一、引言 元分析起源于1976年，由格拉斯(Glass)首次提出，旨在通过合并效应量来评估不同研究结果的一致性和差异性。[1]元分析属于系统评价中定量研究的方法，能将特定领域内多项研究的结果进行整合分析，从而获得更加准确、更具普适性的结论。[2]传统文献综述受限于其主观性和非量化特性，难以提炼出具有普遍意义的结论，更无法对研究质量与样本特征给予充分考量。因此，文献综述虽然数量庞大，却难以提供令人信服的定量证据。最初，元分析应用于循证医学领域，旨在解决临床试验结果的不一致性难题，评估特定医疗干预的有效性。随后，其应用范围迅速扩展至心理学、教育学等多个学科领域，特别是在教育领域，近年来元分析的应用更是呈现出井喷式增长。在"Web of Science"网站上联合搜索"meta-analysis"和"education"，可以搜索到一万七千多篇相关文献。在2000-2010年期间，每年只有一百多篇到三百多篇的教育类元分析文章发表；然而自2019年起，年发表数量突破千篇，并保持持续增长的强劲势头。这一数据不仅直观反映了元分析在教育研究中的重要性，也预示着其在未来教育研究中的广阔应用前景。 为何众多学者纷纷将元分析从医学、心理学领域引入教育领域？其根源在于元分析能够精准击破传统文献综述难以触及的难题与挑战。在教育领域，元分析的价值尤为显著，主要体现在三大方面：其一，元分析是解决教育领域争议性问题的利器。教育领域常面临研究结论相互矛盾的情况，如游戏化学习对学生批判性思维的影响，既有支持者亦不乏反对声。通过汇总并分析21项研究的效应量，毛(Mao)等人的元分析明确揭示了游戏式学习对学生批判性思维具有显著的正面效应，为这一争议提供了确凿的量化依据。[3]其二，元分析能够深入剖析同一教育主题下不同研究结果的差异性，揭示其背后的原因与程度，这是传统文献综述无法做到的。例如，在探讨数字工具对教学效果的影响时，不同研究间的结果大相径庭。那么，不同的研究结果之间存在多大程度的差异？这些差异可能的原因是什么？雷浩等通过对一百多项数字工具对教学影响的相关实证研究进行元分析发现，不同研究间的差异高达77.4%，并通过亚组分析明确了文化背景等调节变量的具体影响，为理解这些差异提供了深刻的洞见。[4]其三，从统计学视角审视，元分析其优势在于采用定量方法非主观地整合多个实证研究结果，从而增强了统计效力，确保了结论的精确性与可信度，受单个实验本身的随机误差和实验条件限制的影响较小。元分析具备明确的操作流程、透明的搜索与操作策略，任何人都可以自行验证，因此它的结果更加客观。[5]同时能有效评估研究偏倚，为研究者全面把握研究领域现状提供了有力支持。 然而，随着元分析在教育领域的欣欣向荣，潜藏的危机也悄然浮出水面。目前国内教育领域关于元分析的研究大多采用固定效应模型或随机效应模型，这些模型虽然为早期的元分析研究提供了基础，但是在处理具有复杂结构的数据时，会难以反映真实的数据情况，使结果解释不准确，影响研究的有效性和可靠性。它们难以处理纳入研究中效应量之间的相关性，难以同时系统地评估多种干预措施的效果，难以剖析元分析自身结论间存在差异的情况。面对传统元分析的局限性，国外的研究者们已经开始向更加前沿的元分析模型转移，以更好地适应教育研究的需求。以三层次元分析、网络元分析、二阶元分析为代表的前沿元分析模型，喻示了元分析方法学在教育领域的重要进步。截至2024年10月，在中国知网以“三层次元分析/三水平元分析”“网络元分析”及“二阶元分析”为关键词，在教育领域的期刊论文中进行“篇关摘”搜索，结果显示：仅检索到两篇关于三层次元分析的论文，一篇二阶元分析论文，而网络元分析论文数为零。这一数据与其在国外教育学领域的广泛应用形成了鲜明对比，凸显了国内教育领域在前沿元分析模型应用上的相对滞后。 随着教育研究的不断深化，面对的问题日益复杂化，传统元分析模型的局限性愈发凸显。然而，国内教育领域内关于前沿元分析模型的研究尚显薄弱，原因之一就是缺乏方法论的研究，目前国内还没有专门探讨前沿元分析方法学的文章。为了应对教育研究的复杂性挑战，降低元分析应用的门槛，助力研究者选择适用的元分析模型，本文旨在详尽阐述三种前沿元分析模型的核心内涵与作用机制，明确它们所能解决的教育问题范畴及适用场景，同时探讨这些模型为教育领域带来的潜在机遇与挑战。 二、三层次元分析模型 (一)三层次元分析模型的作用机制 三层次元分析是一种统计技术，用于处理多层次结构的效应量。它在传统元分析只分析抽样误差(层次一)与研究间异质性(层次二)的基础上，额外增加了一个层次：研究内异质性(层次三)。这使得它能解决传统元分析无法解决的效应量存在依赖性的问题，提高了统计效力。[6]实际问题中，效应量存在相关性的情况更为普遍。此时，效应量之间就会有重叠的部分，这些部分就会让结果被过度信赖，从而影响结果的准确性与可靠性。当同一研究报告了多个效应量时，如果这些效应量互相独立，那自然可喜，但是如果它们有相关性，那如何妥善处理这一挑战显得尤为重要。 针对这一问题，范(Van)等人指出了实践中存在的三种情况以及应对的方法：一是无视相关性，还把它们当独立变量处理；二是避免相关性，只选一个有代表性的效应量；三是建立相关性之间的联系，比如构建多变量元分析模型。[7]
