数据结构
网络
关系数据库管理系统 (RDBMS)
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C语言编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理学
化学
生物学
数学
英语
经济学
心理学
社会学
服装学
法学兴趣测量
幸运的是，被称为兴趣的人类努力的一部分，目前正在朝着更有效地阐明和测量的方向发展。心理学家最初主要只是进行实验。在他们早期的实验研究中，心理学家并没有表现出对指导原则的太多关注，即使教育工作者已经从兴趣导向的中心构建了教育体系。一切似乎都取决于易于获取的数据收集技术的具体方法。编制了儿童对游戏、书籍、广播和电影节目、连环漫画等的偏好的清单。即使在近年来，研究人员也忽略了与其他行为特征的整合。总的来说，兴趣已经被研究过；然而，也存在一些例外。
兴趣测量工具
虽然文本中有一些兴趣测量方法，但在更大的课堂环境中，测量兴趣的方法却很少。为干预研究创建了几个量表。然而，由于它们是为了评估干预措施的有效性而创建的，因此它们不能很容易地应用于研究各种课堂环境中的情境兴趣。
Mitchell 量表
Mitchell (1993) 的量表用于评估中学数学课堂中的情境兴趣，区分了吸引和保持（类似于持续的 SI）。但是，此测试中包含了关于教师可能采用哪些特定方法来激发学生对数学的兴趣的问题（例如，谜题、计算机和小组工作）。这是有问题的，因为在不采用这些方法的课堂上的学生不会发现这些项目有用。我们认为，与其关注情境兴趣的特定来源，不如将测量重点放在学生对情境兴趣的整体体验上，这将更有用。只有这样才能比较提高兴趣技术的相对有效性，尤其是在不同的课堂环境中。
Chen、Darst 和 Pangrazi 量表
Chen、Darst 和 Pangrazi (2001) 创建了一个量表来衡量情境兴趣，而没有提及具体的教学方法。但是，它没有考虑主题内容的重要性，而是完全关注与特定学习体验相关的感受性信念；因此，该量表需要充分捕捉所提出的与保留的 SI 相关的价值特征。
斯特朗职业兴趣量表
自 1927 年首次出版以来，它一直是职业咨询实践和研究中最有效和最广泛使用的工具之一。对 SVIB 的研究是目前对职业兴趣的一致认识的大部分基础。SVIB 的成功很大程度上归功于斯特朗的职业兴趣测量经验方法。斯特朗避免了明确的理论和理论化，而选择经验性地找到哪些问题能够“区分”精心挑选的职业群体与“一般男性”或“一般女性”样本。正如 Tyler (1965) 指出的那样，令人惊讶的是，关于 SVIB 项目、其来源、其选择方法以及它们所涵盖的内容范围知之甚少。Stewart、Ronning、Stellwagen、Berdie 和 Campbell (1968) 以及随后的 Hansen (1977) 都提请注意，很少有研究关注职业兴趣评估中使用的项目的实质内容，而不是它们的心理测量有效性。
库德兴趣量表
弗雷德里克·库德 1939 年出版的《个人偏好记录》（A 表格）中包含七个几乎独立的同质量表。1943 年（B 表格），库德增加了两个同质量表；1948 年，他又增加了一个同质量表（C 表格）。C 表格的十个兴趣领域由库德一般兴趣调查表 (E 表格) (Kuder, 1988) 测量。然而，这些项目是用更简单的术语写成的。库德职业兴趣调查表（D.D. 表格）普通手册包含自该调查表 1966 年首次出版以来的最新更新和修订。
杰克逊职业兴趣量表
杰克逊职业兴趣调查表 (JVIS) (Jackson, 1977) 由 289 个强制选择项目组成，这些项目描述了职业活动，非常适合高中生、大学生和需要帮助进行教育和职业规划的人。衡量工作角色和工作风格的 34 个同质量表中的每一个都有 17 个项目，阅读水平约为七年级。五个工作角色量表描述了特定的职业（例如工程和小学教育），而 21 个量表则表示一组工作（例如，创意艺术、社会科学）。八个工作风格测量评估对需要特定行动的情况的偏好（例如，支配性领导力、责任制）。机器评分的 JVIS 配置文件还包括 10 个一般职业主题，这些主题测量的是反映受访者对工作的态度而不是兴趣的广泛兴趣模式（例如，逻辑型、进取型），17 个主要的大学领域的广泛集群（教育分类）和 32 个职业集群。手工评分的 JVIS 配置文件仅包含 34 个基本兴趣量表（职业分类）。34 个同质基本兴趣量表是使用基于理论的量表构建方法创建的。该过程的第一步是根据职业心理学方面的先前研究确定将要评估的兴趣。然后，三千个项目代表了兴趣结构。最后，对项目库进行了一系列因素分析，以确定哪些 289 个项目与它们量表上的因素分数显示出显着相关性，而与其他 JVIS 量表则显示出低相关性。在考虑了 34 个基本量表之后，创建了 10 个一般职业主题。女性和男性高中生和大学生的组合样本已经为基本量表和主题量表建立了标准分数规范。个人可以使用显示女性和男性在每个量表上的分数百分位数分布的解释性条形图来推断他们的结果与其他人的比较情况。
结论
为了更好地了解这些群体的特征以及最有效地将兴趣量表应用于这些群体的方法，研究必须遵循在新的群体中使用兴趣量表的情况。由于跨文化使用兴趣量表，对量表准确翻译的需求以及对针对非英语母语人士的受访者的、以美国人口为标准的量表预测能力的信息的需求正在增加。
浏览量：1000+
