组态视角下的教育研究新路径*——质性比较分析（QCA）及在教育技术中的应用分析

陈向东 杨德全

（华东师范大学 教育学部 教育信息技术学系，上海 200062）

一、引言

近十多年来，组态视角的质性比较分析（Qualitative Comparative Analysis，QCA）开始成为社会科学领域的重要研究方法[1-2]。在政治学、经济学、社会学、管理学等学科的顶级杂志中，出现了许多应用QCA的论文，围绕QCA的方法论工作坊也层出不穷[3]。

社会科学中的研究一直存在定量与定性的张力[4]。定量范式基于这样的逻辑：根据设定的因变量，提出具备解释能力的自变量，建立理论模型与假设，通过收集观察对象的数据以验证模型，自变量尽可能与竞争性的理论关联，研究聚焦于自变量的相对解释能力。与此同时，由于社会科学的研究对象经常界限模糊、错综复杂且互相缠绕，这就使得像案例研究这样注重“深描”的质性研究，一直以来在众多领域扮演着不可或缺的角色。两种方法互补的观点存在于许多方法论文献之中[5-6]，例如，拉金（Ragin C.）等从组态视角创立的QCA，正是其中的一种努力。

我们以1987年拉金的《比较方法》出版作为标志[7]，梳理了QCA三十多年的发展历史。虽然在前十余年学界对QCA应者了了，然而，近年来QCA却受到越来越多的重视，并且被称为名符其实的“方法论革新成果”[8]。至2019年9月，据Google学术统计，《比较方法》（英文版）的引用近1万次，是方法论领域被引次数较多的几部专著之一。与此同时，在分享QCA应用成果的学术网站COMPASS上[9]，收集了从1987年至今的各类QCA研究成果，其中重要论文就有一千多项，主要集中在近十余年间。

这些研究成果，主要分布在比较政治学、商业和经济、社会学理论、组织与管理、国际关系等不同的领域。其中，与教育和培训相关的成果总共二十多项，也大多为近年所著①。

二、组态视角研究方法的特征

社会科学中的组态，指“通常在一起发生的概念上相异的多维特征的组合”[10]，这些不同特征维度是多方面的，甚至会相互交叉、重叠、包含和对立。例如，环境、技术、策略、结构、文化、团队、成员、过程、动机、信念等。这些特征组合成不同的组态，表达出不同的功能和效果。组态视角倾向从整体上理解社会现象，关注问题的情境，考虑相应结果可能的前因条件组合，聚焦于事物“如何”发生[11]。

（一）组态视角与传统定量研究

传统的定量研究把自变量看成产生结果的各自独立的原因，自变量对因变量的水平、强度或概率的影响是线性和可加的，其作用不受其他自变量的值以及组合方式的影响。与之不同的是，组态视角的研究将组合条件作为交互效应进行建模，当存在交互作用时，自变量对因变量的影响取决于一个或多个其他自变量。例如，Capano通过组态分析[12]，发现制度自主权对大学教学绩效产生作用，并不是自然而然发生的，充足的公共资金、垂直化的内部治理以及严格的评估是重要的触发因素。

与线性可加模型中自变量净效应分析不同，对于不同的前因条件，组态视角并不是把它们作为解释因变量变异的竞争对手，而是将其看成是产生结果的潜在合作者，将关注的焦点放在不同的条件下如何组合以及是否有不同的组合而产生相同的结果。方法论研究者基于组态视角，整合了布尔代数、模糊集等不同工具，创建并不断完善QCA，并且衍生出基于清晰集比较 （csQCA）、多值集比较（mvQCA）、模糊集比较（fsQCA）以及时序性定性比较（tQCA）等不同的方法。作为一种新的研究方法，QCA并不是定量与定性研究的简单折衷，与传统的定量研究相比，QCA具有以下独特的视角：

第一，不承认固定不变的因果关系。组态视角假定世界是不稳定、非均衡、多样性、动态的，前因条件组合以整体的方式在起作用，因果关系依赖于特定情境和组态，并不存在任何形式的恒定因果关系[13]。QCA假定变量间是相互作用的，它并不试图发展出一套与数据拟合度最好的单一因果模型，而是通过比较不同因果模型的特征和案例数量，探讨导致相同结果的不同路径。QCA拓展了因果关系的分析框架，在原因和结果之间存在着多重并发路径，不同的组态具有等效性，不同因果路径可以导致相同的结果。

第二，集合关系替代相关关系。传统的定量或定性研究，本质上都是围绕变量展开的。即便是定性研究，变量仍然很重要，需要在案例内与案例间进行分类、排序或组合。QCA认为，社会科学的理论应该按照集合论的术语来制定和评估。例如，Pena和Curado利用QCA评估一种e-learning学习框架ipteaces在银行业培训的有效性[14]，发现基于这种学习框架，“受教育程度较低的男性”相应的“学习效果差”。在集合论的表述中，“受教育程度低的男性”的集合是“学习效果差”集合的子集。这种集合描述了因果关系或其它整体方式相关的社会现象，为了表明这种集合关系，QCA经常用维恩图来表示前因条件及条件组合与结果的关系。

第三，因果效应非对称。与相关关系的完全对称不同，集合关系是非对称的。由于因果关系的多重并发，因果效应不再具有一致性，正向的结果与负向的结果可以是不同的原因，因而可以分开研究。同样是上述Pena和Curado的例子[15]，对培训有效与无效的对应组态进行单独分析，结果表明，该模式针对年龄大并且受教育程度高的女性受训者有效，而受教育程度较低的男性学员则相反，两者的结果并不对称。在有效的对应组态中，年龄是其中的一个条件；在无效的对应组态中，年龄并不在条件组合之中。此外，QCA也允许研究聚焦于单方面结果的条件组合（这不符合传统定量研究的规定）。根据等效性假定，同一结果的组合原因可以有多个，即便是单一结果的案例，也可以分析产生同一结果的不同组合条件，但不能因此推演出相反结果的条件组合。

第四，强化分析过程与理论的联系。利用集合描述因果关系，对于理论有很强的依赖性。大多数量化统计分析工具，从操作流程上讲，研究者只要将数据输入软件并得到“结果”。而QCA的数据分析过程不仅仅是输入输出数据，得到初步结果后，需要频繁地回到原始数据，基于证实或证伪的目的展示，并以理论解释结果。常规的QCA设计[16]，无论是布尔最小化，矛盾组态和逻辑余项的处理，结果的解释，甚至是校准等最基础的环节，无不需要在数据与理论之间反复迭代。研究者在数据和理论之间反复对话：一方面，从演绎的视角，前因条件基于理论来选择；另一方面，从归纳的视角，通过案例获取洞见，识别出需要考察的关键因素。

（二）组态视角与传统定性研究

然而，本质上QCA仍然是案例导向的，通过组态方式分析和处理数量有限的案例，每个案例都被认为是由一系列特征构成的复杂组合[17]。与传统的质性研究相比，QCA也有着自己的特点：

首先，适度的普适性。案例导向的研究可以对情境进行深入地剖析和详尽地说明，由此带来不同寻常的见解和启发。但是其构建理论的普适性不高，结果可能多元决定，很多因素影响单个结果，并且很难排除其它因素的影响，解释能力较弱[18]。解释性和“深描”对于这类研究同样重要，研究者不仅仅要了解现象、深入理解内部的复杂机制，同时也需要产生猜想并使用新的数据拟合。因此，QCA的分析性策略，将每个案例作为整体单元进行比较，案例被定义为一系列特征的组合。研究者可以进行多案例的系统分析，形成供后续研究的命题，并且用于分析其它类似案例。QCA需要在多个案例中探讨相同或不同现象，排除干扰因素，定期回顾原始材料，使之不失案例的故事性。这种理论建构被定位于默顿所谓的中层理论[19]，与那些宏大理论相比，QCA强调情境的敏感性和历史差异，更便于实证分析。

其次，透明性。透明性是QCA与传统质性研究相比具有较典型的优势[20]，为了能够实现与案例对话的过程透明，QCA提供了形式化和可复制的分析工具。QCA建立在一套独特的语言体系（布尔代数、集合论、模糊逻辑）之上，这套体系具有良好的语法和明确的规则，具备了可复制的特征。研究者在QCA的各个环节中，都能够以透明的方式做出决定，包括变量选择、处理、分析工具选择、分析过程干预、布尔最小化等等。这种透明性大大减少了研究过程的模糊性和主观性。在COMPASS网站上，研究人员罗列了近20种用于QCA分析的软件工具，适用于不同类型的 QCA（csQCA、mvQCA、fsQCA 等）以及 QCA分析的不同环节（维恩图表示、必要性分析、一致性分析、真值表最小化等）。相关专业领域的QCA综述也表明[21-22]，对比于访谈、焦点人群、观察等传统质性材料的分析过程，QCA具有较强的操作性和规范性。

总之，与传统的定量与定性研究相比，组态研究有着自己的特点，可以用表1归纳（由于近年来研究方法呈现多样化、复杂化的趋势，很难进行简单的非此即彼的对照，为避免误解，我们加入了更多的注释予以充分说明）。

三、QCA对于教育研究的适用性

虽然面向教育的QCA研究并不太多，然而，管理学、政治学、传播学等领域的许多研究案例与教育学存在较大的交叉。例如，政策评估、技术接受度、环境对于个体或群体行为的影响、特定行为模式的形成路径、空间规划与设计等，这些案例在很大程度上可以迁移至教育学相关领域。QCA的特征使得其在教育学相关领域，存有较大的应用潜力。

表1 组态研究的特征

（一）教育问题的因果机制研究

因果性的探究，不能仅限于发现、分辨与甄别因果效应，更重要的是为这种效应提供因果（机制/过程）性解释[23]，即特定的原因以及干预是“如何”影响结果的。因果机制超越了原因与结果之间有/无以及关系强度与频度的判断，为解释社会现象提供了关于原因影响结果的具体化因果链条或因果推理的可验证评估[24-25]。近年来，许多教育理论研究者开始重视教育问题的因果机制研究[26-27]。他们认为，教育研究更应该探寻教育问题中诸如原因或条件“如何”造成结果的问题。一直以来，正是由于缺少对因果机制精确的探索，使得教育学明显比不上那些建立在先前研究基础上关注因果结构的学科对科学体系的贡献[28]。这种对于因果的路径以及不同层面条件变化的分析，恰恰是QCA的特征[29]。QCA以整体的视角，把案例视为条件变量的不同组合，致力于分析相互依赖、相互作用的条件，共同作用于结果的组态效应，这使得QCA可被用于发现和检验因果结构。基于理论猜测，研究者可通过对教育工具、策略或手段的设计、实施和系统研究，剖析相应的机制。导致相同结果的条件组合的多重并发路径，使得研究者可以审慎地连接原因与结果，经验地检验这些竞争性因果路径（机制）的期望（例如，一致性和覆盖度），并且在微观层面发现理论的具体作用过程[30]。可见，QCA丰富了教育实证方法的工具箱，是打开教育问题因果机制“黑箱”的有力工具。

（二）面向真实的教育情境

作为一个实践性很强的学科，教育学研究经常被质疑存在理论与实践应用的脱节[31]。教育问题中原因条件的相互依赖与共同作用是普遍现象，然而与其它社会科学领域一样，许多研究采用了不符合教育现象的强假定：把研究对象看成是可分、稳定、有序、线性单调变化的，变量可以分割并进行独立研究。这种理论严谨性与实践相关性之间的紧张，导致许多研究结果越来越难以应用，甚至偏离生活。为此，近年来的教育研究，尤其在学习科学领域，面向真实情境的设计研究正在兴起[32]，倡导在研究设计中加入更多基于理论的干预，这些干预变量来自不同的竞争性理论，有些还相互矛盾。QCA对于这类研究情境有着自己的优势：

第一，QCA在选择条件时，可调整并整合不同的理论，使得案例能够在不同的竞争性理论中得到解释。有研究者通过文献研究和数据模拟[33]，发现采取传统回归技术的拟合优度R2普遍低于30%，即解释变量的大多数变化没有被模型解释。相比较而言，采用QCA发表的文章总体覆盖度较高，这反映了QCA发现的理论模型，具有较高的实践切题性。

第二，在教育问题的不同层面，存在着两难及其持续性的张力。例如，对一个团体（例如，学校、班级）的管理而言，控制与自由、生成与预设，其间的取舍取决于对象的特点以及问题的情境，这种张力是多个变量穿插在一起的结果，很难用传统的方法切割各自的边际效应，这就使得QCA有了用武之地。

第三，教育研究对象的组织结构（例如，学校）不同于传统组织的嵌套模型。传统的多层组织结构研究的假设，是层次上的嵌套性和自变量在多个层次效应上的可分性。QCA中的层次被视为一种组织属性，一个教师分属于不同的教研组、年级组、项目组甚至承担学校管理工作，一个项目团队工作范围可能远远超过组织范围；同一样本中不同的研究对象可能有不同的层次，这些问题很难用传统的多层次分析技术处理。而QCA把层次作为组织属性和集合来看待，不受层次间嵌套关系的限制，因而，能够处理这些复杂的多层次现象[34]。

（三）实践者的理论构建

在教育研究的历史中，案例研究因为能够对现象进行深描，并且更为贴近教育现象，因而占据着较大的比重[35]。对于一线教师和管理者，以及教育硕士、教育博士这样的面向实践的研究者而言，关注的是作为一个整体的案例类别，以及采取怎样的干预，将案例从一个类别发展到另一个类别。然而，对于理论构建而言，一方面，案例研究解释能力的不足显而易见；另一方面，则是借鉴实验方法的教育“实验”在实践者眼中显得做作和可疑，这种两难使得实践研究者显得特别纠结。因此，QCA在这方面的综合作用特别明显：

第一，QCA本身属于案例研究，无论采用什么样的数学方法表述，它仍然需要研究者对个案本身有深入的理解。但与传统案例研究不同的是，它具有更形式化的过程和判断方法。

第二，QCA与理论的关联甚至比常规的统计方法更为紧密，变量的选取、判断和设定，往往都与理论紧密关联。对于实践研究者而言，研究过程是一个更好的理论联系实际的过程，需要在理论选择、研究假设、条件组合与配方设计、布尔最小化等不同环节中，多次迭代循环，并且对理论进行不断地修正，这种过程更符合实践者的研究路径。

第三，虽然采用了形式化的过程判断方法，但是类似真值表以及隶属度这样的形式化方法，具有很强的探索性。在得出研究结果之前，到底是什么组态导致结果的出现很难预知，这种过程具有一定的“思想实验”的属性[36-37]。通过整体分析和案例比较，揭示影响结果的重要条件间的组态效应，发现产生结果的多重组合路径，为实践者采取干预措施提供了更切题的方案选择。QCA产生的等效组态方案和因果结论，对于实践者“如何”行动具有重要价值。

第四，实践者面临的研究对象往往是有限的。QCA采用了“反事实”的分析，通过布尔代数和一定的理论推论，把研究对象从“有限多样”的观测案例，扩展到了非实际观察案例及其组态，有助于拓展那些在实践中获得的理论的适用范围，并使得研究的结论相对简单清晰、路径明确。

四、QCA在教育技术领域的应用现状与前景

（一）技术接受与采用研究

教育技术领域的许多研究者关注各类技术接受与采用的前因条件及其相互关系，了解使用特定技术或策略的意愿，探讨接受/不接受、采纳/不采纳的原因，系统分析影响技术使用的因素[38]。虽然，技术接受与采用的研究会衍生出许多理论模型，包括理性行动模型（Theory of Reasoned Action，TRA）、技术接受模型（Technology Acceptance Model，TAM）、技术接受扩展模型（The Extension of the Technology Acceptance Model，TAM2）、技术接受和使用统一模型（The Unified Theory of Acceptance and Use of Technology，UTAUT）等等，但目前的研究仍面临这样一些问题：

一方面，大多数的技术接受与采用研究，没有充分地捕捉到行为及其前因条件之间可能发生的相互关系和动态相互作用。例如，单个模型（例如，TAM或者TRA）不太可能完全解释在多个情境或不同情况下的学习行为[39]。技术接受与采用研究，往往需要修正接受模型并考虑模型的多个维度，才能解决现实生活中的实际问题[40]。

另一方面，大多数技术接受与采用研究，主要基于对称测试（Symmetric Tests）、净效应和基于回归的模型。对称测试建立在因果效应一致性的假设之上，即条件变量的变化将导致结果变量的相同变化[41]。基于回归的模型建立在方差理论的基础上，这表明，条件变量应该是结果变量的一个充分必要条件[42]。对于真实场景（尤其是教育领域）的技术接受与采用而言，关注对称和净效应可能会产生相当大的局限，因为观察到的净效应并不适用于所有情况，而且在现实生活中的大多数关系，并不都是对称的[43]。

只有充分识别各种前因条件，注重考虑它们之间的相互关系，才能更好地建立起坚实的理论基础。为此，有研究者尝试利用QCA弥补传统方法的不足[44-45]。例如，Pappas使用fsQCA对180名有经验的移动学习用户进行分析，探究其影响移动学习采用的因果关系配置[46]。

基于前人的研究，Pappas还构建了影响移动学习采用的概念模型，包含认知特征、情感特征、社会因素、个人因素这四个维度，又从四个维度中分别划分出了五个条件，如表2所示。其中，认知特征包括感知有用性和感知易用性二个条件，感知有用性指用户认为使用移动学习可以提高他们学习效能的程度；感知易用性指用户认为移动学习使用的难易程度。情感特征包含了对移动学习的态度这个条件，指的是用户对移动学习所持有的一种持久的积极或消极感觉。个人因素包含了自我效能感这个条件，指用户对自己调动动机、认知资源和成功使用移动学习所需的行动过程的能力的信念。社会因素包含主观标准这个条件，是指那些用户认为对自己比较重要的人，对他们使用移动学习所持的态度（应该或不应该等）。移动学习采用以用户为学习目的而使用移动设备的行为意向为结果，依据每种组态的频率和一致性对真值表进行排序，通过复杂解、简约解的综合分析，结合研究者的理论和实际知识，得到中间解，具体见表2。

表2 高移动学习采用的组态

对于高移动学习采用，解决方案1-6呈现至少一个认知特征因素存在的组合，解决方案5-8给出了其中至少一个认知特征因素不存在的组合。例如，其中一个认知特征存在组合是：不论主观认同如何，对移动学习态度的存在（组态1）或者自我效能感的存在（组态2），加上感知有用和感知易用的存在都会导致采用移动学习的高意愿。

在本案例中，QCA对于传统技术接受与采用研究进行了有效地补充，使多重并发、条件等效性以及非对称性等这些在传统技术接受与采用模型中无法实现的特征，得到充分的展现。传统统计方法建立模型的解释度较低，而本案例得到的结果覆盖度（表2所示）为84%（整体覆盖度），解释力度得到了明显提高。

（二）环境对学习行为影响研究

学习环境是教育技术和学习科学的重要研究领域。随着建构主义和情景认知理论的发展，人们对教与学的认识发生了转变，学习环境被认为是促进学习者发展的各种支持性条件的统合[47]。近年来的学习环境与行为关系的研究表明，环境与行为的关系呈现出非对称性和复杂性等特点。如，班杜拉（Bandura A.）的社会学习理论阐述了环境、个体和行为的关系，被概括为“交互决定论”（Reciprocal Determinism）[48]。 这一理论认为，环境、个体和行为三者是彼此交互发生作用的，不存在简单的环境决定行为的关系。

Amedeo也曾提出环境和行为关系的三个假设[49]：（1）环境和行为不是直接的因果关系，但环境会对个体的活动产生很大影响，换言之，环境不会决定行为，但会影响个体行为；（2）环境对行为的影响意义，取决于个体对环境的认知和体验；（3）环境本身的结构和规模等因素，会影响个体的认知和体验。正是由于这一特征，利用传统的统计分析方法进行环境与行为关系的研究，有时显得力不从心。环境对行为影响是多种因素的综合，单个因素在不同情境下的作用往往不同[50]。传统的分析方法只能探究哪些因素会影响行为，即单个因素对行为结果的“净效应”。

因此，一些学者尝试将QCA方法应用于学习环境的研究[51-53]。例如，Sántha使用fsQCA，探究了教学环境与课堂教学之间的关系[54]，研究选取空间结构（Spatial Structure，标记为 T）、方法论文化（Methodological Culture，标记为M）和教育工具（Educational Tools，标记为E）为条件，结果被定义为有效的教与学（Efficient Teaching and Learning，标记为 Y）。 研究使用非结构化反思日记的形式，收集了29位受训教师个案的数据资料，通过相应方法对反思日记进行编码和校准，生成模糊集。然后，将模糊集转换成真值表，如表3所示。

表3 有效教学的组态

经过逻辑最小化，生成Y（1）=T+Me表达式。结果解释为：如果教室中有适当的空间结构 （教室实体、颜色搭配、光线散布、绿植点缀等），或有足够的方法论文化（方法和工作流程被明确定义）和工具需求小（指教师和学生对工具没有需求），那么就会发生有效的教学。研究的结论是：建筑及其空间结构在教育教学中具有重要地位，空间结构对人的行为、活动、教学和学习都有影响；空间可以触发或抑制思考，产生混乱或和谐，使个体在学校中表现主动或被动。可见，重视空间结构的作用，有助于学校更好地履行其使命，实现其显性和潜在的目标。

虽然该案例针对受训教师进行的非结构化反思日记进行文本分析，与现实情况还是有一定差距，其得出的结论也值得商榷。但是可以看到，QCA可以用于真实情境中环境对行为影响的研究，帮助相关研究向因果机制探究的方向发展。

（三）学习者的分类研究

学习者分类既是学习者特征分析的结果输出，又常作为其他深入研究的输入，如，基于学习者类别进行教学干预、学习者需求分析、个性化推荐、识别危机学生等[55]。近年来，聚类分析作为一种数据挖掘方法，被广泛应用于识别和刻画学习者特征的研究[56]。但聚类分析也存在着诸多局限：一方面，聚类分析缺乏与理论的联系，分析结果难以解释。聚类分析属于无监督数据分类方法，在没有先验知识即没有事先指定分类标准的情况下，依据数据本身的相似程度进行分类，虽然能够获得客观和稳定的分类，但分析结果往往不具有现实意义，从而难以解释[57]。另一方面，聚类分析处理高维数据存在压力，当数据对象的特征指标过多时，在聚类分析之前需要先对其进行降维处理[58]。

为了更好地进行学习者分类，增强分析结果与理论和先验知识之间的联系，一些研究者尝试引入QCA。QCA可以用精练的方法，呈现数据，并且对实证现象进行更具综合性的描述。在csQCA中，这些描述性的数据分析，可以直接用软件生成真值表来表达，显示不同案例是如何聚类到一起的。而fsQCA中通过一定的技术也可以生成真值表，从而实现数据的快速分类。除此之外，fsQCA建立在集合关系的基础上，因此，需要给案例赋予集合隶属度，这个过程就是校准（Calibration）[59]。把变量校准为集合，需要依据理论和实际知识。然而，当这种知识库不完备或不存在时，就需要基于案例的描述性统计进行校准。校准作为fsQCA中的一项重要工作，提供了数据与理论和实际知识联系的重要途径，使得研究更具备可解释性和实际意义。

几乎所有fsQCA的研究过程，都会涉及数据表分类、阈值设定、隶属度划分的操作，其中一些研究则涉及学习者分类[60-61]。Olufadi利用fsQCA，研究手机使用行为对学生学业成绩的影响[62]。基于已有的研究，Olufadi选取：（1）学生对手机使用行为影响学业成绩的感知（简记为S）；（2）每天使用手机进行社交和打电话的时间（简记为B）；（3）手机分散注意力程度（简记为 E）；（4）手机依赖程度（简记为 A）；（5）使用手机进行多任务处理程度（简记为M），共五个条件，使用GPA（平均绩点，简记为G）作为结果，对286名高校学生的个案进行调查，探究怎样的手机使用行为的条件配置，会给学业成绩带来积极影响。换言之，学业成绩优良的学生都具有怎样的手机使用行为（这里即进行了学习者的分类）。

为使用模糊集进行定性比较分析，该研究首先对于调查收集到的相关数据进行了校准。对于条件变量S，由于在调查中使用的是判断题，只有两种定性状态，不需要进行校准，其余四个条件和结果均需进行模糊集校准。使用直接校准的方法，需设置三个定性锚点。由于缺少已有理论和实际知识作为标准来界定，该研究采用了统计分布数据：以最大值作为完全隶属阈值，均值作为交叉点，最小值作为完全不隶属阈值。经过校准将模糊集转换成真值表，再通过复杂解、简约解的综合分析，结合研究者的理论和实际知识，得到中间解，如表4所示。

表4 手机使用行为的组态

当条件或条件组合的一致性大于或等于0.85时，才被认为足以产生结果。由表4可知，五个条件的一致性均低于0.85，即认为，任何一个条件单独存在都不构成结果发生的必要条件。有三个组态（组态4、5、6）达到一致性要求，可以导致较高的学业成绩。举例来说，SbAm（组态4）不管手机分散注意力的程度如何，那些意识到使用手机可能会对学习成绩造成负面影响、每天很少使用手机进行社交、对手机的依赖程度高、很少用手机进行多任务处理的学生，拥有较好的学业成绩，此组态一致性0.87，覆盖度0.28。

在本案例中，通过将fsQCA应用于学习者分类研究，一方面对数据实现快速分类；另一方面则通过校准过程，将数据与现有理论和实际知识建立联系，提高了分析结果的可解释性。

五、QCA应用中存在的问题

对于教育技术乃至整个教育学科而言，QCA是一种相对较新的方法。虽然研究案例较少，但同样体现出QCA一些固有的特征。上述介绍的案例均采用了fsQCA，遵循着类似的操作流程：基于明确的标准设定完全隶属（1）、完全不隶属（0）以及交叉点，转换定距或定比数据为模糊集；使用清晰真值表辅助模糊集分析，包括确定向量空间与真值表行的对应关系，设定模糊集评价的频数阈值，评估模糊子集的一致性，构建真值表，进行必要条件的模糊集分析；对于正向与负向的结果，导出复杂解 （不包括逻辑余项）、简约解（包括逻辑余项，但不对其合理性进行评价）以及中间解（使用那些有合理依据的逻辑余项）。此外，所有的研究都需要进行集合关系评估，评估的内容包括集合一致性、覆盖度、分隔覆盖度等等。

然而，与管理学、经济学、政治学等学科相比，QCA在教育技术领域的应用案例存在许多不足，主要体现在以下三个方面：

（一）大样本案例居多

就案例数量而言，许多学科的QCA文献综述表明[63-65]，QCA研究以小样本和中等数量的样本为主，即7-8至25-30个案例。这可能是由于大多数案例都是在宏观层面上（通常是国家/地区）进行的，数量自然受到限制。当然，近来也有一些管理学、政治学的研究采用较大数量的样本。但是，目前教育技术相关的QCA研究却以大样本为主，例如，Sánchez-Mena等的教育视频游戏使用意愿的研究（170）[66]，Farrell对于数据何时、在何种条件下促进了教学变化的研究（245）[67]。更有甚者，Pappas等的计算机科学学习兴趣影响因素的研究案例数为1100[68]，Sergis等对于学校生态系统应该如何配置，才能提高学生数字技能的研究，样本量甚至高达3000[69]。虽然小样本增加了上下文的敏感性，有时仅仅一个自相矛盾的案例，可能会在很大程度影响结果，甚至导致不恰当的结论。但是QCA本身就是以案例为导向的，其工作过程仍然需要使用案例研究中经常用到的方法，例如，访谈、深度参与等等。过多的案例会在操作性上缺少对案例本质的深入挖掘，将QCA变成另外一种量化统计方法，这并非该方法本身的价值所在[70]。

（二）数据与理论的耦合松散

这一问题和上述的大样本也有关系。从文献中可以看出，教育技术QCA研究缺少其它学科QCA常有的在数据初步分析之后，回到案例本身，对其特征及其问题情境所做的深度分析。在各类竞争性理论与经验数据之间不断的递归与反复的操作过程，这恰恰是QCA最为艰苦、费时而有价值的工作。正如拉金所言，QCA的目标就是要强化 “思想与证据之间的对话”[71]，关注是否产生有价值的经验研究结果，以丰富相应领域的理论和模型。通常的QCA或检验一系列猜想或建议，或测试转换为条件的理论，并从单独的条件中找出组态结果。对于研究者而言，不仅仅对假设进行检验，或是“简单地”检查导致结果的路径；更应该从必要性和充分性角度，基于因果推断和因果机制重新思考理论模型[72]。教育技术相关QCA研究局限于条件组合分析以及可能路径描述，缺少对现有的理论体系进行补充和完善。这也是相关学科QCA研究虽然数量未必多，但出现在顶级刊物的比例却很高之原因所在。

（三）方法较为单一

与其它学科QCA的多样性相比，几乎所有的教育技术相关研究都采用fsQCA。这可能的原因是，与csQCA与mvQCA相比，fsQCA是QCA领域相对较“新”的方法。然而，许多研究者认为[73-74]，fsQCA并不是csQCA与mvQCA升级版本，后两者有其自身特点和适用场合。QCA近期也衍生出一些新的分支，例如，时序性定性比较 （tQCA）[75]、共存分析（Coincidence Analysis，CNA）[76]等等。 此外，除了 Hsieh 将灰度关联分析（Grey Relational Analysis，GRA）与 QCA相结合等少数案例外[77]，大多数案例是QCA单独应用或作为最主要方法。然而，其它领域QCA很少作为单独方法使用，大多数研究将QCA与至少一种其他方法结合、对比或拓展，并且对传统主流方法进行有效的补充[78]：一方面，将统计分析（主要是不同类型的回归分析）与QCA进行三角测量或以互补的方式加以利用；另一方面，许多研究“以案例为导向”，把QCA作为案例比较的工具，使得QCA分析对象也呈现出多样化。QCA应该与其他分析工具进行有效配合，才能得出经验性的、有充分根据、基于情境的证据。

当然，教育技术采用QCA研究也有自己的亮点。在政治学、管理学等领域[79-80]，QCA案例往往是一些宏观层面的“大案例”，案例的边界来自明显的行政或政治机构。尽管早有研究者指出[81]，组态视角与QCA的应用并一定不局限于宏观领域，其在团队、个体等层次上同样具有类似的优势，能够处理复杂的多层次现象。但是，现有组态理论在个体与群体等微观层面的研究一直相对缺乏。与此对应，教育技术相关QCA研究案例虽然数量不多，但案例对象却显示出了相当的丰富性，虽然多数仍为学生与教师个体这样的微观层次[82-83]。从不同层次进行组态研究，可以从微观方面对因果现象进行解释，有助于强化因果机制的探究。

六、结语

本文将组态视角引入教育研究，分析QCA与教育研究的契合度，并以教育技术为例介绍了QCA的典型应用，分析其存在的问题。然而到目前为止，本学科尚未积累足够的案例经验和用户群体。因此，要推进QCA应用，我们认为需要具备以下两个要素：

第一，保持方法的开放性和创造性。不同的研究方法并不是互斥的，他们是替代或并行的，每种方法（包括QCA）都有其独特的优势和限制，可以从不同维度拓展我们对教育现实的理解。对于QCA而言，参与混合方法设计非常重要，可以用更加综合的方式融入不同的研究场景，发挥其本身的长处。由于QCA集合论的特性，其功能被界定为能够使人们桥接“实际调查”的工作（迄今为止，主要由定量/统计工作主导）和深度案例，以及面向“如何”的复杂性工作[84]。虽然在实际操作过程中这两种类型的工作存在着天然的张力，并非那么容易协调。当然，QCA最新进展也产生了一些新的方法来解决这一问题，例如，将量化分析方法与QCA相结合，当数据量大时，可先通过常规的统计分析，以缩小进入QCA分析的前因条件以及案例的数量[85]。

第二，任何来自于其它领域相对较“新”的方法，所面临的一个重要的挑战是方法与学科特征的融合。QCA与理论知识和实际知识有着很高的关联度，与其来源学科（政治学、管理学）相比，在教育学科的应用并不是简单的移植，需要进行必要的改造与融合。与管理学和政治学相对成熟的QCA课程以及示范案例相比，学科差异对于方法论的障碍无法忽略。因此，开发适合教育学科的QCA课程，对于拓展方法的用户群体，确保高质量QCA研究至关重要。当然，在方法论的教学过程中，可能会遇到一些特定的挑战，例如，需要从集合论、多重并发、因果不对称、真值表等角度，理解案例和因果关系，这与传统的理解并不一致。

总之，组态视角和QCA方法，为我们研究真实教育场景中技术、工具、策略应用等过程，提供了新的途径。QCA可以适用于不同层面的教育研究，例如，提炼数据、一致性检验、评估并改进现有理论以及构建新的理论，这些应用，对于解释复杂的教育问题的因果机制具有重要的价值。作为一种方法和工具，QCA由于和教育研究的适切性，我们相信，未来它将会得到越来越多的关注与应用。