下载掌阅APP，畅读海量书库
立即打开
引言
传统学习投入研究方法主要针对静态抽样数据进行分析，难以对多维、动态的群体投入状态进行刻画与表征，并实现对群体投入状态的感知与干预。本章提出了协作学习投入的分析方法应当注重动态数据的持续采集、多维数据的融合分析以及投入关系的可视化表征，并提出采用经验取样法、多模态交互分析法、行为序列分析以及社会认知网络分析等多种方法来实施协作学习投入状态的刻画与表征。
首先，从第二章协作学习投入分析框架来看，协作学习投入指向小组内部意义共享与协商的互动过程，剖析小组成员在观点建构、共享调节、行为参与以及社会关系方面的投入状态。由于小组成员需要通过意义共享与协商进行互动，因此其他小组成员的参与状态会显著影响学习者的投入状态。因此，原有静态、抽样数据的分析方法难以精准测量参与者的投入状态。其次，协作学习的互动过程不仅仅是语言或文本讨论，在线上或线下协作中，小组成员会通过眼神、动作、表情符号等非语言符号进行交流。因此，单一模态（信息通道）对互动投入的表征是不完整的，研究者需要多种模态的数据如脑电、眼动的数据来融合表征协作学习投入状态。协作学习投入各维度相互影响作用关系需要进行挖掘与解释，这样才能够深入解释投入子维度之间是如何相互作用的。最后，协作学习投入研究的最终目的是实现对群体投入状态的动态感知与干预，这同样是目前亟待解决的问题。
支撑协作学习的环境已经从单一的物理空间或网络信息空间转变为物理与信息多空间融合的学习环境。 [1] 其中物理空间包含教室、图书馆、研讨室等形态多样的实体场所；信息空间包含在线学习平台、网络学习空间等虚拟学习空间。在多空间融合的学习环境支持下，小组学习者可能会根据协作任务需求自然转换学习空间，并在虚实融合的学习空间中开展交流与协作。从投入分析的角度来讲，多空间的频繁转换与相互叠加可能会导致学习者难以获取对小组成员投入状态的完整感知，也会对学习者自身的投入状态产生影响。因此，如何动态追踪参与者学习投入状态的发展变化过程成为研究者与实践者面临的共同挑战。此外，协作学习的互动是一个持续的过程，学习者需要不断协调组内关系、协商观点，因此，只有持续的捕捉互动过程的全部信息才有可能全面理解协作学习的投入状态。综上所述，频繁切换的学习空间、动态多变的互动过程无疑为动态持续获取投入数据带来很大的挑战。传统的问卷自我报告难以动态伴随式地获取投入数据，也难以支持持续采集多个时点的交互过程数据。尽管基于网络学习平台的行为数据追踪可以动态持续获取行为数据，但难以获取认知、情感等维度的内隐投入数据。综上分析，动态、持续获取投入数据对于协作学习投入分析具有重要的价值，同时也是目前协作学习投入研究面临的重要挑战。
协作学习的互动过程是富含丰富信息的金矿，研究者可以通过互动信息获取群体认知与社会关系发展等诸多层面的信息。 [2] 多模态交互信息的采集与分析为协作学习互动分析带来了新的契机。多模态交互信息是指学习者在协作互动情境中产生的多种符号信息，比如语音、表情、眼神、体态等连续可表征的符号信息，可以将互动过程分解为不同的信息分析通道进行表征，对于深入理解互动过程具有重要价值。然而，基于多模态交互信息的学习投入分析有赖于对多种信息进行提取与融合表征。从多模态信息提取来讲，协作学习的互动过程包含眼神交互、动作交互、言语交互等多种模态信息。研究者对交互过程的深入理解有赖于对多模态交互数据的提取。传统交互分析方法往往侧重于对交互会话内容进行剖析，难以挖掘多层次、多维度的信息来表征协作互动过程。因此，如何采集多模态交互信息来综合表征互动过程成为协作学习投入分析面临的重要挑战。多模态数据融合的难点主要有两个：一是从多模态投入数据分析路径来看，从投入分析框架与指标确立到分析数据源筛选，再到多模态数据特征提取是一个完整的流程，需要各个环节无缝衔接。 [3] 多模态数据源筛选与模态特征提取均有赖于投入分析框架与指标体系。目前，理论体系到指标框架的映射过程还主要针对问卷等传统数据获取方式，并未考虑多模态数据采集的问题。因此，如何在分析框架的指导下建立指标与数据的映射关系是研究者面临的重要问题。二是多模态数据采集的粒度有很大差异，如脑电数据采集的单位是毫秒、语音采集的单位往往以秒来计算，而传统问卷数据采集的时间间隔更长。因此，如何对不同单位的数据做数据对齐也是研究者面临的重要挑战。
协作学习投入是一个由观点建构、共享调节、行为参与等多维度构成的复杂概念体系。多维复合的投入概念不仅能够从整体表征学习者参与小组协作意义协商过程中的状态，还可以通过多维关系挖掘来探索投入内部的相互影响关系，进而为协作学习投入提供基础解释。 [4] 传统的多维投入关系挖掘往往采用两种基本路径：一是采用自陈式问卷来获取学习者对投入的主观感知，随后采用建模方式来探索多维投入之间的影响关系。有研究提出认知、情感与行为子投入之间的影响与预测关系很可能受到时间、学习环境等因素的影响。 [5] 问卷数据仅能够对特定时点的投入数据进行分析与建模，难以长期追踪多个投入维度之间的影响关系。二是采用平台数据记录来获取投入数据。平台采集的数据结构差异较大，如操作行为数据是结构化数据，而互动文本等数据是非结构化数据，需要进行结构化编码分析后再进行分析。因此，多维数据的尺度差异给关联分析带来了很大的挑战。
此外，多维投入关系的解释也是研究者面临的重要挑战。研究者对于投入关系解释的目的在于理解影响投入状态的外部因素，及投入内部因素的相互作用机制，为后续干预提供理论支持。然而，研究者逐渐发现投入是一个敏感易受外部因素影响的变量，时间、协作任务等因素均有可能对相互作用关系产生中介影响。 [6] 因此，如何基于现有的理论框架来对多维投入关系进行完整的解释也是研究者面临的重要问题。
在协作学习中，参与者对于群体认知状态、团队氛围、小组任务完成情况等群体投入状态的感知对于协调和维持组内关系，提升协作绩效具有重要价值。从认知状态感知来讲，参与者需要感知到小组知识建构或观点论证的进展，同时能够甄别成员之间观点的异同，否则会导致群体成员无法发现观点之间的差异，从而导致群体的认知冲突。 [7] [8] 从团队氛围来讲，参与者需要对其他参与者的贡献以及组内的相互依赖关系有足够的感知，否则就会出现“搭便车”、社会懈怠等问题。 [9] [10] 对于小组任务完成情况的感知来讲，成员需要对任务目标、执行状态、预期成果等有足够的感知，并在此基础上调节自身的行为。 [11] 综合上述分析来看，协作参与者对群体投入状态的感知对于成功的协作学习具有重要价值。然而仅仅提供感知信息是不够的，教师需要依据感知信息采用脚本、问题提示等手段实施干预。
基于上述协作学习投入分析面临的重要挑战，首先，我们提出了协作学习投入分析方法应当针对动态数据进行持续采集，以获取学习者瞬时的投入状态信息，并持续表征投入状态的变化；其次，投入分析应当实现对多维度投入信息的融合分析；最后，应当考虑对投入信息进行可视化表征，以便实现对投入状态的感知与干预。
学习投入已有的数据收集方法大多采用自陈问卷对学习投入感知进行回忆。即全部学习活动结束后让学习者报告学习投入的情况。该方法便于采集多维度的大规模投入数据，但数据依赖学生对自我投入的主观判断，数据的可信度不高。此外，这种传统的数据采集方法具有一定程度的滞后性和延迟性，难以采集到代表学习者瞬时行为或主观感知的数据。动态数据采集核心是数据的即时性，保证能够在学习活动过程中收集学习者的学习投入数据，获取被试的第一反应。即时的数据代表个体在动态学习过程中的真实学习投入状态，即时捕捉学习情境中个体的投入状态，有助于改善由于延迟性和滞后性带来的数据质量降低的问题。从持续性来看，学习投入需要在学习过程中多次采集数据，比如分阶段在特定的时间或者特定的事件进行数据的收集，而不是在学习结束的时候进行一次性收集。这样可以全面真实地反映学习过程中个体不同的投入状态，能够更为有效地分析个体投入随时间和情境的变化趋势或影响学习投入的相关因素。因此，学习投入研究应保证持续采集整个学习过程中不同时点的学习投入数据，进行多维度的纵向分析，以精准了解学习者的投入相关影响因素或特征关系。
协作学习投入具体表现为小组成员对任务的关注程度、对维持相互依赖关系的努力程度、对群体知识的加工程度以及对任务执行过程的调控程度。因此，需要综合学习者的外显行为和内隐心理等多维数据来表征协作投入的各维度状态。多维性指的是从多维度挖掘投入状态信息，如关注时间、学习环境等维度，也指学习投入子维度之间的相互预测关系。已有研究的多维分析主要为简单的线性相关分析，无法揭示投入子维度在时间和空间序列上的复杂关系。协作学习投入是多维度的复杂概念体系，厘清学习投入的内部结构关系有助于区分学习投入内外部变量的影响效应。尽管已有研究也探索了学习投入子维度之间的预测关系，但只验证了单一方向的假设关系，后续协作学习研究需要考虑到竞争假设方法的应用，从多方向、多角度探究学习投入子维度的关系。
协作学习投入数据的可视化表征可以分为两个路径：一是行为参与分析的路径，可以从互动行为模式入手，探索互动会话行为之间的转化关系，形成行为操作序列，进而构建稳定的行为参与模式。互动行为参与模式可以小组为单位，从行为转换序列的角度阐释小组特征，对于理解互动过程的关键行为事件，识别组间行为模式差异，探索有价值的行为参与模式均有重要价值。二是认知与社会性投入作用关系的可视化表征，可以从社会认知网络入手，采用社会网络与认知网络叠加的方式来可视化表征两类投入关系的网络特征与动态演化路径，对于识别个体与小组的认知与社会性投入中心性、密度、互动模式，识别个体与小组投入特征差异，分析不同绩效小组投入变化趋势均有重要价值。
基于上述对协作学习投入分析内涵特征及方法挑战的基本理解，我们建立了一套系统分析协作学习投入的方法体系，用于对多维投入数据进行采集与分析。具体来讲，协作学习投入研究方法体系针对分析与表征两个目标。对投入状态分析，我们主要采用经验取样法来获取问卷自我报告数据，采用多模态交互分析法来获取协作学习过程形成的表情、动作、语言等多层面数据；针对投入状态表征，我们采用行为参与模式来对协作互动的行为投入进行分析；采用社会认知网络分析来对认知与社会性投入进行分析，下面进行分述。
经验取样法（Experience Sampling Method，ESM）是一种旨在获取日常学习或工作即时状态下个体真实行为与感知数据的方法 [12] [13] ，其核心价值在于获取真实情境中人们处于特定状态的外在行为表现与内在心理主观体验。 [14] 该方法已经在心理学、人力资源管理和组织行为学领域研究中受到了广泛应用。在教育领域中，部分研究者开始将其用于学习行为、学习体验分析等研究议题。 [15]
经验取样法从本质上讲是一种自我报告法，用于采集在事件发生时真实、自然、自发情境中参与者的自我报告信息，并且在时间维度上多次重复测量，因此也被称为一种流动自我报告和密集纵向设计方法。 [16] 其最大的特点就是采用重复抽样的方式，在多个时间点持续采集个体易受时间和个体因素影响而变化的信息，如情绪、感知、态度等方面，能够持续地捕捉到真实情境下个体的瞬时体验数据，通过被试频繁回答问题来减少外界因素影响带来的偏差。 [17]
经验取样法在学习投入分析中的应用价值体现在数据采集的瞬时性、数据获取的多维性，以及数据监测的持续性等方面，与学习投入对数据收集的基本要求相契合。具体来讲，经验取样法要求被试在事件发生时，将自己的瞬间感知记录下来，从而能够相对准确地反映行为和感知的瞬时状态，避免了传统调查法的滞后采集带来的影响。此外，经验取样法可以通过问卷来获取认知、情感与行为多个维度的感知信息，以获取多维的投入数据。经验取样法还可以动态获取投入随时间变化的基本数据，相较其他测量方法，具有很高的生态效度，能够对变量随时间推移而发生的变化模式进行准确的描述。 [18] 综上所述，经验取样法适合于获取学习投入的自我报告数据，在数据获取的即时性、多维性和动态性方面均有较高的价值，有助于提升学习投入量化分析研究的质量。
协作学习投入分析的核心是小组内部意义共享与协商的互动过程。互动过程会产生肢体动作、眼神、话语等多种类型的信息。多模态采集技术嵌入小组互动环境中，利用多种感知与识别技术对互动过程中产生的外显层、心理层和生理层等层面的信息进行跟踪与记录，通过多模态交互信息的融合分析来交叉验证协作学习投入各维度状态，从而提高协作学习投入分析的精准度。
在多模态交互分析中，不同模态之间的区别在于信息采集的数据通道，据此可以将多模态交互信息的采集通道分为外显层、心理层、生理层三个层次。外显层模态是指学习者身体产生的可直接观察到的信号，如身体姿势、行为动作、手势、表情以及对技术平台的操作痕迹等模态；心理层模态是指学习者通过自我报告的形式产生的关于内心活动的信息，如问卷数据、访谈数据、反思文本数据等；生理层模态是指人体结构在接受刺激时所产生的生物信号，比如眼动轨迹、脑电图、皮肤电反应、肌电信号、心电图等。
基于不同模态的信息，协作学习投入分析需要实现三个环节，一是多模态交互信息采集，该环节包含确定采集的信息类型及采集技术。互动数据具体包含表情、语音、手势、体态、文本等模态，可以选择利用在线学习平台、智能传感器或人工采集工具从互动的学习情境获取。二是多模态交互特征提取，该环节主要包含信息筛选和特征识别，旨在将收集到的多模态交互数据进行清洗，同时处理无效与缺失的数据，接着通过人工整理或计算机自动处理的方式将模态数据与投入特征数据进行特征识别与匹配，并形成数据集。三是多模态特征融合分析，该环节主要基于一定的时间或事件序列对提取的多模态交互数据进行融合表征。然后运用统计分析、关系挖掘、分类与聚类等技术对学习投入状态进行描述。总体而言，多模态交互分析技术通过多种数据的交叉分析与相互印证，能够优化投入数据分析的全过程，以形成对协作学习投入过程的全面、深入理解。
协作知识建构中的“观点”可以理解为群体意义协商的认知制品，需要不断进行深入改进。面向会话的观点挖掘旨在通过词汇层、观点层、话题层以及语篇层的分析来挖掘会话中蕴含认知及情感投入状态。词汇层级重点对组成观点句的词汇短语进行分析，该层级下的分析要素状态揭示了组成观点的词汇分布与内容关联特征；观点层级重点对协作知识建构互动会话的观点信息进行识别、抽取与分析，隶属于该层级下的分析要素主要探析观点句子的基本特征与类别分布；话题层级着重对识别出来的观点进行簇聚类，得到的话题及每个话题下对应的话题词群进行分析，其中的分析要素用于解释观点聚类的话题强度演化及内容演化趋势；语篇层级主要从整体层面围绕讨论核心议题开展完整分析，其从整体对互动会话的情境、功能、结构等加以解释性分析。基于观点挖掘框架内四个层级之间的紧密关联与相互补充，实现对协作知识建构会话观点的挖掘与分析。
从观点挖掘的具体方法来讲，词汇层级中的内容分布和内容关联呈现结果分别为词云图和相关度演化与关联层级分布图；观点分布对应的结果是计算得到观点数量、观点平均句长等信息；观点类型要素对应观点句分类后的类别分布结果，两者分别可视化呈现出观点基本分布与观点类别分布；话题层级的话题类别表现为话题类别分布，由此可进一步推论出话题的基本模式。话题演化从内容和强度两方面分别对应话题可视化表征的内容演化图和强度演化折线图。
互动行为参与模式从行为投入的角度切入，关注协作互动行为序列的挖掘与提取，以识别互动行为参与模式。行为参与模式分析的基本单位是行为序列，目前常用的方法如滞后序列分析法（LSA）主要是对行为序列出现的概率进行统计并进行显著性检验，能够提取显著行为序列，通过序列组合来构建行为模式。
互动行为参与模式分析的基本过程包含数据预处理、模式探索和模式分析三个阶段。数据预处理阶段是指分析互动数据，根据具体研究目的选择互动行为分析框架，确定编码粒度，并将互动文本内容分类为不同的行为类型。模式探索阶段是指根据编码后的行为数据输出按照时间序列排列的行为链，以此表征互动行为参与模式。模式探索阶段可以采用诸如滞后序列分析法，得到相应的行为转换频率表以及调整后的残差表，选择具有显著意义的行为序列绘制行为转换图，分析并解读行为模式和行为特征。模式分析阶段综合分析整体行为模式转换图与不同成就组别互动模式转换图，对互动模式进行分析与解释。通过整体互动模式转换图分析行为模式，通过不同成就组别互动模式转换图分析高低成就行为模式，深入分析和探索高低成就小组的互动模式差异，找出影响协作绩效的关键互动行为序列。或进一步根据典型的高水平互动行为序列构建预测模型，为协作学习效果的预测和干预提供依据。
协作学习投入关注的观点建构与社会关系投入可以用网络化的方式来表征。社会认知网络融合了社会网络对社会关系的表征以及认知网络对观点建构的表征，以“人—认知要素”“认知要素—认知要素”来表征在协作学习过程中参与者与哪些认知要素发生互动以及互动的强度，进而从可视化网络的角度对不同参与者及小组的投入特征进行表征。进一步来讲，社会认知网络是认知网络和社会网络的聚合体，能反映群体交互中的社会化认知的共享、协作、共现与创造的基本过程。其中，参与者节点之间的连接构成社会网络，为认知要素间的沟通提供渠道和路径；认知要素节点间的关联构成认知网络，通过以“人—认知要素”“认知要素—认知要素”的连接形式表征社会与认知交互的相互关联，表征网络中参与者与认知要素之间的交互关系及其强度，进而明确参与者在交互中的角色及作用。因此，社会认知网络既能表征参与者之间的社会性关系，又能反映参与者在群体认知发展中的作用。
社会认知网络的分析过程分为四阶段：首先，确定分析目标及编码框架，其核心过程是选择理论框架作为数据编码的基础，识别关键认知要素，形成编码方案。研究者可采用内容分析法来凝练关键词，并形成编码方案，确定内容中的重要认知要素。其次，整理与编码数据，需要将协作过程中形成的文本、音频、视频等过程性数据转换成数据流，便于进一步分析与处理在转换的过程中，需要对收集到的原始数据进行筛选、预处理等操作，按照时间顺序对数据进行处理和加工，对数据进行分阶段编码。再次，构建多重社会认知网络，可以从个体、小组、群体三个层次分别进行建模，并按照时间顺序对不同阶段进行三个层次的建模。对于时间阶段的划分则能够了解社会性认知网络的动态演化过程，在具体的实践当中可以按照任务、单元、活动主题等进行阶段的划分。因此，多层次建模有利于从多角度对协作交互过程中的关系和内在结构进行分析，为协作互动规律的揭示提供基础。最后，分析社会认知网络结构，可以从描述性、解释性与预测性三个角度探索协作交互过程中的内在机制，实现个体、小组及群体网络结构间的对比，实现交互行为、交互过程等方面的特征挖掘，进而为交互结果的预测和干预提供依据。
本章先提出了协作学习投入研究方法的挑战，包括静态抽样数据的获取与分析、多模态交互数据筛选与分析、多维投入关系的挖掘与解释、群体投入状态的感知与干预这四个方面。随后，阐述了协作学习投入研究方法的价值诉求，并对此引入了经验取样法、多模态交互分析法、行为序列分析观点挖掘以及社会认知网络分析等多种方法来应对需求。
[1] 杨现民等：《智能时代学习空间的融合样态与融合路径》，《中国远程教育》2020年第1期。
[2] Carolyn Rosé，et al.，“Analyzing Collaborative Learning Processes Automatically：Exploiting the Advances of Computational Linguistics in Computer-supported Collaborative Learning”， International Journal of Computer Supported Collaborative Learning ，Vol.3，No.3，2008，pp.237-271.
[3] 张琪等：《多模态数据支持的学习投入评测：现状、启示与研究趋向》，《远程教育杂志》2020年第1期。
[4] 马志强等：《基于学习投入理论的网络学习行为模型研究——以“网络教学平台设计与开发”课程为例》，《现代教育技术》2017年第1期。
[5] 马志强、岳芸竹：《面向即时数据采集与分析的学习投入纵向研究——基于经验取样法与交叉滞后分析的综合应用》，《电化教育研究》2020年第4期。
[6] 马志强、岳芸竹：《面向即时数据采集与分析的学习投入纵向研究——基于经验取样法与交叉滞后分析的综合应用》，《电化教育研究》2020年第4期。
[7] Kozlov，M. D.，et al.，“Can Knowledge Awareness Tools Help Seek Learning Partners with Complementary Knowledge？”， IEEE Transactions on Learning Technologies ，Vol.11，No.3，2017，pp.334-341.
[8] Schnaubert，L. & Bodemer，D.“Providing Different Types of Group Awareness Information to Guide Collaborative Learning”， International Journal of Computer-Supported Collaborative Learning ，Vol.14，No.1，2019，pp.7-51.
[9] Ma，X.，et al.，“An Empirical Study on the Effect of Group Awareness in CSCL Environments”， Interactive Learning Environments ，2020，pp. 1-16.
[10] 马秀麟等：《群体感知效应促进线上协作学习成效的实证研究》，《电化教育研究》2019年第5期。
[11] Hadwin，A. F.，et al.，“Challenges in Online Collaboration：Effects of Scripting Shared Task Perceptions”， International Journal of Computer-Supported Collaborative Learning ，Vol.13，No.3，2018，pp.301-329.
[12] 张银普等：《经验取样法——一种收集“真实”数据的新方法》，《心理科学进展》2016年第2期。
[13] Larson，R.，Csikszentmihalyi，M.，“The Experience Sampling Method”， New Directions for Methodology of Social & Behavioral Science ，Vol.15，1983，pp.41-56.
[14] 张昱城等：《经验研究的新范式——经验取样法》，《中国人力资源开发》2019年第1期。
[15] 卢国庆等：《面向即时数据采集的经验取样法：应用、价值与展望》，《电化教育研究》2019年第6期。
[16] 万力勇等：《经验取样法（ESM）：促进真实情境下的学习体验研究》，《远程教育杂志》2019年第6期。
[17] Bolger，N.，Laurenceau，J. P.， Intensive Longitudinal Methods：An Introduction to Diary and Experience Sampling Research ，New York：Guilford Press，2013.
[18] Fisher，C. D.，To，M. L.，“Using Experience Sampling Methodology in Organizational Behavior”， Journal of Organizational Behavior ，Vol.33，No.7，2012，pp.865-877.