Tables/Figures Cover
- 页码：49-50

S1.1 [描述性拆分] Title and Publication Details

脚注 / 边栏 / 图表 / 附加信息（如有）

本节位于论文第1页，仅包含标题与出版元数据（标题、目标期刊、作者、机构、邮箱、投稿／修订／接受日期），未含脚注、图表、边栏或附录等其他附加材料；首页整体仅承担论文身份与出版状态的标识功能。

💡 本节核心要点

论文标题采用主副式结构，主标题指明研究对象为"教学创新的实验研究"，副标题将研究焦点限定为对"方法论"与"伦理"双重挑战的回应，提示文章属于方法学反思类论文。
目标期刊"Studies in Science Education"的定位与论文的方法学取向相契合，进一步确认文章的发表语境为科学教育研究领域的同行交流。
作者署名为唯一作者Keith S. Taber，所属机构为剑桥大学教育学院，联系邮箱后缀与机构一致，三项共同构成完整的作者身份标识。
三项时间记录（投稿2018年1月、第一轮修订2018年10月、第二轮修订2019年5月、最终接受2019年8月）共同表明稿件经历了约19个月的多轮实质性同行评审。
本节作为论文首页，承担的仅是出版元数据呈现功能，不承载任何实质性论证；阅读时宜快速掠过以进入正文。

🔑 关键术语

Experimental research：实验研究；在本节中作为标题核心词之一，提示文章关注的是对教学创新采用实验设计（而非纯质性或纯思辨）开展的研究。
Teaching innovations：教学创新；在本节中作为被研究的对象，指课堂教学或课程层面的新做法、新设计。
Methodological challenges：方法论挑战；在本节中与"ethical challenges"并列出现于副标题，指教学创新的实验研究在研究设计、变量控制、数据收集与分析等方面遭遇的方法学难题。
Ethical challenges：伦理挑战；在本节中与"methodological challenges"并列出现于副标题，指涉及研究参与者（尤其是学生、教师）时的伦理考量，例如知情同意、最小伤害、教育公平等。
Studies in Science Education：期刊名；在本节中作为目标投稿期刊出现，是科学教育领域的同行评审期刊，与论文的方法学取向定位相契合。

S1.2 [描述性拆分] Abstract and Keywords

第1段（P0009）

原文复述

补充说明

摘要自身已为论文结构提供线索：它先承认RCTs的方法学优势，再退一步承认教育研究的现实约束，进而推荐复制+质性的混合策略，最后落到对照组的伦理设计——这一顺序与下文各小节的展开基本对应，可作为读者预读全文的脚手架。摘要内部出现的术语，如"threats to validity"“confounding variables"“generalisation"“replication"“control conditions”，均在后文关键词中再次出现。

第4段（P0012）

原文复述

Key words:

中文讲解

“Key words:"（关键词）为版面标识语，本身不携带实质内容，用于引出紧随其后的关键词列表，提示读者本节将从摘要的叙述体切换为术语索引式呈现。

第5段（P0013）

原文复述

educational experiments; random control trials; control conditions; teaching interventions; replication; ethical comparison conditions

中文讲解

该段以分号分隔的形式列出六个关键词，原文为英文：“educational experiments; random control trials; control conditions; teaching interventions; replication; ethical comparison conditions”，对应中文"教育实验；随机对照试验；对照条件；教学干预；复制；伦理对照条件”。这六个词并非随机罗列，而是与摘要的论证主线一一映射：“educational experiments"与"random control trials"对应摘要对方法学层级的讨论；“control conditions"与"ethical comparison conditions"对应摘要末段对对照组设计的伦理关切；“teaching interventions"对应摘要开篇所指"教学创新”；“replication"则对应作者所推荐的"小规模复制研究"补救策略。换言之，关键词本身就是摘要核心议题的术语化压缩，方便检索者从任一维度定位本文。

补充说明

关键词中"teaching interventions"与摘要正文所用的"teaching innovations"措辞略有差异：前者强调作为研究变量的"干预”，后者强调作为实践变革的"创新”，两者在本节中实指同一对象，只是从研究方法学与教育实践两种视角给出不同标签。

脚注 / 边栏 / 图表 / 附加信息（如有）

本小节仅包含文章级标题、摘要标题、摘要正文、关键词标题与关键词列表六项内容，未出现脚注、图表、边栏或公式等附加材料；关键词与摘要之间存在一一对应关系，可视为摘要的术语化索引。

💡 本节核心要点

本文定位为方法学与研究伦理的指导性文章，其研究对象是"教学创新"的实验研究，而非创新本身。
文章承认随机对照试验（RCTs）具有支持统计推断的潜力，但同时指出其面临的多种效度威胁，因此并非自动等同于高质量证据。
教育情境的现实约束使准实验和自然实验成为常态，但由此带来实验组与对照组等同性、以及混杂变量两类额外的质疑。
当样本无法反映多样化群体时，推广性受限；作者建议以"一系列小规模复制研究"加以补救，并要求将其类比于多重案例研究、与定性研究互补。
对照条件的选择需同时满足科学性与伦理性两项标准：既为干预提供最恰当的检验，又照顾所有参与者的利益。
针对复制在"其他情境中已被广泛证明有效"的创新这一特殊情形，对照组应经历能反映良好实践并达到研究情境应有教学标准的条件——这是"伦理对照条件"的具体含义。

🔑 关键术语

random control trials (RCTs)：随机对照试验；摘要中指能够潜在支持统计推断的实验设计，但在本节语境下被同时指出存在多种效度威胁。
quasi-experiments / natural experiments：准实验与自然实验；摘要指教育情境中常用的、并非真正实验（true experiments）的设计类型，因此引入等同性与混杂变量的额外问题。
threats to validity：效度威胁；摘要中作为RCTs所面临的多种风险的总称，是评估实验研究质量的核心概念。
confounding variables：混杂变量；在准实验与自然实验情境下，指除干预外可能独立影响结果、从而干扰因果推断的变量。
equivalence between experimental and control groups：实验组与对照组之间的等同性；在缺乏完全随机分配的设计中，这种等同性无法由设计保证，需通过额外方法加以核实。
generalisation：推广性；摘要中指实验研究结论向样本之外、更广泛多样化群体延伸的能力，受样本代表性的限制。
replication studies：复制研究；摘要中以"一系列小规模复制研究"形式被推荐为应对推广性不足的补救策略，并被要求类比于多重案例研究、与定性研究互补。
control conditions / ethical comparison conditions：对照条件 / 伦理对照条件；摘要末段指出对照条件需同时为干预提供最恰当的检验并顾及参与者利益；尤其在复制已被广泛证明有效的创新时，对照组应获得能反映良好实践并达到研究情境应有教学标准的教学条件。

S2.1 Introduction

第1段（P0014）

原文复述

Introduction

中文讲解

该行是本小节的二级标题，标示出后续内容属于“Introduction（引言）”部分。它的功能是为读者标记一个论述起点：作者将在此引入文章的主题，即对教育领域实验研究的设计与解释问题的回顾。标题本身不包含实质论点，因此只需说明其开启的论题，无需额外展开。

The present article offers a thematic review of some key issues and challenges that arise in the design and interpretation of experimental studies in education, drawing upon selected illustratory examples of published studies. It is intended that this review will be useful both as guidance for those looking to undertake experimental studies of teaching innovations, and also for those seeking to be informed by reading research reports of such studies. The article considers the particular practical challenges of carrying-out experimental studies in education. This analysis highlights some inherent limitations in many small-scale experimental studies which cannot be assumed to generalise to other contexts. The article considers notions of generalisability and replication to both argue for how such studies can best be understood to contribute to our understanding of teaching and learning and to suggest how individua[l] studies can be best designed to usefully add to the literature. Particular attention is given to the selection of the most informative ‘control’ conditions with which experimental treatments may be compared. The article suggests guidelines for best practice in establishing control conditions for studies that will be both ethical and informative.

中文讲解

本段是文章整体定位的集中陈述，包含多个层次的承诺，需要逐层剖析。

第一，文章性质：一篇“主题综述（thematic review）”，不是系统综述也不是元分析，而是围绕“设计与解释教育实验中的关键问题与挑战”组织材料，并借助精选的已发表研究作为示例（illustratory examples）。

第二，目标读者双轨：既为“准备开展实验的研究者”提供设计指导，也为“阅读实验研究报告的读者”提供解读依据。这意味着文章同时面向做研究与读研究两类人群。

第三，核心议题清单：（1）开展教育实验的“特殊实践挑战（particular practical challenges）”；（2）许多“小规模实验”存在“固有局限（inherent limitations）”，其结果不可被默认推广到其他情境——这是对P0015末句“替代解释”思路的延伸；（3）“可推广性（generalisability）”与“复现（replication）”两个概念，作者将用它们来论证：单个小规模实验如何能被恰当地理解为对教与学认识的贡献，以及单个研究应如何被设计才能“有意义地”增加文献价值；（4）“选择最具信息量的控制条件（control conditions）”被给予“特别关注（particular attention）”，是文章的一个焦点；（5）作者将提出“最佳实践指南（guidelines for best practice）”，用于建立既合乎伦理又具信息量的控制条件。

综上，本段实际上给出了全文的“路线图”：实验方法的强大之处与替代解释风险（小规模局限）→ 可推广性与复现 → 控制条件的设计与伦理。本节作为引言，正是用这一路线图提示读者：作者并非否定教育实验的价值，而是主张以更精细的方式设计与解读它们。

补充说明

原文写作中存在拼写瑕疵 “individua studies”（应为 “individual studies”），本段复述予以保留以忠实原文，但讲解中按正确含义“单个研究”理解。

脚注 / 边栏 / 图表 / 附加信息（如有）

本小节含一处表格占位符（[Table 1 about here]，位于P0016）与一个表标题（## Table 1: A sample of published experimental studies testing teaching innovations，位于P0017）。表1的标题表明它是“测试教学创新的已发表实验研究”的示例性样本，目的是与P0015配合展示研究焦点的潜在范围；表的具体条目不在本节输入范围内，需查阅原文图表。除标题与表占位符外，本小节无脚注、边栏或其他附加材料。

💡 本节核心要点

教育创新（教学方法、课程、学习资源）通常通过对比“施加处理的实验组”与“不施加处理的对照组”的实验来评估其学习收益等结果。
作者承认实验方法“可以非常强大”，但明确指出研究结果常存在“替代解释”，不能直接归因于创新本身的优劣，为后文对因果归因的审慎态度定调。
文章自我定位为“主题综述”，围绕教育实验的设计与解释问题组织材料，并辅以已发表研究作为示例。
文章面向双重读者群体：既要开展教育实验的研究者，也要阅读实验研究报告的读者。
文章关注三个相互关联的议题：小规模实验的固有局限、可推广性与复现、以及控制条件的设计。
文章将“选择最具信息量的控制条件”作为特别关注点，并提出既合伦理又富信息量的最佳实践指南。

🔑 关键术语

experimental ’treatment’（实验处理）：指研究中施加给实验组的创新干预（如新教学方法、新课程或新学习资源），用以与未接受该干预的对照组比较其效果。
comparison condition（对照条件）：未施加待评估创新的对照组条件，研究者将其结果与实验组比较，以判断创新带来的差异。
alternative explanations（替代解释）：指实验观察到的结果并非由待测创新引起，而是由其他因素（如样本特征、实施差异、测量工具等）导致的可能性；作者以此提醒因果归因须谨慎。
generalisability（可推广性）：单个实验的结论能在多大程度上推广到其他情境、群体或实施条件；作者强调许多小规模教育实验不可被默认推广。
replication（复现）：在不同研究或不同情境中重复检验同一处理或同一假设，以验证原结论的稳健性；与可推广性共同构成作者评估单研究贡献的两大概念。
control conditions（控制条件）：实验中用于与处理组比较的对照组设置；作者认为其选择是实验设计的核心问题，并需兼顾信息量与伦理。
thematic review（主题综述）：围绕一组主题性议题组织已有研究并进行评述的综述形式，与系统综述或元分析不同，不一定追求穷尽性统计合成。

S3.1 The use of random control trials in education

第1段（P0019）

原文复述

This is a level-2 section heading. Its literal text reads: ‘The use of random control trials in education’. The ‘##’ marker is Markdown syntax denoting a second-level heading. As a heading, it announces the topic of the section that follows — the application of randomised control trials within educational research.

中文讲解

本段是 S3.1 的小节标题，原文为 ‘The use of random control trials in education’（教育研究中随机对照试验的使用）。’##’ 是 Markdown 二级标题标记，表明这是新一节内容的开始。作者以 ‘random control trials’ 这一术语点出本节关注的方法学对象——即随机对照试验在教育研究中的使用情况。该标题暗示后文将围绕随机对照试验在教育研究中的适用性、局限性与实施挑战展开讨论。

第2段（P0020）

原文复述

The paragraph begins by characterising teaching as a complex and challenging process, and identifies informing effective teaching as a core focus of educational research, attributing this statement to Pring (2000). It then states that such research draws upon a wide range of theoretical perspectives and adopts a spread of different methodologies. It argues that different studies address quite different research questions, so different methods — that is, different ways of collecting and analysing different kinds of data — are appropriate in different studies. The paragraph closes mid-sentence by beginning a citation attributed to the U.S. National Research Council’s Committee on Scientific Principles for Educational Research (2002, p., with the page reference left incomplete within this paragraph.

中文讲解

本段为后文的方法多元主义立场做铺垫。开头将教学界定为’复杂而具挑战性的过程’（a complex and challenging process），并引用 Pring (2000) 指出’教育研究的核心关注点之一是告知有效教学’（informing effective teaching）。随后作者强调教育研究在理论视角与方法论上的多样性：不同研究回答的问题不同，因此适合使用的方法也不同——所谓’不同方法’，指的是采集与分析不同类型数据的方式（collecting and analysing different kinds of data）。最后一句开始引用美国国家研究委员会’教育研究科学原则委员会’（U.S. National Research Council’s Committee on Scientific Principles for Educational Research, 2002）的观点，但引文在页码标记 ‘p.’ 处被截断，下一段（P0021）将延续这一引用并给出核心论点’方法只能依据其在回答特定研究问题时的恰当性与有效性来评判’。

需要提醒读者：本段末尾的句子在版面上未结束，‘p.’ 后所接的页码与引文正文的开头出现在 P0021 顶部，二者合在一起才构成一条完整的引文与文献标注。

补充说明

本段末尾的引文’(2002, p.‘在原文中跨越页码边界，与 P0021 开头的'3) has noted’共同构成美国国家研究委员会 2002 年报告第 3 页的一条引文。Pring (2000) 出现在本段开篇，作为’告知有效教学是教育研究的核心关注点’这一陈述的文献支持。

第3段（P0021）

原文复述

This paragraph completes the citation begun at the end of the previous paragraph. It states that the U.S. National Research Council’s Committee on Scientific Principles for Educational Research (2002, p. 3) has noted: ‘methods can only be judged in terms of their appropriateness and effectiveness in addressing a particular research question’, and that therefore a ‘wide variety of legitimate scientific designs are available for educational research’ (p. 6). From this perspective, the paragraph continues, experimental designs are very suitable for some educational studies, but are not indicated for others (Taber, 2014b). It argues that particular research techniques have specific requirements, without which they are not strictly valid, and that a research design that fails to meet the prerequisite conditions of its component techniques may not support robust conclusions. The paragraph then announces that the article will discuss the challenges of undertaking informative experimental research. It acknowledges that, inevitably, the review emphasises the limitations of experimental work, and the practical issues that arise in designing valid studies and generalising from them. It clarifies that this is not intended to suggest such studies do not make an important contribution, but rather offers guidance for evaluating such studies, and, indeed, for considering when experimental research can be productively complemented by other forms of enquiry.

中文讲解

本段是 S3.1 的核心论证段落，承接 P0020 中被截断的引文，确立全文的方法论立场——方法多元主义。其要点可拆为四层：

第一层，权威依据的引述。作者引用美国国家研究委员会 2002 年报告第 3 页与第 6 页的两条原话，确立一条原则——‘方法只能依据其在回答特定研究问题时的恰当性与有效性来评判’（methods can only be judged in terms of their appropriateness and effectiveness in addressing a particular research question），并由此推出’多种合法的科学设计都可用于教育研究’（a wide variety of legitimate scientific designs are available for educational research）。

第二层，实验设计的相对定位。基于上述立场，作者援引 Taber (2014b) 主张：实验设计（experimental designs）对某些教育研究’非常合适’（very suitable），对另一些研究’并不适用’（not indicated）。这是本节论证的枢纽句，决定了后文讨论随机对照试验局限性时的基本语调——不是否定实验研究，而是强调其情境性。

第三层，方法有效性的前提条件。作者进一步指出，‘特定研究技术具有特定要求’（specific requirements），不满足这些要求时该技术’严格说来并不成立’（not strictly valid）。研究设计如果不能满足其组成技术的前提条件（prerequisite conditions），就无法支持稳健的结论（robust conclusions）。这是为后文批评随机对照试验在教育中实施难点所作的逻辑准备。

第四层，文章范围的自我说明。作者明确指出，本文将讨论’开展具有信息价值的实验研究所面临的挑战’（challenges of undertaking informative experimental research）；这种聚焦意味着本综述必然强调实验工作的局限性（limitations），以及在设计有效研究和从中进行推广（generalising from them）时出现的实践问题（practical issues）。作者预先防御一种可能的误读——本文并非要暗示这类研究不重要，而是提供评估这类研究的指引，并思考实验研究何时可以被其他形式的探究（other forms of enquiry）有效补充（productively complemented）。

整体看，本段通过’引述权威文献 → 提出方法多元立场 → 强调技术有效性前提 → 划定本文讨论范围’的四层推进，为后续关于随机对照试验在教育中实施难点的小节作了完整的方法论铺垫。

补充说明

文中引用的两条出处在本段承担不同的功能：NRC (2002) 提供’方法选择应依问题而定’的权威背书，Taber (2014b) 则用更近的来源支撑’实验设计并非普遍适用’的具体论断。‘generalising from them’与’prerequisite conditions’是后文将反复出现的两个关键概念：前者涉及从研究情境向外推广的问题，后者涉及研究设计在技术层面是否成立的前提条件。

脚注 / 边栏 / 图表 / 附加信息（如有）

P0020 与 P0021 在原文中跨越第 3 页与第 4 页的页码边界，共享同一句引文：P0020 末尾以 ‘(2002, p.’ 结束，P0021 开头以 ‘3) has noted’ 承接，构成美国国家研究委员会 2002 年报告第 3 页的一条完整引文；同一段落内另有来自同一报告第 6 页的另一条引文 ‘(p.6)’。两段实质上是一条论述的两半——本节’方法多元主义’的方法论立场由该条引文奠定。

💡 本节核心要点

教学被界定为复杂而具挑战性的过程，‘告知有效教学’是教育研究的核心关注点之一（Pring, 2000），由此推出教育研究必须采用多元的方法论。
作者援引美国国家研究委员会 2002 年报告确立一条原则：方法的优劣只能以’对特定研究问题的恰当性与有效性’来评判，由此推出’多种合法的科学设计都可用于教育研究’。
实验设计（包括随机对照试验）对某些教育研究’非常合适’，对另一些则’并不适用’（Taber, 2014b）——这是本节论证的枢纽，决定了后文讨论局限性的语调是情境性的而非否定性的。
每种研究技术都有’特定要求’（specific requirements），不满足前提条件（prerequisite conditions）时该技术在严格意义上不成立，研究设计也无法支持稳健结论（robust conclusions）。
本文自我划定范围：将聚焦于实验研究的局限性与实施实践问题，目的不是否定实验研究的价值，而是提供评估指引，并思考实验研究何时可与其他形式的探究互补。

🔑 关键术语

random control trials：即随机对照试验，一种通过随机分组设立处理组与对照组以推断因果关系的研究设计。在本节中是方法多元主义讨论中的具体对象——作者不否定其价值，但强调其在教育研究中需要满足特定前提条件。
experimental designs：实验设计，研究者主动操控自变量并通过对照、控制变量等方式观察因变量的研究方案。在本节中作者主张其适用性是情境性的——对某些教育问题合适，对另一些并不合适（Taber, 2014b）。
prerequisite conditions：前提条件，本节中指研究技术为保证其严格有效性（not strictly valid）而必须满足的条件。研究设计若不能满足其组成技术的前提条件，则不能支持稳健结论。
robust conclusions：稳健的结论，本节中指有充分方法论支撑、可被信赖的研究结论。它与 ‘prerequisite conditions’ 相对——前提条件被满足才能得出稳健结论。
generalising：从研究情境向外推广结论的过程，本节中与 ‘prerequisite conditions’ 并列出现，指将研究结果从样本、情境、研究者扩展到更广范围时所面临的实践问题（practical issues）。

S3.2 Experimental research and units of analysis

第1段（P0022）

原文复述

Section heading: Experimental research and units of analysis.

中文讲解

本段是第3.2节的小节标题，英文为 Experimental research and units of analysis（实验研究与分析单位）。它开启了本节的两条主线：第一，介绍什么是实验研究、为什么在因果推断上更可靠；第二，引出一个看似技术性但实际极为关键的概念——分析单位（unit of analysis）。从标题即可预期，作者将先讲实验方法的目的，再讲在不同层级（学习者、班级、年级组、学校）上开展实验时需要注意什么。

第2段（P0023）

原文复述

The experimental approach is adopted in order to avoid the mistaken inference that a treatment has brought about an outcome, by employing the most appropriate comparison conditions. A key term used in discussing experimental research is the ‘unit of analysis’. An experiment may, for example, compare outcomes between different learners, different classes, different year groups, or different schools (Table 1 provides examples). At the outset of an experimental study it is important to clarify what the unit of analysis is, and this should be made explicit in research reports so that readers know exactly what is being compared.

中文讲解

本段开门见山给出实验方法的根本目的：通过使用最恰当的比较条件，避免错误地把某个结果归因于某个处理。实验要回答的核心问题是：在两组除了所给予的处理之外其他方面都可比的情况下，两组之间的差异是否能够合理地归因于该处理？

接着引入本节的关键术语——分析单位（unit of analysis）。作者用四个层级（学习者、班级、年级组、学校）举例，意在说明"被比较的实体"可以在多个层级上发生，而不同层级对应不同的统计推断意义。Table 1作为具体例子的来源被提及，但具体内容在下一节展开。

最后作者强调：研究开始之前必须先确定分析单位，并在研究报告里显式地写出来。这一要求直接服务于读者的知情——读者必须知道本研究的结论是在哪个层级上成立的，否则可能把班级层级的结论误用到个体学生身上（生态谬误），或把个体层面的结论误用到学校层面。

补充说明

Table 1 在本段被提及两次，作为说明不同分析单位实例的载体；其具体内容不在本节范围内。

第3段（P0024）

原文复述

A randomised control trial (RCT) is an experiment in which the units of analysis are randomly allocated to different conditions, and statistical methods are used to determine whether any overall difference in the measured outcomes across those conditions is (probably) attributable to the intervention. Statistics can only indicate how likely a measured result would be to occur by chance, since randomising units of analysis to different treatments can only make uneven group composition unlikely, not impossible. The usual convention is that a result is considered statistically significant when its probability (p) of occurring by chance is less than 5 percent (i.e., p<0.5, as printed in the source; this is almost certainly a typographical error for the conventional p<0.05). The specific statistical test(s) chosen depend on the research question(s). A null hypothesis — that there is no difference between treatments, which is refuted by a finding that either treatment is more effective — is not simply the inverse of the hypothesis that the experimental treatment will be more effective; researchers should set out the precise question to be tested before designing the research.

中文讲解

本段给出 RCT 的正式定义，并讨论与之配套的统计学逻辑。RCT 有三个要件：(1) 设有不同的处理条件；(2) 把分析单位随机分配到这些条件中；(3) 用统计方法判断各条件下结果的整体差异是否（很可能）由干预引起。

接下来给出一个关键限定：统计学只能告诉"该结果由偶然造成的可能性有多大”。这句话是理解统计推断的关键——随机化只能让组间不均衡"不太可能”，而不能保证"不可能”。换言之，p 值不是"处理无效的概率”，而是"假定处理无效、纯粹靠随机抽样得到这么大差异"的概率。

作者给出常规的统计显著性阈值，原文写作 p<0.5，这显然是印刷或 OCR 错误，按照学术惯例应为 p<0.05；讲解时按 p<0.05 处理，以免读者被错误的数值误导。随后说明具体检验方法的选择取决于研究问题本身。

最后区分两种假设：零假设（null hypothesis）是"处理之间没有差异"，它由"任一处理更有效"的发现所推翻；它并不是"实验处理会更有效"这一备择假设的简单反命题。这是常被忽视的方法学要点——研究者应在设计之前就把要检验的具体问题写清楚，避免把"未拒绝零假设"误读为"证明零假设为真"。

补充说明

原文印刷作 p<0.5，明显是 p<0.05 的笔误；为忠实于原文，已在复述中保留，但在讲解中按学术惯例 p<0.05 解释。

第4段（P0025）

原文复述

An RCT is described as a ’true experiment’ because it involves the randomisation of the ‘units of analysis’ (people, classes, schools, and so on) to the conditions. Ben Goldacre, in a position paper on the use of research evidence in schools commissioned by the UK Department for Education, offers a caricature of this type of study:

中文讲解

本段解释为什么 RCT 被称作"真实验"（true experiment）：根本原因在于它对分析单位（人、班级、学校等）实施了随机分配。这是 RCT 区别于准实验和非实验设计的核心特征，也是它在因果推断上享有优势的方法论根基——随机化使处理组与对照组在已知和未知的潜在混杂因素上都可期望可比。

随后引入 Ben Goldacre 的引文。Goldacre 为英国教育部（UK Department for Education）撰写了一份关于在学校中如何使用研究证据的立场报告（position paper）。作者把该报告中关于 RCT 的描述称为 caricature（漫画式/夸张化的描述），意即该段话以略带夸张、简化却形象的方式勾勒 RCT 的结构。这种行文安排有两层用意：一是让读者迅速把握 RCT 的形式；二是其中的限定词（如下一段中的 where feasible）将为后文讨论 RCT 在真实教育研究中的局限做好铺垫。

补充说明

Ben Goldacre 与英国教育部立场报告的出处信息由原文直接提供；不要在本节范围内补充其他背景。

第5段（P0026）

原文复述

“Where they are feasible, randomised trials are generally the most reliable tool we have for finding out which of two interventions works best. We simply take a group of children, or schools…; we split them into two groups at random; we give one intervention to one group, and the other intervention to the other group; and then we measure how each group is doing, to see if one intervention achieved its supposed outcome any better” (Goldacre, 2013, p. 8).

中文讲解

本段是 Goldacre (2013, p. 8) 的直接引文，呈现 RCT 的"理想形态"：取一组儿童或学校 → 随机分为两组 → 各施加不同的干预 → 测量并比较两组的最终表现，看哪种干预"更好"。

值得注意的两个细节：(1) 开头的 where feasible（在可行的前提下）暗示随机试验并非任何情境下都能开展；(2) 结尾的 supposed outcome（号称要达成的结果）提示，干预声称的目标本身也需要被检验——这与本段所述"评估处理效果"是连贯的。

该引文的功能是为前一段对 RCT 的定义提供一个具体而生动的操作化版本；同时，where feasible 与下一段将出现的 simply 二词构成转折的伏笔。

补充说明

Goldacre (2013, p. 8) 是本段引文的出处信息；本节范围未提供完整参考文献条目。

第6段（P0027）

原文复述

The ‘where feasible’ proviso noted above is important, and this article goes on to discuss a number of potential challenges in undertaking such a study. RCTs are sometimes difficult to arrange in education and other social contexts. The ‘simply’ of taking a sample of children or schools and randomly splitting them into two groups frequently gives rise to practical difficulties; later in the article, studies that do not meet the requirements of being a ’true experiment’ (such as most of those listed in Table 1) are discussed.

中文讲解

本段回扣上一段引文中两个看似不起眼却关键的词——where feasible（在可行的前提下）和 simply（简单地）。作者明确指出，在教育及其他社会情境下随机分配常常难以实施，原因涉及伦理、行政许可、家长与学校意愿等多方面的实际困难。

由此引出全文结构上的安排：在文章后续部分将讨论那些不满足"真实验"标准的研究——例如 Table 1 中列出的大部分研究。也就是说，作者承认教育研究的现实是：大量研究只能采用准实验或非实验设计。因此，理解 RCT 的"理想型"之后，还必须理解它在真实教育场景中的局限和替代方案。

本段在论证上起过渡作用：从"什么是 RCT / 真实验"过渡到"现实中能做到什么程度"，为后续讨论准实验、相关性研究等方法留出空间。

补充说明

Table 1 中"大部分研究不满足真实验要求"这一提示，由本节原文直接给出。

💡 本节核心要点

🔑 关键术语

Unit of analysis (分析单位)：实验中被比较并被随机分配的实体，可以是个人学习者、班级、年级组或学校；它决定了统计推断发生的层级，决定了研究结论能在何种单位上被合理地推广。
Randomised control trial / RCT (随机对照试验)：将分析单位随机分配到不同处理条件、并用统计方法比较各条件下结果差异以推断处理效应的实验设计；本节中将其与"真实验"等同使用。
True experiment (真实验)：因对分析单位实施了随机分配而区别于准实验和非实验研究的实验形式；随机化是其方法论上的核心标志。
Statistical significance (统计显著性)：本节采用的常规阈值是结果由偶然产生的概率 p<0.05（即低于 5%），用以判断所观察到的组间差异是否"很可能"由偶然造成。
Null hypothesis (零假设)：假定不同处理之间不存在真实差异的统计假设；它由"任一处理更有效"的发现所推翻，并且不是"实验处理会更有效"假设的简单反命题。
Caricature (漫画式描述)：作者对 Goldacre 关于 RCT 的引文的定性，意指该描述以夸张、简化的笔触勾勒 RCT 的结构，目的在于让读者迅速把握 RCT 的形式。

S3.3 [描述性拆分] Randomisation, block designs and sampling challenges

第1段（P0028）

原文复述

Randomisation cannot ensure equivalence between groups (even if it makes any imbalance just as likely to advantage either condition) so “while a substantial imbalance is unlikely to occur in a very large trial, small trials may well be subject to sufficient differences between groups to affect the overall result of the trial” (Moore, Graham, & Diamond, 2003, p. 683). Researchers therefore sometimes seek to classify units (e.g., schools) in a sample into similar groupings and randomise from each of these clusters or ‘blocks’ rather than the complete pool (Moore et al., 2003; Ruthven et al., 2016). This so-called randomised block design requires both identifying what characteristics are pertinent to judging similarity in a particular study (e.g., school size?; location?; curriculum?; selectivity of intake?; gender / ethnic / socio-economic composition of pupils?; etc.) and having accurate measurements of these qualities.

中文讲解

本段的核心主张是：随机化并不能保证各组之间的等同性，因此在小样本试验中，研究者往往需要采用"随机区组设计"来弥补随机化的这一不足。

首先，作者借助 Moore 等人（2003, p. 683）的引文指出，随机化的真正作用是让任何不平衡在概率上对各组都一视同仁，而不是主动消除组间差异。在大样本中，不平衡发生的概率较低；但在小样本中，组间差异有可能大到足以影响整个试验的结果。这一限定条件至关重要：它意味着，对小规模教育研究而言，仅靠"随机分配"这一名义操作，并不自动保证比较的公正性。

为了应对这一不足，作者引入了"随机区组设计"（randomised block design）。其基本思路是：先按照某些与研究问题密切相关的特征，把样本单位（如学校）分成若干个内部相似的"区组"或"聚类"，然后在每个区组内部再进行随机分配。这种做法的好处是：在随机化之前就已经把可能影响因变量的关键变量控制住了，从而降低组间不平衡的风险。

不过，作者也指出这种设计并不"免费"，它有两个前提：(1) 研究者必须能够判断哪些特征对于判断"相似性"是相关的；(2) 必须能够对这些特征进行准确测量。作者随后给出一串可能相关的特征——学校规模、地理位置、课程设置、入学选拔性、学生群体的性别/民族/社会经济构成等——这些例子意在说明：在教育研究中，“哪些变量真正重要"高度依赖具体的研究问题，没有放之四海皆准的统一清单。

从论证作用看，本段为本节奠定了方法论基调：先承认随机化的局限，再提出可行的补救方案（区组设计），并指出该方案对研究者判断力的依赖，从而把读者带入后续关于"抽样如何在小规模研究中变得困难"的讨论。

补充说明

“随机区组设计"的关键不在于"把学校分组”，而在于分组所依据的特征必须与潜在混杂变量相关；如果分组依据与因变量无关，这种设计就退化为普通的随机化，无法获得额外控制。

第2段（P0029）

原文复述

Research reports from small-scale studies (such as those comparing outcomes in two classes, see examples in Table 1) rarely inform readers how the randomisation was achieved, and it has been reported that authors sometimes seem unable to provide such information when asked (by journal editors, for example). It has therefore been recommended that the technique for making a random selection should be briefly reported in methodology sections of reports along with other details of techniques used in the study (Taber, 2013c).

中文讲解

本段把焦点从"理论上随机化应如何做"推进到"实践中小规模研究在随机化上的报告问题”。

作者指出了一个令人不安的现象：在那些只比较两个班级结果的小规模研究里，方法部分很少交代随机化是如何实现的；更有甚者，当期刊编辑追问时，有些作者甚至无法补上这一信息。“作者本人说不清楚自己是怎么随机化的"这一现象之所以重要，是因为它直接动摇了读者对研究内部效度的信任——如果研究者自己都讲不清所采用的随机过程，那么这种"随机"很可能只是名义上的，实际上可能掺杂了研究者无意识的偏好（例如把更配合或更方便的班级分到干预组）。

由此，作者援引 Taber（2013c）的建议：研究方法部分应当像报告其他研究方法一样，简要交代"如何做出随机选择”。

本段在整节中的作用是把上一段对随机化局限性的讨论推进到实践层面：即便研究者采用了某种随机化或区组设计，如果不报告，等于没有为读者的判断提供依据；不报告本身就构成方法上的可疑信号。

第3段（P0030）

原文复述

If the units of analysis are schools, it may be difficult to enrol a large enough number of schools into the sample for the statistical methods to be used - especially in those national contexts that rely on schools responding to invitations to volunteer (this is less of a problem when research access is granted at regional district or state level). Ruthven and colleagues (Ruthven et al., 2016) report a project (Effecting Principled Improvement in STEM Education - ’epiSTEMe’) undertaken in England. The project team were based at a prestigious university that also had extensive and long-standing networks with schools in its region. The research was part of an initiative (the Targeted Initiative on Science and Mathematics Education) funded by a national research funding agency (the Economic and Social Research Council) in partnership with the

中文讲解

本段开启了对抽样层面挑战的讨论：当分析单位（units of analysis）由学生或班级上升到学校时，达到统计方法所需的样本量本身就成为难题。

作者先给出一个普适性判断：当学校需要"自愿响应邀请"才能加入研究时（在很多国家的教育研究中很常见），凑足够多的学校极其困难；反之，如果研究许可由地区或州一级行政单位直接授予（例如官方发文要求参与），这种困难就小得多。这一对比说明，抽样困难不全是技术问题，而是与一个国家或地区的教育治理结构、研究许可机制紧密相关。

随后，作者引入一个具体案例——Ruthven 等人（2016）在英格兰开展的 epiSTEMe 项目（Effecting Principled Improvement in STEM Education）。作者用几个关键背景标识这个项目的"资源优势"：项目团队所在大学声誉卓著、与所在地区学校有长期稳定的合作关系；项目隶属于一个国家级资助动议（Targeted Initiative on Science and Mathematics Education），由 ESRC（Economic and Social Research Council）资助，并与多个伙伴机构合作（合作伙伴的名称在 P0031 中补全）。

本段最后一句以"in partnership with the"结束，语法上尚未闭合，是为下一段保留的过渡。整体而言，本段先用一般性判断点明学校层面抽样的固有困难，再用 epiSTEMe 这一"资源最不缺的典型"为后文的具体落差做铺垫。

补充说明

“units of analysis”（分析单位）指的是统计分析中相互独立的观测对象；本段强调，当分析单位由学生/班级上升到学校层级时，由于学校数量本身有限，统计功效极易不足。

第4段（P0031）

原文复述

Gatsby Charitable Foundation, the Institute of Physics and the Association for Science Education. Despite these indicators of status, it proved difficult to recruit schools at the level hoped for,

中文讲解

本段在句子层面延续 P0030，补全了资助与合作机构的名单（Gatsby Charitable Foundation、Institute of Physics、Association for Science Education），然后用 “Despite these indicators of status, it proved difficult to recruit schools at the level hoped for” 完成关键转折。

这句话承载了本节最重要的实证教训之一：在教育研究中，“资源充足、机构权威、关系网络深厚"并不必然带来顺利抽样。作者用 “despite” 和 “proved difficult” 这两个连接手段，把前面所有"加分项"转化为反衬，从而凸显学校层面抽样的固有难度。读者应注意：作者并不是在批评该项目团队执行不力，而是以此为典型案例，提醒读者把研究结论从这一类项目推广到"在更一般条件下的小规模学校研究"时要格外谨慎。

就本节整体论证而言，这一句把"机构资源"与"抽样结果"之间的张力推到读者面前，为 P0032 中具体的数字落差做铺垫。

补充说明

本段是 P0030 同一句的延续，没有独立的论证单元，但在本节中的作用是：用"机构名号齐全 → 招募仍然困难"这一对照，为 P0032 中"原计划 vs 实际"的具体数字反差蓄势。

第5段（P0032）

原文复述

The intention was to recruit 30 schools to participate, together providing 60 teachers/ classes in each [of science and mathematics], so as to yield a structured sample of sufficient size to afford a hierarchical analysis of adequate statistical power. …In particular, while the original stipulation was that schools should nominate two science teachers and two mathematics teachers, it became clear that insisting on this would result in far too few schools participating in the trial. Consequently, both the two-subject and teacher-pair requirements were relaxed. … This yielded 25 participating schools: 12 in the intervention group and 13 in the control. Thus, while the number of schools participating came close to original intentions (25 rather than 30), as a result of the relaxation of participation requirements noted above the number of teachers/classes fell well short (34 in mathematics, 36 in science, rather than 60 in each). (Ruthven et al., 2016, pp. 25-26)

中文讲解

本段是整个抽样故事的核心数字段落，需要把"原计划 vs 实际"两套数字对照清楚。

原计划：招募 30 所学校，每所学校各提名 2 名科学教师和 2 名数学教师，因此在科学和数学两个学科上各得到 60 名教师/班级。这样设计的目的是形成"结构化样本”，使其足够支撑具有足够统计功效的层级分析（hierarchical analysis）——即考虑到教师嵌套于学校、学生嵌套于班级这种多层结构。

实际过程：研究团队发现，若坚持"两门学科 + 教师配对"的硬性条件，愿意参与的学校会少到无法成事，于是放宽了这两个要求。最终结果分两层来看：

学校数：25 所（干预组 12、对照组 13），接近原计划的 30；
教师/班级数：数学 34 个、科学 36 个，远低于每科 60 个的目标。

作者的论证意图不在于给出"成功/失败"的简单判断，而在于揭示一个深层矛盾：当研究者出于统计严谨性提出更严格的纳入标准时，反而会削弱样本的代表性或规模；而一旦放宽标准，统计功效又会受损。这里，“学校数达标而教师/班级数严重不足"的反差，进一步放大了"以学校为分析单位"在层级分析中的脆弱性——因为学校内教师/班级数量的减少直接动摇了层级模型第二层单元的充足性。

补充说明

“hierarchical analysis”（层级分析）在本节语境下指的是考虑"教师/班级嵌套于学校"这种多层数据结构的多层次模型（multilevel model）；其前提是各层单元都有足够数量，否则模型估计不稳定。

第6段（P0033）

原文复述

In practice, most published studies are based on a much smaller number of classes, and indeed many are based on comparisons between one intervention class and one control class (see the examples in Table 1).

中文讲解

本段在 epiSTEMe 这一具体案例之外，给出一个面向整个小规模教育研究领域的概括性判断：现实中大多数已发表研究所依赖的班级数比上述案例还要少得多；其中不少研究只是拿"一个干预班 vs 一个对照班"做比较。

这一句是本节论证的收束。它的作用是把前面 P0030–P0032 的具体困境推广到一般化结论：在小规模教育研究中，“分析单位是班级"且"班级数极少（甚至只有两个）“是一种普遍现象，而非个别项目的偶然。作者随后指引读者参考表 1（Table 1）中的例子（这些例子不在本节解析范围内）。

由此，作者把读者引向一个根本性的方法论质疑：当研究只比较两个班级时，前面所讨论的"随机化”、“区组设计”、“足够样本量"这些原则在多大程度上还能够被尊重？读者应理解，本段并非否定这类研究的价值，而是为后续对小规模研究方法论局限的进一步批评埋下伏笔。

脚注 / 边栏 / 图表 / 附加信息（如有）

本节涉及若干附加材料与文献出处：

表 1（Table 1）：被 P0029 和 P0033 两次引用，用于展示"两个班级比较"的小规模研究实例；本节原文未给出表的具体内容，需查看原图。
文献出处 Moore, Graham, & Diamond (2003, p. 683)：为"小样本随机化不足以保证组间等同"这一判断提供支持。
文献出处 Taber (2013c)：为"方法部分应报告随机化技术"的建议提供支持。
文献出处 Ruthven et al. (2016, pp. 25-26)：提供 epiSTEMe 项目原计划与实际结果的全部具体数字。
资助与合作背景：epiSTEMe 项目隶属于 Targeted Initiative on Science and Mathematics Education，由 Economic and Social Research Council（ESRC）资助，并与 Gatsby Charitable Foundation、Institute of Physics、Association for Science Education 合作。

💡 本节核心要点

随机化只能保证"组间不平衡在概率上对各组均等”，而不能保证各组在关键变量上真正等同；样本量越小，不平衡越可能扭曲试验结果。
随机区组设计通过先按相关特征分层、再在层内随机化来降低组间差异，但其有效性依赖于研究者能否准确识别关键相似性变量并加以测量。
以学校为分析单位时，即便拥有良好机构资源、长期合作关系和国家资助，仍常因"自愿参与"机制而难以招募足够学校。
epiSTEMe 项目这一资源充足的案例最终也面临"学校数勉强达标（25/30）、教师/班级数远低于计划（数学 34/60，科学 36/60）“的两难，体现层级分析对第二层单元数量的敏感性。
抽样要求越严格，越可能因招募困难而被迫放宽；放宽要求又会反过来损害统计功效——这是小规模学校层面研究的内在张力。
现实中许多已发表的小规模教育研究只比较一个干预班与一个对照班，使前述随机化、区组设计和样本量原则的实现更加困难。

🔑 关键术语

randomisation（随机化）：通过随机分配使各组在概率上等价，但并不等同于真正的组间等同，尤其在小样本中无法保证关键变量的平衡。
randomised block design（随机区组设计）：先按与研究相关的特征将单位分为内部相似的区组，再在每个区组内随机化分配，以减小组间不平衡风险；其有效性依赖于研究者能否识别关键相似性变量并加以测量。
units of analysis（分析单位）：统计分析中作为独立观测的对象；在学校层面研究中，分析单位由学生/班级上升到学校，样本量通常急剧缩小。
hierarchical analysis（层级分析）：考虑数据嵌套结构（如教师/班级嵌套于学校）的多层次统计模型；对每一层的单元数量均有要求，第二层单元不足会显著降低统计功效。
statistical power（统计功效）：在效应真实存在时正确拒绝零假设的概率；样本量过小会显著降低统计功效，使真实效应难以被检出。

S3.4 Potential threats to the validity of findings from RCT

第1段（P0034）

原文复述

Potential threats to the validity of findings from RCT

中文讲解

这是第3.4节的小节标题，以二级Markdown标题（##）呈现，完整英文为"Potential threats to the validity of findings from RCT”，可译为"随机对照试验（RCT）研究结果有效性的潜在威胁”。该标题所开启的论题是：在前文已经说明RCT能够借助随机化排除组间构成差异、并由此让达到统计显著的因果推断较为可信之后，本节转入讨论另一类问题——即便做了随机化，仍然可能存在的、威胁RCT结果有效性的系统性因素。这一标题因此为整节定下基调：本节不是在否定RCT，而是在刻画RCT的局限。

第2段（P0035）

原文复述

The simplest type of RCT will compare two conditions, and in many cases the treatment in one of those conditions is an innovation (a new teaching approach, a new curriculum, or a new set of learning resources, for example) which is to be compared with a treatment that takes the form of some kind of ‘standard’, ’typical’, or ’traditional’ alternative. The author cites, as a concrete example, the Ruthven study referenced earlier in this review, in which the comparison condition was ’teaching via established methods’ (Ruthven et al., 2016, p. 26). The author also signals that the question of how to choose among different forms of comparison condition (namely: no educational input at all, versus customary teaching, versus recognised good practice) will be addressed in a later section of the review.

中文讲解

本段先交代本节论题展开所依赖的最简RCT图式：两组对比，一组通常是教学创新（新教学法、新课程、或一套新的学习资源等），另一组则是某种"标准"“典型"或"传统"的处理形式。作者紧接着给出具体例证——上文已引用过的Ruthven等（2016, p. 26）研究，其中对照组被明确界定为"以既有方法进行教学”（teaching via established methods）。作者随后又预告：比较条件本身可以有多种形态（完全不给予教育输入、常规教学、被认可的优良实践），该如何选择，是另一个独立的方法论问题，本节不展开，留待后文再谈。

本段的功能是铺垫：它让读者带着"创新组 vs. 标准/传统组"这一最典型的RCT对照图式进入后文关于有效性威胁的讨论；同时明确把"对照组究竟应当是什么"这一议题从本节剥离出去，留待后文处理。换言之，本段是在收窄本节要讨论的范围——只讨论"在比较条件已经选定之后，创新 vs. 对照这一对照关系内部还可能出现哪些有效性威胁”。

补充说明

Ruthven等（2016, p. 26）的引用在本段以"上文已引用的Ruthven研究"回指，不引入新文献信息。

第3段（P0036）

原文复述

Where an RCT has been carefully designed and carried out, and where the treatment that learners actually experience reflects the treatment that was intended — that is, where there is a high degree of ‘intervention fidelity’ (O’Donnell, 2008) — then, if the magnitude of greater learning gains (or a more positive shift in attitudes, or whatever the intended outcome was) in the innovative condition reaches statistical significance, the teaching innovation can be concluded to yield superior results to the comparison condition. Because the units of analysis were randomly assigned to conditions, this superiority is unlikely to be explained by a difference in the composition of the two groups (for instance, that the higher-attaining students, or the better-behaved classes, were placed in the intervention or experimental treatment). However, randomisation cannot remove systematic differences that are introduced by other features of the study design. To illustrate, the author describes a case in which fifty students are randomly assigned to two different classes within the same school — 25 to an experimental group receiving some teaching innovation, and 25 to a control group receiving typical teaching — but the two classes are taught by two different teachers, in different classrooms, and at different times during the week. In such a case there are clearly differences in the treatments (i.e., important variables that are not controlled so that they are the same in both treatments) that can potentially confound any apparent effect of the innovation, despite the randomisation.

中文讲解

本段是本节论证的真正起点，先勾勒理想情境，再暴露其局限，分三层推进。

第一层勾勒理想情境：当RCT被精心设计与执行，且学习者实际经历的处理与设计意图一致——即具有较高的"干预忠实度"（intervention fidelity，O’Donnell, 2008）——那么若创新组在学习增益（或积极态度变化等预设结果）上的优势达到统计显著，就能作出"创新优于对照"的结论。这里隐含的条件是"实际处理 = 意图处理"，是后文讨论各种偏差的前提。

第二层交代随机化能解决的问题：由于分析单元是被随机分配到不同条件下的，组间构成的差异（如高分学生或纪律更好的班级恰好被分到干预组）不大可能解释结果的差异。这是随机化在RCT中的核心价值，作者在此明确点出。

第三层也是本段的关键转折：随即明确其局限——随机化并不能消除由研究设计其他方面所引入的系统性差异。作者用具象的例子来说明：同一所学校里50名学生被随机分到两个班，每班25人，实验班接受创新教学，对照班接受常规教学；但这两个班由不同的教师、在不同教室、在一周中不同时段上课。如此一来，两组"处理"之间就出现了未被控制的差异（教师、教室、时段等），这些差异有可能与创新本身的效果混在一起，使我们难以把观察到的差异干净地归因于"创新"，尽管随机化已经做了。

这一例子的作用是揭示一个朴素的道理：随机化只解决了"组间构成"问题，但并未解决"组间处理"问题——即除了被操纵的创新因素之外，其他伴随变量在两组间是否相同。这是本节此后各种"有效性威胁"的共同逻辑起点，作者用这一段把它显式地提出来。

补充说明

O’Donnell, 2008是首次在本节出现的文献，仅作为"干预忠实度"概念的支持性引用。

第4段（P0037）

原文复述

…differences in the treatments (i.e., important variables that are not held constant across the two treatments) that could potentially confound any apparent effect of the innovation, even though randomisation has been carried out. Although it may seem obvious that the ’teacher variable’ must be controlled — that is, that the same teacher should teach both classes — doing so in turn excludes the possibility of controlling other variables (for example, the same teacher cannot teach two classes simultaneously). Furthermore, as the author notes will be discussed later, the same teacher may not be equally experienced, competent, and comfortable across the different conditions.

中文讲解

本段紧接上段那个"两名教师教两个班"的例子，把它推向更深的层次：要消除这类混淆变量，初看似乎最自然的做法是"控制教师变量"——让同一位教师教两个班。

但作者随即指出这条路的双重困境。第一层困境是物理性的：同一位教师无法同时教两个班，因此"控制教师"这一选择本身就排除了对其他变量（如上课时段、教室环境）的控制。第二层困境是教师层面的：即便同一位教师教两个班，他/她在不同条件下（创新 vs. 常规）的经验、胜任度与舒适度也可能并不一致，作者预告这一问题将在后文进一步讨论。

这段论证揭示了一个容易被忽视的方法论要点：所谓"控制变量"并不是可以无限叠加的工程，每加入一个控制，往往就以放弃对另一个变量的控制为代价。这为本节随后要讨论的其他有效性威胁埋下伏笔——后文涉及的"学生嵌套（聚类）“问题，就是另一个无法同时被"随机化"和"教师控制"同时解决的限制。

补充说明

“后文将进一步讨论"指向同一节后面或后续小节中对教师跨条件差异的处理，本段未给出具体定位。

第5段（P0038）

原文复述

Twenty-five students placed in the same class — even when they have been placed there randomly — cannot be treated as independent learners, because they interact with one another and influence one another’s learning. As a result, student outcomes within a single class tend to be more similar to one another than they would be if the students had not been taught together; this produces clustering of measurement outcomes within classes (Dorman, 2012). Variables of this kind matter less in large-scale RCTs, because each condition contains many different classes. This, the author explains, is why studies that compare only two classes, or a small number of classes, may not be especially informative on their own — even when it is possible to randomise students to classes — since the findings may not be generalisable beyond the specific experiment. The author notes that how such small-scale studies can nevertheless be viewed as part of a programme of research that builds up a broader picture of an intervention will be considered later in this review.

中文讲解

本段把视角从"教师/教室/时段"这一层混淆变量，进一步推向"学生并非独立观察"这一更基本的方法论问题，分三层推进。

第一层是统计学层面的事实：哪怕25名学生是随机被分到同一班的，他们之间仍会互动、彼此影响学习，因此同班学生的结果倾向于比"彼此不相干的学生"更相似。这种相似性在统计学上意味着测量结果在班级层面出现了"聚类”（clustering, Dorman, 2012）——也就是说，“班级"本身成了一个未被充分控制的"组”，使经典统计检验中的独立性假设被破坏。

第二层是研究规模层面的含义。在大规模RCT中，每种条件下都包含许多不同的班级，因此"班级层面的聚类"所造成的偏差可以被大量班级平均掉，影响相对较小；但在只比较两个班或少量班级的研究中，即便能够做到"学生随机分到班级”，研究本身仍可能因缺少班级层面的多样性而难以推广到具体实验之外。

第三层是研究定位层面的提示：作者承认这种小规模研究并非全无价值——它们可以作为研究项目的一部分，逐步累积出关于某项干预的更完整图景，这一点将在本综述后面再讨论。

本段的整体作用是把"随机化"的边界讲清楚：随机化可以解决组间构成问题，但解决不了"班级作为聚类单元"带来的非独立性。在小规模研究中，这一限制尤为突出，因此单个小规模RCT的可推广性应当被谨慎对待。

补充说明

Dorman, 2012作为支持"班级内测量结果存在聚类"这一主张的引用首次出现在本段。

第6段（P0039）

原文复述

Even when studies have samples large enough that such issues are likely to generate only ’noise’ in the data — noise from which statistical significance testing can still reveal a genuine ‘signal’ — there may nonetheless be systematic differences that simply cannot be avoided, because they are inherent in the way human beings relate to innovative experiences, regardless of the qualities of the innovations themselves. Some of these common threats to validity will be discussed in this section. They will not be relevant to every RCT, but they are likely to be potentially pertinent to many experimental studies that test innovations in teaching — including quasi-experiments and natural experiments, discussed further below — in which the randomisation required for a true experiment is not feasible. The author argues that it is good practice, in research reporting, for such issues to be acknowledged, because doing so helps those learning from the research to judge whether these issues undermine confidence in drawing conclusions about a direct, unmediated causal link between an innovation and positive study outcomes. Often the reader will still judge the findings robust; transparent reporting, the author concludes, supports an informed evaluation.

中文讲解

本段是本节的小结与定调段落，分三层推进。

第一层是承接上一段的逻辑：即便样本足够大，前述那些问题（教师差异、聚类等）所产生的往往只是统计上的"噪声"，显著性检验仍能从中检出真正的"信号"；但即便如此，依然可能存在一类系统性差异——它们之所以无法避免，是因为它们内嵌于人类与"新经验"打交道的过程中，与创新本身的优劣无关。

第二层是对本节内容的预告和边界说明：本节将讨论一些这类常见的有效性威胁。它们对每一项RCT未必都相关，但对很多检验教学创新的实验研究都潜在相关；这一范围不仅包括真正的RCT，也包括"准实验"（quasi-experiments）和"自然实验"（natural experiments），因为在这些设计中，真正实验所需的随机化并不可行。

第三层是研究伦理与报告规范的呼吁：作者主张，在研究报告里如实承认这些威胁，是良好的研究实践；因为这有助于读者判断这些威胁是否削弱了"创新与积极结果之间存在直接、无中介因果联系"这一结论的可信度。作者也承认，多数情况下读者仍会判断研究结论是稳健的，而透明报告本身就能支撑一种有依据的评估。

这一段为整节定下基调：本节不是在否定RCT的价值，而是要识别那些即便做了随机化也无法消除的、属于"人如何对待新事物"这一层面的有效性威胁，并主张在研究报告中显性承认它们，以让读者能够形成有依据的判断。

补充说明

“quasi-experiments”（准实验）与"natural experiments"（自然实验）在本段以术语形式出现，定位为"真正随机化不可行的实验研究"，作者预告它们将在下文进一步讨论。

脚注 / 边栏 / 图表 / 附加信息（如有）

本节涉及的文献引用包括：O’Donnell (2008)，作为"干预忠实度"（intervention fidelity）概念的支持性引用，首次出现于P0036；Ruthven et al. (2016, p. 26)，以上文已引用研究的形式回指，作为"标准/传统对照组"的具体例证，首次出现于P0035；Dorman (2012)，作为"班级内测量结果存在聚类"这一主张的支持性引用，首次出现于P0038。本节正文没有脚注、图表、边栏或图像等附加材料；段落之间存在一处跨段未完成句（从P0036末句延续至P0037首句），已在对应段落的source_restatement中以省略号标记。

💡 本节核心要点

最简RCT的图式是"教学创新 vs. 标准/传统/常规对照"；对照组的具体形态（无输入、常规教学、优良实践）是独立议题，作者明确预告留待后文讨论。
RCT的理想推断链是：干预忠实度高 + 统计显著 + 随机化分配 = 可归因于创新；但这一链条只解决"组间构成"问题，无法解决"组间伴随处理"差异。
随机化并不能消除由其他设计要素（如不同教师、不同教室、不同时段）所引入的系统性差异，这些未受控的伴随变量可与创新效果混淆。
控制一个伴随变量（如教师）往往以放弃控制另一个变量（如时段、教室）为代价；且同一位教师在不同条件下的经验、胜任度和舒适度也可能并不一致。
同班学生因互动而构成非独立观察单位，导致测量结果在班级层面聚类；因此只比较少量班级的小规模研究，即便做了随机化，外推性也有限。
即便样本足够大，仍可能存在内嵌于人类与新经验互动方式之中的系统性差异；本节随后将讨论这些常见的有效性威胁，并主张在研究报告中透明承认，以利读者作出有依据的判断。

🔑 关键术语

intervention fidelity：干预忠实度，指学习者实际经历的处理与设计意图的处理之间的一致程度（O’Donnell, 2008）。在本节中，它是RCT能够得出干净因果结论的必要前提之一；偏离此前提，“创新 vs. 对照"的比较就失去了基础。
randomisation：随机化，将分析单元（如学生、班级）分配到不同条件时所使用的随机分配程序。在本节中，作者明确强调它能排除"组间构成差异”，但不能排除"组间伴随处理差异"。
confounding variable：混淆变量，指与自变量（此处为教学创新）同时变化、且能影响因变量（学习结果）的其他变量。在本节里，作者以"教师、教室、时段"等为例，说明这类变量即便在随机化之后仍可能存在，并能与创新效果混在一起。
clustering of measurement outcomes within classes：班级内测量结果的聚类，指同班学生因互动和相互影响，其结果倾向于彼此相似，使班级成为统计学意义上未被充分控制的聚类单元（Dorman, 2012）。在本节中，这一现象被用来解释为什么只比较少量班级的小规模研究外推性有限。
quasi-experiment：准实验，指不能做真正随机化，但仍尝试用对照设计检验干预效果的研究类型。在本节中，它与"自然实验"并提，被作者纳入本节有效性威胁的潜在适用范围。
natural experiment：自然实验，指研究者并未主动操纵随机化、而是利用现实中已经发生的"近似随机"事件或分组来比较处理效果的研究类型。在本节中，与"准实验"共同作为"无法做真正随机化"的实验研究的代表。

S4.1 [描述性拆分] Participants’ expectations can influence outcomes

第1段（P0040）

原文复述

Participants’ expectations can influence outcomes

中文讲解

这是本小节的标题，原文以二级标题形式呈现，命题是“参与者的期望能够影响结果”。它开门见山地把接下来要讨论的问题定位为：研究中所观察到的处理效应，可能并不完全来自处理本身，而是部分地来自参与者（乃至研究者、施测者）内心对结果的预期。本节将围绕这一命题，先用医学对照试验中的安慰剂/期望效应作为引子，再用 Rosenthal 与 Jacobson 在学校中做出的“成长爆发者”经典研究作为核心例证，最后说明在科学教育实验中同样的威胁为何难以用“双盲”来消除。该标题因此既点出本节的总论点，也预告了论证将以跨领域类比加单一深度案例的方式展开。

第2段（P0041）

原文复述

A central issue that frequently arises in studies involving human participants is that the outcomes in treatments may in part depend upon participants’ expectations. This matters because expectations have been shown to produce changes in measured outcomes. In medicine, patients may have a great deal invested in the promise of a new drug treatment: those receiving an experimental treatment may look for any small sign that the medicine is working for them, while those assigned to a control condition may feel disappointed, having enrolled in a trial in the hope of receiving the new experimental drug. If clinicians are also optimistic about the new drug, their expectations may be inadvertently communicated to patients, or may bias their measurements of effect (for example when rating subjective reports of symptoms). This is readily avoided if neither patient nor doctor knows who is receiving which treatment (a situation known as double blind), and the analysts are working with anonymised data.

中文讲解

本段提出本节的核心主张：研究中所观察到的处理结果，部分地来自参与者本人的期望。这一现象之所以重要，是因为已有证据表明期望本身就足以引起可测量的变化。

为说明这一点，作者先举医学场景：试用新药的病人会主动寻找“有效”的迹象，而被分到对照组的病人则因未能得到新药而失望，从而使两组报告产生差异。接着把焦点从病人转向医生：如果医生自己对新药抱有期待，其期待可能以两种方式渗入结果——一是无意中传达给病人，二是影响医生对主观症状的评分。

作者由此引出本段的关键术语——“双盲”（double blind）：只要病人和施治的医生都不知道谁接受了哪种处理，再配合分析者只接触匿名数据，就可以阻断由期望引出的污染。本段的功能是建立一个“医学模板”：期望是一种真实的、可测量的威胁，而双盲是该威胁的标准解决方案。下一段将说明，同样的威胁在教育场景里同样存在，但解决之道并不相同。

补充说明

原文中“double blind”被作者以括注方式明确界定为本句的同位语，本段的解释因此无需引入此术语的额外含义。

第3段（P0042）

原文复述

Similar threats to validity are at work in educational settings. This was demonstrated in a study in which teachers in a school were told that tests on the children had identified those – ‘growth-spurters’ – who were likely to make higher levels of progress in the following school year (Rosenthal & Jacobson, 1968; Rosenthal & Jacobson, 1970). These predictions came true: statistically, the identified children did significantly better in school than their classmates after their teachers had been told of their status as growth-spurters. In fact, these children had been assigned this label at random, so the results were either an unlikely chance event, or were somehow the outcome of teachers’ expectations mediating classroom processes. That is, either by chance the identified students just happened to be those who were indeed going to make better than average progress in the next school year (this is not logically ruled out by the statistics, but only shown to be very unlikely), or there was a substantive effect due to teachers knowing who had been identified as about to make good progress. The students that teachers expected to do well actually tended to do well, even though they had been selected purely by chance.

中文讲解

本段把上一段建立的“医学模板”平行迁移到教育研究：同样的“期望污染”也存在于课堂之中。其论证形式是单一深度案例，由 Rosenthal 与 Jacobson 在 1968 与 1970 年报告的研究承担全部证据负担。

该研究的设计关键在于：研究者告诉老师，某些学生经测验被鉴定为“成长爆发者”（growth-spurters），预期在下一学年取得高于平均的进步。结果，统计上被标记的学生确实比同学表现得更好——预言“应验”。然而，“成长爆发者”这一标签完全是随机分配的，因此所观察到的进步不可能来自学生本身的真实差异。作者明确给出两种可能解释：（1）纯粹的偶然事件，但统计学已表明其概率极低；（2）老师的期望通过中介课堂过程真实地导致了学生表现提升。作者把第二种解释作为合理结论，从而证明“教师的期望”本身能够成为影响学生表现的因素。

注意作者的谨慎措辞：他并未声称统计学完全排除了偶然，而是说偶然“只是非常不可能”。这一点在阅读时容易被略过，但它体现了作者对“统计推论”与“逻辑必然”之间边界的区分。在本节论证结构上，本段承担了最重要的工作：以一个具体、可核查的实验，证明“期望效应”在教育中同样是一个真实的、可复现的内部效度威胁。

第4段（P0043）

原文复述

A great many other studies have since replicated effects of this kind (Rosenthal & Rubin, 1978). It is unlikely that such an experiment would be considered ethically acceptable today (British Educational Research Association, 2018). Deceiving study participants – in this case teachers were lied to – should be avoided, and now that this ‘Pygmalion effect’, or self-fulfilling prophecy, is well established, it would be considered unfair to those children not identified as likely to make progress (i.e., those in the control condition).

中文讲解

本段对上段的经典研究做两件事：先加固其证据地位，再对其伦理可接受性作出当代判断。

首先，作者指出 Rosenthal 与 Rubin（1978）等后续研究在更广范围内重复了同类效果，因此 P0042 报告的现象并非孤例，而是具有跨样本稳定性的稳健效应。这使得上一段的结论不再依赖单一实验，而是具有可重复性意义上的支持。

随后，作者转入伦理维度：在该原始研究中，老师被“欺骗”——他们被告知的“测验鉴定”实际上并不存在；学生并未真的被预测为会进步。在当代研究伦理标准下（以英国教育研究协会 2018 年的指南为代表），这种欺骗不再被允许。一方面，欺骗参与者本身违反了知情同意原则；另一方面，既然“皮格马利翁效应”（Pygmalion effect），亦即“自我实现预言”（self-fulfilling prophecy），已被充分证明，那些未被标记为“成长爆发者”的学生——即对照条件下的学生——就会被置于不利地位，从而使研究本身在分配正义上也变得不可接受。

本段在论证上的作用是从“现象是否真实”过渡到“该现象是否可被伦理地再次制造”。这两者合起来，意味着科学教育研究者必须把“期望效应”当作一个已知威胁来设计，而不是当作一个可以通过复制原实验去进一步检验的对象来对待。

第5段（P0044）

原文复述

Researchers and teachers may be optimistic about some new teaching approach or curriculum materials, and this could bias their judgements and change their classroom behaviour. Teachers may subtly communicate their expectations to learners, who may also respond to a teacher’s additional enthusiasm for, and commitment to, an intervention, even if they are not directly aware that the teaching is in some way different from the norm.

中文讲解

本段说明“皮格马利翁效应”在课堂层面的运作机制，对应到上一段提出的“教师的期望通过中介课堂过程导致学生进步”这一笼统说法。

作者给出两个层次的中介路径。第一个层次属于教师自身的偏差：研究者或教师对某种新教法、新教材抱有信心，这种乐观既可能影响他们对教学效果的判断（如评分更宽松），也可能改变他们实际的课堂行为。第二个层次属于师生互动：教师并不需要口头宣称“我认为这个新方法会有效”，期望可以通过“热情”和“投入”这些更微妙的信号传达出去；学生即便没有意识到课堂“有什么不同”，也会对教师额外的热忱做出反应。

“subtly”与“even if they are not directly aware”是本段的关键限定。它们揭示了期望污染的最危险之处：它往往不通过显性的语言传递，因此研究者与教师本人也很难自觉地察觉并加以排除。这就为下一段“为什么这是科学教育研究中的重大问题”提供了机制上的支撑——因为它难以被意识到，也就难以被简单控制。

第6段（P0045）

原文复述

This is clearly a major issue in experimental research in science education. If researchers strongly expect co-operative learning, or a flipped classroom, or enquiry-based teaching (e.g., see the discussion of ‘rhetorical’ experiments, below) – or indeed, for that matter, rote learning and drill exercises, or potentially even starting lessons with a ten-minute nap – to be more effective, then this expectation is likely to have an influence even when the intervention (of itself) may not have otherwise been effective. The response to

中文讲解

本段把“期望效应”这一威胁正式定位为“科学教育实验研究中的一个重大问题”，并通过一组并列示例来展示该威胁所覆盖的范围之广。

值得注意的是，作者列举的教法并非全部属于“进步主义”范畴：合作学习、翻转课堂、探究式教学与机械记忆、反复操练、甚至“上课前先睡十分钟”并列出现。作者这样安排的目的，是要剥除一个常见的辩护——“我看好某种教学方法，因为它本来就更好”，从而把问题推到极端：如果研究者甚至相信“上课前睡十分钟”有效，这种信念本身也可能制造出显著效果。这意味着，期望污染并非某种特定教学流派所独有，而是任何被强烈看好的干预都可能携带的偏差来源。

本段还隐含了一个对前文“Pygmalion 效应”机制的推广：上段强调教师的行为可以传递期望；本段则把“研究者”本身作为期望的发出者纳入分析——研究者对某干预的信心同样会通过自身教学行为（如果他们兼任教师）或通过与教师的互动渗入课堂，从而改变学生表现。

段末“The response to”一句故意截断，与下一段首句“such a threat used in drug trials”形成跨段衔接，把读者的注意力引向“如何应对”。

补充说明

作者提示“rhetorical experiments”将在后文讨论，本段因此只需注明此处为指向性引用，不展开其内容。

第7段（P0046）

原文复述

such a threat used in drug trials – doing the research double blind – is seldom an option in education, as it is usually obvious to researchers, teachers, and even learners, when they are part of an experimental treatment condition.

中文讲解

本段与上一段尾句连读：作者先提出问题，再给出回应。回应是，医学试验中的标准对策——“双盲”——在教育研究中几乎不可行。

其原因并非技术或经费，而是被试知情层面的根本限制：在教育情境中，研究者、教师乃至学生本人都很容易察觉到“当前是不是在进行某种新教法的实验处理”。一旦意识到自己身处实验条件，其对结果的期望就会按上一段所描述的机制发生作用；而真正的双盲要求所有人——包括教师与学生——都不知道自己属于实验组还是对照组，这在课堂场景中通常无法实现。

因此，本节到此完成了完整的小型论证链：先承认期望效应在医学中真实且重要（P0041），再用学校案例证明它在教育中同样真实（P0042-P0043），再解释它在课堂上通过微妙行为起作用（P0044），再指出它在科学教育研究中是一个普遍且跨流派的问题（P0045），最后明确医学上的标准解药无法移植过来（P0046）。这一收束把本节的功能定位为“问题的提出”：为后续章节讨论如何在无法双盲的情况下设计、评估科学教育实验做铺垫。

脚注 / 边栏 / 图表 / 附加信息（如有）

本小节中 P0042、P0043 引用了 Rosenthal & Jacobson（1968, 1970）和 Rosenthal & Rubin（1978），P0043 还引用了英国教育研究协会（British Educational Research Association, 2018）作为伦理指南，这些引文均为正文论点的支撑来源而非附加材料；P0045 中“rhetorical experiments”被作者标注为“见后文讨论”，属于指向性互参；本小节不含图表、边栏或独立脚注。

💡 本节核心要点

参与者的期望能够影响处理结果，这一效应在医学研究中已被明确证实，并构成对内部效度的威胁。
Rosenthal 与 Jacobson（1968/1970）的“成长爆发者”研究是教育场景中的经典案例：当教师被告知某些学生（实际上为随机指定）预期会取得更大进步时，这些学生的实际表现确实优于同学，证明了教师的期望能够通过课堂过程真实地影响学生表现。
该效应已被多项后续研究重复，并被命名为“Pygmalion effect”（皮格马利翁效应）或“自我实现预言”（self-fulfilling prophecy）。
由于这种效应的存在已被充分确认，且原始实验依赖欺骗教师，因此当代研究伦理标准下该类设计不再被允许。
在科学教育研究中，无论研究者看好的是合作学习、翻转课堂、探究式教学，还是机械操练、甚至“上课前睡十分钟”，只要对某干预抱有强烈期望，该期望就可能通过教师行为与师生互动渗入结果。
医学试验中的标准对策——双盲——在教育研究中几乎不可行，因为研究者、教师与学生通常都能识别出自己是否处于实验处理条件。

🔑 关键术语

Double blind（双盲）：在本节中指受试者与施治者都不知道谁接受了哪种处理（再加分析者接触匿名数据）的设计，是医学试验中阻断由期望引出的偏差的标准手段；本节强调它在教育研究中几乎无法实施。
Pygmalion effect / self-fulfilling prophecy（皮格马利翁效应 / 自我实现预言）：本节指代“被期望会表现更好的个体实际上表现得更好”的现象，其经典证据来自 Rosenthal & Jacobson 在学校中告知老师谁是“成长爆发者”的研究。
Expectation effect（期望效应）：本节用作上位概念，涵盖病人因相信得到新药而报告更多改善、医生因看好新药而评分偏松、教师因相信某些学生会进步而改变课堂行为等所有由期望驱动的结果偏移。
Internal validity / threats to validity（内部效度 / 效度威胁）：作者用“threats to validity”来框定本节的问题：期望效应会使观察到的处理效应无法干净地归因于处理本身，从而削弱实验对因果关系的判断能力。
Anonymised data（匿名化数据）：在本节中与双盲并列出现，指分析者仅接触去标识的数据，以避免分析者基于知晓分组而产生的偏差。

S4.2 Participants can respond to perceived novelty

第1段（P0047）

中文讲解

本段是本小节的收束段，做了三件事：先点出现状反差，再举出一个例外研究，最后用文献对该例外的处理提出保留，从而把论证推向更深的层次。第一步以"despite…“句式承认新奇效应与期待效应是"well-recognised"的，但随即指出"许多实验研究并未提及这些对效度的潜在威胁”，这是对整个研究领域的批评。第二步给出例外：Al-Rawahi & Al-Balushi (2015) 关于"reflective science journal writing 对学生自我调节学习策略的影响"的研究，它承认"实验组学生花了额外时间做不同或新的事情，控制组则没有”，并建议可以增设一个"也花额外时间做某件新的事情"的第二实验组来缓解这一混淆；同篇文献还认为期待效应"已被控制"，理由是两个组的教师都有机会对学生进行正式反馈。第三步是关键的批判性反驳：作者援引 Rosenthal (2003) 指出，教师的期待往往以更隐蔽的方式传达，仅在两个组都提供"表达期待的机会"并不足以解决问题；只有在两个条件下教师对学生学习结果的期待被证明确实相似时，这种"相似的机会"才真正具有控制作用。“insidious ways"这一措辞揭示出：期待效应未必通过可被研究者直接观察到的反馈行为传递，而可能弥散在语气、关注点、提问方式等难以量化的线索中，因此所谓"controlled for"在该研究中其实是未被充分证明的。读者应注意：本段既不是全面否定 Al-Rawahi & Al-Balushi，也不是为新奇/期待效应的不可控下结论，而是用这一个被点名的例外来说明——即便研究者意识到威胁并尝试应对，也容易在应对方式上仍有漏洞。

补充说明

Al-Rawahi & Al-Balushi (2015) 的多处引文（p. 367；pp. 377-378；p. 378）全部由作者在本段内整合引用，未单独以脚注形式出现；Rosenthal (2003) 作为对期待效应"隐蔽传达"的支持性文献出现。

脚注 / 边栏 / 图表 / 附加信息（如有）

本小节内引用的全部文献均以正文括号夹注形式出现，没有独立的脚注块：Sesen & Tarhan (2011, p. 209) 用于描述教师中心常规教学，作为 P0049 中"被试日常处于被动接受状态"的经验证据；Taber (2013a) 用于界定"theory-directed research"以与"context-directed enquiry"对照；Barab & Luehmann (2003) 用于支持"干预在初次试验有效、被推广后失效"的现象；Al-Rawahi & Al-Balushi (2015, p. 367; pp. 377-378; p. 378) 作为本段讨论的代表性例外研究；Rosenthal (2003) 用于指出教师期待通过隐蔽方式传达。本节不含独立的图表、边栏或方框。

💡 本节核心要点

学生并非被动的实验对象；当干预涉及明显的范式转变时，他们可能仅仅因为"不一样"而提升注意力，使观察到的效果部分来自新奇本身而非干预本身。
学生对常规越熟悉、对课堂越觉得平淡，越可能对任何不寻常的事物更专注、更警觉；这是认知系统对新异刺激的内建倾向。
由外部研究者主导的"理论导向研究”（theory-directed research）会附带签署知情同意、填写正式测验问卷、陌生观察者进入课堂等信号，这些都会进一步"启动"学生，使其对当节课的注意力高于日常。
新奇效应与期待效应（novelty effects 与 expectancy effects）可能共同解释为什么许多干预在初次试验看似有效、被推广（rolled-out）后却似乎失去效力（Barab & Luehmann, 2003）。
即便采用大样本、多学校、多教师、随机分组的实验设计，只要对照组是常规做法、实验组是明显不寻常的干预，“大样本 + 统计检验看似客观"也无法把(i)新颖教学处理本身的效应与(ii)被试仅仅经历新奇带来的效应分离开来。
尽管新奇与期待效应的威胁已被广泛承认，许多实验研究仍不提及；少数例外（如 Al-Rawahi & Al-Balushi, 2015）虽尝试控制，但 Rosenthal (2003) 提示教师期待以更隐蔽的方式传达，使所谓"控制"未必真正成立。

🔑 关键术语

novelty effects：在本节中指被试因干预本身"新”、“不同寻常"而作出的非特异性反应（如更专注、更警觉），它是混淆干预真实效应的来源之一。
expectancy effects：在本节中指研究者、教师或学生等对干预效果的预期所引发的反应偏差；Rosenthal (2003) 在本节被引以指出这种预期可能以"更隐蔽的方式"传达。
theory-directed research：本节引 Taber (2013a) 所用概念，指由外部研究者发起的、以检验某理论假设为目的的研究，与"context-directed enquiry”（由教师或教研组在日常教学改进中进行的探究）相对。
context-directed enquiry：本节与"theory-directed research"对照的概念，指单个教师或部门在日常教学回顾与改进流程中所做的探究；本节强调这类研究较少附带引发新奇感的外部信号。
rolled-out：本节 Barab & Luehmann (2003) 用语，指把经过小规模试验的干预推广为更大范围、最终成为常规做法的过程；本节用此词说明新奇感消失后干预效力为何可能下降。
informed consent：本节 P0050 用语，指学生（或其家长）被要求签署参与研究的知情同意书；作者指出这一程序本身会让学生意识到当下课堂与平时不同，从而放大新奇效应。
reflective science journal writing：本节 P0052 用语，指 Al-Rawahi & Al-Balushi (2015) 研究中的干预——让学生以反思性科学日志形式写作，并考察其对自我调节学习策略的影响。
self-regulated learning strategies：本节 P0052 用语，指学生主动调控自身学习过程（如计划、监控、反思）的策略，是 Al-Rawahi & Al-Balushi (2015) 研究的因变量。
controlled for：本节 P0052 用语，指研究者在统计分析或实验设计中尝试把某一混淆变量（如期待效应）的影响排除；本节指出所谓"controlled for"未必能真正控制住通过隐蔽方式传达的教师期待。

S4.3 [描述性拆分] Fair testing should involve teachers in different treatment groups having comparable levels of experience of their assigned teaching ’treatment’

脚注 / 边栏 / 图表 / 附加信息（如有）

本小节正文中包含两条文献引用：(1) Park & Oliver, 2008，支撑“教师教学知识在某种程度上是情境性的”主张（位于 P0059）；(2) van Driel, Beijaard, & Verloop, 2001，支撑“教师首次实施新教学时仍在过程中学习”的主张（位于 P0059）。两处引用均用于为“教师对创新的经验构成系统性差异”这一核心论断提供学理依据，而非作为本节论点的来源性陈述（不引用具体数据或结论）。此外，P0060 中以括号“discussed above”回指前面小节已讨论过的“教师期望效应”，构成节间互参。小节内未出现图表、边栏或脚注，正文亦无编号。

💡 本节核心要点

在教学创新有效性研究中，教师本身就是与处理变量同等重要的解释变量，必须在实验设计中予以控制或平衡。
用“同一教师跨条件任教”并不能彻底消除教师变量，因为教师与处理之间存在交互作用——特定教师的技能组合或风格可能天然适配某一种教学方式。
大样本、随机分配的设计只有在“各处理对所有参与教师同等熟悉”时，才能较彻底地利用随机化抵消教师间差异。
教师对创新的经验水平即便在真实验中也可能构成系统性差异：对照组教师通常对其实施方式拥有多年经验，而干预组教师原则上是首次实施，处于“边教边学”的优化前阶段。
教师经验差异还会与自我效能及对学习结果的期望产生交互，进一步放大组间不可比性。
理论上可通过跨学年追踪使干预组表现趋于平稳后再做比较，但实践中因研究周期过长与教师高流动导致的实验性流失，这一理想方案鲜少被采纳。

🔑 关键术语

teacher variable：在本节中指教师之间在技能、经验、长项、态度、教学风格、教学法舒适度等方面的差异；作者强调其影响可能与处理变量同等大，必须在研究中加以处理。
treatment variable：指研究者主动操纵的教学处理（如新教法、新课程、新材料）所对应的变量；与“教师变量”对照，构成公平测试中需要拆分的两个潜在解释来源。
interaction (between teacher and treatment)：指教师特征与处理类型共同作用所产生的效应；本节用它说明：即便同一位教师承担两种处理，其教学效能也可能因处理不同而有别，故“同一教师跨条件任教”不能完全消除教师变量。
Teacher Pedagogic Knowledge (Park & Oliver, 2008)：作者援引的概念，强调教师的教学知识具有情境特殊性；用于说明教师对某处理的熟练度不可直接迁移，必须通过多次实施才能优化。
experimental attrition：研究参与者（此处为教师）中途退出造成的样本损失与偏差；在本节中作为跨学年追踪方案的主要实践障碍之一被讨论。
plateau：指干预组在多次实施后表现趋于稳定的阶段；作者认为只有到达此阶段，干预组与对照组的比较才较为公平，但相应需要更长的研究周期。

S4.4 Participants may make gains during a study due to maturation

第1段（P0062）

原文复述

Participants may make gains during a study due to maturation

U 形曲线的引入：在许多领域（Siegler, 2004），学习者的表现在客观测量上会先出现一段下降，然后才上升。这种先降后升的形状即"U 形曲线"。这意味着在干预初期测量到的"进步"未必代表真实进步，因为自然曲线本身就预期先下行。
测量的时间窗决定结论：由于曲线呈 U 形，初始测量与最终测量之间间隔多久，会显著影响研究者是否能看到"进步"。同一项有效的策略，如果后测时点落在曲线下行段，可能表现为"无变化"甚至"退步"；如果落在曲线回升段，则表现为"进步"。因此，结论依赖于测量时机。
重新定义"积极结果"：作者给出一个重要的解读规则——在 U 形曲线的情境下，实验组的后测均值与自身前测均值相比"没有显著高于"，并不必然意味着干预无效。如果同时观察到对照组从前测到后测出现下降趋势，那么实验组"持平"本身就是相对于对照组的积极结果，因为它意味着干预抑制了 U 形曲线中常见的下行段。

本段的关键贡献是：它把"成熟"从一个单纯的"线性增长背景"扩展为"非线性的 U 形发展轨迹"，并据此提出——评估干预效果时，必须把实验组的变化与对照组的变化放在同一时间窗内对比，而不是只看实验组前后的绝对增量。这与 P0063–P0065 强调的控制组方法在思路上完全一致，但在 U 形曲线的情境下，对照组的作用变得更加不可替代。

补充说明

本段引用的 Siegler (2004) 是正文中明文给出的出处；“U-shaped curve”（U 形曲线）这一术语在本节中特指"客观测量先下降后上升"的发展轨迹，作者用它来说明为何测量时机和对照组都不可或缺。本段没有给出新的术语定义，但对"积极结果"的判定标准做出了比 P0063–P0065 更精细的表述。

脚注 / 边栏 / 图表 / 附加信息（如有）

本节正文段落（P0063–P0066）包含的附加材料主要为学术引用与具体研究例证，未含脚注、图表、边栏或特殊排版元素：

P0063 引用：Goswami (2008)、Piaget (1970/1972)、Adey (1999)；以括号形式给出，用于支持"成熟带来新认知能力"及 CASE 项目背景。
P0064 引用：Adey & Shayer (2002)，用于支持 CASE 的评价逻辑（远端学业成绩作为加速效应的指标）。
P0065 引用：Leuchter, Saalbach, & Hardy (2014)，以浮沉教学研究为例说明对年幼学习者控制成熟的方法。
P0066 引用：Siegler (2004)，用于支持学习表现常呈 U 形曲线的判断。这些附加材料的功能相同——为正文中的方法学判断提供来源与例证，没有出现独立的脚注、图表或边栏。

💡 本节核心要点

成熟（maturation）指参与者在研究进行期间因自然发育而带来的变化，它使得"前测→后测"的简单进步无法直接归因于干预本身，因此构成一项需要控制的内部效度威胁。
成熟尤其需要在两种条件下被严肃对待：干预周期较长，以及（或）研究对象是发育较快的年幼学习者，两者之一成立即显著提高混淆风险。
CASE（科学教育中的认知加速）是本节的核心例证：其名称中的 “acceleration” 表明研究者自觉到"单纯的认知发展"不可作为干预有效的证据，必须测量"比自然发育更快的认知发展"。
控制成熟的标准方法是为干预组匹配一个年龄相近的可比/对照组，并在同一时间窗内同步测量；CASE 通过对比干预组与对照组在干预后若干年的校考成绩来检测加速效应，Leuchter 等人的浮沉研究则通过年龄匹配的比较组来排除成熟。
当学习曲线本身呈 U 形（先降后升）时，测量时点会显著影响对"进步"的判断：有效的策略在后测时点不同时可能呈现为进步、无变化甚至退步；此时判定积极结果不能只看实验组前后差，还必须看对照组在同一时窗内是否出现预期的下降。

🔑 关键术语

Maturation（成熟）：在本节中指参与者（尤其是年幼学习者）在研究进行期间因自然成长而获得新认知能力或相应表现提升的现象。它是教育干预研究中的一项内部效度威胁，会使研究者把自然发生的进步误归因为干预效应。
Cognitive Acceleration in Science Education (CASE) / 认知加速：Adey (1999) 主持的科学教育项目，针对 11–13 岁初中低年级学生，通过定期教学输入促进其智力发展阶段跃迁。其名称中的 “acceleration”（加速）一词体现了该研究的设计自觉：评价的不是"是否发生了认知发展"，而是"认知发展是否被加速"。
Comparable / comparison group（可比组/对照组）：与干预组在年龄等关键特征上匹配、未接受干预的群体。在本节中其作用是提供"无干预情况下自然变化"的参照，从而把成熟等自然效应从干预效应中分离出去。
U-shaped curve（U 形曲线）：Siegler (2004) 描述的学习表现轨迹：在客观测量上先出现下降，随后才上升。在该形状下，初始与最终测量之间的时间间隔会决定研究者观察到的是进步、无变化还是退步，因此判断干预效果必须结合对照组在同一时窗内的变化。
Pre-test / post-test（前测/后测）：分别在干预实施之前与之后对同一批参与者施行的测量。本节反复强调：仅比较实验组自身的前后差异不足以排除成熟效应；必须把实验组的前后差与对照组在同一时段内的前后差进行对比。

S4.5 Participants may learn from pre-tests

第1段（P0067）

原文复述

中文讲解

本段解释为什么"前测的学习效应"在科学教育研究中尤其值得重视。作者借助 Taber (2013b) 的观点指出，科学学习的发生并不总是即时的——一次学习经历所引发的认知变化，可能在几天、几周乃至更久之后才显现。作者进一步提出一种心理学层面的解释：大脑可能在"前意识"（preconscious）层面持续加工这种经历，并在一段时间后浮现为可意识的新洞见。

基于这一时间延隔的特性，作者给出方法学对策：通过设置控制组（control condition），使控制组学习者同样完成前后测。如果"前测直接启动学生，使其在后测上表现更好"这一效应存在，那么它在实验组和控制组中应该同等出现，因此可以在两组后测差异中扣除。该对策的逻辑前提是：纯启动效应在两组之间是对称的，从而可以被差分设计抵消。这呼应了实验研究中"控制无关变量"的基本思想。

补充说明

本段引用的 Taber (2013b) 是原书作者对自身以往出版物的引用，作者用以支撑"学习可能是延迟性的"这一观点，属于正文论点的来源性脚注引用。

第5段（P0071）

原文复述

There can however also be indirect effects, due to interactions between the experience of taking the pretest and the subsequent teaching. Current understanding of memory suggests that each time a memory is activated it is reinforced (Dudai & Eisenberg, 2004) so this may happen if the teaching intervention causes students to bring to mind thinking triggered by the pre-test. If pre-test items do not directly lead to any new science learning, it is still possible they may prime more effective learning from teaching that follows the pre-test. The education psychologist Ausubel (1978) discussed the notion of an advance organiser, presented before material to be taught, which can help structure the later learning experience. One experimental study of advance organisers in science lessons, that used pre-test items (Gidena & Gebeyehu, 2017, p. 2234) suggested that such advance organisers “can take many shapes” (p.2230). In teaching perspectives informed by the developmental/learning theory of Vygotsky (1934/1986, 1978), some types of learning scaffold (Wood, 1988) are employed to help learners bring to mind relevant prior learning, and to orientate them to the scope of the forthcoming teaching (Taber, 2018). Pre-test items that act in this way can indirectly influence post-test scores by facilitating learning from the intervening treatment.

中文讲解

本段将论证推进到更复杂的一层：除了"前测直接启动后测"之外，还存在一类间接效应——前测经历与随后的教学之间发生交互作用。

作者给出三条独立的理论支撑： (1) 记忆激活—强化机制：依据 Dudai 与 Eisenberg (2004) 的记忆研究，每次记忆被激活都会被强化。若教学干预让学生回想起前测时引发的思考，那么前测的认知痕迹可能被再次激活并得到强化。 (2) Ausubel (1978) 的"先行组织者"（advance organiser）概念：在新材料教学之前呈现的先行组织者，可以帮助学习者结构化后续学习；Gidena 与 Gebeyehu (2017) 的科学课实验研究发现，先行组织者"可以有许多形态"（p.2230），而前测题目可以是其中一种形态。 (3) Vygotsky 学派的学习脚手架（scaffold, Wood, 1988）：依据 Vygotsky (1934/1986, 1978) 的发展/学习理论以及 Taber (2018) 的应用，某些类型的脚手架用于唤起学习者相关的先前学习，并将他们定向到即将进行的教学范围；前测题目若起到这种作用，就可以通过促进学习者从随后的教学干预中更好地学习，间接地影响后测分数。

该段的核心论证意义在于：即便前测本身不直接带来新的科学知识（即纯粹的前测练习效应不存在），它仍然可以通过"使教学更有效"这一中间机制来抬高后测成绩。换言之，干预的"真实效果"可能被前测的搭桥作用所放大，使得研究者难以干净地把"前测的贡献"与"教学的贡献"分开。

补充说明

本段集中引用了多个作者和理论：Dudai & Eisenberg (2004) 支撑记忆激活—强化机制；Ausubel (1978) 提供先行组织者概念；Gidena & Gebeyehu (2017) 提供科学教育中的实证例证；Vygotsky (1934/1986, 1978) 提供发展/学习理论基础；Wood (1988) 的脚手架概念；Taber (2018) 将上述思想应用于本节论证。这些均属本段明示出现的引用。

第6段（P0072）

原文复述

This can be a concern in research designs that compare an intervention with a comparison condition that does not offer a parallel treatment (the rationale for such a design is discussed later in the section on different forms of control group). Such a study may indicate that the intervention is effective, but strictly the pre-test may need to be considered part of the intervention. It is also possible that any interactions between a pre-test and subsequent teaching may occur differentially in experimental and control conditions that involve different ways of teaching the same topic, given that these are inherently different teaching inputs. As good teaching practice includes the testing of prior learning at the start of a unit, these issues could be somewhat countered by designing and making available pre-test instruments that teachers can then access and adopt as part of their normal teaching (so implementation will reflect this aspect of the tested innovation). Here the development of suitable pre-tests as research instruments has the useful consequence of supporting good teaching practice through the provision of resources.

中文讲解

本段把前文揭示的方法学风险落到具体研究设计上。作者指出：在一类对照条件不提供平行处理的研究中（这种设计的合理性将在后文"不同形式的控制组"一节中专门讨论），如果研究显示干预是有效的，那么严格地说，“前测"本身就应当被视为干预的一部分，而不仅仅是一种测量手段。

作者还进一步提出一个更精细的问题：当实验组和对照组涉及对同一主题的不同教学方式时，前测与后续教学的交互效应在两组之间可能并不相等，因为这些教学输入本身就是不同的。这一观察弱化了上一段提出的"差分设计可抵消前测效应"的对策——只有在两组处理本身相似时，该对策才比较可靠。

作为缓和这些方法学问题的对策，作者提出一个建设性提议：既然优良教学本身就包括在单元开始时检测学生已有学习，那么研究者可以专门设计并对外发布可供教师取用、纳入日常教学的前测工具，使实施过程自然包含这一被研究的创新要素。作者把这种思路总结为：开发合适的前测作为研究工具，能产生一种有益的副效应——通过资源供给支持优良教学实践。该段一方面收束本节的方法学讨论，另一方面为后续小节（关于不同形式的控制组）留下接口。

补充说明

本段末句承接了与脚注类似的引用方式，但作者在此把"前测作为研究工具的开发"与"支持教学实践的资源供给"直接挂钩，提示本节论证还含有一个面向实践的副论点。

脚注 / 边栏 / 图表 / 附加信息（如有）

本小节不包含独立的图表、边栏或单独的脚注条目；其学术支撑全部以正文内嵌引用形式出现，包括 Taber (2013b, 2018)、Dudai & Eisenberg (2004)、Ausubel (1978)、Gidena & Gebeyehu (2017)、Vygotsky (1934/1986, 1978)、Wood (1988)。这些引用所起的作用分别为：Taber (2013b) 支撑"学习延迟性”；Dudai & Eisenberg (2004) 支撑记忆激活—强化机制；Ausubel (1978) 提供先行组织者概念；Gidena & Gebeyehu (2017) 提供科学课中的实证案例；Vygotsky 与 Wood (1988) 提供发展/学习理论与脚手架概念；Taber (2018) 将脚手架概念应用于前测题目的功能分析。本节最后一段为读者保留了与"不同形式的控制组"小节对接的接口，但本节本身不展开。

💡 本节核心要点

前测在前后测研究中具有测量学上的基准作用，但要让其有效，前后测必须测同一目标变量且构造等价（可用同一试卷或经等价性检验的平行题）。
完成前测本身即可能成为一次学习经历：当学生思考前测题并作答时，可能启动思维过程并改善后测表现，这一效应在前后测使用相同题时最强，使用平行但不等同题时仍然存在。
科学学习常常是延迟发生的（可延至数日、数周乃至更久），大脑可能在前意识层面持续加工经历；因此前测的启动效应可能在干预之后较长时间才显现，这使得其影响在表面上不易察觉。
除直接启动效应外，前测还可能与后续教学发生间接交互：依据记忆激活—强化机制、Ausubel 的先行组织者以及 Vygotsky 学派的脚手架理论，前测可以激活先前知识、为后续教学定向，从而放大干预的学习效果。
在控制条件不提供平行处理、或两组采用本质上不同的教学方式时，前测—教学的交互效应未必在两组对称出现，因此控制组策略无法完全抵消前测的影响；严格地讲，前测可能需要被视作干预的一部分。
对策上，研究者可以专门设计并向教师开放前测工具，使其被纳入日常教学的"已有学习检测"环节，这样前测既是研究工具，也支持优良教学实践，使实施本身反映这一创新要素。

🔑 关键术语

pre-test（前测）：在教学干预之前施行的测试，用于在干预前测量学习者的目标变量水平并提供与后测比较的基准；本节强调其同时可能具有启动学习的功能。
post-test（后测）：在教学干预之后施行的测试，用于评估干预对目标变量的影响；本节强调其与前测在测量内容上需等价。
priming effect / 直接启动效应：指前测经历使学习者在后测作答时被直接激活相关认知，从而提高后测成绩的效应；本节将其与间接效应区别开来。
advance organiser（先行组织者）：Ausubel (1978) 提出的概念，指在呈现新材料之前先行呈现的引导性材料，用以为后续学习提供结构；在本节中作为前测可承担的一种功能形态被引用。
scaffold（脚手架）：源自 Vygotsky 学派、由 Wood (1988) 发展的概念，指教学中提供的临时性支持，用以唤起学习者相关的先前知识并将其定向到学习范围；本节将其与前测的间接效应相联系。
control condition（控制条件）：实验中用以与实验组进行对照、不接受目标干预的处理条件；本节指出设置控制组可帮助抵消前测的直接启动效应，但无法完全抵消前测与教学的间接交互。
intervention（干预）：研究中施加于实验组、旨在影响目标变量的处理因素；本节强调在严格意义上，前测也可能需要被视为干预的一部分。
valid measure（有效度量）：指真正测到其意图测量内容的测量；本节在讨论前后测构造时引入，作为对测量工具的基本要求。

S4.6 Deciding when learning is best measured

第1段（P0073）

原文复述

Deciding when learning is best measured

中文讲解

P0073 是一个二级 Markdown 标题，文字为“Deciding when learning is best measured”（“决定学习何时被最佳测量”）。它标志着一个新小节的开始。该标题提示本小节要讨论的核心问题不是“要不要测量学习”，而是“应该在哪个时间点测量学习”，即后测时机与学习本身的时间尺度之间的匹配问题。承接前文关于学习时间尺度的讨论，本节将围绕后测的安排时机展开论证。

第2段（P0074）

原文复述

补充说明

本段引用的两处文献（Gauld 1989；Taber 2003）只在正文中以作者—年份形式出现，原文未提供其具体研究设计、样本或结果细节，因此不在此处补写其外部信息。

脚注 / 边栏 / 图表 / 附加信息（如有）

无。该小节在所给段落范围内不含脚注、图表、边栏或图示说明；Gauld (1989) 与 Taber (2003) 仅为正文内的作者—年份引文。

💡 本节核心要点

学习的时间尺度问题直接提出了后测时机的问题：应何时进行后测以反映真实学习结果。
若学习巩固在教学结束后仍在继续，则延迟后测（deferred post-test）相较即时后测（immediate post-test）可能提供更丰富的信息；这一判断使用 “may be more informative” 的弱断言措辞。
经验证据（Gauld, 1989；Taber, 2003）显示，即时测得的进步常常无法保持：学生可能在数周后回到原有观念，或在不再主动学习后回退到学习前的思维方式。
教师的实际兴趣在于持久性学习，这一价值判断倾向于支持延迟后测的使用。
延迟测量本身也有代价：间隔越长，期间未受控的额外学习越多，会污染对教学效果的归因。
因此作者提出折中方案——在教学干预后若干周（但不更久）进行后测——以在测量敏感性与归因清洁度之间取得平衡。

🔑 关键术语

post-test / deferred post-test / immediate post-test：后测 / 延迟后测 / 即时后测。前者是教学结束后用以测量学习效果的测试；后两者按测试时点划分——即时后测在教学刚结束时进行，延迟后测在教学结束一段时间后才进行。本节论证的核心就是这两种时点之间的取舍。
consolidation：巩固，指学习内容在脑中由短时记忆转入更稳定表征的大脑过程。本节假设这一过程在课后仍在进行，从而为延迟后测提供理论依据。
alternative conceptions：替代概念，指学生在接受科学教学之前所持的、与科学概念不一致的常识性或直觉性观念。本节以这类观念的教学干预为典型场景说明即时变化的脆弱性。
conceptual change：概念变化，指学生原有观念被新观念取代的过程。本节用其“表观水平在延迟测量中减弱”的现象说明即时测量的局限。
intervention：教学干预，指为引发特定学习结果而设计的针对性教学活动；本节以后测作为评估其效果的依据。

S4.7 Measurement instruments may be considered to be biased towards one treatment

第1段（P0077）

原文复述

(a) 针对电模块：在电路原理的学习上，实验组与对照组平均没有显著差异，即实验干预并未带来电路知识上的额外收益。但同时，研究者也无法判断学生是否通过干预模块在"科学本质"方面获得了更好的理解，因为这部分内容根本没有被测试。这一发现的论证意义在于：它揭示了"未测试 = 不可知"的研究设计限制，干预的真正价值可能被低估，但研究者选择不测是出于 P0079 所述的避免偏差的考虑。

(b) 针对力模块：实验组在"力"的概念学习上取得了显著进步，这是一个表面上有利于干预的结果。然而，教师对测试题目的"适合度"评分却提示：测量这一进步所使用的测验本身就偏向于干预组所学的内容。换言之，力模块出现的有利结果，无法排除是因为测验与教学内容高度匹配所致，而不一定反映了真正的、更广泛可迁移的学习收益。

(a) 与 (b) 共同说明了一个方法论困境：表面上的"实验组优势"可能部分或全部由测验偏差制造；表面上的"无差异"也可能因研究者回避了敏感维度而被掩盖。这为本节末段 P0081 的判断性讨论埋下伏笔。

补充说明

(a) 与 (b) 是同一研究（Ruthven et al., 2016）的两条并列发现；前者针对"无显著差异 + 部分维度未测"的情形，后者针对"显著进步 + 测验被怀疑偏向干预组"的情形。两者共同构成本节所讨论的"测量偏差"的两类典型表现。

第5段（P0081）

原文复述

Judgement is needed in deciding whether such bias is problematic or, perhaps, to be welcomed. If traditional teaching is considered to be ineffective in meeting some particular established curriculum aims, and a teaching intervention is intended to address this, then instruments biased towards testing those specific aims may well be appropriate. However, when tests are biased towards objectives or outcomes that researchers particularly value but which do not represent existing official curriculum aims and are not shared by teachers, then such bias may be considered to undermine the findings of the experiment among the teaching community.

中文讲解

本段是本节的小结性段落，作者从 P0080 的具体发现上升到方法论层面的判断准则。

全段的核心主张是：测试偏差是否构成问题，需要根据"偏向了什么"作判断，而不是一概否定。

第一层意思（用 or, perhaps 标示）：偏差有时甚至是值得欢迎的。其成立的条件是——① 传统教学被认为在达成某项既定课程目标方面效果不佳；② 教学干预正是为了弥补这一不足而设计。在这种情况下，专门测量该既定课程目标的测验即便偏向干预组，也是合理的，因为它测的就是干预想要改进的东西。

第二层意思（用 However 标示）：偏差确实会成为问题。其成立的条件是——测验偏向的是研究者个人特别看重、但并非官方课程目标、且教师群体也不认同的目标。在这种情况下，实验结果即使呈现"干预组优势"，也会因为缺乏教师群体的共同认可而在教学实践中失去说服力。

这一段对本节的作用是把前面以 epiSTEMe 为例的讨论抽象化为可推广的判断规则：评估一项教学实验时，读者不仅要问"测试是否有偏差"，更要问"它偏向的是官方课程目标还是研究者私有的目标"。这呼应了本节开头 P0078 提到的"除非使用的是被认可的标准化测验"——因为标准化测验锚定的是共享的目标。

补充说明

本段中的"established curriculum aims"与"official curriculum aims"在本节语境中可视为同义：都指被教育行政或课程文件正式确立、教师群体共同承担的目标。而"researchers particularly value"的目标则属于研究者个人的研究兴趣，可能并未进入官方课程，也未必被一线教师认可。区分这两类目标是理解本节判断准则的关键。

脚注 / 边栏 / 图表 / 附加信息（如有）

本节范围内的附加材料说明：本节正文未出现图表、表格或脚注编号；P0078–P0081 中的文献引用（Howe et al., 2014; Taber et al., 2015; Mortimer & Scott, 2003; Ruthven et al., 2016; Taber et al., 2016）属于正文中的作者-年份引用，并非脚注，其作用是为 epiSTEMe 项目的设计细节和结果提供来源依据，无单独的脚注内容需另作复述。原文 P0079 中"the officia curriculum"为输入文本中既有的拼写形式，未在节末另行校正说明。

💡 本节核心要点

本节的核心论题是：除非使用被公认为有效的标准化测验，否则研究者用来测量实验结果的测试本身可能对干预组有利（或不利），从而影响对教学干预效果的判断。
以 epiSTEMe 项目为案例：项目为 11–12 岁学习者在"力"与"电"两个主题开发了配套教学模块和测验，共享对话式教学原则，但各有独特教学重点——电模块强调电路原理与科学本质，力模块强调比例关系。
为控制测试偏差，项目设置了由班级教师依据本班教学经验对测试题目进行"适合度"评分的检查机制。
电模块在测试设计上刻意回避了对"科学本质"目标的考核，因为不能假设对照组教师会强调这些内容，结果是研究者无法判断干预在科学本质方面的真实效果。
力模块虽然显示实验组学习显著进步，但教师评分提示测验偏向干预组所学内容，使该有利结果无法排除是测验—教学匹配造成的人为效应。
本节最终给出判断准则：当测验偏向的是官方既定课程目标且传统教学未能有效达成时，偏差可被接受；当测验偏向的是研究者个人重视但非官方且不被教师共享的目标时，偏差会削弱实验结论在教学群体中的可信度。

🔑 关键术语

test bias towards the intervention condition：指实验中用于测量结果的测验题目，其内容与教学干预所强调的内容高度一致，从而系统性地使干预组表现更好。它是本节讨论的核心问题。
dialogic approach to teaching：本节中指 epiSTEMe 项目在两个教学模块中共通采用的一种教学原则，引自 Mortimer & Scott (2003) 与 Ruthven 等人 (2016)。在本节中的作用是说明两个模块共享的教学底色。
epiSTEMe project：本节用作案例的研究项目，为 11–12 岁学习者开发"力"与"电"两个主题的教学模块和评估工具，是讨论测试偏差问题的具体依托。
proportional relations (in the forces module)：指力模块教学中所强调的、传统该年龄段物理教学通常不突出的比例关系内容；正因为这是干预的特有重点，力模块的测验被认为可能偏向干预组。
nature of science objectives：指科学本质方面的教学目标，在 epiSTEMe 电模块中作为干预重点出现，但因其未与具体教学主题绑定且可分散在三个学年教授，测试中未予考核，以免假设对照组教师也会涉及。
established / official curriculum aims：指被课程文件正式确立、教师群体共同承担的教学目标；是本节末段判断"何种偏差可被接受"的关键参照标准。

S4.8 Other potential confounds

第1段（P0082）

原文复述

Section heading: “Other potential confounds.”

中文讲解

这是一个二级标题，开启本小节的论题：在前面已讨论过的若干内部效度威胁（如被试流失、前测效应等）之外，研究者还应意识到其他可能进入实验处理与对照条件之间、形成未被控制的差异的因素。该标题承前启后：既是对前文所列问题的延伸，也预告后文将系统讨论这些混淆因素如何在真实验、准实验与自然实验中普遍存在。

第2段（P0083）

原文复述

This section has discussed a number of issues that may complicate experimental research designs by admitting uncontrolled (and unintended) differences between experimental and comparison conditions. These issues may be pertinent in true experiments (where randomisation is used, as discussed above) as well as in the types of experiment designs discussed in the next section - quasi-experiments and natural experiments - as they operate systematically regardless of randomisation of units of analysis to conditions - as for example when being randomly assigned to an innovative learning condition may tend to increase student engagement.

中文讲解

本段对本节作收束与外延的双重作用。

第一，作者回顾：本节讨论了若干会让实验设计与对照组之间出现未受控、非预期差异的问题。

第二，也是更关键的一步，作者将这些问题的适用范围从真实验（已使用随机分配）扩展到下一节即将讨论的准实验与自然实验。其理由是：这些混淆因素是“系统性”起作用的，并不会因为对分析单位做了随机分配就自动消失。

第三，作者给出一个具体例子——学生被随机分入一个“创新型学习条件”后，仅仅因为知道自己身处新条件，学习的投入度（engagement）就可能上升。这说明随机化虽然平衡了可观测的背景差异，但并未消除“新奇性/被关注效应”这类心理层面的影响，因此“真实验就一定干净”这一直觉是错误的。

本段的论证意义在于为下一节作铺垫：正因为混淆在所有实验设计中都普遍存在，准实验与自然实验的结果解读需要更加谨慎。

第3段（P0084）

原文复述

There are of course many other possible interactions between the experimental teaching input and other experiences that can seldom be controlled - learners may do self-directed reading, watch documentaries, visit science museums and the like, alongside the teaching inputs. This can happen in both experimental and comparison conditions (and is not something science educators would wish to discourage), and generally such effects should not lead to a systematic difference between the two conditions - at least not in RCT where there has been randomisation of the units of analysis to the different conditions. However, not all experimental studies of teaching innovations are RCT, and where randomisation of the units of analysis (e.g., students) to the learning condition is not feasible then it cannot be assumed that the groups in the different conditions are equivalent at the outset, making it more difficult to interpret measured differences at the end of the study.

中文讲解

本段进一步放宽视野，讨论“实验处理”与学生其他学习经历之间无法被研究者控制的相互作用。

作者列举了几种典型的并行学习活动：自学阅读、观看纪录片、参观科学博物馆等。这些活动在实验组与对照组中都会发生，并且——这一点作者特意强调——科学教育者并不希望阻止它们，因为它们本身是有益的学习经验。

接着，作者给出一个关键判断：在 RCT 设计中，由于分析单位（如学生）已被随机分配到不同条件，这些并行活动在两组之间不应产生系统性的偏差，因此不应被解读为处理效应。

然而，作者随即提出重要的限定：并非所有“教学创新的实验研究”都是 RCT；当随机化不可行时（例如出于伦理或行政原因无法对学生做随机分配），研究者就不能假设各组在研究起点是等价的。既然起点不等价，研究结束时观察到的差异就更难归因于“处理”本身，从而给因果推断带来实质困难。

本段因此完成两件事：一是安抚读者，让其不必对“课外并行活动”过度担忧（RCT 下通常可平衡）；二是为下一节讨论的准实验、自然实验设立挑战——在这些非随机设计中，起点等价无法保证，使效应解读更复杂。

脚注 / 边栏 / 图表 / 附加信息（如有）

无（本节仅含一个小节标题和两段正文，没有脚注、图表或边栏等附加材料）。

💡 本节核心要点

本小节讨论的是除已列出的内部效度威胁之外、可能进入实验组与对照组之间、造成未受控差异的“其他潜在混淆因素”。
这些混淆因素具有“系统性”：即便采用了随机化（如真实验），它们仍然会起作用，因而同样困扰准实验与自然实验。
随机化并不能消除所有层面的差异：被分入“创新型学习条件”本身就可能因新奇感/被关注而提升学生的投入度，这构成一种非处理的心理效应。
学生在校外/课外的并行学习经历（自学阅读、纪录片、博物馆等）在实验组与对照组中都会发生，且不应被科学教育者抑制；在 RCT 中，由于随机化，这些并行经历通常不会在两组之间造成系统性偏差。
但并非所有教学创新研究都是 RCT；当随机化不可行时，研究起点上各组是否等价无法被假设，从而使研究结束时测得的差异更难被解释为处理效应——这正是下一节将讨论的准实验与自然实验所面临的解读难题。

🔑 关键术语

confounds / confounding factors：本节核心术语。指那些未被研究者控制、却可能让实验组与对照组产生差异的因素；本节强调它们在真实验、准实验、自然实验中普遍存在。
RCT (randomised controlled trial)：随机对照实验，即将分析单位随机分配到不同处理条件的实验设计；本节认为在 RCT 下，许多并行经历不会在组间造成系统性差异。
quasi-experiment / natural experiment：准实验与自然实验，二者都不具备完全的随机分配；本节指出当随机化不可行时，不能假设各组起点等价，效应解读会更困难。
randomisation of units of analysis：对分析单位（如学生）进行随机分配；它是 RCT 的核心机制，也是本节判断“组间差异是否可能被归因于起点不等价”的关键依据。
systematic difference：本节用以判断是否存在偏差的关键标准：组间若出现非随机的、可重复的方向性差异，才构成对内部效度的真正威胁；偶发或散布的差异则不然。
student engagement：本节用来说明“新奇效应/被关注效应”的具体载体：即使被随机分入创新条件，学生仅因知道自己处于新条件就可能提升投入度，从而混淆真正的处理效应。

补充说明

段中提到的 Table 1 是承载具体研究例子的表格，作者让读者回看该表来印证“分析单位与分派单位错位”在实际研究中的普遍程度，原文未给出更多表格细节。

第6段（P0090）

原文复述

Natural experiments

中文讲解

这是 S5.1 的第二个小标题，引出另一种替代设计——自然实验。它与准实验在“不能随机分派”这一性质上相似，但研究者的主动角色与数据来源不同，本节后两段将对此展开。

第7段（P0091）

原文复述

Another term often met in educational research is that of a natural experiment. A natural experiment takes advantage of differences in conditions that already occur, rather than being based on experimental manipulation (see Figure 1). This may be especially useful where researchers are interested in the possible detrimental effect of some condition, and it would be unethical to create that condition and assign participants to it to test the effect (consider for example a study to find out if victims of bullying make less progress in their science classes - such a study would look to - sensitively - enrol existing students identified as victims rather than experimentally create new victims).

中文讲解

本段定义“自然实验”并指出它与真实验/准实验的关键差异：研究者并未操纵条件，而是利用现实中已经存在的条件差异作为研究的“自然”分组。由此引出它最具价值的场景——当人们想研究某种有害条件的影响时，人为制造该条件本身就不合伦理。段中以“校园欺凌受害者学业表现”为例：研究者不可能为了研究而把学生随机变成受害者，只能以“敏感地”招募已存在的受害者作为研究对象。这一例子同时承担三种功能——展示自然实验的典型情境、凸显伦理约束、显示“自然”这一形容词在方法论中的含义（即条件先于研究而存在）。整段把“自然实验”的定义、动机与典型案例一气讲完，是 S5.1 中定义性最强的一段。

补充说明

段中“sensitively”一词的使用表明，作者意识到该研究在伦理上需要谨慎对待弱势群体，原文未具体展开“敏感”如何操作，仅提示研究态度层面。

第8段（P0092）

原文复述

补充说明

段中提到的 Morrison, Smith, & Dow-Ehrensberger (1995) 是这一入学年龄比较研究的具体出处，原文未引述其结论，仅提供作为方法论例证。

第11段（P0095）

原文复述

A natural experiment might be possible where some innovative teaching approach, curriculum, or learning resource is already being adopted by some teachers offering researchers a ’natural’ opportunity to test its effectiveness against some other more routine or traditional treatment. As, again, there is no random assignment to conditions, it is not possible to simply compare outcomes in the two conditions to infer a possible difference in effectiveness (as it may be, for example, that teachers adopting innovative approaches tend to be atypical in terms of any of more teaching experience, more skills, more confidence, working with more cooperative classes, having better rapport with their students, etc.)

中文讲解

本段给出自然实验的第二个典型情境：现实中已有部分教师自发采用创新教学方法、课程或学习资源，这就为研究者提供了“天然”的对比组——把采用创新方法的教师/班级与沿用常规做法的教师/班级做比较。然而，作者再次强调，即便条件是“自然”出现的，依然没有随机分派，因此不能简单地把两组结果的差异归因于教学方法本身。段末列出一长串可能的混淆变量：采用创新方法的教师往往本身就更资深、更有技巧、更有自信、所在班级更配合、师生关系更好……这些“先有鸡还是先有蛋”式的差异都可能独立影响学生的成绩。也就是说，研究者观察到“创新组成绩更好”，并不能直接断言是创新方法造成的——这就是自然实验的解读风险，也是本节最后要留给读者的方法论警示。

补充说明

本段与 P0089 在论证结构上形成呼应：两者都强调“缺乏随机分派→不能仅靠比较两组均值下结论”，但分别对应准实验和自然实验两种不同的非随机情境。

脚注 / 边栏 / 图表 / 附加信息（如有）

本节涉及的附加材料主要包括：

Table 1：在 P0086、P0089 中被引用，作为具体的准实验/实验室特许学校研究案例的承载表，原文未在本节展示其内容，需读者对照原书。
Figure 1：出现在 P0092 的占位符处，并在 P0087、P0089、P0091 中被正文反复提示（“see Figure 1”），其标题为 P0093，正式把实验设计分为真实验、准实验、自然实验三类。该图是 S5.1 论证的视觉主干。
Figure 5：在 P0087 中被简要提及（“cf. Figure 5”），与整班随机化后每组仅有一个测量值的统计困境相关，原文未在本节展示该图细节。
文末引文：Yin, Tomita, & Shavelson (2013, p. 538) 提供“实验室特许学校”特例；Morrison, Smith, & Dow-Ehrensberger (1995) 提供入学年龄比较研究例证；两者在本节都仅作为方法论示例出现，作者并未在本节中报告其具体研究结果。

💡 本节核心要点

当以学生个体为分析单位时，课堂研究中随机化分派往往在操作上不可行、在教育上不可取，因此真实验不总是可得的。
真实验的关键不在于是否“打了散班级”，而在于是否同时满足随机分派与可统计推断两个条件；只整班随机化而每组只有一个测量值，会让统计推断失效。
准实验是对该困境的常见妥协：分析单位回到学生个体以满足统计检验的需要，但分派发生在班级层面，故不能简单依靠 p<0.05 类显著性阈值来断言因果。
自然实验不靠研究者操纵条件，而是利用现实中已经存在的差异作为“自然”处理组，特别适用于研究者不能也不该人为制造有害条件的伦理情境。
自然实验的具体形态包括制度性差异（如按生日截止日入学带来的相对年龄差异）和自发性差异（如部分教师自发采用创新方法），但两类形态都共同面临缺乏随机分派这一解读风险。
无论准实验还是自然实验，缺少随机分派都意味着：不能仅凭两组均值的差异下结论，必须警惕先于研究而存在的组间差异（如教师经验、班级配合度、师生关系等）作为潜在混淆变量。

🔑 关键术语

randomisation（随机化）：在实验中通过随机程序把参与者分配到不同处理条件，是真实验的核心要求之一；本节强调其在课堂研究中常常不可行，是讨论准实验与自然实验的逻辑起点。
units of analysis（分析单位）：研究中实际收集测量值并据此进行统计推断的对象；当分派发生在班级层面而测量发生在学生层面时，分析单位与分派单位不一致，这是准实验统计推断困难的根本来源。
intact class（原班）：未被研究打散的现有班级；当研究者必须使用 intact class 时，所能实现的最多只是把整个班级随机分配到不同条件，分析单位被迫回到班级层面或与分派单位脱钩。
quasi-experiment（准实验）：一种缺乏随机分派（或分派不完整）的实验型研究设计；在本节特指分析单位为学生、分派单位为班级的常见课堂研究形态，不能简单依靠 p 值做因果推断。
natural experiment（自然实验）：研究者不操纵条件，而是利用现实中已经存在的条件差异（如制度性年龄差异、教师自发的创新实践）作为处理组的研究设计；适用于伦理上不能人为制造条件的情境，但仍受非随机分派带来的解读限制。
p<0.05（显著性阈值 0.05）：传统统计中用以判断“结果是否可能由偶然产生”的常用截断值；本节指出在准实验和自然实验中，由于非随机分派，这一基于偶然性的概率推断逻辑本身不再适用。
confound / confounding variables（混淆变量）：与处理变量同时存在、并可能独立影响结果的因素；本节末段列举的教师经验、技能、自信、班级配合度、师生关系等，均属于自然实验中可能歪曲因果推断的典型混淆变量。

S5.2 Testing for equivalence between groups

第1段（P0096）

原文复述

Section subheading: ‘Testing for equivalence between groups’. This heading marks the start of a new subsection whose topic is how researchers establish and assess equivalence between groups/conditions in non-randomised studies.

中文讲解

本段是小节标题"Testing for equivalence between groups"（组间等价性检验）。它的功能是开启一个新的论题：在准实验或自然实验的设计中，由于没有随机分配，研究者不能像在RCT中那样只做结局变量的对比，而必须借助额外手段来确认两组在处理实施前是可比的，或者即便不可比也能将差异归因于所关心的核心变量。该标题向读者预告：接下来将讨论"什么是相关变量"、“如何测量它们”，以及"什么算作等价"等具体问题。

第2段（P0097）

原文复述

In quasi-experiments or natural experiments a more complex design than simply comparing outcome measures is needed. For example, researchers have to either demonstrate that, despite the lack of randomisation, the distribution of ‘units of analysis’ in the conditions can be considered equivalent prior to the treatment (something often checked even in RCT, as a random process cannot assure equivalence); or that a difference in outcome seems to be due to the focal variable despite this non-equivalence. In either case this means identifying and measuring any relevant variables.

中文讲解

本段是本小节的核心主张。它首先点明：准实验（quasi-experiments）与自然实验（natural experiments）因缺乏随机化，仅靠"对比结局"不足以做出因果推断，因而需要更复杂的设计。

具体而言，研究者必须完成下述两件事之一：

证明尽管没有随机分配，处理发生之前两组之间"分析单位"（units of analysis）的分布仍可被视为等价；
证明即便两组本就不等价，结果差异依然看起来可归因于"焦点变量"（focal variable）。

作者还附带了一个易被忽视的限定：即便在RCT中，等价性检验也常常进行，因为随机过程"cannot assure equivalence"——也就是说，随机化只是概率层面降低偏倚，并不构成绝对保证。这一点对于理解后续段落很关键：等价性检验并非非随机设计的"补救"，而是包括RCT在内的实验研究都需要做的常规步骤。

本段最后一句"In either case this means identifying and measuring any relevant variables"把论证从设计原则引到操作层面：无论选择哪条路径，都必须"识别并测量所有相关变量"。这为下一段引出"哪些算相关变量"以及"如何测量"埋下伏笔。

补充说明

“units of analysis”（分析单位）指研究中作为观察和比较基本对象的人或群体，可以是学生个体、班级、学校等；其在条件间的分布等价是因果推断的前提。“focal variable”（焦点变量）指研究者真正想要检验其效应的核心自变量，与下文将出现的"confounding variables"（混淆变量）形成对照。

第3段（P0098）

原文复述

For example, if (hypothetically) prior knowledge was judged the only relevant variable influencing learning in some study, then a suitable pre-test (see above) might be used to test whether prior learning could be considered equivalent across the two conditions. Often, however, there are other variables which it is recognised could have an effect, other than the dependent variable: ‘confounding’ variables. If the social class of students and reading age were also considered relevant then it would need to be shown that valid measures of these were also equivalent. This raises the question of what should be considered as ’equivalent’.

中文讲解

本段用两个递进的假设情境把"等价性检验"从抽象原则落到具体操作。

第一个例子（最简化情形）：假设在某项学习研究中，“先前知识”（prior knowledge）被判定为唯一影响学习（learning）的相关变量，那么只需用一个合适的"前测"（pre-test，括号中"see above"提示前文已介绍过前测的设计）来检验两个条件下学生的先前学习是否等价。

第二个例子（更现实的复杂情形）：转折词"Often, however"引出实际研究中的常见状况——还存在其他可能影响结局、但又不是研究者所关心的"因变量"的变量，这类变量被作者明确命名为"confounding variables"（混淆变量）。例如，如果学生的"社会阶层"（social class）和"阅读年龄"（reading age）也被视为相关变量，研究者就必须用有效量度来证明这些变量在两组之间同样等价。

最后一句"This raises the question of what should be considered as ’equivalent’“是本段也是本小节的关键收束：作者直接承认"等价"本身是一个需要被定义的概念，“equivalent"被加上引号以提示其术语属性。这个问题为下一小节（S5.3）铺垫：等价并非不言自明，而是涉及程度判别与统计标准的问题。

从论证结构看，本段以"先简后繁"的方式把读者注意力从单一变量推向多变量并存的现实情境，并把本节的论证链收束在"等价的定义"这一未决问题上。

补充说明

“confounding variables”（混淆变量）指与因变量有关、但并非研究者真正关心的核心自变量的其他变量；它们的存在可能扭曲"处理—结果"之间的因果关系。“pre-test”（前测）指在处理实施前对某些属性进行的测量，常被用作基线等价的证据。“dependent variable”（因变量）即学习结果，与核心自变量和混淆变量区分开。

脚注 / 边栏 / 图表 / 附加信息（如有）

本小节（P0096–P0098）位于第18–19页，正文连续，无脚注、图表、边栏或图像占位符；仅有小节标题与两段正文。

💡 本节核心要点

准实验和自然实验由于缺乏随机化，仅比较结局不足以做出因果推断，需要更复杂的设计。
研究者必须证明处理前各条件下"分析单位"的分布等价，或证明结局差异仍可归因于焦点变量——这是两条并行的论证路径。
等价性检验并非非随机设计的"补救"措施：即便在RCT中，等价性也常被检验，因为随机化本身不能保证绝对等价。
无论走哪条路径，研究者都需要"识别并测量任何相关变量”。
如果存在多个可能影响结局的"混淆变量”（如社会阶层、阅读年龄），每一个相关变量都必须在两组之间被证明等价。
“等价"本身并非不言自明——本节把这一未决问题抛给读者，自然过渡到下一节对等价定义与标准的讨论。

🔑 关键术语

units of analysis：“分析单位”，指研究中作为观察和比较基本对象的人或群体（如学生个体、班级、学校）；其在各处理条件间的分布等价性是因果推断的前提。
focal variable：“焦点变量”，指研究者真正想要检验其因果效应的核心自变量，与"confounding variables”（混淆变量）形成对照。
confounding variables：“混淆变量”，指与因变量有关但并非研究者所关心核心自变量的其他变量，可能污染"处理—结果"之间的因果关系。
pre-test：“前测”，指在处理实施前对某些属性进行的测量，常被用作基线等价的证据；本节以"see above"提示前文已介绍过其设计。
RCT / randomisation：“随机对照试验 / 随机化”；作者强调随机化只是概率层面的保障而非绝对保证，因此即便在RCT中也仍要做等价性检查。
equivalent：“等价的”；本节最后把它加上引号提出作为一个需要被定义的概念，预示下一节将讨论其判别标准。

S5.3 Equivalence is more than a lack of significance difference

第1段（P0099）

原文复述

Equivalence is more than a lack of significance difference

中文讲解

这是本节（S5.3）的小节标题，直译为"等价性不只是没有显著性差异"。标题本身就以命题形式预告了本节的核心主张：在实验研究中，把"两组前测未达统计显著差异"直接等同于"两组在基线上是等价的"，是一种常见但错误的等同；本节将论证二者之间存在概念与方法论上的差别。

第2段（P0100）

原文复述

补充说明

GPA 即 Grade Point Average，指学生学业成绩的平均绩点，是常见的先前学业水平指标。“intelligence fields"在原文语境中指学生在不同智力维度上的分布或表现，两者连同前测成绩共同构成 Abdi 报告中所采用的等价性证据基础。

第5段（P0103）

原文复述

However, most of this data was not reported in the paper. The ‘statistically equal’ mean pre-test scores were 2.95 for the control group and 3.15 for the experimental group (p. 40). In a second study on the use of advance organisers in physics teaching (Gidena & Gebeyehu, 2017), three parallel groups were pre-tested; of these, the two reported to ‘have equivalent means’ were selected for comparison and assigned as the experimental group (mean score = 6.61) and the control group (mean score = 6.26).

中文讲解

本段对前一段引用的两项研究补充"实测数据"层面的细节。关键观察有两点：其一，Abdi 论文中虽然声称"统计上相等”，但报告的前测均值实际为 2.95（控制组）与 3.15（实验组），二者并非小到可忽略——尤其在可推断为 5 分制量表中，差距约相当于 6%。其二，Gidena 与 Gebeyehu（2017）在物理"先行组织者"研究中先对三个平行班进行前测，再挑出被报告为"均值等价"的两组，其均值分别为 6.61 与 6.26。两组数据共同支撑本节的核心质疑：被报告为"统计上相等"或"等价"的两组，其实际均值差距并不属于噪声水平。

补充说明

“advance organisers”（先行组织者）出自 Ausubel 的教学设计理论，指在学习新材料前呈现的抽象、概括性引导材料，用以将新知识与学习者已有认知结构相联系；Gidena & Gebeyehu（2017）将其用于物理教学并以前测比较三个班级的基线。

第6段（P0104）

原文复述

补充说明

“intact classes"指研究中使用的、原本自然形成的完整班级单位；“unit of analysis"指统计分析中所测量的基本对象，本研究中是单个学生而非班级。“cooperative learning”（合作学习）是一种以小组协作完成共同学习任务为特征的教学策略。

第10段（P0108）

原文复述

However, Koksal and Berberoglu (2014, p. 66) report a study designed ’to investigate the effectiveness of guided-inquiry approach in science classes…’, where the evidence of equivalence was much weaker. In this study, the treatment group comprised five classes in one school, and the control group was composed of nine classes in six other schools ’to prevent any interaction between the control group and experimental group students’ (p. 70). They sought to demonstrate ’equivalency of schools’ as ’evaluated with respect to socio-economic characteristics of the students’ (p. 70), and they reported that the measure used ‘did not indicate any significant difference’ (p. 70). Koksal and Berberoglu quote a value of p of 0.21 which is indeed >0.05 (see Figure 2), but this means the degree of difference found is large enough to only be likely to occur on about one of five occasions by chance. That is, the differences in socio-economic backgrounds between the two conditions were not so great as to reach statistical significance, but could not be considered small enough to be at a level of just ’noise’ in the data.

中文讲解

本段提供"反面案例”，与 P0107 形成对照。Koksal 与 Berberoglu（2014）研究"引导式探究"在科学课堂中的有效性，处理组为某校的 5 个班，对照组为另外 6 所学校的 9 个班（理由是防止组间学生互动），并以"学生社会经济特征"作为学校层面的等价性指标。研究者报告"未发现显著差异”，p=0.21>0.05——表面上达到了传统显著性阈值。然而本节作者指出这正是问题所在：p=0.21 意味着观察到的差异在偶然情况下仍有约 20% 的发生概率，远高于"噪声"水平。该段的作用是揭示教育研究中常见的等价性论证陷阱：当等价性证据仅停留在 p>0.05 的"未达显著"层面，而不能报告接近 1 的 p 值时，所声称的"等价"在更严格的意义上并不成立。

补充说明

“guided-inquiry”（引导式探究）介于完全开放式探究与完全讲授式教学之间，教师提供问题情境、资料与步骤引导，学生在结构化框架内自主建构理解。“socio-economic characteristics”（社会经济特征）在本研究中作为学校层面的协变量评估等价性，常见指标包括家长职业、家庭收入、母亲教育水平等。

脚注 / 边栏 / 图表 / 附加信息（如有）

本节包含一项图示附加材料：Figure 2（占位符位于 P0105，图题见 P0106），用于直观说明"等价性评估应比单纯排除显著差异更为严格"这一主张，在 P0104、P0107、P0108 中被三次援引。文中脚注/内嵌引用包括：Taber (2013a, p. 85: Fig. 4.3)（作为前测差异可解释后测差异的论证来源）；Abdi (2014, pp. 37, 40)（探究式学习等价性声称与前测均值）；Gidena & Gebeyehu (2017)（先行组织者研究，三班前测）；Acar & Tarhan (2007, pp. 360–361)（合作学习电化学研究，p≈0.84 良好实践案例）；Koksal & Berberoglu (2014, pp. 66, 70)（引导式探究研究，p=0.21 反例）。

💡 本节核心要点

等价性（equivalence）不能等同于"未发现统计显著差异”——前者要求前测组间差异小到属于"噪声”，后者只能说明未拒绝零假设。
检验等价性与检验显著效应涉及分布上不同方向的关注：前者关心"近似”，后者关心"差异"；前者希望 p 值接近 1，后者希望 p 值低于 0.05。
Abdi（2014）虽报告"统计上相等"，但其前测均值 2.95 与 3.15 之间存在可见差距，提示"统计相等"的措辞掩盖了实际差异。
Acar & Tarhan（2007）属于良好实践案例：除报告 p>.05 外，还报告 p≈0.84，使前测组间差异落入可被视为噪声的范围，为后续效应差异归因提供了较稳固的基线。
Koksal & Berberoglu（2014）属于反例：仅满足 p=0.21>0.05 即声称学校层面"等价"，但该差异在偶然情况下约 20% 会发生，不能视为噪声。
实质性的前测差异即使未达显著，也可能解释后测显著效应；因此评估基线等价性需采用比常规 p<0.05 更严格的标准。

🔑 关键术语

Equivalence (等价性)：在本节中指两组在实验处理前的基线状态足够接近，使组间差异可假定不具实际意义；它不同于"未检测到统计显著差异"，要求差异小到可视为"噪声"。
Statistical significance / p-value (统计显著性 / p 值)：在零假设下观察到当前或更极端数据的概率；惯用阈值为 p<0.05。本节指出，用于检验"显著差异"时 p 值越小越有说服力，而用于检验"等价"时则需要 p 值接近 1 才能作为支持证据。
Pre-test (前测)：实验处理前对两组进行的测量，用于评估基线可比性；在本节中，前测结果是判断"等价"是否成立的关键证据来源。
Intact classes (完整班级)：原本自然形成的班级单位，本节中以 Acar & Tarhan（2007）为代表，说明班级作为整体可被随机分配到不同条件，但其中学生个体仍非随机分配，因而不能视为真正实验。
Different tails of a distribution (分布的不同尾部)：作者用以区分两种统计检验的形象说法：等价性检验关注分布中央的接近程度（前测），效应检验关注远离零假设的尾部（后测）。
‘Noise’ level (噪声水平)：可归因于随机抽样波动的差异幅度；本节主张，等价性要求组间差异落入噪声水平之内，而不仅仅是 p>0.05。

S5.4 Using statistics to respond to non-equivalence

第1段（P0109）

原文复述

Section heading: ‘Using statistics to respond to non-equivalence’.

中文讲解

这是第5.4节的小节标题。它向读者预告，本节将讨论当实验组与控制组在起点上不等价时，如何借助统计方法加以处理。标题中的’respond to’一词暗示，本节不只是承认非等价这一难题，更要提出应对的办法——即通过统计建模来回答因果推断问题。这一标题也呼应了上一节关于研究设计局限的讨论，把论证从’问题是什么’推进到’统计上能做什么’。

第2段（P0110）

原文复述

脚注 / 边栏 / 图表 / 附加信息（如有）

本节（第5.4节，‘Using statistics to respond to non-equivalence’）位于第20–21页，正文中只有一项外部学术引用，即Koksal和Berberoglu的研究，分别在P0111和P0112两次出现并标注页码(p.69)。文中没有图表、表格或边栏内容。‘see above’提示读者Koksal和Berberoglu的研究在前文已作介绍，本节将其作为非等价控制组准实验设计的具体示例。Ruthven等学者的’hierarchical analysis’也以’如上所述’的方式指向本书前文中的相关讨论。

💡 本节核心要点

当实验组与控制组在起点上不等价时，仅比较干预后的测量不足以判断处理效应，因为两组差异可能源自起点而非干预本身。
应对非等价需要在统计分析中引入数学模型，以在统计上分离起点差异与处理效应，作者以Ruthven等人提及的’hierarchical analysis’为例。
因果推断的关键在于判断：测得的差异究竟是处理造成的，还是混淆变量（confounding variables）的差异造成的。
Koksal和Berberoglu的研究被明确归类为’非等价控制组准实验设计’，与本节主题直接对应。
该研究以引导探究教学为自变量，以学业成就、科学过程技能、科学态度为三类因变量，并在干预前后对实验组与控制组施测相同的测量工具（RDGLT、SPS、Att）。
针对该准实验设计，研究者选用方差分析（ANOVA）来检验各测量在前测与后测上的组间差异，从而在统计上应对非等价问题。

🔑 关键术语

Non-equivalent control group quasiexperimental design（非等价控制组准实验设计）：实验组与控制组在干预前并非通过随机分组形成、因而不能假定其等价的准实验设计；本节的核心问题情境，正是围绕如何用统计方法应对这种非等价展开。
Hierarchical analysis（层级分析）：用以处理具有层级或嵌套结构数据的统计模型族；本节把它作为应对非等价问题的’数学模型’示例，与前文Ruthven等学者的引用相呼应。
Confounding variables（混淆变量）：与自变量和因变量同时相关、可能污染因果推断的变量；本节强调必须把测得差异的归因在统计上与混淆变量加以区分。
Independent variable（自变量）：研究者操控或区分的变量；在Koksal和Berberoglu的案例中，自变量为’引导探究教学’与’传统教学’两种处理方式。
Dependent variable（因变量）：被观测以判断处理效果的变量；在本节案例中包括学业成就、科学过程技能和对科学的态度三类。
Analysis of variance / ANOVA（方差分析）：用于比较多组均值差异、并能将总方差分解为组间与组内成分的统计方法；本节案例中用以分析前测与后测的多重测量。
Pre-test/post-test design（前测—后测设计）：在干预前后分别施测同一测量工具的设计；它使研究者能够量化组间起点差异，并为非等价组准实验的统计调整提供基础数据。

S6.1 Choosing comparison conditions

第1段（P0114）

原文复述

Choosing comparison conditions

中文讲解

This is the heading that opens Section 6.1, titled “Choosing comparison conditions.” It signals that the section will focus on how researchers decide what kind of activity to use as a comparison or control condition in educational experiments. The phrase “comparison conditions” frames the discussion not only around strictly controlled no-treatment baselines but also around the wider range of comparison activities that experimental studies in education might employ.

补充说明

The section title itself does not carry an independent argument; its function is to announce the topic and to delimit what follows. No additional content needs to be supplied.

第2段（P0115）

原文复述

Whilst all experimental designs have certain commonalities, there are considerable differences in the kinds of educational activity considered appropriate for the control or comparison groups in different studies. Table 2 sets out a simple typology of three levels depending upon the nature of the educational input provided for the learners in a control or comparison group. The activity undertaken with a group of learners that could potentially be educative is here referred to as a ‘treatment’. In experimental work the experimental/intervention group is subject to a treatment that differs in some well-characterised way from the treatment of the control or comparison group. The three levels suggested in Table 1 set different tests for the experimental treatment. These are, in effect,

中文讲解

本段提出了本节的核心框架。作者首先承认所有实验设计都有共性，但随即指出不同研究在对“控制组/比较组究竟应接受什么教育活动”这一问题上差异很大。这种差异不是细节差异，而是会直接影响研究结论性质的根本差异。

为统一分析视角，作者引入了一个三层次的类型学（typology），其分类依据是“控制组/比较组所接受的教育输入的性质”。为避免歧义，作者专门把对学习者实施的、可能具有教育意义的活动统称为“treatment”（处理/干预）。这一定义很宽，既包括实验组活动，也包括对照组活动——因此对照组如果也在接受某种教育活动，它也构成一种“treatment”。

最后，作者点明三层次的关键意义：每一个层次实际上是对实验处理（experimental treatment）提出了一种不同的检验标准。注意原文中出现了一个明显的笔误——先说“Table 2”，紧接着又说“The three levels suggested in Table 1 set different tests”，两处表号不一致。结合下文的图表说明（P0120 的 Table 2、P0123 的 Table 3），本段所说的“三层次”应指 Table 2，而非 Table 1；Table 1 应是别处提到的另一张表，本节并未出现。本段为读者预设了接下来三个检验问题的出现。

第三层次的检验是：“它与已被公认为良好实践的做法相比，效果如何？”

与 level 2 相比，level 3 的关键差别在于：常规标准之上还存在“被普遍认可为好的实践”（good practice），比较组要接受的正是这种已被认可的高质量做法。例如某一学科已被研究界和实务界承认为有效的教学法，level 3 就把它作为比较基准。

由此层层抬高的基准告诉读者：教育实验的结论强度取决于你拿什么作为比较对象。基准越严格，要证明实验处理“有效”就越难——但若能通过，结论的实践价值也越大。三层次本质上是一组对实验证据“难度”的递增阶梯。

第6段（P0119）

原文复述

[Table 2 about here]

这是排版标记，提示读者原书中 Table 3 插于此处。功能是版面定位，不是论述内容。

补充说明

Table 3 的具体内容（各示例研究及其归类）在本节提供的文字中没有给出，详细信息以原书表格为准；本节仅交代其存在与标题。

第10段（P0123）

原文复述

Table 3: Examples of different ‘levels’ of control condition

中文讲解

这是 Table 3 的标题，告诉读者该表展示的是“不同层次的对照/比较条件的示例”。

将 Table 3 与 Table 2 的标题并置阅读可以清楚地区分二者的功能分工——Table 2 是“分类框架”，Table 3 是“具体研究举例”，前者抽象，后者具体。读者只要看到 Table 3，就知道它接下来要列出若干真实或范例性的教育实验研究，并按 level 1/2/3 标注每个研究大致属于哪一层次，从而把抽象的分类框架落到具体研究上。

脚注 / 边栏 / 图表 / 附加信息（如有）

本节包含两类非正文材料：

两个排版占位符——P0119 “[Table 2 about here]” 与 P0122 “[Table 3 about here]”——它们仅起版面定位作用。
两个表标题——P0120 “Table 2: Distinct levels of control in experimental designs according to the nature of the educational ‘treatment’ experience by the control or comparison group.” 与 P0123 “Table 3: Examples of different ‘levels’ of control condition.”。Table 2 是按对照组/比较组所接受的教育处理性质对控制水平进行分类的概念性框架表；Table 3 是用具体研究示例填充该框架的示例表。两者构成“抽象类型—具体示例”的呼应关系。脚注方面：本节文字中未出现任何脚注。

💡 本节核心要点

本节围绕一个核心问题展开：在教育实验中，应该把什么活动安排给控制组/比较组。
作者把对学习者实施的、可能具有教育意义的活动统称为 treatment，既包括实验组活动，也包括对照组活动。
作者提出一个三层次的类型学，其分类依据是控制组/比较组所接受的教育输入的性质，而不是实验组本身。
三个层次对实验处理分别提出三种越来越严格的检验：是否具有任何教育价值（level 1）、是否优于标准教育配置（level 2）、是否与已被认可的良好实践相当或更优（level 3）。
基准越高，对实验处理有效性的要求越严，但若能通过，结论的现实指导意义也越大。
作者明确说明该类型学只是思考的起点，承认存在难以整齐归类的研究；Table 3 用具体研究示例落实 level 1/2/3 的分类，但本节只引出该表，未展开具体示例的讨论。

🔑 关键术语

treatment：在本节中被专门界定为“对一组学习者实施的、可能具有教育意义的活动”，既适用于实验组/干预组，也适用于对照组/比较组，因此对照组若接受某种教育活动也构成一种 treatment。
control or comparison group：实验研究中用作基准的组，本节强调其教育活动性质可有不同，是三层次类型学的关键变量。
typology of three levels：本节提出的三层次分类法：依据控制/比较组所受教育输入的性质将实验设计分为三个层次，分别检验实验处理是否具有任何教育价值、是否优于标准教育、是否与公认好做法相当或更好。
standard educational provision：指学校或教育机构日常提供的常规教育，是 level 2 的比较基准。
good practice：指已被研究界或实务界普遍认可为有效的教育做法，是 level 3 的比较基准。

S6.2 Does the experimental treatment have any educational effect?

第1段（P0124）

中文讲解

本段引用 Moore 等人原文，明确两组之间的处理差异：对照组学校被要求继续其现有性教育；而被随机分入干预组的学校则被要求在继续常规性教育的基础上，再额外接受在职培训并讲授紧急避孕这节课。引文末尾的 (p.681, emphasis added) 提示读者：原文中"additionally"一词被作者特意加粗强调，而本节作者完整保留了这种强调。这正点明了 Level 1 设计的核心特征——试验要检验的不是干预替代了什么，而是它在现有安排之上额外加了什么。

The earlier-cited study by Leuchter, Saalbach and Hardy (2014), which tested a curriculum intervention on the topic of floating and sinking (see Table 3), included “a control group that participated in a pre- and post-test, but not in an implementation of the curriculum on floating and sinking” (p.1758). In that study, teachers “were asked to follow their usual curriculum [but not] offer any curriculum on floating and sinking between pre- and posttests” (p.1762). Leuchter, Saalbach and Hardy reported positive results: the learners who experienced the curriculum intervention showed significantly better outcomes than those who had not received any relevant learning experiences. Such a design is valuable where there are theoretical reasons to doubt whether an educational intervention could have any significant effect. In the Leuchter, Saalbach and Hardy context, such reasons might include the argument that learners of this age are too young to benefit from educational experiences of this kind, or that teachers of the lowest grade levels generally lack the specialist knowledge or skills needed to support learning of abstract scientific concepts. The control condition here rules out the possibility that the measured gains in the treatment group could be explained by such alternative factors as learning from the pre-test, spontaneous learning from general experience, or general cognitive development due to maturation — factors discussed earlier in this review. A useful feature of the report of this study, shared with Moore, Graham and Diamond (2003), is that it offers a clear rationale for why this level of control (’level 1’, cf. Table 2) was chosen.

中文讲解

本段通过 Leuchter、Saalbach 与 Hardy (2014) 关于"浮与沉"主题课程干预的研究，进一步详细说明 Level 1 控制组的具体操作：对照组学生只参加前测与后测，但不参与该课程的实施；教师则被要求照常进行日常课程，但不在前后测之间提供任何关于"浮与沉"的内容。结果是接受课程干预的学生显著优于未接受相关学习经验的学生。作者进一步解释 Level 1 设计的价值所在：当存在理论上的理由怀疑教育干预可能无效时（例如该研究情境下，可能怀疑该年龄段学习者太小、无法从这类经验中受益，或者低年级教师普遍缺乏支持抽象科学概念所需的专业知识），Level 1 的控制组承担了"排除替代解释"的功能——它使研究者能够排除"进步来自前测效应、自发学习或自然成熟"等替代解释，从而把所观察到的进步更可靠地归因于干预本身。最后，作者赞赏该研究的报告与 Moore 等人的工作一样，都为选择 Level 1 控制提供了明确的理由。

补充说明

段末的 “factors discussed earlier in this review” 提示读者，前测效应、自发学习和成熟效应等替代解释，在本综述更前面的部分（与本节同一篇文章中更早的位置）已经讨论过；本段只是再次援引这些因素来阐明 Level 1 控制组所起的排除作用。“cf. Table 2” 是拉丁语 “confer” 的缩写，意为"参见"，提示读者把该设计与 Table 2 中给出的层级表进行对照。

脚注 / 边栏 / 图表 / 附加信息（如有）

本节包含的附加材料及其作用如下：(1) Table 2：作者在前文给出的实验设计层级表，本节多次被引用（“first level of experimental design suggested in Table 2”，以及 P0134 中的 “cf. Table 2”），作用是为 Level 1 在层级体系中定位。(2) Table 3：作者汇总的实例表，本节多次以 see Table 3 提示读者去查阅 Moore 等人 (2003)、Hong 等人 (2013) 和 Leuchter 等人 (2014) 的研究细节。(3) 直接引文与页码：p.673 引用 Moore 等人对研究目的的描述；p.681 两次（其中 P0127 带 emphasis added）引用 Moore 等人对对照组处理的设计与原则；p.231 引用 Hong 等人对学习目标取向和科学态度的报告；p.1758 和 p.1762 引用 Leuchter 等人对控制组安排和教师任务的描述。这些页码标注均指明本节观点或引文在原始研究中的出处，起支持与来源作用，而非对正文主张构成限制。

💡 本节核心要点

Level 1 实验设计的核心是把接受处理的学习者与"未接受任何处理"的匹配组进行比较，检验的是干预能否在现有教育安排之上提供"附加值"，因此尤其适合回答"是否值得新增一项资源"这类问题。
Level 1 设计与更高级别设计的关键区别在于：前者关心"额外做一件事"是否有价值，后者关心"换一种做法"是否更好；研究问题决定设计层级，而非反过来。
Moore、Graham 和 Diamond (2003) 关于紧急避孕课的随机对照试验是 Level 1 设计的典型案例，其对照安排由两条伦理原则支撑——对照组不应被给予已知不如干预组或常规做法的处理。
Hong 等人 (2013) 的"探究式审美科学活动"项目和 Leuchter 等人 (2014) 的"浮与沉"课程干预，分别在科学态度和抽象科学概念领域提供了 Level 1 设计的进一步实例。
Level 1 控制组承担"排除替代解释"的功能：当存在理论上怀疑干预可能无效的理由时（如学习者年龄过小、教师缺乏专业知识），它能把前测效应、自发学习、自然成熟等替代解释排除掉。
Moore 等人和 Leuchter 等人的研究报告都明确交代了选用 Level 1 控制的理由，这被本节作者视为一项值得借鉴的报告规范。

🔑 关键术语

Level 1 design：本节定义的第一层级实验设计；其对照组不接受任何与研究主题相关的处理，仅与干预组比较前测—后测结果，目的是检验干预在现有安排之上能否提供附加值。
Randomised controlled trial (RCT)：随机对照试验；将参与者随机分配到干预组与对照组，以减少选择偏差，使两组在试验开始时可比。Moore 等人 (2003) 的紧急避孕课研究即采用此设计。
Control group treatment：对照组所接受的处理；在 Level 1 设计中，对照组的处理是"继续现有安排、不接受任何额外干预"，其形式由研究目的和伦理原则共同决定。
Existing provision：现有教育安排；Level 1 设计的参照基线，干预的效果被解读为相对于现有安排所"额外增加"的价值。
Value added：附加值；在现有安排之外，干预所带来的额外教育效果；Level 1 设计所能直接检验的正是这种附加值。
Maturation：自然成熟效应；指随时间推移和身心发展自然发生的变化；本节指出，Level 1 的对照组可以排除把测得的进步误读为干预效果的可能性。
Pre-test effect：前测效应；做前测本身可能影响学习者的后测表现，从而被误读为干预效果；Level 1 的对照组同样可对此加以控制。

’learning progression-aligned formal embedded formative assessment’指与学习进阶路径对齐的、嵌入正式教学过程中的形成性评估，是Yin等人研究中实验组的干预内容。‘curriculum-specific extension activities’是为对照组设计的学习机会替代品，作者特意用’substitute’一词点明其作用——即填补对照组因未参与形成性反馈活动而可能留下的学习时间或机会空白。“level 2+“是作者为本研究贴的临时标签，并非既有正式分级，意在说明其设计在严谨程度上介于level 2与下一级之间。

脚注 / 边栏 / 图表 / 附加信息（如有）

本节在正文中两次引用Table 3（Grooms, Sampson and Golden 2014；Bramwell-Lalor and Rainford 2013；Yin, Tomita and Shavelson 2013），并回指Table 2来定位第二类实验设计。文中所引页码p.1416出自Grooms等人原文，p.531出自Yin等人原文，均作为读者进一步核对的来源标注。节内无独立脚注、边栏或图示。

💡 本节核心要点

本节提出的研究问题是：当一项教育创新被设想为对现行实践的改进时，如何用对照实验来检验这种改进是否成立。
Table 2所列第二类实验设计的核心结构是"创新 vs. 标准/常规做法”，而非"创新 vs. 无干预”。
Grooms, Sampson and Golden（2014）以"探究式实验 vs. 菜谱式实验"为例，借助评分者单盲减少无意识偏差；但学生与教师因身处教学情境而无法被盲。
Bramwell-Lalor and Rainford（2013）以"概念图 vs. 常规学习活动"为例，体现level 2对照组的时间/活动量平衡要求。
Yin, Tomita and Shavelson（2013）通过"同一教师、同一活动"和"为对照组提供课程专属的拓展活动作为替代"两项设计，被作者定位为"level 2+"——介于level 2与更高一级设计之间。
本节把level 2从单一标签细化为质量连续体，为评估具体研究的方法学严谨性提供了更细致的尺度。

🔑 关键术语

standard/normal form of provision：标准或常规的教育做法，在第二类实验设计中作为对照组的处理；创新与之相比是否更优，是本类研究要回答的核心问题。
cookbook approach：菜谱式实验教学：步骤被预先规定，学生只需按指令完成操作；与探究式教学相对，是Grooms等人研究中对照组所采用的教学方式。
enquiry-based laboratories：探究式本科实验教学：鼓励学生自行提出问题、设计方案并解释结果，是Grooms等人研究中实验组的处理。
single blind：单盲：在本研究中指评分者不知学生答案对应哪一组，以减少无意识偏差；但学生和教师因身处教学情境而无法被盲。
level 2 control group：第二级对照组：在本节语境中指被设计为接受"标准或常规做法"的对照组，与实验组的差异原则上仅在于是否接受被研究的创新。
concept maps：概念图：Bramwell-Lalor and Rainford（2013）研究中的实验组处理方式；控制组则在等量时间内进行更常规的学习活动以保持时间投入平衡。
learning progression-aligned formal embedded formative assessment：与学习进阶路径对齐、嵌入正式教学中的形成性评估；Yin, Tomita and Shavelson（2013）研究中的实验组干预内容。
curriculum-specific extension activities：课程专属的拓展活动：Yin等人给对照组提供的替代性学习活动，用于填补对照组未参与形成性反馈活动所留下的学习机会空白。
level 2+：作者为Yin等人研究所贴的临时标签，标示其设计介于level 2与下一级设计之间，因同时做到"教学情境极致匹配"与"为对照组提供相关替代学习机会”。

本节为正文中出现过的两项研究都提示读者参见表 3（Table 3），但表 3 的具体内容在所给段落中并未展开，因此其细节属于输入范围之外，不作补充。本节没有脚注、边栏或独立图表说明文字。

💡 本节核心要点

本节界定了实验设计中的第三层级（与“良好实践”比较），其严苛程度高于与“无处理”或“常规教学”比较。
第三层级研究的核心问题是：创新做法是否至少与已被认定为有效的做法同样有效，甚至更好。
Bunterm 等人 2014 年的研究比较的是泰国教育部推荐探究学习模型下“结构化探究”和“引导式探究”两种实施方式，属于良好实践内部的差异比较，而非严格意义上的创新对比。
Chen 等人 2014 年的研究则统一了前测诊断、反馈、教材培训与使用四项“良好实践”要素，仅在教材呈现方式（直接补救 vs P-O-E 预测—观察—解释序列）上设置差异。
两则例子都用“approaches / might be understood as falling in this category”的措辞，表明它们只是接近而非严格符合第三层级比较的范例。
本节为读者示范：当比较基线已经属于良好实践时，研究者仍可通过操控实施细节（如教师指导程度、教材呈现形式）形成有意义的研究对比。

🔑 关键术语

good practice（良好实践）：指被教育界或权威机构认定为有效、值得推广的教学做法，例如泰国教育部推荐的探究学习模型。在本节中，它是与创新做法相对照的高基准比较对象。
structured enquiry / guided enquiry（结构化探究 / 引导式探究）：探究学习的两种实施变体，差别在于教师在探究循环各阶段对学生决策进行指导的程度。Bunterm 等人 2014 年研究的两种处理分别采用这两种方式。
enquiry cycle（探究循环）：包括探索（exploration）、解释（explanation）和深化（elaboration）等阶段的循环过程，是探究学习模型的基本结构。
P-O-E（Predict–Observe–Explain，预测—观察—解释）：一种引导学生先做出预测、再观察现象、最后解释预测与观察之间差异的教学序列。Chen 等人 2014 年研究将其作为处理教材的一种呈现方式，与直接提供补救信息相对照。
misconceptions（迷思概念）：学生在某学科主题上持有的与科学概念相悖的前概念理解。Chen 等人用前测诊断学生在二极管相关内容上的迷思，再设计针对性的电子教材加以处理。

S6.5 Guidance on selecting control conditions: logical considerations

第1段（P0143）

原文复述

Guidance on selecting control conditions: logical considerations

中文讲解

这是 6.5 小节的二级标题。标题中的“logical considerations”提示本节要回答的不是“控制条件是什么”，而是“在研究动机的驱动下，应当如何在三种水平的控制条件之间作出选择”。它把前文对三个控制水平的描述性介绍推进到规范性的指导层面，因此本节每一段都会围绕“研究的真正问题是什么”以及“什么样的对照才能让比较回答这个问题”展开，而不是讨论控制条件本身的形式特征。

第2段（P0144）

原文复述

脚注 / 边栏 / 图表 / 附加信息（如有）

本节正文之外的附加材料仅有一项：表 4（Table 4: Guidance on the logic of selecting control conditions）。该表的作用是把 P0144–P0147 论述的三类典型情境及其对应的控制水平选择以表格形式汇总，便于读者按研究动机快速查阅。P0149 处的占位符 [Table 4 about here] 指明该表在原文版面中的插入位置。P0146 末尾提及的“see Table 2”则指向前文小节中描述三种控制水平定义的表格 2，本节不再重复其内容。

💡 本节核心要点

控制水平的选择应由“研究的真正问题是什么”驱动，而非由形式便利或可获得性单独决定。
当现行教学即便被认为效果一般仍可促成一定学习时，水平 1（无教学或仅标准教学的对照）信息量低，对教师的指导价值有限。
当现行做法的“代价”体现为过高资源投入或不良副作用（教学效果本身尚可）时，寻找“同样有效的替代”是有意义的研究动机，对应水平 2 对照。
当被试创新方案所在领域的优势已被多项研究充分证明，再把它与“并不被认为特别有效”的标准做法比较便不再充分，应把对照提升到“已被证明有效的做法”。
作者并不否定“与现行标准做法比较”这一常见设计，而是为其划出适用条件：方案效果确实不确定，且标准做法是唯一可用对照。
表 4 是本节文字论述的表格化汇总，与描述三种控制水平的表 2 互补，分别承担“是什么”和“如何选”的功能。

🔑 关键术语

level 1 control condition：水平 1 对照：对照组“几乎没有教学”，或仅包含被实验组“额外叠加”之上的标准教学。本节中用以说明其只能证明“是否产生某种学习”，对教师决策信息量有限。
level 2 control condition：水平 2 对照：对照组为现行标准做法，与实验组在教学投入上对等但教学方式不同。本节中用于“现行做法尚有效但存在资源或副作用问题”之情形。
level 3 control condition：水平 3 对照：对照组为“已被认可的良好做法”。本节中用于当被试创新方案所在领域优势已被证明、需要更严格对照来检验进一步提升之时。
standard provision：现行标准做法。指在某一教学情境中已有的、通常被默认的常规教学安排，是水平 2 对照的具体内容。
recognised good practice：已被认可的/证据充分的良好做法。是水平 3 对照的具体内容，代表当前可被引用的“更优”基准。
undesirable effects：不良副作用。指现行做法虽然在学习效果上仍可接受，但在资源、伦理或情感参与等维度上带来研究者希望避免的后果；它是选择水平 2 而非水平 3 对照的关键动机之一。

本节涉及的附加材料包括：① 参考文献 Taber (2014a)（支撑’避免对参与者造成伤害’的伦理义务）；Moore et al. (2003) 与 Ruthven et al. (2016)（作为’研究后给对照组提供创新’做法的实践范例）；Popper (1989)（作为自然科学’大胆猜想’传统的来源，用于反衬教育研究的伦理约束）。② Figure 3（补偿性研究设计图）：由 P0156 提及、P0157 占位、P0158 给图题，三段共同构成图位标记；图本身的功能是把’两组均经历创新’的设计可视化，对应第二条建议。

💡 本节核心要点

教育实验中的伦理核心是’避免让参与者经历效果较差或打击动机的教学’，这种伤害既可能出现在实验组（创新未经检验），也可能出现在对照组（被安排低效教学）。
当研究设计在 level 2 与 level 3 控制之间选择不清晰时，伦理义务倾向于选择对参与者最有益的 level 3 控制；对照组学生不应被视为单纯的数据来源。
第二条建议是’补偿性设计’：研究后给对照组补上创新，或在研究进行中让所有参与者都能经历实验条件；这种设计同时具备伦理与方法学双重价值——提供两次独立检验，并缓解组间潜在差异带来的混淆。
教育研究存在一个深层张力：在’基于过于大胆猜想去检验全新干预’与’仅重复已被广泛接受的做法’之间需要取得平衡；前者可能损害实验组，后者则浪费资源且不便参与者。
现实中大多数教学创新研究在某种程度上都属重复检验已有发现，这反映出教育实验结果’可推广性’的关键议题，构成本节通向更宏观讨论的桥梁。

🔑 关键术语

control condition：对照条件，指实验中不接受被检验干预的一组；本节强调对照组学生同样受伦理保护，不应仅被视为数据来源。
level 2 vs level 3 control：前文 Table 3 所定义的两类对照层级；在本节中，level 3 因最终让对照组也能受益而被作者视为伦理上更优的设计选择。
compensatory research design：补偿性研究设计，对应 Figure 3；指两组参与者均能在研究某个时点经历创新干预，从而同时兼顾伦理与方法学诉求。
voluntary, informed consent：自愿、知情同意；本节把它定位为必要但不充分的伦理条件，真正的伦理责任主要仍由研究者承担。
bold conjectures：大胆猜想，借自 Popper (1989) 描述自然科学传统的术语；在本节中作为’检验全新但未经支持的干预’的反面参照。
generalisability：可推广性，指实验结果能否推广到其他情境；在本节末段作为从伦理讨论引向更宏观议题的桥梁。

S7.1 Generalising from experimental studies

中文讲解

本句以 “That is, …” 重述 P0165，但把它从认识论问题（“我们如何确信”）转化为更具体的政策意涵：推广到原情境之外的目的，是为"建议广泛采纳被评估的创新做法"提供方法论依据。这一句的存在让本节不只是停留在方法学层面，而是把可推广性问题与教育决策的真实需求（要不要推广一项改革）连起来。换句话说，作者先界定这是一个知识层面的问题，再点明它最终服务的实践目的——这正是实验研究文章面向政策读者的典型写法。复述必须保留 “beyond its original context” 与 “to justify recommending that the evaluated innovation should be adopted more widely” 的目的状语结构，否则会丢掉论证的方向。

补充说明

“the evaluated innovation” 指本实验原本要评估的某项教育创新（例如某种新教法、新课程、新技术应用等）；此处是泛指，不需指明具体项目。

第7段（P0167）

原文复述

Reporting effect sizes — section heading introducing the following topic.

中文讲解

下一节标题，预示文章即将转入"如何报告效应量"这一技术议题。把它紧接在"可推广性"问题之后并非偶然：报告效应量同时关系到两件事——对内，它是衡量处理效应精确程度（如置信区间）从而强化内效度判断的工具；对外，效应量大小直接决定一项创新在别处是不是"值得推广"的依据。换言之，本章把"效应量报告"作为方法学上连接内效度与外效度的桥梁来提出，作者的论证线索由此可见一斑。

脚注 / 边栏 / 图表 / 附加信息（如有）

本节为方法论文章的篇段式开篇，正文中只出现两个二级标题（P0161、P0167），无脚注、无图表、无边栏或乐谱占位符，亦无图像说明。两个标题在本节中的功能分别为：P0161 标记本节主题（“实验研究的可推广性”），P0167 标记下一节主题（“报告效应量”）。本节真正承载内容的是中间五个段落，它们全部用于一个问题设定。

💡 本节核心要点

此前文章集中讨论的是内效度问题：教育实验中测得的结果差异，是否真正反映了被比较处理之间的效果差别，而非其他混杂因素。
本节切换到一个 “rather different” 的问题：在已假定内效度成立的前提下，实验结果能否被合理地推广到原始研究情境之外。
可推广性问题的形式特征是一个条件假设——它把内效度当作前提，专门追问跨情境下的处理差异是否仍然成立。
可推广性不是一个纯认识论的问题，其落脚点是支持或反对广泛采纳被评估的教育创新这一政策决定。
本节以一个标题预告下一议题：“Reporting effect sizes”。把效应量报告放在可推广性之后，意味着作者把它视为连接内效度（精确估计）与外效度（推广决策）之间的方法学桥梁。

🔑 关键术语

differential effectiveness of the treatments compared：被比较处理之间的效果差异（区别于单一组别的绝对水平）；是内效度与外效度问题共同围绕的核心量。
generalisation beyond its original context：把实验结果推广到研究原本所处的情境之外，包括不同学校、不同地区、不同时间、不同学生群体等；这是本节的核心议题。
rather than some other factor(s)：P0163 中明确点出的替代解释集合，指所有可能造成结果差异、但与处理效果无关的混杂因素；决定内效度问题的难度边界。
the evaluated innovation：本实验所评估的某项教育创新做法（如新教学法、新课程或新工具）；本节作者的最终关切是这种创新是否值得广泛推广。
effect size：效应量，是衡量处理效果大小的标准化指标；在下一节 “Reporting effect sizes” 中是核心对象，本节并未给出技术细节，但已为该议题的出现作了铺垫。

‘about the kind of entities the units of analysis are’ / ‘on statistical inference’ / ‘on comparisons of similarity between contexts’ 三者并非互斥，而是分别代表本体论层面的假设、方法论层面的统计机制、以及经验层面的情境比较三条独立的辩护路线；末句’Each of these possibilities is considered below’为下文各段落的论述顺序提供路线图。

脚注 / 边栏 / 图表 / 附加信息（如有）

本节无额外图表、脚注或边栏内容。P0170 与 P0171 以项目符号的形式呈现，构成 P0169 所提出’potential generalisation’问题的两道具体分解；P0172 在结构上预告下文将分别讨论三种推广依据。

💡 本节核心要点

统计显著性只表明组间差异不太可能由偶然产生，并不表明差异在实质上显著或具有推广价值。
效应量（effect size）衡量组间差异的实际幅度，是判断创新是否真正有效的必要补充指标，应与显著性一同报告。
Koksal & Berberoglu (2014) 的研究是’显著但效应量小’的具体案例，说明仅依据 p 值判断’有效’会被误导。
即便内部效度良好——统计显著且效应量大——仍需进一步论证研究的可推广性（generalisation）。
推广依据可来自三类来源：关于分析单位本体性质的假设、统计推断、以及不同情境之间相似性的经验比较，三者将在下文分别讨论。

🔑 关键术语

effect size (效应量)：组间差异的实际幅度，反映处理效应在量上的大小；与统计显著性互补，可避免’p 值显著但实际差异很小’的误读。本节将其定位为教育实验报告中应与显著性一同披露的必要指标。
statistical significance (统计显著性)：在零假设为真时观察到当前或更极端结果的概率低于预设阈值的判断；只说明差异不太可能由偶然造成，并不等同于差异在实质上重要。
units of analysis (分析单位)：实验中用以测量与比较的最小对象（如学生、班级、学校）；其数量较大时，统计检验更敏感，小差异也可能达到显著，因此分析单位的规模直接关系着’显著’是否被高估。
cost-effective (成本效益)：在本节中指创新的产出（教育收益）相对于其实施资源（教师培训、资源出版与传播等）是否值得；作者借此说明推广决策不能只看显著性。
generalisation (可推广性 / 概化)：将实验结果从被试样本迁移到其他课堂、学校或教学情境的可能性；本节将推广的依据区分为关于分析单位本质的假设、统计推断与情境相似性比较三类。

S7.3 Natural kinds and theoretical generalisation

第4段（P0176）

原文复述

In the natural sciences, then, theoretical considerations allow us to assume that certain measurements made on one specimen will apply to others of the same kind, or at least (in the life sciences) that average differences between conditions would apply to other samples of specimens of that kind. What are considered as natural kinds and which properties are essential qualities of such kinds have to be determined. For example, in many ways the chemical elements and compounds offer prototypical examples of natural kinds. Yet, for certain particular purposes, samples of elements must be considered as mixtures of several kinds (isotopes). The failure to recognise two different kinds in the drug thalidomide (that is, assuming two different enantiomers could be considered to be the same natural kind for the purposes of drug production) led to tragic outcomes (Fabro, Smith, & Williams, 1967). In general, however, this kind of generalisation has been very effective. Just one of myriad examples would be that once the composition and geometry of ammonia molecules has been established, this can be assumed to apply to all ammonia molecules.

中文讲解

本段承接前两段，进一步明确理论概括的条件与边界，并加入两个具体例子来凸显“自然种类不是天然的、自明的，而是要被判定”的关键论点。

首先，作者用一句总结性表述重述前文主张：在自然科学中，理论考量允许我们假设对某一标本的测量同样适用于同类其他样本；至少在生命科学中，可以假设不同条件下平均差异会适用于同种的其他样本。这里的“at least”和“average”两个限定词非常关键——前者承认生命科学的可概括性比物理科学弱，后者把推论的对象从“个体”限定为“平均差异”。

其次，作者明确指出“什么算作自然种类、哪些属性算作其本质属性，这些都需要被判定（have to be determined）”。这是一个重要的方法论声明：自然种类并非不证自明，而是研究工作的产物。

再次，作者给出三组例子：

化学元素和化合物在许多方面提供了“原型性（prototypical）”的自然种类示例——这是“成功案例”。
同位素（isotopes）则是反例：出于某些特定目的，元素样本必须被视为若干种类的混合——这说明同一对象在不同研究目的下可被归入不同自然种类。
沙利度胺（thalidomide）悲剧作为反面警示：把两个不同的对映异构体（enantiomers）误当作同一自然种类用于制药，导致严重后果——这说明错误地划分自然种类会带来实质危害。
氨分子的组成与几何结构一旦确立即可推及所有氨分子——这是“myriad examples”之一，作者用以重申理论概括的成效。

作者的态度是审慎乐观：总体而言（In general）这种概括“非常有效”，但他同时通过同位素与沙利度胺两个例子提醒读者，自然种类的划分本身可能出错，且错误可能造成严重后果。

补充说明

本段中三组例子在论证上分工不同：化学元素作为正面原型说明自然种类的成功使用；同位素说明同一对象在不同目的下可被重新切分；沙利度胺作为反面案例说明错误切分的代价；氨分子作为“myriad examples”中的一例再次正面说明理论概括的有效性。这种正反交叉的安排使作者能够在肯定理论概括的同时提醒读者警惕其前提条件。括号中三个文献引用（LaPorte 2004、Knorr Cetina 1999、Fabro 等 1967）均为作者为相关概念或案例给出的来源脚注。

第5段（P0177）

原文复述

In educational studies, however, the units of analysis are not considered to be natural kinds that can be taken to share common properties to this extent. Social kinds, such as learners, teachers, classes, and the like, differ from each other in a great many ways, so there are few useful common properties that once measured on one specimen or sample can be assumed to apply more generally across that social kind.

中文讲解

本段是本节论证的关键转折，也是为后续讨论教育研究方法局限性的铺垫。作者用一个明确的转折词“however”，把自然科学与教育研究并置对比：教育研究中的分析单位（learners、teachers、classes 等社会种类）并非自然种类，无法被假设为在同样程度上共享共同属性。由于这些社会种类之间在许多方面彼此差异巨大，几乎找不到有用的共同属性，可以让我们在某一标本或样本上测量一次就假设其在更大范围内同样适用。

理解这段的关键在于把握它与前文形成的对比：前文花了三段说明自然种类如何支持理论概括，并承认即便是生命科学也需要统计策略作为补充；而本段则明确指出教育研究的分析单位缺乏这种自然种类地位，因此无法享受同样程度的可概括性。这一对比是本节论证的支柱——它解释了为什么教育研究在借鉴自然科学方法时不能简单照搬，以及为什么本节接下来要讨论教育研究中“分析单位”问题的必要性。

“to this extent”这一限定短语也很重要：它表明作者并未断言教育研究的分析单位之间毫无共性，而只是说其共性程度达不到自然科学中自然种类那种程度。

补充说明

本段中“social kinds”一词承担了与“natural kinds”相对立的概念功能；后文将围绕社会种类与自然种类的差别展开对教育研究方法局限性的讨论，因此本段可视作本节向教育研究主题过渡的明确标志。

脚注 / 边栏 / 图表 / 附加信息（如有）

本节包含三个脚注引用：LaPorte (2004) 为“natural kinds”术语的来源；Knorr Cetina (1999) 为生命科学中使用品系或遗传谱系做法的来源；Fabro, Smith, & Williams (1967) 为沙利度胺对映异构体悲剧案例的来源。这三处脚注在正文中分别起界定术语出处、支持方法论描述和支撑反面案例的作用，不展开为单独段落。

💡 本节核心要点

本节的核心概念是“自然种类”：在自然科学中，分析单位通常属于同一自然种类，从而支持基于理论考量的概括，即对个别样本的发现可推及同类其他样本。
自然科学的可概括性存在强弱之分：物理科学依赖本质属性的强假设；生命科学即便承认同种内部变异更大，仍可通过使用品系/遗传谱系或随机分配加统计比较等手段保留一定程度的可概括性。
自然种类并非天然给定的范畴，而是要被判定的：同一种对象在不同研究目的下可被切分为不同种类（如元素与同位素）；错误地划分自然种类会产生严重后果（如沙利度胺对映异构体事件）。
本节的关键转折是教育研究的分析单位（学习者、教师、班级等社会种类）不构成自然种类，其内部差异巨大，难以找到可以广泛推及的共同属性，因此不能像自然科学那样享有同等程度的理论概括。
本节为后续讨论教育研究中的方法局限、特别是“分析单位”问题提供了概念基础：通过自然种类 vs. 社会种类的对照，解释教育研究在借鉴自然科学方法时为何需要不同的考量。

🔑 关键术语

natural kinds（自然种类）：指在理论上被认为共享某些“本质”属性、从而可被假设为同一类的一组对象（如化学元素、电子、青蛙的骨骼结构等）。在本节中用于解释自然科学中“从个别样本推及同类其他样本”的理论概括何以成立。
theoretical generalisation（理论概括）：指基于关于“是什么使不同样本属于同一种类”的理论考量，把对某一标本或样本的发现推及同类其他标本的做法。在本节中是自然种类这一概念的方法论后果。
essential qualities（本质属性）：指被认为定义一个自然种类、从而使同种不同样本之间可以相互替代的属性。在本节中作为可概括性成立的逻辑前提，但作者也指出“哪些属性是本质属性”本身需要被判定。
social kinds（社会种类）：指学习者、教师、班级等社会研究对象所构成的类别。在本节中与“自然种类”对立：作者指出社会种类内部差异巨大，缺乏可广泛推及的共同属性，因此不享有自然科学那种程度的理论概括。
enantiomers（对映异构体）：指分子结构互为镜像的两种化合物。在本节中作为沙利度胺案例的关键概念：把两种不同的对映异构体误当作同一自然种类用于制药，造成悲剧后果。
isotopes（同位素）：指同一元素中具有不同质量数的原子核变体。在本节中用于说明同一对象（元素样本）在不同研究目的下可被视为“若干种类的混合”，从而说明自然种类并非天然给定的范畴。

S7.4 Statistical generalisation

第1段（P0178）

原文复述

末句以交叉引用（‘Replication studies’）将话题延伸至重复研究在概括中的作用，明确预告了后续小节的论题。读者在此应意识到：本节只是关于概括问题的概览式铺垫，更系统的讨论将出现在重复研究部分。

补充说明

原文最后一句末尾未标句号，按原文保留。

脚注 / 边栏 / 图表 / 附加信息（如有）

本节为纯文字小节，无脚注、无图表、无边栏内容。仅在P0181末句出现一处显式前向引用’Replication studies’，指向后续关于重复研究的章节，作为本节论点的延展与细化。

💡 本节核心要点

教育与社会科学的分析单元（学习者、班级、教师）属于’社会种类’而非’自然种类’，同类内部在影响教与学的变量上差异显著，因此不能像自然科学那样进行’个案→全部同类’的理论概括。
统计概括是教育研究中常用的替代形式，其结论描述的是’通常情况下更可能如此’，而非’必然如此’，这是一种认识论上的克制。
统计概括并非自动成立，它严格依赖抽样设计、样本量、推断方法等规范程序，实验设计能否支撑统计概括直接决定了结果的外推力度。
当实验设计无法支撑统计概括时，结果对研究外样本的指导力受到怀疑，此时可通过’读者概括力’与’分析性概括’提供有限程度的迁移。
读者概括力是读者基于自身情境判断结果可否迁移的能力，分析性概括是将经验发现与理论进行对接的过程，两者构成支撑关系，常协同使用。
本节末尾以’Replication studies’作为前向引用，预告后续小节将进一步讨论重复实验在结果概括中的角色。

🔑 关键术语

Statistical generalisation（统计概括）：在本节中指依据统计程序（如随机抽样与推断统计）得出的、关于某类对象’通常情况’的结论，区别于覆盖所有个体的必然性概括，是教育研究在社会种类异质性下的可行替代形式。
Theoretical generalisation（理论概括）：在本节中指从单个案例推及所有同类案例的、覆盖性的理论性结论；作者认为这种形式因社会种类内部差异显著而在教育研究中难以成立。
Natural kinds（自然种类）：在本节中指成员之间共享稳定本质属性的类别（如化学元素），其成员同质性高，是自然科学中可由个案推及同类的类别；用以对比说明教育研究对象的异质性。
Social kinds（社会种类）：在本节中指由社会界定、成员内部高度异质的类别（如'15岁学习者’‘生物班’‘大学化学教师’），是教育研究中分析单元的典型形态，其多样性使理论概括难以成立。
Units of analysis（分析单元）：在本节中指教育研究中被观察或测量的实体，可以是学习者个体、班级、教师群体等；本节强调这些单元不是自然种类，不能以个案代表全部。
Reader generalisability（读者概括力）：在本节中指读者依据自身情境判断研究结果可否迁移到其所处情境的能力，是统计概括无法实现时的备选路径之一。
Analytical generalisation（分析性概括）：在本节中指将经验研究结果与既有理论主张对接，从而加深或修正理论的概括过程；与读者概括力构成支撑关系，常协同使用。

S7.5 Strict conditions for statistical generalisation

第1段（P0182）

原文复述

Strict conditions for statistical generalisation

中文讲解

本句是小节标题，用于引出关于"统计性推广（statistical generalisation）“所必须满足的严格条件的讨论。它提示读者：上一节讨论的是如何保证研究内部的有效性（如随机分组以排除偶然差异），而本节将进一步限定——即便内部有效性达到了，把结论推到样本以外的人群仍然需要额外的、更严格的条件。

第2段（P0183）

原文复述

补充说明

“fair sample"在本节中的含义限于"构成对所界定人群的代表性样本”，不涉及更广意义上的公平性伦理讨论。

第6段（P0187）

原文复述

If the implications of studies are to be clear, it is good practice for research reports to state explicitly precisely what population was sampled. One of the studies listed in Table 1 reports that “the population of the study consists of all 397 pre-service science teachers studying at a state university in Turkey, 121 of which participated in the study making the sample 30% of the population” (Taşlidere, 2013, p. 147). However, many studies have titles or research questions that imply a broad population (e.g., ‘students’), even though the sample is drawn from a very particular context (see Table 1). Often, the reader is left to infer the population to which the results are intended to be generalised.

中文讲解

本段把前文的两个条件落到研究报告的写作规范上，并给出一个正例与一类常见问题的对照。

第一句给出规范：要让研究的"含义"（implications）清楚，研究报告最好明确说明究竟抽样自哪一个人群。这是把 (a)(b) 两步条件转化为对论文写作的具体要求。

随后是正面例证：Taşlidere（2013, p. 147）在表 1 所列研究之一中明确写道，研究人群为"在某土耳其国立大学就读的全部 397 名职前科学教师，其中 121 人参与了研究，样本占人群的 30%"。这一表述之所以是范例，是因为它精确交代了三件事——人群边界（某土耳其国立大学的职前科学教师）、人群规模（397 人）、样本规模与占比（121 人，约 30%）。读者据此能立即判断该研究的可推广范围被限定得相当具体。

接着作者指出常见的问题：许多研究的标题或研究问题暗示了一个宽泛的人群（如"学生"），但其样本实际上取自一个非常具体的语境（参见表 1）。这就出现了 (a) 项所警告的"目标人群未被明确界定"的情况——标题承诺的"学生"与实际抽样的某校某班学生之间存在差距。

最后一句点明其后果：究竟要把结果推广到哪一个人群，往往留给读者自己推断。这意味着研究的可推广范围处于模糊状态，读者既无法严格检验，也无法准确使用其结论。本段以这一对照收束小节，说明"统计性推广的严格条件"在实践中常被以含糊的标题和未明说的抽样语境所违背。

补充说明

Taşlidere（2013, p. 147）的引用同时承担双重教学功能：既作为符合 (a)(b) 两条件的范例，又作为衡量"标题暗示宽泛人群、样本却来自特定语境"这一问题的对照基准；表 1 中的其他研究条目不在本段文字中展开，需结合表 1 查看。

脚注 / 边栏 / 图表 / 附加信息（如有）

本小节中的附加材料仅为作者引用的 Taşlidere（2013, p. 147）一例，以及多次提及但未在本段正文中展开的"Table 1"。Taşlidere 例子的作用是给"明确报告抽样人群"这一规范提供一个具体的、可参照的正面样本；Table 1 在本段中两次被提及（一次用于标示正面例子的位置，一次用于标示标题暗示宽泛人群而样本来自特定语境的研究），其具体内容需查看原表。

💡 本节核心要点

真正实验中的随机化只能保证组间可比性（内部有效性），并不能保证结果可以推广到样本以外的人群——内部有效性与外部有效性（可推广性）必须分别处理。
要进行统计性推广，研究者必须先明确界定研究打算适用的人群（specific population），再保证所选被试构成对该人群的代表性样本（fair sample），两步缺一不可。
研究报告应当明确说明抽样自哪个人群，否则其结论的适用范围将处于模糊状态。
Taşlidere（2013, p. 147）的写法——明确人群（397 名土耳其某国立大学的职前科学教师）与样本（121 人，占 30%）——是符合上述规范的范例。
许多研究的标题或研究问题暗示了宽泛的人群（如"学生"），但样本实际取自非常具体的语境，这正是 (a) 项条件（明确界定目标人群）常被违背的典型情形。

🔑 关键术语

statistical generalisation / statistical generalisability：统计性推广。指把某项研究的结果从所抽样本推及更大人群；本节强调这种推广并非随机化自动带来的，而是需要另行满足的严格条件。
units of analysis：分析单位。在实验中被随机分入不同条件的对象，本节中即接受处理的被试个体（学生、教师等）。
true experiment：真正实验。其特征在本节语境中体现为：通过把分析单位随机分入不同条件来保证组间可比性。
randomisation：随机化。把分析单位随机分到不同实验条件的过程；其作用是降低组间构成差异偶然造成结果差异的可能性，解决的是内部有效性问题。
population (in research sense)：研究意义上的"人群"。指研究结论打算适用的一组明确界定的对象；与日常"人口"概念不同，本节强调其必须"具体"且"明确"。
sample：样本。实际参与研究并被测量的那部分对象；其与人群的关系是否"公平"决定结论能否做统计性推广。
fair sample：公平样本。指样本的结构与目标人群的结构相称、能代表该人群的样本；本节中这是 (b) 项所要求的条件。

S7.6 Sampling

第1段（P0188）

原文复述

Sampling

中文讲解

这是本小节的标题，正式开启“Sampling（抽样）”这一论题。该标题之下，作者将围绕“在教育试验中如何取得对更广泛总体的统计概括”这一问题，介绍理想的随机抽样以及现实中更常见的几种替代方案。

第2段（P0189）

原文复述

Ideally statistical generalisation is supported by selecting a random sample of the population of interest, which gives the strongest grounds for considering results from the trial to reflect a general pattern that would be found across the wider population (see Figure 4). Selecting the units of analysis at random from the population (so each unit that is part of the population has an equal chances of being part of the study) avoids the need to understand the diversity of the population (what the relevant variables are, and how they are distributed in the population) in a parallel way to how randomly assigning units to conditions avoids the need to characterise and then show equivalence between the groups in the different conditions.

中文讲解

本段阐述“理想的统计概括”所依赖的机制——随机抽样。作者的核心论点是：从目标总体中随机抽取分析单位，能为“试验结果反映了更广泛人群中存在的总体规律”提供最强依据；这里的关键词是“on average（平均而言）”，并非确定性推断。

作者特别用了一个平行类比：随机抽样之所以能规避对“总体多样性”的逐一辨认（不必事先明确哪些变量相关，也不需要知道它们在总体中的分布），其逻辑等价于“随机分配”之所以能绕过对各组特征逐一刻画并证明组间等价的需要。两者本质上都借助概率机制，把“谁进入研究/谁进入哪一组”交给机会来决定，从而避免研究者对总体结构的全部先验把握。

也就是说，本段在论证：随机抽样之所以被视为“金标准”，并不仅仅因为它能“代表”总体，更因为它在认识论上卸载了研究者对总体异质性的预判负担——这一点对后续讨论“非随机样本怎么办”是一个重要的逻辑锚点。

补充说明

本段内部出现了“units of analysis（分析单位）”一词，与随机分配情境下的单位保持同名；其指代对象依研究而定（学生、班级、学校等），作者此处未限定，留待上下文中明确。

第3段（P0190）

原文复述

[Figure 4 about here]

中文讲解

这是一个图表占位符，指示此处应插入图 4。结合上下文，图 4 用于直观呈现“当试验样本来自更广泛总体的随机抽取时，试验结论（平均而言）可被视作适用于该总体”这一论点。

补充说明

无额外补充；具体图形内容需查阅原图。

第4段（P0191）

原文复述

Figure 4: When an experiment tests a sample drawn at random from a wider population, then the findings of the experiment can be assumed to apply (on average) to the population

中文讲解

本段为图 4 的标题文字，是图本身提供的命题式说明。它把图的内容凝练成一个条件句：前提是“样本从更广泛总体中随机抽取”，结论是“试验发现可（平均而言）外推到总体”。

需要注意标题中“on average”的限定——作者借此避免读者误以为随机抽样能保证每一次具体外推都成立；它表达的是统计意义上的平均可推广性。这是一个承上启下的关键限定词：前一段提出该论点，标题把这一论点以最简洁的形式固化下来，供后文在偏离这一理想情况时反复参照。

补充说明

此标题点出的“on average”这一限定，与 P0189 中“general pattern across the wider population”的表述互相呼应，共同为后续讨论非随机样本时的限制设下对照基线。

第5段（P0192）

原文复述

However, it is often not feasible to be able to identify all units in a population, let alone ensure they are potentially included in a sample. So, whilst this would be the ideal situation, few educational trials achieve it. Alternatively, statistical generalisation could be supported by an argument that a non-random sample is representative of the wider population on those variables most likely to be relevant to outcome - based for example on findings from surveys of the population. As there may be a range of potentially relevant factors, which may interact, building a representative sample can be challenging.

中文讲解

本段承认理想方案在实践上往往落空。第一层让步：识别总体中所有单位本身就已经很难，更不用说保证它们都有机会进入样本；因此虽然前一段所描述的随机抽样是最理想的状态，但“几乎没有教育试验能够做到”。

第二层提出替代方案：当无法随机抽样时，统计概括也可以通过另一种论证来支撑——论证所选取的非随机样本，在“与结果最相关的那些变量”上代表更广泛的总体。这类代表性论证常以对总体的调查数据为依据。注意作者用“those variables most likely to be relevant to outcome”作了限定，而非泛泛宣称样本在所有维度上都代表总体。

第三层给出一个警示：因为潜在相关因素可能有很多，且它们之间还可能存在交互作用，构建真正具有代表性的样本是一件困难的任务。作者在此埋下伏笔：如果连“代表性”本身都难以严格满足，下一段将退一步讨论更弱、更常见的设计。

补充说明

本段呼应了 P0189 提出的“避免对总体多样性的细致刻画”这一观点：通过代表性论证承担部分这一负担，但作者强调这种替代在实践中依旧充满挑战。

第6段（P0193）

原文复述

In many small-scale studies that only involve a few classes or schools (cf. Table 1), an inherently weaker design is often employed, where units of analysis are chosen to be fairly typical of the wider population, to avoid obvious ‘outliers’, but this does not strictly allow statistical generalisation to a wider population. An example would be Chen and colleagues study (see Table 1) where they located their study in a school ‘ranked around 14 of 28 high schools in Taipei’ (Chen et al., 2014, p. 915). Other studies may report having used ‘convenience’ sampling, i.e., where researchers can easily access the research site and necessary permissions are readily forthcoming, such as Yin and colleagues’ work in ‘a laboratory charter school [that] includes a focus on educational research as part of its charter’ (Yin et al., 2013, p. 538). Access to research sites can be elusive, so convenience sampling may be justified, but this approach may not offer the most informative samples (see below).

中文讲解

本段落到更普遍的现实层面：在仅涉及几个班级或几所学校的小规模研究中，常常采用一种“本质上更弱”的设计——分析单位被挑得“相对典型”，以避开明显的极端值，但这种设计“不严格允许”向更广泛总体作统计概括。作者用“inherently weaker”明确表达了与前文“理想随机抽样”之间的强度落差。

为把这个抽象判断具体化，作者给了两个示例：

Chen 等人（2014, p. 915）的试验选在台北市 28 所高中里“排名约第 14 位”的一所学校开展，这是“处于中间、不极端”的典型化选择的例证；
Yin 等人（2013, p. 538）则在“一所以教育研究作为章程重点的实验室特许学校”开展，属于“便利抽样（convenience sampling）”——研究者能容易进入并较顺利取得许可。

随后作者给出评价：研究场地的可及性往往是稀缺资源，便利抽样有时确有理由；但“它未必提供信息量最大的样本”，并以“see below”提示后文将进一步讨论其局限。两个例子分别对应“典型抽样”和“便利抽样”两种妥协路径，作者借此把抽象的“weaker design”落到可被读者核对的真实研究上，使论点既有原则性又有可识别性。

补充说明

段中两条引用（Chen et al., 2014, p. 915；Yin et al., 2013, p. 538）为正文中直接的文献示例，且作者以“cf. Table 1 / see Table 1”表明这些研究在表 1 中还会出现，便于交叉查证。

脚注 / 边栏 / 图表 / 附加信息（如有）

图 4（P0190–P0191）：以条件句形式呈现“随机样本–可向总体外推”这一理想结论，标题中的“on average”限定了外推的统计性质；该图在 P0189 中已被预告，作为本节论证理想抽样机制的核心视觉支持。段中两条对 Chen et al.（2014）和 Yin et al.（2013）的引用以括号完整标注页码，属于正文中可核对的文献示例，并通过“see Table 1”与表 1 形成交叉参照。

💡 本节核心要点

统计概括的最强依据是从目标总体中随机抽取分析单位，而非仅凭“样本像总体”这种直觉性叙述。
随机抽样在认识论上平行于随机分配：两者都把“谁进入研究/谁进入哪一组”交给概率，从而卸载研究者对总体结构或组间结构逐一把握的负担。
图 4 把这一论点固化为“若样本来自随机抽取，则试验发现平均而言可外推到总体”，其中“on average”是关键限定。
实践中几乎所有教育试验都无法做到真正的随机抽样；替代方案是论证样本在与结果最相关的变量上对总体具有代表性，但相关变量众多且可能交互，构建代表性样本依然困难。
在小规模研究中，更弱的设计常见：以避开明显极端值为目的的“典型抽样”，以及以可及性为驱动的“便利抽样”，两者都不能严格支持向更广泛总体的统计概括；便利抽样虽有现实理由，却可能不是信息量最大的样本。

🔑 关键术语

statistical generalisation（统计概括）：指基于样本推断出关于更广泛总体的结论；本节以此为出发点，将抽样方式作为其能否成立的关键条件。
random sample（随机样本）：总体中的每个单位都有同等机会被抽入样本；作者强调这是统计概括“最理想的依据”，并对应图 4 的命题。
units of analysis（分析单位）：研究中被抽取和被分析的实体（如学生、班级、学校）；其本身的多样性决定了样本是否需要被“代表”。
representative sample（代表性样本）：在“与结果最相关的变量”上与总体相符的非随机样本；作者指出，因相关变量众多且可能交互，真正构建这种样本颇具难度。
convenience sampling（便利抽样）：基于场地可及性与许可易得性而选取样本的策略；以 Yin 等人（2013）为示例，作者承认其现实合理性，但提示其信息量可能受限。

S7.7 Variation within a population

第1段（P0194）

原文复述

Variation within a population

中文讲解

这是第 7 章第 7 节的小节标题，原文为英文 “Variation within a population”，意为"总体内部的变异性"。该标题点明本节将要讨论的核心论题：当研究者从样本推广到总体时，样本内部不同个体或单位之间存在差异，这种变异性使得任何"对总体有效"的结论都只能是概率性的，而非确定性的。本节承接前文关于实验结果的统计推断与外部效度的讨论，把焦点从"样本平均值"转到"样本内部各单位之间的差异"，从而为下一节的具体案例（如 epiSTEMe 项目和 Follow Through 项目）提供概念框架。

第2段（P0195）

原文复述

Even when statistical generalisation is possible, this does not imply that a teaching innovation found to be advantageous in the experiment would also be universally advantageous if implemented throughout the population sampled, only that it would on average be expected to produce better outcomes (see Figure 4). So, the implications are probabilistic. If a certain approach to teaching natural selection was found to give greater learning outcomes in a RCT based on a random sample of the population of secondary age classes in Florida, then this suggests that if the approach was implemented across Florida, it (subject to the various caveats discussed earlier in the article) would improve average learning outcomes in the state. A teacher in a particular school in Florida working with a particular class cannot be confident the innovation would improve learning gains in her class, but in the absence of any other direct evidence, she could reasonably assume that introducing the innovation will probably lead to greater learning gains. Where probabilistic evidence is all that is available, it can be the best guide for informing action.

中文讲解

本段是本节的核心立论段落，完整中文释义与教学性解释如下：

即便统计概括是可能的，这并不意味着一项在实验中表现优于对照的教学创新在被推广到样本所代表的整个总体时也具有普遍优势——它只意味着该创新平均而言有望带来更好的结果（参见图 4）。因此，由此得到的推论是概率性的。

如果某种教授"自然选择"的方法在一项基于佛罗里达州中学班级总体随机抽样的随机对照试验（RCT）中被发现能带来更好的学习成效，那么这表明——在受本文前文所讨论的各项保留条件约束的前提下——若将该方法推广到整个佛罗里达州，将能提升该州平均学习成效。

然而，在佛罗里达州某所特定学校任教的某位教师，面对她的某个具体班级，并不能确信这项创新一定会提升她班上的学习进步；但在没有其他直接证据的情况下，她可以合理地假设引入这项创新很可能带来更大的学习进步。当概率性证据是唯一可得的证据时，它可以成为指导行动的最佳依据。

讲解：本段的论证功能是把前文建立起来的"统计概括"概念进一步推向其逻辑终点：样本平均值支持的是关于总体的概率性命题，而非对每一个体的确定性保证。作者用"自然选择教学 + 佛罗里达 RCT"这一具体情景作为示例，有两个目的：第一，把抽象的概率推论落到教育实践者（一位具体的佛罗里达教师）身上，体现统计学语言与课堂决策之间的张力；第二，强调"在没有直接证据时，概率性证据仍可作为最佳行动依据"，防止读者把谨慎的统计学结论误解为对实践无用——这其实是反过来说明 RCT 对实践决策具有真实但有限的价值。句中反复出现的"on average / average / probably / cannot be confident"等限定词，正是本节论点的语言标记：任何一个否定或改动这些词，都会破坏该段的核心含义。

补充说明

文中提到的"the various caveats discussed earlier in the article"指本文前几节讨论过的关于随机化、对照、抽样、实施保真度等方法学限制，此处不需要补充这些保留条件的具体内容，只需理解它们构成了本节对总体推断的限定语境即可。图 4 在本段中作为论点的视觉支撑被引用，但本段未提供图 4 的具体内容。

第3段（P0196）

原文复述

One discussion of a large-scale education intervention programme for disadvantaged children in the United States (‘Follow Through’) reports how the programme evolved into “a series of ‘planned variations’ of education” that allowed 17 models of schooling for disadvantaged children to be compared (Guthrie, 1977, p. 240). Thirteen of the models offered sufficient data for comparisons to be made based on a “battery of tests…to encompass basic skills, cognitive/conceptual development, and affective factors”, and effectiveness was “judged by whether a model surpasses its control group in a particular site on a particular category of outcome test” (p. 241-2). This allowed the most and least effective programmes to be identified. Even though this enabled a form of overall ranking to be produced, it was noted that

中文讲解

完整中文释义与教学性解释如下：

关于美国一项针对弱势儿童的大规模教育干预项目（“Follow Through”）的一份讨论报告指出，该项目如何演变成"一系列教育’有计划的变体’"，从而使得针对弱势儿童的 17 种学校模式得以被相互比较（Guthrie, 1977, p. 240）。其中 13 种模式提供了足够的数据，使得基于"一组测试（用以涵盖基本技能、认知/概念发展以及情感因素）“进行比较成为可能；其有效性判断标准是"某种模式在某一地点、某一类结果测试上是否超过了其对照组”（p. 241-2）。这使得最有效和最无效的项目得以被识别。尽管由此可以产生一种总体排名，但人们注意到……

讲解：本段是承接 P0195 的案例论证第一环。作者引入 Follow Through 项目，是要说明"即便设计周全、规模庞大、采用’有计划的变体’并允许整体排名"，仍然存在本节标题所预告的问题——总体内部的变异性。作者把原文中的两个关键引语都用引号标出并标明页码（p. 240、p. 241-2），目的是让读者看到具体方法学：17 种模式中只有 13 种数据充分；评估的不是"该模式总体是否优于对照"，而是"在该地点、在该类结果上是否超过对照"。这种"分地点、分类别"的评估方式本身就预设了同一模式在不同地点可能产生不同结果，因此从结构上承认了"地点效应"即局部变异的存在。段末的"Even though… it was noted that"是一个未完成的让步句，故意把读者的注意力引向下一段要出现的、来自同一文献的关键限定。

补充说明

Guthrie (1977) 是本段唯一引用的文献，提供了 Follow Through 项目的历史与方法学描述。本段引用的具体页码（p. 240、p. 241-2）应原样保留。“planned variations"作为 Follow Through 项目的标志性术语，在本节语境中指有目的地同时实施多种不同教育模型以便相互比较。

第4段（P0197）

原文复述

We should be alerted to the fact that no program was successful everywhere it was tried…All of the programs were successful in at least one location on at least one class of outcome, indicating that local effects are extremely important (Guthrie, 1977, p. 243)

中文讲解

完整中文释义与教学性解释如下：

“我们应当注意到这样一个事实：没有任何一个项目在其被尝试的每一个地方都取得成功……而所有项目都至少在一个地点、至少在一类结果上取得成功，这表明局部效应极为重要”（Guthrie, 1977, p. 243）。

讲解：这段引语是本节第一个案例论证的收束句，也是连接 P0196 让步句的关键。引语由两句话构成，但功能互补：第一句用"no program…everywhere"否定全称命题，建立"普遍有效性"的不可获得；第二句用"all…at least one location / class of outcome"肯定弱存在命题，强调每个项目至少在某些局部条件下成功。两句合起来直接指向一个方法论结论——“local effects are extremely important”（局部效应极为重要）。

对本节论证而言，这段引语的功能有三：第一，把 P0196 中"分地点、分类别评估"的设计选择升格为经验事实——因为没有项目能在所有地点成功，所以用地点作为评估单元并非可有可无；第二，用历史数据（1977 年的 Follow Through 报告）支撑本节的概率性推论立场——即便是大规模、长期、多模型对比的项目，结果仍呈现强烈的地方变异性；第三，为本节下一案例（epiSTEMe 项目中同一教学方案下不同班级出现截然不同的学习进步）做铺垫，因为二者的结构完全相同：同一干预下存在广泛的结果分布。

句中"alerted to the fact"的语气也值得注意：作者不是平淡地陈述，而是提醒读者"应当警觉”——这本身就是对把任何教育干预视为"放之四海而皆准"的一种警示。

补充说明

引语出处为 Guthrie (1977, p. 243)，应与 P0196 中同一文献、同一项目的引证合并理解为同一论证链。“local effects"在本节语境中指项目效果因地点（学校、班级、教师等局部条件）不同而产生的差异。

第5段（P0198）

原文复述

It was noted above that in the epiSTEMe project the experimental classes who studied the electricity module did not outperform the comparison classes: indeed the mean of class average learning gains (deferred post-test - pre-test) was slightly greater in the control cognition, albeit by a non-significant amount (Ruthven et al., 2016).What is perhaps more noteworthy is the range of outcomes in the two conditions - as Figure 5 shows, there was a wide range of learning gains in both conditions. Indeed, this was wider (including two classes showing reductions in average test score after teaching) in the intervention condition where all the classes were intended to follow the same scheme of work, including prepared teaching slides and common learning activities supported by the same printed learning resources (Taber et al., 2016). Perhaps the most reasonable conclusion to be drawn in this case is that the independent variable (the teaching scheme for studying the topic) appeared to be much less critical for determining learning than other factors that varied between the classes, and their teachers and schools.

中文讲解

完整中文释义与教学性解释如下：

前文已经指出，在 epiSTEMe 项目中，学习电学模块的实验班并未优于对照班：事实上，对照组（cognition）在班级平均学习进步（延迟后测 − 前测）的均值上略高，虽然这一差异在统计上并不显著（Ruthven et al., 2016）。但更值得关注的是两种条件下的结果范围——如图 5 所示，两种条件下学习进步的范围都很宽。事实上，在干预条件下这一范围更宽，其中甚至有两个班级在教学后出现平均测试分数下降的情况；干预条件下的所有班级本应遵循相同的工作方案，包括预设的教学幻灯片、由同一印刷学习资源支持的共同学习活动（Taber et al., 2016）。在这种情况下或许可以得出的最合理结论是：自变量（即用于该课题的教学方案）相对于班级之间及其教师与学校之间变化的其他因素而言，对学习的决定作用似乎远没那么重要。

讲解：本段把案例论证推到本节最尖锐的一个点。论证结构分三层：

第一层是均值层面。作者先承认实验组与对照组的均值差异"为负且不显著”，以避免读者误以为本案例支持干预有效；“albeit by a non-significant amount"是不可省略的限定——它意味着即便均值方向对干预不利，也不能据此断言干预有害。

第二层是分布层面，这是本段真正的论证重点。作者指出两种条件下学习进步的范围都很宽，并强调干预条件下的范围更宽（包括两个班级出现负进步）。这意味着即便所有"实验班"理论上在使用同一教学方案、同一幻灯片、同一印刷学习资源，班级之间的学习进步仍出现巨大差异。这就把"总体内部变异性"从一个抽象论点变成了一个具体可观察的现象。

第三层是结论层面。作者由此推断：自变量（教学方案）相对于那些在不同班级、不同教师、不同学校之间发生变化的其他因素，对学习的决定作用要弱得多。

该段在本节的功能是与 P0195-P0197 的概率性推论形成回响，并为本节标题"Variation within a population"提供直接的经验证据——它表明即便样本同质性较高（同一 RCT、同一教学方案、同一材料），总体内部仍有相当大的、不可被自变量解释的变异性，因此任何"在 RCT 中有效"的结论都不能等同于"在该教学条件下对每一班级都有效”。

补充说明

本段中两个引文出处——Ruthven et al. (2016) 与 Taber et al. (2016)——均指向 epiSTEMe 项目的不同分析：前者给出均值比较结果（控制认知组略高），后者则对应图 5 中的分布范围数据。“independent variable"在本段指被研究者操纵的教学方案（scheme of work），而非统计意义上的"自变量"泛称；“deferred post-test"指延迟后测（在教学一段时间之后施测），用以评估相对持久的学习成效。

第6段（P0199）

原文复述

[Figure 5 about here]

中文讲解

这是正文中关于图 5 位置的版式占位符，原文用方括号标注 “[Figure 5 about here]"，提示图 5 应插入此处。图 5 与 P0198 的论证直接对应，用于直观展示 epiSTEMe 项目两种条件下班级层面学习进步（延迟后测 − 前测）的范围与分布，使读者能够看到 P0198 中所述的"两种条件下范围都宽、干预条件范围更宽"这一关键经验事实。具体的图形细节（坐标轴刻度、数据点位置、图例等）需查看原图，原文此处未提供。

补充说明

无额外补充（占位符本身不携带可定位的额外信息）。

第7段（P0200）

原文复述

Figure 5: Results from a randomised trial showing the range of within-condition outcomes (Taber et al., 2016)

中文讲解

完整中文释义如下：

图 5：一项随机试验的结果，展示了同一条件内部结果的分布范围（Taber et al., 2016）。

讲解：这是图 5 的正式图题/图注，英文原文需要保留为英文以便与正文引用一致。图题揭示了图 5 的三层信息：① 试验性质为"随机试验”（randomised trial），② 展示的对象是"同一条件内部”（within-condition）的结果分布而非组间对比，③ 数据来源为 Taber et al. (2016)。“within-condition"一词是图题中理解全图的关键——它强调每种条件内部的班级间差异，而非两种条件之间的均值差异，这与本节标题"Variation within a population"以及 P0198 的论证主轴完全一致。

补充说明

图题末尾标注的 (Taber et al., 2016) 与 P0198 中关于分布范围的引证为同一出处。

脚注 / 边栏 / 图表 / 附加信息（如有）

本节包含的附加材料：① 图 5（占位符位于 P0199，正式图题位于 P0200），用于呈现 epiSTEMe 项目同一条件内部班级层面学习进步的分布范围，是 P0198 论证的关键视觉支撑；② 一处来自 Guthrie (1977, p. 243) 的引语（P0197），与 P0196 中同一文献、同一项目的描述（pp. 240, 241-2）构成完整论证链。脚注在本节范围内未出现。

💡 本节核心要点

本节的核心论题是：从样本推广到总体时所得到的结论只能是概率性的，而非对每一个体的确定性保证；‘统计概括可能’不等于’总体内每一单位都将受益’。
作者用佛罗里达州中学班级教授’自然选择’的 RCT 示例说明：教师在没有针对本班直接证据时，可以合理地把概率性证据当作最佳行动依据。
Follow Through 项目（Guthrie, 1977）的案例表明，即便在大规模、有计划的多模型对比中，也没有项目能在所有地点都取得成功，局部效应极为重要。
epiSTEMe 项目的案例表明，即便同一教学方案用于多个班级，班级间学习进步的差异范围仍然很宽，且其中部分班级出现负向进步，提示自变量（教学方案）相对于班级、教师、学校之间的其他变异因素，对学习的解释力较弱。
本节的总体启示：研究者与实践者都应警觉’总体内部变异性’的存在，把 RCT 结果理解为关于平均效应的概率性命题，而非对每一所学校或班级的保证。

🔑 关键术语

Statistical generalisation：统计概括，指从样本结果推断总体特征的过程；本节指出，即便统计概括在数学上是可能的，其推论也只能是关于总体的概率性命题。
Probabilistic implications：概率性推论，指实验结果所支持的只是某种结果以较高概率出现，而非必然出现；本节以此描述 RCT 结果向总体推广时的认识论性质。
Planned variations：有计划的变体，在本节特指 Follow Through 项目中同时实施多种不同教育模型以便相互比较的设计安排（Guthrie, 1977, p. 240）。
Within-condition outcomes：同一条件内部的结果，指在同一干预或对照条件下各班级（或各单位）之间结果的差异，是本节分析’总体内部变异性’的关键切入点。
Independent variable：自变量，在 P0198 中特指 epiSTEMe 项目中被操纵的教学方案；作者据此论证该自变量对学习的解释力弱于其他未受控制的变异因素。
Local effects：局部效应，指项目效果因地点、学校、班级、教师等局部条件不同而产生的差异；Guthrie (1977, p. 243) 指出局部效应在 Follow Through 项目中极为重要。

教育实验在统计泛化上面临结构性障碍：一是难以对广泛人群进行随机抽样或建立代表性样本，二是’学校、教师、班级’等社会类别内部高度异质，平均结论难以逐一适用于每位成员。
统计显著性（p 值）只意味着结果不太像偶然，仍存在假阳性风险，且 p 值本身无法排除未被控制的系统效应所带来的偏差。
把显著性阈值收紧（如 p < 0.01）可以减少假阳性，但同时增加假阴性，这种取舍是统计推断的固有特征，无法在两端同时消除。
鉴于抽样、内部异质、显著性偶然风险与置信阈值取舍这四重困难，单次实验不足以独立承担泛化责任；复制研究是把分散实验证据累积起来、支撑循证实践的关键手段。

🔑 关键术语

Replication studies：重复研究/复制研究。在本节中指对已有实验进行的重复性研究，用以在多次独立实验中检验同一效应是否稳定出现，是应对单次实验难以泛化的累积证据手段。
Statistical generalisation：统计泛化。把样本研究结果推断到更大总体的过程；本节指出其在教育研究中因抽样困难与社会类别内部异质性而受到限制。
Random sampling：随机抽样。本节指出在广泛教育人群中几乎不可行，是统计泛化难以达成的原因之一。
Representative sample：代表性样本。作者承认即便不要求严格随机抽样，要在’中学’‘研究生教师’‘大学新生’等大群体中建立有代表性的样本同样困难。
Social kinds：社会类别。本节特指’学校、教师、班级’等研究对象类别；其内部的异质性使得平均结论难以逐一适用于每一位成员。
Statistical significance / p-value：统计显著性 / p 值。本节强调它仅意味着结果不太可能由偶然产生，既不能排除系统误差，也不能彻底排除偶然效应本身。
False positive：假阳性。被统计检验误判为显著、实则由偶然产生的结果。本节指出 p < 0.05 仍无法完全排除此类结果。
False negative：假阴性。真实效应因未达到显著性阈值而被统计检验误判为不存在。本节指出收紧阈值会增多此类结果。
Confidence level：置信水平。本节指出它是假阳性与假阴性之间的取舍杠杆：收紧置信水平（如 p < 0.01）减少假阳性但增加假阴性。

S8.2 Replication in the natural sciences

脚注 / 边栏 / 图表 / 附加信息（如有）

本小节无脚注、图表、边栏等附加材料；所有外部支撑均以正文括注形式给出（LaPorte, 2004；Millikan, 1999, pp. 48-49；Collins, 1992；Shapin & Schaffer, 2011；Franco, Malhotra, & Simonovits, 2014）。这些引文的作用已在 P0208、P0209 与 P0212 中分别说明：先为“自然种类—可概括”立论，再为“复制实质是检验报告与操作的准确性”提供权威解释，最后为“自然科学的复制其实是拓展性复制”提供历史、实践与发表生态三方面的证据。P0211 中一处明显的排印遗漏（“groups o students”）按原样保留，未在讲解中改写。

💡 本节核心要点

自然科学的复制并非为了验证“同一类现象在不同样本上是否不同”，而是为检验研究者本人是否在测量或操作中犯错（Millikan 乙醚沸点例）。
复制的部分意义在于判断已发表报告是否如实描述了研究，从而让读者能够以该报告为基础预测实验条件重建后的结果。
教育研究的对象是“社会种类”而非“自然种类”，受制度、年龄、水平、动机、语言与文化等多重因素影响，这表面上让教育复制面临比自然科学更大的挑战。
然而科学实践研究表明，自然科学中的复制通常并非精确重复原实验，而是以改换装置、扩大材料范围、扩展条件等方式拓展与发展原始发现（Collins, 1992；Shapin & Schaffer, 2011）。
顶级期刊生态进一步抑制了简单复制，因为它们倾向于要求原创性（Franco, Malhotra, & Simonovits, 2014），从而强化了“复制即发展”的实际惯例。
由此，自然科学中的复制与教育研究中的复制形成“强平行”：双方关心的是结果在多大范围内可以重现，而不是条件是否被逐字复刻，这为下一节讨论教育中的复制奠定了合法性基础。

🔑 关键术语

Natural kinds / 自然种类：本节指 LaPorte (2004) 所讨论的、属于自然科学对象范畴的类别（如“乙醚”），其成员共享由理论界定的属性，可基于理论考量进行概括；这与教育研究中涉及的“社会种类”形成对比。
Replication / 复制：在本节中被重新界定为：检验已发表报告是否如实描述研究，以及结果是否在条件改动后仍可重现，而不是简单地“精确重复原实验”。
Exemplar / 范例：本节中指“自然种类”下的具体实例（如“一瓶纯乙醚样本”）。作者借 Millikan 强调，对少量范例的观察即可确立种类的一般属性，因此复制主要不是为检验“样本之间是否不同”。
Social kinds / 社会种类：P0211 中用以指教育研究中的研究对象类别（如“某国某年龄段学习某主题的学生群体”），其边界受制度、文化与个体差异影响，导致跨群体的可概括性不能被自动假设。
Straight replication / 直线式复制：本节中指与原实验在条件上完全一致地重复进行的研究；作者引 Collins (1992) 与 Shapin & Schaffer (2011) 指出，跟进研究很少采取这种形式。
Prima facie / 表面看来：P0212 中的限定语，表明前一节所构造的“自然—教育复制差异”只是表面的；作者以此标记论证反转，并提示读者其真正立场是两者形成“强平行”。

S8.3 Replication in a local educational context

第1段（P0213）

原文复述

Section heading (level-2 markdown): ‘Replication in a local educational context’. The heading introduces a subsection devoted to replication studies that are situated within specific local educational settings rather than being designed for broad generalisation.

中文讲解

本段仅为小节标题（##），没有正文内容。标题’Replication in a local educational context’（在本地教育情境中的重复研究）标志着小节主题的转向：作者从此前关于重复研究的普遍性讨论，转入讨论发生在特定、具体教育情境中的重复研究。这一节将论证：当重复研究被嵌入本地教育情境时，其目的、方法以及评价标准都与以理论推广为目的的重复研究存在系统性差异。

第2段（P0214）

原文复述

Studies that replicate published experimental studies in education fall into two kinds, which have been termed theory-directed and context-directed (Taber, 2013a). As the labels imply, theory-directed research is primarily intended to contribute generalisable knowledge to the research literature, whereas context-directed studies are concerned with improving the situation in a specific teaching context. Such context-directed studies are often carried out by teachers in their own classrooms, to address recognised issues and problems and improve some aspect of teaching and learning — perhaps using action research approaches (Hammersley, 2004).

中文讲解

本段在原文论证中起奠基作用：引入教育领域重复研究的两种类型，引自 Taber (2013a)。

理论导向的重复研究（theory-directed）：主要目的是为研究文献贡献可普遍化的知识（generalisable knowledge），即研究结论有望推广到多种情境。
情境导向的重复研究（context-directed）：主要目的是改进某一具体教学情境中的现状，而非追求普遍适用。

作者特别强调情境导向研究的两个特征：其一，它通常由教师在自己所在的课堂中开展；其二，它可能采用行动研究（action research）的方法，旨在解决已被识别的教学问题并改进教与学的某些方面。行动研究在此并非辅助性建议（原文用 ‘perhaps’ 限定），而是一种可被援引的方法论传统，由 Hammersley (2004) 提供文献支撑。

这一二分法是后续论证的逻辑起点：作者在本节剩余部分将围绕’情境导向研究在评价标准上具有何种特殊性’展开论述。

补充说明

原文中的 Taber (2013a) 为’theory-directed’与’context-directed’二分术语的文献来源；Hammersley (2004) 为行动研究方法论的文献支撑。两者均为原文直接给出的文内引用，本节未提供更多关于作者身份或出版物的信息。原文使用 ‘perhaps’ 限定’使用行动研究方法’，表明这只是可能性而非必然性。

第3段（P0215）

原文复述

In context-directed studies, teachers often adopt ideas from published (i.e., theory-directed) research to test out whether the recommendations are transferable to their specific local context — framing questions of the form ‘would that work in this school?’, ‘…with this class?’, ‘…in teaching this topic?’, etcetera. As may be appreciated, the ‘burden of proof’ — that is, the strength of a case argued from evidence built from the analysis of systematically collected data — is somewhat less demanding when the aim is merely to see whether something works well in a particular teaching context than when one is trying to argue that it is likely to be effective across a wide range of contexts. In particular, in context-directed research there is no need to make a case for the representativeness or typicality of the classroom(s) where the study was carried out.

中文讲解

本段进一步刻画情境导向研究的运作机制，并提出本节的关键论断。

运作机制：教师把已发表的（即理论导向的）研究中的想法借鉴过来，针对本地情境进行检验，其典型提问形式包括：在本校可行吗？在本班可行吗？在教授本主题时可行吗？原文以 ’etcetera’ 表明这些只是示例，问题形式可随情境变化。

核心论断——‘举证责任’（burden of proof）较低：作者明确给出该术语的定义，即’基于系统收集与分析的数据所能支撑的论证强度’。在情境导向研究中，研究目的只是检验某做法在特定教学情境中是否有效，不必论证它在广泛情境中亦有效，因此举证责任相对宽松。

具体推论：情境导向研究不需要论证研究所在课堂的’代表性’（representativeness）或’典型性’（typicality）。换言之，研究者不必证明所研究的课堂能代表其他课堂，因为研究的关注点不在于外推。这一豁免是’举证责任较低’的逻辑后果。

本段建立了本节的核心论点：情境导向研究的合法性来自’对当地有效’，而非’对其他情境亦有效’。

补充说明

原文以 ’etcetera’ 明确告知前文所列三种’是否可行’的提问形式仅为示例，并非穷尽所有可能的情境问题，这提示读者：教师在本地化检验时，提问的具体形式可随情境而变化。术语’burden of proof’在原文中由破折号插入的定义直接给出，本节未提供其他独立定义。

第4段（P0216）

原文复述

Some of the challenges to validity discussed earlier in this article cease to be relevant in context-directed studies. For example, if a teacher is enthusiastic about an innovation, believing it has great potential to improve teaching and learning, then this might bias the outcomes of any trial. However, in that particular context, any positive outcomes from a trial of the innovation reflect the actual conditions under which practice will subsequently be informed by the trial — and as long as the teacher remains enthusiastic for the innovation, any positive gains observed may well be maintained. The particular context may be atypical — it may consist mainly of gifted learners, or of a high proportion of students studying science in a second language, or of learners in a special unit for school refusers, or of long-term medical patients being schooled in hospital wards…: but what matters is whether an innovation is effective in that context, rather than how likely it is that any results can suggest what might happen elsewhere.

中文讲解

本段是本节论证的关键推进：它把’情境导向研究的标准较低’从抽象主张落实为对前文效度挑战的具体重新评估。

具体例证：教师对某项创新（innovation）抱有热情并相信它有巨大潜力——这在前文关于理论导向研究的效度讨论中可能被视为偏倚（bias）的来源，威胁结果客观性。然而作者指出，在情境导向研究中，这种热情恰恰是该创新在后续实际应用中仍会存在的条件；只要教师保持热情，观察到的正向增益就可能维持。换言之，‘教师的热情’在这种研究中不是需要被排除的混杂变量，而是教学情境的固有构成。

由此作者提出一个原则性区分：情境导向研究评价的是’该创新在该情境中是否有效’，而非’结果能在多大程度上预测其他情境会发生什么’。

为强化此区分，作者列举若干’非典型’情境：主要由资优生构成、含大量第二语言学习理科学生的班级、面向逃学者（school refusers）的特殊教育单位、医院病房中长期接受教育的患病学生等，并用省略号（…）表示列举未完，邀请读者代入任何自己可能遇到的特殊情境。

核心论证：‘非典型性’在理论导向研究中是方法论缺陷（因为影响外推），在情境导向研究中却是无关特征（因为研究目标不是外推）。这一段落由此完成对效度评价标准的根本性转换。

补充说明

原文用 ‘discussed earlier in this article’ 提示本段的效度讨论是回溯性质的，所指的具体效度挑战（如教师热情造成的偏倚）来自本章前文，本段本身并未重新引入新的效度概念。‘innovation’ 一词在文中泛指被引入教学实践的某种新做法（如新的教学策略、活动设计等），原文未对其作更狭窄的定义。省略号（…）的功能是表示’非典型情境’的列举未完，而非中断句子。

脚注 / 边栏 / 图表 / 附加信息（如有）

本小节无独立的脚注、图表、表格或边栏内容。原文出现的两处文献引用——Taber (2013a) 与 Hammersley (2004)——均为正文中以括号形式给出的文内引用，分别支撑’theory-directed/context-directed’二分术语和’action research’方法论传统，本身不构成需要单独汇总的附加材料。

💡 本节核心要点

教育领域的重复研究可划分为理论导向（追求普遍化知识）与情境导向（追求特定情境改进）两类，引自 Taber (2013a)。
情境导向研究通常由教师在自己的课堂中开展，可能采用 Hammersley (2004) 援引的行动研究方法，旨在解决已识别的本地教学问题。
情境导向研究借鉴理论导向研究的成果，针对’在本校、本班、本主题是否可行’等问题进行本地检验，提问形式可随情境变化。
情境导向研究的’举证责任’较低：因为其目的不是论证广泛有效性，所以无需论证研究所在课堂的代表性（representativeness）或典型性（typicality）。
前文所述的部分效度挑战——例如教师对创新的热情可能造成的偏倚——在情境导向研究中转化为情境的固有构成而非需要排除的干扰因素。
非典型情境（资优班、第二语言理科学生、逃学者特殊班、医院病房学生等）在情境导向研究中不构成问题：研究的目标是判断当地有效性，而非把结果外推到其他情境。

🔑 关键术语

theory-directed replication：理论导向的重复研究；以向研究文献贡献可普遍化的知识为主要目的，结论追求跨情境的广泛适用性，与’情境导向’相对。
context-directed replication：情境导向的重复研究；以改进某一具体教学情境的现状为主要目的，常由教师在本地课堂中实施，结论的合法性建立在’对当地有效’而非’可广泛外推’之上。
action research：行动研究；教师在自身课堂中系统地开展、反思并改进实践的研究方法传统，原文以 Hammersley (2004) 作为文献支撑，并被作者以 ‘perhaps’ 限定为情境导向研究可能采用的方法之一。
burden of proof：举证责任；指基于系统收集与分析的数据所能支撑的论证强度。原文在 P0215 中以插入定义直接给出，并指出情境导向研究的举证责任低于以广泛适用性为目标的研究。
representativeness / typicality：代表性 / 典型性；指研究对象能否代表更广泛的总体。原文在 P0215 中明确：情境导向研究无需论证所研究课堂具有代表性或典型性，因为研究目的不在于外推。
validity (challenges to validity)：效度（及其挑战）；在 P0216 中回指前文讨论的部分效度挑战（如教师热情造成的偏倚），作者论证这些挑战在情境导向研究中变得不相关，因为评价标准已从外推有效性转向当地有效性。

S8.4 Programmes of replication across diverse contexts

第1段（P0217）

中文讲解

本段是本小节的论证收束，引入了一个关键隐喻——“phase space”（相空间），把所有可能的复现条件组合视作一个高维空间，从中取样。作者分三种情境给出取舍逻辑：第一，若既有复现都集中于该相空间中的“小区域”且结果彼此相似，新研究增加的边际信息很少——重复同一类情境并不构成进步。第二，若现有研究结果一致为正面，那么下一步应当挑选与已有样本“尽可能不同”的新样本，以检验创新的边界。第三，但反之，若所有复现同时在大量因素上变化、且结果高度分散（创新在不同研究中“更有效、较少有效或完全无效”），对希望借鉴这些研究的教师而言，指导作用也很有限——证据过于嘈杂，难以转译为实践。第四，若现有研究表明创新在某些情境有效、在另一些情境无效，那么最佳策略是分析已发表研究的特征，挑选介于两者之间的“中间型案例（intermediate cases）”，从而照亮有效性范围的边界。作者最终将所有情形归结为同一原则：领域进步最需要的是一个“原则化的方案（principled programme）”，它在挑选新一轮复现情境时主动、系统地“建立在（build upon）”已发表研究之上——即每一项新研究的位置与目的，都由既有证据图景所界定。本段的教学重点在于让学生意识到：复现研究的设计不是“越多越好”也不是“越分散越好”，而是要在“集中取样”和“过度分散”之间寻找由理论引导的平衡点。

补充说明

本段中“phase space”是物理学概念，此处被借用作方法论隐喻，强调复现条件的组合空间是高维且巨大的；“build upon”是本小节的方法论核心词，意在反对把每一项复现视作孤立的尝试，而要把整个研究项目视为累积的证据工程。

脚注 / 边栏 / 图表 / 附加信息（如有）

本小节末尾通过“Taber, 2012”这一文献线索为‘不同国家、班级规模、实验设施、教学语言’等具体复现维度提供了唯一可定位的引用；本节内部没有图表、表格、脚注或边栏等其他附加材料。

💡 本节核心要点

理论导向型研究的目标不在于记录某次干预的局部效果，而在于为文献贡献可推广的发现，但向研究情境之外的外推永远不能被简单假设。
外推虽不可假设，却可以通过研究设计本身来强化——这正是复现研究方案存在的必要性。
针对同一创新的系列复现，其整体取样应当覆盖能够提供该创新‘潜在有效性范围’最大信息的情境组合，变化维度包括社会经济地位、课程背景、文化规范与资源条件、学生年龄与科学主题等。
哪些维度值得在复现中变化，应当由理论考量决定，而非随机多样化。
复现设计要避免两个极端：在相空间中过度集中取样（边际信息递减）或在过多因素上同时变化（结果高度分散、难以指导实践）。
当现有研究表明创新在某些情境有效、另一些情境无效时，挑选‘中间型案例’最能照亮有效性范围的边界。
领域进步最终依赖于一个原则化的研究方案——每一项新的复现都应当有意识地建立在已发表研究之上，系统地补全证据图景。

🔑 关键术语

theory-directed study：以理论为导向的研究；其目的不是仅仅描述某次干预在某一情境下的效果，而是为更广泛的研究文献贡献可推广的发现。
generalisable findings：可推广的发现；指能够从研究情境外推到其他情境的结论。本节强调此类外推不能被简单假设，而需要通过研究设计加以论证。
replication study：复现研究；在不同情境下重复检验同一创新或干预的研究，是本节所讨论的“研究方案”的基本单元。
phase space：相空间；在本节中被借用为方法论隐喻，指所有可能复现条件组合所构成的高维空间；研究方案的取样策略就是要在这个空间中作出有原则的分布。
range of effectiveness：有效性范围；指一项创新在哪些条件下有效、在哪些条件下效果较弱或不有效的边界。本节把多项复现研究的累积目标设定为勾勒这一范围，而非仅仅证明“它有效”。
principled programme：原则化的研究方案；指每一项新的复现在情境选择上都由既有证据与理论考量主动引导、系统地建立在已发表研究之上，而非随机或孤立进行。

S8.5 Guidelines for supporting analytical or reader generalisation

第1段（P0221）

原文复述

Guidelines for supporting analytical or reader generalisation

中文讲解

这是一个二级小节标题，开启了 S8.5 的论题：作者将针对那些准备重复检验"已在已发表研究中显示有效"的教学创新的人，提出两条一般性指导原则，以分别支持"分析性概括（analytical generalisation）“和"读者概括（reader generalisation）"。标题中的两个核心概念暗含本节的双重论证路径——分析性概括依赖研究者借助理论主动外推，读者概括则依赖教师读者根据情境描述自行判断成果能否迁移到自己的课堂。该标题提示读者：S8.5 要回答的中心问题是"如何让重复研究具备可推广（generalisable）的价值”。

第2段（P0222）

原文复述

This leads to two general guidelines for those seeking to undertake replications into innovations that have already been shown to be effective in published studies. The first concerns the theoretical justification for the importance of the study. So, for example, if an experimental study has already suggested that 11th grade students in one particular geographical location benefit from cooperative learning strategies when studying the topic of electricity (Acar & Tarhan, 2007), then researchers carrying out a replication study in the same city with 9th grade students studying the topic of metallic bonding (Acar & Tarhan, 2008, see Table 1) might be expected to discuss in theoretical terms why this modest degree of shift in the context is likely to be informative.

中文讲解

本段提出第一条指导原则——重复研究必须有理论上的正当性（theoretical justification）。其逻辑是：当一项创新已在某项已发表研究中显示有效，重复研究的合理性不能想当然，而需要作者用理论语言说明"为什么这次重复能带来新知识”。为了把这个抽象要求具体化，作者援引 Acar & Tarhan 在土耳其同一城市所做的两项研究作为示范：2007 年的研究以 11 年级学生学习"电学（electricity）“为背景，证明合作学习策略有效；2008 年的研究则将情境做了"温和的迁移”——同一城市、同一作者团队，但换成 9 年级学生和学习"金属键（metallic bonding）“主题。该例子想要说明的是：即便只是年级和学科主题发生微小变化，重复者也必须解释这种变化为什么仍具有信息价值，例如可以论证"金属键"涉及更抽象的概念层级，或"9 年级"学习者的认知成熟度不同，从而使重复不致沦为简单复制。

第3段（P0223）

原文复述

补充说明

原文中 “smallscale” 缺少连字符，按惯例应为 “small-scale”，本段在复述中保留原文拼写以便定位；含义即"小规模”。

💡 本节核心要点

🔑 关键术语

Analytical generalisation（分析性概括）：在本节语境下指研究者基于理论框架，把单研究结果与既有理论或发现联系起来进行的逻辑外推；与 reader generalisation 共同构成 S8.5 两条推广路径。
Reader generalisation（读者概括）：Kvale（1996）提出的概念，指当研究报告提供了厚描的研究情境后，教师读者自行判断该情境与自己课堂的相似度，并据此决定是否迁移该教学创新；其推广主体是读者而非统计样本。
Thick description（厚描）：源自 Geertz（1973）的术语，指对研究情境的多层次、细致描述，使他人能够在差异化的脉络中理解现象；在本节中作为情境充分刻画的关键方法，也是支持读者概括的前提条件。
Context-directed study（情境导向研究）：指教师在阅读研究报告后，基于情境相似度判断，自发在自己课堂中尝试该教学创新的研究类型；与本节讨论的读者概括机制直接相关。
Case study methodology（案例研究方法论）：Stake（1995）所代表的方法论传统，承认每个案例的独特性与情境嵌入性，认为详尽的单案例分析本身即可具有信息价值，多个经审慎选择的案例还可相互比较以揭示一般模式（Stake，2006）。
Range of effectiveness（有效性范围）：指某项教学创新在多大范围的条件集合下仍能产生有效学习结果；本节强调这种范围只能由一系列相互补充的研究"渐进地（incrementally）“探索，单一研究无法穷尽其多维范围。
Small-scale experimental study（小规模实验研究）：本节用以指代教育研究中常见但统计意义上可概括性受限的研究类型；本节主张将其视作类案例研究，并通过厚描与互补性情境选择来缓解其先天局限。

S9.1 Planning ethical comparison conditions in replication studies

第1段（P0227）

原文复述

Section heading (level 2): Planning ethical comparison conditions in replication studies.

中文讲解

这是S9.1小节的标题。标题点出本节的两条主线：一是在复制性研究(replication studies)中设计对照/比较条件(comparison conditions)，二是这种设计必须满足伦理要求。读者应注意，标题里用的是comparison conditions而不是单纯的control group，这意味着作者关心的不只是“谁是对照组”，而是“实验组与对照组之间如何构造比较”这种更广义的实验设计问题。

第2段（P0228）

原文复述

This article has reviewed some key themes relating to the challenges in designing experimental studies into teaching innovations. It is clear that whilst experimental studies can be very informative, researchers have to make a wide range of decisions in setting up an experimental study, and justify these decisions when publishing reports of their work. Considering the range of potential threats to the validity of educational experiments, as discussed above, it seems unsurprising that most published studies offer results that are subject to caveats or may offer limited grounds for broad generalisation beyond the original context. Seeing individual studies as part of the incremental build-up of evidence for the general effectiveness of an approach allows users of research to acknowledge the limitations of individual studies, but come to a view based on a wider body of work.

中文讲解

本段是对前文关于教学创新实验研究设计挑战的一个收束性总结。

逐句拆解：(1) 开篇承认实验研究虽然信息量很大，但研究者需要在实验设置中作出一系列决策，并在发表时为这些决策提供理由——这暗示研究设计不是中性的技术操作，而是充满价值判断的活动。(2) 结合上文讨论过的诸多对教育实验效度的潜在威胁，作者指出已发表研究普遍带有保留条件，或者只能提供有限的外推依据——这是对单篇研究能力的清醒判断。(3) 在此基础上，作者提出一种认识论立场：应将单篇研究视为“逐步累积证据”的一个节点，研究使用者既要承认单篇的局限，又要基于更广的证据群形成判断。这是一种典型的渐进主义/累积主义知识观。

功能上，本段为下一段引入“rhetorical experiments”这一批判概念做了铺垫：正因为单篇研究难以单独支撑推广，研究者更应该谨慎地设计比较条件，而不是为了得到“漂亮结果”而牺牲对照组的伦理合理性。

第3段（P0229）

原文复述

Some of the decision-making required in designing studies is complex and subtle. It is understandable therefore that a reader may conceptualise studies quite differently from their authors, and so may potentially evaluate some of those decisions quite critically. The reader stands outside many practical and contextual considerations that influenced the researchers. Such criticism should therefore be offered with some humility, and understanding, but may still be important where it has potential to beneficially influence future practice. In this regard, the author will here argue that in recent years a particular tradition has developed of experimental studies into aspects of science teaching that are being conceptualised in a way which (a) undermines their potential to contribute to the field, and (b) tends to systematically disadvantage participants assigned to control conditions. The author will refer to these as ‘rhetorical’ experiments (see Figure 8). It is hoped that by drawing attention to this issue, researchers can be persuaded to shift their conceptualisation of these studies, and will modify their design (as recommended below) when planning future research.

中文讲解

本段可分三层来理解。

第一层（开头数句）是对批评者的方法论提醒：实验设计决策复杂而微妙，读者可能与作者对同一项研究的理解非常不同，也可能对某些决策提出尖锐批评；但读者毕竟身处研究者的实践和情境考虑之外，因此这种批评应以谦虚和理解为前提。这是一种“批评许可但需节制”的元立场，目的是为接下来作者本人要提出的更强硬批评建立合理性。

第二层是本段核心主张：作者提出，近年来科学教学领域出现了一种特定传统的实验研究，其概念化方式带来两个问题——(a) 削弱研究对学科领域的潜在贡献；(b) 系统性地使被分配到控制条件(control conditions)的参与者处于不利地位。作者把这类研究命名为“rhetorical experiments”（修辞性实验）。这里的“rhetorical”不是贬义的“虚假”，而是强调：研究从一开始就不是为了真正检验假设，而是为了“论证”某个事先已被广泛接受的教学法在某个具体语境中“仍然奏效”，即通过实验报告的形式来包装一种早已确定的结论。

第三层是目的说明：作者希望通过指出这一问题，说服研究者改变对这类研究的概念化方式，并在未来的研究中调整其设计（具体调整方案会在下文给出）。本段因此充当了从“前文总结”到“下文具体批判”之间的过渡。

容易误解之处：不要把“rhetorical”误解为“伪造的”或“欺骗性的”；在本节语境中，它的含义更接近“为已知结论服务的实验设计”，与下文图8的图注相呼应。

补充说明

本段为下文P0231的图8定义奠定基础：图注给出的“a well-tested teaching approach works in a very specific context”正是“rhetorical”这一限定语的具体含义，二者在同一小节内形成互文。

第4段（P0230）

原文复述

[Figure 8 about here]

中文讲解

这是期刊排版用的图位占位符，提示图8应插在此处。读者需结合紧随其后的图注（图8的标题文字）来理解图像内容，原文并未在本段提供图像本身的信息。

第5段（P0231）

原文复述

Figure 8: Rhetorical experiments are intended to demonstrate that a well-tested teaching approach works in a very specific context.

中文讲解

这是图8的图注，本身就是“rhetorical experiments”的操作性定义：这类实验的目的，是去证明一种“已经被充分检验过的教学方法”在某个“非常具体的语境”下仍然有效。

注意两个限定：(1) “well-tested”——该教学法本身的有效性已有较强证据支持，因此实验并不是为了回答“这种方法有没有效”，而是为了把它应用到新语境。(2) “a very specific context”——实验被锁定在非常具体的语境中，这往往意味着其外推价值有限。

把图注与P0229对照阅读即可看出作者的伦理质疑：既然实验的设计意图并非真正检验教学法的有效性，那么对照组(control condition)在研究中实际上承担的不是“公平比较”的角色，而更像是“被故意设劣以便让实验组胜出”的陪衬；这正是图注所暗含、但需要读者自己去连接的伦理含义。

补充说明

图8的标题已在本小节输入中以文字形式给出，但图像本身未在task_input中呈现，需查阅原书/原刊图8才能获得完整视觉信息。

💡 本节核心要点

🔑 关键术语

rhetorical experiments（修辞性实验）：作者在本节提出的批判性概念，指那些概念化方式使其(a)削弱了对学科领域的潜在贡献，且(b)系统性使控制条件参与者处于不利地位的教学实验。其操作性含义（依图8图注）是为证明一种已被充分检验的教学方法在某个非常具体的语境中仍然奏效而设计的实验，其设计意图并非真正检验教学法有效性。
control conditions（控制条件/对照组条件）：指实验中不接受待考察干预的参与者所处的条件。在本节语境中，作者特别质疑对照组在“修辞性实验”中所承受的系统性不利地位，由此将实验设计问题转化为伦理问题。
incremental build-up of evidence（证据的渐进累积）：作者在P0228提倡的认识论立场：单篇研究具有不可避免的局限，研究使用者应将其视为累积证据链上的一个节点，并基于更广的证据群而非任何单篇结果来形成判断。
threats to validity（效度威胁）：P0228所指“对教育实验效度的潜在威胁”，涵盖教学实验中可能削弱内部效度或外部效度的种种因素；本节不展开列举，仅作为论证前提引用前文讨论。

S9.2 Rhetorical experiments

第1段（P0232）

原文复述

Rhetorical experiments

中文讲解

这是一个二级标题，开启本节的核心概念——作者自创的术语"修辞性实验”（rhetorical experiments）。标题本身不承担论证，仅起到标识论域与论题的作用：作者将在本节对教育研究中一类特殊的研究进行命名与刻画。这类研究并非真正探索未知，而是以"实验"形式包装对既有结论的再度确认。读者由此可预期：接下来的段落将给出该术语的定义、依据以及实例。

第2段（P0233）

原文复述

The labelling of these studies as ‘rhetorical experiments’ can be understood by analogy with many of the ’experiments’ that school children carry out in school science—those laboratory practical activities labelled ’experiments’ that are actually demonstrations of well-characterised effects clearly described in the students’ textbooks—as part of learning a “rhetoric of conclusions” (Schwab, 1958). These would be genuine experiments for the students if they had no strong expectations of the outcomes in advance, but often the practicals are undertaken after the relevant theory has been taught, rather than in advance to provide ’epistemic relevance’ to motivate learning the scientific ideas (Taber, 2015), and the practical may even be entitled ‘an experiment to show …’.

中文讲解

本段为"修辞性实验"这一命名提供类比基础，其源头是中小学课堂科学中的所谓"实验”。作者指出，许多被冠以"实验"之名的实验课活动，其实只是教材中已被充分刻画之效应的演示；其目的不是让学生发现新事实，而是学习一种"结论的修辞”（rhetoric of conclusions, 引自 Schwab, 1958）。如果学生在动手前对结果并无强烈预期，那么对他们而言这些活动才是真正的实验；但通常的做法是先讲授理论再做实验，因此实验并不在学习发生之前提供"认识相关性”（epistemic relevance, 引自 Taber, 2015）以驱动概念学习，甚至实验课题目本身就写作"用以表明……的实验”。本段在论证中的作用是建立类比：教育研究中所谓的"修辞性实验"与课堂科学中这种先知答案、后做演示的活动在结构上同构。读者需注意的关键限定是：作者并未一概否定课堂实验或教育实验，而只是指出一种特定的研究逻辑——研究者预期会得到已确立的结论，却仍以"实验"的形式包装研究。

补充说明

两个引用（Schwab, 1958；Taber, 2015）与两个术语（rhetoric of conclusions；epistemic relevance）均直接出自原文，本段不复述其在文献中的其他用法。

第3段（P0234）

原文复述

补充说明

Table 5 的具体内容未包含在 task_input 中，故本段对表格的说明严格限定于本句所给信息。

第7段（P0238）

原文复述

[Table 5 about here]

中文讲解

这是排版占位符，提示 Table 5 应排印于此处。它本身不传递实质内容，但表明上一段所预告的实例表紧随其后。该占位符的存在意味着读者若要完整理解本节的具体例证，需查阅原书中的 Table 5。

第8段（P0239）

原文复述

Table 5: Some research studies including control conditions that the researchers claim are already known to be ineffective teaching treatments

中文讲解

本句是 Table 5 的标题文字。它向读者揭示该表的内容性质：所列研究并非随机选取，而是挑选了那些"研究者声称控制条件已是已知无效的教学处理"的研究。该表题与上一段的论点一一对应——表中收录的正是研究者自己在概念框架中宣告无效、却又设置为控制组的"传统"教学条件。读者由此可知，本表的目的不是展示一般性实验研究样本，而是把作者在论证中所诊断的那种自我矛盾结构化、可视化地呈现出来。

脚注 / 边栏 / 图表 / 附加信息（如有）

本节附有插图占位符（Figure 8，原文提及用于呈现修辞性实验的一般逻辑）与表格占位符（Table 5，原文给出了表格标题）。两者的具体内容未包含在 task_input 中：Figure 8 在原文中由作者指为呈现"许多修辞性实验的一般逻辑"，Table 5 则按其标题收录"包括研究者声称已知无效之教学处理作为控制条件的研究"实例。两者均用以支撑作者对本节核心论点（修辞性实验的结构特征）的可视化说明。

💡 本节核心要点

本节提出"修辞性实验"这一术语，其命名通过类比中小学课堂科学中先知答案、后做演示的"实验"活动而确立。
作者对教育研究中的修辞性实验给出工作定义：研究者预期演示某已确立的效应，研究问题本质上自答为"是"，且控制条件的选择倾向让实验处理获得最大可能的正面结果。
在作者前文给出的分析框架下，此类研究属于重复，但缺少检验动机——所选情境并无强理由被怀疑与先前情境存在本质差异。
作者点出此类研究在论证结构上的关键矛盾：在概念框架中宣称待检验教学法已优于"传统"教学，控制组却恰恰设计为重现研究者自己认定的"无效"传统条件。
Table 5 与 Figure 8 在本节承担实例化与图示化功能；其具体内容需查阅原书。

🔑 关键术语

rhetorical experiment（修辞性实验）：作者为本节所讨论的研究类型命名的术语，指研究者预期演示已确立效应、研究问题在结构上自答为"是"、且控制组设置倾向保证正面结果的一类研究。其"修辞性"源自 Schwab (1958) 所谓"结论的修辞"。
rhetoric of conclusions（结论的修辞）：借自 Schwab (1958)，在本节中用以刻画课堂科学演示型实验的功能——其目的不在发现新事实，而在学习一套表达既定结论的话语方式。作者借此概念为"修辞性实验"的类比提供源头。
epistemic relevance（认识相关性）：借自 Taber (2015)，指实验在学习概念之前为概念学习提供认识上的触发作用。作者用此概念区分"真正的实验"（在学习之前提供认识相关性）与"修辞性的演示"（在理论之后才提供事后演示）。
replication（重复）：在本节特指在先前研究情境之外对既有教学创新再做一次检验的研究。作者并不否认这些研究属于重复，而是指出它们缺乏对情境差异的合理怀疑，因而成为修辞性实验。
control condition / control treatment（控制条件／控制处理）：实验中用作对照的处理。在本节被作者点出其设计动机可能倾斜：研究者可能挑选已知较弱（即作者声称"无效"）的传统教学作为控制，从而使实验处理几乎注定获胜。

S9.3 Avoiding detrimental control conditions

第1段（P0240）

原文复述

Avoiding detrimental control conditions

中文讲解

本标题将本节的核心问题界定为：研究中的控制条件不应为了形成实验对照而被设置成会损害学生教育利益的条件。这里的关键不只是控制组是否在形式上区别于实验组，而是这种区别是否会造成不应有的不利处境，以及这种设置是否能够被研究参与之外的常态教育情境合理化。

第2段（P0241）

原文复述

This raises an ethical issue in such studies: given the current state of knowledge prior to the research, the researchers use a control treatment that is considered to have limited educational value, and students in the control condition are expected to be disadvantaged compared with students in the experimental condition. Authors often justify this by reporting that the suboptimal conditions established for the control are simply what these students would experience anyway, so they are not disadvantaged relative to not taking part in the study. This is valid only if the authors are correct that “traditional” teaching, with no elements of more “progressive” approaches, is endemic in the local context. Although studies may present traditional and progressive teaching as a dichotomy, observations of teachers’ classroom practice suggest that actual practice is more nuanced and blends these two extremes (Bektas & Taber, 2009). The author calls these rhetorical studies and states that they nominally have level 2 controls (see Table 2). However, if a teacher in a control class is asked to “transmit information to students, who receive and memorise it,” to give “no consideration of the students’ existing conceptions,” and where learners are “passive” (see Table 5 for examples), this may actively prevent the teacher from engaging progressive elements that would otherwise be part of their normal teaching repertoire. These experiments may therefore be better understood in practice as having “level 2- (two minus)” controls (cf. Table 3).

中文讲解

本节第一个实质段落提出了一条判断控制条件是否合乎伦理的关键逻辑。研究者必须同时面对两种比较：控制组可能不如实验组，以及控制组是否仍比不参加研究更差。作者常用的辩解是，控制组遭遇的低效教学本来就是当地学生会经历的常态；这一辩解只有在当地真正普遍存在、且完全排除渐进式教学成分的“传统”教学时才成立。

作者随后用课堂观察削弱传统教学与渐进式教学之间的简单二分：真实教学可能是两种取向的混合，而不是两个截然分开的极端。因此，研究者人为要求教师单向传递信息、让学生记忆、不考虑学生已有观念并保持被动，实际上可能改变教师原本的教学选择，阻止其正常使用渐进式成分。于是，研究名义上属于 level 2 control，并不代表其在实际课堂中保持了相应的教育质量；作者用“level 2-”标示这种从名义类别到实际效果之间的降级。

补充说明

正文交叉引用了 Table 2、Table 3 和 Table 5，但本任务没有提供这些表格。因此只能确认作者用它们说明控制条件的名义层级与实际质量之间的差距，不能补写各等级的具体划分标准。

第3段（P0242）

原文复述

Quite a few studies of this kind have been reported from Turkey—perhaps unsurprising because it is now one of the most active nations in science education research. In this context, reform teaching along constructivist lines has been recommended for many years (Gözütok, 2013). These recommendations have been supported by government policy, changes in teacher education, and a large number of studies demonstrating that reform-based teaching can improve learning outcomes. Despite this, authors of the studies often argue that the recommendations have not widely affected teaching practice and that, consequently, using “traditional” teaching as a control treatment is not detrimental to participants compared with not taking part in the research. If this claim is indeed correct, however, it seems unlikely that one more study demonstrating the greater effectiveness of a progressive teaching approach will persuade teachers in that context to change their teaching practices. If researchers are planning studies of this type because they hope to act as catalysts for change, then this strategy is not working.

中文讲解

本段以土耳其的相关研究为具体情境，检验上一段提出的成立条件。原文称，沿建构主义路线开展的改革式教学已经获得多年倡导，并受到政府政策、教师教育变化以及大量改善学习结果研究的支持；与此同时，研究作者又经常声称这些改革尚未广泛改变实际教学，因此传统教学作为控制条件并不比学生不参加研究更不利。

作者揭示了这两个说法之间对改革目标不利的条件关系：即使“改革尚未广泛影响教学实践”这一辩解属实，它能够支持控制组没有因研究而恶化的判断，却同时也意味着当地教师仍未因既有改革而普遍改变教学。在这种情况下，再增加一项证明某种渐进式教学更有效的研究，恐怕难以单独促成实践变化。因此，如果研究者把这类实验设计为推动改革的催化剂，其研究策略至多是在比较传统实践与所推荐的改革实践，而没有可靠地发挥改变实践的作用。

这一论证是条件性的，并不单凭本段就证明土耳其所有课堂都未受改革影响；“quite a few”也没有给出具体研究数量。其重点是指出非损害性辩解与催化改革目标之间可能存在的逻辑张力。

脚注 / 边栏 / 图表 / 附加信息（如有）

本节输入没有脚注、图注、边栏或表格正文。P0241对Table 2、Table 3和Table 5的交叉引用用于说明控制条件名义上与实践中的质量落差；由于表格内容未提供，不能进一步确定各等级的操作性标准。Bektas & Taber (2009)与Gözütok (2013)在正文中仅作为研究陈述的文献指引出现。

💡 本节核心要点

控制条件在研究前即被认为教育价值有限，因而使控制组可能相对于实验组处于不利位置，这构成直接的伦理问题。
“控制组没有因参加研究而比不参加更不利”的辩解，必须以当地常态教学确实普遍采用这种低效且排除渐进式成分的传统教学为前提。
真实课堂实践通常比传统教学与渐进式教学的二分更细致，往往混合两种取向；因此人为设置纯粹传统的课堂可能制造现实中并不存在的极端对照。
要求教师只传递信息、让学生记忆并保持被动，可能抑制教师正常教学储备中的渐进式成分，使名义上的level 2控制在实践中更接近作者所称的level 2-。
如果改革建议确实尚未广泛改变教学，传统控制或许不构成额外损害，但这也意味着重复证明渐进式教学更有效的研究难以充当促使教师改变的催化剂。

🔑 关键术语

detrimental control conditions：指控制组接受的研究处理在研究前就被认为教育价值有限，并可能使控制组学生相对于实验组学生处于不利位置的研究条件；本节关注其伦理正当性。
control condition / experimental condition：控制条件用于形成比较基线，实验条件接受待考察的处理。本段认为控制条件可能具有有限的教育价值，从而使两组学生产生预期的不利差异。
traditional teaching：在本节中主要表现为教师传递信息、学生接收并记忆、不考虑学生已有观念，以及学生保持被动。它是控制条件所模拟的低效教学形态。
progressive approaches：本节用它指与传统教学相对的取向，但并未给出完整的独立定义。作者强调，渐进式成分可能已经存在于教师正常的教学储备中，真实教学也可能是渐进式与传统方式的混合。
nominally level 2 controls / level 2- controls：作者用名义上的level 2 control表示研究在分类或形式上的控制层级，又以level 2-表示控制指令在实践中可能抑制教师正常教学成分、从而造成实际质量下降的情形。
endemic in the local context：指某种传统教学方式在特定地区被当作普遍存在的常态，而非少数孤立情形。只有满足这一点，控制组经历的教学条件才可能近似于其不参加研究时也会经历的基线。
reform-based teaching along constructivist lines：指原文所称在土耳其被倡导多年的改革式教学。作者陈述其受到政府政策、教师教育变化及学习结果研究的支持，但同时指出其可能尚未广泛影响实际教学。
catalysts for change：指通过展示某种渐进式教学更有效，来促使教师改变教学实践的研究作用。作者认为，如果当地教学实践本来就没有广泛变化，仅增加此类研究很难实现这种催化作用。

S9.4 Good practice in selecting productive control treatments

第1段（P0243）

原文复述

Good practice in selecting productive control treatments

中文讲解

这是一个二级标题（##），功能是标示并开启本小节。它的字面功能是宣告本节将讨论的内容：在选择能产出有意义比较的控制处理时，研究者应当遵循的"良好做法"。需要结合前文判断这里的"productive"含义：它不是指控制条件本身在教学上"高产"或"有益"，而是指控制处理能够为研究问题产出有效的、推进知识的比较——即让对照班所受的教学达到研究者期望看到的合理水平，从而使干预与对照之间的差异可以归因于真正想检验的变量，而不是控制组的"矮化"。这一标题因此起到承上启下的作用：上文已经质疑了在"修辞性实验"中使用低水平对照的做法，本节正式转向给出替代性的方法论建议。

第2段（P0244）

原文复述

The framework for thinking about experimental studies into teaching developed in this article suggests a different approach is indicated. Even if it is accepted that control conditions used in rhetorical experiments of this kind do not offer any less educational value than the teaching the particular learners would experience normally, educational researchers who wish to influence teaching practice should decline to adopt such conditions in their studies. In these rhetorical experiments, teachers assigned the experimental classes are prepared to teach using research-informed approaches aligned with reform policies (‘are prepared to’ both as in ‘are trained up to’, and as in ‘are willing to’), so researchers are certainly able to demonstrate their success in showing individual teachers both that they can teach in these ways, and that such approaches can be effective with their classes.

中文讲解

本段提出本节的核心主张：即使我们姑且接受"修辞性实验"中使用的控制条件在教育价值上并不低于这些学生平时所接受的教学，那些希望影响教学实践的教育研究者仍然应当拒绝在自己的研究中采用此类条件。换言之，作者把伦理-专业判断与教学价值判断分开：即便控制组没有"伤害"学生，研究者出于专业责任仍不应使用这样的设计，因为使用它会传递错误的信号并固化低标准教学。

接下来一段对实验组的教师做了一个关键的澄清。“are prepared to"被刻意拆解为双重含义——既指"被培训过、具备能力”，也指"愿意去做"——目的是反驳一种常见辩护：“我们之所以安排对照班用传统教法，是因为实验班教师受过专门培训，而对照班教师没有。“作者指出，受过改革取向培训的教师完全有能力、也有意愿去施行这种教学，因此研究者并不存在"客观限制”，他们其实可以选择让两类班级都接受高质量教学，再在其中比较不同改革路径的差异。这一铺垫为下一段对Acar and Tarhan (2007)案例的批评、以及最后一段"使用level 3对照"的呼吁埋下了逻辑基础：在有能力的教师面前，再以"教师能力不足"为由设置矮化的对照班就不再具有说服力。

补充说明

“rhetorical experiments"指的是前文已界定的、其目的更多在于修辞性地证明"改革取向教学有效"而非真正探索教学机制的一类实验研究。“reform policies"指课程与教学改革政策所倡导的研究支持的教法。"‘are prepared to’ both as in ‘are trained up to’, and as in ‘are willing to’“中括号内的解释属于作者本人的术语界定，应理解为对本句的限定而非引用。

第3段（P0245）

原文复述

Acar and Tarhan (2007) comment on the teacher in their study that “because she was experienced on active learning, she adapted the study easily” and as part of her preparation for working with the intervention group, she “was informed about the misconceptions related to electrochemistry and told about which activities had been developed to prevent which misconceptions” (p.353). Yet she was asked to teach the parallel control class “without consideration for student misconceptions”. So, a teacher experienced in reform teaching approaches was asked to restrict her professional practice to the detriment of her students, so as to artificially produce a control condition where learning was likely to be limited.

中文讲解

本段以Acar and Tarhan (2007)的研究为具体案例，演示前一段所述问题在真实研究中的表现方式，因此承担"以案例支撑主张"的论证功能。

作者先把这位教师的资质呈现出来：她本身有主动学习(active learning)的经验，因此能轻松地把研究带入课堂；进入干预组(intervention group)前，她还被专门告知电化学相关的学生迷思概念(misconceptions)，以及哪些活动是为预防哪些迷思而设计的。这说明她的专业水平足以实施基于迷思概念的教学(teaching with consideration for student misconceptions)。

然而在同一项研究中，这位教师却被要求在平行的对照班中"不考虑学生迷思概念"地教学。作者由此引出一个尖锐的伦理与方法学判断：研究者让一位具备改革取向教学能力的教师主动限制自己的专业实践——其代价是学生学业的受损——仅仅是为了人为制造一个"学习很可能受限"的控制条件。“to the detriment of her students"与"artificially produce"两组措辞是关键：前者指出伦理上的代价，后者点明方法学上的问题——对照组之所以表现差，不是教学现实如此，而是研究者出于研究便利人为压低的；这种对照无法告诉我们在"常态优质教学"中改革取向教学的相对效果。

本段因此与上一段形成呼应：上一段说"教师有能力也有意愿”，本段用案例展示研究者如何仍然选择把这种能力搁置不用，从而把上一段的抽象主张具体化、可感知化。

补充说明

Acar and Tarhan (2007)出现在引用中，作者仅提供第353页的页码，未给出书名或期刊信息；本段中所有引文均出自该来源。“misconceptions"指学生在某主题上持有的、与科学共识不一致的前概念(preconceptions)。“intervention group"与"control class"是一对实验设计术语：前者接受研究者设计的特殊处理，后者不接受以作比较。

第4段（P0246）

原文复述

Researchers in these educational contexts should therefore seriously consider looking to abandon testing well-established innovations in new contexts by using nominally level 2 (and perhaps actually level 2-) control conditions, and to instead plan studies with level 3 control conditions (see Table 4). If researchers are working in a context where teachers are expected to adopt ‘reform’ teaching approaches, then researchers should not undermine this by accepting teaching treatments in control conditions that clearly do not meet the expected educational standards (and so simply demonstrate, once again, the substandard nature of such teaching). Rather, educational researchers should act as change agents, training-up teachers to offer a range of well-tested teaching approaches in their classes, and then seeking to compare between these to explore which of these superior approaches works best in teaching particular groups of students specific aspects of the curriculum.

中文讲解

本段是本节的方法学结论，将前两段的论证收束为对研究者的行动建议，因而承担"提出替代方案并重塑研究者角色"的论证功能。

建议包含两层。第一层是研究设计层面的取舍：研究者应当认真考虑放弃用名义上的level 2(实际上可能只有level 2-)控制条件去检验早已确立的教学创新在新情境下的效果，转而设计采用level 3控制条件的研究(参见Table 4)。“nominally level 2"与"perhaps actually level 2-“是关键的限定语：作者承认这类研究的标签可能写的是level 2，但根据前文的分析，它在实践中往往滑落到更低的水平，因此实际可解释性比纸面分级更低。转向level 3意味着控制组所受的教学本身也是合理、有研究支持的，从而把"是否改革取向教学"从二元对比重新概念化为"哪一种改革取向教学更适合"的精细比较问题。

第二层是研究者角色的重塑：当教师本就被期望采用改革取向教学时，研究者不应通过在控制组里使用明显未达标的教学来削弱这一期望——否则研究结论只是再一次"证明"了不达标教学的不足，而不是证明改革取向教学的相对优越。“demonstrate, once again, the substandard nature of such teaching"用"once again"揭示了这种研究设计的循环性：反复把对照设置得很差，从而反复得到"干预有效"的结论，但并未推进知识。

由此作者提出研究者的新定位：作为"变革推动者(change agents)"，培训教师掌握多种已经过检验的优良教法，然后在这些优良教法之间做比较，去回答"对于特定学生群体、学习课程的某一具体方面，哪一种优良教法最有效”。这是一种从"对比好坏"转向"对比优中更优"的研究取向，它与本节标题中的"productive control treatments"呼应：控制处理之所以"productive”，是因为它使比较本身能够产出有信息量的答案，而不是让结论在设计阶段就被预先决定。

补充说明

“level 2"与"level 3"控制条件是本文所提出的控制条件分级框架中的术语(详见Table 4)，但Table 4的具体内容不在本节输入范围内，因此不能在本节内补述其完整定义。“change agents"指在专业实践中主动推动他人发生预期改变的从业者，此处用于重新刻画教育研究者的专业身份。

脚注 / 边栏 / 图表 / 附加信息（如有）

本小节内含一处对Acar and Tarhan (2007)的引述，页码标注为p.353；引文包含两段直接引语，分别说明该研究中干预组教师的资质准备与对照班教学的处理方式，作者借此案例支撑本节关于"研究者不应人为矮化对照班教学"的主张。文中另一次提到Table 4，但Table 4本身不在本节页码范围内，仅作为引导性参引出现。

💡 本节核心要点

本节区分两个层面的判断：即便承认修辞性实验的对照条件在教育价值上不差于常态教学，希望影响实践的研究者仍应在专业责任上拒绝采用这种对照。
作者把"are prepared to"拆解为"受过培训"与"愿意去做"两层含义，用以反驳"实验班教师受过专门训练，所以对照班只能使用传统教法"这一常见辩护，从而说明高质量对照班在能力与意愿上都是可行的。
Acar and Tarhan (2007)的案例被用来具体演示问题：有改革取向教学经验的教师被要求在对照班"不考虑学生迷思概念"地教学，这种人为压低控制条件的设计既损害学生，也使研究结论难以解释。
本节给出的方法学建议是：用level 3控制条件取代名义上的level 2(实际可能仅为level 2-)控制条件，把研究问题从"改革取向教学是否优于常规教学"重构为"哪一种研究支持的优良教法对特定学生与课程内容最有效”。
作者由此重新定位教育研究者的角色：研究者应作为变革推动者，培训教师掌握多种优良教法，然后在这些教法之间进行有意义的比较。

🔑 关键术语

rhetorical experiments：作者在前文界定的实验类型，其主要目的并非真正探索教学机制，而是修辞性地证明"改革取向教学有效”；本节对其控制条件提出专业伦理层面的批评。
reform policies / reform teaching approaches：指课程与教学改革政策所倡导、研究支持的教法；本节中用于界定教师本应具备的合理教学水准。
misconceptions：学生在某学科主题(如电化学)上持有的、与科学共识不一致的前概念；文中用以标识基于迷思概念的教学所应关注的教学内容。
intervention group / control class：实验设计中的一对术语：干预组接受研究者设计的特殊教学处理，对照班不接受以作比较；本节讨论的焦点在于对照班的教学水准。
level 2 / level 3 control conditions：本文提出的控制条件分级框架中的术语(参见Table 4)；本节主张从名义上的level 2(可能实际仅为level 2-)转向level 3，使对照本身也是合理且有研究支持的教学。
change agents：在专业实践中主动推动他人发生预期改变的从业者；本节用以重新刻画教育研究者的角色——不是设置低标对照的研究设计者，而是培训教师、推广优良教法的变革推动者。

S10.1 Conclusions

第1段（P0247）

中文讲解

本段引入结论节中的一项具体方法论议题——控制条件（control conditions）的选择。作者给出条件化的判断：当一项教学创新的有效性确实存在不确定性时，把它与现行常规做法（standard practice）作比较是合适的；然而，当研究者要检验的是一种已经在多种情境下被广泛证明有效的做法时，更具信息量的做法是把它与已被认可为良好做法（good practice）的处理作比较。本段在论证链中的作用是从"互补研究"等总体原则，过渡到具体实验设计要素——控制组的设计；它把控制条件的选择与"已知 vs 未知的有效性证据"挂钩，为下一段关于不道德或不合逻辑的控制组的批评奠定基础。

第9段（P0255）

原文复述

treatment already recognised as good practice. The use of control conditions that reflect teaching that the researchers themselves believe is ineffective, or which is incompatible with local educational policies, should be avoided. Given the current state of knowledge about teaching and learning (Bransford, Brown, & Cocking, 2000; NGSS Lead States, 2013), it seems unlikely that many teachers have classroom practice which fully matches the caricature of ’traditional’, ’teacher-centred’ practice. Therefore, asking teachers to teach control groups this way (often whilst simultaneously demonstrating competence in much more progressive practice in teaching an intervention group) often is difficult to justify ethically or logically.

中文讲解

本段承接 P0254，把控制条件选择的批评推向具体边界。作者完成 P0254 的句子：当创新已被广泛证明有效时，更具信息量的做法是与"已被认可为良好做法的处理"比较。接着给出明确的"应当避免"——使用研究者自己认为是无效的、或与当地教育政策不相容的教学方式作为控制条件。然后诉诸当前关于教与学的知识状态（Bransford, Brown, & Cocking, 2000; NGSS Lead States, 2013）：在当前理解下，很少有教师的课堂实践完全符合"传统"、“教师中心"的刻板形象。最后推出结论：要求教师以此种方式（且往往同时还要在干预组展示远比这更进步的教学能力）教控制组，无论在伦理上还是逻辑上都难以辩护。本段的关键论证机制是"前提—结论链”：(1) 当前对教与学的认识使"教师中心传统教学"在现实中几乎不存在；(2) 因此把这种刻板形象作为控制组，要求教师表演它，既不真实也不道德；(3) 所以此类控制组设计应避免。这一段是全节中伦理与方法学结合最紧密的一节，强调对教师专业身份与现实课堂的尊重。

补充说明

Bransford, Brown, & Cocking (2000)（即《How People Learn》）与 NGSS Lead States (2013)（美国《下一代科学标准》）被引用为支撑"当代关于教与学的认识已使’传统教师中心实践’的纯粹形态在现实中几乎不存在"这一论点的文献。“caricature of ’traditional’, ’teacher-centred’ practice” 一语提示作者将该控制条件视为一种被夸大的、不真实的对照形象。

第10段（P0256）

原文复述

It is hoped that that this review will provide a framework for reading reports for teachers who may wish to draw upon the research literature to identify innovations that they might consider adopting or testing in their own classrooms, as well as raising some issues that researchers themselves may usefully reflect upon when deciding when to employ an experimental design, or planning an experimental study.

中文讲解

本段是全文的收束语，回应开头的受众关切。作者寄望本综述能够为教师提供阅读研究文献的框架——帮助他们识别可以考虑在自身课堂中采用或检验的教学创新；同时也希望为研究者自身提供若干值得反思的问题——在决定是否采用实验设计或规划一项实验研究时。本段体现了文章的双重定位：既面向"作为研究文献使用者的教师"，又面向"作为研究设计者的研究者"，并把"互补、透明、伦理上可辩护、理论上有定位"这几个从全文衍生出的原则收束为对两类读者的共同呼吁。

补充说明

原文出现 “that that” 的重复（“It is hoped that that this review…"），疑为作者笔误或 OCR 重复；从上下文应理解为 “It is hoped that this review…"。

脚注 / 边栏 / 图表 / 附加信息（如有）

本节脚注中出现的文献引用包括：Taber (2009)——支撑"实验应与互补型研究并用”；Schreiber, Nora, Stage, Barlow, & King (2006)——结构方程模型方法学参考；Duit, Roth, Komorek, & Wilbers (1998) 与 Petri & Niedderer (1998)——通过观察、访谈揭示课堂过程的定性研究代表；Taber (2008)——支撑"解释性研究可采纳多元理论视角”；Taber (2013a)——支撑教师在自己课堂开展情境导向研究的合理性；Bransford, Brown, & Cocking (2000) 与 NGSS Lead States (2013)——支撑"当代关于教与学的认识使纯粹传统教学实践几乎不存在"。这些文献在结论节中分别起到支撑特定方法论判断、提供示例、以及限定建议适用情境的作用，本身并不提出新的实证发现，而是为作者的建议提供学理与案例来源。

💡 本节核心要点

实验研究虽常被视为更客观，但其设计选择中内含解释，加之教育研究在抽样与设计上几乎都存在妥协，且随机化也无法消除一切效度威胁，因此不能把统计显著性等同于确定性结论。
统计结果支持假设并不等同于证实假设背后的因果机制；以问题式学习为例，多种机制（动机、支架、高阶思维、话语质量等）可能协同或独立运作，简单实验无法区分。
过程层面的复杂性需要互补路径来揭示——结构方程模型等量化方法需要广泛数据与方法学专门知识，解释性定性研究则能提示课堂中正在发生什么并质疑实验假设的可行性。
实验报告应透明交代分析单位、总体、随机化范围与方法、处理细节；小规模情境化研究应说明它相对于既有研究的增量价值，并解释情境选择的理论意义。
控制条件的选择应基于既有证据：有效性不确定时与常规做法比，已被广泛证明有效时与已认可的"良好做法"比；不应要求教师表演被研究者本人视为无效或与当地政策相悖的"传统教师中心"教学作为对照，此种控制在伦理与逻辑上都难以辩护。
全文的双重读者定位：既为希望阅读研究文献以选择教学创新的教师提供框架，也为决定是否以及如何采用实验设计的研究者提供反思要点。

🔑 关键术语

effect size：效应量，指实验中处理效应大小的量化指标，常用于衡量某种教学创新相对于对照条件的实际作用幅度；在本节中被作者用来代表实验研究的"客观外观"之一。
p value：p 值，统计显著性指标，反映在零假设为真的条件下观察到当前或更极端结果的概率；在本节中与效应量并提，作为被作者质疑其"确定性"含义的统计工具。
operationalise a variable：操作化变量，指将抽象的理论概念转化为可测量、可操作的指标的过程；在本节中作为"所有研究选择都内含解释"的一个例证。
scaffolding：支架/脚手架，源自 Vygotsky 学习理论，指通过教师或同伴帮助使学习者在最近发展区内完成学习任务的辅助机制；在 P0250 中被列为问题式学习可能起作用的多种机制之一。
structural equation modelling (SEM)：结构方程模型，一种用于检验变量间复杂因果关系与同时处理多个过程变量的统计建模技术；在本节中被作者推荐为应对多机制协同、揭示复杂教育过程的量化路径。
control conditions：控制条件，实验中用于与处理组比较以隔离处理效应的对照教学方式；在本节中作者强调其选择应基于既有证据、避免无效或不道德的对照。
context-directed research：情境导向研究，指教师在自己所处的特定课堂情境中开展、以"在我所教学的特定情境中是否有效"为核心问题的研究；在本节中被承认为有合理性的研究路径，但强调发表时须说明情境选择的理论意义。
general research question：总研究问题，指一类研究背后共同关心的高层次问题；作者以"this widely-tested innovation be effective in this particular very specific context where I teach"为例，为教师在自己课堂开展研究的合理性提供辩护。

S10.2 References

脚注 / 边栏 / 图表 / 附加信息（如有）

本节是参考文献列表（References），没有脚注、图表、边栏等附加材料；所有条目均按字母顺序排列，作者 Taber K. S. 的条目在 A-Z 列表中重复出现多次，反映其为论文核心作者。

💡 本节核心要点

参考文献章节按 APA 风格列出全部引用文献，作者首字母顺序排序。
文献涵盖科学教育研究的核心议题：探究式教学、合作学习、案例式学习、概念图、先行组织者、虚拟实验室、教师专业发展等。
包含经典理论文献：Vygotsky（社会文化理论）、Piaget（发生认识论）、Popper（猜想与反驳）、Bransford & Brown（How People Learn）、Schwab（作为探究的科学教学）。
方法学引用包括 Kvale（访谈）、Stake（案例研究）、Geertz（深描）、Sullivan & Feinn（效应量）、O’Donnell（实施忠实度）等，体现质性与量化方法并用。
作者 Taber 在列表中自引率高（自 2000 起多本著作与论文），表明作者即为本论文的资深编者/作者，其著作直接支撑论文框架与概念转变、支架学习等核心论点。
大量土耳其、英国、北美与跨国比较研究为论文的国别情境与跨国科学教学对话提供文献支持。

🔑 关键术语

Inquiry-based learning（探究式学习）：以问题驱动、证据收集与学生自主探究为核心的教学取向，本节列出 Abdi、Bunterm、Koksal、Schwab 等为该主题提供理论与实证支持的文献。
Cooperative learning（合作学习）：以小组协作达成共同学习目标的组织方式，本节列出 Acar & Tarhan、Jigsaw（Berger & Hänze）等代表性研究。
Conceptual change（概念转变）：学生对原有概念进行调整与重构以容纳新解释的过程，本节列出 Duit 等、LaPorte、Yin 等及 Taber 自身多部著作为其理论依据。
Fidelity of implementation（实施忠实度）：课程或干预在实施时与原设计的契合程度，O’Donnell 2008 是其测量与结果关联的综述来源。
Scaffolding（支架式教学）：教师或材料为学习者提供临时性支持直至其胜任，本节列出 Taber 2018、Wood 1988、Vygotsky 1978 等作为理论支持。
Effect size（效应量）：对处理效应大小的量化指标，Sullivan & Feinn 在论文中作为反对单一依赖 p 值的方法学依据。
PCK（学科教学知识）：Pedagogical Content Knowledge，教师将学科内容转化为学生可理解形式的知识基础，Park & Oliver 2008 与 van Driel 等 2001 共同支撑其内涵界定。
Taber K. S.（作者身份）：参考文献列表中自引比例显著，反映其作为论文作者/编者在科学教育概念转变、案例研究、伦理与方法学等方面的核心地位。

S10.3 [描述性拆分] Endnote and Tables/Figures Cover

第1段（P0343）

原文复述

Endnote:

中文讲解

这是一个二级标题，用以引出本节末尾的尾注部分。它的功能是版面性的：提示读者接下来出现的不是正文论证，而是一条附加说明。在本节所处的位置（正文最后一节之后），它的作用相当于为那条关于拼写惯例的脚注/尾注提供一个醒目的容器标题。

第2段（P0344）

原文复述

1 In this article, the convention in British English spellings (preferred in Studies in Science Education) to use ‘enquiry’ as the normal spelling for the general process of investigating (as the term ‘inquiry’ is usually reserved for formal proceedings) is followed. This usage is different to the convention with American English spellings. Where works cited use the alternative American spelling, ‘inquiry’, this has been retained in direct quotations.

中文讲解

本段是文章正文之后的一条尾注，对全文使用的拼写惯例作出统一说明。需要把握三层信息：

第一，作者遵循的是英式英语拼写惯例，具体而言，《Studies in Science Education》期刊偏好这种英式写法。在该惯例下，’enquiry’被用作指称一般性的探究、调查活动的常规拼写；而’inquiry’通常只保留给正式的（官方的、法律或程序性的）调查场合使用。括号中的分句即用来解释为何把’inquiry’专门留给’formal proceedings’。

第二，作者明确指出这一用法不同于美式英语的惯例。在美式英语中，两词的区分并不严格，作者并未展开美式惯例的具体边界，只是说明存在差异。

第三，也是本条注释对读者最实际的指导意义：凡所引文献本身使用美式拼写’inquiry’的，作者在直接引语中予以保留，不作改动。也就是说不强行把别人的原文改成英式拼写，以避免改动引文内容。

综合来看，这条尾注并不参与文章的论证主线，它的作用是预先回应读者可能产生的拼写困惑，让文中出现’enquiry’时不被误以为是笔误，也让直接引语里出现的’inquiry’不被误以为是作者自己用词不一。

第3段（P0345）

原文复述

Experimental research into teaching innovations: responding to methodological and ethical challenges

中文讲解

这一行位于第50页，从其位置判断属于页眉版面元素，即文章标题以页眉形式出现在此处，而非正文中的新小节标题。它的功能是在跨页处持续标识文章身份，让读者翻到下页时仍能确认所读内容属于哪一篇文章。标题内容同时提示了文章的论题：以教学创新为对象的实验性研究，以及对其中方法论挑战和伦理挑战的回应。

补充说明

本页眉标题与正文小节标题在版面层级上不同，不应在目录式摘要中误计为独立小节。

第4段（P0346）

原文复述

Tables and figures

中文讲解

这是后续内容的章节标题，用以引出文章末尾的表格与图示清单。它表明在正文论证与尾注之后，作者将以独立版面集中列出本文使用的全部表格和图示及其标题信息。该标题本身不承载论证内容，仅起版面分区与导航作用。

脚注 / 边栏 / 图表 / 附加信息（如有）

本节没有表格编号、图号、边栏或额外的脚注内容。P0345 为以页眉形式出现在第50页的文章标题，作为版面元素提示文章身份，并非独立小节。P0344 是本节唯一具有实质性内容的尾注，专门说明全文在 ’enquiry’ / ‘inquiry’ 拼写上的处理规则。

💡 本节核心要点

本节的主体功能是版面与术语层面的，不是论证层面的：由一个尾注标题、一条拼写说明尾注、一个文章页眉标题和一个’表格与图示’小节标题构成。
作者选择并遵循《Studies in Science Education》偏好的英式英语拼写惯例：以 ’enquiry’ 指称一般的探究活动，以 ‘inquiry’ 留给正式程序性调查。
这一英式惯例与美式英语的拼写使用存在差异，作者仅声明差异存在，未展开美式惯例的边界。
对引文中的拼写处理原则是’保留原样’：凡所引文献使用美式拼写 ‘inquiry’ 的，直接引语中均不改写，以维护引文的真实性。
P0345 是以页眉形式出现的文章完整标题，提示本文主题为’对教学创新的实验研究：回应方法论与伦理挑战’。
P0346 ‘Tables and figures’ 是后接表格与图示清单的版面分区标题，不构成论证内容。

🔑 关键术语

enquiry / inquiry：在本文所遵循的英式英语惯例中，’enquiry’ 用于一般性的探究活动，‘inquiry’ 则通常保留给正式的（程序性或官方）调查场合；二者分工与美式英语惯例不同。
Studies in Science Education：本文发表的期刊名称；该刊偏好英式英语拼写，是本文采用 ’enquiry’ 用法的原因之一。
direct quotations：指作者引用他人文献时的原文语句；本文承诺在此类引语中保留被引文献原有的美式拼写 ‘inquiry’，不作改动。

目录

C1 Front Matter and Abstract

C2 Introduction

C3 The use of random control trials in education

C4 Threats to validity in educational RCT

C5 Quasi-experiments and natural experiments

C6 Choosing comparison conditions

C7 Generalising from experimental studies

C8 Replication studies

C9 Rhetorical experiments and good practice

C10 Conclusions, References and Endmatter

S1.1 [描述性拆分] Title and Publication Details

第1段（P0001）

原文复述

中文讲解

第2段（P0002）

原文复述

中文讲解

第3段（P0003）

原文复述

中文讲解

第4段（P0004）

原文复述

中文讲解

第5段（P0005）

原文复述

中文讲解

第6段（P0006）

原文复述

中文讲解

第7段（P0007）

原文复述

中文讲解

第8段（P0008）

原文复述

中文讲解

脚注 / 边栏 / 图表 / 附加信息（如有）

💡 本节核心要点

🔑 关键术语

S1.2 [描述性拆分] Abstract and Keywords

第1段（P0009）

原文复述

中文讲解

补充说明

第2段（P0010）

原文复述

中文讲解

第3段（P0011）

原文复述

中文讲解

补充说明

第4段（P0012）

原文复述

中文讲解

第5段（P0013）

原文复述

中文讲解

补充说明

脚注 / 边栏 / 图表 / 附加信息（如有）

💡 本节核心要点

🔑 关键术语

S2.1 Introduction

第1段（P0014）

原文复述

Introduction

中文讲解

第2段（P0015）

原文复述

中文讲解

第3段（P0016）

原文复述

中文讲解

补充说明

第4段（P0017）

原文复述

Table 1: A sample of published experimental studies testing teaching innovations

中文讲解

补充说明

第5段（P0018）

原文复述