Human-Error Processor

对于学校资源配置的研究（以及争论）已经不下20年了。但是至今莫衷一是。至少就研究结果而言，“money matters” 和“money doesn’t matter” 几乎可以说是打成平手。

不少学者除了在标准的定量分析之外也愿意引入更多的社会维度来思考这个问题（当然这些只是“猜想”或者推断，并没有实际例证）。很多研究者都提到了从1970年到新世纪的这三十几年之间美国社会本身发生的变化也许从某一个侧面折射出了教育产出下降的现实。比方Hanushek和Larry Hedges都说到过：1970～1990年之间，美国的贫困家庭比率从15%上升到20%（中国有多少比率？我记不起来了），单亲家庭比率从50年代的6.4%上升到20%以上，以非英语为母语的孩童比例从1980年的9%到2000年的17%。这些因素都会影响到James Coleman所谓的“Social Capital”，这位教育社会学的先驱认为学校教育只能解释很少一部分的教育成果，更大的影响来自于家庭（特别是母亲）、社区等社会背景因素。上述这些社会变迁从某种程度上说减弱了美国家庭对于学校教育所能提供的帮助。

但是另一方面也有论述，认为不单社会往负面变化了，同时也有积极的一面。比方说这一代的父母比起他们的父辈们普遍拥有更好的教育水平。幼儿园和学前教育也前所未有地遍布社会的美国角落。

所以综合两方面因素，究竟是福是祸还要再掂量掂量。教育毕竟不是一个单一的学科，靠一套理论就能解释得通一切。

作为研究者，读完这些文献同时还让我领略了一番用“统计方法研究社会现象”的历史变迁。

James Coleman的著名报告在60年代问世的时候还仅仅只能运用一般的线性回归来解释社会现象的成因。在此之后的20多年，这个领域可以说发展迅速。有感于无法获得由代表性的全国性数据（这种感叹充斥于80年代末的文献之中），以NCES (National Center for Education Statistics)为代表的一大批全国性数据库或者数据收集项目开始建立起来。对于统计学来说，好的样本就是一切。同时另一个统计学在社会科学的硬伤：很难获得随机实验，也在朝向另外两个方向发展。一是比方Project STAR (或者它的别名 Tennessee Class size study)以及Poverty Action Lab这样财大气粗的研究机构，这些研究往往用人为的方法进行随机实验，获得更好的数据，开始展开。另一方面就是延续NCES那些数据收集项目，利用observational data进行quasi-experimental study。这种方法的好处是避免了对随机实验的道义批评，同时实行相对便宜（相对而已，比较同等样本的随机实验），但是缺点是结果是correlational或者descriptive的，而非causal。不过顺着这个路子，统计方法本身也在演进。最新的结果就是去年出炉的AERA报告：Estimating Causal Effects Using Experimental and Observational Designs. Causal Inference Model这个领域在未来的几年应该持续火热。 同时另一种比较冷僻的统计方法也在这个辩论中被人们关注，就是meta-analysis（中文好像叫“元分析？”）。号称是Synthesize existing knowledge （综合已知知识）的MA独辟蹊径，既然在已有的领域已经有那么多人就相同的话题做过分析，何不我们来深入挖掘这些知识，看看从中能否总结出点什么线索呢？所以MA的分析是以那些已有的研究报告和数据为模型，把他们综合起来“再”分析。虽然从问世之初就一直受到质疑，但是没准在未来会有新的曙光出现？

历史就是这样有意思。