線索與自我解釋策略影響視頻學習效果的實證研究

馬云飛 鄭旭東 劉慧 趙冉

[摘? ?要] 數字時代，以多感官表征設計與呈現的視頻已成為常見的數字化學習資源。相關理論表明，當學習者視頻學習時運用線索與自我解釋策略，可能會產生積極的學習效果。為此，文章采用2（圖像線索vs.文本線索）×2（預測提示vs.反省提示）的被試間實驗設計，以檢驗線索與自我解釋策略對學習者注意力分配、自我解釋質量、學習成績和認知負荷的影響。通過對48名學習者的眼動數據、編碼數據、學習成績和量表數據分析發現：（1）圖像線索與反省提示結合使用，顯著利于學習者的注意力投入和進行目標驅動的自我解釋;（2）文本線索比圖像線索更利于提高學習者的視頻學習成績;（3）反省提示對學習者的認知負荷影響要顯著高于預測提示，主要表現在時間需求和受挫程度兩方面。未來在學習視頻設計與應用時，應綜合考慮學習內容類型和學習者年齡認知差異，靈活采用線索策略，合理使用反省提示，以平衡學習者的注意力投入與認知負荷。

[關鍵詞] 視頻學習; 線索; 自我解釋; 眼動追蹤; 深度學習

[中圖分類號] G434? ? ? ? ? ? [文獻標志碼] A

[作者簡介] 馬云飛（1997—），女，江蘇常州人。碩士研究生，主要從事學習科學與技術研究。E-mail：2997952124@qq.com。鄭旭東為通訊作者，E-mail：zhengxudong1102@163.com。

一、引? ?言

當前，學習視頻已成為數字化學習中常見的資源形態，特別是時長較短、多感官表征、生動活潑的學習視頻，備受各個年齡段學習者的喜愛。De Koning等人認為，視頻可以提供有關復雜動態系統工作的現實表現，非常適用于呈現動態變化的學習信息，并幫助學習者構建完整的心理模型，以及準確理解動畫表征中的對象、知識及因果關系[1]。然而，學習者視頻學習時，也會由于視頻信息內容繁雜或缺乏必要的支架支持，而容易出現學習認知超負荷、學習投入難專注、認知偏差及學習結果淺層化等問題[2-3]。如Bayraktar等人發現，太多的動態化視頻信息會導致學生偏重全局內容的變化，忽略細節信息，從而造成變化盲視（Change Blindness），影響學習效果[4]。如何合理設計與編排視頻的學習內容并靈活添加學習支架以提升學習效果，已然成為廣大教育研究者關注的焦點。另外，教學處理理論（Instructional Transaction Theory）也指出，合格的視頻資源不僅需要提供豐富多彩的學習內容，更應引導學生注意視頻中關鍵信息并主動進行認知建構[5]。為此，本研究嘗試在學習者的視頻學習中，引入兩種教學支架（線索與自我解釋策略），并通過實驗檢驗對學習效果的影響，以期為未來的視頻資源設計與應用提供借鑒與支持。

二、文獻綜述與研究問題

（一）視頻資源中的線索及其效應

線索（Cue）是一種指導性的非內容信息[6]，其主要通過多種方式吸引學習者對重點學習內容或關鍵信息的關注。多媒體學習理論認為，線索具有促進學習者對材料的選擇（Selection）、組織（Organization）和整合（Integration）的功能，在輔助學生進行內部認知加工的同時，在一定程度上降低了認知負荷[7]。例如：Ozcelik通過分析學習者的眼動數據和測試成績發現，線索能促進學習者對學習材料的識記和理解效果[8]。另外，圖文整合假說（Text-diagram Integration Hypothesis）也認為，合理地在學習材料里添加線索，可以幫助學生實現更深層次的知識建構和更深入的認知加工[9]。

線索對提升學習效果的有效影響被稱為線索效應（Cueing Effect）[10]。但也有研究表明，線索效應存在邊界條件，如線索類型、知識類型、先驗知識水平等[9]，例如：楊九民等人通過眼動實驗，探究線索類型及先前知識經驗對提升視頻學習效果的影響[11]。就線索類型而言，Mayer在《多媒體學習》（Multimedia Learning）一書中，將線索劃分為文本線索（Textual Cues）、圖像線索（Visual Cues）及圖文線索（Combined Textual-&-Visual Cues）[12]。文本線索較為靈活，主要由插入學習材料中的句子組成，目的是將注意力引到關鍵位置，或調整解說語調來突出關鍵內容。而圖像線索主要利用方向箭頭、顏色、“探照燈”、動態手勢等，引導學習者注意關鍵內容。例如：Lin等人在動畫材料中添加紅色箭頭作為線索，發現其能提高被試的學習效果、縮短學習時間[13]。De Koning在有關心血管系統的動畫中加入圖像線索，結果表明，被試對學習內容的理解更為深入[14]。

（二）自我解釋策略對內在認知的影響

1989年，Chi通過實驗研究“優生”和“差生”在物理問題解決中的表現時提出了自我解釋（Self-explanation）概念[15]。有研究者認為，自我解釋是“一種建設性或生成性的學習活動，通過反思、產生推論和修正心理模型來促進深入而有力的學習”[16-18]。自我解釋作為一種認知策略，倡導學習者在學習過程中主動地解釋知識內容或學習信息，包括將新信息與現有知識整合、自發進行知識建構、生成新舊知識聯結以及監控和修復錯誤知識等四個關鍵機制，從而實現有效的知識內化和意義建構。自我解釋策略對學習者內在認知的影響，在物理電磁原理學習、數學等價問題解決、復雜文章閱讀等方面均得到驗證[19-21]。遺憾的是，自我解釋通常由學習者大腦自發地加工，在未得到外界要求或條件支持時很難外顯。

為此，在促進學習者進行自我解釋時，通常會引入提示（Prompts）作為誘發策略[22]。促進學習者進行自我解釋的提示策略有不同類型。例如：Nokes針對自我解釋機制假說提出了填空提示（Gap-filling Prompts）和心理模型修正提示（Mental-model Revision Prompts）[23]。Wylie和Chi提出的自我解釋提示包括開放式、聚焦式、資源式、基于資源和基于選項等類型[18]。另外，有研究表明，問題提示的呈現形式有可能影響自我解釋的誘發程度，進而對學習者的深度認知加工形成影響[24-26]。值得關注的是，提示在學習過程中的呈現順序有可能會對學習者的學習注意力和認知加工過程產生不同影響。而當前關于何時呈現自我解釋提示的研究較少。為此，本研究將在學習者采用嵌有不同線索的視頻學習時，引入兩種自我解釋策略，即置于學習內容前的自我解釋提示（預測提示）和置于學習內容后的自我解釋提示（反省提示），并通過實驗研究檢驗其對學習效果的影響。9D542F70-8B72-43FA-AC1B-7361AE4AC83A

（三）研究問題

本研究在視頻中引入線索類型和自我解釋策略，并設計了線索類型（圖像線索vs.文本線索）和自我解釋策略（預測提示vs.反省提示）的2×2被試間實驗，以檢驗這兩種教學支架是否會對學習者的注意力分配、自我解釋質量、學習測驗和認知負荷產生顯著影響。本研究的結論有助于多媒體工作者依據研究結果在設計學習資源時合理有效設計關鍵知識內容和提示信息，增強學習者的內部認知加工和意義建構，促進深度學習的有效發生。

三、研究設計與實施

（一）實驗設計

本研究采用2（圖像線索vs.文本線索）×2（預測提示vs.反省提示）被試間實驗設計，并根據分組條件將48名學習者隨機分配到4個實驗條件組（圖像線索—預測提示組、圖像線索—反省提示組、文本線索—預測提示組、文本線索—反省提示組）中，每組12人。

（二）實驗對象

實驗對象是在江蘇師范大學隨機招募的48名大學生，他們主要來自教育技術學和軟件工程專業。根據人口調查問卷采集到的信息顯示，研究對象的年齡均大于18歲，平均年齡為23歲（SD=2.2）。通過先驗知識測試分析未發現學習者之間存在顯著差異（p>0.05），并且都有著正?；蚪洺C正后正常的視力水平。

（三）實驗材料

實驗學習材料選自融合學院（Fuse School）中“臭氧是如何形成”的動畫視頻，時長為4分10秒，伴隨男性聲音講述教學內容。該動畫主要涉及以下四個方面的學習內容：平流層和對流層中臭氧的不同特性、天然臭氧的形成過程、臭氧在大氣層中分布不均的原因、對流層中臭氧會變成污染物的原因。視頻中分別設計了圖像線索（11次黑色箭頭）和文本線索（11次解釋性文字），具體見表1。視頻內容前后還設置了相關的自我解釋問題。

（四）研究工具

1. Tobii pro x3-120眼動儀

實驗采用了Tobii pro x3-120眼動儀，以對學習者的注意力分配數據進行采集。實驗主要采集學習者學習時的總注意次數和平均注視時間兩個指標。其中，總注意次數是學習者在一組興趣區內注視次數的總和，可以反映他們對學習材料的熟悉及注意程度。而平均注視時間是學習者在一組興趣區內的平均注意持續時長，能反映參與者對學習材料的加工程度和注意投入程度[27]。

2. 基本信息與先驗知識問卷

本問卷主要為了獲得學習者的基本信息，并測試他們對臭氧知識的了解程度，以剔除對臭氧知識有深度了解的對象，以免他們的先驗知識干擾實驗結果。先驗知識試題為多份環保知識競賽題中擇優選擇的20道題目，主要測試臭氧的分布、特性和作用等，包括5道填空題、8道選擇題和7道判斷題，每題5分，共100分。研究人員在編寫問卷時將難度設置為中等偏上（P=0.404），學生若測試分數超過65分，則判定學習者對實驗知識了解較多，并從學習者名單中剔除。

3. 自我解釋質量編碼

研究者按視頻所涉內容主題，共設計了4個需要學習者自我解釋的問題。例如：請解釋為什么對流層的大部分臭氧會成為一種污染物。并根據De Koning等人開發的自我解釋協議（Self-explanation Protocols）對學習者的解釋文字進行編碼[1]。此編碼協議分為釋義、目標驅動解釋、精細解釋、監控性解釋和錯誤解釋，具體見表2。

4. 學習測驗

學習測驗與先驗測驗的題型及數量一致，每題5分，共100分。學習測驗主要測試學習者對陳述性知識的掌握與記憶保留程度。測試知識點均來自視頻中被重點突出或要求學生自我解釋的相關內容。

5. 認知負荷量表

此量表以李克特8點形式呈現，主要改編自廣泛使用的NASA-TLX量表[28]，從1到8依次代表“非常不同意”到“非常同意”。認知負荷量表主要考察學習者在視頻學習中的腦力需求、時間需求、表現水平、努力及受挫程度，共計5題，效應值α=0.75，表明此量表具有較高的可信度與可靠性。

（五）實驗流程

在實驗正式開始前，學習者按照要求進入學習科學與認知實驗室，簽到后依次坐在電腦前，由研究人員向其簡要介紹實驗過程及注意事項，學習者自愿簽署同意書，填寫基本信息問卷。隨后，學習者填寫先驗知識問卷，并被研究人員隨機分配到一個實驗組中。學習者在研究人員的指導下，按照九點校準方法調整坐姿，并要求他們在設備校正后不要大幅度挪動身體，以保證眼動儀有效跟蹤和采集眼動行為。之后，為了讓學習者熟悉眼動儀器，要求他們進行時長為5分鐘的練習性學習，學習內容與實驗內容無關。學習對象在完成練習并休息一分鐘后，正式開始視頻學習，并對呈現的自我解釋問題進行回答。正式學習時長由學習者根據學習進度來控制動畫的播放和暫停，但要求不超過10分鐘。最后，學習者獨立完成學習測驗、填寫認知負荷量表。實驗的具體流程如圖1所示。

四、數據分析結果

（一）先驗知識測試分析

研究者利用單因素方差分析對學習者的先驗知識水平進行了差異性檢驗，四組學習者的先驗水平之間不存在顯著性差異[F（3，44）=0.021，p=0.996，η2=0.001]，得分平均值為40.00到41.25之間。即四組學習者的先驗知識水平相似，不會對數據分析結果產生顯著的干擾與影響。

（二）注意力分配

學習者在學習材料興趣區內的總注意次數和平均注視時長，能夠反映他們對學習材料及內容的選擇、注意和加工等情況。為此，研究者將視頻中線索所在的區域標記為興趣區，并通過眼動儀采集學習者在興趣區內的總注意次數和平均注視時間，以有效評估他們的學習注意力投入與分配情況。本研究以自我解釋策略和線索類型為自變量，以眼動儀采集到的興趣區總注視次數和平均注視時長為因變量，采用SPSS軟件進行二因素方差分析。9D542F70-8B72-43FA-AC1B-7361AE4AC83A

在興趣區總注視次數方面，線索類型[F（1，44）=0.408，p=0.526，η2=0.009]和自我解釋策略[F（1，44）=1.141，p=0.291，η2=0.025]的主效應均不存在顯著性差異，但存在顯著的交互效應[F（1，44）=6.211，p=0.017，η2=0.124]，表明線索類型和自我解釋策略交互作用和共同影響學習者在興趣區的注視次數和認知加工過程。進一步分析發現，當學習者通過嵌入圖像線索的視頻學習時，他們采用反省提示（M=83.58，SD=27.89）的興趣區平均注視次數顯著低于采用預測提示（M=109.83，SD=23.73）。

在興趣區平均注視時間方面，自我解釋策略類型的主效應[F（1，44）=13.616，p=0.001，η2=0.236]以及線索類型與自我解釋策略的交互效應[F（1，44）=6.753，p=0.013，η2=0.133]存在顯著性差異。進一步分析發現，當學習者通過嵌入圖像線索的視頻學習時，他們采用反省提示（M=0.39，SD=0.12）的興趣區平均注視時長顯著高于采用預測提示（M=0.22，SD=0.06）。而當學習者通過文本圖像線索的視頻學習時，采用這兩類自我解釋策略的學生之間不存在顯著性差異，如圖2所示。

（三）自我解釋質量

根據De Koning的自我解釋編碼協議將自我解釋質量劃分為5類，并由兩名研究人員對相關文本進行編碼。研究人員在完成一半的編碼工作之后進行了Kappa檢驗，檢驗系數為0.88，表明兩名研究人員的編碼結果具有高度一致性，剩余一半的編碼工作由其中一位研究者繼續完成。隨后，以線索類型和自我解釋策略為自變量，自我解釋質量類型頻次為因變量，進行多元方差分析。

多元方差分析顯示，不同的自我解釋策略在釋義[F（1，44）=8.866，p=0.005，η2=0.168]和目標驅動解釋[F（1，44）=8.212，p=0.006，η2=0.157]方面的主效應存在顯著差異。即采用預測提示的學習者更傾向對視頻內容進行釋義，而采用反省提示的學習者則更傾向解釋視頻學習內容，并對知識目標或功能進行推斷。另外，線索類型和自我解釋策略在目標驅動解釋[F（1，44）=4.968，p=0.031，η2=0.101]與精細解釋[F（1，44）=5.280，p=0.026，η2=0.107]方面存在交互效應。特別是學習者通過嵌入圖像線索的視頻學習時，采用不同自我解釋策略的學習者在目標驅動解釋和精細解釋方面呈現顯著性差異。具體而言，相較于采用預測提示的參與者（M=0.58，SD=0.79），采用反省提示的學習者（M=1.92，SD=0.67）更傾向于目標驅動解釋。而相較于采用反省提示策略的學習者（M=0.75，SD=0.62），采用預測提示策略的學習者（M=1.58，SD=0.99）更傾向于精細解釋，如圖3所示。

（四）學習成績

通過配對樣本t檢驗分析發現，先驗知識和學習成績之間存在顯著性差異（t=5.990，p<0.001），且各組學習者的學習成績均高于先驗成績，如圖4所示。而方差分析顯示，線索類型對學習成績的主效應顯著[F（1，44）=11.722，p=0.001，η2=0.210]，而自我解釋策略的主效應[F（1，44）=0.897，p=0.349，η2=0.020]及其與線索類型的交互效應[F（1，44）=0.642，p=0.427，η2=0.014]均不顯著。進一步分析發現，采用嵌入文本線索的視頻進行學習的學習者，其成績表現（M=59.58，SD=10.73）要好于那些采用視頻嵌入圖像線索的學習者（M=49.79，SD=8.91）。

（五）認知負荷

方差分析結果顯示，自我解釋策略類型在認知負荷方面的主效應顯著[F（1，44）=8.417，p=0.006，η2=0.161]，而線索類型的主效應[F（1，44）=2.318，p=0.135，η2=0.050]及其與自我解釋策略的交互效應[F（1，44）=0.793，p=0.378，η2=0.018]均不顯著。進一步分析發現，學習者在視頻學習中，那些采用預測提示的學習者（M=15.42，SD=4.67）的認知負荷，要顯著低于采用反省提示的學習者（M=18.86，SD=6.01）的認知負荷。

此外，研究者進一步以自我解釋策略為自變量，心理需求、時間需求、努力程度、表現和受挫程度為因變量，采用多元方差分析來探究自我解釋策略對認知負荷子維度的潛在效應。分析發現，學習者采用不同的自我解釋策略會使他們的時間需求[F（1，44）=7.977，p=0.007，η2=0.148]和受挫程度[F（1，44）=6.819，p=0.017，η2=0.118]產生顯著性差異。即在時間需求方面，那些采用預測提示的學習者（M=3.08，SD=1.38）要顯著低于那些采用反省提示的學習者（M=4.38，SD=1.77）;在受挫程度方面亦如此（M=2.75，SD=1.22;M=3.88，SD=1.85）。

五、分析討論

本研究采用2（圖像線索vs.文本線索）×2（預測提示vs.反省提示）被試間實驗設計，檢驗了線索類型與自我解釋策略對視頻動畫學習效果（注意力分配、自我解釋質量、學習成績、認知負荷）的影響。以下就實驗數據分析結果進行逐一討論。

（一）線索類型和自我解釋策略對學習者注意力分配的影響

分析眼動數據（興趣區總注視次數和平均注視時間）發現，當學習者通過視頻學習時，線索類型和解釋策略對學習者注意力分配的影響存在顯著交互效應，即在嵌入圖像線索的視頻學習中，采用反省提示的學習者，其平均注視時間顯著高于采用預測提示的學習者，而注視次數則相反。這說明圖像線索與反省提示結合，更有利于學習者投入學習注意力，促進深層次認知加工的有效發展。究其原因，可能是采用預測提示的學習者傾向于關注和自我解釋問題相關的內容，而采用反省提示的學習者則傾向于關注內容整體并思考其內在關聯性，這通常需要學習者投入更多的注意力和更長的內容觀看時間。以上研究結果為自我解釋效應、線索原則（Cuing Principle，也稱為信號原則），以及以往有關視頻設計的實證研究提供了新證據[22，29]。因此，在未來的視頻學習資源的開發與應用中，建議將圖像線索與反省提示問題結合使用，以引導學生開展認知投入和加工程度更高的深度學習。9D542F70-8B72-43FA-AC1B-7361AE4AC83A

（二）線索類型和自我解釋策略對學習者自我解釋質量的影響

通過數據編碼分析發現，采用預測提示的學習者更傾向于對視頻內容進行釋義，而采用反省提示的學習者則更傾向于解釋視頻學習內容，并對知識目標或功能進行推斷。這一研究發現與De Koning等人以往的研究結果相一致[1]。特別值得關注的是，線索類型和自我解釋策略在目標驅動解釋與精細解釋方面均存在交互效應。具體而言，學習者通過嵌入圖像線索的視頻學習時，那些采用反省提示的學習者更傾向于解釋視頻學習內容，以及推斷知識目標或功能;而采用預測提示策略的學習者則更傾向于用細致的語言詳細解釋內容。根據自我解釋質量編碼協議和Lin等人的研究發現推測[30]，由于外部圖像刺激會促進學習者內在心理模型的構建過程，加之反省提示策略會促進學習者的獲取與內化程序性知識，而預測提示策略則促進學習者使用陳述性知識進行問題解答，當這兩種自我解釋策略分別與圖像線索作用于學習者自我解釋質量時，便會存在差異性影響。

（三）線索類型和自我解釋策略對學習者學習成績的影響

總體而言，在視頻學習中使用線索和自我解釋策略，能促進學習者對知識內容的深度學習，并顯著提高他們的學習成績。但進一步分析發現，主要是嵌入視頻的線索對這一結果的產生形成了顯著影響。此結果與以往的相關研究結論和多媒體學習理論相一致[11，31-32]。本研究還發現，學習者通過視頻學習時，視頻嵌入文本線索比嵌入圖像線索更有助于他們提高學習成績，而此發現與早先部分研究的發現不一致[33-34]。究其原因，多媒體學習理論指出，文本線索更能體現信息組織功能，而且文本線索可能更符合大學生的年齡認知特點與學習習慣。李文昊則認為，學習材料中插入的提示性短詞短句，可以幫助學生關注內容框架，聚焦關鍵之處[35]。

本研究并未發現自我解釋策略在學習成績方面的顯著性主效應。究其原因，有研究者通過實驗研究發現，學習者看視頻時進行自我解釋會增加認知負荷，從而有可能影響學習效果[1]。這一結論在本研究的認知負荷分析中也已證明。另外，學習者進行自我解釋的開放性問題也可能是影響學習效果的成因。如Johnson等曾在教育游戲實驗中指出，開放性問題形式會影響學生知識加工，難以有效促進學習者的自我解釋[36]。研究者通過實驗觀察和實驗對象訪談還發現，未能及時對他們的錯誤解釋提供支架性引導與修復，也可能影響他們的知識加工過程，但這需要通過后續的實驗研究進一步驗證。

（四）線索類型和自我解釋策略對學習者認知負荷的影響

研究發現，自我解釋策略對認知負荷存在顯著性差異影響，這與相關實驗的結論是一致的[22，37-38]。進一步通過多元方差分析發現，差異影響主要表現在時間需求和受挫程度兩方面。即學習者通過視頻學習時，采用預測提示策略要比反省提示策略的學習時間更少，受挫程度也更低。通過訪談發現，預測提示條件下的問題是在學習內容之前呈現，學習者認為這些問題會在后續學習中解答，因而對時間需求相對較低。而反省提示條件下的問題是在學習內容之后呈現，若學習者要很好地解答這些問題，則需投入更多的時間和認知回憶內容并進行思考，也會對未能順暢提取記憶和正確作答存在較強烈的挫敗感。以上關于注意力分配的眼動數據也表明，采用反省提示策略的學習者，其平均注視時間要顯著高于采用預測提示的學習者。這也意味著反省提示策略雖能促進學習者深度的信息處理加工過程，但也會導致學習者產生較高的認知負荷及可能存在的心理壓力。另外，由于本實驗中的圖像線索與文本線索均屬于靜態嵌入型，若多次重復出現，學習者則不會在此方面投入較多的認知，眼動儀捕捉到的學習者興趣區熱點圖也證明了這一點，研究發現學習者視線集中于動畫內容本身，對線索并未投入較多關注。

六、結論與展望

本研究采用2（圖像線索vs.文本線索）×2（預測提示vs.反省提示）的被試間實驗設計，檢驗了線索與自我解釋提示對學習者的注意力分配、自我解釋質量、學習成績和認知負荷的影響。研究發現，圖像線索與反省提示結合使用，能顯著提高學習者的注意力投入和促進目標驅動的自我解釋;文本線索比圖像線索更利于提高學習者的視頻學習成績;反省提示對學習者的認知負荷影響要顯著高于預測提示，主要表現在時間需求和受挫程度兩方面?；谝陨习l現，建議在設計與應用學習視頻時，將圖像線索與反省提示結合使用，但也要合理嵌入更加突出的解釋性文本，以引導學生開展認知投入和加工程度更高的深度學習。同時也建議向學習者提供必要的認知工具或縮短視頻時長，避免高認知負荷的產生。

此外，本研究主要存在如下局限：其一，雖然隨機分配進行學習者分組，但不同實驗條件下的男女學習者數量分布不均衡，且男女學生對圖像色彩設計方面的偏好不同，學習者的性別有可能會對實驗結果產生輕微影響。建議未來開展的相關研究，將性別作為自變量，探究性別、線索與自我解釋提示對視頻學習效果的影響。其二，參與實驗的學習者數量較少，每個實驗條件組中均為12名學習者，建議未來的相關研究可以適度增加實驗對象人數。其三，視頻呈現的學習內容為“臭氧是如何形成”科普類動畫，未來還需驗證研究結論是否適用于其他科目內容的設計與學習。

[參考文獻]

[1] DE KONING B B， TABBERS H K， RIKERS R M J P， et al. Learning by generating vs. receiving instructional explanations： two approaches to enhance attention cueing in animations[J]. Computers & education， 2010， 55（2）： 681-691.

[2] PAAS F， RENKL A， SWELLER J. Cognitive load theory and instructional design： recent developments[J]. Educational psychologist， 2003， 38（1）： 1-4.9D542F70-8B72-43FA-AC1B-7361AE4AC83A

[3] 晉欣泉，姜強，梁芮銘，趙蔚.深度學習視域下認知偏差對知識建構的影響機制研究[J].電化教育研究，2021，42（7）：75-82.

[4] BAYRAKTAR D M， BAYRAM S. Effects of cueing and signalling on change blindness in multimedia learning environment[J]. World journal on educational technology： current issues， 2019， 11（1）： 128-139.

[5] MERRILL M D. Instructional transaction theory： an instructional design model based on knowledge objects[M]//DIJKSTRA S， SCHOTT F， SEEL N， et al. Instructional design： international perspectives. New York： Routledge， 2012： 381.

[6] MEYER B J F. The organization of prose and its effects on memory[M]. Amsterdam： North-Holland Publishing Company， 1975.

[7] MAUTONE P D， MAYER R E. Signaling as a cognitive guide in multimedia learning[J]. Journal of educational psychology， 2001， 93（2）： 377-389.

[8] OZCELIK E， KARAKUS T， KURSUN E， et al. An eye-tracking study of how color coding affects multimedia learning[J]. Computers & education， 2009， 53（2）： 445-453.

[9] SCHEITER K， EITEL A. Signals foster multimedia learning by supporting integration of highlighted text and diagram elements[J]. Learning and instruction， 2015， 36： 11-26.

[10] MAYER R E. The Cambridge handbook of multimedia learning[M]. New York： Cambridge University Press， 2005： 183-200.

[11] 楊九民，徐珂，韓佳雪，焦新月，皮忠玲.教學視頻中線索類型與學習者先前知識經驗對學習的交互影響[J].現代遠程教育研究，2020，32（1）：93-101.

[12] MAYER R E. Multimedia learning[M]. 2nd ed. New York： Cambridge University Press， 2009.

[13] LIN L， ATKINSON R K. Using animations and visual cueing to support learning of scientific concepts and processes[J]. Computers & education， 2011， 56（3）： 650-658.

[14] DE KONING B B， TABBERS H K， RIKERS R M J P， et al. Improved effectiveness of cueing by self-explanations when learning from a complex animation[J]. Applied cognitive psychology， 2011， 25（2）： 183-194.

[15] CHI M T H， BASSOK M， LEWIS M W， et al. Self-explanations： how students study and use examples in learning to solve problems[J]. Cognitive science， 1989， 13（2）： 145-182.

[16] CHI M T H， De Leeuw N， CHIU M H， et al. Eliciting self-explanations improves understanding[J]. Cognitive science， 1994， 18（3）： 439-477.

[17] CHI M T H. Self-explaining expository texts： the dual processes of generating inferences and repairing mental models[M]//GLASER R. Advances in instructional psychology. New York： Routledge， 2000： 78-88.

[18] WYLIE R， CHI M T H. The self-explanation principle in multimedia learning[M]//MAYER R E. The Cambridge handbook of multimedia learning. 2nd ed. New York： Cambridge University Press， 2014： 413.9D542F70-8B72-43FA-AC1B-7361AE4AC83A

[19] SAVELSBERGH E R， De Jong T， FERGUSON-HESSLER M G M. Learning physics with a computer algebra system[J]. Journal of computer assisted learning， 2000， 16（3）： 229-242.

[20] RITTLE-JOHNSON B. Promoting transfer： effects of self-explanation and direct instruction[J]. Child development， 2006， 77（1）： 1-15.

[21] MCNAMARA D S， O'REILLY T， ROWE M， et al. iSTART： a web-based tutor that teaches self-explanation and metacognitive reading strategies[M]//MCNAMARA D S. Reading comprehension strategies： theories， interventions， and technologies. London： Psychology Press， 2007： 397-421.

[22] LIN L， ATKINSON R K， SAVENYE W C， et al. Effects of visual cues and self-explanation prompts： empirical evidence in a multimedia environment[J]. Interactive learning environments， 2016， 24（4）： 799-813.

[23] NOKES T J， HAUSMANN R G M， VANLEHN K， et al. Testing the instructional fit hypothesis： the case of self-explanation prompts[J]. Instructional science， 2011， 39（5）： 645-666.

[24] ATKINSON R K， RENKL A， MERRILL M M. Transitioning from studying examples to solving problems： effects of self-explanation prompts and fading worked-out steps[J]. Journal of educational psychology， 2003， 95（4）： 774-783.

[25] CRIPPEN K J， EARL B L. The impact of web-based worked examples and self-explanation on performance， problem solving， and self-efficacy[J]. Computers & education， 2007， 49（3）： 809-821.

[26] YEH Y F， CHEN M C， HUNG P H， et al. Optimal self-explanation prompt design in dynamic multi-representational learning environments[J]. Computers & education， 2010， 54（4）：1089-1100.

[27] 皮忠玲，劉曉莉，楊九民.社會比較對視頻課程學習的影響[J].電化教育研究，2021，42（9）：56-61.

[28] HART S G， STAVELAND L E. Development of NASA-TLX（task load index）： results of empirical and theoretical research[J]. Advances in psychology， 1988， 52（6）：139-183.

[29] HSU C Y， TSAI C C. Examining the effects of combining self-explanation principles with an educational game on learning science concepts[J]. Interactive learning environments， 2013， 21（2）： 104-115.

[30] LIN L， ATKINSON R K. Enhancing learning from different visualizations by self-explanation prompts[J]. Journal of educational computing research， 2013， 49（1）： 83-110.

[31] STARK L， BRNKEN R， PARK B. Emotional text design in multimedia learning： a mixed-methods study using eye tracking[J]. Computers & education， 2018， 120： 185-196.

[32] WANG X， LIN L， HAN M， et al. Impacts of cues on learning： using eye-tracking technologies to examine the functions and designs of added cues in short instructional videos[J]. Computers in human behavior， 2020， 107： 106279.9D542F70-8B72-43FA-AC1B-7361AE4AC83A

[33] CANHAM M， HEGARTY M. Effects of knowledge and display design on comprehension of complex graphics[J]. Learning and instruction， 2010， 20（2）： 155-166.

[34] BOUCHEIX J M， LOWE R K. An eye tracking comparison of external pointing cues and internal continuous cues in learning with complex animations[J]. Learning and instruction， 2010， 20（2）： 123-135.

[35] 李文昊.多媒體學習十講[M].南京：南京師范大學出版社，2015：70.

[36] JOHNSON C I， MAYER R E. Applying the self-explanation principle to multimedia learning in a computer-based game-like environment[J]. Computers in human behavior， 2010， 26（6）：1246-1252.

[37] JOO H， PARK J， KIM D. Visual representation fidelity and self-explanation prompts in multi-representational adaptive learning[J]. Journal of computer assisted learning， 2021， 37（4）： 1091-1106.

[38] WANG Z， ADESOPE O. Do focused self-explanation prompts overcome seductive details？ A multimedia study[J]. Journal of educational technology & society， 2017， 20（4）：47-57.9D542F70-8B72-43FA-AC1B-7361AE4AC83A