中国电化教育

参考文献

[1]Rhodes M.An analysis of creativity[J].The Phi Delta Kappan,1961,42(7):305-310.

[2]Sternberg R J,Karami S.An 8P theoretical framework for understanding creativity and theories of creativity[J].The Journal of Creative Behavior,2022,56(1):55-78.

[3]林崇德.创造性人才·创造性教育·创造性学习[J].中国教育学刊,2000,(1):5-8.

[4]黄四林,张叶等.核心素养框架下创新素养的关键指标[J].北京师范大学学报(社会科学版),2021,(2):27-36.

[5]Jaracz M,Borkowska A.Creativity and affective temperament in artistic and non-artistic students:Different temperaments are related to different aspects of creativity[J].The Journal of Creative Behavior,2020,54(4):975-984.

[6]詹泽慧,李彦刚等.论创新人才培养的文化导向性——试寻中国特色科创教育之发展路向[J].中国电化教育,2024,(9):9-18.

[7]Xue Y,Gu C,et al.The effects of extrinsic motivation on scientific and artistic creativity among middle school students[J].The Journal of Creative Behavior,2020,54(1):37-50.

[8]Benedek M,Bruckdorfer R,et al.Motives for creativity:Exploring the what and why of everyday creativity[J].The Journal of Creative Behavior,2020,54(3):610-625.

[9]Torrance E P.Predictive validity of the Torrance Tests of Creative Thinking[J].Journal of Creative Behavior,1972,6(4):236-262.

[10]Wallach M A,Kogan N.Modes of thinking in young children:A study of the creativity-intelligence distinction[J].Archives of General Psychiatry,1965,14(3):329-331.

[11]李嘉曾,陈怡.大学生创造性思维测评与创造力开发探索[J].高等工程教育研究,2000,(1):80-83.

[12]Smith S M,Ward T B,et al.Introduction:Cognitive Process in Creative Contexts[A].Smith S M,Ward T B,Finke R A.The creative cognition approach[M].Cambridge:MIT Press,1995.1-9.

[13]Guastell S J,Shissler J,et al.Are some cognitive styles more creatively productive than others?[J].Journal of Creative Behavior,2011,32(2):77-91.

[14]Jia X Y,Li W J,et al.The role of metacognitive components in creative thinking[J].Frontiers in Psychology,2019,10:1-11.

[15]占小红,徐冉冉等.工程实践活动影响中学生跨学科实践创新能力的实证研究[J].教师教育研究,2019,31(2):65-74.

[16]Amabile T M,Mueller J.Studying Creativity,Its Processes,and Its Antecedents:An Exploration of the Componential Theory of Creativity[A].Jing Zhou,Christina E.Shalley.Handbook of organizational creativity[M].New York:Lawrence Erlbaum Associates,2008.33-65.

[17]林崇德.构建中国化的学生发展核心素养[J].北京师范大学学报(社会科学版),2017,(1):66-73.

[18]陈燕燕,蔡文艺.基于设计思维的创造力培养[J].上海教育科研,2020,(11):15-20.

[19]Hsu-Chan K C,Yuan C T,et al.Promoting college student’s learning motivation and creativity through a STEM interdisciplinary PBL human-computer interaction system design and development course[J].Thinking Skills and Creativity,2018,31(9):1-10.

[20]温忠麟,谢晋艳等.潜在类别模型的原理、步骤及程序[J].华东师范大学学报(教育科学版),2023,41(1):1-15.

[21]Izquierdo-Sanchis E,Martín-Ezpeleta A,et al.Home or School?The impact of social environmental factors in the creativity performance of primary education children[J].The Journal of Creative Behavior,2025,59(3):e70052.

[22]Jiang S,Wang J,et al.Innovation climate for individual motivation and innovation performance:Is innovative behavior a missing link?[J].Journal of Innovation&Knowledge,2023,8(4):100440.

[23]Zhijun S,Zeyun L,et al.Families,schools,and children’s school achievement:A study based on rural regions in China Gansu Province[J].Chinese Education&Society,2015,48(6):464-482.

[24]张红,唐汉卫等.“数字资本”何以影响学生的创造性——基于SSES2023的数据分析[J].中国电化教育,2025,(5):53-60+94.

(1)使用由差到优的李克特四级评分反映题项内容效度I-CVI和量表内容效度S-CVI。S-CVI按照计算方式分为两类, S-CVI/UA(Scale-Level Content Validity Index/Universal Agreement)即量表水平内容效度指数/全体一致性,以3分和4分题项占总题项数量的比例计算; S-CVI-AVE(Scale-Level Content Validity Index/Average Agreement)即量表水平内容效度指数/平均同意度,以单一维度的I-CVI均值计算。

(2)分别采用极端分组比较法和题总相关法考察鉴别度和区分度。(1)对于极端分组比较法,首先计算各样本题项总分,其次根据题项总分进行高低排序,前后各取27%的样本作为高总分组和低总分组,最后使用独立样本t检验比较高低总分组之间的差异,并根据Levene方差齐性检验对结果进行判读。(2)对于题总相关法,将各题项、全体总分及题项所在三级维度的总分进行相关分析。(3)除了以111个题项的总分作为划分对象以外,还根据各一二三级维度的总分作为划分高低分组的依据并运用极端分组比较法进行分析。得到的结果显示,所有题项在全体及题项所在的一二三级维度上的高低分组上均呈现了明显的差异(p<0. 001),题项的区分度得到了有效验证。

(1)(1)由于潜在心理特质无法直接观察,需通过刺激让个体展示外在行为表现,因此使用调查问卷根据个体作答情况推断创新素养的难点在于无法探究个体题项作答所反映的自身价值与意图及其深层因素。项目反映理论IRT(Item Response Theory)通过非线性函数刻画应试者外部表现与内部潜在特质的关系,可合理反映学生题项作答与其潜在创新素养间关系,尤其是IRT框架不依赖于创新素养水平的学生群体间差异,使潜在特质测量更加精确。(2)由于创新素养测试采用多级积分主观题进行评判,同时数据和量表均具多层结构,每道题均具有三个及以上等级,因此适宜采用包含多个等级反映模型(GRM,即Graded Response Model)的多水平混合IRT(MMIRTM,即Multilevel Mixture IRT Model)。

(3)该部分使用区分度&难度和信息量进行分析。区分度是项目特征曲线拐点切线的斜率,陡峭程度与相近水平学生正确作答概率差异成正比。难度表示测验题项上的S型作答概率曲线所对应创新素养数值。信息量用于判断整体测验、维度和题项的可信度,反映评价个体创新素养水平时的确定性水平,信息量越大表示对应测验、维度和题项的合理性越强。

(2)DIF检验即项目功能差异检验即Differential Item Functioning Test,主要使用Mantel-Haenszel算法、 Wald算法和Likelihood-Ratio算法三种方法。本研究考虑到似然比LR算法作为不依赖于模型的参数方法,可同时面对一致性与非一致性状况,因此采用该方法比较了题项在性别、独生子女和户口变量上的结果,佐证了题项的测量不变性(Measurement Invariance)。

(3)(1)为减少共同方法偏差,在数据收集时采用非记名方式实施,并参考既有做法使用Harman单因子检验法考察共同方法偏差[83],结果显示提取了7个特征值高于1的公因子,且首个公因子解释变异量为15. 24%,小于40%的标准,表示本研究受共同方法偏差影响很小。(2)本研究也尝试采用K-means等聚类方法获取最佳聚类结果,例如同样是四分类,聚类结果中总体变异仅有32. 26%-40. 66%的变异可以由类成分解释,无法很好的解释异质性因素,且错分率明显高于潜在剖面分析结果。加之潜在剖面分析作为K-means聚类法的概率扩展形式,拥有组间异质和组内同质最大化、无需数据标准化和可纳入协变量等理论特征,故此处采用LPA的分析结果。

(1)常用于衡量模型拟合水平的指标包含LL、 AIC、 BIC、调整BIC(SSABIC)、信息熵(Entropy)以及LMR和BLRT检验的显著性水平。其中AIC、 BIC和调整BIC(SSABIC)的数值越低,表示拟合模型相对于真实模型的信息损失越低,拟合水平越高。信息熵(Entropy)上升,表示模型分类正确性越高。LMR和BLRT检验结果显著表示该K类别模型相比于前一个K-1模型具有显著优势。

(1)(1)在参考相关研究文献的基础上,人口学变量从PISA、 CEPS、 CFPS、 TALIS等微观调查项目处采集,共172题,分为个人、家庭与校园三大类。(2)分类变量基准组:C4低创新素养组、女性(性别)、少数民族(民族)、非独生子女(独生子女)、外地户口(户口)。其他变量基于基础变量采取多层因子合成方式构建。例如家庭财富由物质、信息、教育和文化四类次级因子合成。此外,模型中还包括了如学校-年级-班级交互项等控制变量。(3)由于数据结构呈现多层嵌套,且作为因变量的创新素养潜在类别有四项结果,因此采用多层次混合效应Logistic回归,且在班级层面控制稳健标准误差。(4)回归模型的R2为Hosmer-Lemeshow R2=0. 57、 Cox-Snell R2=0. 68、 Nagelkerke R2=0. 83,表示模型解释力较好。(5)此处的OR数值为校正混杂因素后的校正OR(Adjust Odds Ratio)。