顾小清 卢琳萌 宛 平

一、前言

教育研究范式是科研人员开展教育研究所需遵循的理论基础和实践规范。目前教育研究范式以经验科学范式和理论科学范式为主，思辨和实证研究较为普遍（李琳璐,2021）。这些研究范式具有多样化、综合性强、实用性高等优点，但也存在创新性缺乏、方法局限等问题，无法恰当地指引研究者对教育大数据中存在的教育规律进行解释和探究。2019 年《教育部关于加强新时代教育科学研究工作的意见》（教政法〔2019〕16 号）发布，指出要大力推进教育研究范式、方法的创新，建议教育工作人员关注人工智能等新兴技术对教育研究范式的影响。随着数字技术的发展与应用，教育数字化转型成为当前教育研究的热点内容，同时也是未来教育研究变革的趋势。因此，在教育数字化转型阶段，什么样的研究范式能够对教育的新现象、新趋势做出充分的描述和解释，这是目前教育研究领域关注的重要内容。基于此，本文在梳理研究范式及其演进脉络的基础上，明晰教育数字化转型对教育研究范式变革的新需求，挖掘教育数字化转型推动教育研究范式变革的内在机理，并探索教育研究范式的发展趋势。

二、研究范式及其演进脉络

为了推动科学的发展和进步，研究者在开展研究时会遵循一定的范式，以指导他们的科学研究行为。“范式”（Paradigm）这一概念最初由美国著名科学哲学家托马斯·塞缪尔·库恩（Thomas Sammual Kuhn）于1962年在《科学革命的结构》（The Structure of Scientific Revolu⁃tions）一书中提出，是常规科学所赖以运作的理论基础和实践规范，是从事某一领域研究的科学家群体所共同遵从的世界观和行为方式（Tolle et al.,2011）。

研究范式是指某一领域研究和实践的逻辑框架，为科学研究者提供了系统开展科学研究的准则（Babbie,2020,pp.40-41）。从哲学层面来看，研究范式代表着研究者看待世界的方式，是对开展本领域研究行动的共识信念（Willis,2007）。从社会学层面来看，研究范式代表着研究者开展科学研究的一组科学习惯，是领域内专家普遍认可的学术传统和学术研究的理论框架。从方法学层面而言，研究范式代表着解决问题的工具与方法。研究范式指导着研究者的整个研究过程，包括选择研究问题、确定研究方法、收集研究数据以及确定数据的解读方式（Kivunja&Kuyini,2017）。

一般来说，研究范式可以从本体论、认识论、方法论和价值论四个方面进行理解，它们构成不同研究范式的基本假设、信念、规范和价值观。研究范式的本体论主要关注现实和存在的本质。研究者对研究现象、事物所做出的假设有助于确定解决研究问题的方向。研究范式的认识论用来描述我们是如何认识事物的。研究者可以从直觉、权威、逻辑和经验等知识来源汲取知识。研究范式的方法论是为了达到研究目的而精心计划的研究设计、实验程序、数据收集方法、数据分析方法等。研究范式的价值论是研究者开展研究的伦理指导，帮助研究者思考研究的理论和现实意义以判断研究是否有必要进行。

从发展过程的角度看，科学研究范式随着理论和实践的不断发展而逐步进化和延展，主要体现为四种主流的研究范式，即：用于描述自然现象的经验科学（Empirical Science）研究范式，利用模型和归纳法的理论科学（Theoretical Science）研究范式，对复杂现象进行计算机仿真的计算科学（Computational Science）研究范式以及以数据密集型科学（Data Intensive Science）为基础的第四研究范式（Tolle et al.,2011）。表1对这四种研究范式的具体含义做了归纳。

表1 四类研究范式的含义

（一）经验科学研究范式

经验科学研究范式出现在17 世纪左右。在此阶段，研究者通过观察和实验的方式来记录和描述自然现象，从而揭示现象之间的规律和关系。秉承经验科学范式的研究者认为关于世界的知识应该通过系统和客观的观察和实验来获得，而不是依赖直觉、权威或传统。在这种范式下，研究者制定了关于自然世界如何运作的假设，然后通过实验和观察来检验这些假设。检验的结果被用来完善或否定这些假设，并发展关于自然世界的新理论。

在推动科学发展和进步的过程中，经验科学范式的研究具有具体、实用的特点，强调对实验结果的描述和归纳。例如，为了帮助人们更有效地学习和记忆知识，桑代克（Thorndike,1911,pp.35-56）设计了迷箱实验，通过观察和描述饥饿的猫如何从迷箱中逃脱的现象，从对实验结果的经验总结中得出准备律、效果律和练习律三条学习定律。

（二）理论科学研究范式

随着经验科学研究范式的发展，研究者逐渐发现实验会受到环境条件的限制，难以生成对自然现象更精确的理解。为了解决这一问题，研究者简化实验模型，在开展实验研究时保留关键要素，去除一些干扰变量，再对实验进行归纳总结。这逐渐形成了科学研究的第二范式——理论科学研究范式。

相较于经验科学研究范式，理论科学研究范式更加注重对实验数据和观察事实的深入理解和解释。理论科学研究范式的形成通常是经过长期的实验、观察和理论探索，通过对数据和证据的分析和推理，逐渐形成一种被广泛认可的理论或方法。这种范式通常会指导科学家们进行研究，指导他们如何提出问题、设计实验、分析数据，并通过演绎法建立关于事物的客观、系统化和精确的认识。

理论科学研究范式以演绎法为主，不局限于描述经验事实，即从一般性的原则或假设出发推导出具体的结论，再根据这些具体结论得出最终的结论。理论科学研究范式建立在基础理论和原则之上，偏重理论总结和理性概括，强调更为普遍的理论认识，具有广泛的解释和预测能力。例如，为了探究人机协同教研对教师教学反思能力的影响，蔡慧英等（2023）在归纳教师教学反思相关文献的基础上，将教师教学反思内容和反思层次作为理论框架，将人机协同作为自变量，教师教学反思能力作为因变量，设计并开展了前后测实验。研究发现人机协同教研虽然不会显著影响教师教学反思内容的广度，但会显著影响教师教学反思层级的深度。

（三）计算科学研究范式

20 世纪50 年代，约翰·冯·诺依曼（John von Neumann）提出了现代电子计算机架构，这使得计算机技术得到了迅速发展。在这一背景下，人们开始关注如何运用计算机技术支持科学家的学术研究，由此催生了第三代研究范式，即计算科学研究范式。

计算科学研究范式将计算机模拟和仿真作为科学研究的重要手段和方法，通过对模型和数据的计算和分析，发现和验证规律，以解决研究和实践问题。计算机仿真模拟技术的发展使得在信息空间中映射真实系统成为可能，因此，计算科学能够帮助研究者实现对复杂现象的分析。例如，为有效促进人工智能与教育实践的协调融合，胡艺龄等（2022）以构建模型的方式，采用非线性动力模型对人工智能与教育融合进行仿真模拟，并依据仿真结果挖掘人工智能与教育融合在时间尺度上的演化发展机制，提出了人工智能与教育融合的实践建议。

（四）数据密集型科学研究范式

21 世纪以来，人工智能技术飞速发展，社会信息化和智能化程度随着大数据、物联网等技术的日益成熟而不断加深，各个研究领域都涌现了大量数据。海量的数据催生了许多新的研究问题，为了解决新问题，研究者提出了第四研究范式——数据密集型科学研究范式。

数据密集型科学研究范式为科学研究提供更符合时代发展的研究方法与思路。科学研究的重心从理论和实验向数据转变，对大量数据进行收集、存储、管理和分析，以此来发现新的科学规律和模式。与以往三种研究范式不同，数据密集型科学研究范式从海量数据中提取知识，以数据为中心（Ramachandran et al.,2013；邓仲华& 李志芳,2013）。所谓以数据为中心的研究范式，是指先有海量的数据，再通过计算分析得出未知的结论。数据密集型科学研究范式在数据的基础上思考、设计和实施科学研究，实现了由传统的理论驱动向数据驱动的根本性转变，这也标志着科学研究范式成功向数字化转型（薛菁华等,2022）。例如，为优化在线学习平台的课程个性化推荐功能，研究者（Nilashi,et al.,2022）从在线学习平台收集了海量学习者数据，在对数据进行清洗、属性选择、属性转换和数据集成等预处理之后，利用数据挖掘或知识发现（Knowledge Discovery in Database，KDD）等方法从数据中发现关联、模式和随机结构，挖掘出了学习者的决策规则。

三、教育数字化转型对教育研究范式变革提出新需求

为加快推进教育数字化转型，国家从供给、需求、环境等角度发布了多项教育数字化转型相关政策，以促进教育高质量发展（祝智庭等,2022）。在实现教育数据采集和格式化以及教育流程数字化的基础上，教育数字化转型通过人机协同的方式，以智慧驱动着教育系统和教育生态的积极变化（李涛,2023）。在教育研究方面，国家鼓励教育研究者跨学科合作，共同研究数字化教育的理论和实践问题。教育研究需要提高其深度和广度，以更好地应对教育数字化转型带来的挑战和机遇。

教育数字化转型对教育研究范式变革提出了新需求。一方面，教育研究者需要关注数字技术创新与教育实践的融合，这对教育研究的内容提出了新的需求。另一方面，数字技术能够实现对教学和学习的海量数据采集，为教育研究提供了多维的证据支持。这意味着教育研究需要选择恰当的研究方法和数据分析方法深入挖掘不同情境下的教育大数据，以发现或预测教育规律。从教育研究范式自身来看，教育生态系统具有持续变化的内生发展需求，需要不断调整和更新教育研究范式。目前教育研究范式以经验科学范式和理论科学范式为主流。在教育数字化转型中，面对新兴数字技术的快速发展，经验和理论模型可能无法及时与之匹配，且以传统的“小数据”分析方法为主的研究范式难以快速准确分析教育数字化转型所带来的教育大数据。因此，教育研究范式亟须变革以适应未来教育的发展。

从教育研究思维来看，发展研究者的教育数据思维是教育数字化转型背景下教育研究的新需求。传统的教育研究偏重从理论经验和准实验中理解和解释教育现象，是在有限的样本中或特定的研究情境中开展研究的。教育数字化转型带来了蕴含教育价值的教育大数据，为研究者提供了更加客观科学的数据观察原始材料，帮助研究者描绘更大范围的教育现象，促使教育研究更加科学客观。教育数据成为教育研究的宝贵资产，能够驱动教育科学研究范式转型（杨现民等,2016）。为充分发挥数据驱动促进教育研究（郝祥军&顾小清,2023）的价值，研究者需要意识到教育数据具有潜在价值，具备数据驱动教育研究的理念（李新&杨现民,2019）。在具体的教育研究中，教育研究者的科研思维需要从抽样检验向全样本模式转变（陈丽等,2022）。教育数据思维可以帮助研究者以自下而上的视角进一步审视自己的研究，确保教育研究结论的客观性和普适性，推动教育研究的创新和进步。

从教育研究目标来看，揭示教育大数据蕴含的教育规律是教育数字化转型背景下教育研究的新需求。教育数据包含了教育相关者的行为、认知、情感等多方面的信息，而如何从这些教育数据中挖掘出师生行为模式、认知模式、情感模式等有价值的知识，进而归纳推理得出教育规律，实现数据的教育增值，是教育研究的新目标。此外，教育数字化转型为预测教育未来提供了人工智能算法基础，这可以帮助研究者在更加科学的数据信息中预测教育的未来，实现教育预测超越经验水平而走向真正的科学和精准（郑永和等,2020）。

从教育研究问题来看，解决与数字技术赋能教育相关的系列研究问题是教育数字化转型背景下教育研究的新需求。教育信息化是已有研究关注的重点主题，随着教育数字化转型的推进，这一主题有了新的内涵。一方面，数字技术如何助力教育实践成为研究关注的热点内容。在环境方法层面，不同实验情境会产生不同的研究问题域，这需要教育研究进行深入分析（陈丽等,2018）。例如，教育相关者对ChatGPT、教育机器人、虚拟现实等新兴数字技术的态度和感知研究，管理和部署教育数字技术的理论研究，数字技术对教师教学和学生学习的影响研究，数字技术如何与全学段全学科的教学相融合的实践研究，等等。另一方面，解决教育研究问题需要跳出数据的表象，深入挖掘数据背后的学习机理。教育数字化转型使得教学和学习过程可以被数字化记录和分析，从而为研究者提供更多关于教与学的过程性数据。这有助于研究者更加科学地探究学生是如何学习的，从而深入挖掘教育规律。

从教育研究方法来看，实现对大规模教育数据的采集与分析是教育数字化转型背景下教育研究的新需求。在解决教育大数据相关研究问题时，教育研究常用的小规模收集和分析数据的方法已不能满足研究的需求，带来教育研究方法的升级与更新（贺威& 刘伟榕,2014）。研究者需要开发和采用更适合分析大规模数据的技术和工具来高效挖掘数据中的信息。这意味着，教育研究范式的数字化转型要求科研人员充分应用数字技术，实现数字思维引领的研究方法转型。

四、教育数字化转型推动教育研究范式变革的内在机理

依据库恩（Kuhn,2012,p.111）的范式变革观点，随着学术研究的不断进步以及外界环境的不断变化，科学家们遵循的研究范式也会发生变革和进化。教育数字化转型带来的教育大数据及其分析技术为数据密集型科学研究范式的应用提供了基础和支持。下文从研究范式的本体论、认识论、方法论和价值论四个方面，深入分析教育数字化转型推动教育研究范式变革的内在机理。

（一）本体论：教育数字化转型能够扩展教育研究对象的规模

研究范式的本体论主要关注是什么的问题，即研究对象的本质和存在方式。在教育研究中，本体论关注的是教育现象，研究者需要理解和揭示教育现象的实质和基本特征以及教育现象之间的关系。研究者解读教育现象的本质需要借助各种教育数据（张羽等,2021）。

传统的教育研究主要关注教师、学生等教育主体，关注学校等教育环境。在教育数字化转型背景下，教育研究的对象实现了数量和类别两个维度上的扩展。从数量上来看，随着加入教育数字化转型实践的学校数量不断增加，微观、中观和宏观数据的获取更加容易（黄萃等,2021）。越来越大的教育数据体量扩展了教育研究的覆盖范围，促进教育研究全面发展。从类别来看，教育数字化转型使得学习环境更加多元，除了传统的面对面教学，虚拟实验室、数字孪生学习工场、线上线下全场景融合等学习环境也成为教学的重要场景。基于此，研究者可以采集并分析来自不同情境的教育数据，比较不同教学环境下的教学效果、学生表现和学习体验，从而深入研究教学模式的优劣和适用性。

教育系统中各个要素相互作用，彼此间并非简单的线性关系，教育的本质是一个复杂系统（段茂君&郑鸿颖,2023）。传统的教育研究将教育从复杂系统简化为简单线性系统，在限制情境下对教与学的本质进行探索（罗俊,2020）。教育数字化转型下的教育研究需要关注教育的复杂动态特点（Litwin & Stadnicka,2019）。通过挖掘教育大数据之间的关联性来提取知识，可以提供更强的洞察力、分析力和决策力（Wang et al.,2022）。例如，通过构建教育数字化模型来呈现真实世界，研究教育复杂系统的结构组成、演化动力与宏观涌现现象。

（二）认识论：教育数字化转型能够丰富解读教育现象的视角

认识论是研究者有关知识理解和获取方式的基本观点，例如，研究者认为知识是从观察、实验、数据中获取的。知识的本质与知识的属性密切联系。当知识作为名词时，其内容包括事实和观念；当知识作为动词时，其内容包括感知、分析和综合。在教育研究中，认识论影响着教育研究者对教育现象和教育规律的描述、解释和预测（万力勇,2022）。

传统的教育研究认为教学经验和科学实验是获取教育知识的重要途径。教学经验是教师在长期教学实践中积累的宝贵经验，可以提供实际教学情境中的洞见和经验教训。科学实验则通过控制变量等方法帮助研究者验证教育假设。随着教育的数字化转型，教育大数据为教育研究者带来了解读教育现象的新视角。一方面，大数据能够为研究者提供有关教育现象的多维数据，帮助研究者更好地解读复杂的教育现象。例如，针对学生学习行为的复杂过程，研究者（陈德鑫等,2019）基于深度学习算法，实现从学生情绪、学习路径、学习参与度等多维度实时了解学生的学习状态，并发现其中的规律和趋势，完成对学生行为的预测。另一方面，大数据及其技术也可能带来一些新的研究问题和新的知识点。随着可供分析的教育数据规模及维度增加，研究者能够揭示那些在较小数据集中无法检测到的关系，提出并探究以前难以发现的教育问题（黄萃等,2021）。在开展基于教育大数据的教育研究时，研究者通过大数据分析，能够识别出数据中隐藏的教学结构或学习活动模式。同时，这也推动了对教育小概率事件的量化研究（顾燕峰,2021）。这些新的研究问题和知识点有助于推动教育研究向着更加前沿、深入、广泛和实用的方向发展。

（三）方法论：教育数字化转型能够创新分析教育数据的方法

教育研究中的方法论旨在帮助研究者分析数据的特征及其关系。传统教育研究多以文本分析、统计分析等方法为主，这种管理和分析小样本数据的方法无法处理和分析庞大而复杂的教育大数据（Géczy,2015）。随着数字化进程的推进，社会各个领域对如何挖掘数据中的价值予以了重点关注，催生了许多分析和可视化大数据的新方法，能有效解决上述问题（Daniel,2015）。

第一，大数据工具使研究者能够以相对较低的成本快速收集大量研究数据（Mayer-Schnberger,2015）。例如，利用物联网、VR/AR 可穿戴设备、校园智能卡等采集教育数据的物联感知类技术，借助智能录播教室等获取教育数据的视频录制类技术，依靠图卷积神经网络等算法捕获教育数据的图像识别类技术，运用网络爬虫、日志等捕捉教育数据的平台采集类技术，这些大数据技术弥补了传统教育研究难以采集全方位数据的不足（邢蓓蓓等,2016）。

第二，大数据分析方法为教育研究提供了一套全面的分析工具，用于分析和可视化学习和教学数据。例如，特征提取和分类器方法或者深度学习方法可以实现师生的情绪分类和姿态评估，大规模模型的自然语言处理技术能够对师生话语数据进行更为准确和深入的处理，协同过滤、内容推荐、矩阵分解等推荐算法能够快速生成师生数字画像。这些智能分析工具能够在统计分析的基础上迅速挖掘出数据间的相关关系，并能依据数据关系进行智能预测。

第三，人工智能技术的发展为教育研究者开启了人机协同的研究样态。自John Jumper团队开创性地利用人工智能技术破解了生物科学领域的科研难题之后（Jumper et al.,2021），AI for Science 受到了各个研究领域的重视。AI for Science旨在利用人工智能强大的数据归纳和分析能力去学习科学规律和原理，得出模型来解决实际的科研问题。研究表明，AI for Science 能够自动完成某些科研工作任务，辅助研究者进行科研创新工作（Wang et al.,2019）。例如，ChatGPT 可作为AI for Science的具体工具，通过“训练大模型”让计算机与人对话时有逻辑、有条理地输出任务结果。在研究过程中，研究者可以借助ChatGPT搜索领域相关信息、收集数据、撰写文献综述、编写代码、检查程序、设计实验方案等（洪永淼& 汪寿阳，2023），从而更快地汲取、交换和创造知识。

（四）价值论：教育数字化转型能够强化教育决策的效用

教育本质上是人类特有的价值追求活动。长期以来，教育研究旨在揭示教育现象背后的规律，建构教育教学理论，影响教育决策，从而促进教育理论和实践的发展（桑国元,2016）。在传统的教育研究中，研究者多以经验抑或假设为导向，注重对已经发生的教育现象的表征，在总结教育数据关系及其背后规律的基础上制定教育决策。随着教育数字化转型的不断推进，教育中的各类数据得以被重新认识，教育大数据对教育决策的助力价值也受到研究者的重点关注（刘桐&沈书生,2018）。

从教育决策过程来看，教育数字化转型提高了教育决策的效率。一方面，教育数字化能够助力研究者决策理念的数据化。数字技术在教育领域的广泛应用为教育决策提供更多的数据和信息，这为研究者提供了数据为先的决策理念（刘桐&沈书生,2018）。教育大数据帮助研究者个性化分析学生和教师的需求和表现，有效提高了教育决策的效率。另一方面，教育大数据能够降低实证研究的成本。以往基于假设的教育决策需要经过较长时间的实验才可得出，而教育大数据技术能够依托强大的算力算法，精准快速完成对教育大数据所反映关系的描述与分析，降低实证研究的时间成本。

从教育决策结果来看，教育数字化转型增益了教育决策的效果。一方面，教育数字化能够强化教育决策的科学性。教育大数据不仅为教育决策提供全面的证据支撑，还为研究者提供了“自下而上”的思考路径，帮助研究者更细致地分析复杂的教育现象（朱波& 王坦,2019），这极大地保障了教育决策的可行性。另一方面，数字技术能够帮助研究者预见教育的未来，站在未来的视角，研究者的教育决策得以科学地指引教育的发展（杨现民等,2016）。

五、教育研究范式的发展趋势

在教育数字化转型的背景下，教育研究范式正处于变革的转折点。教育中新事物和新问题不断涌现，推动着教育研究本体论、认识论、方法论和价值论的数字化转型，也影响着教育研究范式的发展趋势。

（一）未来教育研究的研究旨趣：多元共存

教育研究的研究旨趣影响着教育研究的取向和具体内容。在技术不断推陈出新的时代背景下，教育研究也需要与时俱进。为实现教育研究的百花齐放，教育研究者既要做研究的变革者，也要做研究的包容者，实现研究旨趣的多元共存。

从教育研究的功能来看，规律验证、意义挖掘和教育预测是教育研究的三种不同旨趣。规律验证是指研究者通过发现客观规律，验证并提高知识的可靠性和普适性。验证教育规律能够为教育相关人员提供理解教与学的理论知识，指引其开展更科学的教学实践（赵国庆等,2015）。意义挖掘是指研究者对收集到的教育大数据进行分析和解释，深入探讨某一现象或问题在教育领域中的意义、价值和影响（郝德永,2001; 王洪才& 田芬,2021）。以意义挖掘为旨趣的教育研究需要研究者关注以下两个方面：一是深入挖掘教育大数据背后的意义。教育研究者需要更深入地挖掘和理解教育大数据的内涵和背后的意义，探讨教育大数据与教育现象之间的关系，从而更好地理解教育现象和教育问题的本质。二是探索研究结果的实践价值。研究者需要将研究成果与实际教学应用相结合，探索研究结果的实践价值和应用前景，为教育发展和进步提供有益的经验和思路。教育预测是指研究者在连续性原理、因果性原理和相似性原理的基础上，对教育进行探索型、规范型和反馈型预测（万力勇,2022）。探索型预测是从教育现状出发，预测未来教育的可能；规范型预测是在预设未来教育目标的基础上，预测达成目标所需的时间和程序；反馈型预测是探索型预测和规范型预测的综合应用。教育研究者需要明晰研究情境中的自变量和因变量，了解并能进行基于深度学习的教育数据预测，预见教育的未来。

规律验证为教育研究带来强大的理论基础，意义挖掘能够帮助研究者深入理解教育规律赋能教育实践的机制，教育预测则是在规律和意义的基础上为教育发展指引方向。未来教育研究需要多种研究旨趣共存并相互补充，共同推动教育研究的发展和实践的改进。

（二）未来教育研究的研究方法：理论与数据并重

在未来的教育研究中，研究者会更注重教育大数据中蕴含的非主观性的教育模式和教育规律。研究将以数据为导向，借助相关算法从大数据中识别出关键变量，并探索各个变量之间的相关关系和因果关系，进而归纳出隐藏在数据中的价值和规律（罗俊&李凤翔,2018）。

传统教育研究通常追求因果推论逻辑，即通过实验设计和统计分析来确定某种干预手段对学生学习的影响。然而，随着数据密集型科学研究的兴起，这种传统逻辑正在发生改变，研究将相关分析与因果推断相融合，更加注重挖掘数据之间的相关关系和进行规律预测。数据驱动的研究可以克服假设驱动的局限性，不仅能够帮助研究者更加客观地反映教育事实，还为解释复杂教育现象提供了可能。但纯粹数据驱动的研究会因缺乏一定的理论支撑而难以对数据结果进行解释和概念化（Kar&Dwivedi,2020）。关于数据驱动将导致“理论终结”的夸张说法已受到研究者的一致反对（Hofman et al.,2021）。因此，为保障教育研究的科学性，研究者需要结合数据驱动和假设驱动的优势，开展“假设—数据”双向驱动的教育研究（罗俊,2020; Karpatne et al.,2017）。双向驱动的教育研究使研究者站在数据之上开展质性和量化的融合研究，充分发挥人的解释能力和推理能力，增强教育研究的可信度和有效性。

理论与数据并重的教育研究需要研究者在构思研究之初，就意识到理论对研究的规范指导作用以及数据的驱动和验证作用。研究者需要对研究领域进行大量文献阅读，以生成合理的研究设计。同时，研究者要采集多层次多维度的教育数据，注重对教育数据的信息挖掘和探索，从客观角度提升研究结果的可信度。

（三）未来教育研究的学科趋势：跨学科研究

教育数字化转型促进了教育研究与计算机科学、心理学、社会学等学科之间的跨界融合与互动。尽管大数据为教育提供了许多机会，但教育中的大数据和教育研究是两个独立的研究领域，需要不同的技能和知识。教育研究广泛关注教育的各个方面，如学生学习、教学方法、技术强化学习等，而教育中的大数据则使用数据科学技术处理大型复杂数据的分析问题，涉及计算机、人工智能算法等。因此，在开展数据密集型科学研究范式下的教育研究时，不可避免地需要进行跨学科的研究。

跨学科研究已经成为不同领域研究的新趋势。一方面，不同学科背景的研究者能够提供洞察本领域规律和价值的不同角度，能够碰撞出更加丰富的研究思路和新颖的研究方法，助推学科领域的横向和纵向发展。另一方面，数据密集型科学研究范式的推广使得不同领域的研究者有了同质性基础，即均关注对学科内大数据的分析和挖掘，这为不同学科研究者之间开展跨学科合作研究提供了技术支持（薛菁华等,2022）。

在开展跨学科的教育研究时，研究者需要批判性地建构不同学科的知识，但需要以教育学科为主，避免丢掉研究的重心。此外，为了应对大数据爆炸和人工智能革命带来的新机遇和挑战，教育工作者在进行跨学科研究之时，也需要和不同领域的相关部门进行合作创新（Luan et al.,2020）。因技术水平、政策等原因，在学习和教学中采用大数据和人工智能技术仍处于起步阶段，然而心理学、数据科学和计算机科学的发展融合在教育研究、实践和行业革命中显示出巨大的希望。未来的教育研究将充分发挥其他学科的优势，以跨学科研究的形式全面深入地探索教育的未来。

（四）未来教育研究的实践路径：人机互补

人工智能技术赋能科学研究过程已经成为教育研究的发展趋势，但人工智能技术在实现正面价值的同时，不可避免地也会带来负面影响。从人本主义理论出发，人的智慧能够提高人工智能的价值上限，可以通过人类参与或反馈等人在回路的模式驱动人工智能更精确有效（祝智庭等,2021）。因此，如何基于智能技术从海量数据中剥离教育问题的本质和规律，系统全面地开展教育数据治理，科学理智地做出教育决策，是未来教育研究关注的关键问题（郑永和等,2022）。在“人—机—数据”三元融合的时代，数据是人机交互的重要桥梁。人和机器实现功能的互补和价值的匹配是推动教育研究创新发展的关键。人机交互既是塑造数字教育新业态的关键任务（刘三女牙等,2023），也是未来教育研究的实践路径。

实现人机互补的教育研究，需要人与计算机和智能教育产品协同交互，充分发挥各自的优势，实现1+1＞2的效果。首先，研究者需对人工智能技术持有辩证的态度，认可其在采集和分析数据等方面的优势，也知晓其在解释和逻辑等方面的不足。其次，研究者需具备一定的数字素养，了解人工智能的基本原理、方法和技术，为智能技术赋能教育研究做好准备。最后，在分析和解释教育研究结果时，研究者需要将智能算法的结果与专家判断相结合，从而得出更准确、更可靠的研究结论。在具体开展教育研究时，充分发挥人工智能技术的作用，以人机互补的方式，各取所长，相互成就，助推教育研究更加科学快速高质量发展。