補習能讓成績變好嗎？政大教授透過反事實分析發現：真相可能和你想的不一樣

假日早晨 8 點半臺北車站附近的南陽街很熱鬧，高中生魚貫穿過「臺清交成政紅紙榜單」，進到百人的大教室努力衝刺，盼在關鍵一刻強棒出擊，為自己搏得一張進入國立大學的入場券。

根據近 10 幾年的研究發現，臺灣國高中生的補習比例超過 5 成，然而補習真的有效嗎？每個人對補習的感受差異很大，政治大學社會學系教授關秉寅透過「類實驗法」的統計策略發現，相較於從未補習之學生的學習成效[1]為平均 61.5 分 ，學生若只在高中補習、國中未補習，學習成效可增加約 9 分；若是從國中一直補到高中者則增加約 8 分。不過，從國中到高中一路吃「大補帖」的學生，也比從未補習者有略高的憂鬱症狀分數。

「太好了，補習有效，繼續補下去！」「補習影響心理健康，不要補了！」若是直覺由結果推論補習對個人學習與心理健康的影響效果，恐怕太武斷了。由於每個人過往的學習狀況、家庭背景不同，有些對補習的感受度佳，例如成績好的學生能透過補習來學到更多解題策略；有些對補習的感受平平，甚至徒增學習困擾。關秉寅提到，高收入家庭和低收入家庭學習成就的差異並非只是補習造成，可能源自其他因素，例如不同的生活經驗等。

是補習影響學習成效，還是學生本身資質好呢？

此時你就發現研究的困難所在，不禁質疑研究方法是否考量到每個人的家庭背景、過去成績、補習意願等，是否必須用同一群背景的人來測試，究竟是因為補習影響學習表現，還是受到其他因素導致學生成績提高呢？

關秉寅笑說，這真的是政策影響評估常見的難題，究竟是教育制度改得好，促進階級流動，還是受到社會文化氛圍影響呢？「目前很多政策影響都是事後推論，而推論並不是嚴謹的因果分析，其實大家都知道用因果分析效果最好的就是透過實驗。」

以補習對學習效果影響的實驗法，就是將兩群相同背景的人，過去成績一樣、家庭收入一樣、父母的學歷一樣、甚至讀同班的人調查，來做補習實驗，來看一個有參與補習者，跟另一個沒參加補習者，最後的學習成績有沒有不同。 然而，實驗法在施行上有困難，因此社會學家通常只能透過事後統計的問卷、資料庫，來回推影響結果的可能，很難做到如同科學實驗般控制變因的因果分析。

透過反事實法模擬實驗環境 控制樣本的背景

近 30 年統計學家開發「反事實方法」的策略，應用現有的資料庫來模擬隨機分派實驗狀況，藉由問「假使……就會／不會怎樣」來控制個案補習前的狀況，剔除掉可能影響補習意願和學習成績的所有因素。

也就是說，當我們要驗證因為 X（補習）而導致 Y （學習成績）結果時，就必須控制可能影響 X 和 Y 的 Z（過去學習成績）、W（過去補習經驗）、M（家庭收入）、U（父母學歷）等所有可能。

套用在研究中，就是對補習成效好且有機會補習的學生問：假使你過去學校成績不好、過往有補習經驗、父母學歷差、家境不佳，那麼你還願意去補習嗎？

而這個補習傾向又可能影響到學生成績，補習意願高的人有可能成績跟著提升，所以可以再問那些願意去補習的學生：假如你並不想去補習，但仍然去補了，那麼你認為自己補習後的成績會跟著提升嗎？同樣的，套用在實際上沒補習學生時，問的問題是：假使你去補習的話，你補習後的成績跟與你背景相同但實際去補習的學生比較，會一樣嗎？

一連串假設問題就是擬定統計策略的核心概念，用以控制家庭、學生個人背景等變因，來模擬封閉式的實驗環境，避免補習學生的課業表現佳並非補習造成，而是家庭栽培、原先課業表現好等所造成「自我選擇偏差」[2] 的狀況發生。

傾向分數法 解決樣本不足問題

如果我們能夠普查全臺灣的高中生，當然能夠找出幾群同樣背景的樣本，再根據他們有補習與沒補習的差異，就像模擬科學實驗中操縱自變項的方式，判斷補習對學習成效的影響，但問題是資料庫涵蓋的樣本有限制。

此研究所用的樣本數來自於臺灣教育長期追蹤資料庫（TPES）之核心樣本（CP）。此樣本以 2001 年 9 月開始念國一學生的代表性樣本，並且在其國三、高二以及高三持續追蹤其後續之變化，大約為 4,261 人。

如果要逐一仔細考量諸多影響補習效果的因素的話，4,000 多筆的樣本數並不多。因此，關秉寅採用「傾向分數」的方式來做，概念就是將影響補習（X）的 Z、W、M、U 等眾多因素變成一個補習的機率權重。

如此一來，即使有補習的小華跟沒補習的小明兩方家庭與個人背景不同，但若各自算出 Z、W、M、U 影響 X 的權數，假使小華有 60 分受其他因素影響、小明是 40 分，則可透過類似權重調整的方式，來平衡參與補習及不參與補習者的背景各項差異，處理樣本數不足與自我選擇偏差問題。

關秉寅補充說明，統計學已經證實以傾向分數的做法，跟找到完全背景一致者來分析的效果並無差異。

想像力推動統計觀念突破

簡單的「假使....就會／不會怎樣」（What If）的問題，居然是開啟用事後資料庫模擬實驗法的核心。 

「其實社會學家跟科學家很像，天文學家也沒見過大爆炸，就是靠著問：假使有大爆炸出現，會根據哪些蛛絲馬跡來探詢宇宙的起源。」關秉寅表示，能夠問假設性問題，是人類尚無法被 AI 取代的想像力，也是人類文明能夠不斷推進的原因，「想像力就是超能力」這句話有其道理。

然而，學習新的統計法是需要下苦功的。2004 年關秉寅在國科會（現科技部）支持下，至美國威斯康辛大學參加教育社會學大師 Adam Gamoran 的讀書會，學習「反事實分析法」，當時這是全球相當新的統計概念，也是從推論到因果驗證分析法的觀念突破。

返臺後，關秉寅又自學了兩年，才真正搞懂「反事實法」的相關概念及分析方法，並摸透統計軟體，2008 年才有第一篇應用反事實法來做補習影響學習成效的因果推論，嚴謹的分析與對補習議題的關注，其後在此基礎上，進一步研究並投稿比較及國際教育學會（CIES）之旗艦期刊「比較教育評論（CER）」，並於 2011 年獲得 CIES 評選為 CER 當年度最佳論文獎。

但當我們問起：為什麼高中補比國中補來得效果更好呢？關秉寅笑稱自己還沒學到那裡，「黑盒子能夠回答問題，但要打開黑盒子探查為何會得到這樣的結果，卻很難。就像科學家如果有方法將病生理因果關係解釋清楚，例如抽菸導致肺癌的機制為何，就是能獲得諾貝爾獎的題目！」

因果分析法的下一步，是要做中介因素分析，這是更嚴峻的考驗。關秉寅表示，目前在中央研究院統計所研究生物統計的研究員黃彥棕團隊從事之「因果中介分析法」，概念就是在「因 X 導致 Y」的狀況下，假使要確認 M 為中介影響機制，就要確保 M 作為 X、Y 的中介機制效果，並未受其他因素干擾。

生物學研究上比較好操作，因為人體是比較封閉的環境；但社會是開放的，每個人的決策差異更大。儘管明年就屆齡退休，關秉寅仍希望以自由研究者的身份，學習新的統計策略，繼續進行補習相關的研究。

建置資料庫 開啟教育社會學研究

關秉寅因緣際會踏入教育社會學研究，一栽下去就是 20 年。2000 年他擔任臺灣社會學會秘書長，受中研院社會所研究員及學會理事長張苙雲之邀，參與教育部及中央研究院合力支持的「臺灣教育長期追蹤資料庫」（簡稱 TEPS）的田野調查工作，希望透過開放、可信的資料庫，記錄千禧世代國高中生的學習狀況，提供學者作為研究分析的素材，為臺灣的教育制度建言。

TEPS 計畫持續調查 7 年後於 2008 年結束，關秉寅與其他學者認為，中斷調查相當可惜，因此向當時的國科會申請經費發起 TEPS-B 計畫，針對同批學生持續調查至今，長期記錄過去教育制度影響這群年輕人職涯發展的軌跡。

「執行資料庫調查的同時，也就利用這個資料庫關注補習問題，開展反事實分析法。」關秉寅表示，社會學家對教育的關注不只是培養人才，還有能否促進階級流動，當學習成績受補習影響越大，象徵只有能夠負擔補習費用的家庭才能繼承學習優勢，階級不平等的狀況就會加劇。

教改怎麼改最好？從長期追蹤資料庫找解方

隨著基礎教育擴張，全世界出現大規模的補習潮，臺灣補習班數量也逐年成長，中學生補習比例卻未出現下降趨勢。關秉寅表示，這說明無論教改怎麼變動，補習狀況還是一樣，或許問題不只在於教學的內容變化，「入學考試」制度的影響可能更大。

他提到，美國就注意到「單次入學考試」對促進階層流動幫助不大，像哈佛大學已取消以 SAT（Scholastic Acessment Test，申請進入美國許多大學就讀的重要參考條件之一）作為入學的採計標準，而是用自傳與過去在校表現來作為考量，降低短暫衝刺的補習對學習效果的影響，此與 108 課綱推動以「學習歷程」作為入學參考的概念類似。教育部立意良好，但問題是多少學校改以學習歷程作為入學的主要指標呢？

改變入學方法能否降低補習現象，關秉寅認為，這是有待研究者進行深入分析的問題，但研究必須奠基於全面及長期資料庫，才能達到「循證教育研究」（evidence based education research）的目標。

108 課綱是臺灣重要的教育改革，他呼籲臺灣應再次啟動大規模的教育追蹤調查。「沒有一個教育制度適合所有的人，每次教改也是有利有弊，但要盡可能讓利大於弊。」關秉寅建議，臺灣制度在改革之前，應參酌各種基於實證的研究來作為調整之基石，藉由完善資料庫，讓學界透過多元觀點與研究方法，在教育政策這塊持續努力。

說起社會學帶給自己的生命養分，就是讓關秉寅養成笛卡爾「盡你可能懷疑所有事」的批判思考，能從各種觀點看同一件事，而非果斷相信他人或自己的推測結果，時時反思如何做可能會有更好的結果。

[1] 此處的學習成效，也就是研究變項中的「學習成就」，統計採用臺灣教育長期追蹤資料庫提供的綜合能力測量，將項目反應理論（Item Response Theory，IRT）估計的標準分數轉換成百分制分數。

[2] 自我選擇偏差（self-selection bias），指的是在研究中的變項組合並非隨機分派，而是允許研究對象自己選擇。這種情況下，我們無法從變項組合導出研究結果，因為結果會受到研究對象的個人選擇所影響。

本著作由科技大觀園製作，以創用 CC 姓名標示–非商業性–禁止改作 4.0 國際 授權條款釋出。