• 研究就是用数据回答问题
• 【问题-->数据-->回答】

 问题决定一项研究是否为量化研究

五类量化研究：

描述研究

相关研究

回归研究

对比研究

比较研究

决定一个研究属性最关键的是研究问题本身

找问题的一个专业路径：就是到权威学术期刊论文中查找其中的疏忽（也就是说，问题从文献综述开始，既可以简单地借鉴，更提倡通过填补式研究探索，做学术创新）

另一个途径（实践研究链）：从教师一线教改实践出发，把教师的教学真实情景与高大上的学术热点进行链接

研究问题－－－研究方法－－－统计工具 

研究问题对应研究方法和统计工具，后两者回答研究问题

我急需的：

1. 如何从一线教学中发现研究问题

2. spss的使用

3. 如何保证自己的研究是有意义的

self-reflection:

该课程能学到什么这篇文章讲的很清楚了。让我有了学好的信心。

1. 论文语言不规范／不academic
2. 研究问题太泛（这个和徐锦芬教授提到的要focus在一个点上，道理都是一样的，其实就是不断细分，不断问为什么吧）
3. 研究方法缺陷

1. the modern lg journal

2. theoretical framework (研究框架？)

            I

   RQ/ hypotheses

            I

  R design & data collection

3. “捷径”： 看论文题目＋研究问题  去找核心概念（前人的理论和研究结果）和研究焦点（我要解决的问题）

4. 研究问题的来源：

研究框架少不了。

应用语言学特征：

加深认识，改善实践，改变情景。

量化问题：精确化的数字问题

1.数字的多少

2.数字的关系

3.数字的差异

研究文献的时候多积累常用表达

一、研究问题来源：

1. 加深认识：在原有基础上进一步深入

2. 改善实践：改善外语学习与教学 eg 国外小朋友阅读对于外语学习的作用

3. 改变情境：在新的情境中原有理论是否适用，是否产生新的结果

二、研究问题的分类和研究方法

找多少——描述性统计

what is the vacabulary size necessary to reach 98% coverage of text written for children?

Does...more or less than?

Is ....same or different....?

找关系——相关分析与回归分析

relate to 一对一，两个事物之间关系

contribute to 多对一，多个事物对一个

找差异——T检验和方差分析

differ by level

what...at each of five level?

三、小结

研究问题承上启下；研究问题来源；量化研究方法的三种类型及英文表述

介绍几个r的语料库分析包

推荐查找英文权威论文的方式方法：Applied Linguistic ；MLJ（英语以外的外语）； Language learning  ；Studies in

如何找到研究问题而后找出量化研究问题？

该使用什么方法收集数据来做信息化教学app做听力自主学习

描述研究：大致情况如何？

相关研究：它俩有何关系？

回归研究：它们有何关系？

对比研究：它俩有何差异？

比较研究：它们有何差异？

推荐各种软件和工具

分析数据：

1. 基本原理：

（1）变量：某事事物的某种属性，进行量化后得到的结果；一定用数字来表示的

变量类型：

称名数据：类别，无法比较，比如：男女

顺序数据：排序，可以比较，不能加减乘除，如跑步名次

等距数据：有单位，没有零点，只能加减，不能乘除。如：温度

等比数据：有单位，也有零点，可以加减乘除。如身高

（2）样本

样本性质

样本量：大小——足够大

代表性：样本和整体的相似程度——足够高

只有两者都达到一定的标准，才说明样本足够可靠

描述性研究：

第四章：回归问题的形成

一。概念：回归性研究讨论的是几个事物和一个事物之间的关系，或者几个现象和一种现象之间的关系。

二。回归性研究如何聚焦环境、提炼问题、设计步骤

例子：老师如何给学生成绩，老师是如何衡量影响学生口语的因素与学生最终口语成绩之间的关系的。-回归性研究情景

课时6  问题：问题是如何形成的？

国际期刊发表的权威论文，找问题，找疏忽的地方。--从文献中找问题（太难，读不懂？）

从外语教师的一线实践出发，提炼老师最为常见的情景：

描述研究-----“选读物”

相关研究------“做词表”

回归研究------“给成绩”

对比研究------“编教材”

比较研究-----“定标准”

典型代表意义的权威国际期刊：

英语教学研究----TESOL Quarterly

应用语言学------Applied Linguistics

语言测试-------Language Testing

现代外语研究-----The Modern Language Journal 

教育研究------Educational Researcher

实践研究链：

学术研究  and 教学实践-实践问题--研究问题（情景要聚焦--将纷繁复杂的问题聚焦到一个点上

概念要核心--解释，文献综述，概念和理论的总结

问题要合理-形成我们自己的解读，提出新问题）

Paul Nation 词频表

考虑语言水平和国籍分布的因素

保证了研究对象整体的代表性

回归是以相关为基础和前提

相关是描述两个变量之间的联系，但是不能说明因果

回归则是通过模型，用一些变量来预测另外一个便俩个，从而进一步形成因果性的解释。

没有显著相关，就没有回归

相关越高，回归结果就越好

回归也有强度和方向

回归的优越性，既可以描述线性关系，曲线关系也可以的

回归需要区别自变量和因变量（相关的两个变量是平等的，可以互相）

回归可以计算多个自变量对因变量的影响（相关则是只能两个变量之间的关系）

多个变量的前提：

自变量和因变量之间有显著的相关

自变量之间的相关不能太高（人为扭曲关系）

自变量越多，所需要的样本量越多

一个自变量对应至少10个样本

比较不同的自变量的预测力，哪些自变量对因变量影响较强或较弱：标准多项回归

不同自变量对因变量的单独影响：层级多项回归

操作：

先列自变量，最后一列因变量

先进行相关：分析---相关---双变量---皮尔逊---点击要分析的变量

如果有两个变量高度相关，就得把这两个变量分开进行分析

再进行回归：分析--回归--线性--点击相应的因变量和所分析的自变量（下一张（层级多项回归））---方法--进入---统计量--共线性诊断--确定

如何阅读和解释图表：

模型汇总：R方：整个回归模型所有的自变量能够解释因变量中多少的变异

anova：F值： sig:显著性

多个自变量中哪个对因变量的贡献更大？

表格系数：关注 标准系数（越高），t值（越高）和sig（越低），就表明自变量和因变量之间的关系越紧密，预测力越高

有一栏共线性统计量：这是检验自变量之间是否过高相关，容差（大于0.1）或者vif（小于10）表明自变量之间的共线性水平很低，表示不能同时放到一个模型中来预测因变量

www.victoria.ac.nz/lals/about/staff/paul-nation

www.sketchengine.co.uk

languagedata.net/clpa/

tool.cohmetrix.com

www.lexile.com

数据要有代表性

工具有效性，反映核心概念

步骤的科学性

可重复

range Sketch  egine clpat 

COH-METRIX

LE*LE