面向大数据的BEI2.0 “县·省”级综合测评指标模型建构与验证

陈金华 何建 刘俊 张养力 沈轶

[摘   要] 面向大数据的基础教育信息化2.0（BEI2.0：Basic Education Informatization2.0）“县·省”级综合测评是推动我国BEI实现“三全、两高、一大”发展的重要举措和路径，建构科学、合理、高效的“县·省”级测评工具是基础教育信息化推进的有力保障。为充分发挥“县·省”级对基础教育信息化的决策和指导作用，实现顶层设计、科学规划、精准建设，通过文献研究、系统归纳、问卷调查和统计分析等方法，建构了面向大数据的BEI2.0“县·省”级综合测评指标模型，包含7个构面及其27个可测指标，并基于实证，采用信效度分析、结构方程模型和回归模型对指标模型进行了验证。结果显示指标模型建构科学且结构合理，具有较高的实用价值，为推进我国基础教育信息化发展及综合精准测评提供了普适、客观、有效和系统的工具支撑。

[关键词] 大数据; 基础教育信息化2.0; “县·省”级（县、省两级）; 综合测评; 指标模型

[中图分类号] G434            [文献标志码] A

[作者简介] 陈金华（1967—），男，重庆石柱人。教授，博士，主要从事基础教育信息化战略与学习空间建构、教育大数据测评与学习分析、人工智能与智慧教育研究。E-mail：csdcjh@126.com。

一、引   言

大数据和教育信息化是我国的国家战略，面向大数据的教育信息化自然已成为国家教育改革和发展规划的重中之重。《教育信息化“十三五”规划》明确要求研制教育信息化水平测评指标模型和测评办法，全面开展教育信息化督导评估，这充分表明在大数据背景下教育信息化测评作为指导和检验教育信息化发展水平的“试金石”从顶层设计上得到重视。多年来，基础教育信息化发展指标作为衡量我国基础教育信息化发展水平的重要工具，在教育信息化建设中发挥着重要作用。但是研究发现，国内外现有指标模型研制多依赖于主观判断的思辨性研究，囿于专家定制或组织提供，缺乏大数据支持，目标局限于某一学校或“特定区域”的发展状况考察，是否有效很难证明。它们忽视了内生动力的培育，难以综合反映“县·省”（县、省两级）级基础教育信息化进展状况，很难激发基础教育信息化政策的“造血功能”，更无法很好地体现新时代BEI2.0规划设计的实际效果。我国长期以来实行“以县为主”的教育经费投入体制，“县”既是教育之首又是教育之尾，以县省两级为对象测评BEI2.0综合水平，既可以较好地反映当下县与县级之间的差异，又可以直接映射以县为单元的城乡差异，还可以统整省级综合水平进行全国性比较。以“县·省”为主可以有效督促教育经费精准投入，切实加强基础教育信息化建设。因此，在大数据与教育信息化2.0背景下，建立客观、精准、普适的BEI2.0“县·省”级综合测评指标模型，以“县·省”为对象全面测评BEI2.0综合发展水平，准确把握建设进展、及时发现发展短板、科学制定发展规划是当前亟待解决的突出问题。

二、研究综述

大数据与BEI2.0是近年来研究者一直都关注的热点。面向大数据的BEI2.0“县·省”级综合测评目的是利用教育大数据专门测评“县·省”级BEI2.0发展水平，以进行“县·省”级纵横比较，明确“县·省”级自身情况。要建构面向大数据的BEI2.0“县·省”级综合测评指标模型，必须深入研究指标模型的发展逻辑和建构机理。为此，有必要对面向大数据的测评、“县·省”级测评以及综合测评指标模型的国内外研究“历史”做出深入考察。

（一）面向大数据的测评研究

面向大数据的基础教育信息化已经成为教育现代化的主导方式，呈现出一道数据化的教育景观。Cukier认为大数据开启了重大的时代转型，就像显微镜观察微生物和望远镜遥观宇宙一样，大数据改变了我们理解世界的方式[1]。Michael等认为大数据是依托于互联网的思维方式革命。分布式大数据为教育信息化规划（P）、设施（F）、资源（R）、应用（A）、人才（T）、保障（G）和效果（E）进行远程动态测评奠定了基础。面向大数据的基础教育信息化（BEI）持续推进模型[2]的提出，把教育信息化测评推向了新的技术高度，成为教育过程、教育行为和教育质量的“全景化”数据监控。基础教育信息化测评大数据主要来源于“县·省”级教育平台，是基础教育信息化常态过程中产生的过程性数据和结果性数据，属于教育测评大数据的子集，具有常态化、易采集、结构化程度高等优势。基础教育信息化测评大数据的研究才刚刚起步，在大数据和教育信息化2.0时代，应加快建设，为BEI2.0有效测评及分析诊断提供客观性支持与条件。

（二）“县·省”级测评研究

我国国家尺度的基础教育信息化测评体系仍然沿用“六要素模型”[3]，基础教育信息化测评工具在国家“六要素模型”的引领下不断开发涌现。据不完全统计，目前我国构建的指向县域的指标模型有伊川县、偃师、嵩县指标模型，保靖、凤凰指标模型和“县级监测评估框架”[4];指向省域的指标模型有“X”省指标模型[5]、甘肃指标模型、宁夏指标模型[6]和上海指标模型等。深入分析这些指标模型可以发现，虽然指标的客观性、针对性、准确性尚存不足，但仍然较为全面地涵盖了基础设施、资源、人才和应用等指标内容，相比于非“县·省”级测评具有“补短板、抓关键、促规划”的作用。

（三）综合测评指标模型研究

Solar等从基础设施、教育管理、管理者、教师和学生等五个方面构建了立体化教育信息化测评模型[7]。Korea运用能力、探访、应用和满意度四项指数测定BEI综合发展水平[8]。通过对EUC（2008—2009）、UNESCO（2002—2009）、Japan（2000）、USA（1996—2001）、Eurydice（2001）等國际组织和国家典型基础教育信息化指标模型研究发现[9]，国外基础教育信息化测评指数的突出特征即涵盖规划、环境、资源、应用、人才和保障等6 大维度。我国基础教育信息化测评指标模型研究大致可划分为三类：一是顾全大局类，如教育信息化建设与应用研究课题组提出的设施、资源、管理、人才、政策、产业6维度指标[10];二是注重应用类，如包含教师、学生、校长和骨干教师四层面的指标模型[11];三是关注资环类，如指向设施、资源、效能、机制和保障的指标模型[12]。抽取这三类指标模型详细分析可以发现：其一，建构指标模型的方法绝大多数是质化研究，极少数是量化研究;其二，虽然随着教育信息化的发展升级在指标模型的规划、人才和效果等内容有所增强，但指标总体综合能力还是略显不足。

三、研究设计

（一）研究思路与方法

本研究首先通过文献分析进行理论梳理，然后确定研究对象、选择抽样方式、研制研究工具、明确统计方法，综合采用质化研究与量化研究相结合的研究方法建构面向大数据的BEI2.0“县·省”级综合测评指标模型，质化研究主要是通过文献分析和访谈调查进行理论梳理、模型构面建构与构面指标建构，量化研究主要是通过问卷调查和统计分析进行模型验证。在模型构面建构与构面指标建构研究中主要是通过指标海选、指标初选和指标定量筛选以建构指标框架。在量化研究中主要是运用SPSS 24.0统计软件进行聚类分析和探索性因子分析以抽取指标，最后进行结构方程模型（利用AMOS24.0）验证和回归模型验证，以获得较为客观、准确、科学的指标模型。

（二）研究情景与对象

本研究借助某省中小学教师信息技术培训项目，按照省教育厅评定的全省教育强县、教育中等县和教育弱县各选3成，对中小学校长、信息技术管理人员和教师进行问卷调查，参与调查者年龄在23～55岁之间。抽样采用整群抽样与随机抽样相结合，抽样教师分布情况为：男教师418（46%）人，女教师482（54%）人;小学教师300（33%）人，初中教师350（39%）人，高中教师250（28%）人。发放结构式问卷900份，剔除75份无效问卷，回收有效问卷825份，问卷的有效回收率为91.7%。此外，对8位小学校长、9位初中校长和6位高中校长进行了个人深度访谈，对10位中小学信息技术管理人员和25位教师进行了焦点小组访谈。

（三）研究工具与统计分析

本研究以构面指标建构的33个测量指标设计的《面向大数据的BEI2.0“县·省”级综合测评指标模型问卷》（以下简称《问卷》） 及访谈提纲为研究工具，《问卷》从“面”的视角出发，访谈从“点”的视角看问题。《问卷》包括人口统计学信息，采用李克特（Likert）7点计分法，1分为很不符合，7分为非常符合。统计分析根据目的不同使用不同的软件进行数据处理。利用SPSS24.0分析整体样本数据，数据无缺失值和异常值，并将数据分成了两个样本，一个样本（n=413）数据用于预试，进行聚类分析和因子分析提取指标架构;第二个样本（n=412）数据用于指标模型验证，即用AMOS24.0建立结构方程模型验证和用SPSS24.0建立回归模型验证。

四、指标模型建构

模型建构是现代科学研究中常用的一种方法，要求模型具有良好的普适性。人们在建构模型的历史长河中，形成了科学建构测评指标模型的一些原则。指标间要相互独立、保持差异，尤其是横向比较时要求口径一致。在大数据时代，指标模型建构主要研究如何从大数据中抽取适宜的指标，并根据指标信息构建结构化的指标与指标之间的关联关系。从现有研究上看，建构面向大数据的BEI2.0“县·省”级综合测评指标模型主要有两个关键环节：一是模型构面建构;二是构面指标建构。

（一）模型构面建构与假设

面向大数据的BEI2.0“县·省”级综合测评指标模型是由一系列用于测评县省两级BEI2.0综合水平的指标集合，具有结构严谨、信息丰富、功能性强等特征。本研究根据以上原则遵循、（文献）理论梳理与BEI2.0（三全、两高、一大）框架研究，初步确定了测评指标模型的7个构面，即基础教育信息化（BEI）規划（Plan）、设施（Facilities）、资源（Resources）、应用（Application）、人才（Talent）、保障（Guarantee）和效果（Effect），即BEIP、BEIF、BEIR、BEIA、BEIT、BEIG和BEIE，指标模型构面如图1所示。

图1   指标模型构面

基于此，提出理论假设：BEIP（H1）、BEIF（H2）、BEIR（H3）、BEIA（H4）、BEIT（H5）、BEIG（H6）和BEIE（H7）是衡量BEI2.0综合水平（BEICL）高低的显著因素，其水平越高综合水平越高，并对综合水平有正向影响。

（二）构面指标建构与预试

在模型构面建构的基础上，根据BEI2.0测评指标模型建构的原则遵循、研究思路与研究方法，利用“县·省”级教育大数据平台进行BEI2.0“县·省”级综合测评构面指标建构，其建构流程如图2所示。

第一步：建构根基——多元方略。面向大数据的BEI2.0“县·省”级综合测评指标模型建构具体包括五个方面：现有指标筛选、大数据平台抽取、理论模型分解、问卷调查建构和专家智慧生成。建构路径依赖于县或省级教育大数据平台，平台数据包括由下级向上级呈报的数据和“县·省”级教育大数据平台监测的数据，指标模型面向平台大数据进行多元化、精选化和综合化融合建构。

第二步：指标筛选——去粗取精。综合测评指标筛选是依靠“县·省”级教育大数据平台“去粗取精”实现的，其筛选步骤如下：（1）指标海选。海选是根据BEI2.0测评指标模型应遵循的原则和基础教育信息化目标，通过“建构根基”将能反映BEI2.0综合水平的典型的基本符合要求的指标选入其中。（2）指标初选。初选是在海选的基础上，用Dale可用性工程理论和系统分析方法[13]提出的八个标准：可测性、敏感性、可预测性、典型性、可控性、响应性、稳定性和整体性逐一考量，将符合五个以上标准的指标选入其中。经过初选大体指标框架形成。（3）定量筛选。定量筛选常用Delphi法或数学模型方法（包括最小均方差法、极大极小离差法和因子分析法），其中因子分析是最常用的方法，将在预试中详细论述。

第三步：指标识别——火眼金睛。指标“火眼金睛”甄别包括四个方面：（1）特征识别。即指标的可计量性和确定性识别，使指标表现出征象或标志。可计量性是通过指标计算彰显指标特征，确定性决定指标力求认识复杂、超越复杂和追求简单之目标特征。（2）对话识别。指标对话是指研究者与研究者、研究者与决策者、决策者与决策者之间的知识、信息和智慧共享，对话识别包括概念识别、核心识别、外延识别、价值识别和权重识别。（3）检测识别。科学的指标模型是测评结果是否正确的前提，检测识别包括单个检测、重点检测、必要性检测和全面检测识别。（4）合成识别。合成识别是按照自下而上合成为“父节点”的价值，直到最后合成为测评总目标的总价值。综上，通过识别后生成了33个可测指标。

第四步：指标预试——架构落成。指标预试是通过问卷数据抽取符合建构原则的潜在构面及测量指标的过程。预试采用探索性因子分析，首先进行人口学信息统计分析、KMO值和Bartlett 球形检验。结果符合要求，KMO值为0.882，Bartlett球形检验值为0.000小于0.001，说明适宜作因子分析。然后采用主成分分析法、最大方差旋转，经7次迭代抽取出测量指标。依据指标筛选三原则：删除跑错构面的指标、删除因子负荷量过低（小于0.6）的指标和删除交叉负荷量过高（大于0.4）的指标。从旋转后的成分矩阵得到了因子载荷量满足要求的指标模型，并对测量指标进行了编码和解释，这样预试结果架构落成（见表1）。为便于有序识别和结构方程模型验证，按照因子载荷的大小对指标进行了排序，并将因子的初始特征值（7个构面）和对应的因子得分（取绝对值）相乘求和，将结果标准化，得到了各测量指标比较精准的权重，这种客观性的权重测算方法可在未来大数据或区块链驱动的综合测评权重的自动化赋值中应用。

表1                 综合测评指标模型编码

为进一步检验因子分析效果，进行了聚类分析（Cluster Analysis），聚类谱系如图3所示。

图3   聚类谱系

通过聚类分析，可视化反映了7个合理构面及其指标聚类形成的体系。这样，通过指标识别的因子就汇聚成了7个构面27个指标模型架构，待接下来的指标模型验证。

五、指标模型验证

模型建构之后，必须进行验证。建立正确、可靠、有效的测评模型是保证测评效果具有较高可信度的关键和前提。通过预试基本确定了面向大数据的BEI2.0“县·省”级综合测评指标模型。为达到指标模型建构的科学性要求，以下利用“第二个样本”数据进行信效度验证、结构方程模型验证和回归模型验证。

（一）信度与效度验证

为避免各测量模型权重过大，首先对测量模型进行信效度评估。通过指标修正、无相关分析以及相关性分析，得到构面的信度（CR）、收敛效度 （AVE）和区别效度见表2。

根据Hair al et、Fornell and Larcker[14]建议，表中组成信度CR皆大于0.7，说明具有内部一致性，即指标足以代表构面。AVE（BEIR为0.496）接近或大于0.5，说明具有良好的收敛效度。对角线粗体字为AVE开根号值大于构面之间的相关系数，代表7个构面具有区别效度。

（二）结构方程模型验证

结构方程模型（SEM）验证利用AMOS24.0和“第二个样本”数据建构因子模型，其中，一阶验证性因子分析用以检验指标模型的7构面结构拟合程度，二阶验证性因子分析用以检验指标模型结构的合理性。一阶验证性因子分析按照指标修正原则，淘汰因子载荷量小于0.6的指标和淘汰修正指数最大指标，将原识别的指标淘汰6个指标（BEIP3、BEIR4、BEIA3、BEIT4、BEIG2和BEIE3）进行修正之后，得到与因子分析吻合且适配性较为理想的7个构面27个指标的一阶因子修正模型，如图4所示。一阶模型因子负荷量介于0.605至0.913之间，而且信度系数都大于0.5，最终的拟合指数均在标准值以上，模型适配度良好，满足结构方程模型的拟合度参考指标要求，也表明修正的结构方程模型通过了验证。

为了进一步验证一阶因子修正模型7个构面是否具有更高阶共同因素BEI2.0综合水平（BEICL）存在，本研究采用二阶验证性因子分析（图4），来检验是否能使用一个高阶因子BEICL去解释上述7个构面。运用指标模型一阶因子修正模型与二阶因子模型比较，用一阶因子修正模型的卡方值574.909除以二阶因子模型的卡方值615.610，结果值为0.934接近1，说明BEI2.0级综合测评指标模型可以用二阶因子模型取代一阶因子修正模型，使模型更为简化。判断二阶因子模型是否成立，包括两项判定标准：一是二阶负荷较高;二是与一阶模型相比二阶模型未显著恶化。此二阶因子模型中标准化二阶负荷取值在0.550～0.851之間，说明二阶因子与一阶因子间拥有较强的关系，二阶模型没有显著恶化拟合，且从各项拟合指数来看，二阶模型与一阶模型相差无几。由此说明通过二阶模型验证了7个构面的相关，能够由一个高阶因子BEICL去解释，二阶模型具有理论和实证上的合理性。

二阶因子模型还表明了一阶因子修正模型存在共同影响效应，其效应系数（即H1-H7）分别为0.687、0.550、0.761、0.851、0.488、0.550、0.655，说明外生与内生潜变量之间的作用均有显著的直接正相关。另外，模型P值达到显著性水平，表明这7个构面能较明显地反映出BEI2.0综合水平的高低，进一步证明了原假设（H1-H7）成立。一阶因子修正模型与二阶因子模型的拟合度见表3。

从表3一阶因子修正模型与二阶因子模型的拟合度验证值看，χ2/df、RMSEA、GFI 、AGFI 、CFI、NFI、TLI、 SRMR（Standard Root Mean-square Residual）的拟合值满足拟合良好标准，模型对数据拟合通过。充分说明结构方程验证支持前面探索性因子分析（预试）得出的综合测评指标7构面结构模型，修订后的包含27个题项的综合测评指标具有良好的结构，从拟合值也可以看出原假设（H1-H7）具有正向影响成立。

（三）回归模型验证

利用回归分析将自变量与因变量的关系进行验证，整个回归系数a与模型摘要验证结果见表4。

回归模型非标准化B值皆在0.327以上表现为显著，标准化Beta值均在0.582以上表示重要程度较高，决定系数 R2能解率在33.9%以上。D-W在1.5～2.5之间即可说明无自相关现象。VIF都小于5，说明自变量之间不存在多重共线性。回归分析得到模型的拟合优度符合指标规定，说明原假设（H1-H7）成立。

六、指标模型的进一步分析

为实现教育信息化2.0的基本目标：“三全、两高、一大”，落实国家意志“未来石油（大数据）”的应用研究，运用质化与量化相结合研究的“县·省”级综合测评指标模型建构逻辑表现为三个方面的特征：

（一）指标模型的建构科学性

指标模型通过“研究综述”“研究设计”和“模型建构（包括模型假设、建构根基、指标筛选、指标识别和指标预试）”建立起了指标体系理论框架，经过因子分析、信效度验证、SEM验证和回归模型验证，建立了比较严格的理论方法逻辑和模型假设检验，建构了面向大数据的BEI2.0“县·省”级综合测评指标理论模型，研究过程目标明确、步骤清晰，具有较高的科学性，并可以从客观上得出重要的结论：指标模型可以作为BEI2.0“县·省”级的综合测评工具。

（二）指标模型的结构合理性

本研究采用主成分分析法和直接斜交旋转法，得到7个构面（因子），指标因子提取规范。因子负荷量皆大于0.6且不存在双负荷的情况，交叉负荷量小于0.4，每个因子下所属项目的含义相对一致，不存在命名困难，进行聚类分析谱系与7个构面完全吻合。指标组成信度CR皆大于0.7，内部一致性较好，平均方差萃取量AVE大于0.5，AVE开根号值（0.7以上）皆大于构面之间的相关系数，收敛效度和区别效度良好。研究以第二批数据进行验证性因子分析，一阶结构方程模型（图4）拟合指数均达到理想标准。在绝对拟合中，RMSEA值为0.055（小于0.08）和RMR值为0.040（小于0.05），GFI值为 0.874和AGFI值为0.843、皆接近0.9，整个模型可以解释样本方差与协方差的程度，Chi-sqr值为574.909、Chi/DF值为1.897（小于3），表明模型的拟合效果良好。在相对拟合上，借用一些可比较的标准与假设模型自身进行比较以检验拟合效果，选用的指标CFI值为0.936（大于0.9），NFI值為0.875接近0.90，属于可接受的范围;TLI值为0.926（大于0.9），符合模型拟合良好的标准。指标结构方程一阶因子模型因子负荷量皆大于0.605， P-value值为1.897、Df值为303，满足模型拟合良好的标准。进一步采用二阶因子模型（Second Order Confirmatory Factor Analysis）分析发现（图4），Chi-sqr、P-value、Df、Chi/DF、CFI、TLI、AGFI、RMSEA等值通过检验标准均符合测评指标工具要求。在回归方程模型（表4）中，基础教育信息化规划（BEIP）、资源（BEIR）、应用（BEIA）、保障（BEIG）和效果（BEIE）的B值较大，分别为0.457、0.542、0.601、0.420和0.515，说明了它们是基础教育信息化建设中的重中之重，特别是基础教育信息化资源（BEIR）值为0.542、应用（BEIA）值为0.601和效果（BEIE）值为0.515对基础教育信息化发展的影响更加突出、更加显著和更加重要，这也恰恰与基础教育信息化推进实践中的几个具体关键相吻合，应予以高度重视和重点建设。

综上模型结构分析充分说明：指标模型结构验证性因子分析结果支持探索性因子分析得出的结论，面向大数据的BEI2.0“县·省”级综合测评指标模型7个构面27个指标能够适配且达到较好结果，证明该模型能够较好测评BEI2.0 “县·省”级综合发展水平，说明指标模型结构具有较好的合理性，整体框架设计符合教育信息化2.0的要求。

（三）指标模型的领域适用性

大数据与教育信息化2.0时代，以数据驱动为科学逻辑的工具开发已经成为研究的常态。BEI2.0 “县·省”级综合测评作为一种新兴的测评理念，需要国内外进一步的相关研究以及有效的测评工具。国外教育信息化的测评研究相对成熟，USA、UNESCO、EUC、Eurydice、UK 、Japan、Korea、Canada、Singapore 等分别研制了自己的指标模型并已应用于实践，且均被证明具有较好的重测信度、结构效度和效标效度。已有研究表明，国内包括国家尺度、省域尺度、区域尺度、县域尺度和校域尺度的教育信息化测评指标模型研究也比较丰富。然而，这些国内外测评指标模型皆是教育信息化1.0时代非数据驱动的开发产物。从教育信息化2.0视角出发，面向大数据的BEI2.0 “县·省”级综合测评指标模型能更好地适用于当前教育信息化发展，因而相较直接运用国内外的指标模型，建构符合中国国情的BEI2.0（三全、两高、一大）“县·省”级综合测评指标模型更具有实际意义和应用价值。

七、结   语

推进面向大数据的BEI2.0“县·省”级综合测评是我国基础教育信息化均衡、高速、持续发展的重要战略。实现基础教育信息化公平发展，“县·省”级是关键环节。但长期以来我国基础教育信息化综合推进并不理想，测评尺度芜杂，缺乏科学的统一标准和客观性依据。在大数据和教育信息化2.0时代，必须构建“县·省”级教育大数据平台，建构大数据驱动的BEI2.0综合测评指标模型，不断完善适应时代发展要求，抓住关键环节建立动态测评模型和机制，为客观、精准、全面测评我国BEI2.0综合发展水平提供工具支持，为“县·省”级基础教育信息化发展提供持续性的可视化报告。唯有如此，才能为“县·省”级、国家教育行政提供最优化策略，指导基础教育信息化建设和应用，推进基础教育信息化更精、更好、更快可持续发展。

[参考文献]

[1] CUKIER K.The rise of big data：how it's changing the way we think about the world[J].Foreign affairs，2013（3）：29-40.

[2] 陈金华，陶春梅，张旭，廖静雅.面向大数据的教育信息化持续推进模型建构[J].中国电化教育，2019（6）：52-57.

[3] 吕新奎.中国信息化[M].北京：电子工业出版社，2002：42.

[4] 李贺.县级教育信息化发展水平监测评估框架建构研究[J].中国电化教育，2017（7）：107-114.

[5] 张屹，白清玉，杨莉，范福兰，周平红.基础教育信息化应用水平实证测评模型及差异分析——以X省为例[J].电化教育研究，2015（3）：34-40，95.

[6] 杨永贤，杨晓宏.区域基础教育信息化效益评估体系构建——以宁夏回族自治区为例[J].中国教育信息化，2014（13）：67-70.

[7] SOLAR M，SABATTIN J，PARADA V. A maturity model for assessing the use of ICT in school education[J]. Educational technology & society，2013，16（1）：206-218.

[8] KIM J，LEE W Y.An analysis of educational informatization level of students， teachers， and parents： in Korea[J].Computers & education，2011，56（3）：760-768.

[9] 陳金华，傅钢善，唐静，江琴，王育欣.国内外基础教育信息化测评指标体系研究综述[J].电化教育研究，2017（3）：29-32.

[10] 祝智庭，余平.智慧城市教育公共服务评价指标体系研制[J].开放教育研究，2017，23（6）：49-59.

[11] 郭炯，吴亚婕.甘肃农村远程教育项目运行的绩效研究[J].中国远程教育，2006（11）：61-64.

[12] 吴砥，尉小荣，卢春，石映辉.教育信息化发展指标体系研究[J].开放教育研究，2014，20（1）：92-99.

[13] DALE V H，BEYELER S C.Challenges in the development and use of ecological indicators[J].Ecological indicators，2001，1（1）：3-10.

[14] HAIR J F，BLACK W C，BABIN B J，et al.Multivariate data analysis（7th Ed.）[M].New York：Macmillan，2009.

[15] 吴明隆.结构方程模型——AMOS的操作与应用[M].重庆：重庆大学出版社，2014：52.