[中图分类号]G434 [文献标志码]A 早在1913年，托马斯·爱迪生就曾预言，“在学校里，教科书将很快过时。不久，学生将通过视听来接受教学……十年后，我们的学校系统将彻底改观”[1]。一百多年过去了，爱迪生的“预言”始终没有发生。与此同时，像这样的“预言”却层出不穷。然而，从视听教学到多媒体学习，从程序教学到计算机辅助教学，从远程教育到在线学习，教育工作者们似乎犯了一种“周期性失忆症”：一旦一种新技术出现，他们总是“蜂拥而至”“极力热捧”，最后却“淡漠收场”[2]。如何减少或避免这种“周期性失忆症”的“发作”是当下教育技术研究者亟待关注的研究课题。究其本质而言，这是对技术与学习关系的“拷问”，即技术的使用是否影响教与学。尽管这一问题似乎是一个肯定的答案，但研究者们仍然不得不去证明技术对于学习来说是否有效，以及技术的使用到底在多大程度上起作用，哪些因素在起作用等一系列问题。 早在视觉教学时代，这些问题就已成为教育技术领域关注的重要课题[1，3]。而最有影响力的事件是发生在Richard E.Clark和Robert B.Kozma之间的“媒体与学习关系之争”。Clark认为，媒体仅仅是传递教学内容的“通道”，其本身不会对学习产生任何影响[4]。而Kozma则认为，一般情况下，媒体本身不会对学习产生影响，而媒体的符号系统和处理能力会影响学习者的心理表征方式和认知加工过程，进而影响学习效果[5]。事实上，Clark所持“学媒无关”观点是建立在媒体效能比较研究的基础之上，而Kozma所持“学媒相关”观点是基于能倾处理交互研究的基础之上。在我们看来，这是一场关于技术与学习关系价值判断的争论，由于双方对媒体作用于学习的机制认识不同，其观点很难达成统一。 我们注意到，在这场论战中，Clark主要引用Kulik团队发表的一系列元分析[6-8]研究结果作为证据来论证自己的观点。元分析是由Gene V.Glass于1976年提出的一种定量的系统化文献综述方法，其研究结果往往被视为指导实践和制定政策的最佳证据[9-11]。自2002年起，美国国家研究理事会开始倡导使用元分析进行科学知识的积累[12]。《教育技术研究与发展》的主编也曾鼓励研究者通过开展元分析研究，改善教育实践[13]。然而，Clark所引用元分析主要聚焦于教学电视、程序教学和计算机辅助教学。近四十年过去了，技术在教学中的形态和应用方式发生了很大的变化，同时，大量的元分析研究涌现出来。这些已发表的元分析为技术有效应用于教学提供了哪些证据，是本研究关注的问题。 二、文献回顾 (一)技术、媒体与学习的关系 为厘清媒体与学习的关系，Kozma主张使用技术、符号系统和处理能力三种属性来定义“媒体”[5]。其中，技术是指媒体在机械和电子方面的特征；符号系统是指媒体的呈现方式，即各种元素(言语和图像等)的集合；而处理能力是指媒体在信息加工和处理方面的性能。在Kozma看来，技术本身并不直接对学习产生影响，主要作为媒体所支持的符号系统和处理能力的“使能者”。例如：计算机借助于声卡和显卡实现声音和图像两种符号的表征，计算机凭借足够大的内存运行专家系统。然而，在个人计算机时代来临之前，人们仅仅认识到媒体的技术属性，缺乏对符号系统和处理能力两种属性的认识，这正是Clark所持观点的历史局限性。 伴随多媒体技术的快速发展，媒体开始向非线性、交互式和立体化的形式转变。媒体所支持的符号系统越来越多地用于描述其区别于其他媒体的属性，例如：电视被看作是一种可支持图像化表征和音频语言符号的媒体。不同符号系统的心理表征方式和认知加工过程是不同的，这是符号系统影响学习的基本机制，也是多媒体学习的基本假设之一[14]。虽然Clark已经意识到媒体呈现方式是媒体的组成部分[4]，但其关于媒体与学习关系的认识仍局限于媒体的技术特征，这是Clark所持观点的认知局限性。 在过去的二十年里，以互联网为代表的信息技术获得了飞速发展，越来越多的学习者借助互联网和数字工具进行学习，在线学习成为一种重要的学习方式。显然，仅仅依靠媒体呈现方式来描述媒体是不够的，媒体的处理能力也可用于描述其区别于其他媒体的特征。例如：虽然光盘和视频广播是具有相同符号系统的媒体，但是两者处理能力不同，前者可以回看、自定步调，而后者不可。媒体的处理能力可以为学习者提供认知支持，弥补学习者认知技能上的不足。事实上，计算机区别于其他媒体的特征主要源于其强大的处理能力，而非独特的符号系统。 需要注意的是，尽管可以使用符号系统和处理能力的集合来界定和区分媒体，但这并不表示利用了媒体所有的属性。例如：一段视频中可能仅仅只有一个人在屏幕上说话，在这种情况下，一种“虚拟媒体”就产生了，电视机成了收音机，此时，只有虚拟媒体的特征才会影响学习的过程和结果。 (二)何为元分析？为何元分析？ 元分析是利用统计分析方法对同一问题的已有大量原始研究结果进行再统计。其核心概念效应量(Effect Size)是用于“衡量实验效应强度或者变量关联强度的指标”[15]。通常来说，效应量是一种标准化均值差，能够将使用不同测量方式、测量工具，甚至不同样本的原始研究结果转换成共同的量规，且大小不受样本容量的影响(或者影响很小)[15]。当效应量为1.0时 ，意味着在此种实验条件下学业成就相对提高了一个标准差。常用效应量有三种：Glass的Δ值[10]、Cohen的d值[16]以及Hedges的g值[11]。为了更清晰地解释效应量所表达的含义，元分析引入了
统计量[16]，表示实验组中位数与控制组中位数的百分位数差值，即若U[，3]值为65%，则意味着实验组中有65%的学生得分高于控制组中50%学生的得分，也可以解释为：接受实验组教学的学习者相比接受控制组教学的学习者来说，其学习成绩提升15个百分点。可以说，元分析的优势之一在于其研究结果有很强的解释力。
