投入量表在高中生中的信效度及修订：基于Rasch模型

陈 维

(贵州师范大学 教育科学学院,贵州 贵阳 550001)



投入量表在高中生中的信效度及修订：基于Rasch模型

陈 维

(贵州师范大学 教育科学学院,贵州 贵阳 550001)

用评定量表模型探讨学习投入量表在高中生群体中的适用性。采用方便整班抽样的方法，共抽取2 400名高中生进行ULES调查，并对该量表进行项目分析、探索性因素分析、平行分析、最小平均偏相关分析以及评定量表模型分析。结果表明：探索性因素分析、平行分析和最小平均偏相关分析均表明该量表在高中生群体中为单维结构并非原来的三维度结构；新量表(ULES)中，9个项目的Infit和Outfit在0.4～1.6，项目信度为1.00，被试信度为0.92。修订后的学习投入量表(ULES)具有良好的信效度，可以作为高中生学习投入的测量工具。

学习投入;信度;效度;Rasch模型;评定量表模型

0 引言

学习投入(learning engagement)是一种与学习、科研和就业相关的、持久的、积极的、充实的情感和认知的心理状态，它包括活力(vigor，指在学习中具有出众的精力与韧性，愿意为学业付出努力而不易疲倦，面对困难时坚持不懈)、奉献(dedication，指个体有强烈的意义感、自豪感及饱满的学习热情，能够全身心地投入到学习中，并勇于挑战)和专注(absorption，一种全身心投入的愉悦状态，将精力集中于学习并体验到愉悦感受)3个维度[1, 2]。由Schaufeli等[3]人以大学生为样本编制的“Utrecht学习投入量表”(Utrecht Learning Engagement Scale, ULES)，受到了广泛的应用，并在不同国家的大学生群体中支撑了三维度结构。在国内，由方来坛等[1]人引进该量表，并考察了它在大学生和研究生群体中的适用性。随后，有许多学者将该量表用于测量和评估国内大学生、高职生和初中生的学习投入情况[4-7]。然而，令人遗憾的是这些研究在跨群体(以大学生为初始对象编制的)中应用时，并未严格按照心理测量学的步骤或标准检验其信效度，只是简单地直接应用于其他被试，这难免会引起学者质疑它的测量学性能以及研究结果。鉴于此，本研究拟用Rasch评定量表模型(RaschRating Scale Model，RRSM)[8]来分析ULES在高中生中的信效度。

1 对象与方法

1.1 对象

被试为贵州省4所高级中学在校高一学生，采取方便整班取样的方法，由班主任随堂发放问卷2 400份，剔除无效、有规律和有缺失的问卷70份，共计2 330份，有效率达97.08%。其中，男生999人，女生1 321人，缺失填写的10人。

1.2 工具

采用自陈式调查，由Schaufeli等人编制的学习投入量表[1,2]：包括17个项目共计3个维度，即活力(6个项目)、奉献(5个项目)和专注(6个项目)，各项目均采用Likert 7级评分法，“从不发生”计1分，“极少如此”代表“大约1年发生一两次甚至更少”，计2分；“偶尔如此”代表“大约1个月发生1次或更少”，计3分；“经常如此”代表“大约1个月发生2到4次”，计4分；“频繁如此”代表“大约1周发生1次”，计5分；“非常频繁”代表“大约1周发生2次甚至更多”，计6分；“总是如此”代表“大约每天1次”，计7分。

1.3 统计分析

采用EpiData 3.1录入数据，转化.dta格式；利用Stata/MP 13.1进行数据整理和格式转换、并做信度分析、平行分析(Parallel Analysis，PA)、最小平均偏相关分析(Minimum Average Partialcorrelation，MAP)和探索性因素分析(Exploratory Factor Analysis，EFA)；用Mplus 7.0做验证性因素分析(Confirmatory Factor Analysis，CFA)；用Winsteps 3.74做RRSM分析。

2 结果与分析

2.1 结构验证

首先，在探讨维度结构之前，按原量表的维度结构做1个CFA，各拟合指标分别为：χ2/df≈1 666.793/116≈14.369，P<0.001，CFI=0.920，TLI=0.906，RMSEA=0.076(0.073，0.079)，SRMR=0.036，除卡方比值稍高于标准以外，模型与数据的拟合可认定为很好。如果按照传统方法分析，表明该量表有良好的结构效度。然而，众所周知将量表应用于一个新的被试群体时，则需要重新探讨其维度结构(即EFA)。那么，事实是否真如CFA的结果呢？接下来将呈现EFA的结果。

数据的KMO值为0.959，Bartlett球形检验值为χ2/df=19 485.281/126≈154.645，P<0.001，可做EFA。选用主成分法提取公因子，结果显示(见表1)特征值大于1的因素仅有1个，为8.130，其解释方差量达到了47.82%；若选用主轴法提取公因子，则特征根大于1的因子只有1个，其值为7.776，解释方差量达到了73.48%。鉴于特征值与碎石图在选取因子数上的缺陷，给出了PA和MAP的结果(见表1)，只支持1个公因子[9,10]。综上，可确定该量表在高中生群体中为单维结构而并非三维。

表1 EFA、PA和MPA的结果Tab.1 The results of EFA, PA and MPA

2.2 项目质量分析

传统方法常用鉴别指数和题总相关对项目质量进行评价(见表2)。在鉴别指数法中，以ULES总分的上下端27%分为高分组与低分组，两组中各项目的t值均达到了极其显著的水平(P<0.001)。在题总相关中，所有项目与ULES总分之间的相关在0.521～0.762之间，并达到了显著性。

2.3 信效度分析

在Rasch分析中，可同时检验信、效度。效度可依据检查项目质量和计分标准是否符合单维结构来确认测验的内部结构。单维结构的检验主要通过对残差进行主成分分析，只要首对残差的特征值之比1.4～2.1之间[11]，可认为单维结构成立，结果比值为1.7，在可接受范围内，同时它也没有超过显示单维度的门坎指数2.0[12]。此外，本次Rasch分析能解释整个数据51.7%的变异，这些数据证明了量表的单维性。由表3可知，除ULES02和ULES06的残差均方(Outfit MNSQ)稍高于1.4以外，其余项目的加权残差均方(Infit MNSQ)和Outfir均落在0.6～1.4[13]。这些指标也再次证明了单维结构和局部独立性成立[14]，表明此次分析符合Rasch的评定量表模型要求。表3中，所有项目相关度的测量值(点相关值)均为正值且大于0.4，这表明17个项目中每个项目与其它16个项目均有着合理的联系，或者说有较高的一致性和同质性。

表3 评定量表模型下的项目各指标Tab.3 The item indexes of rating scale model

信度则用分离信度(separation reliability)等系数来判断项目在区分被试能力和位置上是否精确，以确认被试排序的稳定程度有多大[15]。项目的分离指数为20.03(大于标准值6)，项目信度为1.00。相对地，被试的分离信度为3.06，被试信度为0.90。并未发现异常作答的被试和质量差的项目。

通过观察怀特图(wright map)(见图1)发现：项目分布和被试能力的分布基本一致。但Boone等人认为在怀特图中，重叠的项目所提供的项目信息量表是相似的，一个充分有效的测评工具，是不需要太多类似的项目。因为这不仅浪费被试的作答时间，也会降低问卷所收集数据的质量，重叠项目易引起被试沮丧和疲劳、以至于失去作答兴趣[8]。鉴于此，可通过以下几个标准逐个删除项目：共同度(等于因子载荷的平方)；点相关值；Infit和Outfit指标(离1越近越好)；项目难度。然而，在删除项目实施过程中，Rasch模型不同于传统方法(如鉴别指数或题总相关等)可同时删除两个或以上的项目，Rasch分析有着严格的重复迭代过程，若删除某个项目后，则需要重新再做一次Rasch分析。在图2中，ULES10、ULES11、ULES13和ULES15这4个项目是重复较多，可考虑删除其中1个，通过比较前面4个标准发现，ULES11均较差于其它3个项目，故首选删除该项目，然后重新做Rasch分析。在第二次分析后，发现ULES10、13和15重叠， ULES05、ULES08和ULES14重叠，而ULES04不再与ULES03和09重叠，但ULES01与16则重叠在一起。此时有两类3个项目的重叠情形，无法直接选择哪类先删除。但通过怀特图和项目难度值发现，被试和项目的均值都在0附近，而与ULES10、ULES13和ULES15三个项目相匹配的被试较少，故考虑从中再删1个。综合比较标准，此时需要删除ULES15。按照此步骤，依次再删除ULES13、ULES08、ULES04、ULES07和ULES01。

注：“#”代表14人，“.”代表1-13人图1 起始(左)和最终(右)的怀特图Fig.1 The first and last Wright maps

最终保留的9个项目，其内部一致性α系数为0.865 4(0.857 0，0.873 4)，括号内为95%的置信区间。项目信度为1.00，项目分离指数为21.09，被试信度为0.92，被试分离指数为3.30，各项目的Infit和Outfit均在0.4～1.6之间。保留9个项目的学习投入量表的测量学指标均达标，是可以作为测量高中生学习投入的适宜工具。

3 讨论

本研究通过多种方法探讨了学习投入量表在高中生群体中的维度结构，发现该量表在高中生群体中并不与原量表的三维度相符。尽管按原量表结构的验证性因素分析结果很好，但经平行分析、最小平均偏相关分析以及Rasch模型的残差主成分分析都表明该量表为单维度结构。就这点来说，这与其他学者在大学生、高职生以及初中生所得的结果并不一致[4-7]。当然，这也有可能与其他学者仅仅只用了验证性因素分析证明量表的结构效度有关。此外，学习投入量表本就是基于大学生群体编制的一个测评工具，其操作概念中明确指出它是一种与学习、科研和就业相关的一种心理状态。其中科研和就业这两方面对于高中生群体来说，本就不符合国内实际，在现行的高中教育制度下，面临的是“高考”这个独木桥，只有进入大学，才会考虑更深层次的科研和就业。所以，学习投入对于高中生群体来说仅与学习这一单维度有关，此点理论与研究所得数据分析结果也相一致，可认为高中生的学习投入是一个单维度结构。

立足于此，本研究利用现代测量理论的Rasch模型探讨了学习投入量表在高中生群体中的适用性并加以修订。通过10次评定模型分析，其中有8次逐步删除项目(删除的项目为ULES11、ULES15、ULES13、ULES08、ULES04、ULES07和ULES01等8个项目)的迭代分析，发现保留9个项目的学习投入量表，基本成1个连续体，与被试的平均能力分布相一致，可以有效地测量高中生的学习投入水平，这表明了9个项目的学习投入量表有着良好的效度。不过相对不足的是，在ULES10和ULES16之间、ULES17和ULES02之间、以及ULES02和ULES06之间均存在一个小间隔(gap)，表明这部分能力的被试缺乏相应的项目测量，在以后量表的完善中，可考虑从此着手。

修订后的学习投入量表的内部一致性α系数为0.865 4(0.857 0，0.873 4)，项目信度为1.00，项目分离指数为21.09，被试信度为0.92，被试分离指数为3.30，各项目的Infit和Outfit均在0.4～1.6之间。保留9个项目的学习投入量表各方面的测量学指标均已达标，是测量高中生学习投入的适宜工具。

[1] 方来坛,时勘,张风华.中文版学习投入量表的信效度研究[J].中国临床心理学杂志,2008,16(6):618-620.

[2] SCHAUFELI W B,SALANOVA M,GONZáLEZ-ROMá V,et al.The measurement of engagement and burnout:A two sample confirmatory factor analytic approach[J].Journal of Happiness Studies,2002,3(1):71-92.

[3] SCHAUFELI W B,MARTíNEZ I M,PINTO A M,et al.Burnout and engagement in university students:A cross-national study[J].Journal of Cross-cultural Psychology,2002,33(5):464-481.

[4] 沈永江,姜冬梅,石雷山.初中生自我效能对学习投入影响的多层分析研究[J].中国临床心理学杂志,2014,22(2):334-336.

[5] 石雷山,陈英敏,侯秀,等.家庭社会经济地位与学习投入的关系:学业自我效能的中介作用[J].心理发展与教育,2013,29(1):71-78.

[6] 徐大真,肖艳双.高职生自我决定动机与学习投入的关系研究[J].职业技术教育,2013,34(22):69-73.

[7] 高丙成.大学生学习倦怠的类型及其对学习的影响[J].中国特殊教育,2013,20(12):84-89.

[8] BOONE W J,STAVER J R,YALE M S.Rasch analysis in the human sciences[M].New York:Springer,2014.

[9] HORN J L.A rationale and test for the number of factors in factor analysis[J].Psychometrika,1965,30(2):179-185.

[10]VELICER W F.Determining the number of components from the matrix of partial correlations[J].Psychometrika,1976,41(3):321-327.

[12]LINACRE J M.A user's guide to Winsteps/Ministep Rasch-model computer programs[M].Chicago,IL:Winsteps,2013.

[13]BOND T G,FOX C M.Applying the Rasch model: Fundamental measurement in the human sciences(3ed)[M].New York:Routledge,2015.

[14]SMITH JR EV.Understanding Rasch measurement:Detecting and evaluating the impact of multidimenstionality using item fit statistics and principal component analysis of residuals[J].Journal of Applied Measurement,2002,3(2):205-231.

[15]WRIGHT B D,MASTERS G N.Rating scale analysis:Rasch measurement[M].Chicago:MESA Press,1982.

Psychometric properties of the Utrecht learning engagement scale in high students: Based on the Rasch model

CHEN Wei

(School of Educational Science, Guizhou Normal University, Guiyang, Guizhou 550001,China)

In this article we explored the psychometric properties of the Utrecht leaning engagement(ULES-17) for high school students. 2 400 students were surveyed with ULES-17, and we analyzed the data by using item analysis, exploratory factor analysis, parallel analysis, minimum average partial correlation, rating scale model. The results showed that the ULES-17 was unidimensional structure; the infit and outfit of each item was 0.4 to 1.6 in new scale. The item and person reliability was separately 1.00 and 0.92.The reliability and validity were excellent for the new scale.

learning engagement;reliability;validity; Rasch model; rating scale model

1004—5570(2016)05-0110-05

2016-05-30

贵州省科学技术厅、贵州师范大学联合科技基金资金(黔科合LH字[2014]7069号)

陈 维(1984-),男,博士,研究方向:心理统计与测量,E-mail:chenweihb@yeah.net18655572520.

B841

A