2026年5月14日下午14:30，华东师范大学教育心理学系跨学科沙龙荣幸邀请到国内心理与教育测量、心理与教育统计领域顶尖专家刘红云老师，带来题为《密集追踪研究方法的进展和应用》的精彩讲座。刘红云老师是北京师范大学心理学部教授、博士生导师，长期从事心理学量化研究方法以及教育测评方法的发展与应用等领域的研究。在国内外顶尖期刊发表学术论文近200篇，主持国家级重大项目30余项，现担任中国教育学会统计与测量分会理事长等职务。

本次讲座中，刘老师系统梳理了密集追踪研究方法的完整体系，从基础定义与建模原理，到测量信度定义与研究设计优化，再到前沿展望，层层递进展现了该研究范式的发展脉络与应用价值，内容兼具学术深度与实践启发性，为教育心理与测量研究提供了前沿视角。本次会议由华东师范大学教育心理学系系主任杨向东研究员主持，我系师生积极参与。

1 什么是密集追踪研究？

01密集追踪研究的定义与特点

02密集追踪研究关注的核心问题

传统追踪研究虽对个体进行多次测量，但测量间隔较长、次数有限，主要关注群体平均的发展趋势，在分析变量间关系时也多基于个体间比较——即利用不同个体在不同时间点的数据，计算变量之间的相关或回归，这种分析实质上反映的是个体间的差异趋势，难以揭示个体内部随时间推移的动态耦合过程。

密集追踪研究则不同，由于其测量时间区间短、间隔紧密，能够捕捉到个体在多个时间点上的状态波动。这使得研究者可以：第一，刻画个体内状态的动态变化特征，如情绪的起伏强度、恢复速度等；第二，检验变量之间的时序影响关系，例如前一时刻的积极情绪如何预测后一时刻的消极情绪（这是个体内部层面的影响关系，更符合因果定义）；第三，考察上述动态特征在不同个体间的差异及其形成原因。因此，密集追踪研究的核心问题同时涵盖个体内与个体间两个视角，既关注“个体内部如何随时间变化”，也关注“为什么不同个体在这些动态模式上存在差异”。

2 从“个体间差异”到“个体内动态”的建模

密集追踪数据分析方法源于时间序列模型，核心是同时回答两个问题：个体内部的动态变化规律是什么？不同个体之间的这些规律又有何差异？为此，刘老师梳理出三类层层递进的分析脉络。

第一类是单一被试设计下的时间序列分析，适用于样本量极少（N=1）的场景，如航天员追踪或个案研究。研究者可以为每一个个体独立建模，测算其自回归系数，（也称为延续效应，例如昨天情绪对今天情绪的影响），以及其他变量的时序作用。在这个部分，刘老师带领大家从一个最简单的案例出发——以“昨天的积极情绪是否影响今天的积极情绪”这一问题为切入点，展示了两名被试的分析结果：第一个人积极情绪的延续效应为0.514，第二人仅为0.212。由此可见，情绪的“惯性”因人而异，这种独特性在N=1的设计中一目了然。

第二类是多水平时间序列分析，适用于大样本场景。该方法采用“测量数据嵌套于个体”的双层结构，能够同时分析多名被试的密集追踪数据。第一层刻画个体内的动态变化与变量影响关系，第二层分析个体间的差异。该模型可将变量的自回归系数、变量间的影响系数均设为随机效应，即允许不同个体的效应系数存在差异，因此能够量化整体的平均效应与个体间效应的离散程度，同时可纳入性别、教养方式等个体层面变量，探究个体差异的影响因素。一般而言，多水平分析主要针对一个因变量。

第三类是动态结构方程模型（Dynamic Structural Equation Modeling, DSEM），适用于更为一般的多变量复杂场景，如同时分析积极情绪与消极情绪。它既能估算变量的自回归系数（延续效应），也能分析变量之间的交叉滞后效应（也称为溢出效应，例如此刻的消极情绪如何影响后续的积极情绪）。刘老师结合积极情绪和消极情绪的实例，详细说明了DSEM能解决的多种研究问题，例如：个体积极情绪与消极情绪的平均水平及其个体差异；两种情绪自回归系数的平均水平与个体间差异；二者之间交叉滞后回归效应的平均水平与个体间差异；父母教养方式是否影响积极情绪和消极情绪的个体水平、延续效应和溢出效应；以及，积极情绪、消极情绪以及二者之间的关系（延续效应和溢出效应）是否影响学业成绩。之后，刘老师结合模型图和实例分析结果，详细讲解了DSEM的基本框架，以及加入个体间水平预测变量与结果变量的DSEM模型。

3 密集追踪研究中的信度定义与估计

密集追踪研究在实际操作中面临一个棘手问题：为减轻被试的填答负担，问卷通常设计得极为简短（往往只有几道题）；同时，为准确捕捉个体状态，实证研究中常采用自编题目或对原有特质测验进行改编。在此背景下，这一简短测量工具是否具备可靠的测量属性（如足够的测验信度），便成为一个重要前提。然而，传统的信度指标是在横断情境下定义的，面对多人多次的测量数据结构，信度的内涵与计算方式也随之发生变化——我们不仅需要关注个体间水平的测量稳定性，还需要关注个体内的测量可靠性，即应从个体间与个体内两个层面去理解和计算测验信度。

对此，刘老师系统梳理了该领域信度估计方法的演进脉络及其存在的局限性，进而介绍了团队提出的整合性方案。该方案在同时考虑密集追踪数据多水平与动态特性的基础上，构建了一个两水平随机动态测量模型，并据此分别定义了个体间信度、个体内信度以及个体特定信度。结合状态拖延的实际研究案例，刘老师展示了该方法如何对每一个题目及整个测验，同时估计每个被试内部的信度、个体内信度的平均水平，以及个体间信度。值得关注的是，个体内的信度范围与波动往往很大，同一道题对不同个体状态的测量可靠性可能截然不同——这在实际研究中需要给予充分重视。

4 设计改进：用计划缺失设计减轻被试负担

在密集追踪研究中，被试的依从性是直接决定数据质量的关键因素。为了减轻被试负担，刘老师团队将教育测评领域中常用的“有计划缺失设计”引入密集追踪研究，探索了两类方案：一类从题目层面进行缺失设计，一类从测量时间点层面进行缺失设计。

题目层面的缺失设计：将全部题目分成若干子集，每名被试每次测量仅完成一个子集。团队比较了两种具体实施方式：完全随机设计（每人每次随机抽取子集）与固定顺序交替设计（子集按固定顺序轮换，但将被试分为多组，同一时间点各组所接受的子集不同）。模拟研究表明，两种方式效果相近，在大多数条件下均能获得准确的参数估计值和可接受的统计检验力；仅在少数条件（如样本量不足、测量时间点较少且缺失比例高达50%）下可能出现问题。

时间点层面的缺失设计：团队提出并比较了两种方案，一是完整时长计划缺失——保持总时长不变，降低测量频率；二是缩短时长计划缺失——保持测量频率不变，缩短总时长（将所有测量集中在前段时间内）。两种方案均需要在第一阶段保留完整的时间点采样作为参照，仅在第二阶段减少采样次数。模拟研究发现，两种方案各有适用条件，取决于数据的动态特征：缩短时长方案更适用于平稳数据或短周期过程（即能在缩短的观测窗口内捕获多个完整周期），完整时长方案则更适用于长周期数据（如周、月或季节效应）。

总体而言，两类计划缺失设计各有侧重，前者通过减少单次题量降低负担，后者通过优化测量频率或时长提升长期依从性，均能在不严重损害统计质量的前提下为密集追踪研究提供灵活高效的方案,为应用研究者提供了非常实用的参考。

5 特殊议题与前沿探索

除上述关于测量属性与研究设计的方法学工作外，刘老师还结合实际数据，介绍了团队围绕密集追踪中若干值得关注的特殊议题所开展的研究。

其一，变量间复杂关系的解读——反馈效应框架。在双变量动态结构方程模型中，反馈效应指两个变量之间交叉滞后效应形成的循环回路。例如，第一天的日常压力源通过第二天身体症状，进而影响第三天的日常压力源。刘老师团队系统阐述了如何解读正负反馈效应的含义：两个滞后系数均为正，构成“自我延续的增强环路”；一正一负，则形成“自我调节的环路”。将统计结果回扣到心理学理论去解释动态模式，而非停留在统计描述层面，是方法论发展的应有之义。在此基础上，团队还基于元分析建立了反馈效应的解读标准。

其二，更复杂情景下的分析方法——三水平向量自回归模型。针对三重嵌套数据（如多次测量嵌套于个体嵌套于班级），刘老师团队开发了适用于三水平情境的向量自回归模型，并结合一项幼儿入园初期的情绪适应研究，详细讲解了模型所能解决的研究问题及结果解读方法。

最后，刘老师提到，展望未来，密集追踪研究仍在以下方面有待深入探索：一是数据收集层面，应进一步降低被试负担并提高测量工具的信效度，同时考虑综合收集多模态数据（如生理、行为记录），减少对自我报告分数的依赖，以获取更真实的数据。二是密集追踪中缺失数据、复杂模型的收敛与估计偏差问题有待进一步研究。三是密集追踪数据催生了强调个体内动态过程的新型研究范式，面对人工智能浪潮，“预测下一个时间点”已成为常见追问——如何在密集追踪框架下构建高预测性能的模型，是一个值得深入探索的重要课题。

6 师生互动问答

问答环节中，与会师生围绕密集追踪研究的实操性问题与刘老师积极交流，刘老师为相关问题给予了针对性解答和启发性的建议。

本次沙龙中，刘红云教授系统以“基础—方法—应用—前沿”为主线，系统串联了密集追踪研究的核心议题：从定义与建模原理，到测量信度与设计改进（如有计划缺失设计），再到前沿方向与实操痛点，清晰展现了该研究范式的发展逻辑与方法价值。密集追踪研究突破了传统研究偏重静态、个体间差异的局限，将研究视角转向个体内动态变化与变量间时序影响关系，实现了从横向关联分析到动态系统分析的跨越。该方法为心理、教育等多领域的精细化、深度化研究提供了先进的方法支撑，也为后续学术研究提供了丰富的创新方向与实操指导。