作为实证研究中识别因果关系的一种重要方法，调节效应检验有助于揭示自变量和因变量之间的深层次关系，然而该方法存在无法获得真实效应值且外部效度低等问题。受限于原始研究与生俱来的缺陷，循证领域亟待发展出新的调节效应识别模型。本研究采用大数据循证理念，利用循环方法对控制变量进行排列组合，从而模拟了“穷尽”所有可能的原始研究设计，对全部可能的变量间关系进行了回归分析并记录所有效应值。进而，使用元分析法对全部原始效应量进行全覆盖式合并，以获得真实的效应值，以此提升调节效应结果的外部效度。最后，本研究以信息贫困研究为例，详细展示了大数据循证视角下调节效应识别的所有流程。本研究的主要贡献在于完善了大数据循证理念下的元分析方法体系，从大量原始研究效应中提取了真实效应值，提高了调节效应的外部效度与因果关系识别的可靠性。

证据综合是实现学术研究发现向实践指南制定转化的桥梁，元分析作为证据整合与转化工具，是循证体系建设的核心。然而，由于偏倚的存在，元分析结果的可靠性难以保障。针对循证研究过程中普遍存在的选择偏移和结果报告偏倚，本研究旨在围绕Egger等发展的模型，通过元回归对其加以拓展，并通过数学分解的方法对选择偏移和结果报告偏倚加以有效识别，从而发展出一种用于识别偏倚的新方法。在建立了精确的偏倚识别拓展模型的基础上，本研究使用一组经验研究数据，验证了拓展模型的合理性与科学性。本研究提出的拓展模型有效提高了Egger检验的效率，有助于提升元分析质量、构建和完善科学化的循证社会科学基础理论体系。

为进一步获得MOOC教学的可靠性结论，本研究以大学MOOC教学模式为试验组、传统教学模式为对照组对其学习效能进行了系统评价。本研究通过检索相关中英文数据库及在线研究注册平台以获取定量针对MOOC教学和传统课堂教学的RCTs和CRCTs研究文献，随后根据系统评价流程提取数据进行元分析。研究最终表明，MOOC教学模式在考试成绩和学习能力以及提高学习者兴趣和满意度方面均具有积极作用。但鉴于纳入研究的数量及其研究设计的局限性，该证据还需通过补充更多更高质量的RCT文献以待进一步验证。

将游戏引入教学是否真的有益于教学?学界对此展开了诸多研究,但结果不一。本研究采用系统评价方法和元分析方法对游戏化教学与传统教学的效果进行对比统计分析,以求得更科学的结论。本研究检索了2009年1月至2020年12月的中外数据库,根据PICOS原则排查所有对比游戏化教学与传统教学提升学生学业成就的随机对照试验研究,最终纳入27篇原始文献,然后利用Review Manager5.3软件对相关数据进行元分析,得出如下结论:1)游戏化英语和体育教学、小学游戏化教学、50人以内的集体游戏化教学对学生学业成就提升优势显著,确定有效;2)将教学过程游戏化和教学中运用数字小游戏对学生学业成就提升优势显著,成绩高于传统教学,确定有效;3)游戏化数学教学、50-100人集体游戏化教学、基于传统游戏的游戏化教学、基于虚拟游戏的游戏化教学、理论课程的游戏化教学和采用激励机制的游戏化教学均对学生学业成就提升可能有效,结论不确定,解释或运用需谨慎。

近年来,翻转课堂成为高校信息化教学的主流模式。随着SPOC与翻转课堂的结合,对SPOC式翻转课堂教学效果的研究层出不穷,且大部分研究呈现教学效果良好的结论。但是,这些基于小样本的研究结论并不能作为推广SPOC翻转课堂的证据。因此,本研究采用系统评价方法对比分析SPOC翻转课堂与传统教学的教学效果,并通过元分析方法对其效应值进行统计分析,以便加大样本量,得出更为科学的结论。本研究通过检索2007年1月至2018年7月ERIC、Teacher Reference Center、Education Research Complete、Web of Science、中国知网、维普和万方等大型数据库以及Cochrane Collaboration Library、Campbell Collaboration Library、EPPI、WWC、System for Information on Grey Literature in Europe (Open SIGLE)等在线研究平台,根据纳入排除标准排查所有对比分析SPOC翻转课堂与传统课堂教学有效性的量化研究,对纳入研究进行质量评价,对最终纳入的19项原始对照研究提取相关数据。本研究利用Rev Man Manager 5. 3软件进行元分析,结果显示:SPOC翻转课堂的考试成绩、知识理解能力、知识应用能力、自学能力、自我管理能力、学习动机均高于传统课堂; SPOC翻转课堂与传统课堂的及格率、优秀率、协作能力均无显著差异;学生对SPOC翻转课堂的学习兴趣、认真程度、学习参与度、满意度均较高。鉴于纳入研究的诸多局限性,该结论还有待进一步验证。

作为实证研究中识别因果关系的一种重要方法，调节效应检验有助于揭示自变量和因变量之间的深层次关系，然而该方法存在无法获得真实效应值且外部效度低等问题。受限于原始研究与生俱来的缺陷，循证领域亟待发展出新的调节效应识别模型。本研究采用大数据循证理念，利用循环方法对控制变量进行排列组合，从而模拟了“穷尽”所有可能的原始研究设计，对全部可能的变量间关系进行了回归分析并记录所有效应值。进而，使用元分析法对全部原始效应量进行全覆盖式合并，以获得真实的效应值，以此提升调节效应结果的外部效度。最后，本研究以信息贫困研究为例，详细展示了大数据循证视角下调节效应识别的所有流程。本研究的主要贡献在于完善了大数据循证理念下的元分析方法体系，从大量原始研究效应中提取了真实效应值，提高了调节效应的外部效度与因果关系识别的可靠性。