摘要：教育數(shù)字化轉(zhuǎn)型背景下，學(xué)情分析作為基于教育大數(shù)據(jù)分析診斷結(jié)果幫助教師了解學(xué)生學(xué)習(xí)過(guò)程的重要手段，是開(kāi)展精準(zhǔn)教學(xué)的必要前提，而認(rèn)知負(fù)荷水平一直是衡量學(xué)習(xí)者個(gè)性化學(xué)習(xí)需求與深度學(xué)習(xí)發(fā)生的重要指標(biāo)。為了協(xié)助學(xué)習(xí)者調(diào)整學(xué)習(xí)過(guò)程中的認(rèn)知負(fù)荷水平進(jìn)而將認(rèn)知資源有效投入高階問(wèn)題解決過(guò)程，該文梳理了學(xué)情分析的一般過(guò)程，構(gòu)建了包含數(shù)據(jù)采集、負(fù)荷識(shí)別與分析干預(yù)三個(gè)層級(jí)的基于認(rèn)知負(fù)荷水平的學(xué)習(xí)者學(xué)情分析框架。接著，該文通過(guò)便攜式手環(huán)采集了300名學(xué)生完成在線測(cè)試時(shí)的多模態(tài)生理數(shù)據(jù)，應(yīng)用特征工程方法構(gòu)建了認(rèn)知負(fù)荷水平識(shí)別模型，綜合認(rèn)知負(fù)荷水平與學(xué)習(xí)績(jī)效進(jìn)行學(xué)情狀態(tài)解讀，并設(shè)計(jì)了學(xué)習(xí)分析儀表盤呈現(xiàn)學(xué)情分析結(jié)果與干預(yù)建議。該文從認(rèn)知負(fù)荷視角構(gòu)建了學(xué)情分析框架并通過(guò)實(shí)證研究檢驗(yàn)了其可行性，以期為認(rèn)知負(fù)荷相關(guān)研究與教學(xué)實(shí)踐提供參考。

關(guān)鍵詞：認(rèn)知負(fù)荷；學(xué)情分析；多模態(tài)學(xué)習(xí)分析；干預(yù)設(shè)計(jì)

中圖分類號(hào)：G434 文獻(xiàn)標(biāo)識(shí)碼：A

* 本文系國(guó)家自然科學(xué)基金面上項(xiàng)目“同步直播課堂中基于多模態(tài)數(shù)據(jù)的學(xué)習(xí)者專注度評(píng)估及其演化機(jī)制研究”（項(xiàng)目編號(hào)：62177008）階段性研究成果。

一、引言

學(xué)情分析指為了優(yōu)化教師教學(xué)設(shè)計(jì)與提升學(xué)生學(xué)習(xí)效果而開(kāi)展的對(duì)學(xué)生學(xué)習(xí)情況的診斷、評(píng)估與分析，是開(kāi)展精準(zhǔn)教學(xué)的必要前提[1]。隨著以人工智能、大數(shù)據(jù)為代表的數(shù)字技術(shù)高速發(fā)展，學(xué)情分析的相關(guān)研究得到了高度重視。已有大量研究從知識(shí)技能掌握維度，基于課程通過(guò)率（是或否）[2]、期末考試等級(jí)（A-D五個(gè)級(jí)別）[3]與題目作答水平（高-低兩個(gè)級(jí)別）[4]等結(jié)果性指標(biāo)精準(zhǔn)診斷學(xué)生學(xué)情；也有研究從情緒狀態(tài)維度，采集學(xué)生學(xué)習(xí)過(guò)程中的多模態(tài)數(shù)據(jù)，基于學(xué)業(yè)情緒（積極情緒與消極情緒，各七個(gè)等級(jí)）[5]與答題狀態(tài)（掙扎、發(fā)呆等五種狀態(tài)）[6]等過(guò)程性指標(biāo)完成學(xué)生學(xué)情診斷；為了豐富學(xué)情分析研究?jī)?nèi)容與維度，拓展對(duì)學(xué)生能力層面的分析，本研究試圖從認(rèn)知維度的視角，基于學(xué)習(xí)者認(rèn)知負(fù)荷水平進(jìn)行學(xué)情分析。

認(rèn)知負(fù)荷理論是誕生于20世紀(jì)80年代的重要認(rèn)知心理學(xué)理論，它強(qiáng)調(diào)人類認(rèn)知結(jié)構(gòu)及其演變，最終目的是利用對(duì)人類認(rèn)知的了解來(lái)為教學(xué)設(shè)計(jì)提供指導(dǎo)[7]，已廣泛應(yīng)用于教育教學(xué)研究。例如，李爽等[8]與王舒等[9]分別在混合學(xué)習(xí)情境與英語(yǔ)單詞學(xué)習(xí)場(chǎng)景開(kāi)展實(shí)驗(yàn)，發(fā)現(xiàn)學(xué)習(xí)者認(rèn)知負(fù)荷水平對(duì)其學(xué)習(xí)投入、學(xué)習(xí)滿意度、學(xué)業(yè)表現(xiàn)與心流體驗(yàn)等均有顯著影響；而Patrick團(tuán)隊(duì)[10]與Zhong團(tuán)隊(duì)[11]均以中學(xué)生為研究對(duì)象，從認(rèn)知負(fù)荷視角分別探究了虛擬現(xiàn)實(shí)學(xué)習(xí)環(huán)境下添加文字注釋的學(xué)習(xí)材料對(duì)學(xué)生回憶、理解與遷移所學(xué)知識(shí)的促進(jìn)作用，以及機(jī)器人學(xué)習(xí)課程中四種支架策略（有無(wú)過(guò)程信息，有無(wú)解決方案）對(duì)學(xué)生編程技能與故障排除能力的培養(yǎng)。分析已有研究可知，基于認(rèn)知負(fù)荷水平分析學(xué)情是設(shè)計(jì)優(yōu)質(zhì)教學(xué)活動(dòng)、布置高水平學(xué)習(xí)任務(wù)的前提，然而，大多研究只遵循“降低認(rèn)知負(fù)荷有益教學(xué)”的簡(jiǎn)單線性邏輯，且多通過(guò)量表測(cè)評(píng)認(rèn)知負(fù)荷水平，存在一定主觀性與滯后性。本研究認(rèn)為，力求降低學(xué)習(xí)者認(rèn)知負(fù)荷水平并非是最適合有效學(xué)習(xí)發(fā)生的目標(biāo)導(dǎo)向，當(dāng)學(xué)習(xí)任務(wù)難度與數(shù)量處于學(xué)習(xí)者的合理認(rèn)知負(fù)荷區(qū)間時(shí)，更能夠鍛煉學(xué)習(xí)者高階思維能力，并在一定程度滿足其個(gè)性化學(xué)習(xí)需求，進(jìn)而有效促進(jìn)深度學(xué)習(xí)的發(fā)生。 鑒于此，本研究從認(rèn)知負(fù)荷視角開(kāi)展學(xué)習(xí)者學(xué)情分析，先構(gòu)建了基于認(rèn)知負(fù)荷水平的學(xué)情分析框架，接著通過(guò)實(shí)證闡述了應(yīng)用學(xué)習(xí)者認(rèn)知維度的多模態(tài)數(shù)據(jù)診斷認(rèn)知負(fù)荷水平技術(shù)路線，進(jìn)行了認(rèn)知負(fù)荷視角下的學(xué)情狀態(tài)解讀并依據(jù)學(xué)情分析結(jié)果給出教學(xué)干預(yù)設(shè)計(jì)，以期從認(rèn)知負(fù)荷視角指導(dǎo)學(xué)情分析實(shí)踐。

二、認(rèn)知負(fù)荷視角下的學(xué)情狀態(tài)表征

（一）認(rèn)知負(fù)荷及其測(cè)量研究

認(rèn)知負(fù)荷是加工特定數(shù)量信息時(shí)所需要的“心理能量”水平，會(huì)隨著人類需要加工信息量的增加而相應(yīng)提升[12]，其本質(zhì)上是在衡量大腦工作記憶中有多少“空間”正在被使用。認(rèn)知負(fù)荷一般分為外在認(rèn)知負(fù)荷、內(nèi)在認(rèn)知負(fù)荷與相關(guān)認(rèn)知負(fù)荷三類[13]，其中內(nèi)在認(rèn)知負(fù)荷取決于知識(shí)點(diǎn)難度、相關(guān)認(rèn)知負(fù)荷取決于學(xué)習(xí)者知識(shí)水平并體現(xiàn)為將知識(shí)點(diǎn)內(nèi)化進(jìn)入自身知識(shí)結(jié)構(gòu)的過(guò)程，而外在認(rèn)知負(fù)荷則由教學(xué)設(shè)計(jì)不當(dāng)造成，需要盡量降低。

認(rèn)知負(fù)荷研究的最終目的是利用對(duì)人類認(rèn)知的了解來(lái)指導(dǎo)教學(xué)設(shè)計(jì)，因此其測(cè)量研究尤其重要。心理學(xué)領(lǐng)域認(rèn)知負(fù)荷測(cè)量的方法主要包括自我報(bào)告法、雙任務(wù)法與生理信號(hào)測(cè)量法?；谧晕覉?bào)告的主觀測(cè)量是獲取認(rèn)知負(fù)荷水平的主要方式之一，具有成本低廉、分析便捷以及對(duì)實(shí)驗(yàn)任務(wù)干擾程度較低等優(yōu)點(diǎn)[14]，當(dāng)前PAAS、SWAT、NASA-TLX等量表已經(jīng)是較為成熟的認(rèn)知負(fù)荷測(cè)量工具，而Leppink等[15]開(kāi)發(fā)的包含10個(gè)題項(xiàng)的問(wèn)卷更是有潛力區(qū)分并分別測(cè)量三種認(rèn)知負(fù)荷類型。此外，任務(wù)績(jī)效是最直接反映學(xué)習(xí)者完成任務(wù)時(shí)其認(rèn)知負(fù)荷水平的重要指標(biāo)，當(dāng)前研究中通常使用雙任務(wù)測(cè)量法，即學(xué)習(xí)者在一定時(shí)間內(nèi)完成主要任務(wù)的同時(shí)，在固定間隔時(shí)間執(zhí)行與主要任務(wù)無(wú)關(guān)的次要任務(wù)，并使用次要任務(wù)的準(zhǔn)確率、反應(yīng)時(shí)間等直接映射認(rèn)知負(fù)荷水平。然而，此方法存在輔助任務(wù)干擾性過(guò)強(qiáng)的缺陷，且主次任務(wù)選擇的衡量標(biāo)準(zhǔn)待定，目前還處于在實(shí)驗(yàn)室環(huán)境中探究應(yīng)用階段。生理信號(hào)測(cè)量法中，腦電信號(hào)憑借其時(shí)間分辨率高、便攜性好等優(yōu)點(diǎn)成為評(píng)估認(rèn)知負(fù)荷的重要技術(shù)手段，早期基于腦電信號(hào)的認(rèn)知負(fù)荷評(píng)估為觀察被試事件相關(guān)電位等關(guān)鍵特征在不同認(rèn)知狀態(tài)下的變化模式，現(xiàn)如今則是通過(guò)提取信號(hào)的多種特征，使用機(jī)器學(xué)習(xí)方法進(jìn)行認(rèn)知負(fù)荷評(píng)估。此外，心率變異性、瞳孔反應(yīng)等生理信號(hào)也對(duì)認(rèn)知負(fù)荷水平敏感，皮膚電活動(dòng)近年來(lái)也成為了認(rèn)知負(fù)荷和情緒狀態(tài)的前瞻性生理指標(biāo)[16]。

多模態(tài)方法測(cè)量認(rèn)知負(fù)荷是近年來(lái)隨著大數(shù)據(jù)技術(shù)而發(fā)展起來(lái)的新方法，在教育教學(xué)領(lǐng)域應(yīng)用廣泛。相關(guān)研究證實(shí)，基于學(xué)習(xí)者日常學(xué)習(xí)生活過(guò)程中的大量行為動(dòng)作數(shù)據(jù)能夠發(fā)掘?qū)W習(xí)者的認(rèn)知模式。例如，在線學(xué)習(xí)環(huán)境中鼠標(biāo)在不同區(qū)域內(nèi)的操作行為能夠反映學(xué)習(xí)者認(rèn)知過(guò)程的變化[17]，而在作業(yè)或考試任務(wù)中，握筆力度、寫字速度等書寫特征也能夠反應(yīng)學(xué)習(xí)者認(rèn)知負(fù)荷水平[18]。此外，在講話過(guò)程中，當(dāng)個(gè)體處于高認(rèn)知負(fù)荷狀態(tài)時(shí)，語(yǔ)速、音量和振幅等聲音特征會(huì)有所增加[19]，而在行走過(guò)程中，步頻、步長(zhǎng)等個(gè)人步態(tài)模式是表征認(rèn)知負(fù)荷的潛在指標(biāo)[20]。隨著輕量級(jí)便攜式生理數(shù)據(jù)采集設(shè)備的興起，使得在真實(shí)課堂下基于多模態(tài)生理數(shù)據(jù)分析學(xué)習(xí)者認(rèn)知負(fù)荷水平成為可能，綜合使用多種傳感器、融合多模態(tài)數(shù)據(jù)能夠克服單一傳感器易受噪聲影響的問(wèn)題，增強(qiáng)分析模型的精度與魯棒性。例如，研究者Aghajani綜合使用腦電信號(hào)與功能性近紅外光譜探究不同任務(wù)級(jí)別下學(xué)習(xí)者的認(rèn)知負(fù)荷水平，充分發(fā)揮兩種信號(hào)分別在時(shí)間與空間分辨率上的互補(bǔ)優(yōu)勢(shì)提取多模態(tài)特征，相比單模態(tài)取得了更好的認(rèn)知負(fù)荷評(píng)估結(jié)果[21]；于海斌等也通過(guò)系列實(shí)驗(yàn)證明，基于腦電信號(hào)與光電容積脈搏波信號(hào)信息并結(jié)合特征提取、選擇和融合算法建立的多生理信號(hào)認(rèn)知負(fù)荷評(píng)估模型效果優(yōu)于兩種單模態(tài)信號(hào)模型[22]。

（二）學(xué)情分析及其一般過(guò)程

學(xué)情分析是對(duì)學(xué)習(xí)者及其環(huán)境的數(shù)據(jù)進(jìn)行測(cè)量、收集、分析與報(bào)告，旨在優(yōu)化學(xué)習(xí)及其環(huán)境[23]，進(jìn)一步聚焦于學(xué)習(xí)者的學(xué)情狀態(tài)分析，其流程可以劃分為如圖1所示的五個(gè)階段。

1.確定學(xué)情診斷指標(biāo)

學(xué)情分析首先需要在精準(zhǔn)理解學(xué)習(xí)場(chǎng)景的前提下確定相應(yīng)的學(xué)情診斷標(biāo)準(zhǔn)。例如，課堂教學(xué)場(chǎng)景下對(duì)教師的板書內(nèi)容[24]、行動(dòng)軌跡以及與學(xué)生交互時(shí)長(zhǎng)[25]等交互行為分析能夠揭示師生交互關(guān)系和教學(xué)現(xiàn)象[26]；在線學(xué)習(xí)場(chǎng)景中學(xué)習(xí)者在行為、認(rèn)知與情感三個(gè)維度的學(xué)習(xí)投入是線上學(xué)習(xí)質(zhì)量的重要憑據(jù)[27]；混合學(xué)習(xí)場(chǎng)景中，研究者們則從學(xué)習(xí)焦慮[28]、認(rèn)知負(fù)荷[29]、學(xué)習(xí)效能感[30]等豐富的角度分析學(xué)情狀態(tài)。

2.明確數(shù)據(jù)分析方法

其次，學(xué)情分析需要以實(shí)際教育問(wèn)題為導(dǎo)向明確數(shù)據(jù)分析方法。例如，研究課堂交互行為時(shí)通常基于視頻數(shù)據(jù)采用弗蘭德斯互動(dòng)分析、S-T分析等人工編碼方法與以各種卷積神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)方法實(shí)現(xiàn)量化分析；研究學(xué)習(xí)投入水平則多使用文本數(shù)據(jù)，既可通過(guò)量化方法提取、輸出語(yǔ)義特征或借助詞嵌入技術(shù)生成詞向量特征，也可通過(guò)質(zhì)性編碼解讀文本內(nèi)容；探索其他復(fù)雜教學(xué)問(wèn)題時(shí)，多模態(tài)學(xué)習(xí)分析方法被認(rèn)為是打開(kāi)黑箱的鑰匙[31]。

3.解讀學(xué)情分析結(jié)果

如何從學(xué)情分析的結(jié)果中解讀出有意義的教育信息，是連接理論與實(shí)踐的重要橋梁。例如有研究證明，教師的技術(shù)知識(shí)與其對(duì)技術(shù)的感知有用性存在正相關(guān)，但實(shí)則二者同時(shí)受到技術(shù)的感知易用性這一要素的共同影響[32]，可見(jiàn)，學(xué)情數(shù)據(jù)結(jié)果仍需借助理論，通過(guò)增強(qiáng)數(shù)據(jù)代表性、發(fā)掘中介變量等方法排除“無(wú)意義相關(guān)”與“偽相關(guān)”[33]，探究學(xué)情分析結(jié)果的背后原因。

4.呈現(xiàn)學(xué)情分析內(nèi)容

學(xué)習(xí)分析儀表盤是一種能夠精密追蹤學(xué)習(xí)者在線學(xué)習(xí)行為、記錄整合個(gè)體學(xué)情信息、按照使用者需求分析并呈現(xiàn)數(shù)據(jù)的教學(xué)干預(yù)工具[34]，需要結(jié)合相關(guān)理論采用符合學(xué)習(xí)者認(rèn)知特點(diǎn)的形式呈現(xiàn)學(xué)情分析內(nèi)容。例如依據(jù)成就目標(biāo)定向理論，掌握目標(biāo)定向者看重能力提升和任務(wù)掌握情況，需向其多呈現(xiàn)任務(wù)完成進(jìn)度、認(rèn)知能力圖譜等要素；成就目標(biāo)定向者更加重視他人認(rèn)可程度，則需要著重呈現(xiàn)與他人學(xué)習(xí)成績(jī)的對(duì)比，以及教師評(píng)語(yǔ)等信息[35]。

5.改進(jìn)教育教學(xué)實(shí)踐

切實(shí)賦能學(xué)習(xí)干預(yù)、改進(jìn)教學(xué)實(shí)踐是學(xué)情分析研究的最終目的和落腳點(diǎn)。面對(duì)實(shí)際教育場(chǎng)景中復(fù)雜的教學(xué)問(wèn)題，僅局限于學(xué)情分析結(jié)果的機(jī)械干預(yù)很難奏效。人機(jī)智能協(xié)同的精準(zhǔn)學(xué)習(xí)干預(yù)在精準(zhǔn)診斷學(xué)習(xí)問(wèn)題的基礎(chǔ)上形成“問(wèn)題-策略”知識(shí)圖譜，綜合考量干預(yù)對(duì)象、時(shí)機(jī)、強(qiáng)度與頻率并設(shè)計(jì)匹配具體教育場(chǎng)景實(shí)施干預(yù)，并基于有限狀態(tài)機(jī)的思路實(shí)現(xiàn)干預(yù)效果驗(yàn)證，是破解教學(xué)訴求與教育實(shí)踐難題的有效路徑[36]。

（三）認(rèn)知負(fù)荷視角下的學(xué)情分析框架

認(rèn)知負(fù)荷理論認(rèn)為個(gè)體工作記憶容量存在極限，學(xué)習(xí)發(fā)生時(shí)其認(rèn)知負(fù)荷總和不宜超過(guò)記憶資源的總量。認(rèn)知負(fù)荷過(guò)高會(huì)導(dǎo)致學(xué)習(xí)者快速疲勞、靈活性降低，產(chǎn)生挫敗情緒，進(jìn)而引起信息獲取分析的失誤和決策錯(cuò)誤，認(rèn)知負(fù)荷過(guò)低也會(huì)造成工作記憶資源浪費(fèi)，同樣不利于高效學(xué)習(xí)[37]。因此，指向深度學(xué)習(xí)的認(rèn)知負(fù)荷最佳管理方式為盡量減少與學(xué)習(xí)無(wú)關(guān)、優(yōu)化與學(xué)習(xí)密切相關(guān)的認(rèn)知加工，始終保持學(xué)習(xí)者現(xiàn)有認(rèn)知能力的極限，讓學(xué)習(xí)者在適宜認(rèn)知負(fù)荷水平出色地完成學(xué)習(xí)任務(wù)[38]。研究表明，認(rèn)知負(fù)荷水平與學(xué)習(xí)或工作績(jī)效通常呈現(xiàn)出倒“U”型曲線關(guān)系[39]，F(xiàn)ang等[40]在專著中將二者關(guān)系描繪如圖2所示。

在教學(xué)材料設(shè)計(jì)合理、能夠保證學(xué)習(xí)者外在認(rèn)知負(fù)荷水平處于較低水平的前提下，當(dāng)學(xué)習(xí)者總體認(rèn)知負(fù)荷水平較低時(shí)（圖2橫坐標(biāo)“低負(fù)荷”對(duì)應(yīng)范圍），可能由于厭倦或缺乏動(dòng)力導(dǎo)致其績(jī)效表現(xiàn)不佳，但先驗(yàn)知識(shí)充

足的學(xué)習(xí)者，其在長(zhǎng)時(shí)記憶中的圖式可以根據(jù)所面臨的情景進(jìn)行快速而正確的自動(dòng)化歸類以降低工作記憶資源的消耗[41]，通常經(jīng)過(guò)適當(dāng)?shù)呐纯稍谡J(rèn)知負(fù)荷保持在較低水平時(shí)出色完成任務(wù)、取得高績(jī)效；當(dāng)學(xué)習(xí)者認(rèn)知負(fù)荷水平較高時(shí)（圖2橫坐標(biāo)“高負(fù)荷”對(duì)應(yīng)范圍），通過(guò)自身的不懈努力可以使績(jī)效達(dá)到較高水平，然而當(dāng)認(rèn)知負(fù)荷水平繼續(xù)升高時(shí)（橫坐標(biāo)“負(fù)荷過(guò)載”對(duì)應(yīng)范圍），學(xué)習(xí)者自身努力也無(wú)法阻止績(jī)效水平的下降。于是，本研究基于認(rèn)知負(fù)荷水平并參考學(xué)業(yè)成績(jī)指標(biāo)，形成認(rèn)知負(fù)荷視角下學(xué)習(xí)者學(xué)情診斷標(biāo)準(zhǔn)（如圖3所示）。其中，“L”與“H”兩個(gè)字母分別表示認(rèn)知負(fù)荷與學(xué)業(yè)成績(jī)的“低”與“高”，例如“L-H”表示學(xué)生完成任務(wù)過(guò)程中表現(xiàn)為“負(fù)荷低-成績(jī)高”的狀態(tài)，本文將此類學(xué)生稱為“尖子生”。

綜上，本文依據(jù)學(xué)情分析的一般過(guò)程與認(rèn)知負(fù)荷視角下的學(xué)情診斷標(biāo)準(zhǔn)，梳理得到基于認(rèn)知負(fù)荷水平的學(xué)情分析框架，如下頁(yè)圖4所示。在實(shí)現(xiàn)學(xué)習(xí)者認(rèn)知維度多模態(tài)數(shù)據(jù)的伴隨式采集后，需進(jìn)行不同維度的特征提取、融合并應(yīng)用分類算法識(shí)別認(rèn)知負(fù)荷水平，而后從認(rèn)知負(fù)荷視角依次完成學(xué)情診斷、結(jié)果解讀與教學(xué)干預(yù)，形成學(xué)情分析閉環(huán)。

數(shù)據(jù)層是分析模型的基礎(chǔ)，采集學(xué)習(xí)過(guò)程中的認(rèn)知維度多模態(tài)數(shù)據(jù)是開(kāi)展認(rèn)知負(fù)荷水平識(shí)別與學(xué)情分析的前提。認(rèn)知是個(gè)體通過(guò)經(jīng)驗(yàn)和感官等加工信息獲取知識(shí)的最基本心理過(guò)程[42]，相關(guān)心理測(cè)量量表與自我報(bào)告數(shù)據(jù)，以及面部表情、話語(yǔ)內(nèi)容等反映師生教學(xué)情感態(tài)度的數(shù)據(jù)可直接用于分析表征認(rèn)知狀態(tài)。生理信號(hào)也是探究認(rèn)知水平的重要數(shù)據(jù)，隨著教育神經(jīng)科學(xué)的發(fā)展，可應(yīng)用腦神經(jīng)分析技術(shù)與新一代人工智能技術(shù)對(duì)腦電、心率及皮膚電等認(rèn)知敏感的生理信號(hào)數(shù)據(jù)開(kāi)展分析。此外，認(rèn)知心理學(xué)領(lǐng)域的諸多研究聚焦外顯行為，應(yīng)用統(tǒng)計(jì)分析或質(zhì)性分析方法探索個(gè)體認(rèn)知過(guò)程，具體包括在線平臺(tái)日志中的點(diǎn)擊流數(shù)據(jù)、點(diǎn)陣筆記錄的書寫行為數(shù)據(jù)以及攝像頭捕獲的身體姿態(tài)數(shù)據(jù)等等。未來(lái)有待進(jìn)一步探索其他多源數(shù)據(jù)，并應(yīng)用多學(xué)科交叉研究方法與技術(shù)路徑實(shí)現(xiàn)對(duì)學(xué)習(xí)者認(rèn)知機(jī)理的深層次剖析。

計(jì)算層是分析模型的核心。常態(tài)化采集的學(xué)習(xí)者過(guò)程性多模態(tài)數(shù)據(jù)主要以生理、視頻與文本形式存儲(chǔ)，在先后經(jīng)過(guò)數(shù)據(jù)預(yù)處理、特征提取與特征融合后，將數(shù)據(jù)特征集輸入分類算法模型可實(shí)現(xiàn)認(rèn)知負(fù)荷水平識(shí)別。其中，數(shù)據(jù)預(yù)處理主要包含數(shù)據(jù)清洗與數(shù)據(jù)標(biāo)注兩個(gè)重要模塊，前者旨在清理、糾正數(shù)據(jù)集中的異常數(shù)值與基本錯(cuò)誤，把關(guān)數(shù)據(jù)質(zhì)量，例如對(duì)生理數(shù)據(jù)濾波降噪、將視頻圖像數(shù)據(jù)進(jìn)行圖像增強(qiáng)與分割、去除本文數(shù)據(jù)中的停用詞與標(biāo)點(diǎn)并進(jìn)行分詞等等；后者是對(duì)原始數(shù)據(jù)賦予“真值”的過(guò)程，幫助算法模型理解數(shù)據(jù)的含義，現(xiàn)有研究對(duì)認(rèn)知負(fù)荷狀態(tài)的標(biāo)注主要參考量表結(jié)果、任務(wù)準(zhǔn)確率或不同任務(wù)難度梯度等指標(biāo)完成。特征提取是從原始數(shù)據(jù)中提取出最能代表其特性的部分并進(jìn)行量化的過(guò)程，有助于簡(jiǎn)化問(wèn)題、增強(qiáng)算法模型的準(zhǔn)確性。生理信號(hào)數(shù)據(jù)中，平均心率、心跳間期標(biāo)準(zhǔn)差[43]等時(shí)域特征與皮膚電信號(hào)中的平均振幅、持續(xù)時(shí)間[44]等頻域特征用于反映生理喚醒水平，可通過(guò)小波變換（Wavelet Transform，WT）與快速傅里葉變換（Fast Fourier Transform，F(xiàn)FT）方法提??；之于視頻圖像數(shù)據(jù)，當(dāng)前最常使用的特征提取方法為卷積神經(jīng)網(wǎng)絡(luò)，其經(jīng)典網(wǎng)絡(luò)架構(gòu)包括AlexNet、VGG、ResNet等等，同時(shí)邊緣檢測(cè)、特征點(diǎn)檢測(cè)等預(yù)處理步驟也可幫助突出圖像中的重要結(jié)構(gòu)，為卷積神經(jīng)網(wǎng)絡(luò)處理打下基礎(chǔ)；學(xué)習(xí)者書寫內(nèi)容以及談話語(yǔ)音轉(zhuǎn)錄形成的文本是反映其認(rèn)知狀態(tài)的重要證據(jù)，早期的文本特征為通過(guò)詞袋模型（Bag of Word，BoW）提取的關(guān)鍵詞詞頻，TF-IDF方法則在其基礎(chǔ)上增加了逆文檔頻率特征，詞嵌入模型（Word2Ve、BERT等）則是通過(guò)將每個(gè)詞語(yǔ)表示為一個(gè)實(shí)數(shù)向量進(jìn)而捕捉詞之間的語(yǔ)義和語(yǔ)法關(guān)系。將不同模態(tài)信號(hào)進(jìn)行融合能夠增強(qiáng)識(shí)別模型的準(zhǔn)確性與魯棒性，通常在數(shù)據(jù)、特征和決策三個(gè)水平上進(jìn)行?；诙嗄B(tài)數(shù)據(jù)的認(rèn)知負(fù)荷相關(guān)研究多應(yīng)用特征級(jí)融合，即把不同模態(tài)來(lái)源的特征基于時(shí)間序列對(duì)齊、組合，形成統(tǒng)一的特征向量或特征矩陣，而后輸入模型分析。聚焦教育領(lǐng)域，相關(guān)識(shí)別研究多為將學(xué)習(xí)者認(rèn)知負(fù)荷水平進(jìn)行二分類，并應(yīng)用多種機(jī)器學(xué)習(xí)算法或深度學(xué)習(xí)算法進(jìn)行識(shí)別。

應(yīng)用層是分析模型的導(dǎo)向，實(shí)現(xiàn)將分析結(jié)果指向教學(xué)干預(yù)、賦能教學(xué)實(shí)踐，其基本步驟如下。首先，將能夠反應(yīng)學(xué)習(xí)者認(rèn)知資源分配過(guò)程的認(rèn)知負(fù)荷水平指標(biāo)與以學(xué)業(yè)成績(jī)?yōu)榇淼慕Y(jié)果性評(píng)價(jià)指標(biāo)結(jié)合，依據(jù)圖3標(biāo)準(zhǔn)應(yīng)用統(tǒng)計(jì)分析方法判斷學(xué)情狀態(tài)；其次，借助教育學(xué)與心理學(xué)相關(guān)理論對(duì)學(xué)習(xí)者學(xué)情狀態(tài)進(jìn)行解讀，例如參考期望價(jià)值理論建議認(rèn)知負(fù)荷水平較低且學(xué)業(yè)成績(jī)不理想的學(xué)習(xí)者酌情降低學(xué)業(yè)目標(biāo)，再如依據(jù)最近發(fā)展區(qū)理論提議認(rèn)知負(fù)荷水平較高但學(xué)業(yè)成績(jī)不佳的學(xué)習(xí)者向負(fù)荷低且成績(jī)出色的尖子生群體請(qǐng)教問(wèn)題；最后，可通過(guò)學(xué)習(xí)分析儀表盤等方式將學(xué)習(xí)者的學(xué)情結(jié)果、解讀內(nèi)容與干預(yù)建議等呈現(xiàn)給師生。當(dāng)然，真實(shí)教育教學(xué)過(guò)程是一個(gè)復(fù)雜系統(tǒng)，干預(yù)建議與實(shí)施方案除參考學(xué)情結(jié)果外，還需要依據(jù)場(chǎng)景需求、學(xué)習(xí)者規(guī)模與知識(shí)內(nèi)容不斷調(diào)整干預(yù)的對(duì)象、方式、時(shí)機(jī)與強(qiáng)度，例如課堂學(xué)習(xí)場(chǎng)景下當(dāng)班級(jí)大多數(shù)學(xué)生難以跟上知識(shí)進(jìn)度時(shí)，教師有必要立刻調(diào)整教學(xué)內(nèi)容完成群體干預(yù)，協(xié)作學(xué)習(xí)場(chǎng)景下通過(guò)學(xué)習(xí)平臺(tái)或移動(dòng)終端延后為學(xué)習(xí)者提供建議是可行的方案，而自主學(xué)習(xí)場(chǎng)景下教師或AI智能學(xué)習(xí)助手則可以提前為可能存在困難的學(xué)生搭建支架。

三、基于認(rèn)知負(fù)荷水平的學(xué)情分析實(shí)踐

（一）實(shí)驗(yàn)設(shè)計(jì)與數(shù)據(jù)采集

本研究以北京市某高校300名（46男，254女）本科生為研究對(duì)象，在高校教室開(kāi)展測(cè)試實(shí)驗(yàn)。其中測(cè)試題目為水資源相關(guān)的地理學(xué)科選擇題（30道單選題，10道多選題，滿分50分），被試答題全程佩戴生理手環(huán)。實(shí)驗(yàn)整體流程如下：首先學(xué)生簽署知情同意書，之后佩戴生理手環(huán)并采集5分鐘的基線數(shù)據(jù)；接著學(xué)生打開(kāi)平板電腦點(diǎn)擊題目鏈接，限時(shí)15分鐘獨(dú)自閉卷答題；作答結(jié)束后學(xué)生自行點(diǎn)擊“提交”按鍵，系統(tǒng)即刻生成本次測(cè)試得分，查看分?jǐn)?shù)后立即填寫認(rèn)知負(fù)荷量表并提交，至此實(shí)驗(yàn)結(jié)束。

研究過(guò)程應(yīng)用了NASA-TLX量表與E4手環(huán)兩種工具，前者為美國(guó)國(guó)家航天局開(kāi)發(fā)的認(rèn)知負(fù)荷量表，后者為意大利Empatica公司研發(fā)的生理手環(huán)。標(biāo)準(zhǔn)版NASA-TLX量表包含“心理需求”“時(shí)間需求”“努力程度”“體力需求”“自我績(jī)效”與“受挫程度”六個(gè)維度、每個(gè)維度一個(gè)題項(xiàng)，有21個(gè)等級(jí)[45]，具有評(píng)價(jià)時(shí)間較短和對(duì)總認(rèn)知負(fù)荷水平敏感的優(yōu)點(diǎn)。結(jié)合本實(shí)驗(yàn)的任務(wù)與場(chǎng)景特點(diǎn)，剔除關(guān)聯(lián)程度較低的“體力需求”維度，保留其余五個(gè)維度，量表在改編后的Cronbach’s α系數(shù)值為0.73，信度較好。

（二）基于多模態(tài)數(shù)據(jù)的認(rèn)知負(fù)荷水平識(shí)別

1.認(rèn)知負(fù)荷測(cè)量結(jié)果

本研究使用的NASA-TLX量表在認(rèn)知負(fù)荷測(cè)評(píng)的相關(guān)研究中應(yīng)用廣泛，其得分計(jì)算方法主要為直接相加各維度得分與兩兩配對(duì)計(jì)算各維度加權(quán)總分兩種方式，前者測(cè)量粒度較粗，后者基于被試賦權(quán)故結(jié)果遷移性不強(qiáng)。于是，本研究對(duì)量表采取專家賦權(quán)，邀請(qǐng)18位教育領(lǐng)域?qū)＜姨顚憽禢ASA-TLX打分表》（詳細(xì)描述了測(cè)驗(yàn)任務(wù)，專家對(duì)5個(gè)子維度的重要性判斷矩陣根據(jù)T.L.Saaty的1—9標(biāo)度法[46]打分），而后應(yīng)用層次分析法得到各指標(biāo)權(quán)重并計(jì)算出認(rèn)知負(fù)荷水平。各維度指標(biāo)權(quán)重的計(jì)算過(guò)程如下：首先，計(jì)算所有判斷矩陣的一致性比率CR，剔除系數(shù)大于0.1（即未通過(guò)一致性檢驗(yàn)的樣本）后得到12個(gè)有效判斷矩陣；其次，統(tǒng)計(jì)有效判斷矩陣的權(quán)重分配結(jié)果，依據(jù)四分位距異常值識(shí)別標(biāo)準(zhǔn)，剔除了“努力程度”維度的一個(gè)異常值（超過(guò)下四分位距1.5倍）；最后，計(jì)算5個(gè)維度剩余權(quán)重的算術(shù)平均值（剔除了異常值，故權(quán)重相加后不完全等于100%）得到最終指標(biāo)權(quán)重（如表1所示）。被試在量表每個(gè)維度的打分（“自我績(jī)效”維度得分取反）加權(quán)求和即為其認(rèn)知負(fù)荷總分。

2.學(xué)習(xí)者認(rèn)知負(fù)荷水平識(shí)別

認(rèn)知負(fù)荷分?jǐn)?shù)是學(xué)習(xí)者完成當(dāng)前任務(wù)狀態(tài)的直觀體現(xiàn)，但很難針對(duì)每個(gè)具體數(shù)字本身均給出教育教學(xué)層面的解讀，參考分層教學(xué)思想按照認(rèn)知負(fù)荷分?jǐn)?shù)將學(xué)習(xí)者分為有限幾類是切實(shí)可行的方案。本研究將學(xué)習(xí)者認(rèn)知負(fù)荷水平分為高與低兩類，并基于生理手環(huán)采集的學(xué)習(xí)者心率（HR）、心跳間期（IBI）、皮膚電（EDA）、與皮膚溫度（ST）四種多模態(tài)生理信號(hào)數(shù)據(jù)，實(shí)現(xiàn)學(xué)習(xí)者認(rèn)知負(fù)荷水平識(shí)別。

（1）數(shù)據(jù)清洗與標(biāo)注

本研究的數(shù)據(jù)清洗遵循兩條標(biāo)準(zhǔn)，一是統(tǒng)計(jì)各被試的認(rèn)知負(fù)荷水平得分，將暫時(shí)無(wú)法判斷認(rèn)知負(fù)荷水平的19名被試數(shù)據(jù)（得分恰好是中位數(shù)）剔除；二是檢驗(yàn)采集的多模態(tài)生理數(shù)據(jù)，刪除質(zhì)量不達(dá)標(biāo)條目。最終，整理獲得266個(gè)有效樣本。檢驗(yàn)樣本分布，發(fā)現(xiàn)認(rèn)知負(fù)荷得分（峰度0.594，偏度-0.597）的統(tǒng)計(jì)直方圖均呈現(xiàn)鐘型，證明其基本可接受為正態(tài)分布，于是計(jì)算得分中位數(shù)，判定分?jǐn)?shù)位于前（后）50%的學(xué)習(xí)者認(rèn)知負(fù)荷水平為高（低）。

（2）生理特征提取

生理信號(hào)是人作為生物體的自發(fā)反應(yīng)，不易受主觀意志控制[47]，因此能夠較為真實(shí)、客觀地反映出人類某時(shí)間段的心理活動(dòng)狀態(tài)。研究從四類生理信號(hào)數(shù)據(jù)中提取了相應(yīng)的時(shí)域、頻域以及非線性特征共23項(xiàng)，如表2所示。其中，HR信號(hào)與ST信號(hào)的基本統(tǒng)計(jì)特征提取利用IBM SPSS Statistics完成，IBI特征使用Kubios軟件提取，對(duì)數(shù)據(jù)偽影使用插值法進(jìn)行了校正，EDA特征則應(yīng)用集成于Matlab的Bio-SP工具箱，勾選高斯濾波器完成噪聲去除與平滑處理后提取了相應(yīng)特征。此外，由于各特征的量綱不同導(dǎo)致實(shí)際數(shù)值之間差異較大、無(wú)法直接進(jìn)行比較，統(tǒng)一使用Z-Score標(biāo)準(zhǔn)化方法將提取的各特征取值轉(zhuǎn)化為標(biāo)準(zhǔn)分?jǐn)?shù)。

（3）特征融合與篩選

完成生理特征的量化工作后，先將所有特征串聯(lián)形成一個(gè)總體特征向量，而后對(duì)特征集合進(jìn)行篩選，刪除效果不佳的特征。本研究使用隨機(jī)森林特征重要性排序方法，采用Gini系數(shù)評(píng)估特征，篩選出了重要性排名前50%的特征（如圖5所示），形成優(yōu)質(zhì)特征集。

（4）識(shí)別效果分析

研究采用常見(jiàn)的七種監(jiān)督學(xué)習(xí)算法訓(xùn)練優(yōu)質(zhì)特征集得到認(rèn)知負(fù)荷水平識(shí)別模型，并通過(guò)十折交叉檢驗(yàn)方法規(guī)避過(guò)擬合問(wèn)題，使用分類任務(wù)中常見(jiàn)的準(zhǔn)確率、召回率、精確率與F1值檢驗(yàn)?zāi)Ｐ托阅埽ㄈ绫?所示）。分析可知，除KNN外，其余算法的四項(xiàng)指標(biāo)均高于或接近75%，其中隨機(jī)森林（RF）的預(yù)測(cè)性能最佳，四項(xiàng)指標(biāo)均接近或超過(guò)80%。參考過(guò)往教育領(lǐng)域中使用機(jī)器學(xué)習(xí)算法完成分類任務(wù)的相關(guān)研究，準(zhǔn)確率達(dá)到70%被認(rèn)為結(jié)果可以接受，證明本實(shí)驗(yàn)基于多模態(tài)生理數(shù)據(jù)構(gòu)建的認(rèn)知負(fù)荷水平識(shí)別模型效果較好。

（三）認(rèn)知負(fù)荷視角下的學(xué)情分析與干預(yù)

1.學(xué)情診斷結(jié)果

在實(shí)現(xiàn)認(rèn)知負(fù)荷水平識(shí)別后，本文參照?qǐng)D3標(biāo)準(zhǔn)將認(rèn)知負(fù)荷水平與學(xué)習(xí)績(jī)效結(jié)合完成學(xué)情診斷。本次實(shí)驗(yàn)以測(cè)試得分代表學(xué)習(xí)績(jī)效，其判別方式與上文認(rèn)知負(fù)荷水平判別類似，先檢驗(yàn)樣本分布（峰度-0.036，偏度-0.636，統(tǒng)計(jì)直方圖呈現(xiàn)鐘型可接受為正態(tài)分布），而后計(jì)算得分中位數(shù)，判定分?jǐn)?shù)位于前（后）50%的學(xué)習(xí)者成績(jī)?yōu)楦撸ǖ停?。最終綜合認(rèn)知負(fù)荷與學(xué)習(xí)績(jī)效兩個(gè)指標(biāo)統(tǒng)計(jì)得到“成長(zhǎng)型學(xué)習(xí)者”（高負(fù)荷-高成績(jī)）57人，“尖子生”（低負(fù)荷-高成績(jī)）80人，“潛力型學(xué)習(xí)者”（高負(fù)荷-低成績(jī)）83人以及“游離型學(xué)習(xí)者”（低負(fù)荷-低成績(jī)）61人。

2.結(jié)果解讀

為了充分解讀學(xué)情分析結(jié)果，研究分別分析測(cè)試得分較高的“尖子生”與“成長(zhǎng)型學(xué)習(xí)者”以及測(cè)試得分較低的“潛力型學(xué)習(xí)者”與“游離型學(xué)習(xí)者”群體在認(rèn)知負(fù)荷子維度的差異，即分別對(duì)兩個(gè)群體在5個(gè)認(rèn)知負(fù)荷維度上的得分進(jìn)行了獨(dú)立樣本T檢驗(yàn)（如表4所示）。

高測(cè)試得分群體中，兩類學(xué)習(xí)者在“心理需求”“努力程度”與“受挫程度”三個(gè)維度上存在大幅度差異（Cohen’s d > 0.8）。由此可見(jiàn)，相比80名“尖子生”群體，57名“成長(zhǎng)型學(xué)習(xí)者”在測(cè)試任務(wù)中更加努力、投入了更多的腦力資源，也在任務(wù)過(guò)程中夾雜了更多的沮喪或煩惱情緒。依據(jù)最近發(fā)展區(qū)理論，測(cè)試題目的知識(shí)水平基本落在了“成長(zhǎng)型學(xué)習(xí)者”的最近發(fā)展區(qū)內(nèi)，相應(yīng)學(xué)生在投入大量精力、時(shí)間與情感后可以達(dá)到較好的分?jǐn)?shù)，即“跳一跳，夠得著”，此類學(xué)習(xí)者通過(guò)自身努力取得了較好的成績(jī)，學(xué)習(xí)狀態(tài)十分理想；至于“尖子生”群體，他們面對(duì)任務(wù)表現(xiàn)得游刃有余，投入較少精力即可獲得相對(duì)優(yōu)異的成績(jī)，顯然此類型學(xué)習(xí)者先驗(yàn)知識(shí)水平充足，題目難度未達(dá)到其最近發(fā)展區(qū)上限。此外，雖然兩類學(xué)習(xí)者的測(cè)驗(yàn)分?jǐn)?shù)都較高，但在“自我績(jī)效”維度的打分沒(méi)有顯著差異，且該維度的打分均值都不高，這意味著多數(shù)學(xué)習(xí)者對(duì)自己有著更高的預(yù)期，并不滿意自己本次題目取得的成績(jī)。

低測(cè)試得分群體中，兩類學(xué)習(xí)者在“心理需求”“時(shí)間需求”“努力程度”“受挫程度”四個(gè)維度存在大幅度差異。這意味著83名“潛力型學(xué)習(xí)者”在任務(wù)過(guò)程中對(duì)完成題目表現(xiàn)出了更強(qiáng)的學(xué)習(xí)動(dòng)機(jī)，于是也付出了更多腦力活動(dòng)與更高努力程度。這些被試認(rèn)為測(cè)試用時(shí)緊張，或許是由于面對(duì)不同難度題目時(shí)間分配策略不得當(dāng)，此外測(cè)試題目難度很可能逼近甚至超過(guò)了被試們的最近發(fā)展區(qū)上限，導(dǎo)致其在知識(shí)技能層面遇到了較大困難而產(chǎn)生了畏難、緊張情緒，日常教學(xué)中此類學(xué)習(xí)者僅憑自身努力已經(jīng)很難改變學(xué)習(xí)成績(jī)不佳的事實(shí)，需要為其提供腳手架或其他形式的人工干預(yù)；相比而言，61名“游離型學(xué)習(xí)者”在任務(wù)過(guò)程中付出的腦力活動(dòng)與努力程度都不高，所以也并不具備時(shí)間緊迫感，不會(huì)因任務(wù)而感到煩惱受挫。依據(jù)期望價(jià)值理論，這些被試對(duì)完成測(cè)試任務(wù)缺乏動(dòng)機(jī)、效能期望較低，也許是由于題目難度遠(yuǎn)超最近發(fā)展區(qū)上限導(dǎo)致其無(wú)從下手，抑或由于不認(rèn)可本次任務(wù)的價(jià)值進(jìn)而出現(xiàn)態(tài)度不佳的現(xiàn)象，在真實(shí)教學(xué)活動(dòng)中這類學(xué)習(xí)者需要重點(diǎn)特殊關(guān)照。

3.分析結(jié)果呈現(xiàn)與教學(xué)干預(yù)建議

學(xué)習(xí)分析儀表盤是一種應(yīng)用場(chǎng)景廣泛的干預(yù)工具，可記錄學(xué)習(xí)過(guò)程中產(chǎn)生的諸多數(shù)據(jù)，并在按需分析數(shù)據(jù)后將分析結(jié)果可視化呈現(xiàn)，從而為師生、研究者和管理者提供幫助[48]，其構(gòu)建方法通常包括交互式方法或編程式方法兩個(gè)類型[49]。參考在線測(cè)試實(shí)驗(yàn)的學(xué)情分析結(jié)果，本研究以中小學(xué)完成作業(yè)場(chǎng)景為例，通過(guò)“即時(shí)設(shè)計(jì)”交互工具快速設(shè)計(jì)并完成了師生雙端學(xué)習(xí)分析儀表盤的可視化原型界面搭建，擬在課后分別為師生呈現(xiàn)學(xué)情內(nèi)容與干預(yù)建議。

研究結(jié)合相關(guān)文獻(xiàn)調(diào)研內(nèi)容以及對(duì)七位專家的啟發(fā)式評(píng)估結(jié)果，遵循“匹配用戶認(rèn)知習(xí)慣”“美觀精煉”與“提供必要輔助說(shuō)明”三條原則，設(shè)計(jì)了包含“任務(wù)安排”“學(xué)情分布”“學(xué)生名單”與“資源推薦”四個(gè)主要功能模塊的儀表盤系統(tǒng)原型。教師端儀表盤涉及全部四個(gè)功能，其部分頁(yè)面如圖6所示。“任務(wù)安排”模塊呈現(xiàn)教師近日上課班級(jí)的作業(yè)安排；“學(xué)情分布”模塊從群體、小組與個(gè)體層面向教師呈現(xiàn)認(rèn)知負(fù)荷視角下學(xué)生完成某作業(yè)任務(wù)的學(xué)情類型，方便教師日后針對(duì)性的布置分層作業(yè)；“學(xué)生名單”模塊，包括“光榮榜”與“特別關(guān)注”兩個(gè)部分，分別向教師報(bào)告近期作業(yè)表現(xiàn)出色和作業(yè)任務(wù)遇到困難的學(xué)生，供其提出表?yè)P(yáng)和單獨(dú)答疑，開(kāi)展個(gè)性化輔導(dǎo)；“資源推薦”模塊則定期推送有益于作業(yè)管理的工具以及高效輔導(dǎo)學(xué)生的視頻資源，協(xié)助教師提高作業(yè)批改效率、學(xué)習(xí)掌握最新干預(yù)工具。

學(xué)生端儀表盤涉及“任務(wù)安排”“學(xué)情分布”與“學(xué)生名單”三個(gè)功能模塊，其部分頁(yè)面如下頁(yè)圖7所示?！叭蝿?wù)安排”模塊呈現(xiàn)了學(xué)生自己所在班級(jí)的作業(yè)安排；“學(xué)情分布”模塊報(bào)告了認(rèn)知負(fù)荷視角下每個(gè)作業(yè)任務(wù)的班級(jí)整體學(xué)情狀態(tài)，指出學(xué)生自己的學(xué)情類型，并且提供了特定時(shí)間范圍內(nèi)（例如：一個(gè)月）個(gè)人作業(yè)完成情況的縱向?qū)W情類型統(tǒng)計(jì)，力求幫助學(xué)生及時(shí)掌握集體及個(gè)人的作業(yè)學(xué)情，進(jìn)而促進(jìn)其開(kāi)展自我反思；“學(xué)生名單”模塊除了包含與教師端相似的“光榮榜”外，還會(huì)依據(jù)個(gè)體學(xué)情向?qū)W生推薦學(xué)習(xí)伙伴，幫助知識(shí)水平層面存在明顯差異的學(xué)生之間開(kāi)展互助學(xué)習(xí)，例如向“潛力型學(xué)習(xí)者”推薦有余力開(kāi)展同伴互助的“尖子生”，或幫助“游離型學(xué)習(xí)者”鏈接到學(xué)習(xí)狀態(tài)上佳的“成長(zhǎng)型學(xué)習(xí)者”，分享學(xué)習(xí)經(jīng)驗(yàn)。

本研究使用自研的系統(tǒng)設(shè)計(jì)評(píng)價(jià)問(wèn)卷以及Brooke編制的系統(tǒng)可用性量表（System Usability Scale，SUS），從滿意度與用戶可用性兩個(gè)角度初步考察儀表盤原型及教學(xué)干預(yù)建議效果。其中系統(tǒng)設(shè)計(jì)評(píng)價(jià)問(wèn)卷包含系統(tǒng)架構(gòu)設(shè)計(jì)、功能指標(biāo)設(shè)計(jì)、系統(tǒng)設(shè)計(jì)有效性與系統(tǒng)使用意向四個(gè)維度，每個(gè)維度有2個(gè)題項(xiàng)，量表的KMO系數(shù)為0.614，Bartlett球形檢驗(yàn)顯著，cronbach’s α系數(shù)達(dá)到0.773，證明其效度與信度均可以接受；SUS包含易學(xué)性與可用性兩個(gè)維度，其中易學(xué)性維度包含2個(gè)題項(xiàng)，可用性維度包含8個(gè)題項(xiàng)，cronbach’s α達(dá)到0.839，信度較好。問(wèn)卷面向32人（12男，20女，學(xué)生老師各占一半）發(fā)放，全部成功回收。系統(tǒng)設(shè)計(jì)評(píng)價(jià)問(wèn)卷的四個(gè)維度評(píng)分均超過(guò)80分，總體評(píng)分達(dá)到86.875分（滿分為100分），證明用戶對(duì)儀表盤設(shè)計(jì)與干預(yù)建議的滿意度較高；SUS結(jié)果可換算為0—100分，對(duì)應(yīng)“Poor”“OK”與“Good”等評(píng)價(jià)等級(jí)，本研究設(shè)計(jì)的儀表盤在易學(xué)性、可用性與總體評(píng)價(jià)的分?jǐn)?shù)分別為71.09、80.57與75.83分，達(dá)到“OK”“GOOD”與“GOOD”水平，具備較好的用戶可用性。

四、結(jié)語(yǔ)

學(xué)情分析聚焦對(duì)學(xué)生學(xué)習(xí)情況的診斷、評(píng)估與分析，指向精準(zhǔn)教學(xué)，而認(rèn)知負(fù)荷則是衡量學(xué)習(xí)者個(gè)性化學(xué)習(xí)需求與深度學(xué)習(xí)發(fā)生的重要指標(biāo)。本研究梳理了學(xué)情分析及其一般過(guò)程，基于認(rèn)知負(fù)荷水平與學(xué)習(xí)績(jī)效兩個(gè)重要指標(biāo)形成了學(xué)習(xí)者學(xué)情診斷標(biāo)準(zhǔn)，并從認(rèn)知負(fù)荷視角構(gòu)建了包含數(shù)據(jù)層、計(jì)算層與應(yīng)用層三個(gè)層次的學(xué)情分析框架。同時(shí)，研究以在線測(cè)試場(chǎng)景為例，通過(guò)具體案例實(shí)現(xiàn)了基于多模態(tài)生理數(shù)據(jù)的認(rèn)知負(fù)荷水平識(shí)別、學(xué)情分析結(jié)果解讀與教學(xué)干預(yù)設(shè)計(jì)，理清了基于認(rèn)知負(fù)荷水平的學(xué)情分析實(shí)踐路徑。未來(lái)研究中，可進(jìn)一步分別聚焦內(nèi)在認(rèn)知負(fù)荷、外在認(rèn)知負(fù)荷與相關(guān)認(rèn)知負(fù)荷三種具體認(rèn)知負(fù)荷類型實(shí)現(xiàn)更細(xì)粒度的學(xué)情分析，并融合學(xué)習(xí)行為、書寫文本等學(xué)習(xí)者認(rèn)知維度多模態(tài)信息，拓展認(rèn)知負(fù)荷視角下的學(xué)情分析研究與實(shí)踐，進(jìn)而推動(dòng)精準(zhǔn)教學(xué)的實(shí)施。

參考文獻(xiàn)：

[1] 劉崗，田靜.學(xué)情分析的價(jià)值意蘊(yùn)、實(shí)踐困境與改進(jìn)路徑[J].教學(xué)與管理，2020，（27）：18-21.

[2] Bertolini R，F(xiàn)inch S J，et al.An application of Bayesian inference to examine student retention and attrition in the STEM classroom [J].Frontiers in Education，2023，8（2）：1-16.

[3] 武法提，田浩.挖掘有意義學(xué)習(xí)行為特征：學(xué)習(xí)結(jié)果預(yù)測(cè)框架[J].開(kāi)放教育研究，2019，25（6）：75-82.

[4] Geden M，Emerson A，et al.Predictive student modeling in gamebased learning environments with word embedding representations of reflection [J].International Journal of Artificial Intelligence in Education，2021，31：1-23.

[5] Ramakrishnan A，Zylich B，et al.Toward automated classroom observation：Multimodal machine learning to estimate class positive climate and negative climate [J].IEEE transactions on affective computing，2021，14（1）：664-679.

[6] Holstein K，McLaren B M，et al.Co-designing a real-time classroom orchestration tool to support teacher-AI complementarity [J].Grantee Submission，2019，6（2）：27-52.

[7] Sweller J，Ayres P，et al.Cognitive load theory [M].New York：Springer，2011.

[8][29] 李爽，黃治霞等.混合學(xué)習(xí)情境下認(rèn)知負(fù)荷對(duì)學(xué)習(xí)投入機(jī)制的調(diào)節(jié)作用[J].開(kāi)放教育研究，2023，29（4）：90-100.

[9] 王舒，殷悅等.教學(xué)設(shè)計(jì)中的成績(jī)表現(xiàn)和心流體驗(yàn)：基于認(rèn)知負(fù)荷視角[J].心理發(fā)展與教育，2019，35（3）：329-337.

[10] Albus P，Vogt A，et al.Signaling in virtual reality influences learning outcome and cognitive load [J].Computers & Education，2021，166：1-16.

[11] Zhong B，Si Q.Troubleshooting to learn via scaffolds：Effect on students’ ability and cognitive load in a robotics course [J].Journal of Educational Computing Research，2021，59（1）：95-118.

[12] 辛自強(qiáng)，林崇德.認(rèn)知負(fù)荷與認(rèn)知技能和圖式獲得的關(guān)系及其教學(xué)意義[J].華東師范大學(xué)學(xué)報(bào)（教育科學(xué)版），2002，（4）：55-60+77.

[13] Sweller J，Van Merrienboer J J G，et al.Cognitive Architecture and Instructional Design [J].Educational Psychology Review，1998，10（3）：251-296.

[14] Paas F，Tuovinen J E，et al.Cognitive Load Measurement as a Means to Advance Cognitive Load Theory [J].Educational Psychologist，2003，38（1）：63-71.

[15] Leppink J，Paas F，et al.Effects of Pairs of Problems and Examples on Task Performance and Different Types of Cognitive Load [J].Learning and Instruction，2014，30（4）：32-42.

[16][39] Fang C，Jianlong Z，et al.Robust Multimodal Cognitive Load Measurement [M].Cham：Springer，2016.

[17] Spivey M J，Grosjean M，et al.Continuous attraction toward phonological competitors [J].Proceedings of the National Academy of Sciences，2005，102 （29）：10393-10398.

[18] Barz M，Altmeyer K，et al.Digital pen features predict task difficulty and user performance of cognitive tests [C].New York：Association for Computing Machinery，2020.23-32.

[19] Lively S E，Pisoni D B，et al.Effects of cognitive workload on speech production：Acoustic analyses and perceptual consequences [J].The Journal of the Acoustical Society of America，1993，93（5）：2962-2973.

[20] Verrel J，L vdén M，et al.Interacting effects of cognitive load and adult age on the regularity of whole-body motion during treadmill walking [J]. Psychology and aging，2009，24（1）：75-81.

[21] Aghajani H，Garbey M，et al.Measuring mental workload with EEG + fNIRS [J].Frontiers in human neuroscience，2017，11（7）：1-20.

[22] 于海斌.基于多生理信號(hào)的認(rèn)知負(fù)荷評(píng)估研究[D].北京：北京師范大學(xué)，2019.

[23] Siemens G，Gasevic D，et al.Open Learning Analytics：an integrated & modularized platform [D].Edmonton AB Canada：Monash University，2011.4-18.

[24] 周鵬霄，鄧偉等.課堂教學(xué)視頻中的S-T行為智能識(shí)別研究[J].現(xiàn)代教育技術(shù)，2018，28（6）：54-59.

[25] Saquib N，Bose A，et al.Sensei：sensing educational interaction [J]. Proceedings of the ACM on Interactive，Mobile，Wearable and Ubiquitous Technologies，2018，1（4）：1-27.

[26] 方海光，孔新梅等.一種智慧課堂交互行為數(shù)據(jù)的標(biāo)準(zhǔn)分?jǐn)?shù)常模計(jì)算方法研究——基于改進(jìn)型弗蘭德斯互動(dòng)分析系統(tǒng)iFIAS[J].遠(yuǎn)程教育雜志，2023，41（5）：67-75.

[27] 蔡旻君.學(xué)習(xí)者在線學(xué)習(xí)行為投入新探索——基于點(diǎn)、線、面方法的評(píng)估模型構(gòu)建[J].中國(guó)電化教育，2023，（8）：84-93.

[28] 戰(zhàn)雙鵑，許文麗.SPOC混合教學(xué)模式下高校外語(yǔ)課程學(xué)習(xí)焦慮研究[J].當(dāng)代外語(yǔ)研究，2023，（6）：118-126.

[30] 彭紅超，趙佳斌.混合學(xué)習(xí)團(tuán)隊(duì)類型及其學(xué)習(xí)效果：學(xué)習(xí)力和學(xué)習(xí)效能感視角[J].現(xiàn)代遠(yuǎn)程教育研究，2022，34（6）：102-111.

[31] 田浩，武法提.混合場(chǎng)景下協(xié)作認(rèn)知投入的多模態(tài)表征與分析路徑研究[J].遠(yuǎn)程教育雜志，2022，40（4）：35-44.

[32] 尤佳鑫，孫眾等.數(shù)字教材的技術(shù)接受度與教師TPACK能力的相關(guān)分 析——基于結(jié)構(gòu)方程模型的實(shí)證研究[J].電化教育研究，2014，35（11）：102- 108.

[33] 劉東亮，閆玥蓉.大數(shù)據(jù)分析中的相關(guān)性和因果關(guān)系[J].國(guó)家檢察官學(xué)院學(xué)報(bào)，2023，31（2）：23-41.

[34] 張振虹，劉文等.學(xué)習(xí)儀表盤：大數(shù)據(jù)時(shí)代的新型學(xué)習(xí)支持工具[J].現(xiàn)代遠(yuǎn)程教育研究，2014，（3）：100-107.

[35] Sedrakyan G，Malmberg J，et al.Linking learning behavior analytics and learning science concepts：Designing a learning analytics dashboard for feedback to support learning regulation [J].Computers in Human Behavior，2020，107：1-15.

[36] 武法提，高姝睿等.人機(jī)智能協(xié)同的精準(zhǔn)學(xué)習(xí)干預(yù)：動(dòng)因、模型與路向[J].電化教育研究，2022，43（4）：70-76.

[37] Van Merri nboer J J G，Kester L，et al.Teaching Complex Rather than Simple Tasks：Balancing Intrinsic and Germane Load to Enhance Transfer of Learning [J].Applied Cognitive Psychology，2006，20（3）：343-352.

[38] 車敬上，孫海龍等.為什么信息超載損害決策 基于有限認(rèn)知資源的解釋[J].心理科學(xué)進(jìn)展，2019，27（10）：1758-1768.

[40] Kirschner P A.Cognitive Load Theory：Implications of Cognitive Load Theory on the Design of Learning [J].Learning and Instruction，2002，12（1）：1-10.

[41] Wolpert L.Cognition：evolution does help to explain how minds work [J]. Nature，2009，459（7246）：506.

[42] Kim J，Jo I-H.Feasibility and Use of Psychophysiological Responses Based on Cognitive Load Theory [J].Australasian Journal of Educational Technology，2019，35（3）：1-16.

[43] Boucsein W.Electrodermal Activity （Second Edition） [M].New York：Springer，2012.

[44] Hilbert T S，Renkl A.Learning How to Use a Computer-Based ConceptMapping Tool：Self-Explaining Examples Helps [J].Computers in Human Behavior，2009，25（2）：267-274.

[45] Saaty T L.The analytic hierarchy and analytic network processes for the measurement of intangible criteria and for decision-making [M].New York，Springer，2016.363-419.

[46] 韓穎，董玉琦等.學(xué)習(xí)分析中情緒的生理數(shù)據(jù)表征——皮膚電反應(yīng)的應(yīng)用前瞻[J].現(xiàn)代教育技術(shù)，2018，28（10）：12—19.

[47] Bangor A，Kortum P，et al.Determining what individual SUS scores mean：Adding an adjective rating scale [J].Journal of usability studies，2009，4（3）：114-123.

[48] 肖睿，肖海明，尚俊杰.人工智能與教育變革：前景、困難和策略[J].中國(guó)電化教育，2020，（4）：75-86.

[49] 鄭婭峰，趙亞寧等.教育大數(shù)據(jù)可視化研究綜述[J].計(jì)算機(jī)科學(xué)與探索，2021，15（3）：403-422.

作者簡(jiǎn)介：

武法提：教授，博士，博士生導(dǎo)師，研究方向?yàn)橹悄軐W(xué)習(xí)系統(tǒng)、教育數(shù)據(jù)挖掘與學(xué)習(xí)分析。

任偉祎：碩士，研究方向?yàn)槎嗄B(tài)學(xué)習(xí)分析。

Analysis of Learning Situation Based on Cognitive Load Level： Representation Framework and Practical Path

Wu Fati1， Ren Weiyi2

1.Engineering Research Center of Digital Learning and Educational Public Service， Ministry of Education， Beijing Normal University， Beijing 100875 2.School of Educational Technology， Faculty of Education， Beijing Normal University， Beijing 100875

Abstract： Under the background of digital education transformation， learning situation analysis， as an important means of helping teachers understand the learning process of students based on educational big data analysis and diagnostic results， is a necessary prerequisite for carrying out precise teaching. Cognitive load level has always been an important indicator for measuring personalized learning needs and deep learning occurrence of learners. In order to assist learners in adjusting their cognitive load levels during the learning process and effectively investing cognitive resources into higher-order problem-solving processes， this article outlines the general process of learning situation analysis and constructs a learner learning situation analysis framework based on cognitive load levels， which includes three levels： data collection， load identification， and analysis intervention. Subsequently， the article collected multimodal physiological data from 300 students who completed online tests using a portable wristband， and applied feature engineering methods to construct a cognitive load level recognition model. The study status was interpreted by integrating cognitive load levels and learning performance， and a learning analysis dashboard was designed to present the results of the study analysis and intervention suggestions. The article constructs a learning situation analysis framework from the perspective of cognitive load and verifies its feasibility through empirical research， in order to provide reference for research and teaching practice related to cognitive load.

Keywords： cognitive load； learning situation analysis； multimodal learning analysis； intervention design

責(zé)任編輯：李雅瑄