在線自主學(xué)習(xí)行為何以表征元認知能力

王洪江 李作錕 廖曉玲 華秀瑩

[摘? ?要] 如何有效評估學(xué)習(xí)者元認知能力，是當(dāng)前元認知相關(guān)研究熱點之一。研究表明，采用在線學(xué)習(xí)行為數(shù)據(jù)預(yù)測學(xué)生的元認知能力，是一種較為有效的方法。然而，由于這種研究方法缺乏統(tǒng)一的元認知能力過程性表征框架，導(dǎo)致學(xué)習(xí)行為指標(biāo)選取存在差異，且指標(biāo)維度選取單一化、信息粒度挖掘淺層化也會影響最終的評估效果。為此，研究試圖從任務(wù)完成過程的視角，基于自我調(diào)節(jié)學(xué)習(xí)策略構(gòu)建一種較完整的元認知能力過程性表征框架;并采用系統(tǒng)性文獻綜述及元分析方法，遵循“任務(wù)階段—采取策略—行為映射”的技術(shù)路線，篩選出39種相關(guān)行為指標(biāo)，進行量化界定以表征元認知能力。研究結(jié)果顯示：當(dāng)前元認知能力研究主要聚焦于任務(wù)解決階段和任務(wù)評估階段，學(xué)習(xí)者主要采取搜索信息、自我評價、回顧材料等策略，具體映射于參加測試、觀看視頻、時間投入等行為。最后，文章提出未來研究的建議，以期對后續(xù)研究提供發(fā)展方向。

[關(guān)鍵詞] 元認知能力; 在線自主學(xué)習(xí)行為; 元認知策略; 系統(tǒng)性文獻綜述及元分析方法

[中圖分類號] G434? ? ? ? ? ? [文獻標(biāo)志碼] A

[作者簡介] 王洪江（1977—），男，浙江紹興人。副研究員，博士，主要從事在線教學(xué)理論、人工智能教育應(yīng)用研究。E-mail：wanghongjiang@m.scnu.edu.cn。

一、引? ?言

從“學(xué)會”到“會學(xué)”，培養(yǎng)會學(xué)習(xí)和終身學(xué)習(xí)的公民，建設(shè)學(xué)習(xí)型社會，是新時代教育改革熱點和重點問題，也是“十四五”教育規(guī)劃綱要的重要內(nèi)容[1]。判別學(xué)習(xí)者是否已學(xué)會學(xué)習(xí)的一個重要標(biāo)識就是其元認知能力，元認知強調(diào)學(xué)習(xí)者對自身各種認知活動的計劃、監(jiān)控和調(diào)節(jié)[2]，是一種高階、內(nèi)隱、抽象的思維過程[3]。如何有效評估學(xué)習(xí)者元認知能力是當(dāng)前該研究領(lǐng)域中薄弱又極為關(guān)鍵的環(huán)節(jié)[4]?，F(xiàn)有評估方法大致可以劃分為兩種類型，即離線測量法和學(xué)習(xí)分析法。前者依賴個體記憶，易產(chǎn)生認知偏差，導(dǎo)致預(yù)測結(jié)果失實，而后者受限于被試者的記憶能力和語言能力，以及觀察者的專業(yè)知識和解釋能力。因此，需要研究準(zhǔn)確性和可靠性更高的元認知能力評估方法。

為克服已有評估方法性能的不足，研究者嘗試采用在線學(xué)習(xí)行為數(shù)據(jù)來表征學(xué)生元認知能力，驗證了行為數(shù)據(jù)表征元認知能力發(fā)展變化的可行性。學(xué)習(xí)行為是學(xué)習(xí)者思維與學(xué)習(xí)狀況的真實映射，能夠體現(xiàn)學(xué)習(xí)中微妙而復(fù)雜的思維方式[5]。通過分析學(xué)習(xí)者學(xué)習(xí)行為，可以探究其內(nèi)部思維過程[6]。隨著在線教學(xué)潮涌般的推進，越來越多學(xué)習(xí)行為發(fā)生在數(shù)字化環(huán)境中，為元認知評估帶來新的契機。但現(xiàn)有研究缺乏統(tǒng)一的元認知能力過程性表征框架[7]，導(dǎo)致學(xué)習(xí)行為指標(biāo)選取存在差異，且單一化、淺層化的行為指標(biāo)選取方式直接影響預(yù)測效果。

為此，本研究主要解決以下問題：

Q1：如何構(gòu)建元認知能力過程性表征框架;

Q2：有哪些相關(guān)的行為指標(biāo)，如何進行量化。

二、相關(guān)問題梳理

（一）已有元認知能力評估方法性能不足

當(dāng)前，元認知評估方法可以分兩種類型：一種是較為宏觀、靜態(tài)的離線測量法，將元認知視為特質(zhì)，如自陳式問卷和自我報告法等;另一種是較為微觀、動態(tài)的學(xué)習(xí)分析法，注重整個學(xué)習(xí)過程測量，如出聲思維法、系統(tǒng)觀察法、錯誤檢測法、日記法和痕跡檢測法等。然而，這兩種評估方法性能均存在不足。如自陳式問卷較依賴個體記憶，學(xué)習(xí)者很難對自己過去完成的學(xué)習(xí)行為進行準(zhǔn)確描述，學(xué)習(xí)者（尤其是年齡小的被試者）在填寫過程中容易產(chǎn)生認知偏差（如Dunning-Kruger效應(yīng)），影響評估結(jié)果的準(zhǔn)確性[8]。而自我報告法是在特定時間、脫離情境采集的，與學(xué)習(xí)者動態(tài)的、情境的元認知能力不同步，在自我報告過程中可能會刺激學(xué)習(xí)者思考學(xué)習(xí)[9]，影響接下來的認知行為，從而降低評估結(jié)果的可靠性。另外，出聲思維法會受被試者語言能力影響，表達能力較弱的被試者較難準(zhǔn)確表述自己的所思所想，也會因為研究問題、理論基礎(chǔ)的不同導(dǎo)致語義轉(zhuǎn)譯、編碼存在差異，影響研究泛化性[10]。系統(tǒng)觀察法具體過程與出聲思維法相似，建立在研究者感官、自我解釋基礎(chǔ)上，受觀察者本身感官、主觀意識以及觀察樣本數(shù)量的限制，難以開展大規(guī)模調(diào)查。錯誤檢測法觀察學(xué)生是否注意到了學(xué)習(xí)材料或任務(wù)中預(yù)先設(shè)置的錯誤點，及其采取了何種解決方法[11]，會受文本問題類型影響，類型不同則采取的監(jiān)控策略也不同，也會受學(xué)習(xí)者主觀因素影響，如被試者由于粗心或其他原因未注意到文本中存在的錯誤[12]，會被誤以為是由于元認知監(jiān)控能力較弱造成的，導(dǎo)致評估結(jié)果的片面性。日記法詳細記錄了學(xué)習(xí)者學(xué)習(xí)過程，包括學(xué)習(xí)動機、目標(biāo)、情緒、時間等指標(biāo)，但很難完全再現(xiàn)學(xué)習(xí)者當(dāng)時的認知過程和心理活動，這降低了評估結(jié)果的可靠性。

（二）基于學(xué)習(xí)行為的元認知能力評估方法的優(yōu)缺點

已有文獻對基于學(xué)習(xí)行為的元認知能力評估方法進行了研究。例如：Yeh等通過采集學(xué)習(xí)者瀏覽行為，設(shè)計多層前饋神經(jīng)網(wǎng)絡(luò)來評估學(xué)習(xí)者元認知知識[13];紀(jì)陽等發(fā)現(xiàn)，資源利用、自檢、復(fù)習(xí)和任務(wù)完成質(zhì)量等學(xué)習(xí)行為能有效預(yù)測評估元認知能力[3];李士平等發(fā)現(xiàn)，查閱作品、查看自身學(xué)習(xí)情況、參與交互等行為數(shù)據(jù)與學(xué)習(xí)者元認知水平顯著相關(guān)，且表征元認知的準(zhǔn)確度較高[6]。綜上所述，基于學(xué)習(xí)行為的元認知能力評估方法具有以下優(yōu)點：（1）在線自主學(xué)習(xí)行為是在真實學(xué)習(xí)環(huán)境中收集的，比自我報告更客觀、準(zhǔn)確和全面[14];（2）學(xué)習(xí)行為是在學(xué)習(xí)者學(xué)習(xí)過程中由學(xué)習(xí)管理系統(tǒng)（Learning Management System，LMS）后臺自動收集的，不會影響學(xué)習(xí)者的正常學(xué)習(xí)，而出聲思維法需要學(xué)習(xí)者在學(xué)習(xí)過程中付出額外的關(guān)注和努力[15-16];（3）自動收集的學(xué)生行為數(shù)據(jù)可以支持及時的、大規(guī)模的元認知測量，而時間密集型評估方法通常是不可行的（如自我報告法、出聲思維法、系統(tǒng)觀察法等）。380CB521-171C-49F1-96C4-DDFD06D54DE9

然而，現(xiàn)有研究仍存在以下缺點：（1）在理論框架上，缺乏統(tǒng)一的過程性表征框架，導(dǎo)致行為指標(biāo)選取存在較大的差異。大多數(shù)研究是直接采用已有的自我調(diào)節(jié)學(xué)習(xí)框架。例如：Van Alten 等基于Zimmerman自我調(diào)節(jié)策略，選取觀看時長、任務(wù)準(zhǔn)時率和任務(wù)完成率等行為指標(biāo)進行預(yù)測[17];Li等參考Pintrich自我調(diào)節(jié)一般模型，選取學(xué)習(xí)者時間管理和努力監(jiān)控等行為指標(biāo)進行研究[8];徐曉青等以Pintrich的自我調(diào)節(jié)學(xué)習(xí)模型為標(biāo)準(zhǔn)，統(tǒng)計學(xué)習(xí)分析在自我調(diào)節(jié)學(xué)習(xí)中作用的階段和要素[18];也有研究基于探究社區(qū)理論框架，從認知調(diào)節(jié)和認知監(jiān)控兩個方面評估在線學(xué)習(xí)環(huán)境下學(xué)習(xí)者元認知能力[19]。（2）在選取方式上，指標(biāo)選取較為單一化、淺層化。一方面，維度選取單一化。例如：Theobald等僅從時間管理維度采集行為指標(biāo)表征學(xué)習(xí)者元認知能力[20];Zhang等僅將文本討論作為數(shù)據(jù)來源分析學(xué)習(xí)者在線調(diào)節(jié)過程[21]。另一方面，信息粒度挖掘淺層化，瀏覽時長、登錄頻率等粗粒度信息仍是評估學(xué)習(xí)者元認知能力的主要指標(biāo)。例如：Delen等記錄學(xué)習(xí)者平臺學(xué)習(xí)時長和交互筆記使用頻次[22];Cerezo等則使用發(fā)帖回帖數(shù)、作業(yè)提交次數(shù)、測驗嘗試次數(shù)作為主要衡量標(biāo)準(zhǔn)[23]。由于行為指標(biāo)選取差異性會在一定程度上影響元認知能力預(yù)測效果，指標(biāo)維度單一化及信息采集淺層化也會降低元認知評估的準(zhǔn)確性。鑒于此，本研究將構(gòu)建一套較為完整的基于元認知策略的元認知能力過程性表征框架，并基于該框架采用系統(tǒng)性文獻綜述及元分析方法，系統(tǒng)和全面地梳理表征元認知能力的學(xué)習(xí)行為指標(biāo)，以求準(zhǔn)確表征學(xué)習(xí)者元認知能力。

三、元認知能力過程性表征框架構(gòu)建

（一）元認知是動態(tài)連續(xù)的過程

自弗拉維爾（Flavell）明確提出元認知概念后，元認知界定和分類趨向于要素和過程兩個層面[24]。（1）要素層面有“兩元論”與“三元論”兩種觀點。Flavell認為，元認知兩大要素包括“元認知知識”和“元認知體驗”[25]。相較于Flavell“靜態(tài)”模型，Brown等認為，元認知包括“認知知識”和“認知調(diào)節(jié)”[26]，強調(diào)元認知既是一種穩(wěn)定的知識實體，又是動態(tài)的認知調(diào)節(jié)活動。國內(nèi)學(xué)者董奇綜合了這兩種觀點，提出“三元論”觀點，將元認知劃分為“元認知知識”“元認知體驗”“元認知監(jiān)控”[27]。（2）過程層面認為元認知是動態(tài)連續(xù)過程。元認知活動對象為認知過程本身[28]，重視任務(wù)執(zhí)行前規(guī)劃、執(zhí)行中監(jiān)控和調(diào)節(jié)、執(zhí)行后評估和修正。在這個過程中，學(xué)習(xí)者借助元認知技能（計劃、調(diào)節(jié)、監(jiān)控、評價）持續(xù)進行心理預(yù)期與實際情況的“校準(zhǔn)”，最終達到預(yù)期目標(biāo)。

可見，介于概念不確定性和要素結(jié)構(gòu)差異，從要素層面分析元認知會影響概念理解和元認知能力評估的準(zhǔn)確性。而將元認知界定為一種動態(tài)連續(xù)的活動過程，具有較強的客觀性和邏輯性[29]，使研究深入具體情境中描述元認知各階段的行為，將內(nèi)隱及抽象的思維過程外顯化，為多維表征元認知能力奠定理論基礎(chǔ)。

（二）自我調(diào)節(jié)學(xué)習(xí)過程的三階段模型

自我調(diào)節(jié)學(xué)習(xí)（Self-Regulated Learning，SRL）有機整合了元認知、動機和行為三個方面，強調(diào)個人、行為、環(huán)境三者之間相互作用[30]，涉及學(xué)習(xí)者為什么學(xué)、如何學(xué)、何時學(xué)、何地學(xué)、學(xué)什么、與誰一起學(xué)等問題[31]，其中，其他問題都是對學(xué)什么起計劃、調(diào)節(jié)和控制作用，即監(jiān)控過程。自我調(diào)節(jié)學(xué)習(xí)實際上包括學(xué)習(xí)者對認知活動的自我意識和自我調(diào)節(jié)（即元認知）。經(jīng)典自我調(diào)節(jié)學(xué)習(xí)模型包括Zimmerman自我調(diào)節(jié)策略[32]（包括計劃、執(zhí)行和自我反思）、Pintrich自我調(diào)節(jié)學(xué)習(xí)一般模型[33]（包括計劃激活、監(jiān)測、控制和反思反應(yīng)）和Winne COPES模型[34]（即條件、操作、產(chǎn)品、評價、標(biāo)準(zhǔn)）等。本研究將綜合這三種模型特點，將認知過程劃分為三個循環(huán)往復(fù)階段，即認知任務(wù)表征、認知任務(wù)解決和認知任務(wù)評估。（1）認知任務(wù)表征階段要求學(xué)習(xí)者完成任務(wù)分析、明確學(xué)習(xí)目標(biāo)、制定計劃。（2）認知任務(wù)解決階段要求學(xué)習(xí)者自我控制和自我調(diào)節(jié)，前者幫助學(xué)習(xí)者集中精力，后者包括認知調(diào)節(jié)、情緒調(diào)節(jié)和行為調(diào)節(jié)。認知調(diào)節(jié)側(cè)重于學(xué)習(xí)者根據(jù)目標(biāo)任務(wù)調(diào)整自己的認知活動，情緒調(diào)節(jié)則是學(xué)習(xí)者主動控制認知活動中產(chǎn)生的情緒，行為調(diào)節(jié)表現(xiàn)為任務(wù)堅持、任務(wù)完成和求助行為等。（3）認知任務(wù)評估階段要求學(xué)習(xí)者完成自我評估和自我反應(yīng)。自我評估是學(xué)習(xí)者自行判斷學(xué)習(xí)結(jié)果和成就目標(biāo)之間的差異，并進行歸因;自我反應(yīng)是學(xué)習(xí)者根據(jù)學(xué)習(xí)結(jié)果反饋而采取的行為，如回顧行為等。

（三）基于三階段模型的元認知策略

自我調(diào)節(jié)學(xué)習(xí)作為整合元認知過程性框架，能夠為元認知評估的深入分析提供指導(dǎo)。本文中的元認知策略主要以Zimmerman自我調(diào)節(jié)策略分類為基準(zhǔn)[35]，并綜合考慮其他研究成果。Zimmerman自我調(diào)節(jié)策略受學(xué)生成就目標(biāo)影響，側(cè)重于強調(diào)學(xué)習(xí)動機在策略運用中的重要作用，而不是強調(diào)元認知影響。而Garcia情緒調(diào)節(jié)策略能夠幫助學(xué)習(xí)者在面對復(fù)雜學(xué)習(xí)任務(wù)時取得較好的學(xué)習(xí)效果[36]。此外，學(xué)習(xí)是一項社會性活動，不可忽略調(diào)節(jié)行為的社會性特征[37]。因此，本研究確定了13種元認知策略，即自我評價、組織和轉(zhuǎn)化、目標(biāo)設(shè)定和規(guī)劃、搜索信息、記錄監(jiān)控、環(huán)境構(gòu)建、練習(xí)記憶、尋求幫助、回顧材料、時間管理、努力監(jiān)控、情緒調(diào)節(jié)、社會（協(xié)同）調(diào)節(jié)。

（四）基于元認知策略的元認知能力過程性表征框架

元認知策略幫助學(xué)習(xí)者掌控自主學(xué)習(xí)行為，即學(xué)習(xí)行為在一定程度上可以看作是學(xué)習(xí)者元認知策略的折射，只要明確了元認知策略，并找到各策略與自主學(xué)習(xí)行為指標(biāo)之間的映射，便可準(zhǔn)確評估學(xué)習(xí)者元認知能力。為此，本研究從學(xué)習(xí)任務(wù)完成過程的視角構(gòu)建基于元認知策略的元認知能力表征框架（如圖1所示），其“內(nèi)核”是學(xué)習(xí)者元認知能力，支配任務(wù)完成三個階段，即任務(wù)表征、任務(wù)解決、任務(wù)評估（任務(wù)層），引導(dǎo)學(xué)習(xí)者采取相應(yīng)的元認知策略（策略層），最終映射為學(xué)習(xí)者在線自主學(xué)習(xí)行為指標(biāo)（行為層）。具體而言，（1）認知任務(wù)表征階段涉及組織和轉(zhuǎn)化、目標(biāo)設(shè)定和規(guī)劃等策略;（2）認知任務(wù)解決階段包括環(huán)境構(gòu)建、時間管理、努力監(jiān)控、自我評價、搜索信息、記錄監(jiān)控、練習(xí)記憶、尋求幫助、情緒調(diào)節(jié)等策略;（3）認知任務(wù)評估階段包含回顧材料等策略。另外，協(xié)同調(diào)節(jié)和社會調(diào)節(jié)策略貫穿整個任務(wù)階段。380CB521-171C-49F1-96C4-DDFD06D54DE9

四、在線自主學(xué)習(xí)行為表征元認知能力

（一）系統(tǒng)性文獻綜述及元分析方法

研究遵循系統(tǒng)性文獻綜述及元分析方法（Preferred Reporting Items for Systematic Reviews and Meta-Analyses，PRISMA）[38]進行文獻綜述，包括四個階段：數(shù)據(jù)庫及關(guān)鍵詞選取、確定排除和納入條件、文獻篩選和分析、納入文獻分析框架設(shè)計。

1. 數(shù)據(jù)庫及關(guān)鍵詞選取

為確保能夠獲取全面且高質(zhì)量文獻，本研究選取Pumbed、Sage、IEEE、Springer、Wily、ScienceDirect、Web of Science、Proquest、萬方、知網(wǎng)等國內(nèi)外十大數(shù)據(jù)庫作為文獻來源。外文數(shù)據(jù)庫檢索語句由（metacognition OR metacognitive OR self-regulated OR self-regulation OR self-monitor OR self-control） AND（online learning OR e-learning OR blended learning） AND （behavior OR behavioral）三部分組成;中文數(shù)據(jù)庫直接使用“元認知”“在線自主學(xué)習(xí)行為”“網(wǎng)絡(luò)自主學(xué)習(xí)行為”進行主題檢索。限定檢索時間為2017—2021年，文獻類型為期刊論文或會議論文，獲得外文文獻406篇、中文文獻15篇，共計421篇。

2. 確定排除和納入條件

為獲取高相關(guān)度文獻，制定納入條件：（1）與“元認知”或“自我調(diào)節(jié)”主題相關(guān);（2）采用實驗研究或準(zhǔn)實驗研究;（3）研究環(huán)境為在線學(xué)習(xí)或混合學(xué)習(xí);（4）對學(xué)習(xí)者在線自主學(xué)習(xí)進行評估并對其進行界定和量化。文獻需滿足以上四個條件，排除非教育領(lǐng)域和綜述類文章。

3. 文獻篩選和分析

文獻篩選和分析包括：數(shù)據(jù)庫檢索、文獻初篩和資格評估。首先，借助文獻管理軟件（Endnote）進行自動和手動去重。然后，依據(jù)排除和納入標(biāo)準(zhǔn)對文章標(biāo)題和摘要進行篩選。最后，進行全文審查，以確定是否符合最終樣本的資格標(biāo)準(zhǔn)，并采用“滾雪球”方式檢索參考資料，獲得更多文獻。最終共有36篇論文進入定量綜合分析（Meta分析）。

4. 納入文獻分析框架設(shè)計

本研究以圖1所示元認知能力過程性表征框架作為文獻分析框架，按照“任務(wù)階段→采取策略→行為映射”技術(shù)路線進行文獻梳理。圖2顯示了任務(wù)層文獻數(shù)目對比情況，當(dāng)前研究聚焦任務(wù)解決和任務(wù)評估兩個階段的相關(guān)行為，尤其是任務(wù)解決階段，而對任務(wù)表征階段關(guān)注較少，因為這一階段策略更多外顯于線下學(xué)習(xí)行為，當(dāng)前LMS無法捕獲到相關(guān)學(xué)習(xí)行為。圖3顯示了策略層文獻數(shù)目對比情況，學(xué)習(xí)者元認知能力集中體現(xiàn)在搜索信息、自我評價、回顧材料、時間管理、努力監(jiān)控、尋求幫助等策略上[因社會（協(xié)同）調(diào)節(jié)貫穿整個任務(wù)階段，未納入]，充分凸顯元認知對個體認知活動的調(diào)節(jié)和監(jiān)控作用。圖4顯示了行為層文獻數(shù)目對比情況，只列出頻次大于等于5的11種相關(guān)行為，主要體現(xiàn)了元認知能力對學(xué)習(xí)過程的監(jiān)控和調(diào)節(jié)?？梢钥闯觯簠⒓訙y試頻次最高，印證了自我測試與元認知監(jiān)控緊密相關(guān)[39];觀看視頻是學(xué)習(xí)者搜索信息的主要途徑，是一種持續(xù)性學(xué)習(xí)行為，受學(xué)生自身監(jiān)控能力影響;時間投入、瀏覽行為、按時學(xué)習(xí)、討論數(shù)量、增加筆記、訪問平臺等行為也在一定程度上體現(xiàn)出元認知能力對學(xué)習(xí)過程的監(jiān)控;回看視頻、回看測試等行為，即學(xué)生自行判斷學(xué)習(xí)結(jié)果和成就目標(biāo)之間的差異并進行歸因，從而促使其調(diào)節(jié)自身學(xué)習(xí)行為，體現(xiàn)了學(xué)習(xí)者元認知調(diào)節(jié)能力。

（二）不同任務(wù)階段在線自主學(xué)習(xí)行為表征元認知能力

根據(jù)以上分析，本文整理出39種行為指標(biāo)（如圖5所示），大部分元認知策略與行為指標(biāo)呈現(xiàn)一對一或一對多的映射關(guān)系，個別策略因當(dāng)前未發(fā)現(xiàn)相關(guān)文獻研究，無對應(yīng)行為指標(biāo)。

1. 任務(wù)表征階段

任務(wù)表征階段涉及組織和轉(zhuǎn)化、目標(biāo)設(shè)定和規(guī)劃兩種元認知策略。關(guān)于組織和轉(zhuǎn)化策略，未發(fā)現(xiàn)界定學(xué)習(xí)行為的相關(guān)研究。而關(guān)于目標(biāo)設(shè)定和規(guī)劃，以開發(fā)嵌入目標(biāo)提示功能的LMS為主（即學(xué)習(xí)者在任務(wù)開始之前設(shè)定學(xué)習(xí)目標(biāo)）。量化方式為系統(tǒng)記錄學(xué)習(xí)者管理其學(xué)習(xí)目標(biāo)的頻次。例如：Azevedo等開發(fā)了智能代理教學(xué)系統(tǒng)Meta Tutor，允許學(xué)習(xí)者管理學(xué)習(xí)目標(biāo)[40]。

2. 任務(wù)解決階段

任務(wù)解決階段包括環(huán)境構(gòu)建、時間管理、努力監(jiān)控、自我評價、搜索信息、記錄監(jiān)控、練習(xí)記憶、尋求幫助、情緒調(diào)節(jié)九種元認知策略。

（1）環(huán)境構(gòu)建策略包括學(xué)習(xí)者學(xué)習(xí)時間和學(xué)習(xí)地點兩種行為指標(biāo)。學(xué)習(xí)時間可以具體到一周中某天以及一天中某個時間段[41]，學(xué)習(xí)地點主要是根據(jù)學(xué)習(xí)者訪問LMS的IP地址進行判定。

（2）時間管理策略包括六種行為指標(biāo)。①按時學(xué)習(xí)是指學(xué)習(xí)者在截止日期之前完成學(xué)習(xí)任務(wù)，以任務(wù)按時率進行表征。②提前學(xué)習(xí)是指學(xué)習(xí)者在截止日期之前，提前完成任務(wù)。即模塊j（j=1……m）的截止日期為Tj，在模塊j中每個學(xué)習(xí)任務(wù)的時間記為Ti（共有n個學(xué)習(xí)任務(wù)，i=1……n），截止日期與學(xué)習(xí)任務(wù)的時間間隔記為Tj-Ti。先計算每個模塊時間間隔的平均值，然后計算m個模塊的平均時間間隔，如公式（1）。③間隔學(xué)習(xí)為學(xué)習(xí)者學(xué)習(xí)時間間隔。即模塊j的截止時間（Tj）和學(xué)生訪問模塊j中資源i的時間（Ti）的標(biāo)準(zhǔn)差，如公式（2）。該值越大，則時間管理能力越強。④分散學(xué)習(xí)是指學(xué)習(xí)者將一個完整的學(xué)習(xí)主題分配在不同的時間段內(nèi)完成，而不是在相對集中的時間內(nèi)學(xué)完[42]。該值越高，則課程內(nèi)容參與越分散和持續(xù)。⑤延時間隔是指學(xué)習(xí)者在完成學(xué)習(xí)任務(wù)后主動選擇恰當(dāng)?shù)臅r間參加測試。通過統(tǒng)計學(xué)習(xí)者最后一次訪問平臺的時間與參加對應(yīng)考試的時間間隔進行量化[43]。⑥課程日歷是指學(xué)習(xí)者標(biāo)注相關(guān)活動的起止日期，通過查看日歷了解即將到來的事件，更好地進行時間管理。LMS日志文件可以記錄學(xué)習(xí)者查看日歷的次數(shù)，也可以嵌入其他插件，如Google日歷[44]以收集更詳細的數(shù)據(jù)。380CB521-171C-49F1-96C4-DDFD06D54DE9

（3）努力監(jiān)控策略包括時間變化和時間投入兩種行為指標(biāo)。衡量學(xué)習(xí)者努力水平可以通過在LMS上花費的時間及其訪問LMS的時間變化來表征。具體量化形式為建立各個學(xué)習(xí)模塊所花時間的回歸方程，用回歸方程的斜率表示時間變化的趨勢。時間投入的量化為各個學(xué)習(xí)模塊時間求和。

（4）自我評價策略包括參加測試的頻次、完成測試的時長、選擇測試的范圍三種行為指標(biāo)。其中，選擇測試的范圍是指學(xué)習(xí)者可以根據(jù)學(xué)習(xí)偏好，自主選擇相應(yīng)的測試范圍。以上三種行為指標(biāo)均以系統(tǒng)記錄的方式進行量化。

（5）搜索信息策略包括八種行為指標(biāo)。其中，訪問平臺、查看講義、觀看視頻、觀看時長、暫停時長等以系統(tǒng)記錄的方式進行量化。瀏覽行為主要是指學(xué)習(xí)者在學(xué)習(xí)過程中根據(jù)自己的學(xué)習(xí)情況在學(xué)習(xí)頁面之間的跳轉(zhuǎn)，相關(guān)頁面可分為學(xué)過的（Visited）頁面和未學(xué)過的（Unvisited）頁面。因而共有四種類型的跳轉(zhuǎn)，即V-V、V-U、U-V和U-U，量化方式為分別計算四類行為的占比。微交互行為需借助技術(shù)工具（如WebQuery[45]）捕獲學(xué)習(xí)者與鼠標(biāo)、鍵盤等的交互行為，通常處理方式為使用序列模式挖掘算法提取學(xué)習(xí)者行為序列[46]。眼動行為需使用眼動儀（如Eyelink）記錄注視時間、注視固定、掃描路徑等子行為指標(biāo)。

（6）記錄監(jiān)控策略包括打開筆記、增加筆記、刪除筆記、筆記長度和筆記個數(shù)五種行為指標(biāo)。相關(guān)行為指標(biāo)的獲取需要在LMS中嵌入筆記記錄功能，如Meta Tutor、iLias等平臺可以自動記錄筆記行為的頻次、筆記字符數(shù)等。

（7）練習(xí)記憶策略更多發(fā)生在線下學(xué)習(xí)環(huán)境之中，因而較難捕獲相關(guān)的行為指標(biāo)。

（8）尋求幫助策略包括討論時間、討論數(shù)量、討論內(nèi)容三種指標(biāo)，側(cè)重于強調(diào)學(xué)習(xí)者尋求社會性信息，其與學(xué)習(xí)者的討論行為密切相關(guān)。LMS可以自動記錄學(xué)習(xí)者的討論時間和數(shù)量，而討論內(nèi)容則需要根據(jù)編碼框架進行主題分析。

（9）情緒調(diào)節(jié)策略更多反映在學(xué)習(xí)者的生理指標(biāo)上，如腦電信號[47]。通過分析腦電波段數(shù)據(jù)，生成用戶在整個學(xué)習(xí)過程中的腦波報告，反映學(xué)習(xí)者對身體緊張與放松狀態(tài)的調(diào)節(jié)。

3. 任務(wù)評估階段

任務(wù)評估階段包括回顧材料元認知策略，共有八種行為指標(biāo)。學(xué)習(xí)者自行判斷學(xué)習(xí)結(jié)果和成就目標(biāo)之間的差異，進行自我反思，并根據(jù)學(xué)習(xí)結(jié)果反饋采取積極反應(yīng)。相較于回放視頻，回看視頻強調(diào)學(xué)習(xí)者對某個視頻的有意回顧，側(cè)重于根據(jù)自身知識薄弱點有意回看視頻的某個片段，回看測試即學(xué)習(xí)重新查看完成的測試題目，材料回顧時長主要用來統(tǒng)計學(xué)習(xí)者復(fù)習(xí)材料所花費的時長。任務(wù)完成率主要是統(tǒng)計學(xué)習(xí)者完成的任務(wù)在所有任務(wù)中的占比。查閱作品側(cè)重于強調(diào)學(xué)習(xí)者有意查看同伴作品提交情況，以此評估、提升自身作品質(zhì)量，作品完成質(zhì)量以最后作品所得分數(shù)（包括師評、互評、自評分數(shù)）為衡量標(biāo)準(zhǔn)。除回看時長、任務(wù)完成率和作品完成質(zhì)量以外，其他行為指標(biāo)都是以系統(tǒng)記錄頻次的方式進行量化。

社會（協(xié)同）調(diào)節(jié)策略主要映射為學(xué)習(xí)者的討論行為和生理行為。關(guān)于討論行為，Zhang等通過認知網(wǎng)絡(luò)分析法可視化呈現(xiàn)社會調(diào)節(jié)演化的動態(tài)性和循環(huán)性[48]，Zheng等通過滯后序列分析法分析移動學(xué)習(xí)環(huán)境下學(xué)習(xí)者社會調(diào)節(jié)行為模式[49];關(guān)于生理行為，研究者主要采集學(xué)習(xí)者皮膚電信號以分析學(xué)習(xí)者在社會調(diào)節(jié)過程中的生理同步性[50]。

五、小結(jié)及啟示

（一）小結(jié)

首先，本研究從學(xué)習(xí)任務(wù)完成過程的視角構(gòu)建基于元認知策略的元認知能力表征框架，認為學(xué)習(xí)者元認知能力是完成任務(wù)的“內(nèi)核”，引導(dǎo)學(xué)習(xí)者采取相應(yīng)的元認知策略，最終映射為學(xué)習(xí)者在線自主學(xué)習(xí)行為指標(biāo)。接著，采用系統(tǒng)性文獻綜述及元分析方法篩選行為指標(biāo)。最后，分析統(tǒng)計出39種行為指標(biāo)，并闡述如何將其量化以表征元認知能力。

（二）啟示

本研究在文獻梳理過程中也發(fā)現(xiàn)了當(dāng)前研究存在的不足，表現(xiàn)在研究方法的選擇、數(shù)據(jù)分析方法的使用等方面?；诖?，本研究認為未來研究應(yīng)遵循以下“四個結(jié)合”：

1. 量化與質(zhì)性研究相結(jié)合

學(xué)習(xí)分析可以挖掘?qū)W習(xí)者隱性、內(nèi)部的思維過程，為深入研究元認知評估提供新的視角。但要考慮數(shù)據(jù)跟蹤方法的局限性，并非所有學(xué)習(xí)行為指標(biāo)都可以通過系統(tǒng)獲取，采集的數(shù)據(jù)可能會受到數(shù)字化學(xué)習(xí)環(huán)境外因素影響[51]，這將降低預(yù)測結(jié)果的可靠性。另外，僅僅使用學(xué)習(xí)分析方法會使得研究結(jié)果缺乏可解釋性，只知道學(xué)習(xí)者“這樣做”而不知道學(xué)習(xí)者“為什么這樣做”。因此，可以考慮量化與質(zhì)性研究相結(jié)合。定性數(shù)據(jù)（如學(xué)習(xí)者訪談）可以豐富定量數(shù)據(jù)的內(nèi)容，定性推理可以將定量結(jié)果與研究情境聯(lián)系起來[52]，增加數(shù)據(jù)結(jié)果的可解釋性。

2. 多模態(tài)數(shù)據(jù)相結(jié)合

多模態(tài)數(shù)據(jù)能反映學(xué)習(xí)者真實的學(xué)習(xí)狀態(tài)[53]，融合了數(shù)字空間數(shù)據(jù)（如文本、學(xué)習(xí)時長、行為序列等）和生理體征數(shù)據(jù)（如眼動、腦電、皮膚電等），能有效提高元認知評估的準(zhǔn)確性，并在構(gòu)建復(fù)雜的學(xué)習(xí)者模型方面擁有巨大的潛力。因此，多模態(tài)數(shù)據(jù)相結(jié)合能夠更及時、多維、直觀、全面地分析學(xué)習(xí)者的學(xué)習(xí)過程和結(jié)果。

3. 粗粒度與細粒度信息相結(jié)合

學(xué)習(xí)者粗粒度信息，如內(nèi)容瀏覽次數(shù)、登錄頻率和閱讀頁面時長等，是用來解釋在線學(xué)習(xí)中個體差異最典型的測量指標(biāo)，研究表明，這些粗粒度信息與學(xué)習(xí)者學(xué)習(xí)參與和學(xué)習(xí)成績有密切關(guān)聯(lián)[54]。但也有研究指出，粗粒度信息與學(xué)習(xí)者學(xué)習(xí)參與相關(guān)性較小，僅限于教師參考，用于學(xué)習(xí)指導(dǎo)和教學(xué)干預(yù)[35]。而細粒度信息作為數(shù)據(jù)粒度在空間尺度的更高程度細化，能提供一種數(shù)據(jù)分析微觀視角。可見，將粗、細粒度信息相結(jié)合能使元認知評估具有空間尺度多樣化特征[55]。因此，研究應(yīng)該兼顧粗粒度信息，挖掘深層細粒度信息（如學(xué)習(xí)者的瀏覽行為、拖延行為、回顧行為等），提升預(yù)測效果，挖掘隱含規(guī)律。380CB521-171C-49F1-96C4-DDFD06D54DE9

4. 傳統(tǒng)方法與人工智能技術(shù)相結(jié)合

均方檢驗、相關(guān)分析和數(shù)據(jù)編碼等傳統(tǒng)數(shù)據(jù)分析方法需要人工判斷和錄入，研究結(jié)果較為可靠;但作為一種時間密集型分析方法，當(dāng)處理大規(guī)模數(shù)據(jù)時，會浪費大量人力，處理結(jié)果也會出現(xiàn)紕漏。深度學(xué)習(xí)作為人工智能的主要算法，具備處理模糊信息、從具體任務(wù)中概括和學(xué)習(xí)、額外參數(shù)快速更新等能力，擅長預(yù)測和分類，計算成本低、運算速度快，彌補了傳統(tǒng)方法的不足。因此，機器決策與人工決策有機結(jié)合能提升元認知評估效率，保障評估效果。

[參考文獻]

[1] 教育部.“十四五”規(guī)劃和2035年遠景目標(biāo)綱要提出建設(shè)高質(zhì)量教育體系[EB/OL]. [2021-03-13]. http：//www.moe.gov.cn/jyb_xwfb/s5147/202103/t20210314_519710.html.

[2] 楊寧.從元認知到自我調(diào)節(jié)：學(xué)習(xí)策略研究的新進展[J].南京師大學(xué)報（社會科學(xué)版），2006（4）：101-105.

[3] 紀(jì)陽，李思琪，張默雨.元認知評估能力發(fā)展預(yù)測的可行性研究[J].北京郵電大學(xué)學(xué)報（社會科學(xué)版），2020，22（5）：117-124.

[4] 汪玲，方平，郭德俊.元認知的性質(zhì)、結(jié)構(gòu)與評定方法[J].心理學(xué)動態(tài)，1999（1）：6-11.

[5] 胡藝齡，顧小清，趙春.在線學(xué)習(xí)行為分析建模及挖掘[J].開放教育研究，2014，20（2）：102-110.

[6] 李士平，趙蔚，劉紅霞，劉東亮，劉鳳娟.數(shù)據(jù)表征元認知：基于學(xué)習(xí)分析的網(wǎng)絡(luò)自主學(xué)習(xí)行為研究[J].電化教育研究，2017，38（3）：41-47.

[7] MURPHY E. A framework for identifying and promoting metacognitive knowledge and control in online discussants[J]. Canadian journal of learning and technology， 2009， 34（2）：1-9.

[8] LI Q， BAKER R， WARSCHAUER M. Using clickstream data to measure， understand， and support self-regulated learning in online courses[J]. The internet and higher education， 2020， 45： 100727.

[9] OZTURK N. Assessing metacognition： theory and practices[J]. International journal of assessment tools in education， 2017， 4（2）： 134-148.

[10] 李菲菲，劉電芝.口語報告法及其應(yīng)用研究述評[J].上海教育科研，2005（1）：39-41，44.

[11] 龐維國.自主學(xué)習(xí)的測評方法[J].心理科學(xué)，2003（5）：882-884.

[12] BAKER L， CERRO L C. Assessing metacognition in children and adults[M]//SCHRAW G， IMPARA J C. Issues in the measurement of metacognition. Lincoln， NE： Buros Institute of Mental Measurements， 2000： 99-145.

[13] YEH S W， LO J J. Assessing metacognitive knowledge in web-based CALL： a neural network approach[J]. Computers & education， 2005， 44（2）： 97-113.

[14] WINNE P H. Improving measurements of self-regulated learning[J]. Educational psychologist， 2010， 45（4）： 267-276.

[15] GREENE J A， AZEVEDO R. The measurement of learners' self-regulated cognitive and metacognitive processes while using computer-based learning environments[J]. Educational psychologist， 2010， 45（4）： 203-209.

[16] SHA L， LOOI C K， CHEN W， et al. Understanding mobile learning from the perspective of self-regulated learning[J]. Journal of computer assisted learning， 2012， 28（4）： 366-378.

[17] VAN ALENT D C D， PHIELIX C， JANSSEN J， et al. Secondary students' online self-regulated learning during flipped learning： a latent profile analysis[J]. Computers in human behavior， 2021， 118： 106676.380CB521-171C-49F1-96C4-DDFD06D54DE9

[18] 徐曉青，趙蔚，劉紅霞，姜強.自我調(diào)節(jié)學(xué)習(xí)中學(xué)習(xí)分析的應(yīng)用框架和融合路徑研究[J].電化教育研究，2021，42（6）：96-104.

[19] AKYOL Z， GARRISON D R. Assessing metacognition in an online community of inquiry[J]. The internet and higher education， 2011， 14（3）：183-190.

[20] THEOBALD M， BELLHUSER H， IMHOF M. Identifying individual differences using log-file analysis： distributed learning as mediator between conscientiousness and exam grades[J]. Learning and individual differences， 2018， 65：112-122.

[21] ZHANG T， TAUB M， CHEN Z. Measuring the impact of COVID-19 induced campus closure on student self-regulated learning in physics online learning modules[C]//11th International Learning Analytics and Knowledge Conference. New York： Association for Computing Machinery， 2021：110-120.

[22] ERHAN D， JEFFREY L， VICTOR W. Effects of interactivity and instructional scaffolding on learning： self-regulation in online video-based environments[J]. Computers & education， 2014， 78：312-320.

[23] CEREZO R， BOGARN A， ESTEBAN M， et al. Process mining for self-regulated learning assessment in e-learning[J]. Journal of computing in higher education， 2020， 32（1）： 74-88.

[24] 孔博鑒.自我調(diào)節(jié)學(xué)習(xí)中元認知對認知學(xué)習(xí)策略的影響[D].長春：東北師范大學(xué)，2015.

[25] FLAVELL J H. Metacognition and cognitive monitoring： a new area of cognitive-developmental inquiry[J]. American psychologist， 1979， 34（10）： 906-911.

[26] BROWN A. Knowing when， where & how to remember： a problem of metacognition[M]. Hillsdale， NJ： Lawrence Erlbaum Associate， 1987： 77-165.

[27] 董奇.論元認知[J].北京師范大學(xué)學(xué)報，1989（1）：68-74.

[28] PERFECT T J， TIMOTHY J， SCHWARTZ B L. Applied metacognition[M]. Cambridge： Cambridge University Press， 2002.

[29] 汪玲，郭德俊.元認知的本質(zhì)與要素[J].心理學(xué)報，2000（4）：458-463.

[30] PINTRICH P R. The role of goal orientation in self-regulated learning[M]//BOEKAERTS M， PINTRICH P， ZEIDNER M. Handbook of self-regulation. San Diego CA： Academic Press， 2000： 451-502.

[31] 韓立敏.元認知，學(xué)習(xí)策略，自我調(diào)節(jié)學(xué)習(xí)辨析[J].上海教育科研，2001（10）：6-8.

[32] ZIMMERMAN B J， MOYLAN A R. Self-regulation： where metacognition and motivation intersect[M]//HACKER D J， DUNLOSKY J， GRAESSER A C. Handbook of metacognition in education. New York： Taylor & Francis Group， 2009：299-315.

[33] PINTRICH P R. A conceptual framework for assessing motivation and self-regulated learning in college students[J]. Educational psychology review， 2004， 16（4）： 385-407.

[34] WINNE P H. Experimenting to bootstrap self-regulated learning[J]. Journal of educational psychology， 1997， 89（3）： 397-410.380CB521-171C-49F1-96C4-DDFD06D54DE9

[35] ZIMMERMAN B J， Pons M M. Development of a structured interview for assessing student use of self-regulated learning strategies[J]. American educational research journal， 1986， 23（4）： 614-628.

[36] GARCIA R， FALKNER K， VIVIAN R. Systematic literature review： self-regulated learning strategies using e-learning tools for computer science[J]. Computers & education， 2018， 123（1）： 150-163.

[37] 蘇友，李艷燕，包昊罡.國際視野下社會調(diào)節(jié)學(xué)習(xí)研究歷程、焦點及趨勢[J].現(xiàn)代遠程教育研究，2020，32（6）：33-43.

[38] MOHER D， LIBERATI A， TETZLAFF J， et al. Preferred reporting items for systematic reviews and meta-analyses： the PRISMA statement[J]. International journal of surgery， 2010， 8（5）： 336-341.

[39] GRIFFIN T D， WILEY J， SALAS C R. Supporting effective self-regulated learning： the critical role of monitoring[M]//AZEVEDO R， ALEVEN V. International handbook of metacognition and learning technologies. New York： Springer， 2013： 19-34.

[40] AZEVEDO R， JOHNSON A， CHAUNCEY A， et al. Self-regulated learning with MetaTutor： advancing the science of learning with MetaCognitive tools[M]//WEGERIF R B， MANSOUR N. New science of learning. New York： Springer， 2010： 225-247.

[41] MONTGOMERY A P， MOUSAVI A， CARBONARO M， et al. Using learning analytics to explore self-regulated learning in flipped blended learning music teacher education[J]. British journal of educational technology， 2019， 50（1）： 114-127.

[42] 李葆萍，張賢茹，陳秋雨，張麗峰，周穎.碎片化學(xué)習(xí)真的會影響學(xué)習(xí)效果嗎？——基于在線學(xué)習(xí)的分散學(xué)習(xí)效應(yīng)研究[J].現(xiàn)代遠程教育研究，2020，32（6）：104-111.

[43] CARVALHO P F， SANA F， YAN V X. Self-regulated spacing in a massive open online course is related to better learning[J]. NPJ science of learning， 2020， 5（1）： 1-7.

[44] KELLEN K， ANTONENKO P. The role of scaffold interactivity in supporting self-regulated learning in a community college online composition course[J]. Journal of computing in higher education， 2018， 30（2）： 187-210.

[45] APAOLAZA A， VIGO M. WevQuery： testing hypotheses about web interaction patterns[J]. Proceedings of the acm on human-computer interaction， 2017（1）： 1-17.

[46] YU H， HARPER S， VIGO M. Modeling micro-interactions in self-regulated learning： a data-driven methodology[J]. International journal of human-computer studies， 2021， 151： 102625.

[47] ZAHI X， FANG Q， DONG Y， et al. The effects of biofeedback-based stimulated recall on self-regulated online learning： a gender and cognitive taxonomy perspective[J]. Journal of computer assisted learning， 2018， 34（6）： 775-786.380CB521-171C-49F1-96C4-DDFD06D54DE9

[48] ZHANG S， CHEN J， WEN Y， et al. Capturing regulatory patterns in online collaborative learning： a network analytic approach[J]. International journal of computer-supported collaborative learning， 2021， 16（1）： 37-66.

[49] ZHENG L， YU J. Exploring the behavioral patterns of co-regulation in mobile computer-supported collaborative learning[J]. Smart learning environments， 2016， 3（1）： 1-20.

[50] DINDAR M， MALMBERG J， JRVEL?S， et al. Matching self-reports with electrodermal activity data： investigating temporal changes in self-regulated learning[J]. Education and information technologies， 2020， 25（1）：1785-1802.

[51] SCHUMACHER C， IFENTHALER D. Investigating prompts for supporting students' self-regulation—a remaining challenge for learning analytics approaches？ [J]. The internet and higher education， 2021， 49： 100791.

[52] GAEVIC D， DAWSON S， SIEMENS G. Let's not forget： learning analytics are about learning[J]. TechTrends， 2015， 59（1）： 64-71.

[53] DI MITRI D，? SCHNEIDER J，? SPECHT M， et al. From signals to knowledge： a conceptual model for multimodal learning analytics[J]. Journal of computer assisted learning， 2018， 34（4）： 338-349.

[54] YOU J W. Identifying significant indicators using LMS data to predict course achievement in online learning[J]. The internet and higher education， 2016， 29： 23-30.

[55] 王戰(zhàn)軍，喬偉峰，李江波.數(shù)據(jù)密集型評估：高等教育監(jiān)測評估的內(nèi)涵、方法與展望[J].教育研究，2015，36（6）：29-37.380CB521-171C-49F1-96C4-DDFD06D54DE9