Phase 0-2: Schema cleanup, typed relations, event-driven automation

- Phase 0: AGENTS.md cleanup (dedup quotes, renumber sections, merge qmd) - Phase 1: typed relations (manage-relations.py, graph-search.py, check-staleness.py, detect-conflicts.py) - Phase 2: frontmatter validator, weekly lint, knowledge promotion, git hooks - Fix .gitignore to track tools/ and .githooks/ - Fix git remote URL (remove plaintext token) - New wiki pages: 504 pages, 34 raw sources
2026-07-01 08:05:43 +08:00
parent e544d6e04a
commit a6f05ab2d5
1067 changed files with 522992 additions and 819 deletions
@@ -0,0 +1,139 @@
+---
+categories:
+  - "[[LLM Wiki]]"
+tags:
+  - wiki
+  - methodology
+  - research
+  - experimental-design
+created: 2026-04-20
+source: "[[哈佛RCT深度解读-Kestin-2025]]"
+type: concept
+aliases:
+  - RCT
+  - Randomized Controlled Trial
+---
+
+# 随机对照试验（RCT）
+
+> **一句话定义**：科学研究中的金标准实验设计，通过随机分配受试者到不同处理组来控制混杂变量，建立因果关系
+
+## 定义
+
+随机对照试验（Randomized Controlled Trial, RCT）是一种实验研究方法，通过将研究对象随机分配到实验组（接受干预）和对照组（不接受干预或接受标准干预），从而最大限度地控制选择偏差和混杂变量。RCT被认为是评估干预效果的"金标准"（Gold Standard）。
+
+## 核心特征
+
+### 1. 随机化（Randomization）
+
+| 特征 | 说明 | 价值 |
+|------|------|------|
+| **随机分组** | 计算机随机分配受试者到实验组或对照组 | 消除选择偏差 |
+| **大样本量** | 样本足够大以保证统计效力 | 提高结果可靠性 |
+| **分组平衡** | 各组基线特征无显著差异 | 控制混杂变量 |
+
+### 2. 对照组（Control Group）
+
+| 类型 | 说明 | 应用场景 |
+|------|------|----------|
+| **无干预对照** | 不接受任何干预 | 评估干预的绝对效果 |
+| **标准干预对照** | 接受当前标准做法 | 评估新方法是否优于现有方法 |
+| **安慰剂对照** | 接受无效干预 | 医学研究中控制期望效应 |
+
+### 3. 盲法（Blinding）
+
+| 类型 | 说明 | 教育研究中的应用 |
+|------|------|------------------|
+| **单盲** | 受试者不知道自己所属组 | 难以实施（学生知道是否使用AI） |
+| **双盲** | 受试者和研究者都不知道分组 | 难以实施 |
+| **盲法评估** | 结果评估者不知道分组情况 | 可行（第三方批改作业） |
+
+### 4. 交叉设计（Crossover Design）
+
+```
+┌─────────────────────────────────────────────────────────────┐
+│                    交叉设计（Crossover）                │
+├─────────────────────────────────────────────────────────────┤
+│                                                             │
+│  第1期 ──────────────────────────────────────────────────   │
+│    ↓                                                        │
+│  ┌────────────────┐    ┌────────────────┐                   │
+│  │   A组学生       │    │   B组学生       │                   │
+│  │  干预条件1     │    │  对照条件1     │                   │
+│  └────────────────┘    └────────────────┘                   │
+│           ↓交叉                    ↓交叉                    │
+│  第2期 ──────────────────────────────────────────────────   │
+│    ↓                                                        │
+│  ┌────────────────┐    ┌────────────────┐                   │
+│  │   A组学生       │    │   B组学生       │                   │
+│  │  对照条件2     │    │  干预条件2     │                   │
+│  └────────────────┘    └────────────────┘                   │
+│                                                             │
+└─────────────────────────────────────────────────────────────┘
+```
+
+**交叉设计优势**：
+- 每名受试者都经历所有条件
+- 控制个体差异
+- 减少所需样本量
+- 提高统计效力
+
+## 在教育AI研究中的应用
+
+### 哈佛大学AI辅导RCT案例
+
+| 要素 | 描述 |
+|------|------|
+| **受试者** | 194名本科生 |
+| **随机分配** | 计算机随机分组，保持同伴小组完整性 |
+| **干预条件** | AI辅导（PS2 Pal）vs 课堂主动学习 |
+| **测量指标** | 后测分数、学习时间、参与度、学习动机 |
+| **效应量** | Cohen's d = 0.73–1.3（大型效应） |
+| **统计显著性** | p < 10⁻⁸（极显著） |
+
+### RCT在教育研究中的价值
+
+| 价值 | 说明 |
+|------|------|
+| **因果关系建立** | 明确干预与结果之间的因果联系 |
+| **效果量化** | 提供效应量指标（如Cohen's d） |
+| **证据等级最高** | 在证据等级体系中处于顶端 |
+| **可复现性强** | 随机化保证研究结果的可复现性 |
+
+## 局限性
+
+| 局限 | 说明 | 应对策略 |
+|------|------|----------|
+| **生态效度** | 实验室/控制环境可能不反映真实教学场景 | 在真实课程中实施（如哈佛RCT） |
+| **长期效果** | RCT通常测量短期效果 | 需要纵向追踪研究 |
+| **成本高昂** | 大样本RCT实施成本高 | 结合准实验研究 |
+| **实施困难** | 随机化在真实教育环境中可能有伦理或实际困难 | 使用整群随机化等变通方法 |
+
+## 效应量指标
+
+### Cohen's d
+
+| d值范围 | 解释 | 哈佛RCT案例 |
+|---------|------|--------------|
+| d < 0.2 | 小型效应 | — |
+| 0.2 ≤ d < 0.5 | 中型效应 | — |
+| 0.5 ≤ d < 0.8 | 大型效应 | d = 0.73（接近大型效应） |
+| d ≥ 0.8 | 超大型效应 | d = 1.3（远超超大型效应） |
+
+### 其他效应量指标
+
+- **r值**：相关系数，范围[-1, 1]
+- **偏η²（Partial Eta Squared）**：方差解释比例
+- **BF₁₀（Bayes Factor）**：贝叶斯因子，量化证据强度
+
+## 与本Wiki相关
+
+- [[Harvard-大学AI辅导随机对照试验研究]] — RCT在教育AI研究中的应用案例
+- [[ITS（智能辅导系统）]] — AI辅导系统需要RCT验证效果
+- [[教学大模型]] — 教学大模型的效果需要RCT验证
+- [[Productive Failure]] — 教学方法的效果可以通过RCT验证
+- [[Cohen's d]] — 效应量计算方法
+
+## 来源
+
+- [[哈佛RCT深度解读-Kestin-2025]] — 哈佛大学AI辅导随机对照试验深度解读（Nature Scientific Reports）