認知負荷視角下在線協作學習的增效機制研究

王希哲 涂雅欣 張琳捷 黃瓊浩

[摘? ?要] 在線協作學習作為一種跨時空情境下的社會化認知學習方式，其過程狀態(tài)的有效感知與活動優(yōu)化對于解決群體學習認知負荷失衡、促進高質量共同發(fā)展至關重要。為此，文章以在線協作學習過程的狀態(tài)分析與適性引導為目標，融合協作認知負荷理論與智能技術手段，對在線協作學習過程量化方法與協作增效機制予以實現與驗證。研究首先基于協作認知負荷理論確立在線協作學習構成框架，從學習者協作狀態(tài)與任務活動兩方面，對在線協作學習關鍵要素進行量化表征;然后構建了在線協作演化網絡，以此進行在線協作學習過程各個狀態(tài)的演化分析與趨勢表征，并提出基于最優(yōu)控制的協作增效機制;最后通過實際應用與效果分析對上述過程量化方法和增效機制進行驗證。實驗結果表明，本研究提出的協作增效機制在基本不影響學習者認知負荷的前提下，能夠顯著提高整體協作學習效果，為認知科學、智能技術與在線協作學習的深度融合發(fā)展提供了新思路。

[關鍵詞] 在線協作學習; 認知負荷理論; 協作狀態(tài)量化; 演化模型; 增效機制

[中圖分類號] G434? ? ? ? ? ? [文獻標志碼] A

一、引? ?言

協作學習是在特定主題引導下，學習者以小組為單位自由地分享觀念、情感和態(tài)度的一種學習模式，能夠促進群體智能的產生與迭代，達到知識、能力的全面增長[1]，已成為21世紀教育培養(yǎng)目標中的關鍵指標與核心素養(yǎng)[2]?；ヂ摼W技術的不斷發(fā)展，計算機支持的協作學習（Computer-Supported Collaborative Learning，CSCL）從早期本地化系統逐步邁向跨時空、富媒體支持的在線協作學習形態(tài)。各類在線環(huán)境以其高交互性與協作便利性，為學習者提供了知識共享、溝通理解和技能掌握的良好認知情境，在線協作學習已成為教育信息化背景下的主要教育教學方式[3]。

隨著在線協作學習的快速發(fā)展，線上人際與人機交互日益復雜、網絡虛擬環(huán)境動態(tài)時變、協作資源加速增長，在線協作學習者認知投入總量變得越發(fā)難以把控;同時，由于在線學習者的異質性與線上交互的異步特點，協作過程認知負荷經常出現過高/過低的現象[4]，這將嚴重影響在線協作學習的效率效果。鑒于協作學習全過程狀態(tài)的量化表征與針對性干預是明晰協作認知情況與改善協作學習“負荷失衡”狀況的關鍵基礎，如何針對在線學習動態(tài)環(huán)境，探究認知負荷對協作過程的影響機理，以此開展協作認知演化過程的建模與優(yōu)化，已成為當下在線協作學習亟待解決的關鍵問題。

為了更好地明晰社會化認知過程中的影響因素，指導協作學習的過程建模，認知負荷理論[5]（Cognitive Load Theory，CLT）從信息加工角度對人在工作記憶中使用的注意力或者精神力總量進行表征，成為教育學、心理學、計算機科學等領域的重要理論基礎[6]。隨著研究的深入與迭代，該理論的提出者Sweller與Kirschner等針對協作學習情境，進一步從協作學習中的任務、學習者與群組三方面進行理論探討，并引入了集體工作記憶、認知相互依賴以及協作代價等核心概念，形成了協作認知負荷理論（Collaborative Cognitive Load Theory）[7]，引發(fā)領域研究者的普遍關注[8]，也為本研究在線協作學習構成分析與狀態(tài)量化提供了關鍵理論依據。

以人工智能為核心的大數據、腦科學等新技術的發(fā)展，為解決學習者協作認知狀態(tài)建模與學習效果提升等問題賦予了巨大潛力[9]，數據驅動的演化分析成為動態(tài)學習過程規(guī)律發(fā)現、狀態(tài)分析的有效手段[10]。國家先后出臺的《中國教育現代化2035》[11]《關于深化教育教學改革全面提高義務教育質量的意見》[12]等文件，均強調要利用現代技術推動啟發(fā)式、探究式、參與式、合作式教學方式與人才培養(yǎng)模式改革，開展研究型、項目化、合作式學習，明確了以新技術手段促進協作學習的發(fā)展進程。在此背景下，借助數據科學理論，以大數據分析、最優(yōu)控制等為代表的智能技術成為突破在線協作學習困局的有效手段。因此，本研究基于協作認知負荷理論對在線協作學習構成進行剖析，提取在線協作學習要素，實現在線協作過程狀態(tài)量化表征，并利用系統動力學建模與最優(yōu)控制優(yōu)化方法，提出學習者協作過程精準描述與智能引導的解決方案，旨在為在線協作學習的個性化與智能化發(fā)展提供新思路。

二、認知負荷理論支持下

在線協作學習構成分析

在線協作學習的基本構成確立是實現協作學習過程量化的基本前提條件，而協作認知負荷理論的提出從CLT角度為協作學習活動開展提供良好的理論體系保障，成為探究在線協作學習構成的有力途徑?？紤]到協作認知負荷理論所面向的情境并不針對在線學習，因此研究還需在現有理論框架下結合在線情境特性進行拓展分析，并以此實現在線協作學習內在核心要件的深入把握，為后續(xù)演化建模提供理論依據。

（一）協作認知負荷理論概述

認知負荷是指完成一項學習任務所需的總工作記憶資源，當學習者面臨新的信息時，所需的工作記憶根據認知負荷來源差異，可以劃分為內在負荷（學習者先驗知識與能力情況）、外在負荷（外部環(huán)境支持與任務難度）與額外負荷（其他不屬于內在與外在的認知負荷）[5]。而協作認知負荷理論在此基礎上提出集體工作記憶與交互代價的概念，完善群組指標劃分，且遵循以下認知負荷理論的基本原則（Principles）[7]：

P1：學習者先驗知識/能力越少，其內在負荷越高;學習任務的難度越大、內容呈現越多，則外在負荷越高;與目標無關的冗余信息會增加學習者額外負荷，阻礙學習者認知效果。

P2：任務設置過程中，認知負荷過高會使學習者心生挫敗感，產生放棄、恐懼的心理;認知負荷過低會影響學習者成就感，使其產生無聊、厭倦的感覺，均不利于學習活動的開展。

P3：通過教學策略、技術干預等方式優(yōu)化學習活動，可以對認知負荷進行調整，有利于知識的建構與內化。

P4：在形成集體工作記憶前，群組成員越多、知識分布越不均衡，協作活動的交互代價越大，協作過程產生的負荷越高。

基于以上原則，協作認知負荷理論從任務、學習者與群組特征三個維度對協作過程進行指導，具體包括：

（1）任務特征（含任務復雜度、任務指導）：協作任務對學習目標實現及其過程引導起著至關重要的作用，一定程度上的任務復雜度可以促進學習者的協作發(fā)生;該過程提供的指導和支持越多，交互過程造成的額外負荷就越低，可以幫助學習者更為順利地完成學習任務，實現各個階段的知識內化。

（2）學習者特征（含領域知識、協作能力）：學習者的領域知識對集體工作記憶的形成具有決定作用，學習者在任務目標領域的專業(yè)知識越豐富，交互過程造成的額外負荷就越低;另外，學習者的協作能力通過將影響交互過程從而造成額外負荷，更好的協作能力能夠幫助學習者更為高效地開展協作活動。

（3）群組特征（含群組規(guī)模、角色、異質性、組隊/任務經驗）：群組是協作學習開展的主要載體，群組規(guī)模越大、交互過程越多，額外負荷也越高;群組角色的明確分工，可有效降低交互過程中的額外負荷;異質性代表群組內部學習者間的能力差異，群組成員知識分布越不均勻，交互過程造成的額外負荷會越高;群組成員組隊/任務的經驗越多，協作過程面臨的額外負荷就越低。

（二）在線協作學習構成框架確立

協作認知負荷理論為一般性協作學習提供了科學充足的指導原則與框架，目前也有相關研究論證了其在CSCL應用的可行性[13]，這為認知負荷視角下的在線協作學習構成要素分析奠定了基礎。但相較于CSCL，在線協作過程因其更為開放、自由的跨時空情境而更具復雜性，具體表現在學習者與學習任務兩大方面：

（1）學習者：數量更多，異質性更高;異步學習活動開展下，在線學習者以個體身份參與協作活動，所屬群組可作為個體具有的一個子類屬性;但由于缺乏面對面的互動過程，學習者狀態(tài)的不確定性相對偏高，角色分工存在一定的隨意性等[14]。

（2）學習任務：在線課程內容、資料需預先準備與發(fā)布，學習任務在創(chuàng)建課程時已基本固定;任務開展形式更為豐富，可根據學習者的個體差異選擇協作探究或自我提升;但高自由度致使在線協作任務開展時的主題約束較弱，易偏離目標主題[15];協作指導者難以實時為眾多學習者提供支持，技術輔助相較更多。

鑒于此，本研究依據協作認知負荷理論，綜合考慮在線協作學習情境和認知負荷影響關系對協作學習構成進行適配調整，含合并學習者與群組大類、統一表示任務/組隊經驗與知識/能力等，最終確定學習者和學習任務2個一級指標以及7個二級指標，形成在線協作學習構成框架，見表1。

三、在線協作學習過程狀態(tài)量化表征

在線協作學習過程狀態(tài)量化表征旨在對協作學習過程中各要素的不同狀態(tài)進行動態(tài)刻畫，并將其用于后續(xù)的協作學習演化建模。作為一種復合了多種因素的深層狀態(tài)，在線協作狀態(tài)會隨著學習活動的演進而逐漸變化，使得常規(guī)手段難以對該過程進行有效表征與獲知，融合AI等新技術的在線協作學習要素挖掘與表示成為解決該問題的有效方法[16]。除去在線協作學習構成框架中已確定因素（群組規(guī)模、任務復雜度、過程支持）與較高不確定性相關因素（群組角色），本研究認為學習者知識狀態(tài)、學習過程交互程度以及協作任務形式是屬于在線協作學習過程的關鍵可調節(jié)因素。因此本研究以協作學習構成框架為指導，針對協作學習中的過程性數據采集與分析過程，從學習者協作指標量化、協作狀態(tài)表征與協作活動表征三方面，實現協作學習過程狀態(tài)的量化表征。

（一）學習者協作指標量化

在線學習者具有的高異質性特點會造成協作過程的額外負荷，而對學習者協作狀態(tài)的準確判別成為解決該問題的必要條件。對應在線協作學習構成框架中的學習者領域知識與協作能力兩個協作狀態(tài)要素，本文采用知識掌握度和有效交互度兩個指標對其進行準確表征。為了便于對協作學習狀態(tài)進行有效界定與量化區(qū)分，需對相關信息進行如下定義：假設一門在線學習課程共包含知識點n個，通過在每個知識學習完成后對其進行測驗，對于第i名學生在學習第j個知識后取得的評價得分為Pij （測驗總分為P'j），據此可以實現學習者的知識掌握KAij的計算方法，如公式（1）所示。同時為了對不同掌握度對應狀態(tài)進行區(qū)分，定義閾值ρ1與ρ2表示部分知識的部分掌握與完全掌握分界。

（1）

此外，相較常規(guī)以交互次數作為衡量協作程度判定標準的方式，協作認知負荷理論指出與協作主題相關的交互才是有效交互，不相關的交互反而會增加額外負荷，因此本研究引入了有效交互度的概念。具體計算過程在對每個知識點關鍵詞進行GloVe[17]向量化后，以集合表示為KTj={kt1，kt2，…，ktn}，另對學習者在學習過程中的交互內容同樣進行向量化表示，形成集合CTij={ct1，ct2，…，ctn}，根據交互內容與目標知識內容之間的相關性，以每次交互內容與主題的相關性之和計算有效協作交互度ECij，如公式（2）所示。

（2）

其中，kt，ct分別為KTj與CTj的均值，為了判斷學習者的有效交互程度，定義閾值ζ，作為是否存在有效協作交互的判別分界。

（二）學習者協作狀態(tài)表征

學習者是在線協作學習的主體，其協作狀態(tài)的表示是實現協作狀態(tài)有效感知的核心內容[7]?？紤]協作學習者協作狀態(tài)作為學習者個體知識水平、協作意愿等多維因素的綜合反映，根據協作學習階段、學習者自身能力的不同而存在差異：在線協作學習的進展情況，可分為初始、任務開展、結束等不同階段;學習者個體知識水平與協作程度的差別，存在知識掌握/未掌握、有效/無效協作等狀況。由此，本研究基于上文知識掌握度與有效協作交互度的計算結果，結合實際情況下的閾值設置，對學習者所處的五類協作學習狀態(tài)S進行如下定義表征：

（1）初始狀態(tài)B（符合條件KAij∈（0，ρ1），ECij∈（0，ζ））：表示學習者尚未進入學習狀態(tài)，待在線課程學習開展到一定階段后，學習者將會掌握目標知識并進行協作探究。

（2）已掌握部分知識但缺乏有效協作PN（符合條件KAij∈[ρ1，ρ2），ECij∈（0，ζ））：代表學習者通過一段時間學習后，已具有一定的相關知識儲備，但并未完全掌握本課程所學內容，且此類學習者尚未與他人進行有效協作探究。

（3）掌握部分知識并開展協作PS（符合條件KAij∈[ρ1，ρ2]，ECij∈[ζ，ζmax））：表示學習者雖未完全掌握本節(jié)課程所學內容，但已開展與其他學習者的協作學習任務探究。

（4）完全掌握但缺乏有效協作CN（符合條件KAij∈[ρ2，1），ECij∈（0，ζ））：表示學習者已達成學習目標，但不愿意參與協作活動或沒有有效協作展開。

（5）完全掌握并能較好協作CS（符合條件KAij∈[ρ2，1），ECij∈[ζ，ζmax））：表示學習者已達成學習目標，并且能較好地與他人進行協作活動。

由此完成了學習者在線協作狀態(tài)表征，而各個狀態(tài)之間的關系轉化分析即是在線協作學習演化過程探究的主要內容。

（三）學習任務活動表征

除了學習者外，協作學習任務亦為在線協作高效開展的重要條件[7]。上文在線協作學習構成框架指出，在線學習環(huán)境提供了更為豐富多樣化的任務互動形式，具體到知識傳遞以及協作交流過程中的角色與行為差異，其中的任務活動E可分為以下三類情況：

（1）知識講授E1：該類活動通常發(fā)生在協作學習初期，由教師或已錄制好的視頻資料等進行基本知識點的講解、總結，以及群組劃分、任務布置等。通常學習者在該過程中能夠對基礎知識進行吸收內化，并為協作活動的開展提供支持。

（2）協作交流E2：該方式是在學習者掌握了一定的知識后，通過設置特定的任務情境，進行交流討論或協作探究。該過程是學習中的關鍵活動，學習者既是知識的接收者，同時也是知識的分享者與傳遞者。

（3）自我學習E3：該部分主要由學習者獨立完成，通過學習已有學習資源或搜索得到的資料，進行自主知識建構。同時，不排除個別學習者相較協作更愿意采用自我學習，因此也是協作學習中學習者可能出現的學習活動之一。

以上內容明確了在線協作學習任務活動的關鍵組成，根據在線協作學習者狀態(tài)與任務協作狀態(tài)變化過程，進一步可實現協作演化模型的構建。

四、在線協作學習演化模型與增效機制構建

（一）在線協作學習演化模型構建

協作演化過程是各協作學習狀態(tài)隨協作進程展開而產生的動態(tài)時序性變化過程?；谏衔闹幸衙鞔_的協作學習者狀態(tài)S與協作任務狀態(tài)E，定義T為協作學習時間，據此可對協作學習過程進行設計描述，即隨著協作學習的開展，在不同的學習任務引導下實現學習者協作狀態(tài)的改變，構成基于系統動力學模型[18]的在線協作學習演化網絡CLN=（S，E，T）?？紤]協作活動過程中主要以小組為單位開展協作學習，根據準備階段的分組結果，將學習者分為G組，對于學習者i，其所在組別定義為gi，由此形成對應組別下的在線協作學習狀態(tài)S隨時間t的演化函數：S（t）。此時根據協作任務下的知識傳遞過程差異，對于該任務影響下的協作狀態(tài)轉移概率p（E）分別定義為E1：α1～α4， E2：β1～β5，E3：γ1～γ7?；诖?，對在線協作學習演化網絡進行圖示表達，如圖1所示。

圖1? ?在線協作學習演化網絡

圖左描述了協作學習各個狀態(tài)及其演化關系，圖右反映了協作學習不同狀態(tài)的對應過程，即整個過程是從協作初始準備階段到各學習活動展開后的知識部分掌握階段，最終實現知識點掌握與協作探究任務的完全達成。根據系統動力學模型的基本定義，該演化過程可以描述為穩(wěn)態(tài)系統中的時變性求解問題，通過各狀態(tài)的演化趨勢進行分析，進而實現協作學習狀態(tài)的預測與適性調整。

（二）在線協作學習演化趨勢分析

在線協作學習演化趨勢是協作演化分析的關鍵目的，可以為適性支持提供指導和依據。對于學習者的某一演化狀態(tài)，可以視為一個隨時間t改變的函數，則狀態(tài)之間的演化趨勢可以通過狀態(tài)函數的微分計算進行表示。該趨勢表達了各個協作狀態(tài)隨在線活動展開可能的狀態(tài)變化，即經過一段時間的協作任務活動后，從演化前狀態(tài)到演化后狀態(tài)的轉換方向。演化前狀態(tài)表示演化過程中，該狀態(tài)處于流失的情況，即在經過協作任務活動后，某狀態(tài)在協作學習演化網絡中的對應占比應減少。而演化后狀態(tài)與演化前狀態(tài)相反，表示在一段時間的學習活動后，學習者新達成的目標狀態(tài)，是演化網絡中的協作狀態(tài)增加的部分。如B→PN表示學習者在經過了協作準備階段的知識講授、任務布置等內容學習后，會從初始狀態(tài)B（演化前狀態(tài)）變化為PN （演化后狀態(tài)）。由此，對于某一演化狀態(tài)S，其狀態(tài)的轉入/轉出連接數為l，則協作任務活動后，該狀態(tài)所屬概率會在演化趨勢表示中增加/減少對應部分：

（3）

通過以上定義，可以對t時刻下學習者的各類協作學習演化趨勢進行表征，如對于初始狀態(tài)，其演化趨勢可描述為（其他協作學習狀態(tài)同理）：

（4）

（三）基于最優(yōu)控制的協作增效機制建立

在線協作學習的最終目標是使學習者通過協作過程能夠掌握課程知識并培養(yǎng)其協作能力，即最終達成知識完全掌握且有效交互的狀態(tài)。而上述演化建模與趨勢分析過程均屬于自然演進過程，缺少額外的干預引導。為了進一步提升協作學習效果，本研究參考已有協作學習優(yōu)化策略構建方案[19]，從信息傳播與知識建構的不同角度設計了三類在線協作學習活動效果提升方法：

（1）面向知識建構的協作學習增效方法M1：該方法適用于部分掌握狀態(tài)學習者，即針對學習者基礎掌握不佳、知識未能內化等問題，致使協作學習活動不能有效開展的狀況。主要采用學習診斷報告、重點資源推薦、學習任務提示等方式，輔助學習者進行知識學習，使學習者能夠快速掌握協作所需的重點知識，為協作活動的有效展開提供基礎。

（2）基于主題識別的協作強化方法M2：該方法適用于無協作/未能有效協作狀態(tài)學習者，即協作學習過程展開不順利，或者協作主題內容方向偏離等狀況。通過提供特定的協作任務與活動輔助，結合主題偏離提醒、可視化雷達圖、主題詞云等方式開展當前主題與目標主題的契合程度呈現，強化學習者的參與感與小組榮譽感，增強小組整體的協作效能。

（3）定制支持的協作學習活動優(yōu)化方法M3：該方法主要針對部分掌握且無協作狀態(tài)的學習者，根據實際調研情況該部分學習者較少，其原因大多在于分組情況、個人興趣等特殊情況導致協作學習意愿不足、效果不佳。本研究主要通過提供組間差異化的協作學習活動定制設計，同時在知識掌握與協作意愿兩個方面進行強化，如角色分工調整、優(yōu)秀作品評鑒、分享激勵機制等方式進行協作活動的優(yōu)化，并輔以上述兩類學習增效/協作強化機制，共同實現整體協作學習水平的提升。

以上三類方法從不同的角度對協作學習者進行直接/間接的學習活動引導，為了確定上述方法實施的最佳時機，通過在在線協作學習演化網絡中融入上述三類方法，并根據不同策略的目標對象與實施程度建立協作增效機制。定義每類方法的實施權重M1：φ1，φ2， M2：ω1，ω2， M3：θ1，對增效機制作用下的協作學習網絡進行呈現，如圖2所示。

圖2? ?協作增效機制作用下的在線協作學習演化網絡

由于增效機制的實施屬于協作學習演化網絡中節(jié)點狀態(tài)的流失與增加過程，狀態(tài)演化趨勢的表征規(guī)則同樣適用，因此對于增效機制作用后達成CS的狀態(tài)趨勢，其形式化表征可描述為（增效機制作用下的其他協作學習狀態(tài)趨勢同理）：

（5）

根據協作認知負荷理論的基本原則，過多的干預介入反而會增加協作過程中的額外認知負荷。因此本研究進一步考慮各活動效果提升方法的實施代價，即采用多目標優(yōu)化方法，在盡可能低的干預實施（額外負荷）下達成最優(yōu)的引導效果。根據協作學習中的知識獲取與信息傳遞過程，定義ni（t）為協作學習增效機制中的方法實施次數，L（）表示方法實施過程造成的代價損失。在時間周期[0，T]中，為了在最小策略代價開銷基礎上最大化促進學習者知識獲取與傳遞（即達到CS狀態(tài)），實現協作效果的增效調節(jié)，最終的優(yōu)化目標可以描述為：

（6）

在以上優(yōu)化目標條件下，可將協作學習演化過程視為動力系統中由一個狀態(tài)轉移到另一個狀態(tài)的最優(yōu)控制信號發(fā)現問題，采用漢密爾頓動態(tài)優(yōu)化方法[20]進行參數φ，ω，θ的最優(yōu)化求解。對于所得到的優(yōu)化目標參數即可作為學習干預實施的概率權重，以此實現根據學習者所處的協作學習狀態(tài)差異，自適應地給予協作優(yōu)化策略支持，以此實現協作學習效果提升。

五、實驗與分析

（一）實驗準備

為了驗證本研究在線協作演化建模與增效機制的有效性，本研究選取在浙學（www.zjooc.cn）平臺中同一門信息類在線課程中的68名同級學習者（均無課程相關內容學習經驗）作為研究對象，根據學習者所在班級分為實驗組（35人，采用增效機制支持的在線協作學習）與對照組（33人，采用常規(guī)在線協作學習），開展為期10周共5個章節(jié)的在線學習?？紤]實驗變量控制過程的便捷性與可操作性，學習過程以4～6人/小組進行協作群組劃分，每章節(jié)后均設有章節(jié)測驗用于檢測學習效果。通過對平臺學習數據進行監(jiān)測、采集和分析，開展下述實驗以驗證協作增效機制的應用效果：

（1）基于平臺數據的學習狀態(tài)演化差異分析：針對在線協作學習過程，分別計算實驗組與對照組在各個階段的學習者協作狀態(tài)占比，形成學習協作狀態(tài)演化的全過程呈現，以此了解增效機制的作用過程并驗證有效性。

（2）學習者認知負荷與績效水平差異分析：在學習者完成在線協作課程學習后，分別基于實驗組與對照組的認知負荷測量結果與對應課程最終成績，進行獨立樣本t檢驗，以此分析協作增效機制對于學習者認知負荷和學習效果的影響。

（二）基于在線平臺數據的協作狀態(tài)演化差異分析

考慮協作活動開展需要一定的知識儲備[7]，并且增效機制的實施需基于一定的學習者前期數據基礎，因此擬在實驗中后期（5～10周）對實驗班開展增效機制的實際應用。在進行協作狀態(tài)分析前，通過對本研究實驗目標、情境與對象的調研與分析，首先確定協作學習演化網絡中各參數的取值情況，見表2。

此外，為了便于演化過程的差異呈現，本研究以各協作狀態(tài)在總和中占比（當前所處狀態(tài)/總人數）的變化情況，對自然演化狀態(tài)下協作學習狀態(tài)（對照組）與增效機制支持下的協作學習（實驗組）所處狀態(tài)進行呈現，如圖3與圖4所示。

根據上圖呈現，第五周前兩個班級的演化狀態(tài)具有一定的相似性，盡管從初始狀態(tài)向其他狀態(tài)的轉移速度以及達成最終目標（CS）狀態(tài)學習者比例方面，對照組略微優(yōu)于實驗組，但兩組走勢上未呈現明顯差異：隨著學習過程的深入，對于知識完全掌握的兩類狀態(tài)（CS、CN）均處于穩(wěn)步上升狀態(tài)，而知識部分掌握的兩類狀態(tài)（PS、PN）在前期有較大提升，在接近（x=2）的位置隨之穩(wěn)步下降;相較而言，在中后期（5至10周）實驗組引入協作增效機制后，兩組情況呈現出較大差異：對照組中協作學習演化過程的曲線在增長/下降到一定程度后趨于平緩，而實驗組則在協作增效機制實施一段時間后（x=5）出現明顯拐點，最終達成CS狀態(tài)的學習者比例具有較為顯著的提升。

經進一步調研發(fā)現，造成該現象的原因可能為：一方面，由于兩個組的學習者都是初次接觸相關平臺操作與知識內容，學習前期存在對學習內容、方式的不適應情況，致使前期在知識掌握方面存在一定不足。另一方面，本課程平臺能夠實時呈現學習者成績但未將協作交互部分納入評價機制，從處于自然演化狀態(tài)下學習者內驅力角度來看，部分學習者在發(fā)現可獨立獲得較好成績后，便不再考慮進一步展開協作交互;而實驗組在實施增效機制后，CN狀態(tài)學習者比例下降，CS狀態(tài)學習者進一步提升，該情況也恰好反映了協作增效機制對于協作交互的提升是有效的。

（三）學習者認知負荷與績效水平差異分析

為了驗證增效機制相較常規(guī)協作學習造成的認知負荷與學習成績影響，本研究基于認知負荷與課程成績開展進一步實證效果分析。首先，采用經典Paas認知負荷量表[21]對認知負荷進行測量，其Cronbach's α系數為0.74，表明量表信度良好。測量過程從感知到的心理努力與感知到的難度水平兩個維度，以9級評分制進行打分評測，1代表付出最少努力和非常容易，9表示非常努力與非常困難。之后獲取實驗組與對照組學習者的最終課程成績（滿分100分），檢驗增效機制對于學習效果的提升情況。

綜合量表總分與課程得分情況，分別對實驗組與對照組進行進一步測量與分析。首先從學習者初始條件以及上述協作活動前期的演化差異可以判定，實驗組與對照組學習者的初始認知負荷和知識水平差異不大。之后，在完成問卷完整性確認后使用SPSS 24.0對兩組的認知負荷與測試得分結果進行獨立樣本t檢驗，其最終結果見表3。

由上表可知，在認知負荷方面，實驗組測得均值相較對照組有少許增加（+0.32），該結果符合認知負荷理論假設，即額外的活動交互過程會增加學習者的認知負荷;而基于獨立樣本t檢驗結果顯示，實驗組與對照組并沒有顯著差異（p=0.835>0.05），這在一定程度上反映了增效機制中所考慮的實施代價因素是有必要且有效的。在測試得分方面，實驗組相較對照組具有顯著差異（p=0.010<0.05），且在均值方面具有較大的提升（+6.35），說明了增效機制的應用可以顯著提升在線協作學習效果;此外，對照組的測試得分標準差要明顯高于實驗組6.71，說明自然演化的協作學習者存在成績離散程度偏高現象，也側面反映出協作增效機制一定程度上可以減少協作學習中學習者離群、邊緣化等問題;同時結合圖4的過程呈現可以推斷，協作增效機制可以促使已完全掌握但不愿意分享的學習者再次投入協作活動，實現知識的進一步分享，從而達到提升協作學習整體效果的目的。

六、結? ?語

認知負荷理論與AI技術的迭代與更新，為在線協作學習的狀態(tài)精準感知與提質增效提供了有力支持。本研究通過確立在線協作學習的構成維度與關鍵指標，以此提出協作狀態(tài)量化表示、建立演化網絡與協作增效方法，并基于在線平臺真實場景應用與實證分析驗證了方法科學性與有效性。上述方法的提出從數據科學角度，一定程度上解決了協作過程量化與表征問題，為在線協作學習的提質增效提供切實可行方案。然而，受限于實驗應用場景所用平臺數據維度較少、平臺接口不開放的客觀條件，也存在協作狀態(tài)劃分的粒度較粗、實驗過程的相關數據采集分析與干預過程未能完全按預設情況進行，最終主要通過分階段的數據導出分析與結果呈現，致使分析規(guī)模與干預方式存在一定的限制。因此，后續(xù)擬圍繞以下內容繼續(xù)深入研究：采集更大規(guī)模數據，針對更多的協作學習狀態(tài)維度，實現更為細粒度的協作學習指標分析與狀態(tài)識別;進一步完善相應功能服務，在可擴展系統中進行功能部署應用，以提供更為實時與智能化的協作學習支持。

[參考文獻]

[1] 趙建華，李克東.信息技術環(huán)境下基于協作學習的教學設計[J].電化教育研究，2000（4）：7-13.

[2] 伯尼·特里林，查爾斯·菲德爾.21世紀技能：為我們所生存的時代而學習[M].天津：天津社會科學院出版社，2011.

[3] FU Q K， HWANG G J. Trends in mobile technology-supported collaborative learning： a systematic review of journal publications from 2007 to 2016[J]. Computers & education， 2018， 119： 129-143.

[4] ZAMBRANO J， KIRSCHNER F， SWELLER J， et al. Effects of group experience and information distribution on collaborative learning[J]. Instructional science， 2019， 47（5）： 531-550.

[5] SWELLER J. Element interactivity and intrinsic， extraneous， and germane cognitive load[J]. Educational psychology review， 2010（22）： 123-138

[6] 查先進，黃程松，嚴亞蘭，郭佳.國外認知負荷理論應用研究進展[J].情報學報，2020，39（5）：547-556.

[7] 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， 13（2）： 213-233.

[8] ZHENG L， LI X， ZHANG X， et al. The effects of group metacognitive scaffolding on group metacognitive behaviors， group performance， and cognitive load in computer-supported collaborative learning[J]. The internet and higher education， 2019， 42： 13-24.

[9] 郭紹青.“互聯網+教育”對教育理論發(fā)展的訴求[J].華東師范大學學報（教育科學版），2019，37（4）：25-37.

[10] 彭文輝，王中國，上超望，史玲玲.學習共同體演化動態(tài)及其參與者交互模式研究——數據驅動的社會認知網絡分析[J].電化教育研究，2021，42（11）：69-76.

[11] 中共中央，國務院.中國教育現代化2035[EB/OL]. （2019-02-23）[2022-03-11]. http：//www.gov.cn/xinwen/2019-02/23/content_ 5367987.htm.

[12] 新華社.中共中央國務院關于深化教育教學改革全面提高義務教育質量的意見[EB/OL]. （2019-07-08）[2022-03-11]. http：//www.gov.cn/zhengce/2019-07/08/content_5407361.htm.

[13] 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.

[14] O'DONNELL E， LAWLESS S， SHARP M， et al. A review of personalized e-learning： towards supporting learner diversity[J]. International journal of distance education technologies， 2015， 13（1）： 22-47.

[15] 黃昌勤，王希哲，張冬冬，梅曉勇，周宇文.學習云空間支持下的研究性學習研究與實踐[J].中國電化教育，2015（8）：21-28.

[16] 李洋洋，劉三女牙，陳增照，方靜，何秀玲.學習空間融合視域下協作學習模型構建研究[J].中國遠程教育，2022（3）：42-50，60.

[17] PENNINGTON J， SOCHER R， MANNING C D. Glove： global vectors for word representation[C]// Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing （EMNLP）. Doha： 2014： 1532-1543.

[18] NUHOGLU H. The effect of deduction and induction methods used in modelling current environmental issues with system dynamics approach in science education[J]. Participatory educational research， 2020， 7（1）： 111-126.

[19] 鄭蘭琴，張璇.數據驅動的協作學習活動設計與優(yōu)化策略研究[J].中國電化教育，2020（6）：120-129.

[20] BONGINI M， FOMRNASIER M， ROSSI F， et al. Mean-field pontryagin maximum principle[J]. Journal of optimization theory and applications， 2017， 175（1）： 1-38.

[21] PAAS F G W C， VAN MERRI？魮NBOER J J G. Instructional control of cognitive load in the training of complex cognitive tasks[J]. Educational psychology review， 1994， 6（4）： 351-371.

Study on Synergistic Mechanism of Online Collaborative Learning from A Cognitive Load Perspective

WANG Xizhe，? TU Yaxin，? ZHANG Linjie，? HUANG Qionghao

（Key Laboratory of Intelligent Education Technology and Application of Zhejiang Province， Zhejiang Normal University， Jinhua Zhejiang 321004）

[Abstract] As a social cognitive learning mode in the cross spatial and temporal context， the effective perception of the process state and activity optimization of online collaborative learning are essential for solving the imbalance of cognitive load in group learning and promoting the high-quality co-development. To this end， this paper aims to analyze the state of the online collaborative learning process and guide its appropriateness by integrating collaborative cognitive load theory and intelligent technology to implement and verify the quantitative method and collaborative efficiency mechanism of the online collaborative learning process. This study firstly establishes the framework of online collaborative learning based on collaborative cognitive load theory， and quantitatively characterizes the key elements of online collaborative learning in terms of learners' collaborative states and task activities. Then， an online collaborative evolutionary network is constructed to analyze the evolution of each state and characterize the trend of online collaborative learning process， and a collaborative efficiency mechanism based on optimal control is proposed. Finally， the above process quantification method and efficiency mechanism are verified through practical application and effect analysis. The experimental results show that the collaborative efficiency mechanism proposed in this study can significantly improve the overall collaborative learning effect without affecting the cognitive load of learners， which provides a new idea for the development of the deep integration of cognitive science， intelligent technology and online collaborative learning.

[Keywords] Online Collaborative Learning; Cognitive Load Theory; Quantification of Collaboration State; Evolutionary Model; Synergistic Mechanism

[作者簡介] 王希哲（1992—），男，河南桐柏人。講師，博士，主要從事在線學習、教育大數據、人工智能教育應用研究。E-mail：xzwang@zjnu.edu.cn。

基金項目：2021年度國家自科基金青年項目“在線教育中基于注意力網絡的認知負荷量化與干預研究”（項目編號：62007031）;2020年度浙江省“錢江人才計劃”特殊急需人才（D類）項目（項目編號：QJD2002019）