張曉峰 李明喜 俞建慧 吳剛

【摘要】? 在全面推進(jìn)“網(wǎng)絡(luò)學(xué)習(xí)空間人人通”的建設(shè)背景下，學(xué)習(xí)云空間的應(yīng)用不斷深入。但正如其他在線學(xué)習(xí)平臺(tái)一樣，學(xué)習(xí)云空間也存在輟學(xué)率高、學(xué)習(xí)投入不足等問(wèn)題。本文聚焦學(xué)習(xí)云空間中學(xué)習(xí)主體認(rèn)知投入相關(guān)數(shù)據(jù)的獲取，提出了基于機(jī)器學(xué)習(xí)的認(rèn)知投入量化方法。首先，分析了認(rèn)知投入的構(gòu)成要素，并基于班杜拉的社會(huì)認(rèn)知理論，建立了面向?qū)W習(xí)云空間的認(rèn)知投入模型。然后構(gòu)建了圍繞“數(shù)據(jù)采集-數(shù)據(jù)處理-量化實(shí)現(xiàn)-量化應(yīng)用”的認(rèn)知投入量化框架，并設(shè)計(jì)了一個(gè)基于支持向量機(jī)的認(rèn)知投入量化算法。最后以世界大學(xué)城系統(tǒng)平臺(tái)數(shù)據(jù)為支撐，通過(guò)與其他機(jī)器學(xué)習(xí)算法的對(duì)比得到研究結(jié)果，基于SVM算法具有較高的量化精確率，本研究希望能為教育領(lǐng)域深層認(rèn)知投入量化提供一種可行的參考方案。

【關(guān)鍵詞】? 在線學(xué)習(xí);學(xué)習(xí)分析;深層次學(xué)習(xí);深度學(xué)習(xí);學(xué)習(xí)投入;社會(huì)認(rèn)知理論;認(rèn)知學(xué)習(xí)理論;認(rèn)知投入; 機(jī)器學(xué)習(xí);支持向量機(jī)

一、引言

隨著教育信息化2.0和社會(huì)交互網(wǎng)絡(luò)的發(fā)展，在線學(xué)習(xí)成為教師教學(xué)和學(xué)生學(xué)習(xí)的重要形式，尤其是基于云計(jì)算的網(wǎng)絡(luò)學(xué)習(xí)空間（學(xué)習(xí)云空間）的產(chǎn)生，真正實(shí)現(xiàn)了大規(guī)模資源池的共建共享，極大地促進(jìn)了學(xué)習(xí)主體基于云的網(wǎng)絡(luò)化泛在交互學(xué)習(xí)（黃昌勤， 等， 2015）。這些特性使得學(xué)習(xí)云空間成為研究者當(dāng)前關(guān)注的熱點(diǎn)問(wèn)題。有研究表明，學(xué)習(xí)云空間中師生時(shí)空分離特性使得學(xué)習(xí)主體容易受到外界因素的干擾，出現(xiàn)學(xué)習(xí)投入不足、學(xué)習(xí)效率低等問(wèn)題（韓中美， 等， 2017）。學(xué)習(xí)投入是衡量學(xué)習(xí)效率的重要指標(biāo)之一，因此對(duì)學(xué)習(xí)投入進(jìn)行量化研究，并給予適當(dāng)?shù)膶W(xué)習(xí)干預(yù)、自我診斷、學(xué)情檢測(cè)等智能支持服務(wù)，是解決學(xué)習(xí)主體學(xué)習(xí)投入不足和提高學(xué)習(xí)效率的關(guān)鍵。

在目前針對(duì)學(xué)習(xí)投入的相關(guān)研究中，陳怡碩（Chen， 2017）研究了學(xué)習(xí)投入與學(xué)習(xí)主體的學(xué)術(shù)成就和高階能力發(fā)展正相關(guān)。約翰遜指出（Johnson， 2014）對(duì)學(xué)習(xí)投入的及時(shí)測(cè)評(píng)和實(shí)時(shí)分析將會(huì)有效地促進(jìn)學(xué)習(xí)績(jī)效的提高;約翰（John， 1987， p.10）將學(xué)習(xí)過(guò)程分為“淺層”“深層”“目標(biāo)達(dá)成”三階段;阿達(dá)爾等（Adar， Debra， Rena， & Christian， 2018）認(rèn)為學(xué)習(xí)投入是由行為投入、情感投入和認(rèn)知投入三維結(jié)構(gòu)組成，并且它們之間存在相互關(guān)系。李爽等（2018）基于學(xué)習(xí)管理系統(tǒng)采用多層回歸方法對(duì)學(xué)習(xí)投入的三個(gè)維度進(jìn)行測(cè)量;武法提等（2018）圍繞學(xué)習(xí)行為投入發(fā)生機(jī)制和本質(zhì)特征展開(kāi)探索，構(gòu)建學(xué)習(xí)行為投入理論模型;王洪江等（2017）基于在線學(xué)習(xí)活動(dòng)實(shí)時(shí)分析學(xué)習(xí)過(guò)程，發(fā)現(xiàn)參與、交互等行為是影響學(xué)習(xí)行為投入的主要因素。

綜上所述，現(xiàn)有研究多集中在學(xué)習(xí)行為投入的研究，鮮有對(duì)情感與認(rèn)知投入的深入分析。認(rèn)知投入作為學(xué)習(xí)投入的基本構(gòu)成維度，反映學(xué)習(xí)主體在學(xué)習(xí)活動(dòng)中的高階投入。布魯納的認(rèn)知發(fā)現(xiàn)學(xué)習(xí)理論認(rèn)為學(xué)習(xí)是主動(dòng)形成認(rèn)知結(jié)構(gòu)（知識(shí)經(jīng)驗(yàn)系統(tǒng)）的過(guò)程，其內(nèi)在認(rèn)知復(fù)雜抽象，難以表征。故以往采用問(wèn)卷數(shù)據(jù)進(jìn)行認(rèn)知投入量化的方法無(wú)法滿足對(duì)多維多特征認(rèn)知投入影響因素的量化研究。當(dāng)前，以數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)為代表的分析方法逐步成為學(xué)習(xí)量化分析的新潮流，支持向量機(jī)（Support Vector Machine，SVM）作為一種機(jī)器學(xué)習(xí)算法，因其具備處理復(fù)雜教育數(shù)據(jù)的能力而令人矚目，因此本研究以“認(rèn)知”為著眼點(diǎn)采用基于SVM的機(jī)器學(xué)習(xí)方法對(duì)認(rèn)知投入進(jìn)行量化分析。

基于以上所述，本文聚焦學(xué)習(xí)主體的認(rèn)知投入數(shù)據(jù)獲取，基于社會(huì)認(rèn)知理論構(gòu)建了面向?qū)W習(xí)云空間的認(rèn)知投入模型，并設(shè)計(jì)了以“數(shù)據(jù)采集-數(shù)據(jù)處理-量化實(shí)現(xiàn)-量化應(yīng)用”為主線的認(rèn)知投入量化框架，以期對(duì)認(rèn)知投入的量化提出一種切實(shí)可行的技術(shù)方法。

二、面向?qū)W習(xí)云空間的認(rèn)知投入模型構(gòu)建

學(xué)習(xí)投入是學(xué)習(xí)主體學(xué)習(xí)過(guò)程的重要觀測(cè)指標(biāo)之一，也是學(xué)業(yè)成就的預(yù)測(cè)指標(biāo)之一。其中認(rèn)知投入作為學(xué)習(xí)投入中的深層次學(xué)習(xí)階段，一直是教育學(xué)、認(rèn)知心理學(xué)等領(lǐng)域的熱點(diǎn)研究問(wèn)題。因此，本文基于認(rèn)知學(xué)習(xí)理論和社會(huì)認(rèn)知理論，通過(guò)對(duì)教育場(chǎng)景下認(rèn)知投入指標(biāo)與因素的分析，首先闡述了認(rèn)知投入的相關(guān)理論，進(jìn)而提出了符合學(xué)習(xí)云空間交互特性的認(rèn)知投入構(gòu)成要素，最后構(gòu)建了面向?qū)W習(xí)云空間的認(rèn)知投入模型。

（一）認(rèn)知投入模型構(gòu)建依據(jù)

已有國(guó)內(nèi)外學(xué)者對(duì)認(rèn)知投入的相關(guān)理論進(jìn)行了探索。弗雷德里克斯等（Fredricks， Blumenfeld， & Paris， 2004）的課堂學(xué)習(xí)投入量表將認(rèn)知投入定義為深層認(rèn)知策略的應(yīng)用以及對(duì)學(xué)習(xí)的有效自我監(jiān)控與調(diào)節(jié)兩類?；谏鲜鼋Y(jié)論，斯米特等強(qiáng)調(diào)（Smit， Cornelis， Monique， & Rob， 2017），更多使用深層認(rèn)知策略的學(xué)習(xí)主體比更多使用淺層認(rèn)知策略的學(xué)習(xí)主體，在學(xué)習(xí)上付出更多的心理努力，并具有更好的理解水平。其中，深層認(rèn)知策略主要關(guān)注的是知識(shí)間的聯(lián)系和探尋學(xué)習(xí)內(nèi)容的意義等，而淺層認(rèn)知策略主要關(guān)注的是表面看起來(lái)非常重要的標(biāo)題和要素，并對(duì)此進(jìn)行機(jī)械記憶。李等人認(rèn)為（Lee， Pate， & Cozart， 2015）認(rèn)知投入的表現(xiàn)是學(xué)習(xí)主體在甄選、評(píng)價(jià)相關(guān)信息和資源時(shí)所付出的心智努力程度，在學(xué)習(xí)活動(dòng)中針對(duì)認(rèn)知目標(biāo)應(yīng)用學(xué)習(xí)策略，并主動(dòng)將新知識(shí)遷移運(yùn)用到不同的情境中，關(guān)注知識(shí)間的聯(lián)系，探尋學(xué)習(xí)內(nèi)容的意義?；诟ダ椎吕锟怂沟膶?shí)驗(yàn)結(jié)果，國(guó)內(nèi)學(xué)者（李爽， 等， 2015）編制的遠(yuǎn)程學(xué)習(xí)投入量表結(jié)合自我監(jiān)控與元認(rèn)知策略，將認(rèn)知投入劃分為認(rèn)知策略、元認(rèn)知策略、情感管理策略和資源管理策略四類。在其后續(xù)的研究（李爽， 等， 2016）中，認(rèn)為學(xué)習(xí)挑戰(zhàn)是認(rèn)知投入的重要指標(biāo)，是對(duì)知識(shí)的深度加工與創(chuàng)新應(yīng)用。張艷梅等人（2014）基于開(kāi)發(fā)的移動(dòng)環(huán)境，從自主調(diào)節(jié)學(xué)習(xí)、自主學(xué)習(xí)、知識(shí)建構(gòu)和生成式學(xué)習(xí)四個(gè)方面分析評(píng)測(cè)學(xué)習(xí)主體的認(rèn)知投入。

還有其他一些研究文獻(xiàn)與評(píng)測(cè)工具也為認(rèn)知投入提供了分析維度。孫之元等（Sun & Rueda， 2012）的遠(yuǎn)程學(xué)習(xí)投入評(píng)價(jià)量表（Student engagement in distance education， SEDE）提出認(rèn)知投入主要指完成學(xué)習(xí)任務(wù)時(shí)對(duì)學(xué)習(xí)資源的搜索、管理和學(xué)習(xí)策略的應(yīng)用;迪克森（Dixson， 2010）編制的在線學(xué)習(xí)投入量表（the Online Student Engagement Scale， OSES）提出了自我管理、主動(dòng)將課程內(nèi)容與生活實(shí)踐相關(guān)聯(lián)以及將課程內(nèi)容應(yīng)用到實(shí)際生活這三個(gè)認(rèn)知投入維度。

由于網(wǎng)絡(luò)學(xué)習(xí)比傳統(tǒng)面對(duì)面學(xué)習(xí)存在更大的挑戰(zhàn)，需要學(xué)習(xí)者付出更多的心智努力才足以獲得良好的學(xué)習(xí)績(jī)效，大量文獻(xiàn)指出認(rèn)知投入與學(xué)習(xí)策略和自我監(jiān)控有關(guān)（孔企平， 2002; Fredricks， Blumenfeld， & Paris， 2004; 張娜， 2012），也有研究指出（Shea， Hayes， & Smith， 2012）要著重從學(xué)生如何對(duì)自身認(rèn)知進(jìn)行調(diào)控的角度出發(fā)深入考慮認(rèn)知投入，即元認(rèn)知投入的視角。艾克和加里森（Akyol & Garrison， 2011）認(rèn)為，元認(rèn)知投入主要包括認(rèn)知管理（主動(dòng)執(zhí)行學(xué)習(xí)和控制學(xué)習(xí)環(huán)境）和認(rèn)知監(jiān)控（學(xué)習(xí)者反思自己和對(duì)學(xué)習(xí)過(guò)程做出的改變）。因此，本研究將學(xué)習(xí)策略應(yīng)用和學(xué)習(xí)自我監(jiān)控作為認(rèn)知投入的依據(jù)，從元認(rèn)知投入的角度出發(fā)將學(xué)習(xí)自我監(jiān)控細(xì)化為管理與監(jiān)控兩個(gè)方面，選取自我管理和自我監(jiān)控與調(diào)節(jié)來(lái)表征認(rèn)知投入。其中，自我管理和自我監(jiān)控與調(diào)節(jié)的側(cè)重點(diǎn)不同，自我管理特指學(xué)習(xí)者在主動(dòng)學(xué)習(xí)意愿的前提下對(duì)學(xué)習(xí)條件與環(huán)境進(jìn)行管理，而自我監(jiān)控與調(diào)節(jié)則是學(xué)習(xí)者發(fā)揮主觀能動(dòng)性，通過(guò)改變學(xué)習(xí)過(guò)程中的內(nèi)在行為以及自我反思進(jìn)行調(diào)整?？紤]到學(xué)習(xí)是不斷追求對(duì)知識(shí)的應(yīng)用與創(chuàng)造，作為最具影響力的學(xué)習(xí)投入測(cè)量工具，即全美學(xué)生投入調(diào)查 （ the National Survey of Student Engagement， NSSE）將學(xué)習(xí)挑戰(zhàn)作為認(rèn)知投入的重要內(nèi)容，本文也將學(xué)習(xí)挑戰(zhàn)作為認(rèn)知投入的重要構(gòu)成要素：學(xué)習(xí)挑戰(zhàn)是學(xué)習(xí)者在認(rèn)知形態(tài)上對(duì)更高學(xué)習(xí)成就的渴望與追求，有助于學(xué)習(xí)者高階能力的發(fā)展。結(jié)合上述表述，本文認(rèn)為認(rèn)知投入是人類認(rèn)知過(guò)程中的深層次心智努力活動(dòng)，是學(xué)習(xí)主體在學(xué)習(xí)中所采用認(rèn)知策略的具體應(yīng)用，包含自我管理、自我監(jiān)控與調(diào)節(jié)、學(xué)習(xí)挑戰(zhàn)三個(gè)方面，是從被動(dòng)學(xué)習(xí)到主動(dòng)學(xué)習(xí)的自我知識(shí)構(gòu)建過(guò)程。其中，認(rèn)知策略的應(yīng)用包括精加工策略、組織策略等，精加工策略是指把新舊知識(shí)聯(lián)系起來(lái)從而增加新知識(shí)的意義，組織策略是將提煉出來(lái)的知識(shí)點(diǎn)加以構(gòu)造，形成知識(shí)結(jié)構(gòu)的更高水平的知識(shí)，這與本文的認(rèn)知投入構(gòu)成要素不謀而合。

（二）認(rèn)知投入構(gòu)成要素分析

布魯納的認(rèn)知學(xué)習(xí)理論認(rèn)為學(xué)習(xí)是學(xué)習(xí)主體以其原有的認(rèn)知結(jié)構(gòu)為基礎(chǔ)，對(duì)外界事物進(jìn)行感知、分析、歸納和總結(jié)的主動(dòng)認(rèn)知過(guò)程，是通過(guò)把新舊知識(shí)進(jìn)行整合而逐漸構(gòu)建新的認(rèn)知體系的過(guò)程（毛志新， 2016）。結(jié)合此觀點(diǎn)，鑒于認(rèn)知投入的心智努力特性不可直接獲取，本論文擬借助學(xué)習(xí)主體的管理和調(diào)控過(guò)程作為研究認(rèn)知的直接媒介，并以認(rèn)知體系蘊(yùn)含學(xué)習(xí)挑戰(zhàn)為基礎(chǔ)建構(gòu)新的認(rèn)知投入研究視角，這與認(rèn)知學(xué)習(xí)理論不謀而合。

網(wǎng)絡(luò)學(xué)習(xí)云空間是學(xué)習(xí)者借助學(xué)習(xí)投入完成自我知識(shí)建構(gòu)的理想場(chǎng)所，是新視角下認(rèn)知投入研究的典型環(huán)境代表。網(wǎng)絡(luò)學(xué)習(xí)以豐富的資源供給、便捷化和跨時(shí)空的交互支持成為當(dāng)前重要的學(xué)習(xí)形態(tài)之一。在這一形態(tài)中基于網(wǎng)絡(luò)的交互可以有效地促進(jìn)學(xué)習(xí)主體掌握學(xué)習(xí)內(nèi)容、實(shí)現(xiàn)學(xué)習(xí)挑戰(zhàn)。同時(shí)，互聯(lián)互通下的自我管理和過(guò)程調(diào)控將有利于保障交互目標(biāo)的達(dá)到和認(rèn)知成效的獲取。云空間是云平臺(tái)支持下物理空間的虛擬化延伸，因此基于云空間的網(wǎng)絡(luò)學(xué)習(xí)——網(wǎng)絡(luò)學(xué)習(xí)云空間，能夠最大化地實(shí)現(xiàn)資源共享和可自定制的空間環(huán)境配置，這將極大地增強(qiáng)學(xué)習(xí)主體在學(xué)習(xí)過(guò)程中的交互體驗(yàn)，更有利于學(xué)習(xí)主體展開(kāi)認(rèn)知投入。

因此，以布魯納的認(rèn)知學(xué)習(xí)理論為指導(dǎo)，結(jié)合認(rèn)知投入模型構(gòu)建的理論基礎(chǔ)，依據(jù)學(xué)習(xí)云空間的特點(diǎn)和優(yōu)勢(shì)，本研究將認(rèn)知投入解析為圖1所示要素體系。

1. 自我管理

學(xué)習(xí)云空間是以學(xué)習(xí)主體為中心的典型教育應(yīng)用場(chǎng)景，它將明確學(xué)習(xí)主體管理學(xué)習(xí)的責(zé)任，支持學(xué)習(xí)主體主動(dòng)應(yīng)用認(rèn)知策略進(jìn)行學(xué)習(xí)過(guò)程管理。在云空間中，主要表現(xiàn)為自主學(xué)習(xí)與對(duì)學(xué)習(xí)資源、學(xué)習(xí)時(shí)間和學(xué)習(xí)工具的管理。其中，自主學(xué)習(xí)指學(xué)習(xí)主體在認(rèn)知層面上所體現(xiàn)出的主動(dòng)學(xué)習(xí)意愿，是學(xué)習(xí)主體對(duì)云空間資源、時(shí)間和工具有效利用的前提之一。學(xué)習(xí)云空間賦予學(xué)習(xí)主體更多的自主學(xué)習(xí)管理權(quán)，可滿足學(xué)習(xí)主體對(duì)學(xué)習(xí)時(shí)間、學(xué)習(xí)資源（課程、教學(xué)內(nèi)容）和學(xué)習(xí)工具（評(píng)估、協(xié)作、記錄等工具）的基本管理需求。對(duì)云空間中的學(xué)習(xí)資源、時(shí)間和工具的管理反映了學(xué)習(xí)主體在學(xué)習(xí)過(guò)程中有意識(shí)地進(jìn)行組織與協(xié)調(diào)，以期達(dá)到高效利用資源、時(shí)間和工具的目標(biāo)。

自我管理作為認(rèn)知投入的基本構(gòu)成要素之一，體現(xiàn)了學(xué)習(xí)主體在主動(dòng)參與、探究新知和解決問(wèn)題過(guò)程中的自我責(zé)任感與自我管理意識(shí)，是學(xué)習(xí)主體在泛在化網(wǎng)絡(luò)中進(jìn)行知識(shí)構(gòu)建、個(gè)性化學(xué)習(xí)與社會(huì)化參與必不可少的認(rèn)知技能。

2. 自我監(jiān)控與調(diào)節(jié)

自我監(jiān)控與調(diào)節(jié)是指學(xué)習(xí)主體在認(rèn)知驅(qū)動(dòng)下，針對(duì)認(rèn)知目標(biāo)對(duì)所發(fā)生的學(xué)習(xí)活動(dòng)進(jìn)行自我控制、修正和調(diào)整的過(guò)程。在云空間中，自我監(jiān)控與調(diào)節(jié)涵蓋了明確學(xué)習(xí)目標(biāo)、制定學(xué)習(xí)計(jì)劃、改進(jìn)學(xué)習(xí)方法、定期自我評(píng)價(jià)和自我反思五個(gè)方面。

明確學(xué)習(xí)目標(biāo)是學(xué)習(xí)主體為調(diào)節(jié)個(gè)體認(rèn)知差異而清晰化學(xué)習(xí)目標(biāo)的過(guò)程，是云空間中學(xué)習(xí)主體自我監(jiān)控與調(diào)節(jié)學(xué)習(xí)活動(dòng)的指揮棒。學(xué)習(xí)計(jì)劃是學(xué)習(xí)主體實(shí)施學(xué)習(xí)活動(dòng)的藍(lán)圖，制定彈性可行的學(xué)習(xí)計(jì)劃有助于學(xué)習(xí)主體量力而行地安排學(xué)習(xí)時(shí)間和內(nèi)容，是實(shí)現(xiàn)學(xué)習(xí)目標(biāo)必不可少的方式之一。學(xué)習(xí)方法是達(dá)成學(xué)習(xí)目標(biāo)的手段，在學(xué)習(xí)過(guò)程中基于對(duì)目標(biāo)的監(jiān)控和調(diào)節(jié)，學(xué)習(xí)主體需要對(duì)自己的學(xué)習(xí)方法進(jìn)行適應(yīng)和改進(jìn)，以最優(yōu)的學(xué)習(xí)方法提升學(xué)習(xí)效率。定期自我評(píng)價(jià)是學(xué)習(xí)主體有規(guī)律地對(duì)學(xué)習(xí)任務(wù)等做出的自我判斷，促進(jìn)學(xué)習(xí)主體積極參與學(xué)習(xí)過(guò)程。自我反思是學(xué)習(xí)主體深度學(xué)習(xí)的表現(xiàn)，是自我意識(shí)高度發(fā)展的結(jié)果。通過(guò)對(duì)自身學(xué)習(xí)、思維等認(rèn)知活動(dòng)的反思，學(xué)習(xí)主體可以創(chuàng)建豐富的認(rèn)知情境來(lái)發(fā)展其認(rèn)知活動(dòng)，從而提升認(rèn)知的理解水平。

自我監(jiān)控與調(diào)節(jié)是認(rèn)知投入的重要構(gòu)成要素，反映了學(xué)習(xí)主體有計(jì)劃地設(shè)置學(xué)習(xí)目標(biāo)、調(diào)整學(xué)習(xí)計(jì)劃、評(píng)價(jià)學(xué)習(xí)任務(wù)和反思學(xué)習(xí)的全過(guò)程，是促進(jìn)學(xué)習(xí)主體向高水平認(rèn)知邁進(jìn)的關(guān)鍵。

3. 學(xué)習(xí)挑戰(zhàn)

作為高層次的認(rèn)知投入要素的構(gòu)成部分，學(xué)習(xí)挑戰(zhàn)是指學(xué)習(xí)主體在知識(shí)應(yīng)用與創(chuàng)新，或在超越學(xué)習(xí)要求等更高的認(rèn)知挑戰(zhàn)中的投入，具體表現(xiàn)為學(xué)習(xí)策略應(yīng)用、知識(shí)深度加工和知識(shí)體系建構(gòu)三個(gè)方面。

學(xué)習(xí)策略應(yīng)用指學(xué)習(xí)主體在具體學(xué)習(xí)過(guò)程中有意識(shí)地使用系統(tǒng)方法加工與處理信息，是學(xué)習(xí)者知識(shí)內(nèi)化的前提之一。知識(shí)深度加工呈現(xiàn)了將新知識(shí)與先前知識(shí)深度組織、重構(gòu)及整合的過(guò)程，有助于學(xué)習(xí)主體對(duì)知識(shí)的深度理解及遷移應(yīng)用。知識(shí)體系建構(gòu)是將紛繁復(fù)雜、孤立分散的知識(shí)點(diǎn)按其內(nèi)在規(guī)律整合的過(guò)程，反映了學(xué)習(xí)主體將知識(shí)進(jìn)行完整體系化的深層次認(rèn)知過(guò)程。

學(xué)習(xí)挑戰(zhàn)是認(rèn)知投入的關(guān)鍵構(gòu)成要素，體現(xiàn)了學(xué)習(xí)主體在認(rèn)知形態(tài)上對(duì)更高學(xué)習(xí)成就的渴望與追求，是學(xué)習(xí)主體在學(xué)習(xí)過(guò)程中獲取更高學(xué)習(xí)成果至關(guān)重要的認(rèn)知技能。

（三）學(xué)習(xí)云空間中認(rèn)知投入模型的構(gòu)建

班杜拉的社會(huì)認(rèn)知理論指出，學(xué)習(xí)主體圍繞不同的學(xué)習(xí)環(huán)境開(kāi)展不同的投入行為，而投入行為又會(huì)影響學(xué)習(xí)主體的發(fā)展（趙呈領(lǐng)， 等， 2016）?？梢?jiàn)，學(xué)習(xí)環(huán)境既是主體投入行為的載體，也是影響主體行為投入的潛在因素。作為一種資源高度共享的虛擬化環(huán)境，網(wǎng)絡(luò)學(xué)習(xí)云空間具備便捷可定制的空間支持，極大地拓展了物理學(xué)習(xí)空間的情境支持，賦能學(xué)習(xí)主體采用認(rèn)知策略實(shí)施高效的行為投入。在此情境下，認(rèn)知投入要素所蘊(yùn)含的認(rèn)知投入行為成為學(xué)習(xí)主體與認(rèn)知目標(biāo)的中介，它與學(xué)習(xí)環(huán)境密不可分。

根據(jù)以上分析，鑒于認(rèn)知目標(biāo)是教學(xué)活動(dòng)的出發(fā)點(diǎn)，也是學(xué)習(xí)活動(dòng)的歸宿，本研究加入認(rèn)知目標(biāo)，與學(xué)習(xí)主體、學(xué)習(xí)環(huán)境和投入行為共同構(gòu)建了基于學(xué)習(xí)云空間的認(rèn)知投入模型（如圖2所示），下文將從模型的內(nèi)部認(rèn)知投入過(guò)程和外層動(dòng)態(tài)循環(huán)過(guò)程展開(kāi)闡釋。

該模型內(nèi)部以學(xué)習(xí)主體在學(xué)習(xí)空間環(huán)境下的投入行為來(lái)實(shí)現(xiàn)認(rèn)知目標(biāo)為主線，反映學(xué)習(xí)主體認(rèn)知投入的過(guò)程。學(xué)習(xí)主體作為學(xué)習(xí)活動(dòng)中投入行為的發(fā)起者和控制者，通過(guò)投入積極、有效的行為促進(jìn)認(rèn)知目標(biāo)的達(dá)成。模型內(nèi)部核心因素包括投入行為與承載行為的學(xué)習(xí)環(huán)境。投入行為表現(xiàn)為人機(jī)交互、主體內(nèi)省和人際交互。人機(jī)交互指學(xué)習(xí)主體在開(kāi)展學(xué)習(xí)活動(dòng)中人與計(jì)算機(jī)之間的信息交換的行為。人際交互是以人為媒介進(jìn)行的交流行為。主體內(nèi)省即學(xué)習(xí)主體的心理活動(dòng)，囊括自我管理、自我監(jiān)控調(diào)節(jié)以及學(xué)習(xí)挑戰(zhàn)的認(rèn)知投入行為，是本文后續(xù)量化認(rèn)知投入的重點(diǎn)研究?jī)?nèi)容。其中，自我管理與監(jiān)控調(diào)節(jié)可以保障學(xué)習(xí)活動(dòng)的協(xié)調(diào)，學(xué)習(xí)挑戰(zhàn)能夠促進(jìn)學(xué)習(xí)目標(biāo)的實(shí)現(xiàn)，由此形成積極穩(wěn)定的投入狀態(tài)。學(xué)習(xí)環(huán)境是開(kāi)展投入行為的場(chǎng)所，由物理環(huán)境、社會(huì)環(huán)境和心理環(huán)境組成。物理環(huán)境給予學(xué)習(xí)主體進(jìn)行人機(jī)交互行為的支撐，涉及網(wǎng)絡(luò)條件、課程資源、教學(xué)內(nèi)容等;社會(huì)環(huán)境是學(xué)習(xí)主體進(jìn)行人際交互行為的重要依托，涵蓋人際關(guān)系、家庭背景等信息;心理環(huán)境是學(xué)習(xí)主體進(jìn)行主體內(nèi)省時(shí)所涉足的心理關(guān)聯(lián)性情境，是學(xué)習(xí)投入活動(dòng)不可或缺的支持性環(huán)境事實(shí)。

模型外層包含學(xué)習(xí)主體、投入量化、認(rèn)知目標(biāo)和效果測(cè)評(píng)的動(dòng)態(tài)循環(huán)過(guò)程。在整個(gè)過(guò)程中，通過(guò)對(duì)比投入量化結(jié)果與認(rèn)知目標(biāo)之間的差距，對(duì)學(xué)習(xí)主體的認(rèn)知投入進(jìn)行效果評(píng)測(cè)，然后將效果評(píng)測(cè)結(jié)果反饋給學(xué)習(xí)主體，進(jìn)而幫助學(xué)習(xí)主體調(diào)整認(rèn)知投入要素所蘊(yùn)含的認(rèn)知投入行為，以期達(dá)成認(rèn)知目標(biāo)。其中，投入量化是采取量化手段將復(fù)雜的認(rèn)知投入行為以清晰明確的方式表示（將在本文后續(xù)內(nèi)容中詳細(xì)闡述）。模型中，動(dòng)態(tài)循環(huán)可以決定以目標(biāo)為導(dǎo)向的主體做出的投入行為，并強(qiáng)調(diào)了自我管理、自我監(jiān)控調(diào)節(jié)和學(xué)習(xí)挑戰(zhàn)的作用。

三、學(xué)習(xí)云空間中認(rèn)知投入量化實(shí)現(xiàn)

認(rèn)知投入是學(xué)習(xí)主體深層次學(xué)習(xí)的有效表征之一，涉及學(xué)習(xí)全過(guò)程的方方面面，如何獲取并量化多維多層次的認(rèn)知投入要素成為接下來(lái)研究的重點(diǎn)之一。然而，現(xiàn)有的研究多集中于傳統(tǒng)教育場(chǎng)景下以量表、問(wèn)卷為主的方式量化認(rèn)知投入，指標(biāo)體系缺少?gòu)膶W(xué)習(xí)過(guò)程視角進(jìn)行認(rèn)知投入的描述，難以真正表征學(xué)習(xí)認(rèn)知投入的水平。正因?yàn)槿绱耍陙?lái)快速發(fā)展的教育大數(shù)據(jù)、機(jī)器學(xué)習(xí)和云計(jì)算等新型技術(shù)一改傳統(tǒng)的量化方式，成為助推學(xué)習(xí)認(rèn)知投入量化研究發(fā)展的重要力量。鑒于此，本文首先結(jié)合已有成果建立認(rèn)知投入程度指標(biāo)，接著針對(duì)學(xué)習(xí)云空間的平臺(tái)特點(diǎn)，基于機(jī)器學(xué)習(xí)方法設(shè)計(jì)了認(rèn)知投入的量化框架，然后對(duì)云空間中的數(shù)據(jù)進(jìn)行采集與處理，最后進(jìn)行認(rèn)知投入量化的實(shí)現(xiàn)。

（一）認(rèn)知投入程度指標(biāo)分析

認(rèn)知投入是學(xué)習(xí)主體對(duì)知識(shí)進(jìn)行加工的心智活動(dòng)，其涉及的過(guò)程不可見(jiàn)，由此許多研究利用在線環(huán)境的行為數(shù)據(jù)來(lái)推斷認(rèn)知投入（Brinton et al.， 2015; Kaser， Hallinen， & Schwartz， 2017），以實(shí)現(xiàn)通過(guò)創(chuàng)建行為集的方式來(lái)測(cè)量認(rèn)知投入的目的。行為數(shù)據(jù)來(lái)源于行為，行為作為學(xué)習(xí)過(guò)程開(kāi)展的載體，必須在一定的時(shí)間范圍內(nèi)借助實(shí)體空間付諸實(shí)施，因此本文將投入內(nèi)容、投入依托的時(shí)間與空間作為認(rèn)知投入程度指標(biāo)分析的起點(diǎn)。鑒于時(shí)間是投入行為的必要關(guān)聯(lián)因素，本文直接將時(shí)間作為認(rèn)知投入的重要分析依據(jù)和表征指標(biāo)?？紤]到認(rèn)知投入內(nèi)容本身的隱蔽特性及其與所依托空間的深度融合特性，本文將兩者泛指認(rèn)知投入過(guò)程以及過(guò)程中所遵照、依托和創(chuàng)設(shè)的氛圍。其中，學(xué)習(xí)目標(biāo)與任務(wù)、學(xué)習(xí)對(duì)象與內(nèi)容、物理環(huán)境與社會(huì)關(guān)聯(lián)、學(xué)習(xí)過(guò)程與效果等都是兩者交織融合的重要內(nèi)容。就投入程度而言，前述重要內(nèi)容顯然包括深度與廣度兩個(gè)方面，因此認(rèn)知投入還需借助深度與關(guān)聯(lián)度兩個(gè)指標(biāo)進(jìn)行表征。深度與關(guān)聯(lián)度的視角不同，深度特指認(rèn)知涉足內(nèi)容層次的高低，關(guān)聯(lián)度反映所學(xué)知識(shí)與情境的融合水平，側(cè)重應(yīng)用。綜上所述，本研究選取時(shí)間、深度和關(guān)聯(lián)度三個(gè)程度指標(biāo)來(lái)表征認(rèn)知投入要素。

時(shí)間主要是指與學(xué)習(xí)主體認(rèn)知投入有關(guān)的頻率、時(shí)間等能夠直接從日志文件中獲取的數(shù)據(jù)信息，包括次數(shù)、間隔、持續(xù)時(shí)長(zhǎng)、及時(shí)性和規(guī)律性等信息。其中，次數(shù)是對(duì)認(rèn)知投入行為頻次的統(tǒng)計(jì)描述;間隔是相鄰認(rèn)知投入行為產(chǎn)生的時(shí)間距離;持續(xù)時(shí)長(zhǎng)是指認(rèn)知投入行為延續(xù)的時(shí)間長(zhǎng)度;及時(shí)性表示學(xué)習(xí)主體對(duì)發(fā)布的學(xué)習(xí)任務(wù)與完成學(xué)習(xí)任務(wù)的時(shí)間差;規(guī)律性則是對(duì)及時(shí)性是否存在規(guī)律的探索。

深度作為認(rèn)知投入程度分析的指標(biāo)之一，是強(qiáng)調(diào)認(rèn)知投入累積性的層次概念。依據(jù)布魯姆的認(rèn)知教育目標(biāo)分類理論，本研究將學(xué)習(xí)主體的認(rèn)知過(guò)程從低級(jí)到高級(jí)分為六個(gè)層次，即識(shí)記、理解、應(yīng)用、分析、綜合和評(píng)價(jià)。識(shí)記指認(rèn)識(shí)并記憶;理解指對(duì)知識(shí)的初步領(lǐng)會(huì);應(yīng)用指對(duì)所學(xué)的概念、法則和原理的運(yùn)用;分析指詳細(xì)闡釋知識(shí)概念間的相互關(guān)系;綜合指整合知識(shí)以便創(chuàng)造性地解決問(wèn)題;評(píng)價(jià)指理性對(duì)知識(shí)價(jià)值做出判斷的過(guò)程。

聯(lián)通主義作為隨網(wǎng)絡(luò)發(fā)展起來(lái)的學(xué)習(xí)理論產(chǎn)物，該理論認(rèn)為學(xué)習(xí)即連接的建立和網(wǎng)絡(luò)的形成，著重強(qiáng)調(diào)建立學(xué)習(xí)主體外部知識(shí)與內(nèi)部認(rèn)知之間的關(guān)聯(lián)，以此形成知識(shí)網(wǎng)絡(luò)結(jié)構(gòu)，促進(jìn)自身認(rèn)知水平的提高（王志軍， 等， 2015）。一些研究（張思， 等， 2017; 梁云真， 等， 2016）將交互內(nèi)容與學(xué)習(xí)主題的關(guān)聯(lián)性作為衡量學(xué)習(xí)投入的重要指標(biāo)，還有研究（王志軍， 等， 2015）指出學(xué)習(xí)主體的認(rèn)知參與包括建立概念和意義之間深度關(guān)聯(lián)，最高層次的認(rèn)知參與是知識(shí)創(chuàng)造?；诖?，關(guān)聯(lián)度也成為描述認(rèn)知投入量化的重要指標(biāo)，本研究選取了經(jīng)驗(yàn)、情景、主題、創(chuàng)新和邏輯五個(gè)維度。其中，經(jīng)驗(yàn)指學(xué)習(xí)主體從親身活動(dòng)及經(jīng)歷中獲得的學(xué)習(xí);情景指將新知識(shí)學(xué)以致用的情況;主題是找出新觀點(diǎn)與學(xué)習(xí)主題之間的關(guān)系;創(chuàng)新是發(fā)現(xiàn)新想法中的潛在可能與創(chuàng)造知識(shí)之間的關(guān)系;邏輯則是檢驗(yàn)新思想是否合理的對(duì)話過(guò)程。

（二）認(rèn)知投入量化框架設(shè)計(jì)

基于上述學(xué)習(xí)云空間的認(rèn)知投入模型，為實(shí)現(xiàn)面向?qū)W習(xí)云空間的認(rèn)知投入的量化研究，本研究設(shè)計(jì)了如圖3所示的認(rèn)知投入量化框架，該框架從數(shù)據(jù)采集、數(shù)據(jù)處理、量化實(shí)現(xiàn)和量化應(yīng)用四個(gè)模塊闡釋了認(rèn)知投入量化的整個(gè)閉合循環(huán)過(guò)程，為后續(xù)量化應(yīng)用的實(shí)施提供有力的支撐。

1. 數(shù)據(jù)采集模塊

學(xué)習(xí)云空間因其豐富的共享資源和便捷的交互特性，記錄并存儲(chǔ)了關(guān)于學(xué)習(xí)主體投入行為的海量數(shù)據(jù)，主要分為三類：一是學(xué)習(xí)主體在學(xué)習(xí)過(guò)程中產(chǎn)生的日志數(shù)據(jù);二是學(xué)習(xí)云空間環(huán)境中的動(dòng)態(tài)數(shù)據(jù)，包含交互文本和學(xué)習(xí)成果（測(cè)試、作業(yè)及作品）;三是問(wèn)卷數(shù)據(jù)。采集并分析這些數(shù)據(jù)有助于了解學(xué)習(xí)主體隱藏的投入行為。因此，采集數(shù)據(jù)成為認(rèn)知投入量化分析的基礎(chǔ)，為后續(xù)研究提供數(shù)據(jù)支持。

2. 數(shù)據(jù)處理模塊

學(xué)習(xí)云空間環(huán)境下采集的數(shù)據(jù)具有結(jié)構(gòu)多樣性。為了使各種形式的數(shù)據(jù)成為機(jī)器學(xué)習(xí)可讀的數(shù)據(jù)形式，需對(duì)數(shù)據(jù)進(jìn)行數(shù)據(jù)處理，其方法包括描述統(tǒng)計(jì)、文本分析和關(guān)聯(lián)分析。數(shù)據(jù)處理是認(rèn)知投入量化分析的前提，對(duì)于認(rèn)知量化分析結(jié)果的準(zhǔn)確性有著決定性作用，直接影響認(rèn)知投入量化的可信度。

3. 量化實(shí)現(xiàn)模塊

認(rèn)知投入量化的實(shí)現(xiàn)是本文研究的重點(diǎn)，由上述指標(biāo)分析結(jié)果可知，認(rèn)知投入量化分析的影響要素具有多維性和復(fù)雜性。鑒于SVM具有快速且準(zhǔn)確地處理多維多特征教育數(shù)據(jù)的能力，本研究采用以SVM為代表的機(jī)器學(xué)習(xí)算法為量化模型。首先，將采集的數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集兩部分，并對(duì)訓(xùn)練集進(jìn)行聚類操作，得到學(xué)習(xí)主體認(rèn)知投入分類結(jié)果;然后，根據(jù)分類結(jié)果，設(shè)計(jì)機(jī)器學(xué)習(xí)算法，再將訓(xùn)練集“喂”入機(jī)器學(xué)習(xí)模型中訓(xùn)練量化模型;最后，將測(cè)試集輸入到量化模型中以測(cè)試模型的認(rèn)知投入量化能力。

4.量化應(yīng)用模塊

服務(wù)于教與學(xué)是投入量化的最終目標(biāo)，也是投入量化研究中進(jìn)行反饋完善的重要階段。由于量化應(yīng)用與量化結(jié)果的層次有極大的關(guān)聯(lián)性，本研究針對(duì)量化結(jié)果的三個(gè)層次（淺層、目標(biāo)達(dá)成與深層）差異性地展開(kāi)量化應(yīng)用實(shí)踐工作。在淺層和目標(biāo)達(dá)成階段，綜合考慮認(rèn)知投入的構(gòu)成要素，我們?cè)谠瓶臻g中既對(duì)學(xué)習(xí)主體的學(xué)習(xí)過(guò)程進(jìn)行干預(yù)，干預(yù)方式包括提醒警示和鼓勵(lì)等，又利用認(rèn)知投入的量化結(jié)果預(yù)測(cè)學(xué)習(xí)主體的學(xué)習(xí)情況，包括學(xué)業(yè)成績(jī)預(yù)測(cè)和學(xué)情預(yù)測(cè)等?？傊J(rèn)知投入量化的核心應(yīng)用體現(xiàn)在利用認(rèn)知投入量化結(jié)果來(lái)干預(yù)學(xué)習(xí)過(guò)程、預(yù)測(cè)學(xué)習(xí)情況、推薦學(xué)習(xí)資源、調(diào)整學(xué)習(xí)內(nèi)容和優(yōu)化學(xué)習(xí)環(huán)境等，以促進(jìn)認(rèn)知目標(biāo)的達(dá)成和學(xué)習(xí)績(jī)效的提升，為學(xué)習(xí)云空間下進(jìn)行的學(xué)習(xí)干預(yù)和學(xué)習(xí)預(yù)測(cè)等提供一定的依據(jù)和實(shí)踐參考，具體的應(yīng)用在后續(xù)研究中予以呈現(xiàn)，限于篇幅不再贅述。

（三）數(shù)據(jù)采集與處理

基于云計(jì)算服務(wù)，“云+端”的學(xué)習(xí)云空間環(huán)境使外顯的學(xué)習(xí)行為能夠以海量數(shù)據(jù)的形式記錄并保存。而在線學(xué)習(xí)過(guò)程中，學(xué)習(xí)主體復(fù)雜的認(rèn)知投入主要通過(guò)外顯的行為方式反映出來(lái)。為了更好地量化認(rèn)知投入，本研究設(shè)計(jì)了數(shù)據(jù)采集處理流程圖，主要包含數(shù)據(jù)采集與數(shù)據(jù)處理兩部分，如圖4所示。

在數(shù)據(jù)采集方面，為保障數(shù)據(jù)能夠提供完整的認(rèn)知投入信息，本研究用三種方式采集數(shù)據(jù)：一是從Web服務(wù)器所產(chǎn)生的日志文件中獲取日志數(shù)據(jù);二是從學(xué)習(xí)云空間平臺(tái)的環(huán)境中捕獲學(xué)習(xí)主體的動(dòng)態(tài)數(shù)據(jù)，包括交互文本數(shù)據(jù)和學(xué)習(xí)成果數(shù)據(jù);三是運(yùn)用問(wèn)卷工具收集學(xué)習(xí)主體的認(rèn)知投入信息。

在數(shù)據(jù)處理方面，根據(jù)認(rèn)知投入數(shù)據(jù)來(lái)源的不同，考慮到機(jī)器學(xué)習(xí)算法讀取數(shù)據(jù)的格式要求，本研究綜合多種途徑對(duì)學(xué)習(xí)主體的認(rèn)知投入數(shù)據(jù)進(jìn)行處理。處理途徑包括：利用描述性統(tǒng)計(jì)方法對(duì)結(jié)構(gòu)化數(shù)據(jù)進(jìn)行整理，從時(shí)間維度表征認(rèn)知投入;通過(guò)文本分析法對(duì)非結(jié)構(gòu)化數(shù)據(jù)進(jìn)行處理分析，篩選出深度指標(biāo)和關(guān)聯(lián)度指標(biāo)的數(shù)據(jù)，并從深度維度表征認(rèn)知投入;通過(guò)灰色關(guān)聯(lián)分析計(jì)算關(guān)聯(lián)系數(shù)與關(guān)聯(lián)度，從關(guān)聯(lián)維度表征數(shù)據(jù)。其中，文本分析指的是對(duì)學(xué)習(xí)主體的動(dòng)態(tài)數(shù)據(jù)進(jìn)行處理。首先，通過(guò)對(duì)每個(gè)學(xué)習(xí)主體的動(dòng)態(tài)文本進(jìn)行細(xì)讀歸并;接著，利用NLPIR工具對(duì)文本進(jìn)行分詞標(biāo)注、詞頻統(tǒng)計(jì)和關(guān)鍵詞提取等操作;然后，借鑒布魯姆教育目標(biāo)分類體系和可選動(dòng)詞表來(lái)判斷認(rèn)知投入的深度層級(jí);最后，進(jìn)行人工梳理和判斷學(xué)習(xí)主體達(dá)到的認(rèn)知投入關(guān)聯(lián)程度，并對(duì)學(xué)習(xí)主體的認(rèn)知投入數(shù)據(jù)加注標(biāo)簽。以上對(duì)數(shù)據(jù)的采集與處理步驟為后續(xù)認(rèn)知投入量化的實(shí)現(xiàn)提供了精準(zhǔn)的數(shù)據(jù)支持。

（四）學(xué)習(xí)云空間中認(rèn)知投入量化實(shí)現(xiàn)

當(dāng)前，以學(xué)習(xí)主體的認(rèn)知需求為核心，通過(guò)全面記錄與追蹤學(xué)習(xí)主體的學(xué)習(xí)動(dòng)態(tài)，利用過(guò)程性的認(rèn)知數(shù)據(jù)與分析算法對(duì)難以直接觀察的內(nèi)在認(rèn)知過(guò)程進(jìn)行量化研究是亟待解決的教育問(wèn)題之一。因此，基于上述的認(rèn)知數(shù)據(jù)處理及認(rèn)知投入量化指標(biāo)分析等前期工作，設(shè)計(jì)了如下面向?qū)W習(xí)云空間的認(rèn)知投入量化過(guò)程，為目前量化內(nèi)在認(rèn)知過(guò)程提供一種新的研究思路。

1. 量化實(shí)現(xiàn)的環(huán)境說(shuō)明

班杜拉的社會(huì)認(rèn)知理論強(qiáng)調(diào)環(huán)境、學(xué)習(xí)主體和行為三者之間是相互動(dòng)態(tài)影響的。行為是內(nèi)隱認(rèn)知的外在表現(xiàn)。同樣，學(xué)習(xí)主體在學(xué)習(xí)云空間的認(rèn)知過(guò)程將受到多個(gè)復(fù)雜的外在變量影響。因此，為保障對(duì)認(rèn)知投入量化的精確性與可靠性，需減少無(wú)關(guān)變量或特殊情況，本文將圍繞上述投入量化框架，對(duì)學(xué)習(xí)云空間的環(huán)境提出以下說(shuō)明：

說(shuō)明一：學(xué)習(xí)以課程為主體，課程整體存在周期，且過(guò)程數(shù)據(jù)與歷史數(shù)據(jù)可查可用。

說(shuō)明二：為了保證認(rèn)知投入量化的連續(xù)性，目前本研究假定整個(gè)學(xué)習(xí)過(guò)程中不存在或極少存在輟學(xué)現(xiàn)象，而對(duì)輟學(xué)現(xiàn)象的研究將在未來(lái)工作中展開(kāi)。

說(shuō)明三：假設(shè)每個(gè)描述學(xué)習(xí)主體認(rèn)知投入的數(shù)據(jù)至少包含一種認(rèn)知投入構(gòu)成要素（自主學(xué)習(xí)、自我反思、學(xué)習(xí)策略應(yīng)用等共12個(gè)），確保每個(gè)學(xué)習(xí)主體的數(shù)據(jù)都能被應(yīng)用于量化，不存在認(rèn)知投入的學(xué)習(xí)主體本次研究將不予考慮。

2. 認(rèn)知投入程度指標(biāo)量化

對(duì)于認(rèn)知投入的程度量化，本文基于以上研究結(jié)果將從時(shí)間效度、深度和關(guān)聯(lián)度三個(gè)程度指標(biāo)提出認(rèn)知投入量化的計(jì)算公式。

根據(jù)上文中認(rèn)知投入時(shí)間程度指標(biāo)分析所得，可依次基于次數(shù)、間隔、持續(xù)時(shí)長(zhǎng)、及時(shí)性、規(guī)律性五個(gè)維度構(gòu)建一個(gè)五元組表征時(shí)間效度，即[T=[Tf，Tg，Ta，Tp，Tr]]。將學(xué)習(xí)主體在學(xué)習(xí)云空間的行為發(fā)生次數(shù)、活動(dòng)開(kāi)始時(shí)間、活動(dòng)結(jié)束時(shí)間、學(xué)習(xí)任務(wù)發(fā)布時(shí)間、學(xué)習(xí)任務(wù)完成時(shí)間等服務(wù)器日志數(shù)據(jù)依次表示為tf，ts，to，tm，tc。次數(shù)Tf是指學(xué)習(xí)主體行為發(fā)生的次數(shù)，即tf。

針對(duì)認(rèn)知投入量化中的深度程度指標(biāo)，可依次按照識(shí)記、理解、應(yīng)用、分析、綜合和評(píng)價(jià)六個(gè)維度構(gòu)建六元組表征深度，即[D=[D1，D2，D3，D4，D5，D6]]。對(duì)學(xué)習(xí)主體在學(xué)習(xí)云空間的交互文本進(jìn)行關(guān)鍵詞提取，實(shí)現(xiàn)對(duì)深度程度指標(biāo)的定位，六元組[D]滿足One-Hot編碼，即表示在深度的6個(gè)指標(biāo)中只有一個(gè)指標(biāo)的值為1，其余全為0。例如：學(xué)習(xí)主體A能夠“理解”學(xué)習(xí)內(nèi)容，那么，學(xué)習(xí)主體A的深度可表示為：[DA=[0，1，0，0，0，0]]。

為表征關(guān)聯(lián)程度指標(biāo)可構(gòu)建一個(gè)五元組，即[R=[R1，R2，R3，R4，R5]]，R1、R2、R3、R4和R5分別表示經(jīng)驗(yàn)、情景、主題、創(chuàng)新和邏輯。本文以自我反思為例，通過(guò)灰色關(guān)聯(lián)分析計(jì)算認(rèn)知投入構(gòu)成要素與關(guān)聯(lián)程度指標(biāo)（經(jīng)驗(yàn)、情景、主題、創(chuàng)新和邏輯）的相關(guān)關(guān)系，具體說(shuō)明如圖5所示。其中，自我反思的k個(gè)數(shù)據(jù)組成參考數(shù)列，關(guān)聯(lián)程度指標(biāo)的k個(gè)數(shù)據(jù)組成比較數(shù)列，首先計(jì)算參考數(shù)列[x0]的第k個(gè)元素與比較數(shù)列[xi]的第k個(gè)元素之間的關(guān)聯(lián)系數(shù)[ξi（k）]，見(jiàn)公式6。

基于上述對(duì)認(rèn)知投入程度指標(biāo)的量化，提出學(xué)習(xí)云空間中學(xué)習(xí)主體自我反思的認(rèn)知投入程度量化表達(dá)式，見(jiàn)公式（8）。其余構(gòu)成要素的程度指標(biāo)量化與自我反思類似，因篇幅有限，故不在此贅述。

3. 認(rèn)知投入量化實(shí)現(xiàn)

（1）SVM模型選擇

支持向量機(jī)（SVM）是當(dāng)前使用較多、效果最好的一種分類算法，能有效地從大規(guī)模、非線性、高緯度的數(shù)據(jù)集中學(xué)習(xí)到一個(gè)較精確的分類模型，因本文的認(rèn)知投入量化數(shù)據(jù)集具有非線性、高維等特征，故依據(jù)Mercer定理（文孟飛， 等， 2016）為SVM選擇適當(dāng)?shù)暮撕瘮?shù)，將復(fù)雜非線性特征空間映射到一個(gè)簡(jiǎn)單的高維空間，以降低SVM分類器的復(fù)雜度。SVM常用的核函數(shù)包括線性核函數(shù)、多項(xiàng)式核函數(shù)和高斯核函數(shù)，鑒于本文的訓(xùn)練數(shù)據(jù)集特征較復(fù)雜，甚至多于樣本本身的數(shù)量，因此選取線性核函數(shù)作為SVM的核函數(shù)。當(dāng)SVM處理多分類問(wèn)題時(shí)，需要構(gòu)造合適的多類分類機(jī)。其中，一類對(duì)一類法中的每個(gè)分類機(jī)只涉及兩類訓(xùn)練樣本，訓(xùn)練時(shí)間大幅度縮減，在針對(duì)類別較少的分類問(wèn)題時(shí)整體性能優(yōu)越（付旻， 等， 2018）。因此，本文采用一類對(duì)一類法進(jìn)行認(rèn)知投入量化，完成對(duì)SVM模型的選擇。

（2）基于K-Means的認(rèn)知投入聚類分析

本研究的最終目的是利用SVM模型對(duì)認(rèn)知投入進(jìn)行量化分類，而SVM屬于機(jī)器學(xué)習(xí)中的有監(jiān)督學(xué)習(xí)方法范疇，故輸入至SVM模型的訓(xùn)練數(shù)據(jù)需要提供明確可靠的分類標(biāo)簽。因此，通過(guò)上述對(duì)認(rèn)知投入數(shù)據(jù)的采集與歸一化處理等操作，采用K-Means算法對(duì)學(xué)習(xí)主體認(rèn)知投入數(shù)據(jù)進(jìn)行聚類分析，通過(guò)肘部法則求解得到最佳分類數(shù)k為3。鑒于上述K-Means的聚類分析結(jié)果，可將學(xué)習(xí)主體的認(rèn)知投入分為三類，這也正與教育實(shí)證研究下的認(rèn)知層析分類體系不謀而合。因此，本研究將學(xué)習(xí)主體的認(rèn)知投入以正態(tài)分布劃分為“淺層”“深層”“目標(biāo)達(dá)成”三個(gè)等級(jí)，占比分別為15.85%、68.3%、15.85%。

（3）基于SVM的認(rèn)知投入量化算法設(shè)計(jì)

對(duì)訓(xùn)練數(shù)據(jù)的標(biāo)簽分類后，利用基于多分類支持向量機(jī)（multi-class SVM）的機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)對(duì)認(rèn)知投入的量化。具體思想如下：首先收集學(xué)習(xí)云空間中日志、動(dòng)態(tài)數(shù)據(jù)以及問(wèn)卷數(shù)據(jù)，進(jìn)行數(shù)據(jù)處理得到認(rèn)知投入樣本數(shù)據(jù)，將樣本數(shù)據(jù)分為訓(xùn)練集和測(cè)試集兩部分，初始化數(shù)據(jù)得到認(rèn)知投入數(shù)據(jù)矩陣向量;然后將訓(xùn)練集輸入SVM模型，利用網(wǎng)格搜索（Gridsearch）訓(xùn)練得到最優(yōu)的SVM量化模型（付旻， 等， 2018）;最后將測(cè)試集輸入訓(xùn)練好的模型，得到認(rèn)知投入分類結(jié)果，即認(rèn)知投入量化結(jié)果。圖6是基于SVM的認(rèn)知投入量化算法設(shè)計(jì)。

[算法1：基于SVM的認(rèn)知投入量化算法

輸入：學(xué)習(xí)主體認(rèn)知投入樣本數(shù)據(jù)集C

輸出：學(xué)習(xí)主體認(rèn)知投入量化結(jié)果Begin

1. 將樣本數(shù)據(jù)C進(jìn)行處理，將數(shù)據(jù)集分為訓(xùn)練集Ctrain和測(cè)試集Ctest;

2. 初始化數(shù)據(jù)，獲得學(xué)習(xí)主體認(rèn)知投入訓(xùn)練數(shù)據(jù)矩陣向量集合Ctr={Ctr1，Ctr2，…}，學(xué)習(xí)主體認(rèn)知投入測(cè)試數(shù)據(jù)矩陣向量集合Cte={Cte1，Cte2，…};

3. Gridsearch初始化SVM模型Msvm及其對(duì)應(yīng)的參數(shù)Psvm;

4. 定義評(píng)分方法precision;

5. 將Ctr輸入Msvm中，利用Gridsearch訓(xùn)練Msvm;

6. 基于最佳分?jǐn)?shù)precision選出最佳的參數(shù)組合Pfinal，得到最優(yōu)模型Mfinal;

7. 將Cte輸入到Mfinal中，測(cè)試Mfinal的效果;

8. 基于模型的量化結(jié)果得到的認(rèn)知投入類別標(biāo)簽，如深層、淺層等。

綜合以上步驟，即可實(shí)現(xiàn)面向?qū)W習(xí)云空間的認(rèn)知投入量化，最終可從SVM量化模型獲得認(rèn)知投入量化結(jié)果，即“淺層”“目標(biāo)達(dá)成”“深層”三類認(rèn)知投入。

四、量化實(shí)驗(yàn)驗(yàn)證與量化效果分析

（一）認(rèn)知投入數(shù)據(jù)獲取

本文所使用的數(shù)據(jù)來(lái)源于團(tuán)隊(duì)前期搭建的iStudy學(xué)習(xí)平臺(tái)（世界大學(xué)城的空間化學(xué)習(xí)系統(tǒng)實(shí)驗(yàn)版），通過(guò)同類型的課程學(xué)習(xí)，以其中80名學(xué)習(xí)主體作為研究對(duì)象，進(jìn)行為期6周的學(xué)習(xí)進(jìn)程跟蹤并采集相關(guān)數(shù)據(jù)，通過(guò)處理無(wú)效和缺省數(shù)據(jù)最終得到15，440條認(rèn)知投入基礎(chǔ)數(shù)據(jù)，以此數(shù)據(jù)為基礎(chǔ)建立模型并進(jìn)行模型的效果驗(yàn)證。

（二）量化驗(yàn)證及其分析

1. 實(shí)驗(yàn)一：不同機(jī)器學(xué)習(xí)模型下的量化準(zhǔn)確率對(duì)比

為驗(yàn)證SVM量化模型的效果，分別選取邏輯回歸、隨機(jī)森林和k近鄰算法進(jìn)行實(shí)驗(yàn)對(duì)比分析，通過(guò)交叉驗(yàn)證方法得到各模型的量化準(zhǔn)確率，如圖7所示。從圖7可以看出，支持向量機(jī)的平均準(zhǔn)確率達(dá)到80%以上，而邏輯回歸、隨機(jī)森林和k近鄰的平均準(zhǔn)確率只有65%，并且在交叉驗(yàn)證的15組數(shù)據(jù)中支持向量機(jī)的結(jié)果相對(duì)穩(wěn)定，有13組數(shù)據(jù)的準(zhǔn)確率高于80%，而其他模型的準(zhǔn)確率結(jié)果不穩(wěn)定，尤其k近鄰模型的最低準(zhǔn)確率只有20%。因此，通過(guò)對(duì)比不同機(jī)器學(xué)習(xí)模型的量化準(zhǔn)確率能夠發(fā)現(xiàn)SVM模型具備較好的量化效果。

2. 實(shí)驗(yàn)二：SVM模型中基于不同核函數(shù)量化效果的對(duì)比分析

本文選取常用的線性核、高斯核及多項(xiàng)式核函數(shù)來(lái)解決SVM分類時(shí)維度過(guò)高、計(jì)算能力不足的問(wèn)題。其中，線性核主要用于線性可分的情形，具備參數(shù)少、速度快等特征，對(duì)于一般數(shù)據(jù)分類效果較理想;高斯核主要用于線性不可分的情形，具備參數(shù)多、過(guò)程比較耗時(shí)等特征;多項(xiàng)式核函數(shù)也可解決非線性問(wèn)題，優(yōu)點(diǎn)是參數(shù)極少、運(yùn)行速度快。通過(guò)各核函數(shù)分別計(jì)算量化準(zhǔn)確率與運(yùn)行時(shí)間來(lái)表示SVM的量化效果，具體情況見(jiàn)表1。結(jié)果顯示：線性核函數(shù)的準(zhǔn)確率較高，達(dá)到85%，但運(yùn)行時(shí)間要比多項(xiàng)式核函數(shù)稍長(zhǎng)一些。因此，通過(guò)對(duì)比不同核函數(shù)的量化準(zhǔn)確率和運(yùn)行時(shí)間，能夠發(fā)現(xiàn)線性核函數(shù)在不耗時(shí)的同時(shí)具備較好的量化效果。

3. 實(shí)驗(yàn)三：不同規(guī)模訓(xùn)練集對(duì)量化準(zhǔn)確率的影響程度

SVM模型量化準(zhǔn)確率同時(shí)也受到訓(xùn)練集與測(cè)試集比例的影響，本文分別選取60%、65%、70%、75%、80%、85%、90%、95%的數(shù)據(jù)集作為訓(xùn)練集訓(xùn)練量化模型。結(jié)果如圖8所示。隨著訓(xùn)練集的增加，量化的準(zhǔn)確率也在逐步提升，當(dāng)訓(xùn)練集數(shù)據(jù)量在70%～85%之間時(shí)，準(zhǔn)確率可達(dá)80%以上;當(dāng)訓(xùn)練集數(shù)量達(dá)到75%時(shí)，獲得最好的量化效果，準(zhǔn)確率約為85%。因此，本文選取75%的數(shù)據(jù)做訓(xùn)練集，25%的數(shù)據(jù)作測(cè)試集，完成對(duì)SVM量化模型的調(diào)整。

五、研究結(jié)論與展望

隨著“教育信息化2.0行動(dòng)計(jì)劃”的開(kāi)展，在線教育發(fā)展迎來(lái)了春天，然而不論何種在線學(xué)習(xí)平臺(tái)都存在著“學(xué)習(xí)投入不足”的問(wèn)題。因此，在當(dāng)前的在線學(xué)習(xí)研究中解決學(xué)習(xí)主體學(xué)習(xí)投入不足的問(wèn)題迫在眉睫。著眼于學(xué)習(xí)過(guò)程中的認(rèn)知投入問(wèn)題，本文針對(duì)學(xué)習(xí)云空間的學(xué)習(xí)投入現(xiàn)狀，利用機(jī)器學(xué)習(xí)的方法完成了認(rèn)知投入的量化。首先，通過(guò)文獻(xiàn)法探討了認(rèn)知投入的內(nèi)涵及相關(guān)理論，提出了基于社會(huì)認(rèn)知理論的認(rèn)知投入模型。然后，設(shè)計(jì)了認(rèn)知投入量化框架，利用支持向量機(jī)對(duì)認(rèn)知投入進(jìn)行分類操作，實(shí)現(xiàn)對(duì)認(rèn)知投入的量化。最后，本研究設(shè)計(jì)了一系列的實(shí)驗(yàn)，分別從不同的機(jī)器學(xué)習(xí)模型、核函數(shù)以及訓(xùn)練集規(guī)模三方面驗(yàn)證量化模型的有效性。

但本研究仍存在以下兩個(gè)主要局限：沒(méi)有將基于認(rèn)知過(guò)程數(shù)據(jù)的投入量化模型推廣到量化應(yīng)用中;學(xué)習(xí)主體的學(xué)習(xí)投入狀態(tài)不僅僅體現(xiàn)在認(rèn)知層面，也包含行為投入和情感投入兩方面。

因此，今后的研究將從以下兩個(gè)方面展開(kāi)：擴(kuò)大研究的樣本，對(duì)量化算法不斷修正，實(shí)現(xiàn)干預(yù)學(xué)習(xí)過(guò)程、預(yù)測(cè)學(xué)習(xí)情況、推薦學(xué)習(xí)資源等的應(yīng)用效果分析;融合行為與情感投入進(jìn)行更深入的量化研究，將發(fā)生在學(xué)習(xí)全過(guò)程的投入情況及時(shí)反饋給學(xué)習(xí)主體，促進(jìn)學(xué)習(xí)主體的個(gè)性化發(fā)展。

[參考文獻(xiàn)]

付旻，王煒，王昊，等. 2018. 多分類支持向量機(jī)在公交換乘識(shí)別中的應(yīng)用[J]. 哈爾濱工業(yè)大學(xué)學(xué)報(bào)（3）：26-32.

韓中美，王希哲，黃昌勤，等. 2017. 學(xué)習(xí)云空間中學(xué)習(xí)路徑的情境語(yǔ)義標(biāo)識(shí)及應(yīng)用[J]. 現(xiàn)代教育技術(shù)（11）：120-126.

黃昌勤，王希哲，張冬冬，等. 2015. 學(xué)習(xí)云空間支持下的研究性學(xué)習(xí)研究與實(shí)踐[J]. 中國(guó)電化教育（8）：21-28.

孔企平. 2000. “學(xué)生投入”的概念內(nèi)涵與結(jié)構(gòu)[J]. 外國(guó)教育資料（2）：72-76.

李爽，李榮芹，喻忱. 2018. 基于LMS數(shù)據(jù)的遠(yuǎn)程學(xué)習(xí)者學(xué)習(xí)投入評(píng)測(cè)模型[J]. 開(kāi)放教育研究（20）：91-102.

李爽，王增賢，喻忱，等. 2016. 在線學(xué)習(xí)行為投入分析框架與測(cè)量指標(biāo)研究——基于LMS數(shù)據(jù)的學(xué)習(xí)分析[J]. 開(kāi)放教育研究（2）：77-88.

李爽，喻忱. 2015. 遠(yuǎn)程學(xué)生學(xué)習(xí)投入評(píng)價(jià)量表編制與應(yīng)用[J]. 開(kāi)放教育研究（12）：62-70.

梁云真，趙呈領(lǐng)，阮玉嬌，等. 2016. 網(wǎng)絡(luò)學(xué)習(xí)空間中交互行為的實(shí)證研究——基于社會(huì)網(wǎng)絡(luò)分析的視角[J]. 中國(guó)電化教育（7）：22-28.

毛志新. 2016. 布魯納認(rèn)知—發(fā)現(xiàn)學(xué)習(xí)理論對(duì)成人教育學(xué)科建設(shè)的啟示[J]. 中國(guó)成人教育（20）：4-6.

王洪江，穆肅，黃潔，等. 2017. 自主學(xué)習(xí)投入度實(shí)時(shí)分析方法及應(yīng)用研究[J]. 電化教育研究（10）：44-50.

王志軍，陳麗. 2015. 聯(lián)通主義學(xué)習(xí)的教學(xué)交互理論模型建構(gòu)研究[J]. 開(kāi)放教育研究（5）：25-34.

文孟飛，胡超，于文濤. 2016. 一種基于特征提取的教育視頻資源推送方法[J]. 現(xiàn)代遠(yuǎn)程教育研究（3）：104-112.

武法提，張琪. 2018. 學(xué)習(xí)行為投入：定義、分析框架與理論模型[J]. 中國(guó)電化教育（1）：35-41.

張娜. 2012. 國(guó)內(nèi)外學(xué)習(xí)投入及其學(xué)校影響因素研究綜述[J]. 心理研究，5（2）：83-92.

張思，劉清堂，雷詩(shī)捷，等. 2017. 網(wǎng)絡(luò)學(xué)習(xí)空間中學(xué)習(xí)者學(xué)習(xí)投入的研究——網(wǎng)絡(luò)學(xué)習(xí)行為的大數(shù)據(jù)分析[J]. 中國(guó)電化教育（4）：24-30，40.

張艷梅，章寧，涂艷，等. 2014. 移動(dòng)環(huán)境下學(xué)習(xí)者在線參與度研究[J]. 現(xiàn)代教育技術(shù)（11）：88-96.

章宜華. 2001. 西方詞典釋義類型和釋義結(jié)構(gòu)研究[J]. 辭書(shū)研究（1）：39-50.

趙呈領(lǐng)，梁云真，劉麗麗，等. 2016. 基于社會(huì)認(rèn)知理論的網(wǎng)絡(luò)學(xué)習(xí)空間知識(shí)共享行為研究[J]. 電化教育研究（10）：14-21，41.

Adar， B. E. ， Debra， M. ，& Rena， D. ， et al. （2018）. Investigating the multidimensionality of engagement： Affective， behavioral， and cognitive engagement across science activities and contexts. Contemporary Educational Psychology， 53（1）：87-105.

Akyol， Z. ， & Garrison， D. R. （ 2011）. Assessing metacognitionin an online community of inquiry[J]. Internet and Higher Education， 14（3）：183-190.

Brinton， C. G.， Buccapatnam， S.， & Chiang， M.， et al. （2015）. Mining MOOC clickstreams： On the relationship between learner video-watching behavior and performance. Retrieved from http：//arxiv.org/pdf/1503.06489.pdf

Chen， I. S. （2017）. Computer self-efficacy， learning performance， and the mediating role of learning engagement. Computers in Human Behavior， 72（2）：362–370.

Dixson， M. D. （2010）. Creating effective student engagement in online courses： What do students find engaging. Journal of the Scholarship of Teaching and Learning， 10（2）：1-13.

Fredricks， J. A. ， Blumenfeld， P. C. ， & Paris， A. H. （2004）. School Engagement： Potential of the Concept， State of the Evidence. Review of Educational Research， 74（1）：59-109.

John， B. （1987）. Student approaches to learning and studying. Study process questionnaire manual：study process questionnaire manual： catalogue no 500fk. Australian Council Educational Research. （p： 10）.

Johnson， M. L. ， Sinatra， G. M. （2013）. Use of task - value instructional inductions for facilitating engagement and conceptual change. Contemporary Educational Psychology， 38（1）：51-63.

Kaser， T.，? Hallinen， N. R.， & Schwartz， D. L. （2017）. Modeling exploration strategies to predict student performance within a learning environment and beyond. Proceedings of the seventh international learning analytics & knowledge conference （pp. 31–40）. ACM.

Lee， E. ， Pate， J. A. ， & Cozart. D. （2015）. Autonomy support for online students. Techtrends， 59（4）：54-61.

Shea， P. ， Hayes， S. ，Smith， S. U. ， et al.（2012）. Learning presence： Additional research on a new conceptual element within the community of inquiry （CoI） framework[J]. Internet and Higher Education， 15（2）： 89-95.

Smit， K. ， Brabander， C. J. D. ， & Boekaerts， M.， et al. （2017）. The self-regulation of motivation： Motivational strategies as mediator between motivational beliefs and engagement for learning. International Journal of Educational Research， 82（1）：124-134.

作者簡(jiǎn)介：張曉峰，碩士研究生;吳剛，碩士研究生。華南師范大學(xué)教育信息技術(shù)學(xué)院（510631）。

李明喜，博士研究生，華南師范大學(xué)外國(guó)語(yǔ)言文化學(xué)院（510631）。

俞建慧，博士研究生，浙江師范大學(xué)教師教育學(xué)院（321004）。

責(zé)任編輯 郝 丹