10 / 12 · 比较之前先问清楚
方法更好，还是人本来就不同？
看懂为什么“有差异”还不能直接变成“是它造成的”。
先修衔接 估计一个范围，别装作精确
前往练习 ↓带着这个问题读
一个班用了新练习软件，成绩更高。这就证明是软件的功劳吗？
两个班原本的基础、学习时间、教师可能就不同。这些差别都可能是成绩不同的另一种解释。
随机分组让比较有更好的起点：由随机方式决定谁用哪种方法。同时也要让任务、时间和评分方式可比。随机分组帮助比较因果；随机抽样则关乎能描述更大的哪群人。
一起拆一个例子
| 方法 | 通过 | 总数 |
|---|---|---|
| 新方法 | 16 | 20 |
| 旧方法 | 12 | 20 |
- 收集结果之前，随机把 40 名志愿者分成各 20 人的两组。
- 任务和评分方式保持可比，观察到分别有 16 人、12 人通过。
- 观察比例是 80% 和 60%。随机分组有助于解释，但仍要考虑不确定性，以及这项研究针对什么人。
轮到你了
0 / 3练习 1未检查
哪种设计更有助于比较两种学习方法本身的效果？
查看解析 · 不计作完成
把志愿者随机分组，并使用可比的任务、时长和评分。
公平比较需要的不只是两个数字，还包括怎么分组、怎么测量。
练习 2未检查
根据表格，算出两组通过率和相差的百分点。
查看解析 · 不计作完成
- 新方法通过率: 80 %
- 旧方法通过率: 60 %
- 比例之差: 20 个百分点
16/20 = 80%，12/20 = 60%，观察到的差异是 20 个百分点。
练习 3未检查
下面哪个在选人，哪个在分配方法？
查看解析 · 不计作完成
- 从全部登记学习者名单中随机抽人。 → 随机抽样：从人群中选人
- 用随机分配决定志愿者各自使用哪种方法。 → 随机分组：给人分配方法
选参与者，关乎结果可以描述谁；分配方法，关乎方法之间的比较。研究可能做其中一种、两种都做，或都没做。
用这一课检查 AI 回答 · 合成教学案例
用了 AI 的人分数更高，原因就确定了吗？
合成课堂案例：学生自行决定是否使用 AI 辅导。后续测验中，使用者平均 82 分，未使用者平均 74 分，没有记录使用前的成绩。
AI 辅导让成绩提高了 8 分。
这个比较实际能说明什么？
先想一想，再看核验过程
- 82 − 74 = 8 是两组之间的分差，并不是同一批学生使用前后的进步。
- 两组由学生自行选择，原有水平、动机或学习时间可能不同，比较没有单独分离出辅导的影响。
- 更有说服力的研究应记录起点，在适当条件下随机分配干预，使用同一测验，并报告人数及不确定性。
依据现有信息，可以这样写
在这份样本中，AI 辅导使用者平均高 8 分；仅凭这个比较，不能确认差异由辅导造成。
当助手把“相关”写成“导致”，就去找分组方式和起点数据。资料没提供的部分，保留为未知。
带回你自己的问题
设计一个比较两种学习习惯的小实验。写清谁参加、怎么分配，以及所有人用同样方式测量的一项结果。
用 AI 辅助本课时，怎样保留独立判断？
先保留自己的回答，再记录 AI 候选；逐条检查来源、计算、推理与条件，写出采用或拒绝的理由。最后换一个情境独立作答。完成核查练习后，把方法用回本课任务。
练习完整核查流程并保存记录我的学习状态
由你手动标记，不依据页面访问或自动判定掌握。中英文共用状态，练习答案仍由各课保存。此处备份仅包含状态，不包含答案或笔记。