一、引言 随着全球教育研究的不断发展，教育实证研究方法的创新已成为推动理论进步和实践改进的关键驱动力，也是构建教育学自主知识体系的内在要求(袁振国等，2024)。为了促进中国教育实证研究走向世界，积极推动全球教育科学研究的创新发展，第十届全国教育实证研究论坛增设了“全球教育研究方法创新奖”(Global Award for Innovation in Education Research Methods)。该奖项旨在表彰全球范围内不同学科领域在教育实证方法创新方面取得突破性成果的顶尖学者，以推动学术创新并构建国际化学术共同体，彰显了中国学界参与全球教育治理的学术自觉与实践担当。 作为首届“全球教育研究方法创新奖”获奖者之一，赫伯·马什(Herb Marsh)教授是国际公认的教育研究方法学家，目前担任澳大利亚凯斯林大学积极心理学与教育研究所教授，同时是牛津大学名誉教授。马什教授发表学术论文超过800篇，引用次数超150000次，谷歌学术H指数达215，连续两年(2021和2022年)被评为全球被引用次数最高的教育研究者之一。他的学术贡献获得广泛认可，曾荣获美国教育研究协会职业成就奖和澳大利亚心理学协会心理科学杰出贡献奖。作为国际自我概念增强与学习促进(Self-concept Enhancement and Learning Facilitation，SELF)研究中心的创始人和主任，马什教授在过去25年间领导500多名顶尖研究人员，推动了自我概念(Self-Concept)、学习动机及教育干预等领域的研究，涵盖了自我概念形成与干预、“大鱼小池效应”(Big-fish-little-pond effect，BFLPE)、学生对教学效果的评价、同伴支持与欺凌预防等多个重要议题。 马什教授以其精湛的量化分析方法而闻名，尤其在结构方程模型领域做出了诸多创新。其研究涵盖了结构方程模型拟合指数(Marsh，2004)、面板数据分析(Marsh，1990)、多群组比较分析(Marsh，2018)等多个方面。2024年，他进一步提出了探索性结构方程模型(ESEM)的R包(Marsh & Alamer，2024)，有效解决了结构模型验证的难题。与此同时，马什教授在多层次建模、跨国大数据研究和潜在交互效应建模等领域拓展了量化研究的技术和理论边界，为未来的研究与实践提供了新视角和路径。他在自我概念方面多层次、多维度的量化研究成果，已在多个国家和地区的教育干预中得到应用，有效提升了学生的学习动机和自我效能感。 笔者在第十届全国教育实证论坛期间专访了马什教授，围绕教育中定量研究方法的发展现状、应用创新与未来挑战等内容进行讨论。马什教授分享了关于教育实证研究方法的深刻见解，提出了通过方法创新促进教育研究创新的三重“加法”经验。访谈内容已整理如下，以飨读者。 二、以“问题+方法”驱动教育研究的持续创新 对话者：马什教授，您好！感谢您接受我们的邀请，并再次祝贺您获得首届“全球教育研究方法创新奖”！能否分享一下您获得此奖项后的感受及其学术意义？ 赫伯·马什：能获得一个国际性、全球性的奖项，且这个奖项专注于我的定量贡献，对我来说真的是一种荣誉。我非常感谢有机会参加这次活动，这个奖项对我来说意义非凡，它不仅认可了我的研究工作，还为我提供了与国际同行交流的机会，这对于推动全球教育研究方法的创新具有重要意义。虽然此奖项可能尚需时间赢得国际声誉，但它无疑迈出了至关重要的一步。 对话者：当下研究方法的发展非常迅速，新的技术和工具层出不穷。您如何看待定量研究方法的发展现状？ 赫伯·马什：当下定量研究方法的发展令人兴奋，随着计算机技术的进步和分析软件的普及，研究变得更加高效。然而，这种快速发展也带来了诸多挑战。首先，研究者很难跟上定量研究方法的快速进步。新的技术不断涌现，研究者需要具备足够的直觉判断和理解能力，才能快速掌握新技术的原理和应用方法。这种能力对于研究者来说非常重要，但同时也非常难以培养。其次，不同学科领域对定量方法的应用水平差异较大。例如，教育技术和教育测量领域已经相对成熟，但教育心理学等领域在定量研究上的能力较弱，这种不平衡在一定程度上削弱了这些领域的研究质量。显然，研究人员需要接触多种不同的研究方法。 虽然使用更强的工具可以提高研究质量，但关键在于研究者是否充分理解这些工具的优势和局限性，判断对研究问题是否有实质性帮助。最近，我与学者们讨论了一些新研究，应用了非常复杂的网络分析和机器学习方法。虽然我不完全理解研究方法的细节，但我能够指出应用了高度复杂的方法也并不意味着解决了已有的问题。因此，研究者需要具备对新方法的批判性思维能力，应用这些工具时充分理解其优势和局限性，确保方法的选择能够真正解决问题并提高研究质量。 我认为，拥有扎实的研究方法论基础去接触新技术和新模型非常重要，这样你才能对新工具产生的结果有一种直觉上的判断。就像批判性阅读一样，你必须有足够的知识基础去分辨虚假新闻和可靠信息。同样的道理，在使用新的统计模型时，你也要尽可能从底层上理解它们的工作原理，否则你就无法判断这些结果是否真实可靠。因此，方法本身的演进是一方面，用方法来研究什么问题可能是更重要的一面。
