科研人员数据素养影响因素分析——基于SEM及fsQCA方法

毕达天，曹 冉

（吉林大学管理学院，长春130022）

1 引言

随着大数据时代的来临以及大数据在各领域的广泛应用，除了实验、理论和模拟这三个范式外，科学发现了第四种范式“数据密集型科学发现”[1]。第四种范式的突出特点是科研流程建立在数据基础之上。宫学庆等[2]认为，数据密集型科研环境下，科研人员面临的挑战可划分为两大类：科研项目生命周期管理过程中的挑战、科研数据生命周期管理过程中的挑战。前者是指从科研项目申请中数据管理计划的规范性和专业性，到科学研究过程中数据管理与分析，再到学术成果发表过程中的数据出版与共享等，都需要科研工作者既具备对所从事研究学科和承担项目的成果知识的娴熟驾驭能力，也需要学术出版素养能力[3]。后者是指科研人员在项目实施完成和挖掘数据价值过程中，面临的诸如数据获取、数据组织、数据分析、数据发现、数据出版等挑战[4]。数据密集型科研环境下科研人员面临的主要问题不再是如何获取科学数据，而是如何通过对海量科学数据进行组织和分析，以数据驱动的方式进行知识的探索与发现[5]。目前，我国数据素养教育仍处于起步阶段[6]，数据密集型的科研环境下，科研人员数据素养的提升已成为一项迫在眉睫的任务。

经济合作与发展组织（Organization for Econom‐ic Co-operation and Development，OECD）将科学数据定义为在科研团体或个人在科研过程中得到的与研究结果有关的实验数据[7]。在现实科研活动中，存在大量复杂多样的中间数据集，其作为新发现乃至新理论的客观支撑，具有现实性、可传播性、实时性和二次利用性。本研究将其界定为人类科研活动中产生的可视中间数据集。“数据素养”（data lit‐eracy）也被称为“数据信息素养”（data informa‐tion literacy），由信息素养发展演变而来，是信息素养的一种拓展[8]。数据素养与信息素养相比，数据素养更强调数据的产生、存储和管理等，更偏技术方面[9]。科学数据素养与其他素养相比，对素养主体具有更高的针对性要求，即会考虑使用科学数据的科研人员。此外，对于科学数据素养的具体描述还没有统一的概论。例如，黄如花等[10]认为科学数据素养包括：科学数据意识、科学数据能力和科学数据伦理；宋甲丽等[11]认为科学数据素养包括五个方面：科学数据基本知识、数据库使用、科学数据的处理、科学数据的获取和科学数据的管理。本文从科研人员接触科学数据的生命周期对科学数据素养进行定义：科学数据素养，是指科研人员在进行科研活动中，接触科学数据时表现出的一种状态，具体包括科学数据意识和科学数据能力，其中科学数据意识包括对科学数据的重视程度和伦理意识。在进行科学数据素养影响因素研究中，本文主要考虑哪些影响因素组合对以上三个部分组成的科学数据素养是必要充分条件。

近年来，数据素养成为研究热点，受到业界的高度关注。Shaffer等[12]使用科学素养技能测试（TOSLS）探究大学生科学素养的影响因素，得出专业、学年、绩点、能力、培训水平是重要预测因素；Naveed等[13]通过对巴基斯坦121名科学家进行问卷调查，对数据进行描述性统计和分析，得出科学家的年龄、性别、学历、研究经验和出版物数量影响信息素养的高低；Guenther等[14]分析了人类科学研究理事会的数据，得出对于相对年轻和受过良好教育的调查对等，数据素养的提高和数据来源的使用情况与人员承诺有关；隆茜等[15]通过研究分析国内外图书馆员数据素养能力及教育现状，得出图书馆员的职称、年龄、学位、工作年限对数据素养能力存在一定的影响；罗玛等[16]使用层次分析法和解释结构模型，探究接受高等教育人员的高中经历与信息素养能力之间的关系，得出环境、教师以及人员自身影响数据素养的高低的层级结构图。从研究现状看，国内外相关研究成果在发展脉络和研究主题方面存在着共性。国外学者对数据素养的研究主要集中于宏观的公民科学素养的教育[17]、影响因素、平台建设等；国内对数据素养的研究主要集中于数据素养的现状、教育及评价体系等。我国对数据素养相关研究起步晚，研究成果多集中于理论层面，缺乏实际的行为实践，且相当一部分是针对中小学生科学素养的研究，对于能应用到科学数据的群体的探究相对较少。国外在探究数据素养影响因素时多采用实证分析的方法，而国内在探究数据素养影响因素时多基于问卷调查所获数据进行分析，缺乏具体的方法论，因此，这些研究在一定程度上缺乏科学性。

本研究将在汲取现有研究成果宝贵经验的基础上，注重运用定性、定量相结合的方法进行探究影响科研人员数据素养的关键因素，试图解决以下三个方面的问题：①为什么探究科研人员数据素养的影响因素？②影响科研人员数据素养的关键因素或其组合是什么？③研究结论对于科研人员数据素养提升有何具体实践指导意义？

本文在探究科学数据素养的影响因素时，将通过问卷调查收集的原始数据，使用结构方程模型及定性比较分析方法，构建具体因素影响路径并进行实证分析。

2 相关理论

2.1 动机理论

动机是指一种认知或情绪上的唤起，这种状态会引发主体为达成某一既定目标而进行持续的精神和身体的努力[18]。众多学者都对动机理论做过解释，其中包括：20世纪40年代霍尔提出驱力减降论，50年代马斯洛提出层次需求理论，60年代继续发展为动机理论[19]。动机是行为主体（人）与外部客体（环境）共同作用的结果，人类的动机是一个从外部动机到内部动机的动态连续体。其具体包括外在诱因和内在诱因[20]，即社会因素以及个体主动性对于个体动机的影响，这就解释了产生动机的诱因之间的内外部关系。外在诱因是指外部社会环境的影响并非源于自身[21]，内在诱因与个体自身的需求、欲望以及个人的认知、情感有关[22]。在内外诱因的共同作用下，科研人员会产生提高科学数据素养的动机，以满足自身对于高科学数据素养的需要，基于这种动机而产生的需求，致使科研人员不断提高科学数据意识、提升科学数据能力，进而提高自身的科学数据素养，即内外诱因会影响科研人员科学数据素养水平。

2.2 态度习得理论

态度习得理论（attitude acquisition theory）是由Gagne提出的学习理论[23]，其结合了信息加工心理学的思想和构建主义的心理学思想。态度习得理论认为态度学习包括三种具体情景：①经典性条件作用，即外界事物可以通过不断刺激行为主体而使行为主体对其产生积极或消极的态度；②对行为成功的知觉作用，即某种情景（活动）的成功体验会促进行为主体建立积极的态度；③人类的榜样作用，即行为主体会根据榜样所表达或演示的态度通过模仿来改变自己的态度[24]。

3 理论模型与研究假设

态度是个体习得的相对稳定的影响个体行为选择方向的内部状态，是对人、物、思想所持的积极或消极的主观情感，态度并非天生而是通过习得的，即态度是可以受外界因素影响而改变的。支持学习理论的学者们普遍认为，人们可以像通过学习获得概念、事实、思维方式和习惯一样获得态度，模仿以及强化可以促进个体改变态度[25]。

教育培训，是指科研人员所在单位、部门邀请一些科学数据素养较高或研究科学数据素养课题的学者对研究进行教育培训，科研人员通过模仿学习，从而改变科研人员对待科学数据素养的态度。单位、部门所邀请的学者在科研人员面前具有榜样的作用，符合态度习得理论中提及的人类的榜样作用。基于以上论述，本文提出以下假设：

H1：教育培训对科研人员对待科学数据素养的态度产生正向影响。

技术平台，是指与科学数据素养有关的技术支持，包括处理、利用、共享科学数据平台的效率、可用性以及解决科学数据持续使用、安全保护等伦理问题的能力。当平台技术水平较高时，科研人员能够更加方便快捷的接触、利用科学数据，提高使用科学数据的效率，方便进行研究，从而形成一次成功的使用科学数据的体验，这符合态度习得理论中提及的成功的知觉作用。如骆意[26]在探究大学生移动健身App使用影响因素时，基于技术接受模型（technology acceptance model，TAM），提出技术因素正向影响大学生的态度。

基于以上论述，本文提出以下假设：

H2：技术平台对科研人员对待科学数据素养的态度产生正向影响。

素养氛围，是指科研人员所在单位、部门或其研究领域整体的科学数据素养状态，包括科研人员身边或该领域内科研人员的科学数据意识、处理科学数据的能力以及其科学数据伦理程度。当素养氛围较好时，在周围氛围的影响下，科研人员也会产生对于科学数据素养的正向态度，这符合态度习得理论中提及的经典性条件作用。如李召敏等[27]基于劳资关系氛围视角，探究战略型领导行为对员工工作态度的影响机制时，得出劳资关系氛围(和谐型、及时性、冷漠型)显著影响员工工作态度（工作满意度、组织承诺、离职倾向）。基于以上论述，本文提出以下假设：

H3：素养氛围对科研人员对待科学数据素养的态度产生正向影响。

态度，是指科研人员对待科学数据素养的主观倾向，其作为行为主体的一种主观倾向有消极态度和积极态度之分，在动机理论中属于内在诱因。当科研人员对待科学数据素养的态度偏积极时，根据动机理论，其更有可能有提高自身科学数据素养的动机，从而提升自己的科学数据素养。例如，潘士美等[28]在探究学生科学素养的影响因素时，从学生个体因素分析得出学生的态度影响科学素养；Tsai等[29]在探究成年人科学能力的影响因素时，得出态度对科学能力具有较强解释力。基于以上论述，本文提出以下假设：

H4：态度对科研人员提高科学素养产生正向影响。

教育培训，是指科研人员接受专业的提高科学数据素养的训练，在动机理论中属于外在诱因。当科研人员经过一定的培训后，其会对科学数据素养有着更深的理解，更加重视科学数据在科学研究中的宝贵价值，在数据处理能力及基础意识方面会有显著的提高。根据动机理论，其更有可能具有提高自身科学数据素养的动机，从而提升自己的科学数据素养。例如，张艳梅[30]在探究图书馆科学数据用户的时指出用户在使用数据时，所受到的教育培训与大数据时代的用户数据素养相关；Shaffer等[12]在探究大学生科学素养技能影响因素时得出培训水平与科学素养技能显著相关。基于以上论述，本文提出以下假设：

H5：教育培训对科研人员提高科学素养产生正向影响。

素养氛围，是指科研人员周围其他科研人员或所在研究领域的整体科学数据素养的高低程度，在动机理论中属于外在诱因。当科研人员所处的科学数据素养氛围较好时，其获取科学数据、处理科学数据的能力也会提升，并且当周围科研人员都遵守科学数据使用规范时，不遵守规范的行为会被斥责或惩罚，最终服从整体的行为制度。根据动机理论，其更有可能有提高自身科学数据素养的动机，从而提升自己的科学数据素养。例如，郝媛玲等[31]认为文化氛围一定程度上决定数据素养水平；Altun等[32]在探究不同国家学生科学素养的影响因素时，得出了学生所处的学校氛围会影响学生的科学素养。基于以上论述，本文提出以下假设：

H6：素养氛围对科研人员提高科学素养产生正向影响。

综合考虑H1～H6，提出态度的中介作用假设：

H7：态度在教育培训与提高科学数据素养之间起中介作用；

H8：态度在平台设施与提高科学数据素养之间起中介作用；

H9：态度在素养氛围与提高科学数据素养之间起中介作用。

综上所述，本文基于动机理论和态度习得理论，从外部因素和内部因素构建了“科学数据素养影响因素模型”，如图1所示。

图1 科学数据素养影响因素模型

4 研究方法

4.1 问卷设计

本研究的数据来源丰富。首先，本研究对十几位教授、副教授进行焦点小组访谈，了解目前高校科研人员科学数据素养的现状，以及影响科学数据素养的因素。其次，使用发放网络问卷（“问卷星”）的形式收集数据，为避免共同方法偏差带来的系统误差问题，本研究保证：①问题项尽量简洁易懂；②问卷采用匿名填写的方式；③被试者分布在多个不同的学校，且专业尽量不同，以避免因猜忌而采集不到被试者真正的意愿；④采用设置IP地址的方法避免一人重复填写[33]。本研究共向高校科研人员（大学毕业生、硕士研究生、博士研究生）发放问卷306份，回收问卷258份，回收率为84.3%，剔除不完善、重复问题答案不统一的问卷，有效问卷242份，有效率为79.1%。

被试者中女性占比52.9%，男性占比47.1%；大专及以下占比16.1%，本科占比32.2%，硕士研究生占比34.7%，博士研究生占比17%；人文社科（哲学、管理学、史学、法学、文艺学、伦理学、语言学、政治学、经济学、教育学、社会学等）占比52.9%，自然学科（数学、物理学、化学、气象学、农业科学、生物学、医学、材料科学等）占比47.1%。

对于所采用的国外量表，为避免语义差异，找本专业的博士研究生进行翻译-回译。本问卷采用Likert 5级量表（1=非常不符合，5=完全符合）。在本问卷中，教育培训的问题项改自沈玖玖等[34]的问卷；技术平台的问题项改自孙广[35]的问卷；素养氛围的问题项改自张长亮[36]的问卷；态度的问题项改自Zhu[37]的问卷；科学数据素养的问题项改自张路路等[38]的问卷。

4.2 数据分析

4.2.1 量表的信效度检验

本研究利用SPSS 26.0软件检验问卷数据的信度和效度。信度是指测量结果的一致性与可靠性，其衡量参数通常为Cronbach'sα值。学者们普遍认为，当系数的值大于0.9，则本研究开发设计的量表内部可靠性极高；当系数的值在区间[0.7,0.9]，则可靠度较高；当系数小于0.7，则可靠度较差。本研究选择系数值0.8作为判定标准，且相关变量的系数在0.8以上，这表明本研究的量表内部一致性较好。

效度检验具体分为内容效度检验、收敛效度检验以及区分效度。通过KMO和Blartlett球形检验，得到KMO值为0.885，大于0.8，表明问卷数据可以进行因子分析。根据正交旋转法进行因子载荷旋转，得到因子载荷均大于0.7，说明问卷具有较好的内容效度。各个因子的组合信度CR大于0.9，且平均提取方差AVE大于0.5，表明研究量表具有较好的收敛效度。各个因子的平均提取方差AVE均大于该因子与其他因子相关系数的平方，表明研究量表具有较好的区分效度。综上所述，本研究中的量表具有较高的信度和效度，如表1所示。

表1 信度与效度分析

4.2.2 同源方差检验

由于问卷的问题项由科研人员填写，数据来源不可避免的具有同一性，故还需要检测同源误差是否在可接受的范围内。本文利用SPSS 26.0软件，按照Harman的方法[39]对其进行了未旋转的因子检验，结果共萃取了5个因子，解释了总变异量的75.199%，其中第一个因子解释的方差为35.202%，占因子总方差解释量的46.812%，达到了小于50%的合格标准，这表明本研究的同源方差问题不严重在可接受范围内。

4.2.3 验证性因子分析

本研究使用AMOS软件读取问卷的原始数据，对模型中的5个变量进行验证性因子分析，以测试上文所提假设是否成立。通过上述信度和效度分析，共有18个问题项被保留下来，模型的拟合度结果如表2所示。总体来看模型拟合较好，得到的模型路径系数图如图2所示。

4.3 假设检验

基于上述模型拟合较优的前提，检验本研究的假设是否成立，具体结构方程模型检验结果如表3所示。从表3中可以看出，在控制了人口统计学变量后，在95%的置信区间CI上，教育培训（β=0.246，p=0.015）、技术平台（β=0.219，p=0.004）、素养氛围（β=0.335，p＜0.001）显著影响科研人员对待科学数据素养态度；教育培训（β=0.176，p=0.037）、素养氛围（β=0.173，p=0.028）、态度（β=0.253，p＜0.001）显著影响科研人员的科学数据素养。因此，H1～H6均成立。

表2 模型拟合度指标

图2 结构方程模型标准化系数

表3 结构方程模型非标准化回归估计值及显著性

在检验中介效应时，以往常使用的方法是So‐bel检验方法，但目前已有研究指出这种方法具有一定的局限性[40-41]。Hayes[42]针对Sobel检验方法的局限性开发了检验中介效应的SPSS宏程序，因此本文也采用这一程序，使用bootstrap方法在重复抽样5000次的基础上检验态度在三条路径中的中介作用。态度的中介效应验证结果如表4所示。本文的中介路径①在95%置信水平Bias-Corrected方法的置信区间为[0.007,0.147]，Pereentile方法置信区间为[0.002,0.129]，这表明间接效应存在，且间接效应估计值为0.059；本文的中介路径②在95%置信水平Bias-Corrected方法的置信区间为[0.009,0.166]，Pereentile方法置信区间为[0.008，0.165]，这表明间接效应存在，且间接效应估计值为0.071；本文的中介路径③在95%置信水平Bias-Corrected方法的置信区间为[0.030,0.1907]，Pereentile方法置信区间为[0.024,0.183]，这表明间接效应存在，且间接效应估计值为0.089。因此，H7～H9成立。中介效应的检验效果具体如表4所示。

表4 中介效应检验效果

综上所述，H1～H9全部得到数据支持。

5 基于QCA的实证分析及讨论

5.1 变量的选取和校准

由于量化研究和质化研究在学术研究中各有优劣[43]，因此，有学者将这两种方法结合在一起，形成一种新的研究方法，即定性比较分析方法（fsQ‐CA）。本研究选取教育培训、技术平台、素养氛围、态度和学历5个变量作为前因变量，主要基于以下考虑：第一，教育培训、技术平台、素养氛围、态度对科学数据素养的影响有理论与实证研究结论支撑；第二，本研究发现学历与科学数据素养呈正相关，其他控制变量（如性别、专业领域等）与科学数据素养关系不显著，因此，添加学历作为前因变量。

进行fsQCA分析的前提是要对研究中涉及的变量进行校准（calibrate），以提高结果的可解释性。首先，本文对前因变量中的4个连续变量教育培训、技术平台、素养氛围、态度取平均值；然后，按照Ragin[44]提出的5%（fully out）、95%（fully in）以及交叉点50%（crossover point）的标准，利用fsQCA 3.0软件中的Calibrate函数对数据进行校准。对于分类变量学历，本研究将大专及以下校准为0，大学本科校准为0.33，硕士研究生校准为0.67，博士研究生校准为1。

5.2 单项前因变量的必要性和充分性分析

依据不同自变量组合对因变量的影响生成不同的真值表，对各变量前因条件的必要性与充分性进行分析，得出单个因素的必要条件，如表5所示。吻合度指标类似于回归分析中系数的显著程度，即p值，是指该条件变量与结果之间的一致性程度，即某一个结果在多大程度上需要某一个变量存在[45]。从表5可以看出tra（教育培训）的吻合度最高为0.749178，未达到绝对必要条件的标准0.9，即没有指标可以成为科学数据素养的必要条件。同时，各前因变量的一致性和覆盖率均低于0.8，说明没有单一变量可单独影响科学数据素养，即科学数据素养是被交叠的多因素、多变量影响的，而非单个原因促成，各前因条件也不是引致结果的充分条件[46]。

5.3 条件组合分析

本研究需要将多个前因变量进行组合分析，探讨组合路径对结果变量的影响。将可接受个案数设定为1，一致性门槛设定为0.9，进行路径标准化分析，可以得到复杂解、精简解和中间解。本文选用中间解对结果变量进行解释，构建中间解模型：lit=f(tra,tec,atm,att,edu)。总体覆盖率为0.57426，总体一致性为0.865849，组合路径解释度较高。

从QCA软件的运行结果可知，在所有的前因变量组合中，影响科学数据素养有两条路径，分别为：学历*态度，学历*低素养氛围*低技术支持*教育培训。本研究将标准化分析结果中的精简解和中间解合并，得到前因变量构型，具体如表6所示。其中，或表示该条件存在，或表示该条件不存在，“空白”表示构型中该条件同时有存在和不存在两种可能，或表示核心条件，或表示辅助条件。

表6 科学数据素养的前因变量构型

表5 条件变量的充分与必要条件分析（结果变量取值为1）

将具有相同核心条件的前因构型进行归类，从而将其归纳为以下两种员工沉默行为触发模式。

1）模式一

S1的前因构型为“学历·态度”，高学历与积极态度均是引致高科学数据素养的核心条件。

有研究发现，受教育程度越高的个体越有可能树立专业的科学数据意识、拥有科学数据能力、遵守科学数据伦理道德，越有可能拥有较高的科学数据素养。从本研究结果可知，高科学数据素养不仅仅取决于学历，还取决于对科学数据素养的态度。具体而言，高学历科研人员接受过更高的教育，其对待事物更有自己的思考，评判事物也会更加独立，当高学历科研人员对待科学数据素养的态度较为积极时，受到来自外部的影响会较小，其更倾向于坚持自己内心的想法而做自己认为有利的事情，即提高科学数据素养。同时，高学历科研人员的基础认知水平和灵活性较高[47]，提高科学数据素养要付出的努力会小于低学历的科研人员，从而会比低学历的科研人员更可能产生高科学数据素养。因此，此模式最终导致高科学数据素养。

2）模式二

S2的前因构型为“学历·教育培训·～技术平台·～素养氛围”，高学历、高教育培训、低技术平台、低素养氛围为引致高科学数据素养的核心条件。当高学历的科研人员参加了大量关于科学数据素养的教育培训后，会增加对科学数据的全方面认识，意识到科学数据的宝贵价值，但面临较低的技术平台支持和较低素数据养氛围的不利外部环境，会激发改变这种不足现状的决心[39]，故科研人员会将其精力更加集中于科学数据素养的培养，且高学历的科研人员会拥有更加独立的价值判断，了解科学数据素养对于数据利用方面的重要价值，依旧会拥有并保持较高的科学数据素养。因此，此模式最终导致高科学数据素养。

6 研究结论与建议

科学数据兼具大数据的特点，如何提高科研人员的科学数据素养，促进其精准、高效获取和利用科学数据具有重要的现实意义。本研究从定性比较分析的构型视角出发，聚焦于科研人员数据素养，通过实证研究，揭示科研人员数据素养的影响机理，为后续研究提供了新的思路。

6.1 理论贡献

从理论层面来看，基于动机理论和态度习得理论，将科研人员科学数据素养的影响因素归因于外在动机和内在动机，构建科学数据素养影响因素模型，较好地解释了影响科研人员数据素养形成的内外部因素的作用机理，研究结论能够为科研人员数据素养的研究带来启示。

态度是最能影响科研人员提高科学数据素养内在因素的维度，本研究通过定性比较分析，探究了高科学数据素养形成背后的路径。定性比较分析结果表明：①触发高科学数据素养有两种模式。其中模式S1为“学历·态度”，模式S2为“学历·教育培训·～技术平台·～素养氛围”。比较这两种触发模式的覆盖率可知，S1对于高科学数据素养的解释力要大于S2的解释力。②在两种模式中，学历是两条组合路径共有的因素，应重点关注。

本研究的结论丰富了科研人员科学素养的动机及动机研究理论成果，且为更深入探讨影响科研人员数据素养的动机和态度的内在机理提供新的思考方向。

6.2 实践意义

从实践层面上看，教育培训、技术平台、素养氛围和态度都会对科学数据素养产生或多或少的正向影响。因此，高校、教育机构乃至企业都应定期组织安排关于科学数据素养的专题讲座或培训班：一方面，可以帮助研究人员掌握必要的专业处理数据的技能，提高学习或工作的效率；另一方面，基于态度习得理论，研究人员受讲解人的影响[12]，对待科学数据素养的态度会变得更积极，从而最终获得较高的科学数据素养[37]。同时，数据公司应开发高效便捷的软件，为科学数据的交流提供技术支持[48]，研究人员在处理数据时会有一种较为成功的体验，从而获得积极的态度而获得较高的科学数据素养。环境的影响对个人状态的影响是巨大的，当周围研究人员的科学数据素养较高，科学数据交流频繁，组织内部有较好的规章制度，其他研究人员都遵守伦理道德时：一方面，在这种良好的数据活动氛围的带动下，研究人员会提高对科学数据素养的重视及态度而提高科学数据素养；另一方面，良好的数据活动氛围也会直接提高科学数据素养。因此，组织内部应建立高效可实施的规章制度，对非法接触科学数据的人进行惩罚，以营造健康可持续的数据素养氛围。由复杂组态构型可知，学历对于高科学数据素养的路径建立起到至关重要的作用，学历对于高科学数据素养的路径建立起到至关重要的作用，因此，研究机构、高校、企业应尽量招募高学历人才。本研究的结论对于营造良好的数据素养氛围，提升科研人员对科学数据素养的重视及态度，增强科研人员数据素养意识具有重要的指导意义。

6.3 局限与展望

本研究的结果具有一定的理论意义与实践意义，但仍存在一定的局限：首先，本研究的原始数据是通过网上问卷的形式收集的，虽然经检验共同方法偏差带来的误差在可接受范围内，但也无法完全消除同源偏差[49]，后续研究可对研究方法进行改进以消除此类偏差；其次，本研究的原始数据来自同一时间点，且被试者的地点并不分散，后续研究可以通过分时段纵向设计获取各变量数据，并加大调查范围及样本量，使研究结果能适配更为广泛的研究对象[50]，以提高研究结果的外部有效性，并且通过其他数据源来验证模型[49]；最后，本研究采用的研究模型只探究了教育培训、技术平台、素养氛围和态度四个变量对科学数据素养的影响，其他变量均未涉及，研究模型只引入了中介变量，而调节变量等尚未涉及，今后可基于定性研究发现更多的影响变量，使研究结果更客观全面，后续的研究可基于更多视角，如动态变化的视角进一步揭示科学数据素养的形成条件[51]，引入更多参数迎合数据时代的到来，打开沉默的黑匣子。