提供论文发表、期刊发表、证书、著作、课题申请、专利等一条龙服务——杂志社张伟浩-您负责教书育人,我们负责解决您职称,晋级路上遇到的难题。

学习者习惯性行为中的元认知投入水平计算研究

分类:(二) 发表时间:2019-08-18

一、问题的提出 基于学习者行为数据的分析和应用是教育大数据以及学习分析研究的重要内容。其中, 学习行为数据是学习者在网络学习活动中自然产生的副产品, 记录了学习者自主学
一、问题的提出
 
 
基于学习者行为数据的分析和应用是教育大数据以及学习分析研究的重要内容。其中, 学习行为数据是学习者在网络学习活动中自然产生的副产品, 记录了学习者自主学习、同伴交互、研究探索的行为轨迹, 是分析学习者行为特征和规律的重要资源。专门设计的学习分析工具能够跟踪学习者的学习进度和测评状态, 预测学生发展, 为学习提醒和预警提供支持。学习分析的引入被认为是科学推进教育教学改革的核心驱动力。但是, 面对多样化的学习情境、动态的学习过程, 学习分析实践往往止步于对表象学习规律和特征的呈现, 鲜有探讨学习者内在的认知与元认知特征及其发展规律[1,2]。归结起来, 工程应用视角下的数据分析更着重方法的应用, 研究设计很少考虑认知与学习科学的指引作用。因此, 数据分析容易流于表面, 难以解释行为产生和发展的内在心理机制。
 
 
习惯性行为是学习过程中的一类特殊行为, 这类行为通常是下意识的, 往往带有鲜明的个性化特征。相较于伴随学习情境而动态产生的学习行为, 习惯性行为具有一定的稳定性, 它可能会在不同场景中重复出现, 存在固有的模式和特征, 这类行为可以是有益学习经验的体现, 也可能是不良学习习惯的外部表现。从特征工程的角度看, 习惯性行为是一类最优特征集, 对其进行研究将有助于我们建立学习分析与认知科学的有机联系, 更准确地把握学习者内在的认知与元认知发展特征。遗憾的是, 现有的学习分析研究通常将习惯性学习行为纳入整体的学习行为范畴内, 不加区别的分析处理容易将这些极具价值的特征弱化或泛化, 获得的结论也难以给予教和学以精准支持。面对这一问题, 研究以学习者习惯性行为为研究对象, 提出网络学习空间下的元认知分析框架和计算方法, 探索习惯性行为数据背后隐含的元认知能力特征。
 
二、基于学习者习惯性行为的元认知研究
 
 
作为学习过程中容易重复出现的一类行为, 习惯性学习行为是学习者微妙而复杂思维方式的真实体现。从认知心理的角度分析这种行为发生的条件、存在的特征和形成的机制, 有助于我们深刻理解习惯性行为与元认知的关系。在此基础上, 运用学习分析技术, 采取回溯的方法, 有助于我们考察其内在的特征和规律, 理解行为所携带的目的、个性、思想等元素[3]。
 
(一) 习惯性学习行为与元认知
 
 
习惯性学习行为是学习者在长期的学习和训练过程中形成的一种下意识的、自然的行为。在不断重复出现的、相似的学习情境中, 学习目标和学习需求引发学习动机, 从而引起了学习者技术使用的信念和态度变化, 进而形成操作意向, 并影响其组合方式、持续程度以及持久性。随着时间的增长以及知识内化的加深, 这些操作逐渐变为无意识的、自动完成的习惯性学习行为[4]。习惯性学习行为的出现具有情境性, 例如:任务开始阶段的预览、阅读中的批注、数学解题后的验算是传统学习情境下的习惯性学习行为;在网络学习环境下, 信息查询、视频点击与回看、内容分享与协作讨论、自我学习进度跟踪等日益成为学习者习惯性的行为选择。
 
 
作为一种下意识的、自动完成的自然行为, 习惯性学习行为包含丰富的“元认知”要素。元认知的本质是个体对当前认知活动的调节, 这种调节活动通过监测和控制两种基本过程得以实现[5]。在常态化的学习过程中, 学习者对自我学习的调控能力与知识记忆、文本理解、问题分析、综合创新能力一样, 也是在长期的学习过程中训练出来的, 表现为习惯性的心理或行为模式。心理能量理论认为, 人的心理能量是有限的, 在执行自我控制过程中, 如对抗本能、抵御外部干扰时, 需要消耗心理能量;在能量不足时, 学习者更倾向于提取头脑中已存储的反应方式来开展活动。在习惯性行为形成的过程中, 它通过不断重复建立起环境与反应的认知联系。在后期执行过程中, 当个体处于熟悉的环境, 就会自动激活大脑中已经形成的一系列行为反应, 做出相对应的习惯性动作[6]。例如:在阅读活动中, 有的学习者注意力集中, 习惯采用边读边记的方式对阅读文本进行深加工, 而有些学习者则会采用“舒适”的方式进行学习, 阅读随意且呈现碎片化特征[7]。这些习惯性的学习行为带有鲜明的个性化特征, 对其进行分析能够揭示学习者内在的元认知控制和调节水平。
 
(二) 基于教育大数据的元认知研究
 
 
传统上, 对学习者元认知进行研究通常采用测量量表、报告与访谈、假想情境等方法, 注重对学习者元认知知识、元认知体验和元认知监控三个维度的调查[8]。这些方法在研究静态的、结果性的元认知要素方面具有较好的作用, 但是在面对真实任务情境时, 元认知是以什么形式呈现出来的?我们如何观察它?采用什么方法对其进行有效测量?鲜有研究针对这些问题给出满意的答案。
 
 
基于教育大数据的学习分析是近年来备受关注的一种全新方法。学习者在网络学习过程中遗留下来的浏览记录 (包含对象标签、时间和频次等信息) 、测评成绩、交互文本等逐步汇聚, 形成教育大数据。通过分析这些数据, 研究者或多或少地涉及元认知量化分析领域。例如:吴林静等人采用聚类分析方法分析学习者的交互数据, 发现勤奋型、消极型、中规中矩型和三好学生型四种类型的学习者在行为表现上各有差异[9];李爽等通过分析学习者行为转化序列, 发现在线学习者可以分为低投入式、浅层次投入式、绩效投入式、循序渐进式、随机参与式等五种不同的行为参与模式[10];江波等分析学习者在虚拟学习平台上的学习行为, 发现学习者群体可以分为顺其自然型、积极学习型和消极学习型[11]。事实上, 这些研究结论中包含了相当的学习者认知或元认知要素, 只是还处于模糊的、主观归纳的阶段, 没有清晰地对学习者内在认知和元认知发展特征进行分类讨论。
 
 
尽管基于教育大数据的学习分析还处于探索阶段, 但这种研究方法显然更具潜力, 其主要优势是显而易见的:第一, 研究情境的自然性, 能够对常态化学习过程实现跟踪分析;第二, 研究过程的非干扰性, 可以在尽量少干预或不干预学习者的状态下收集数据;第三, 研究结果的有效性, 由于前述原因, 研究结果具有较高的信效度, 能够实现对学习过程的有效支持。但是, 这种分析仍然有较大发展空间, 其中存在的问题主要包括:第一, 基于大数据的学习行为研究缺乏基础性框架, 在分析设计和结果阐释上掺杂着各种经验化的表述;第二, 数据处理技术主导的特征提取或模式识别没有直指学习者内在学习特点和规律, 缺乏对学习者认知与元认知特征的深入分析;第三, 数据分析着重对沉积性数据的挖掘, 鲜有对动态学习过程中的时序性、发展性特征的研究。
 
三、基于学习者习惯性行为的元认知投入分析建模
 
 
学习者习惯性学习行为中隐现的元认知是多样化的, 从量化分析的角度对元认知进行测评需要明确其包含的要素, 厘清要素之间的关系。学习投入作为一个综合性的概念, 在指导认知心理实验研究转向实践应用的过程中提供了基础性的参考框架。以此为基础, 有助于构建习惯性行为与元认知之间的映射关系, 并为量化分析提供一致性的计算框架。
 
(一) 学习者元认知投入分析框架
 
 
从学习投入视角探讨学生的学习过程特征是近几年学习分析研究关注的重点议题。尽管研究者对学习投入的概念观点不一, 但是在学习投入的内涵理解上则形成了一定的共识:第一, 学习投入是行为、认知和情感三个方面交互作用形成的综合性概念;第二, 学习投入聚焦学习者主动性、自我监控和学习策略等内容;第三, 学习投入强调学习者对学习时间的有效管理和注意力的保持与分配;第四, 学习投入关注学习者与周围世界的多向互动, 以及在此过程中获得自我效能感、意义感和归属感等情感体验[12]。
 
 
学习投入为元认知分析提供了基本的概念框架。首先, 学习投入是对大量元认知要素参与学习的综合性表述, 其中包括元认知知识、元认知体验和元认知监控三个方面的要素;其次, 学习投入是一个过程性概念, 强调学习过程中的元认知要素参与, 即学习者对自我认知过程的计划、监控、调节和反思;最后, 学习投入是一个具有关联性与协同性的概念, 凸显出元认知参与的持续性, 二者在持续交互过程中的协同发展主要表现在活动规划、策略选择、过程调控、学习结果预测和评价等方面[8]。
 
 
在关注“学习测量”的背景下, 对学习者元认知投入进行分析需要对基础概念框架进行进一步的发展。学习行为作为学习投入的外在表现, 是衡量认知投入和情感投入的重要中介。相关研究者对衡量学习行为投入的指标进行了系统的整理与归纳, 包括持久性、计划、任务管理、努力、坚持、专注、学习活动参与、合作学习等多项指标[3]。从元认知分析的角度看, 这些指标可以分为三类:第一, 元认知投入方式, 主要用来描述学习者“参与”学习活动的形式, 其中包括自主学习和协作交互两类, 前者注重个体学习的“努力程度”, 后者关注“活动参与”的水平。第二, 元认知投入力度, 主要描述学习过程中个体的努力程度, 专注和坚持是这种努力程度的直接体现。专注反映出学习者对注意力的控制和分配;坚持是学习者在学习任务或问题解决过程中展现出的勇于挑战、坚持不懈的意志品质。第三, 元认知投入调控, 主要描述学习者对自我学习的管理和控制, 其中, 包括时间管理和策略调节两项关键要素。时间管理有双重内涵, 其中包括时间的有效管理和规律性;策略调节是学习者通过计划、监控和调节的持续循环, 确保学习的方向性和有效性。
 
 
综合以上分析, 从量化分析的视角构建元认知投入分析框架, 如图1所示。
 
图1 学习者元认知投入分析框架  
图1 学习者元认知投入分析框架   下载原图
 
 
(二) 学习者元认知投入计算方法
 
 
学习者元认知投入分析框架主要描述元认知要素之间的关系, 将自主学习、协作学习、坚持、专注等定性的特征描述转化为可观察、可记录和易于分析的量化指标是问题的关键。在学习边界愈发模糊的情境下, 课堂学习和网络学习的混合使教学场景日益复杂, 学习组织形式和规模也在发生动态变化。这种学习生态的变化对元认知测量的内容和方法提出了新的挑战。在分析的内容上, 除了传统的学习参与、注意力保持、乐于挑战、自我监控等内容, 还需要关注网络学习空间中的元认知要素:一是空间维度的元认知分布, 包括学习者在网络学习空间中的路径选择、注意分布和策略应用等;二是时间维度的元认知控制, 包括学习时间管理、学习内容阶段性分配、学习活动中的行为序列等。
 
 
对多维度的学习者元认知投入水平进行计算需要解决分析结果的一致性问题。第一, 表述方式的一致性。这里, 引入认知心理研究中的激活水平与保持水平两个术语, 规范化处理元认知投入水平的各项指标。激活水平 (Arousal Level, AL) 主要用来表示为适应认知活动需要, 学习者依据既有的习惯调动的元认知方式、策略或模式。保持水平 (Retention Level, RL) 主要用来表示与认知活动相匹配的时间要素, 包括个体努力、注意力、信念等。第二, 数据比较上的一致性。这里采取相对水平计算方法, 即以班级为单位, 以行为表现前10%的学习者为基准, 计算每位学习者相关维度的元认知投入水平, 实现数据的归一化。
 
 
依据以上分析, 形成基于学习者习惯性行为的元认知投入水平计算方法, 见表1。
 
 
表1 学习者习惯性行为中的元认知投入计算方法     下载原表 
表1 学习者习惯性行为中的元认知投入计算方法  
四、案例研究:师范生混合式学习中的元认知特征分析
 
 
当前, 混合式教学逐步成为高校课程改革的重要方向。高校课堂教学日益关注教学过程, 重视学生的过程性表现。已有的网络学习平台通常能够提供基础性的统计数据, 但是, 这些数据对于充分了解学生、把握其学习过程特征是远远不够的。有时候, 教师更希望了解学生是如何学习的, 他们对自我学习的管理和控制是否达到了课程标准的要求。基于此, 研究以课题组所承担的课程为实践情境, 分析学生在混合式学习中的元认知投入状态, 为教学干预和课程优化提供依据。
 
(一) 研究情境
 
 
研究以高校师范生专业基础课“现代教育技术应用”为实践场景。该课程开设的目的在于普及现代教育技术理念和方法在学科教学中的应用, 培养学生应用现代教育信息技术装备、开展信息技术支持的教学能力。课程面向本科三年级学生, 采用混合式教学模式。其中, 实验操作技能训练在公共课实验室中进行, 基础理论与方法通过网络自主学习平台开展。网络学习资源依托浙江省高等学校在线开放课程共享平台, 为学生提供课程资料、练习测试、互动讨论、学习情况自动分析与反馈等学习支持。学生在学习本课程之前已经在此平台上学习过其他专业课程, 熟悉平台的使用。课题组在教学研讨中提出, 在不同资源发布策略下, 学生的自主学习表现有较大差异。为进一步辨析这种差异的实质及其对学生的影响, 在同一学期设计两种教学资源发布策略, 为研究创建条件。其中, 1班在课程开始时获得了全部的章节内容资源和测试项目;2班则定期获得发布的教学资源和测试。
 
(二) 数据获取
 
 
数据获取采用学习系统自动采集和手工采集两种方式。网络学习平台能够自动统计课程情况、班级情况和学生情况3个层面、28个维度的数据。根据研究情境, 筛选学习者在网络学习平台下的习惯性行为数据, 其中包括教学视频观看数量与时间、协作讨论与发帖、历次学习时间、分级测验完成度与成绩、综合测评成绩等数据, 分别用于计算学生的个体努力保持水平、协作意识激活水平、注意保持水平、坚持信念保持水平、时间意识激活水平、计划与执行策略。针对学习平台在初始设计上的不足, 通过调查问卷和随机访谈方法手工采集部分反映学生元认知策略调节的数据, 包括自我学习监控的方式和频率、视频重复学习的频次、修改作业的原因和频次等。研究每隔一周收集一次数据, 表2展示的是课程进行到第16周的统计数据。
 
 
表2 数据采集情况     下载原表 
表2 数据采集情况  
注:C1表示1班, C2表示2班, 下同。
 
(三) 数据修正与量化
 
 
在开放的自主学习过程中, 由于各种条件和因素的限制, 需要在数据采集和记录环节进行修正, 在计算分析环节对相关权重进行约定, 包括以下几个方面的工作:第一, 确定数据采集的时间跨度。从学期初开始, 学生注册进入课程系统, 开始采集学习者数据, 直至课程基本结束。教师每周从系统平台上导出数据备份, 直至第16周。第二, 选择指标项。采集学习资源访问量数据, 衡量班级努力的整体水平;采集班级笔记和交互帖的数量及评分数据, 计算整体协作交互水平;以学生历次系统学习时间数据为基础, 计算注意保持水平;以挑战性任务完成量数据为基础, 计算坚持信念保持水平。第三, 数据清洗。删除“空”数据项, 采用均值填充方法处理明显不符合逻辑的数据, 如长时间观看视频、交互发帖的内容是学习资源的简单复制粘贴等。第四, 确定相关指标的计算权重。在本案例中, 对相关权重指标进行平均分配。
 
(四) 分析与讨论
 
1. 资源发布策略差异对群体元认知投入的影响分析
 
 
从课程系统自动统计的数据上看, 两个班的学习进度基本一致。基础性的频次统计数据可能难以反映两个班的实际学习情况。对此, 运用元认知投入分析方法对数据进行计算。由于数据较多, 截取第12至第16周的数据, 对学习投入中各项元认知要素的保持和激活水平进行一致性计算, 见表3。
 
 
表3 不同资源发布策略下的学习者元认知投入水平     下载原表 
表3 不同资源发布策略下的学习者元认知投入水平  
注:--表示无数据。
 
 
通过以上分析, 可以得到以下结论:在开放的网络学习情境中, 学习者元认知投入方式具有相对稳定性;教学资源发布策略会对学习者的元认知投入力度和调控产生影响。
 
 
第一, 学习者更习惯于采用自主学习的方式完成学习任务。这种特征体现在学习者习惯性行为上, 包括观看教学微视频、自主完成测验、做笔记等方面。协作交互行为在12周之后才出现, 主要原因是混合式教学中设计了师生互动环节, 教师对学生线上互动提出了具体要求。即使如此, 学生更倾向于选择习惯性的独自学习形式, 开展协作学习的意愿并不强烈。类似研究同样发现这一问题, 指出协作学习并不因为创建了环境、规定了任务而必然发生。在激发学生参与协作、提升学习投入水平方面需要采取更多样的方式, 才能获得期望的效果[13]。
 
 
第二, 不同资源发布策略对学习者元认知投入的力度和调控方式产生显著影响。在逐次发布学习资源的情况下, 2班学生学习更加专注, 并能够坚持在有限的时间内完成学习任务。具体体现在注意力保持水平、坚持信念保持和时间意识激活水平三项指标上。出现这一情况的主要原因可能是, 这种资源发布策略可以降低学生一次性面对总任务时的压力, 又让学生产生任务紧迫感。有研究认为, 学习者的元认知可以分为静态元认知和动态元认知两类:前者包括认知个体、认知任务、认知策略等, 后者包括对当前活动的计划、监控、自我解决问题能力的意识和评估等[14]。从数据分析的结果上看, 教师虽然在学生自主学习过程中没有采取任何干预, 但资源发布的不同策略会影响学生动态元认知要素的激活水平。
 
2. 性别差异对学习者元认知投入的影响分析
 
 
对比男女生性别差异是教育实证研究关注的重要维度。在日常教学观察中, 女生通常表现得更为积极, 相较于男生, 她们更容易获得赞誉。在自主学习过程中, 性别的差异会体现在哪些方面呢?研究选择16周的累积数据对元认知投入的方式和力度进行分析。同时, 以第16周的调查问卷为基础, 对学习者元认知投入监控水平进行分析。具体见表4。
 
 
表4 不同性别学习者元认知投入水平     下载原表 
表4 不同性别学习者元认知投入水平  
 
女生在课程学习表现上整体要优于男生。这种现象可能不是个案, 相关研究者在基于MOOC的学习分析研究中同样发现, 女生学习更认真、学习参与度更高、学习效果更好[15]。学习者元认知投入水平分析进一步证实并深化了这一观点。
 
 
第一, 男生和女生均倾向于选择自主学习的方式完成学习任务, 但女生个体努力保持水平更高, 并呈现出显著性水平 (t=2.98, p=0.03<0.05) 。由此可以推断, 无论资源发布策略如何, 女生更愿意在课程学习中投入时间, 完成学习任务。
 
 
第二, 在元认知投入的力度上, 女生在注意力保持水平上比男生略高, 但没有显示出显著差异。但是, 女生在挑战性测评任务完成率及得分上相对更高, 因此, 男女生在坚持信念保持水平上存在显著差异 (t=2.23, p=0.02<0.05) 。
 
 
第三, 女生更注重对自我学习的监控和调节。问卷调查显示, 女生习惯采用监控策略, 在登录学习系统前或学习结束后, 查看系统记录的学习进度、综合评分等信息。对学习成绩的关注是重要的内驱力。在课堂教学互动中, 女生会为获取更高的分数而提出各种问题与要求, 如错过测试时间或个别测验题目没做好而请求开放系统测试等。男生在这方面则表现得更淡然。
 
3. 元认知投入的个体差异分析
 
 
在数据分析过程中, 发现学习群体中存在显著的个体差异, 部分学习者在自主学习的投入和管理上处于较高水平, 但部分学习者对自我学习的管理和控制处于无序状态。研究显示, 学习者自我管理和激励的能力不足会导致不良后果, 在完全自主的网络学习情境下还会导致退课、退学的情况[16]。对此, 筛选出现差异较大的4位学习者, 对第14周的学习状态进行可视化处理, 对比个体元认知投入上的差异表现, 如图2所示。
 
图2 学习者个体元认知投入状态  
图2 学习者个体元认知投入状态   下载原图
 
 
 
由上图可知, 对个体元认知投入水平的计算有利于学习者观察自我学习状态, 为教师选择针对性的教学策略提供决策参考。事实上, 对于大学生学习者, 学习面临的挑战并不在于认知能力上的不足, 更多的是内在元认知投入的方式、力度和调控等能力要素上的欠缺, 通常表现为学习态度不端正或不良的学习习惯等。针对这种学习内驱力不足、学习习惯有待改进的学习者, 为其提供目标引导和学习分析支持可能是可行的手段。相关研究显示, 在学习活动开始之前, 为其提供评价量规有助于降低学习者认知负荷;在活动过程中, 有利于学习者对自我元认知投入的调控;在活动结束后有助于学生对学习活动的完成、评价和完善[17]。从优化课程教学的角度看, 将学习者元认知投入及分析的相关目标、关注的维度、计算的方法融入评价量规, 让学习者从课程一开始就明确学习目标、了解自我学习和管理的内容、把握自我元认知调控的方向, 将有助于提升学习表现, 进而促进学生的学习。
 
五、结语
 
 
关注学习过程, 研究学习者元认知能力特征是学习行为分析的重要内容。本研究从学习投入的视角出发, 提出元认知能力分析的基本框架和方法。应用这一工具, 可以在一个相对统一的水平上, 系统地观察学习者学习投入的方式、力度和调控水平。其中, 习惯性行为及其数据是实现对学习者元认知投入分析的关键。通常情况下, 网络学习行为分析面向的是学习系统所能够采集到的所有数据, 这些数据中包含大量随机的、无效的数据, 极大地增加了研究的复杂性。以学习者习惯性行为为关注核心, 能够有效地缩小数据分析和探讨的范围。更为重要的是, 习惯性行为本身隐含的认知和元认知要素特征更为富集, 对其进行分析有利于我们了解学习者内在的学习特征和规律。当然, 这种研究模式还存在一定的局限性。第一, 学习情境性与习惯性行为之间没有确定的映射关系。不同的学习情境、相异的学习任务对学习者提出的要求各不相同, 与之相对应的, 学习者调动的元认知要素和反映出的习惯性行为类别也不相同。一般网络课程学习环境中, 学习者登录平台、浏览视频、完成规定的测验是习惯性行为, 在特定的学习活动中, 如数字阅读, 标记行为则可能是部分学习者的习惯性行为, 而在在线文档创作中, 共享、标识和改编等行为则更为常见。因此, 针对不同的学习情境, 需要对元认知计算方式进行调整修订。第二, 分析结果的非精确性。行为作为学习者内在认知的外在反映, 与外部环境、学习者认知和情感等多重要素存在复杂的关系, 单独地从元认知投入视角进行观察并不能完全覆盖其所有特征, 因此, 分析结果不能作为评价学生的唯一证据。尽管如此, 以量化分析的方式研究学习行为, 并从认知心理的角度对学习者进行深入分析, 将对教和学两个方面产生深刻影响。认知科学和工程实践的有机结合必然是未来学习分析研究的发展方向。
 

畅志文化期刊网,一个专业的论文发表,期刊发表,著作出版,课题等评职称相关平台。

文章名称:学习者习惯性行为中的元认知投入水平计算研究

文章地址:www.cqpc.cq.cn/lunwenjianshang/_er_/2019/0818/953.html

内容来自网络-如有侵权,请告知删之

上一篇:MOOC同伴作业互评中反思意识与学习成效的关系研究 下一篇:涟漪拓展探究法——一种在线深度协作知识建构的学习策略探索

还有问题,免费咨询专业人员

没有问题了,我想发稿或出版

选择服务:

作者姓名: *

联系电话: *

留言备注: *

咨询部:

发表部:

在线客服

客服电话:17600057161

投稿邮箱:71712724@qq.com

QQ:71712724
QQ:71712724

咨询部:

发表部: