📄 social_science

Digital Inequality, ICT Pedagogical Hindrances, and Student Computer and Information Literacy: A Plausible-Value-Based Multilevel Analysis with Design-Based Sensitivity Checks Using ICILS 2023

通过对来自12个教育系统的ICILS 2023数据进行多层分析，本研究发现，学生计算机与信息素养主要受社会经济因素和教学障碍的驱动，而非学校层面的AI或ICT预期，且实施障碍呈现出一致的负相关关系。

原作者： Sukanya Chaemchoy, Thanakrit Supsin

发布于 2026-06-29

📖 1 分钟阅读☕ 轻松阅读

原作者： Sukanya Chaemchoy, Thanakrit Supsin

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这是一篇研究论文的解释，已将其转化为通俗易懂的语言，并加入了一些创意类比。

大局观：他们在寻找什么？

想象一下，学校的世界正在经历一场大规模的翻修。每个人都在谈论“数字化转型”——引入人工智能（AI）、计算机和高速互联网等新工具。

研究人员提出了一个简单的问题：学校对于这些新工具的“氛围”（vibe）是否真的会改变学生使用计算机的能力？

具体来说，他们想知道校长的对 AI 的“预期”（例如：“这很棒！”或“这很危险！”）或教师面临的“障碍”（例如：“我们没有足够的时间”或“网络太慢”）是否会直接转化为学生计算机技能的提升或下降。

他们分析了来自 12 个不同国家（如智利、韩国、瑞典等）超过 24,000 名八年级学生的调查数据，以寻找答案。

故事中的主要角色

为了理解研究结果，请将学校环境想象成一个花园。

学生（植物）： 有些植物天生就比其他植物更强壮。在本研究中，“强壮”意味着拥有更高的社会经济背景、更多的家庭电脑使用经验以及互联网接入能力。
校长的预期（天气预报）： 这是学校领导对未来的看法。他们认为 AI 是需要畏惧的风暴，还是值得欢迎的阳光？
园艺工具与障碍（土壤与围栏）： 这代表了教学的实际情况。教师是否有时间使用技术？计算机是否正常工作？是否有“围栏”（障碍）阻碍他们播种新的数字种子？

他们发现了什么？

研究人员使用了一种非常严谨的统计方法（就像一台高精度的显微镜），将学生背景的影响与学校环境的影响区分开来。以下是他们的发现：

1. “家庭背景”因素是最强大的力量

预测学生计算机技能最强大的因素并不是学校的政策或校长的态度，而是学生自身的背景。

类比： 想象两株植物。一株是来自肥沃花园的种子（高社会经济地位、丰富的家庭电脑使用经验）。另一株是来自岩石干旱地带的种子。即使你把它们种在完全相同的学校花园里，第一株植物也更有可能长得更高、更壮。
结果： 家里有电脑、有更多使用经验且来自富裕家庭的学生，得分明显更高。这种“数字不平等”是结果背力的最大驱动力。

2. 校长的“天气预报”并不会改变植物

研究人员检查了校长对 AI 的兴奋或担忧（即“预期”）是否会产生影响。

类比： 想象一位校长站在屋顶上大喊：“AI 将拯救我们！”或者“AI 将毁灭我们！”研究人员发现，喊出这些预期并不会让植物长得更高或更矮。
结果： 校长对 AI 是乐观还是悲观，与学生使用计算机的能力之间没有直接联系。

3. “围栏”（障碍）确实有影响，但影响较轻

研究人员观察了信息通信技术教学障碍（HPED）。这是一种专业说法，指的是“阻碍教师在课堂中使用技术的障碍”。

类比： 想象一个花园，园丁想要播种新种子，但却遇到了破损的工具、锁住的大门或没有水管的情况。研究人员发现，拥有更多这类“围栏”和破损工具的学校，其学生的计算机技能往往略低。
结果： 这是唯一显示出负面模式的学校层面因素。然而，这种影响是微弱的（marginal）。这就像是在说，“有一个破掉的铲子会让园艺变得有点难”，但这并不意味着花园会彻底失败。这表明，消除障碍 比 谈论未来 更重要。

这项研究方法的“魔力”

研究人员非常小心，以免被数据误导。

“国家过滤器”： 他们意识到不同国家的学校是非常不同的。丹麦的学校与乌拉圭的学校并不相同。他们使用了一个统计“过滤器”（国家固定效应），在同一个国家内部进行学校间的比较，而不是直接拿丹麦与乌拉圭进行对比。这确保了他们看到的是真实的学校效应，而非仅仅是国家差异。
“双重检查”： 他们使用两个不同的数学引擎（Mplus 和 IDB Analyzer）运行了两次计算，以确保结果不是偶然现象。两个引擎的结果一致：障碍（围栏）是唯一重要的学校因素，即便如此，影响也仅限于微小程度。

核心结论

如果你想提高学生的计算机与信息素养（CIL），这项研究建议：

不要仅仅停留在谈论 AI： 校长对人工智能的兴奋或恐惧并不能直接提升学生的技能。
修复“围栏”： 学校层面的最大问题是实际操作中的障碍。如果教师因为缺乏时间、网络环境差或缺乏支持而被阻碍，学生的技能就会受损。
承认“土壤”的存在： 最强大的因素仍然是学生的背景。来自富裕家庭且拥有更多电脑使用经验的学生，起步时就拥有巨大的优势。

简而言之： 研究结论认为，社会经济不平等和实际执行中的障碍才是驱动数字技能的核心因素，而非学校的“AI 氛围”或校长的预期。学校的“氛围”远不如实际可用的工具和时间那么重要。

技术摘要：数字不平等、ICT 教学障碍与学生计算机及信息素养

问题陈述与研究背景
本研究探讨了学校数字化转型中不断演变的辩论，即讨论重心已从基础设施的获取转向了实施、教学法以及学生数字能力的问题。具体而言，本研究调查了学校层面的数字条件——即校长对生成式人工智能（AI）和信息通信技术（ICT）的预期，以及 ICT 教学应用的障碍——如何与学生经评估的计算机及信息素养（CIL）相关联。

研究发现的一个关键空白是：在控制了学生背景、学校社会经济构成以及跨国差异后，尚不清楚学校层面的数字变量（如 AI 预期）是否与学生 CIL 直接相关。既往研究表明，学校领导通过塑造学校条件而非直接作用于学生学习来间接影响结果。然而，在严格控制了社会经济分层和国家系统差异等混杂因素后，这些数字条件是否能预测 CIL 仍具有不确定性。

研究方法
本研究对 ICILS 2023 国际数据库进行了二次分析，重点关注一个由 12 个教育系统（智利、中华台北、塞浦路斯、丹麦、希腊、韩国、挪威、罗马尼亚、斯洛伐克、斯洛文尼亚、瑞典和乌拉圭）组成的汇编样本，这些系统均实施了可选的校长 AI 模块。分析样本包含嵌套在 1,049 所学校中的 24,273 名八年级学生。

分析工作流程分为三个关联阶段，并使用了特定的软件工具：

数据准备 (R)： 合并文件，并将学生社会经济地位（SES）分解为校内偏差（IISBW）和学校平均组成部分（IISBM）。创建了唯一的学校标识符和经过国家归一化处理的权重（SENWGT）。
主要建模 (Mplus 9)： 使用加权两层多层分析，并利用 CIL 的合理值（PV1–PV5）以确保准确的推断统计。模型序列包括：
- 用于估计组内相关系数（ICC）的无条件模型。
- 加入学生层面预测变量（性别、校内 SES、家庭互联网接入、计算机经验）和学校层面 SES 的模型。
- 纳入 11 个国家固定效应（以丹麦作为参照组）的模型，以分离国家内部的关联并减少由国家系统差异引起的混淆。
- 测试学校层面预测变量的全模型：积极的 AI 预期（AIPOS）、消极的 AI 预期（AINEG）、ICT 教学障碍（HPED）、校长 ICT 使用预期（EXPLRN）以及教师 ICT 协作预期（EXPTCH）。
敏感性检查 (IDB Analyzer/SPSS)： 使用 75 个学生复制权重进行了基于设计的**自助法重复抽样（Jackknife Repeated Replication, JRR）**敏感性分析。这些分析作为可比的单层回归，用于评估方向的稳健性和统计不确定性，而非取代主要的多元模型估计。

主要发现

方差分布： 约 33.8% 的 CIL 方差位于学校之间，这证明了采用多层分析方法的合理性。
学生与学校构成： 校内社会经济优势、学校社会经济构成（IISBM）、计算机经验、家庭互联网接入以及性别是 CIL 的显著预测因子。学校社会经济构成是学校间最强的相关因素。
AI 与 ICT 预期： 在控制了学生背景、学校 SES 和国家固定效应后，AI 预期量表（AIPOS, AINEG）和 ICT 预期变量（EXPLRN, EXPTCH）与学生 CIL 均无直接关联。
ICT 教学障碍 (HPED)： 该变量表现出最明显的负向学校层面模式。在主要 Mplus 模型中，该关联呈负相关但处于边缘显著水平（ $p = .081$ ）。在基于设计的 JRR 敏感性分析中，这种负向趋势持续存在，其结果根据模型设定不同，表现为从边缘显著到较弱显著不等。
稳健性： 多重共线性诊断表明，AI/ICT 预期呈现零结果并非由于严重的共线性引起。使用 ICT 预期综合指标（ICTEXP）进行的敏感性检查证实，更广泛的预期氛围与 CIL 并无明确关联。

意义与主张
本文声称，ICILS 2023 数据集中学生 CIL 的差异与社会经济分层及实施相关的障碍之间的联系，比与学校层面的 AI 预期氛围的联系更为紧密。

作者谨慎地解释了研究结果：

实施重于修辞： 结果表明，将技术整合到教学中的实际障碍（HPED）可能比校长抽象的预期或导向对学生 Cilian 产生更深远的影响。
情境性 vs 直接性： 学校层面的 AI 预期应被视为学校环境的情境特征，而非直接的教学机制。它们与 CIL 缺乏直接关联并不意味着其无关紧要，而是表明它们可能通过未测量的中介机制（如教师专业学习或教学实践）发挥作用。
对 HPED 的解释： 与 HPED 的负向关联被描述为一种“暗示性的实施障碍模式”，而非确认的直接学校层面效应。作者强调，虽然该模式具有一致性，但效应量较小，且证据并不支持强有力的因果主张。

结论
研究结论认为，尽管学校数字化转型至关重要，但在控制了社会经济和国家因素后，特定的学校层面变量（即 AI 和 ICT 预期）并不能直接预测学生 CIL。相反，消除教学障碍似乎是一个更具实质性、尽管程度有限的、与学生数字能力相关的因素。研究结果强化了这样一个观点：相比于仅仅关注领导层对新兴技术的预期，解决社会经济不平等和实际实施障碍更为重要。