基于COPES 理論預(yù)測(cè)網(wǎng)絡(luò)學(xué)習(xí)中的鉆牛角尖*

龔科 劉玉 張藝紅 李俊一

（四川師范大學(xué)心理學(xué)院，成都 610066）

1 引言

1.1 鉆牛角尖定義

堅(jiān)持性、盡責(zé)性和自我控制通常被認(rèn)為是優(yōu)秀學(xué)生的必備品質(zhì)。它們與學(xué)生的學(xué)業(yè)成績(jī)、創(chuàng)造力以及未來(lái)收入呈正相關(guān)（Credé et al.，2017）。然而，并非所有的堅(jiān)持都有效，有些學(xué)生努力學(xué)習(xí)卻不見(jiàn)成效。Beck 和Gong（2013）最早在智能導(dǎo)學(xué)系統(tǒng)（Intelligent Tutor System，ITS）中發(fā)現(xiàn)了一種無(wú)效的堅(jiān)持行為，并取名為wheel-spinning。我們將其意譯為鉆牛角尖，指學(xué)生花費(fèi)大量時(shí)間在某個(gè)知識(shí)點(diǎn)的學(xué)習(xí)上，但始終達(dá)不到掌握，他習(xí)慣不假思索地連續(xù)答題，既不停下反思，也不尋求幫助。對(duì)鉆牛角尖的操作定義有很多，如Beck 和Gong（2013）在ASSISTments 平臺(tái)上，將學(xué)生連續(xù)答題十次以上卻沒(méi)有掌握該技能的行為標(biāo)記為鉆牛角尖，并發(fā)現(xiàn)約38%的學(xué)生存在鉆牛角尖。對(duì)于“達(dá)到掌握”的標(biāo)準(zhǔn)，ASSISTments 平臺(tái)將連續(xù)正確回答3 次問(wèn)題視為“達(dá)到掌握”。在一款名為Cognitive Tutor 的ITS 中，通過(guò)貝葉斯知識(shí)追蹤（Bayesian Knowledge Tracing，BKT）對(duì)學(xué)生的知識(shí)掌握情況進(jìn)行推算，熟練度大于95%則視為“達(dá)到掌握”。無(wú)論采用哪種操作定義，鉆牛角尖都普遍存在，且常伴隨學(xué)業(yè)不良現(xiàn)象。該行為不僅影響學(xué)習(xí)效果和自我效能感，且學(xué)生更難進(jìn)入大學(xué)深造（Adjei et al.，2021）。本研究則將鉆牛角尖定義為學(xué)生在某個(gè)問(wèn)題集（problem set）上回答十次或以上，仍未達(dá)到掌握且不向系統(tǒng)求助。根據(jù)本文所用ITS 特性，一個(gè)問(wèn)題集對(duì)應(yīng)十個(gè)問(wèn)題，故將十次設(shè)為臨界點(diǎn)；該定義也是沿用領(lǐng)域內(nèi)對(duì)鉆牛角尖的經(jīng)典操作定義。

1.2 鉆牛角尖預(yù)測(cè)研究

為幫助學(xué)習(xí)者達(dá)到更好學(xué)習(xí)效果，提升自學(xué)能力，許多人試圖實(shí)現(xiàn)鉆牛角尖的自動(dòng)預(yù)測(cè)。Kai 等（2018）運(yùn)用決策樹(shù)對(duì)學(xué)生在ITS 中的答題行為序列進(jìn)行建模，最終模型的AUC（評(píng)價(jià)模型效果的主要指標(biāo)，越接近1 預(yù)測(cè)效果越好）達(dá)到0.684，發(fā)現(xiàn)較少使用系統(tǒng)提示功能的學(xué)生更可能鉆牛角尖。Zhang 等（2019）發(fā)現(xiàn)學(xué)生的答題速度、注意力與鉆牛角尖關(guān)聯(lián)很強(qiáng)，學(xué)生不愿停下反思而是不斷答題，導(dǎo)致無(wú)法掌握知識(shí)點(diǎn)。雖然前人運(yùn)用機(jī)器學(xué)習(xí)預(yù)測(cè)鉆牛角尖的精度和速度逐步提高，但這些研究尚存在諸多問(wèn)題。首先，前人更加注重模型預(yù)測(cè)效果，忽略了模型可解釋性；導(dǎo)致不清楚鉆牛角尖的內(nèi)在機(jī)制，無(wú)法開(kāi)展有針對(duì)性的干預(yù)。其次，特征工程未充分考慮特征的可操控性（actionable features），無(wú)法用于進(jìn)一步的干預(yù)工作。最后，大多數(shù)研究是以問(wèn)題集為水平（problem-set level）進(jìn)行建模，沒(méi)有考慮學(xué)生的個(gè)體特征。

1.3 鉆牛角尖潛在心理機(jī)制

造成以上問(wèn)題的重要原因是以往研究通常是數(shù)據(jù)驅(qū)動(dòng)，缺乏心理學(xué)理論指導(dǎo)。Beck 等人（2014）認(rèn)為鉆牛角尖的內(nèi)在機(jī)制可能與學(xué)生的認(rèn)知/元認(rèn)知有關(guān)。在元認(rèn)知領(lǐng)域，Winne 和Hadwin 提出的COPES模型（1998）得到廣泛認(rèn)可。該理論將學(xué)習(xí)過(guò)程簡(jiǎn)化為四個(gè)階段：任務(wù)定義、目標(biāo)設(shè)定和計(jì)劃、學(xué)習(xí)策略使用及元認(rèn)知適應(yīng)。每一階段又包含五個(gè)內(nèi)部過(guò)程，即條件（conditions）、認(rèn)知操作（operations）、產(chǎn)物（products）、評(píng)估（evaluations）和標(biāo)準(zhǔn)（standards）。每一階段都處于元認(rèn)知監(jiān)控之下。即元認(rèn)知監(jiān)控處于核心地位，并主導(dǎo)著學(xué)生的自我調(diào)節(jié)。

鉆牛角尖的學(xué)生鍥而不舍地投入認(rèn)知資源，卻難以獲得更多的學(xué)習(xí)收益。盡管他們顯示出一定程度的自我調(diào)節(jié)（受挫后繼續(xù)），但收效甚微。我們認(rèn)為可能的機(jī)制之一是COPES 模型中的認(rèn)知操作不當(dāng)導(dǎo)致元認(rèn)知監(jiān)控水平降低，在行為上表現(xiàn)為刻板地調(diào)用某種學(xué)習(xí)策略。龔德英等（2008）的研究表明元認(rèn)知能力較強(qiáng)的學(xué)生其遷移能力更強(qiáng)，能更順利地調(diào)用學(xué)習(xí)策略實(shí)現(xiàn)自我調(diào)節(jié)，并進(jìn)入元認(rèn)知適應(yīng)階段。

學(xué)業(yè)水平較高的學(xué)生其學(xué)習(xí)前后的認(rèn)知評(píng)估都能準(zhǔn)確預(yù)測(cè)其成績(jī)，而學(xué)業(yè)水平較低的學(xué)生學(xué)習(xí)前進(jìn)行的認(rèn)知評(píng)估對(duì)其成績(jī)的預(yù)測(cè)能力明顯低于學(xué)習(xí)后進(jìn)行的認(rèn)知評(píng)估（Hacker et al.，2000）。因?yàn)閷W(xué)生在認(rèn)知評(píng)估時(shí)，是基于COPES 理論中條件形成的任務(wù)感知與信念（Greene &Azevedo，2007），這表明COPES 理論中的條件對(duì)認(rèn)知操作有著重要影響。實(shí)際上，認(rèn)知操作過(guò)程是SMART 過(guò)程（Winne，2022），即當(dāng)學(xué)生接收到外界材料刺激時(shí)，他們的腦海中會(huì)提取相應(yīng)的陳述性知識(shí)和程序性知識(shí)（task conditions），以形成對(duì)任務(wù)的感知，進(jìn)而制定目標(biāo)和學(xué)習(xí)策略。例如，當(dāng)項(xiàng)目難度提升時(shí)，元認(rèn)知監(jiān)控能力明顯下降（Kai et al.，2018）。學(xué)生可能難以提取或錯(cuò)誤提取完成當(dāng)前項(xiàng)目所需要的條件，這使得他們的元認(rèn)知監(jiān)控能力受到顯著影響。總體來(lái)說(shuō)，鉆牛角尖的潛在機(jī)制可能是認(rèn)知操作不當(dāng)導(dǎo)致元認(rèn)知監(jiān)控下降，條件起到了重要的調(diào)節(jié)作用。

1.4 Reasoning Mind

雖然COPES 理論已得到問(wèn)卷調(diào)查和實(shí)驗(yàn)研究的支持，但來(lái)自教育大數(shù)據(jù)的證據(jù)相對(duì)較少，其生態(tài)效度需進(jìn)一步提升。我們?cè)谝豢蠲麨镽easoning Mind 的ITS（如圖1）收集實(shí)際教學(xué)的大數(shù)據(jù)以開(kāi)展鉆牛角尖預(yù)測(cè)研究并檢驗(yàn)COPES 的生態(tài)效度。該系統(tǒng)針對(duì)美國(guó)小學(xué)生的數(shù)學(xué)教學(xué)，每年有超過(guò)10 萬(wàn)名學(xué)生在學(xué)校課堂中使用它進(jìn)行混合學(xué)習(xí)并取得良好成效（Slater et al.，2018）。Reasoning Mind 內(nèi)置多個(gè)功能模塊，例如：（1）Guided study，主要用于課堂教學(xué)的模塊；（2）Game room，類(lèi)似游戲競(jìng)賽的速度測(cè)驗(yàn)；（3）Mail box，學(xué)生與教學(xué)代理互動(dòng)的郵件系統(tǒng)。一般來(lái)講，參與正常教學(xué)的學(xué)生在整學(xué)年中會(huì)使用Reasoning Mind 至少84 個(gè)小時(shí)，每周約2 小時(shí)。

1.5 小結(jié)

綜上所述，前人研究尚存在機(jī)器學(xué)習(xí)模型可解釋性差、特征可操控性不強(qiáng)、未充分考慮學(xué)生的個(gè)體特征以及缺乏理論支撐等問(wèn)題。對(duì)此，本研究以學(xué)生為水平對(duì)日志數(shù)據(jù)進(jìn)行操控性較強(qiáng)的特征工程，提取與認(rèn)知/元認(rèn)知有關(guān)的特征，以增強(qiáng)模型可解釋性。并基于COPES 理論對(duì)模型結(jié)果進(jìn)行解釋?zhuān)刮磥?lái)的干預(yù)研究有理論基礎(chǔ)且具備較好操控性。

2 方 法

首先，收集并清洗學(xué)生在ITS 中的日志數(shù)據(jù)；其次，根據(jù)對(duì)鉆牛角尖操作定義（見(jiàn)2.2 部分）對(duì)學(xué)生出現(xiàn)鉆牛角尖的次數(shù)進(jìn)行標(biāo)記；然后，以學(xué)生為單位將與認(rèn)知/元認(rèn)知監(jiān)控相關(guān)的特征數(shù)據(jù)化；最后，采用機(jī)器學(xué)習(xí)的回歸類(lèi)算法和交互驗(yàn)證，構(gòu)建預(yù)測(cè)學(xué)生鉆牛角尖次數(shù)的模型。

2.1 數(shù)據(jù)來(lái)源

所用日志數(shù)據(jù)來(lái)源于Reasoning Mind。它包含多個(gè)學(xué)習(xí)模塊和一個(gè)虛擬游戲社區(qū)，提供課堂教學(xué)、鞏固練習(xí)、奧數(shù)、家庭作業(yè)布置和教學(xué)代理支持等功能。我們收集了來(lái)自229 所學(xué)校二至六年級(jí)小學(xué)生從2016年8 月至2017 年6 月的原始日志數(shù)據(jù)。數(shù)據(jù)包含學(xué)號(hào)、操作行為、時(shí)間戳、答題記錄、是否使用提示和提示的粒度數(shù)等，共包含29483 名學(xué)生產(chǎn)生的197530625 條記錄。

2.2 數(shù)據(jù)預(yù)處理

首先，根據(jù)鉆牛角尖的操作性定義，即在一個(gè)問(wèn)題集中回答十次問(wèn)題仍達(dá)不到掌握，剔除回答次數(shù)少于十次的無(wú)效問(wèn)題集，剩余26593 名學(xué)生的174579250 行記錄，包含227 所學(xué)校的7876 名二年級(jí)生，7105名三年級(jí)生，6634 名四年級(jí)生，4812 名五年級(jí)生和166 名六年級(jí)生。其次，通過(guò)BKT算法，根據(jù)學(xué)生在每個(gè)知識(shí)點(diǎn)的首次作答情況，推算學(xué)生“達(dá)到掌握”的概率（Corbett&Anderson，1995），便于后續(xù)提取與認(rèn)知/元認(rèn)知有關(guān)的特征。

2.3 特征工程

特征工程優(yōu)先考慮模型可解釋性和特征的可操控性，參考前人研究、理論和系統(tǒng)特性提取了25 個(gè)特征（附錄1），包括但不限于任務(wù)完成時(shí)間、提示次數(shù)和求助后停留時(shí)間等。其中，“二次嘗試”“觸底提示”“嘗試難題”“回避求助且答對(duì)”“回避求助且答錯(cuò)”“求助后短停留和長(zhǎng)停留且答對(duì)”“求助后短停留和長(zhǎng)停留且答錯(cuò)”“答錯(cuò)后停留時(shí)間”“超50 詞郵件”“超過(guò)6s 且答錯(cuò)”等特征不僅與元認(rèn)知監(jiān)控過(guò)程和學(xué)習(xí)策略使用階段密切相關(guān)，還受到條件和認(rèn)知操作的影響。例如，學(xué)習(xí)者根據(jù)自身知識(shí)水平（條件）判斷當(dāng)前題目難度并選擇相應(yīng)學(xué)習(xí)策略，根據(jù)元認(rèn)知監(jiān)測(cè)結(jié)果調(diào)整認(rèn)知操作，重新制定學(xué)習(xí)策略（如“二次嘗試”“嘗試難題”“回避求助”等）。另外，鉆牛角尖的重要表現(xiàn)是拒絕反思，我們據(jù)此納入了6 個(gè)可能標(biāo)示學(xué)習(xí)者進(jìn)行反思的特征（即“求助后長(zhǎng)/短停留且答對(duì)/答錯(cuò)”“答錯(cuò)后停留時(shí)間”“超50 詞郵件”）。此外，答題時(shí)間、答題正確率、裝飾花費(fèi)、連續(xù)正確回答和電子書(shū)花費(fèi)等特征具備較好可操控性，后期干預(yù)可以從這些特征入手。

2.4 建模過(guò)程

以往研究通常按鉆牛角尖的出現(xiàn)與否對(duì)學(xué)生進(jìn)行簡(jiǎn)單分類(lèi)，這將偶爾鉆牛角尖和經(jīng)常鉆牛角尖行為的學(xué)生混淆在一起，容易出現(xiàn)樣本不平衡，即絕大部分學(xué)生會(huì)被判定為鉆牛角尖群體，因?yàn)殂@牛角尖僅1 次的學(xué)生也會(huì)被歸為該群體。這種簡(jiǎn)單二分法不利于對(duì)鉆牛角尖的深度理解和干預(yù)。因此，我們采用回歸法預(yù)測(cè)學(xué)生鉆牛角尖的次數(shù)。

通過(guò)Python 的scikit-learn 進(jìn)行機(jī)器學(xué)習(xí)建模。為保證模型可解釋性，未涉及深度學(xué)習(xí)，而采用教育數(shù)據(jù)挖掘常規(guī)算法，即線(xiàn)性回歸、隨機(jī)森林回歸、梯度提升決策樹(shù)回歸（gradient boosting regressor）、嶺回歸、Lasso、決策樹(shù)和極限樹(shù)預(yù)測(cè)學(xué)生的鉆牛角尖次數(shù)。用十折交叉驗(yàn)證對(duì)模型進(jìn)行訓(xùn)練和評(píng)估，即把數(shù)據(jù)隨機(jī)分割為10 份，其中9 份用于訓(xùn)練，剩余1 份用于評(píng)估；據(jù)此迭代10 次，得到10 份模型的評(píng)估指標(biāo)，隨后對(duì)這10 份評(píng)估指標(biāo)進(jìn)行平均，獲得模型最終評(píng)估指標(biāo)。最后，選用R2，MSE（均方誤差），RMSE（均方根誤差）和MAE（平均絕對(duì)誤差）作為模型評(píng)價(jià)指標(biāo)。

3 結(jié)果

將元認(rèn)知監(jiān)控相關(guān)特征和可操控性特征分為兩組計(jì)算兩兩相關(guān)，圖2 和3 呈現(xiàn)了經(jīng)過(guò)False discovery rate 程序校正后的結(jié)果。對(duì)元認(rèn)知監(jiān)控特征，“超過(guò)6s 且答錯(cuò)”“求助后長(zhǎng)停留且答錯(cuò)”“求助后短停留且答錯(cuò)”“鉆牛角尖次數(shù)”有高相關(guān)。對(duì)可操控性特征，系統(tǒng)使用的“總時(shí)長(zhǎng)”“總操作數(shù)”“答題時(shí)間總和”“鉆牛角尖次數(shù)”有高相關(guān)。這和鉆牛角尖的定義相似。

圖2 元認(rèn)知監(jiān)控特征之間的相關(guān)熱力圖

圖3 可操控性特征之間的相關(guān)熱力圖

另外，將學(xué)生在Guided study（課堂教學(xué)使用的主要模塊）的答題正確率按前后27%分為高低學(xué)業(yè)成就組，對(duì)比兩組學(xué)生在所有元認(rèn)知監(jiān)控特征和鉆牛角尖次數(shù)上的顯著差異（附錄2）。結(jié)果發(fā)現(xiàn)，高成就組的鉆牛角尖次數(shù)顯著少于低成就組，在回避求助和答題后停留等特征上兩組也存在顯著差異。

表1 呈現(xiàn)了鉆牛角尖模型的預(yù)測(cè)效果，線(xiàn)性回歸、隨機(jī)森林回歸、梯度提升決策樹(shù)回歸、嶺回歸和Lasso 的各項(xiàng)指標(biāo)表現(xiàn)較好，且較為接近。其中，嶺回歸的預(yù)測(cè)效果最好，擁有最大R2和最小RMSE、MSE，而決策樹(shù)和極限樹(shù)的預(yù)測(cè)能力較差。

表1 鉆牛角尖預(yù)測(cè)模型的效果

進(jìn)一步對(duì)排名前五的模型進(jìn)行性能分析，將鉆牛角尖次數(shù)的實(shí)際值與預(yù)測(cè)值進(jìn)行可視化（如圖4）。設(shè)置散點(diǎn)圖的橫軸為預(yù)測(cè)值，縱軸為實(shí)際值。散點(diǎn)越接近斜45°線(xiàn)，代表誤差越小，預(yù)測(cè)效果越準(zhǔn)確。五種模型預(yù)測(cè)結(jié)果分布類(lèi)似，誤差在可接受范圍之內(nèi)，都可進(jìn)行有效預(yù)測(cè)。

圖4 回歸模型性能可視化

為探究哪些特征對(duì)鉆牛角尖的影響最大。通過(guò)scikit-learn 的內(nèi)置函數(shù)計(jì)算了各模型的特征重要性，并列出了表現(xiàn)較好的五個(gè)模型中的前五個(gè)重要特征（附錄3）。重點(diǎn)關(guān)注在所有模型均占據(jù)重要位置的特征，便于后續(xù)對(duì)模型解讀。

4 討論

基于26593 名小學(xué)生在ITS 中的日志數(shù)據(jù)，用機(jī)器學(xué)習(xí)對(duì)學(xué)生在ITS 中的鉆牛角尖進(jìn)行了預(yù)測(cè)。嶺回歸的預(yù)測(cè)效果最佳，但線(xiàn)性回歸、梯度提升決策樹(shù)回歸、隨機(jī)森林和Lasso 的各項(xiàng)指標(biāo)也表現(xiàn)良好且接近，經(jīng)交叉驗(yàn)證的R2均值接近0.68～0.7。在多個(gè)模型中反復(fù)出現(xiàn)的重要特征有“二次嘗試”“連續(xù)5 次答對(duì)（跨問(wèn)題集）”“超過(guò)6s且答錯(cuò)”“超50 詞郵件”“嘗試難題”。

4.1 模型預(yù)測(cè)效果與可解釋性

以往研究常使用分類(lèi)模型，達(dá)到了很高的預(yù)測(cè)準(zhǔn)確率和速度（Wang et al.，2020），并實(shí)現(xiàn)了自動(dòng)反饋（Mu et al.，2020）；但將學(xué)生簡(jiǎn)單貼上“鉆牛角尖”和“不鉆牛角尖”標(biāo)簽，可能導(dǎo)致教師或?qū)W生就接受了模型賦予的標(biāo)簽，產(chǎn)生期望效應(yīng)；也有把偶爾鉆牛角尖的學(xué)生認(rèn)定為“差生”的風(fēng)險(xiǎn)。故本研究選擇回歸類(lèi)方法避免上述問(wèn)題，也達(dá)到較好預(yù)測(cè)效果，最佳模型的R2較高，各誤差指標(biāo)也處于較低水平。

另外，教學(xué)實(shí)踐對(duì)模型預(yù)測(cè)速度和精度有很高要求，但其可解釋性難免會(huì)被犧牲，這也是領(lǐng)域“重?cái)?shù)據(jù)輕理論”的現(xiàn)狀，鉆牛角尖心理機(jī)制始終無(wú)法明晰。雖然本文未直接運(yùn)用實(shí)驗(yàn)法對(duì)鉆牛角尖心理機(jī)制進(jìn)行因果關(guān)系探究，但從特征工程到建模結(jié)果皆注重COPES 理論指導(dǎo)，以提升模型可解釋性。不過(guò)這也使得我們沒(méi)能?chē)L試深度學(xué)習(xí)這類(lèi)預(yù)測(cè)精度可能更高的算法，削弱了模型預(yù)測(cè)效果?？傊?，如何在理論與應(yīng)用，或者模型可解釋性與預(yù)測(cè)效果之間取舍權(quán)衡值得未來(lái)探討。

4.2 基于COPES 的建模結(jié)果解釋

以往研究考察了不同情境下學(xué)習(xí)者的表現(xiàn)，如有時(shí)間壓力時(shí)他們傾向選擇容易項(xiàng)目，無(wú)時(shí)間壓力時(shí)則學(xué)習(xí)困難項(xiàng)目（Winne&Jamieson-Noel，2003）。在COPES理論看來(lái)，時(shí)間壓力和項(xiàng)目難度是調(diào)節(jié)學(xué)習(xí)行為的條件之一，學(xué)習(xí)者能在不同條件下選擇適當(dāng)學(xué)習(xí)策略意味著元認(rèn)知監(jiān)控成功。本文則關(guān)注元認(rèn)知監(jiān)控失敗。Almeda等（2017）指出學(xué)習(xí)者在面對(duì)難題時(shí)，元認(rèn)知監(jiān)控下降，更愿采取不間斷學(xué)習(xí)的策略（Lisa&Son，2004）。這反映困難項(xiàng)目與元認(rèn)知監(jiān)控有負(fù)向關(guān)系。本文結(jié)果顯示，學(xué)習(xí)者的“嘗試難題”占比越高，越可能鉆牛角尖，面臨元認(rèn)知監(jiān)控失敗風(fēng)險(xiǎn)。

答題“超過(guò)6s 且答錯(cuò)”可能反映學(xué)習(xí)者先驗(yàn)知識(shí)不足，它正向預(yù)測(cè)鉆牛角尖。前人研究已證實(shí)先驗(yàn)知識(shí)不同的人在認(rèn)知加工策略上的差異，如專(zhuān)家使用深層策略、新手使用表面策略（Alexander et al.，2004）。作為COPES 中的認(rèn)知條件，先驗(yàn)知識(shí)影響著學(xué)習(xí)任務(wù)的難度判斷，進(jìn)而干擾認(rèn)知操作和元認(rèn)知監(jiān)控（表現(xiàn)為鉆牛角尖）。我們發(fā)現(xiàn)，高低學(xué)業(yè)成就組在“回避求助且答錯(cuò)”和“鉆牛角尖次數(shù)”等變量上均存在顯著差異。同時(shí)，“超過(guò)6s 且答錯(cuò)”也正向預(yù)測(cè)鉆牛角尖，支持了前人結(jié)論（Wan &Beck，2015）。

反思或?qū)徱晫W(xué)習(xí)過(guò)程是COPES 中元認(rèn)知監(jiān)控過(guò)程和元認(rèn)知適應(yīng)階段的重要功能，也是鉆牛角尖學(xué)生的短板?！岸螄L試”和“超50 詞郵件”在所有模型中均占據(jù)重要位置，且和鉆牛角尖呈負(fù)相關(guān)，可能反映了反思或?qū)徱暪δ堋Ｓ袑W(xué)者發(fā)現(xiàn)準(zhǔn)確進(jìn)行學(xué)習(xí)判斷（元認(rèn)知監(jiān)測(cè)指標(biāo)）的學(xué)生更愿意花時(shí)間重新學(xué)習(xí)錯(cuò)題（Robey et al.，2017），記憶信息的重編為元認(rèn)知監(jiān)控提供了學(xué)習(xí)判斷的依據(jù)（Zawadzka et al.，2018）。再次嘗試做錯(cuò)的題也是重新學(xué)習(xí)，由COPES 中的元認(rèn)知評(píng)估過(guò)程負(fù)責(zé)。我們發(fā)現(xiàn)，高成就學(xué)生向教學(xué)代理寫(xiě)的“超50 詞郵件”顯著多于低成就學(xué)生，可能表明高成就組的反思過(guò)程更多。不過(guò)，低成就組的“二次嘗試”顯著多于高成就組，這可能因?yàn)槲覀儎澐指叩统删偷囊罁?jù)是學(xué)生在課堂中使用Guided study 模塊的正確率，正確率低的學(xué)生自然就會(huì)被教師要求對(duì)錯(cuò)題進(jìn)行二次嘗試，可能并不表明低成就學(xué)生的反思能力強(qiáng)于高成就組。如果以學(xué)生的期末成績(jī)?yōu)閯澐忠罁?jù)的話(huà)，可能有不同結(jié)果。

給教學(xué)代理寫(xiě)郵件是涵蓋反思、求助和總結(jié)等過(guò)程的自發(fā)行為。從元認(rèn)知適應(yīng)角度，Winne 和Hadwin（1998）認(rèn)為學(xué)習(xí)者需要整合學(xué)習(xí)階段信息用來(lái)調(diào)整先前經(jīng)驗(yàn)下的認(rèn)知和元認(rèn)知操作形式，更好應(yīng)對(duì)未來(lái)相似的任務(wù)。從元認(rèn)知監(jiān)控角度，反思幫助學(xué)習(xí)者有效利用資源（Chen et al.，2017），善于利用資源求助的人自我調(diào)節(jié)能力通常更強(qiáng)（Ryan&Shin，2011）；不善于求助的兒童元認(rèn)知監(jiān)控水平通常較低（Nelson &Fyfe，2019）。上述研究表明反思和求助行為與高元認(rèn)知監(jiān)控相關(guān)。本文結(jié)果顯示給教學(xué)代理寫(xiě)“超50 詞郵件”負(fù)向預(yù)測(cè)鉆牛角尖，也支持COPES 理論。

4.3 研究局限與貢獻(xiàn)

盡管本研究發(fā)現(xiàn)與元認(rèn)知監(jiān)控有關(guān)的特征能夠很好地預(yù)測(cè)鉆牛角尖，但存在一些局限：第一，部分特征無(wú)法很好地從認(rèn)知/元認(rèn)知角度解釋為何會(huì)對(duì)鉆牛角尖造成影響。第二，模型效果還有待提高。第三，以學(xué)生為水平的建模不能夠開(kāi)展實(shí)時(shí)監(jiān)測(cè)。第四，元認(rèn)知可能隨年齡發(fā)展而提升，但我們未對(duì)不同年級(jí)學(xué)生單獨(dú)建模，故模型效果可能略有不同。但也有研究表明童年中期已擁有與成年期相當(dāng)?shù)脑J(rèn)知能力（Liu et al.，2018），且本研究高年級(jí)生（五至六年級(jí)）占比不足20%，不同年齡群體的元認(rèn)知差異可能對(duì)建模結(jié)果影響有限。未來(lái)可嘗試通過(guò)深度學(xué)習(xí)，實(shí)現(xiàn)快速而精準(zhǔn)的檢測(cè)；還可提取更多與元認(rèn)知監(jiān)控相關(guān)的特征完善模型的可解釋性。

雖然存在以上局限，但本文也從以下方面對(duì)領(lǐng)域做了貢獻(xiàn)：第一，從“理論驅(qū)動(dòng)”視角嘗試鉆牛角尖的建模與解釋?zhuān)苊庖酝芯俊爸財(cái)?shù)據(jù)輕理論”導(dǎo)向。第二，以實(shí)際教學(xué)生成的教育大數(shù)據(jù)驗(yàn)證COPES 理論，提升生態(tài)效度；第三，以往研究通常以幾十至數(shù)百人的日志數(shù)據(jù)建模，而本文數(shù)據(jù)體量是以往研究的數(shù)十倍甚至百倍，提升了建模結(jié)果穩(wěn)健性。第四，不再以二分類(lèi)模型簡(jiǎn)單對(duì)學(xué)生貼上“鉆牛角尖”和“不鉆牛角尖”標(biāo)簽，而運(yùn)用回歸方法預(yù)測(cè)鉆牛角尖的程度，避免后期讓教師和干預(yù)實(shí)施者對(duì)學(xué)生產(chǎn)生期望效應(yīng)。

5 結(jié)論與展望

嶺回歸能最佳預(yù)測(cè)鉆牛角尖，與認(rèn)知/元認(rèn)知有關(guān)的特征與鉆牛角尖密切相關(guān)，支持了COPES 理論。

未來(lái)研究和設(shè)計(jì)者應(yīng)重視學(xué)生的元認(rèn)知監(jiān)控，目前國(guó)內(nèi)外少有ITS 專(zhuān)門(mén)針對(duì)學(xué)生的元認(rèn)知能力進(jìn)行訓(xùn)練。ITS 設(shè)計(jì)可以增加鉆牛角尖的預(yù)警和干預(yù)模塊，實(shí)時(shí)監(jiān)測(cè)便于及時(shí)干預(yù)。如通過(guò)系統(tǒng)推送和教師干預(yù)來(lái)引導(dǎo)學(xué)習(xí)行為。也可針對(duì)ITS 的求助提示和答題思路開(kāi)發(fā)教程，避免鉆牛角尖?；蛘弋?dāng)學(xué)生鉆牛角尖時(shí)，系統(tǒng)可以更換當(dāng)前的習(xí)題集，避免學(xué)生陷入困難，使其一直處于最近發(fā)展區(qū)中。

致 謝

賓夕法尼亞大學(xué)的Ryan Baker 教授、Jaclyn Ocumpaugh、Stefan Slater 博士以及Reasoning Mind 的Mattthew Labrum 提供了本研究數(shù)據(jù)，在此表示誠(chéng)摯的感謝。