中国期刊网-投稿、查重、发表有保障。
您的位置: 主页 > 学术论文 > 教育论文 >

CSCL如何影响大学生数字化学习韧性——认知负荷的中介效应分析

发布时间:2023-03-21 09:07:52

摘    要:大数据、人工智能等数字技术和教育深度融合,赋能数字化教育转型升级。学习韧性是影响数字化教育成就的重要因素,深受国内外研究者重视,但学界对于数字化学习韧性的影响机制的认识尚未统一。以4市6所高校438名大学生为调查对象,运用描述性统计与相关分析、结构方程模型及Bootstrap中介效应检验法,探索CSCL对大学生数字化学习韧性的影响机制,以及认知负荷在影响机制中的中介效应。研究结果表明,大学生整体数字化学习韧性不强;CSCL与认知负荷显著负相关、与数字化学习韧性显著正相关;认知负荷能够显著预测大学生数字化学习韧性,并在CSCL对大学生的数字化学习韧性的影响中起部分中介效应。增强大学生数字化学习韧性,亟须创设人机协同的CSCL群智空间、重塑旨在降低认知负荷的精准化教学形态、构建旨在提高大学生数字化学习韧性的个性化教育生态,进而规避学业风险。


关键词:数字化学习; CSCL;学习韧性;影响机制;认知负荷;


How CSCL Affects Digital Learning Resilience of College Students- -Analysis of

Mediating Effects of Cognitive Load

MAN Shujie JIANG Qiang

LIQi ZHAO Wei

Northeast Normal University


Abstract:The deep integration of digital technologies and education, such as big data and artificial intelligence, has empowered the transformation and upgrading of digital education. Learning resilience is an important factor affecting the achievement of digital education, which is highly valued by researchers at home and abroad, but the understanding of the influence mechanism of digital learning resilience in academia has not been unified. Taking 438 college students from six universities in four cities as the respondents, the article used descriptive statistics and correlation analysis, structural equation modeling and Bootstrap mediation effect test to explore the influence mechanism of CSCL on college students' digital learning resilience and the mediation effect of cognitive load in the influence mechanism. The results showed that the overall digital learning resilience of college students was not strong; CSCL was significantly negatively correlated with cognitive load and positively correlated with digital learning resilience; cognitive load significantly predicted college students' digital learning resilience and partially mediated the effect of CSCL on college students' digital learning resilience. To enhance the digital learning resilience of college students, it is urgent to create a human-computer collaborative CSCL group intelligence space, reshape the precise teaching form to reduce cognitive load, and build a personalized education ecology to improve the digital learning resilience of college students, so as to avoid academic risks.


Keyword:Digital Learning; CSCL; Learning Resilience; Influence Mechanism; Cognitive Load;


一、引言

CSCL(Computer Supported Collaborative Learning)是指利用计算机技术来辅助和支持协作学习[1],其过程中学生认知负荷的动态变化及活动的不断优化设计会影响学生在线学习的积极性和持续性。大数据、人工智能等新一轮数字技术在推进CSCL带来新方法、新理念的同时,也带来了线上人际交互复杂、数字化学习资源混杂、网络环境动态变化等问题[2]。学生注意力涣散、临场感缺失、负荷失衡,学习动机和学习兴趣逐渐变弱,深刻影响着大学生的数字化学习韧性。数字化学习韧性是指学生在在线学习过程中成绩不佳或遇到挑战时有效应对挫折和压力的能力。党的二十大报告中明确提出了要着力提升韧性、推动高质量发展[3],而据哈佛大学与麻省理工学院合作研究的数据显示,在122个提供免费认证课程的280万参与者中,课程完成率中位数低至3%[4]。因此,增强大学生的数字化学习韧性成为了教育改革的当务之急。国务院印发的《“十四五”数字经济发展规划》[5]明确提出要深入推进智慧教育,推动教育数字化转型。精准探索CSCL对大学生数字化学习韧性的影响并揭示其影响机制,促进大学生在线学习的体验感和归属感,进而让更多大学生有持续在线协作学习的意愿,这不仅符合国家教育方针政策,而且也有助于推动高等教育数字化转型。


现阶段有关学生学习韧性问题的研究多集中在对学习韧性的测量、学习韧性现状分析及对策的制定、预测模型研究、学习韧性的影响因素研究等,而从CSCL视角探索大学生数字化学习韧性的研究较少。少数研究发现学习环境特征、语境特征(如学习内容、任务难度)以及同伴互动是影响学生学习韧性的重要因素。如刘妍[6]等基于扎根理论归纳出环境特征、学习者特征、语境特征、关系特征是学习毅力的重要影响因素,认为数字学习环境通过促进学生思维从而有助于学习者坚定地完成学习任务。Loes等[7]指出协作学习会促进更高水平的与同伴之间的积极互动,从而影响大学生学习的持续性。但这些研究都未从实证的角度去深刻揭示CSCL对大学生数字化学习韧性的影响机制。本研究认为当前大学生高辍学率、低坚持率的根本原因就在于其数字化学习韧性不强。通过对大学生数字化学习韧性影响因素的实证探索有利于揭示大学生的“低坚持率”的原因并提出解决策略,有助于缓解大学生在线学习中辍学率过高的问题。CSCL作为一种重要的数字化学习方式,以其高交互性以及协作便利性等特点为学生提供了良好的认知情境,是测量大学生数字化学习韧性的解释变量。因此,基于认知负荷的中介作用,本研究探索了CSCL对大学生数字化学习韧性的影响机理,这在一定程度上补充了大学生数字化学习韧性影响机制研究的理论基础。


综上,本研究以4市6所高校的大学生为调查对象,采用描述性统计与相关分析及结构方程模型、Bootstrap中介效应检验法进行数据分析,揭示了大学生整体数字化学习韧性情况及CSCL、认知负荷和大学生数字化学习韧性之间的关系,探究了CSCL对大学生数字化学习韧性的影响及其作用机理及认知负荷在CSCL与大学生数字化学习韧性之间的中介效应,进而为提高大学生的数字化学习持续性提供实践建议。


二、理论回顾与假设推演

(一)CSCL与大学生数字化学习韧性

CSCL是在计算机支持下的协作学习,是教育信息化背景下的主要教育教学方式。CSCL包含目标、任务、交互、资源和评价等五个方面的设计[8],具体表现为个人目标及小组目标的制定、协作任务的安排、交互方案的设计、学习资源的分配以及评价机制的应用。数字化学习韧性体现的是学习者对在线学习环境中各项设计的认同感与适应感。良好的在线学习氛围有助于提升学生的学习动机,增强其持续在线学习的意愿。学生学习持续性深受教学设计及学习环境等因素的影响。教学与学习风格之间不匹配将会导致学生持续学习的积极性不高[9];在线学习环境中的学习评价、学习交互等因子设计不当,将会影响学生持续在线学习的意愿[10];单调的学习网页设计以及简单的人机交互,也会使得大学生在线学习兴趣不高、学习投入度较低[11]。而优化CSCL人为环境则会通过降低学生的认知负荷来提高学生持续在线学习的意愿[12]。当CSCL赋予学生足够的学习兴趣、学习动机并且给予学生较高的自我效能感时[13],学习者便会增强其数字化学习韧性,即使遇到挫折也会保持积极的情绪,不丧失对现阶段以及未来的希望,保持坚定的学习决心的优良品质。


本研究据此提出假设:


H1:CSCL与大学生数字化学习韧性显著正相关。


(二)CSCL与认知负荷

认知负荷是指完成一项学习任务所需的总工作记忆资源,分为内部认知负荷、外部认知负荷以及相关认知负荷[14]。学生的认知负荷深受所处学习环境氛围的影响,一种新的认知负荷模型[15]证明了物理学习环境中的环境刺激会对学习者的工作记忆产生影响。李哲[16]对比了平台中不同的内容呈现方式对不同认知风格学生认知负荷的影响,结果发现适合学生认知风格的内容呈现方式会带来更小的认知负荷。Paas[17]等揭示了学生特征、学习任务特征及二者之间的相互作用是认知负荷的主要影响因素,教育者应始终秉承学生个性化发展的理念进行教学设计,以提升学生的在线学习积极性。基于认知负荷理论的有关研究指出,协作任务的复杂度是影响小组工作记忆的信息处理的重要因素[18],对于复杂的任务,在协作学习环境中更容易充分地利用认知负荷从而发生有意义的学习[19]。由此可见,CSCL的构建是影响学生认知负荷的重要因素,自适应、个性化的学习环境的创设能够最优化分配小组的集体工作记忆,从而在整体上降低学生的认知负荷。


本研究据此提出假设:


H2:CSCL与学生认知负荷显著负相关。


(三)认知负荷与数字化学习韧性

认知负荷理论认为若认知负荷的总量超过工作记忆所承受的范围,则会造成认知负荷超载,从而导致学习失败[20]。伴随着学习工具、学习形式、学习资源的丰富多样化,不符合学生认知水平发展的方案在无形中给学生带来了额外的认知负荷,进而造成学生认知超载。此外,深受学校教学条件、技术发展水平的制约,数字化学习环境中资源的应用[21]、学习者交互方式[22]、协作脚本的设计[23]等往往不能满足学生个性化学习的要求。其所带来的冗余信息需要学生投入较高的认知负荷,从而引起学生的消极情绪而减少学习探究的兴趣。重塑精准化教学形态旨在降低学生认知负荷的在线协作学习方式,因此成为了推动数字化教育转型升级的关键。Plass[24]等讨论了学习过程中情绪与认知负荷的四种联系方式,为提升学习效果提供了新的视角;Klepsch[25]等基于认知负荷理论通过探究不同类型负荷的测量方式对教学设计的影响,以便优化学习过程;Yu[26]研究发现,教师在教学视频中出现的频率和方式会影响学生的认知负荷,进而影响其学习成就;高媛[27]等从知识、技术、策略以及学习者四个要素如何构建智慧学习环境来降低认知负荷进行了深入解读。由此可以推断,学习中的认知负荷对学生数字化学习韧性有一定的影响。教学设计者只有构建出全面的大学生认知发展支持体系,才能增加对学生的学习吸引力。因此,大学生的认知负荷的高低会显著影响其数字化学习韧性的强弱。


本研究据此提出假设:


H3:学生的认知负荷与学生数字化学习韧性显著负相关。


(四)认知负荷的中介作用

根据现有研究结果发现,成功的协作学习可以帮助学生管理内部认知负荷[28],降低外部认知负荷以及促进相关认知负荷[29],从整体上降低认知负荷。如Lange等[30]研究发现,成功的在线协作学习可以正向影响相关认知负荷;认知负荷可以显著预测学生的学习毅力。有研究指出,认知负荷与人们完成任务的时长、最终的质量[31]、学习投入度、学习成就以及学习持久性有一定的关系[32]。但是目前学界对于CSCL与认知负荷以及认知负荷与学习韧性的实证关系研究几乎空白。学生在线学习体验感及交互中所产生的归属感是影响大学生持续在线协作学习的关键因素,CSCL环境的创设会影响大学生临场感的塑造以及归属感的建构。这种归属感是大学生积极情绪生成的重要原因,进而会影响其持续在线学习的积极性。因此,CSCL是认知负荷的重要前因变量,学习韧性是认知负荷的重要结果变量。高质量的CSCL环境使得小组集体工作记忆分布优势得到充分发挥,对大学生的归属感及体验感的产生有着促进作用。总而言之,CSCL创设得越好,大学生学习过程中的认知负荷就会越低,其数字化学习韧性也会越强。


本研究据此提出假设:


H4:大学生学习过程中的认知负荷在CSCL对大学生数字化学习韧性的影响中存在中介效应。


三、研究设计与方法

(一)调查程序与研究对象

课题组采用简单随机抽样的抽样方法,按照学校层次、学校所在的城市等级进行样本的筛选,最终选择了四个城市中的六所高校的大学生为研究对象,分别为长春市A院校、合肥市B院校及C院校、淮北市D院校及E院校、上海市F院校,其中重点本科院校两所,普通本科院校两所,专科院校两所。通过网络调查平台共回收有效填答问卷438份。在所调查的对象中,男生占46.6%,女生占53.4%;18岁以下占比为12%、18~22岁为68.2%、22岁以上为19.8%;理科生占56.6%,文科生占43.3%。


(二) 研究工具和变量

1.CSCL量表

本量表参考郑兰琴[8]等所提出的在线协作学习设计模型及分析模型,从学习目标、协作任务、交互设计、资源安排及评价策略五个维度编制问卷。其中,学习目标维度侧重于对CSCL中个人目标及小组目标的测量;协作任务维度侧重于测量CSCL中任务难度、任务要求是否科学合理;交互设计维度主要关注CSCL中角色分配以及交互策略设计是否得当;资源安排维度重点关注CSCL中脚手架、学习共享空间是否合理有效;评价策略维度侧重于测量CSCL中评价方法、评价工具的使用情况,各维度分别有3个题目,共15题。量表采用李克特五点计分,均为正向题。量表得分的高低代表CSCL建设的好坏程度。量表样题如“我认为在我所处的计算机支持的在线协作学习中,我非常清楚我个人的学习目标”;“我认为在我所处的计算机支持的在线协作学习中,我和小组成员能够按时完成任务”;“我认为在我所处的计算机支持的在线协作学习中,每个成员都扮演着不同的角色并且承担着各自的责任”;“我认为在我所处的计算机支持的在线协作学习中,平台中具有一定数量能够促进、激励我们小组学习的工具”;“我认为在我所处的在线小组合作学习中,不仅有总结性评价,还有过程性评价”。


2.认知负荷量表

本量表参考借鉴国外学者Paas[33]等开发的认知负荷量表(即PAAS量表,其信度系数为0.90),同时结合大学生的在线学习特点编制。量表采用李克特九点计分,共三题,均为正向题。量表的高低反映了学生认知负荷的高低。量表样题如“你认为在你所处的计算机支持的在线协作学习中学习材料的难度如何”;“你在所处的计算机支持的在线协作学习环境中投入的心理努力有多少”。


3.大学生数字化学习韧性量表

本研究量表参考了Cassidy[34]等编写的多维测量学术韧性量表(即ARS-30,其信度系数为0.90),同时结合了大学生的特点进行编制。量表涉及三个维度:学习毅力、反思与求助、情绪反应,每个维度3个题项,共9题。量表采用李克特五点计分,均为正向题。量表得分的高低反映了学生数字化学习韧性的强弱。量表样题如“在所处的计算机支持的在线协作学习环境中,遇到困境,我会尝试新的解决方案去解决问题”;“在计算机支持的在线协作学习环境中,遇到困境,我会从老师和同学那里寻求帮助”;“在计算机支持的在线协作学习环境中,遇到困境,我不会感到所有的事情都很糟糕”。


(三) 数据分析思路

在进行数据分析之前,本研究采用了Harman单因子法进行检验与控制可能存在的共同方法偏差问题,结果发现有9个因子的特征值大于1,第一个主因子对变异量的解释远小于临界值40%,且使用AMOS进行验证性因子分析的结果表明模型拟合度较差,表明共同方法偏差问题不严重。在数据分析时,本研究首先使用探索性因子分析(EFA)及验证性因子分析(CFA)进行量表信效度检验;其次,使用了描述性统计和相关关系探究不同变量之间的关系;最后,为了探究CSCL、大学生数字化学习韧性及认知负荷之间的关系,使用了结构方程模型以及Bootstrap中介效应检验法。


四、研究结果

(一)信效度检验

本研究使用SPSS22.0和AMOS24.0对量表进行信效度检验(见表1)。从信度上看,模型中各变量的Cronbach's α系数均大于0.75(最小为0.77),且CFA结果显示各变量的组合信度均大于0.7(CR最小为0.77),说明量表信度符合研究标准。从效度上看,模型中各变量的KMO值位于0.70到0.73区间,大于0.7的检验标准,说明问卷效度良好,同时,通过CFA结果发现平均提取方差值(AVE)均大于0.5(见表1下方三角矩阵的对角线),AVE的平方根大于各变量间的相关系数值,且因子载荷系数值均大于0.5(最小为0.70),说明量表题目与其所对应的维度对应关系良好,量表区分效度符合检验标准。


表1 CSCL、认知负荷、学习韧性各维度的描述性统计和信效度检验(n=438)


(二)描述统计与相关分析

通过描述性分析结果发现(见表1),CSCL中各变量的平均得分位于3.08至3.61之间,高于中等水平(以3为中值进行比较),表明学生对所处CSCL学习空间的体验感良好;认知负荷平均得分为4.79,低于中等水平(以5为中值进行比较),说明学生在所处学习环境中认知负荷水平较低;大学生数字化学习韧性各变量平均得分位于3.18至3.37之间,略高于理论中值,说明大学生具有一定的持续克服数字化学习困难的能力。通过相关性分析,如表1左下方三角矩阵所示:CSCL中各变量与认知负荷之间存在显著的负相关、与学习韧性中各变量间存在显著的正相关;认知负荷与学习韧性各变量之间存在显著的负相关关系。除协作任务与其他各变量、资源安排与评价策略及反思与求助之间呈现弱相关关系外,其他变量之间的相关关系均呈中等强度。


(三)结构方程模型检验

为了进一步探究CSCL、认知负荷及大学生数字化学习韧性之间的假设关系,研究采用结构方程模型进行分析(见图1)。结果显示x²/df的值为1.288(小于5);RMSEA为0.026(小于0.08);PNFI为0.824(大于0.5)且IFI(0.982)、CFI(0.982)和GFI(0.938)均大于0.9,指标达到理想标准,说明模型拟合情况较好。此外,结构方程模型分析结果表明:CSCL显著正向预测大学生数字化学习韧性,假设H1成立;CSCL显著负向预测学生学习过程中的认知负荷,假设H2得到检验;认知负荷对大学生数字化学习韧性有显著负向预测作用,假设H3得到支持。


除了结构方程模型直接预测作用以外,本研究还使用了PROCESS4.1插件以CSCL为自变量、以认知负荷为中介变量、以学习韧性为因变量进行中介效应分析。此外,考虑到控制变量可能对结果造成影响,研究将年龄、性别、专业类别等因素作为协变量进行分析。结果发现,控制变量对中介变量及因变量无显著影响(p值均大于0.05),在控制了性别、年龄、专业类别后,认知负荷在CSCL对数字化学习韧性影响中起到部分中介作用(见表2,95%的置信区间的上下限之间不包含0,说明认知负荷中介效应显著),因此验证了假设H4。各研究变量间的作用机制具体如下(参见表2中置信区间数值):认知负荷在学习目标与学习毅力、情绪反应之间起到显著的部分中介作用,在学习目标同反思与求助之间具有完全中介效应;协作任务通过认知负荷对学习毅力、反思与求助、情绪反应间接作用显著;认知负荷在交互设计与学习毅力、情绪反应之间存在显著的部分中介作用,在交互设计同反思与求助之间起到显著的完全中介作用;在资源安排与学习毅力、反思与求助、情绪反应之间,认知负荷起着显著的部分中介作用;评价策略通过中介变量对反思与求助间接作用显著、中介变量在评价策略与学习毅力、情绪反应之间存在显著的部分中介作用。综上,CSCL既可以直接作用于学生的数字化学习韧性,也可以通过认知负荷的中介效应对学生的学习韧性施加影响,而CSCL中一部分变量则需要通过认知负荷的中介作用对学习韧性的各变量产生影响(认知负荷在CSCL中的协作任务与学生学习韧性中的学习毅力、反思与求助以及情绪反应之间呈现完全中介作用,在CSCL中的学习目标、交互设计及评价策略与学习韧性中的反思与求助之间存在完全中介作用),另一部分变量既可以直接作用于学习韧性中的变量,也可以通过认知负荷的中介作用间接影响学习韧性中的各变量。


表2 Bootstrap中介效应检验


五、讨论与结论

本研究聚焦于探究CSCL、认知负荷和大学生数字化学习韧性之间的关系,主要研究了CSCL对大学生学习韧性的预测作用。研究结果支持了本研究的假设,即CSCL和认知负荷是影响大学生数字化学习韧性的关键因素,认知负荷在CSCL对大学生数字化学习韧性的影响中存在显著的中介作用。


(一)大学生整体数字化学习韧性不强

研究发现,大学生数字化学习韧性平均得分3.3,处于中等水平,说明大学生在线协作学习中克服困难的决心不够坚定,其数字化学习韧性有待加强。国内外学术界也频频指出学生在线学习低坚持率及高辍学率的问题[35,36]。数据分析显示,首先,CSCL带给学生的体验感会影响大学生数字化学习韧性。Czerkawski[37]等研究表明,在设计高质量的数字化学习环境时,不同的模型、框架的设计与开发所带给学生不同的体验感将会影响到学生的参与度、积极性以及学业成功。虽然国家持续出台了“发展智慧教育”“推动教育数字化”“教育信息化转段升级”等相关文件与政策来推动数字教育的变革,但是相对忽视了CSCL学习生态的建设对大学生数字化学习韧性起到的重要作用。其次,学生的数字化学习韧性还与学生学习中的认知负荷有关。Feldon[38]等通过综合相关的学术研究指出认知负荷是影响学习动机、信念形成的重要原因。但是学科底层模式的差异性决定了教学方法、手段、技术等的多样性,由于教学设计不当,很容易造成学生认知负荷超载,最终导致学生持续数字化学习的意愿不强。因此,大学生的学习韧性很大程度上取决于CSCL的设计与学生认知发展水平的适应程度,也取决于学生所处的学习过程带给学生认知负荷的高低。


(二)CSCL正向预测大学生数字化学习韧性

本研究结果表明,CSCL能够显著影响大学生数字化学习韧性。数字化学习环境带给学生的自我效能感、感知有用性、教学存在感会直接或间接影响学生的学习持续性[39]。数字驱动的CSCL环境在促进优质教育资源共建共享、互联互通的过程中逐渐实现更加包容、公平、高质量的教育,其高效率及灵活性不断提高学生的信息素养,并在不经意间激发学生的学习动机、促进学生的学习投入进而推动深度学习的发生。当前,计算机支持的协作学习的建设深受技术发展水平以及设计者思想观念的制约,无法个性化满足学生发展的需要,不利于大学生数字化学习韧性的发展。调查数据分析表明,本研究所探讨的CSCL中的学习目标、协作任务、交互设计、资源安排及评价策略都会对大学生数字化学习韧性产生直接或间接影响。


首先,明确的学习目标是学生意志和行动的标尺,为迷茫的学生指明前行的方向,进而激发学生勇往直前学习的决心和毅力。回避目标将会影响学生的学习毅力,导致成绩降低[40]。其次,CSCL中协作任务是影响学生集体工作记忆的重要因素。当任务包含的信息密度较高时,小组的认知效率更高[41],学习积极性更高。此外,研究表明CSCL的交互设计既可以直接作用于学生的学习韧性,也可以通过认知负荷间接作用于学习韧性。Le[42]等也研究指出,协作交互中学生所具备的协作技能以及成员之间的熟悉度会影响协作学习的发生。协作中交互策略及交互方式的应用也会通过影响学生协作中的交互成本来影响小组工作记忆,进而影响个体学习的积极性。再次,技术作为支撑CSCL的重要依托为提供学习资源带来了巨大的便利。然而,在海量的资源里要保障找到适合学生所在专题的学习资料的质量绝非易事,此外,精心设计并提供每一个专题的CSCL脚本也很困难。Vogel[43]等研究表明,适量的脚本供给与学习动机显著相关,而过多或过少的资源都会在不知不觉中给学生带来额外的认知负荷,继而影响学生的积极情绪而导致一系列的情绪反应。最后,评价贯穿着整个教学过程,在各个教学阶段都发挥着重要作用。支持反思性思维活动的评价策略能够促进学生批判性思维的发展[44],有助于激发学生的学习积极性、促进其产生较好的学习成就。总而言之,大学生的数字化学习韧性深受所处CSCL环境的影响,CSCL的建设与优化将会不断增强大学生数字化学习韧性。


(三)认知负荷具备中介效应

研究结果发现,认知负荷在CSCL对大学生数字化学习韧性的影响中起着部分中介作用,即CSCL既可以直接影响数字化学习韧性,也可以通过认知负荷的中介作用间接影响大学生的数字化学习韧性,这与以往研究结果一致。有研究也探究了相关认知负荷在教学设计对学生未来行为意图的影响中的中介效应,结果发现相关认知负荷中介效应显著[45]。研究结果还表明CSCL给学生带来的体验感越好,学生的认知负荷越低,其数字化学习韧性越强。在精心设计的CSCL中,学生个体能够积极地参与到协作学习中,与同伴之间形成相互依赖、相互依存的良性关系,从而激发个体作为小组成员的集体责任感以及收获集体归属感。在这个过程中,良好的协作获得感使得学生共用他们的集体工作记忆,这时小组协作中的协作认知负荷的分布优势得到体现,小组整体认知负荷得到充分利用从而得到降低,因此,在此基础上,学生在遇到困难时,求助于同伴或教师,亦或是通过自身的反思去积极应对问题的概率就会有所提升。倘若学生所处的CSCL环境无法满足其个性化的需求,小组成员之间的集体认知负荷得不到充分利用,就会导致认知负荷超载,会使得大学生数字化学习毅力降低并产生一系列消极情绪反应。总之,大学生因缺乏对在线协作学习的认同感与归属感致使降低其学习的积极性,较高的认知负荷使其难以进行持续的数字化协作学习。


六、研究启示与展望

党的二十大对加快建设数字中国作出重要部署,利用大数据、互联网、人工智能、云计算、区块链等技术和教育深度融合,能够赋能传统教育转型升级,进而催生新教学模式,优化我国数字教育。抓住数字转型机遇,积极顺应数字经济全球化浪潮,对推进教育数字化具有重大意义[46]。本研究通过实证调查数据揭示了影响大学生数字化学习韧性机制,研究结果在理论和实践上都具有一定的启示。这是对以往研究的扩展补充,解释了CSCL如何通过认知负荷预测大学生的数字化学习韧性。基于当下高等教育数字化转型的目标,提高大学生的数字化学习韧性应走向协同化、精准化和个性化。


(一)创建人机协同的CSCL群智空间

人机协同教育作为人工智能时代的重要产物,有利于促进教育数字化转型、推动教育结构性变迁。人机协同的CSCL群智空间是协作会话、协作知识建构的重要场所,是提高学生认知责任进而共享集体智慧的关键要素。它既可以是数字化、网络化、智能化的环境空间,也可以是支持情感交流、智慧碰撞进而实现意义建构的学习共同体。基于数据分析结论,有必要创设人机协同的CSCL群智空间,以便在增强学生的参与感、沉浸感、归属感中提高学生的数字化学习韧性及学习兴趣。


首先,构建人机协同的协作学习模式。新理念和新技术在与教学要素的相互作用中不断影响学习发生机制、变革数字化学习方式[47],智能技术催生的教育新形态对教育变革提出了更新、更高的要求。缺乏新兴技术支持的在线协作学习无法实现个性化资源推送、科学性学习决策、精准性学伴推送等服务,而基于人机协同的协作学习模式通过协同师生的智慧与机器的智能,不断地为学生提供个性化学习支持、实现学习过程中的精准调控,重构了协作学习新生态。如教师可基于贝叶斯网络挖掘算法对学习者的画像进行个体认知风格的判断,从而进行异质分组,这从根本上提高了小组成功知识建构的可能性。学生在人机协同模式下的学习过程中不断进行集体认知加工与智慧共享,从而提升自身数字素养与技能。


其次,提供旨在增强集体认知责任的学习支架。集体认知责任是影响社区知识构建的重要动力,较高水平的集体认知责任有助于个体及集体的持续性发展。深受传统教学理念的束缚,教师给予学生活动的主动权较小,进而导致了学生的协同知识建构的意识不强、集体认知责任不高。2022国际人工智能与教育会议明确指出教师在教育数字化转型中的核心作用,教师应当积极发挥其创新能动性,引导人工智能赋能教育,提供适当的教学干预来优化CSCL学习空间,进而推动教育的升级提质。构建旨在增强集体认知责任的学习支架可从知识贡献意识、互补的知识贡献及知识贡献的广泛参与三个维度入手,分别提供相应的学习支架(如对话类型支架、集体认知责任概念图)以推动学习者想法的共建共创共享。在高水平集体认知责任的驱动下,学生在社区中通过不断的新旧经验联结、观点改进、总结反思等阶段实现协同知识建构过程[48]。


(二)重塑旨在降低认知负荷的精准化教学形态

容量有限理论认为人的记忆容量是有限的,若学生在学习的过程中一次性接收信息量过多,则会造成认知负荷超载,进而影响学生持续性的学习。协作认知负荷理论通过阐述小组学习中集体工作记忆与交互代价的关系,为降低CSCL的认知负荷提供了指导原则[49],而基于大数据的个性化自适应学习则为降低学生认知负荷提供了可能[50]。


从学生特征来看,个体先验知识、自我调节技能及协作技能对小组集体工作记忆起着决定性作用,相应能力的缺失不利于学生投入协作学习,同时也增加了协作中的交互成本。而基于大数据的学生学习风格及认知水平模型的建构,有助于提前分析学习者的特点进而提供与学习者相匹配的课前培训知识与技能,实现精准化学习。


从小组特征来看,小组成员间的协作依赖关系、熟悉度及小组规模会影响CSCL的协作学习效果。基于经验和感觉的分组方式无法充分发挥小组工作记忆的分布优势,不利于小组知识建构。而个性化自适应系统根据学习者画像,并结合其学习交互行为、兴趣偏好、知识水平等,可为其匹配最优的协作伙伴,从而大大降低了协作中的交互成本。


从协作任务特征来看,任务的复杂度及相互依赖关系是影响小组协同知识建构的重要因素。个性化自适应系统通过全面跟踪、记录、分析小组成员的认知水平及学习基础,为小组动态分配符合其能力的任务,有助于增加学生的学习投入度。


从技术特征来看,协作脚本的数量、感知工具的类型都在一定程度上影响学生的认知负荷。以往的在线协作学习无法充分掌握学习者的学习偏好、认知风格等学习者特征,因此,教育设计者无法在技术支持方面做出精准判断。基于多算法融合的预测模型[51]可预测学习者潜在的学习风险,进而促进其行为的改善及认知负荷的动态调整,以提高其学习投入度。可视化技术的应用[52]也在一定程度上打开了教学中的“黑箱”,使得教学者能够及时掌握学生的学习现状,并根据学生存在的问题提供相应支架和脚本。


(三)构建旨在提高大学生数字化学习韧性的个性化教育生态

学习韧性作为一种优良的品质,对个体未来的发展起着不可或缺的作用。在2021国际人工智能与教育会议上,教育部部长怀进鹏倡议要共建开放、包容、有韧性的教育以推动教育数字转型[53]。韧性教育不仅仅是简单的记忆,它更重视过程中的深度学习的发生,倾向于在发挥学生优势的同时提高学生的教育幸福感。本研究发现,大学生整体数字化学习韧性不强,而大数据、人工智能等技术的出现为构建旨在提高大学生数字化学习韧性的个性化教育生态提供了无限的可能。


第一, 打造个性化路径,推进学生深度学习。学生认知发展的差异性决定了其学习路径的多样性,千篇一律的学习方式不适合学生个性化发展,致使其高阶思维、批判性思维的发展受限。大数据从不同的方面为实现个性化学习发展提供了价值[54]。通过对教育大数据挖掘发现学生学习的复杂规律与模式,从而探索出适合个体个性化发展的路径,有助于其深度学习的发生[55],进而为适应数字经济发展培养人才。


第二,建设全媒体的学习资源。优质的教育资源建设与利用是强化教育高质量发展的支撑保障,以数字化带动教育转型升级是我国所做出的教育数字化战略行动。通过整合学习者认知、动机、兴趣等特征,为其匹配适应性学习资源,有助于学习者进入沉浸式学习。而多元化的媒体呈现方式为其沉浸式的学习提供了条件。学习资源呈现方式的多样性、开放性、共享性有助于学习者图示的获得、知识的迁移应用、个人知识体系的构建。在个人及集体知识建构的过程中,全媒体资源的不断流通持续促进教育数字化发展。


第三,提供情绪预警支持。学生学习过程中的情绪反应是影响其学习成就、在线学习持久性的重要因素[56]。而教育大数据多是来源于学生的认知及行为数据,极少关注学生的情绪数据。面部识别技术及眼动追踪技术为识别学生的情感提供了技术支持,通过对学生多方面数据的跟踪,预测其可能存在的学习危机,并针对发现的问题做出科学的干预措施,以改善其学习状态、提高数字化学习韧性。


本研究仍存在一些局限。首先,本研究主要来源于横截面调查数据,未从纵向追踪数据,未来研究应该进一步采用时间序列数据,同时加入师生访谈、课堂观察等指标数据进行测量,以更好地确定变量之间的先后因果关系,有助于更深入了解大学生数字化学习韧性。其次,本研究只考察了CSCL、认知负荷等内容,可能还存在其他重要因素(如动机、自我效能等)影响着数字化学习韧性。未来研究可以进一步考察其他因素对数字化学习韧性的作用。


参考文献

[1] Koschmann T. CSCL: Theory and practice of an emerging paradigm [M]. London:Routledge, 2012.

[2] 晋欣泉,姜强,赵蔚.网络学习空间中学业预警及干预研究:态势、关键问题及创新应用[J].现代教育技术,2021(6):79-87.

[3] 新华社.习近平:高举中国特色社会主义伟大旗帜 为全面建设社会主义现代化国家而团结奋斗——在中国共产党第二十次全国代表大会上的报告[EB/OL].[2022-12-09].http://www--gov.cn/xinwen/2022-10/25/content_5721685.htm.

[4] Cagiltay NE, Cagiltay K, Celik B. An analysis of course characteristics, learner characteristics, and certification rates in MITx MOOCs [J]. International Review of Research in Open and Distributed Learning, 2020(3): 121-39.

[5] 国务院.国务院关于印发“十四五”数字经济发展规划的通知.[EB/OL].[2022-12-09].http://www--gov.cn/zhengce/zhengceku/2022-01/12/content_5667817.htm.

[6] 刘妍,管秀,顾小清.我们真的了解学习毅力吗?:基于扎根理论刻画教师视角的可塑模型研究[J].全球教育展望,2022(2):39-58.

[7] Loes C N, An B P, Saichaie K et al. Does collaborative learning influence persistence to the second year of college? [J]. The Journal of Higher Education, 2017(1): 62-84.

[8] 郑兰琴,钟璐,牛佳玉.联结在线协作学习设计与分析模型及应用研究[J].电化教育研究,2020(11):63-71.

[9] Gilakjani A P. A match or mismatch between learning styles of the learners and teaching styles of the teachers [J]. International Journal of Modern Education and Computer Science, 2012(11): 51-60.

[10] 刘倩倩,李同归,王泰,等.网络学习环境对学习持续性的影响——基于游戏设计的视角[J].中国远程教育,2018(3):14-20.

[11] 文书锋,孙道金.远程学习者学习参与度及其提升策略研究——以中国人民大学网络教育为例[J].中国电化教育,2017(9):39-46.

[12] Janssen J, Kirschner P A. Applying collaborative cognitive load theory to computer-supported collaborative learning: towards a research agenda [J]. Educational Technology Research and Development, 2020, 68(2): 783-805.

[13] Datu JAD, Yuen M, Chen G. Development and validation of the Triarchic Model of Grit Scale (TMGS): Evidence from Filipino undergraduate students [J]. Personality and Individual Differences, 2017(5): 198-205.

[14] Sweller J. Element interactivity and intrinsic, extraneous, and germane cognitive load [J]. Educational psychology review, 2010(2): 123-138.

[15] Choi H-H, Van Merrinboer J J G, Paas F. Effects of the physical environment on cognitive load and learning: Towards a new model of cognitive load [J]. Educational Psychology Review, 2014(2): 225-244.

[16] 李哲.雨课堂内容呈现方式对学习者的认知负荷影响研究[D].南充:西华师范大学,2021.

[17] Paas F, Van Merrinboer J J G. Cognitive-load theory: Methods to manage working memory load in the learning of complex tasks[J]. Current Directions in Psychological Science, 2020(4): 394-398.

[18] Lee J. Task complexity, cognitive load, and L1 speech[J]. Applied linguistics, 2019(3): 506-539.

[19] Chen J, Wang M, Kirschner P A. The role of collaboration, computer use, learning environments, and supporting strategies in CSCL: A meta-analysis[J]. Review of Educational Research, 2018(6): 799-843.

[20] Paas F, Renkl A, Sweller J. Cognitive load theory: Instructional implications of the interaction between information structures and cognitive architecture [J]. Instructional science, 2004(1): 1-8.

[21] 蔡慧英,陈明选.智能时代数字教育资源建设与发展研究[J].现代远距离教育,2019(3):74-81.

[22] 欧阳嘉煜,汪琼.塑造CSCL情境下的学习者交互:脚本理论及其研究综述[J].现代远程教育研究,2021(6):64-72.

[23] 夏亮亮,王良辉.协作脚本促进CSCL实践:理论、应用及启示[J].现代远距离教育,2022(1):37-46.

[24] Plass J L, Kalyuga S. Four ways of considering emotion in cognitive load theory[J]. Educational Psychology Review, 2019, 31(2): 339-359.

[25] Klepsch M, Seufert T. Understanding instructional design effects by differentiated measurement of intrinsic, extraneous, and germane cognitive load[J]. Instructional Science, 2020(1): 45-77.

[26] Yu Z. The effect of teacher presence in videos on intrinsic cognitive loads and academic achievements[J]. Innovations in Education and Teaching International, 2022(5): 574-585.

[27] 高媛,黄真真,李冀红,等.智慧学习环境中的认知负荷问题[J].开放教育研究,2017(1):56-64.

[28] Janssen J, Kirschner F, Erkens G. Making the black box of collaborative learning transparent: Combining process-oriented and cognitive load approaches [J]. Educational psychology review, 2010(2): 139-154.

[29] Sweller J, Van Merrinboer J J G, Paas F. Cognitive architecture and instructional design: 20 years later [J]. Educational Psychology Review, 2019(2): 261-292.

[30] Lange C, Costley J, Fanguy M. Collaborative group work and the different types of cognitive load [J]. Innovations in Education and Teaching International, 2021(4): 377-386.

[31] Sweller J. Cognitive load during problem solving: Effects on learning [J]. Cognitive science, 1988(2): 257-285.

[32] Turan Z, Meral E, Sahin I F. The impact of mobile augmented reality in geography education: achievements, cognitive loads and views of university students[J]. Journal of Geography in Higher Education, 2018(3): 427-441.

[33] Paas F G W C, Van Merrinboer J J G. Instructional control of cognitive load in the training of complex cognitive tasks [J]. Educational psychology review, 1994(4): 351-371.

[34] Cassidy S. The Academic Resilience Scale (ARS-30): A new multidimensional construct measure [J]. Frontiers in psychology, 2016(3): 1-11.

[35] Onah D F O, Sinclair J, Boyatt R. Dropout rates of massive open online courses: behavioural patterns[J]. EDULEARN14 proceedings, 2014(1): 5825-5834.

[36] 刘倩,李颖.主动选择:在线课程“高辍学率”的积极理解——基于学习者投资理论的视角[J].电化教育研究,2021(4):45-52.

[37] Czerkawski B C, Lyman E W. An instructional design framework for fostering student engagement in online learning environments[J]. TechTrends, 2016(6): 532-539.

[38] Feldon D F, Callan G, Juth S. Cognitive load as motivational cost[J]. Educational Psychology Review, 2019(2): 319-337.

[39] Jung Y, Lee J. Learning engagement and persistence in massive open online courses (MOOCS)[J]. Computers & Education, 2018(1): 9-22.

[40] Alhadabi A, Karpinski A C. Grit, self-efficacy, achievement orientation goals, and academic performance in University students[J]. International Journal of Adolescence and Youth, 2020(1): 519-535.

[41] Zambrano J, Kirschner F, Sweller J. Effects of group experience and information distribution on collaborative learning[J]. Instructional Science, 2019(5): 531-550.

[42] Le H, Janssen J, Wubbels T. Collaborative learning practices: teacher and student perceived obstacles to effective student collaboration[J]. Cambridge Journal of Education, 2018(1): 103-122.

[43] Vogel F, Kollar I, Ufer S. Scaffolding argumentation in mathematics with CSCL scripts: Which is the optimal scripting level for university freshmen?[J]. Innovations in Education and Teaching International, 2021(5): 512-521.

[44] Erdogan F. Effect of cooperative learning supported by reflective thinking activities on students’ critical thinking skills[J]. Eurasian journal of educational research, 2019(80): 89-112.

[45] JEN-HWA HU P, HAN-FEN H, Xiao F. Examining the Mediating Roles of Cognitive Load and Performance Outcomes in User Satisfaction with a Website: A Field Quasi-Experiment[J]. MIS Quarterly, 2017(3):174-187.

[46] 雷朝滋.抓住数字转型机遇 构建智慧教育新生态[J].中国远程教育,2022(11):1-5.

[47] 李海峰,王炜.面向高阶思维能力培养的数字孪生智慧教学模式[J].现代远距离教育,2022(4):51-61.

[48] 晋欣泉,姜强,赵蔚.网络学习空间中学业预警及干预研究:态势、关键问题及创新应用[J].现代教育技术,2021(6):79-87.

[49] Kirschner P A, Sweller J, Kirschner F, et al. From cognitive load theory to collaborative cognitive load theory [J]. International Journal of Computer-Supported Collaborative Learning,2018(2): 213-233.

[50] 姜强,赵蔚,王朋娇,等.基于大数据的个性化自适应在线学习分析模型及实现[J].中国电化教育,2015(1):85-92.

[51] 姜强,赵蔚,李松,等.个性化自适应学习研究——大数据时代数字化学习的新常态[J].中国电化教育,2016(2):25-32.

[52] 班文静,姜强,赵蔚.基于多算法融合的在线学习成绩精准预测研究[J].现代远距离教育,2022(3):37-45.

[53] 曹建.创新技术服务教学进步 人工智能助力未来教育 2021国际人工智能与教育会议举行.[EB/OL].[2022-10-09].http://www.moe.gov.cn/jyb_xwfb/gzdt_gzdt/moe_1485/202112/t20211208_585822.html.

[54] 杨雪,姜强,赵蔚.大数据学习分析支持个性化学习研究——技术回归教育本质[J].现代远距离教育,2016(4):71-78.

[55] 赵慧琼,姜强,赵蔚.教育大数据深度学习的价值取向、挑战及展望——在技术促进学习的理解视域中[J].现代远距离教育,2018(1):17-25.

[56] 药文静,姜强,李月,等众包知识建构下学业情绪影响因素及唤醒机制的科学学研究一-面向深度 学习的课堂教

学结构化变革研究之五[J]现代远距离教育,2020(5):33-42.


相关文章
100%安全可靠
7X18小时在线支持
支付宝特邀商家
不成功全额退款