在線自主學習行為何以表征元認知能力

王洪江 李作錕 廖曉玲 華秀瑩

[摘? ?要] 如何有效評估學習者元認知能力，是當前元認知相關研究熱點之一。研究表明，采用在線學習行為數據預測學生的元認知能力，是一種較為有效的方法。然而，由于這種研究方法缺乏統一的元認知能力過程性表征框架，導致學習行為指標選取存在差異，且指標維度選取單一化、信息粒度挖掘淺層化也會影響最終的評估效果。為此，研究試圖從任務完成過程的視角，基于自我調節學習策略構建一種較完整的元認知能力過程性表征框架;并采用系統性文獻綜述及元分析方法，遵循“任務階段—采取策略—行為映射”的技術路線，篩選出39種相關行為指標，進行量化界定以表征元認知能力。研究結果顯示：當前元認知能力研究主要聚焦于任務解決階段和任務評估階段，學習者主要采取搜索信息、自我評價、回顧材料等策略，具體映射于參加測試、觀看視頻、時間投入等行為。最后，文章提出未來研究的建議，以期對后續研究提供發展方向。

[關鍵詞] 元認知能力; 在線自主學習行為; 元認知策略; 系統性文獻綜述及元分析方法

[中圖分類號] G434? ? ? ? ? ? [文獻標志碼] A

[作者簡介] 王洪江（1977—），男，浙江紹興人。副研究員，博士，主要從事在線教學理論、人工智能教育應用研究。E-mail：wanghongjiang@m.scnu.edu.cn。

一、引? ?言

從“學會”到“會學”，培養會學習和終身學習的公民，建設學習型社會，是新時代教育改革熱點和重點問題，也是“十四五”教育規劃綱要的重要內容[1]。判別學習者是否已學會學習的一個重要標識就是其元認知能力，元認知強調學習者對自身各種認知活動的計劃、監控和調節[2]，是一種高階、內隱、抽象的思維過程[3]。如何有效評估學習者元認知能力是當前該研究領域中薄弱又極為關鍵的環節[4]?，F有評估方法大致可以劃分為兩種類型，即離線測量法和學習分析法。前者依賴個體記憶，易產生認知偏差，導致預測結果失實，而后者受限于被試者的記憶能力和語言能力，以及觀察者的專業知識和解釋能力。因此，需要研究準確性和可靠性更高的元認知能力評估方法。

為克服已有評估方法性能的不足，研究者嘗試采用在線學習行為數據來表征學生元認知能力，驗證了行為數據表征元認知能力發展變化的可行性。學習行為是學習者思維與學習狀況的真實映射，能夠體現學習中微妙而復雜的思維方式[5]。通過分析學習者學習行為，可以探究其內部思維過程[6]。隨著在線教學潮涌般的推進，越來越多學習行為發生在數字化環境中，為元認知評估帶來新的契機。但現有研究缺乏統一的元認知能力過程性表征框架[7]，導致學習行為指標選取存在差異，且單一化、淺層化的行為指標選取方式直接影響預測效果。

為此，本研究主要解決以下問題：

Q1：如何構建元認知能力過程性表征框架;

Q2：有哪些相關的行為指標，如何進行量化。

二、相關問題梳理

（一）已有元認知能力評估方法性能不足

當前，元認知評估方法可以分兩種類型：一種是較為宏觀、靜態的離線測量法，將元認知視為特質，如自陳式問卷和自我報告法等;另一種是較為微觀、動態的學習分析法，注重整個學習過程測量，如出聲思維法、系統觀察法、錯誤檢測法、日記法和痕跡檢測法等。然而，這兩種評估方法性能均存在不足。如自陳式問卷較依賴個體記憶，學習者很難對自己過去完成的學習行為進行準確描述，學習者（尤其是年齡小的被試者）在填寫過程中容易產生認知偏差（如Dunning-Kruger效應），影響評估結果的準確性[8]。而自我報告法是在特定時間、脫離情境采集的，與學習者動態的、情境的元認知能力不同步，在自我報告過程中可能會刺激學習者思考學習[9]，影響接下來的認知行為，從而降低評估結果的可靠性。另外，出聲思維法會受被試者語言能力影響，表達能力較弱的被試者較難準確表述自己的所思所想，也會因為研究問題、理論基礎的不同導致語義轉譯、編碼存在差異，影響研究泛化性[10]。系統觀察法具體過程與出聲思維法相似，建立在研究者感官、自我解釋基礎上，受觀察者本身感官、主觀意識以及觀察樣本數量的限制，難以開展大規模調查。錯誤檢測法觀察學生是否注意到了學習材料或任務中預先設置的錯誤點，及其采取了何種解決方法[11]，會受文本問題類型影響，類型不同則采取的監控策略也不同，也會受學習者主觀因素影響，如被試者由于粗心或其他原因未注意到文本中存在的錯誤[12]，會被誤以為是由于元認知監控能力較弱造成的，導致評估結果的片面性。日記法詳細記錄了學習者學習過程，包括學習動機、目標、情緒、時間等指標，但很難完全再現學習者當時的認知過程和心理活動，這降低了評估結果的可靠性。

（二）基于學習行為的元認知能力評估方法的優缺點

已有文獻對基于學習行為的元認知能力評估方法進行了研究。例如：Yeh等通過采集學習者瀏覽行為，設計多層前饋神經網絡來評估學習者元認知知識[13];紀陽等發現，資源利用、自檢、復習和任務完成質量等學習行為能有效預測評估元認知能力[3];李士平等發現，查閱作品、查看自身學習情況、參與交互等行為數據與學習者元認知水平顯著相關，且表征元認知的準確度較高[6]。綜上所述，基于學習行為的元認知能力評估方法具有以下優點：（1）在線自主學習行為是在真實學習環境中收集的，比自我報告更客觀、準確和全面[14];（2）學習行為是在學習者學習過程中由學習管理系統（Learning Management System，LMS）后臺自動收集的，不會影響學習者的正常學習，而出聲思維法需要學習者在學習過程中付出額外的關注和努力[15-16];（3）自動收集的學生行為數據可以支持及時的、大規模的元認知測量，而時間密集型評估方法通常是不可行的（如自我報告法、出聲思維法、系統觀察法等）。380CB521-171C-49F1-96C4-DDFD06D54DE9

然而，現有研究仍存在以下缺點：（1）在理論框架上，缺乏統一的過程性表征框架，導致行為指標選取存在較大的差異。大多數研究是直接采用已有的自我調節學習框架。例如：Van Alten 等基于Zimmerman自我調節策略，選取觀看時長、任務準時率和任務完成率等行為指標進行預測[17];Li等參考Pintrich自我調節一般模型，選取學習者時間管理和努力監控等行為指標進行研究[8];徐曉青等以Pintrich的自我調節學習模型為標準，統計學習分析在自我調節學習中作用的階段和要素[18];也有研究基于探究社區理論框架，從認知調節和認知監控兩個方面評估在線學習環境下學習者元認知能力[19]。（2）在選取方式上，指標選取較為單一化、淺層化。一方面，維度選取單一化。例如：Theobald等僅從時間管理維度采集行為指標表征學習者元認知能力[20];Zhang等僅將文本討論作為數據來源分析學習者在線調節過程[21]。另一方面，信息粒度挖掘淺層化，瀏覽時長、登錄頻率等粗粒度信息仍是評估學習者元認知能力的主要指標。例如：Delen等記錄學習者平臺學習時長和交互筆記使用頻次[22];Cerezo等則使用發帖回帖數、作業提交次數、測驗嘗試次數作為主要衡量標準[23]。由于行為指標選取差異性會在一定程度上影響元認知能力預測效果，指標維度單一化及信息采集淺層化也會降低元認知評估的準確性。鑒于此，本研究將構建一套較為完整的基于元認知策略的元認知能力過程性表征框架，并基于該框架采用系統性文獻綜述及元分析方法，系統和全面地梳理表征元認知能力的學習行為指標，以求準確表征學習者元認知能力。

三、元認知能力過程性表征框架構建

（一）元認知是動態連續的過程

自弗拉維爾（Flavell）明確提出元認知概念后，元認知界定和分類趨向于要素和過程兩個層面[24]。（1）要素層面有“兩元論”與“三元論”兩種觀點。Flavell認為，元認知兩大要素包括“元認知知識”和“元認知體驗”[25]。相較于Flavell“靜態”模型，Brown等認為，元認知包括“認知知識”和“認知調節”[26]，強調元認知既是一種穩定的知識實體，又是動態的認知調節活動。國內學者董奇綜合了這兩種觀點，提出“三元論”觀點，將元認知劃分為“元認知知識”“元認知體驗”“元認知監控”[27]。（2）過程層面認為元認知是動態連續過程。元認知活動對象為認知過程本身[28]，重視任務執行前規劃、執行中監控和調節、執行后評估和修正。在這個過程中，學習者借助元認知技能（計劃、調節、監控、評價）持續進行心理預期與實際情況的“校準”，最終達到預期目標。

可見，介于概念不確定性和要素結構差異，從要素層面分析元認知會影響概念理解和元認知能力評估的準確性。而將元認知界定為一種動態連續的活動過程，具有較強的客觀性和邏輯性[29]，使研究深入具體情境中描述元認知各階段的行為，將內隱及抽象的思維過程外顯化，為多維表征元認知能力奠定理論基礎。

（二）自我調節學習過程的三階段模型

自我調節學習（Self-Regulated Learning，SRL）有機整合了元認知、動機和行為三個方面，強調個人、行為、環境三者之間相互作用[30]，涉及學習者為什么學、如何學、何時學、何地學、學什么、與誰一起學等問題[31]，其中，其他問題都是對學什么起計劃、調節和控制作用，即監控過程。自我調節學習實際上包括學習者對認知活動的自我意識和自我調節（即元認知）。經典自我調節學習模型包括Zimmerman自我調節策略[32]（包括計劃、執行和自我反思）、Pintrich自我調節學習一般模型[33]（包括計劃激活、監測、控制和反思反應）和Winne COPES模型[34]（即條件、操作、產品、評價、標準）等。本研究將綜合這三種模型特點，將認知過程劃分為三個循環往復階段，即認知任務表征、認知任務解決和認知任務評估。（1）認知任務表征階段要求學習者完成任務分析、明確學習目標、制定計劃。（2）認知任務解決階段要求學習者自我控制和自我調節，前者幫助學習者集中精力，后者包括認知調節、情緒調節和行為調節。認知調節側重于學習者根據目標任務調整自己的認知活動，情緒調節則是學習者主動控制認知活動中產生的情緒，行為調節表現為任務堅持、任務完成和求助行為等。（3）認知任務評估階段要求學習者完成自我評估和自我反應。自我評估是學習者自行判斷學習結果和成就目標之間的差異，并進行歸因;自我反應是學習者根據學習結果反饋而采取的行為，如回顧行為等。

（三）基于三階段模型的元認知策略

自我調節學習作為整合元認知過程性框架，能夠為元認知評估的深入分析提供指導。本文中的元認知策略主要以Zimmerman自我調節策略分類為基準[35]，并綜合考慮其他研究成果。Zimmerman自我調節策略受學生成就目標影響，側重于強調學習動機在策略運用中的重要作用，而不是強調元認知影響。而Garcia情緒調節策略能夠幫助學習者在面對復雜學習任務時取得較好的學習效果[36]。此外，學習是一項社會性活動，不可忽略調節行為的社會性特征[37]。因此，本研究確定了13種元認知策略，即自我評價、組織和轉化、目標設定和規劃、搜索信息、記錄監控、環境構建、練習記憶、尋求幫助、回顧材料、時間管理、努力監控、情緒調節、社會（協同）調節。

（四）基于元認知策略的元認知能力過程性表征框架

元認知策略幫助學習者掌控自主學習行為，即學習行為在一定程度上可以看作是學習者元認知策略的折射，只要明確了元認知策略，并找到各策略與自主學習行為指標之間的映射，便可準確評估學習者元認知能力。為此，本研究從學習任務完成過程的視角構建基于元認知策略的元認知能力表征框架（如圖1所示），其“內核”是學習者元認知能力，支配任務完成三個階段，即任務表征、任務解決、任務評估（任務層），引導學習者采取相應的元認知策略（策略層），最終映射為學習者在線自主學習行為指標（行為層）。具體而言，（1）認知任務表征階段涉及組織和轉化、目標設定和規劃等策略;（2）認知任務解決階段包括環境構建、時間管理、努力監控、自我評價、搜索信息、記錄監控、練習記憶、尋求幫助、情緒調節等策略;（3）認知任務評估階段包含回顧材料等策略。另外，協同調節和社會調節策略貫穿整個任務階段。380CB521-171C-49F1-96C4-DDFD06D54DE9

四、在線自主學習行為表征元認知能力

（一）系統性文獻綜述及元分析方法

研究遵循系統性文獻綜述及元分析方法（Preferred Reporting Items for Systematic Reviews and Meta-Analyses，PRISMA）[38]進行文獻綜述，包括四個階段：數據庫及關鍵詞選取、確定排除和納入條件、文獻篩選和分析、納入文獻分析框架設計。

1. 數據庫及關鍵詞選取

為確保能夠獲取全面且高質量文獻，本研究選取Pumbed、Sage、IEEE、Springer、Wily、ScienceDirect、Web of Science、Proquest、萬方、知網等國內外十大數據庫作為文獻來源。外文數據庫檢索語句由（metacognition OR metacognitive OR self-regulated OR self-regulation OR self-monitor OR self-control） AND（online learning OR e-learning OR blended learning） AND （behavior OR behavioral）三部分組成;中文數據庫直接使用“元認知”“在線自主學習行為”“網絡自主學習行為”進行主題檢索。限定檢索時間為2017—2021年，文獻類型為期刊論文或會議論文，獲得外文文獻406篇、中文文獻15篇，共計421篇。

2. 確定排除和納入條件

為獲取高相關度文獻，制定納入條件：（1）與“元認知”或“自我調節”主題相關;（2）采用實驗研究或準實驗研究;（3）研究環境為在線學習或混合學習;（4）對學習者在線自主學習進行評估并對其進行界定和量化。文獻需滿足以上四個條件，排除非教育領域和綜述類文章。

3. 文獻篩選和分析

文獻篩選和分析包括：數據庫檢索、文獻初篩和資格評估。首先，借助文獻管理軟件（Endnote）進行自動和手動去重。然后，依據排除和納入標準對文章標題和摘要進行篩選。最后，進行全文審查，以確定是否符合最終樣本的資格標準，并采用“滾雪球”方式檢索參考資料，獲得更多文獻。最終共有36篇論文進入定量綜合分析（Meta分析）。

4. 納入文獻分析框架設計

本研究以圖1所示元認知能力過程性表征框架作為文獻分析框架，按照“任務階段→采取策略→行為映射”技術路線進行文獻梳理。圖2顯示了任務層文獻數目對比情況，當前研究聚焦任務解決和任務評估兩個階段的相關行為，尤其是任務解決階段，而對任務表征階段關注較少，因為這一階段策略更多外顯于線下學習行為，當前LMS無法捕獲到相關學習行為。圖3顯示了策略層文獻數目對比情況，學習者元認知能力集中體現在搜索信息、自我評價、回顧材料、時間管理、努力監控、尋求幫助等策略上[因社會（協同）調節貫穿整個任務階段，未納入]，充分凸顯元認知對個體認知活動的調節和監控作用。圖4顯示了行為層文獻數目對比情況，只列出頻次大于等于5的11種相關行為，主要體現了元認知能力對學習過程的監控和調節?？梢钥闯觯簠⒓訙y試頻次最高，印證了自我測試與元認知監控緊密相關[39];觀看視頻是學習者搜索信息的主要途徑，是一種持續性學習行為，受學生自身監控能力影響;時間投入、瀏覽行為、按時學習、討論數量、增加筆記、訪問平臺等行為也在一定程度上體現出元認知能力對學習過程的監控;回看視頻、回看測試等行為，即學生自行判斷學習結果和成就目標之間的差異并進行歸因，從而促使其調節自身學習行為，體現了學習者元認知調節能力。

（二）不同任務階段在線自主學習行為表征元認知能力

根據以上分析，本文整理出39種行為指標（如圖5所示），大部分元認知策略與行為指標呈現一對一或一對多的映射關系，個別策略因當前未發現相關文獻研究，無對應行為指標。

1. 任務表征階段

任務表征階段涉及組織和轉化、目標設定和規劃兩種元認知策略。關于組織和轉化策略，未發現界定學習行為的相關研究。而關于目標設定和規劃，以開發嵌入目標提示功能的LMS為主（即學習者在任務開始之前設定學習目標）。量化方式為系統記錄學習者管理其學習目標的頻次。例如：Azevedo等開發了智能代理教學系統Meta Tutor，允許學習者管理學習目標[40]。

2. 任務解決階段

任務解決階段包括環境構建、時間管理、努力監控、自我評價、搜索信息、記錄監控、練習記憶、尋求幫助、情緒調節九種元認知策略。

（1）環境構建策略包括學習者學習時間和學習地點兩種行為指標。學習時間可以具體到一周中某天以及一天中某個時間段[41]，學習地點主要是根據學習者訪問LMS的IP地址進行判定。

（2）時間管理策略包括六種行為指標。①按時學習是指學習者在截止日期之前完成學習任務，以任務按時率進行表征。②提前學習是指學習者在截止日期之前，提前完成任務。即模塊j（j=1……m）的截止日期為Tj，在模塊j中每個學習任務的時間記為Ti（共有n個學習任務，i=1……n），截止日期與學習任務的時間間隔記為Tj-Ti。先計算每個模塊時間間隔的平均值，然后計算m個模塊的平均時間間隔，如公式（1）。③間隔學習為學習者學習時間間隔。即模塊j的截止時間（Tj）和學生訪問模塊j中資源i的時間（Ti）的標準差，如公式（2）。該值越大，則時間管理能力越強。④分散學習是指學習者將一個完整的學習主題分配在不同的時間段內完成，而不是在相對集中的時間內學完[42]。該值越高，則課程內容參與越分散和持續。⑤延時間隔是指學習者在完成學習任務后主動選擇恰當的時間參加測試。通過統計學習者最后一次訪問平臺的時間與參加對應考試的時間間隔進行量化[43]。⑥課程日歷是指學習者標注相關活動的起止日期，通過查看日歷了解即將到來的事件，更好地進行時間管理。LMS日志文件可以記錄學習者查看日歷的次數，也可以嵌入其他插件，如Google日歷[44]以收集更詳細的數據。380CB521-171C-49F1-96C4-DDFD06D54DE9

（3）努力監控策略包括時間變化和時間投入兩種行為指標。衡量學習者努力水平可以通過在LMS上花費的時間及其訪問LMS的時間變化來表征。具體量化形式為建立各個學習模塊所花時間的回歸方程，用回歸方程的斜率表示時間變化的趨勢。時間投入的量化為各個學習模塊時間求和。

（4）自我評價策略包括參加測試的頻次、完成測試的時長、選擇測試的范圍三種行為指標。其中，選擇測試的范圍是指學習者可以根據學習偏好，自主選擇相應的測試范圍。以上三種行為指標均以系統記錄的方式進行量化。

（5）搜索信息策略包括八種行為指標。其中，訪問平臺、查看講義、觀看視頻、觀看時長、暫停時長等以系統記錄的方式進行量化。瀏覽行為主要是指學習者在學習過程中根據自己的學習情況在學習頁面之間的跳轉，相關頁面可分為學過的（Visited）頁面和未學過的（Unvisited）頁面。因而共有四種類型的跳轉，即V-V、V-U、U-V和U-U，量化方式為分別計算四類行為的占比。微交互行為需借助技術工具（如WebQuery[45]）捕獲學習者與鼠標、鍵盤等的交互行為，通常處理方式為使用序列模式挖掘算法提取學習者行為序列[46]。眼動行為需使用眼動儀（如Eyelink）記錄注視時間、注視固定、掃描路徑等子行為指標。

（6）記錄監控策略包括打開筆記、增加筆記、刪除筆記、筆記長度和筆記個數五種行為指標。相關行為指標的獲取需要在LMS中嵌入筆記記錄功能，如Meta Tutor、iLias等平臺可以自動記錄筆記行為的頻次、筆記字符數等。

（7）練習記憶策略更多發生在線下學習環境之中，因而較難捕獲相關的行為指標。

（8）尋求幫助策略包括討論時間、討論數量、討論內容三種指標，側重于強調學習者尋求社會性信息，其與學習者的討論行為密切相關。LMS可以自動記錄學習者的討論時間和數量，而討論內容則需要根據編碼框架進行主題分析。

（9）情緒調節策略更多反映在學習者的生理指標上，如腦電信號[47]。通過分析腦電波段數據，生成用戶在整個學習過程中的腦波報告，反映學習者對身體緊張與放松狀態的調節。

3. 任務評估階段

任務評估階段包括回顧材料元認知策略，共有八種行為指標。學習者自行判斷學習結果和成就目標之間的差異，進行自我反思，并根據學習結果反饋采取積極反應。相較于回放視頻，回看視頻強調學習者對某個視頻的有意回顧，側重于根據自身知識薄弱點有意回看視頻的某個片段，回看測試即學習重新查看完成的測試題目，材料回顧時長主要用來統計學習者復習材料所花費的時長。任務完成率主要是統計學習者完成的任務在所有任務中的占比。查閱作品側重于強調學習者有意查看同伴作品提交情況，以此評估、提升自身作品質量，作品完成質量以最后作品所得分數（包括師評、互評、自評分數）為衡量標準。除回看時長、任務完成率和作品完成質量以外，其他行為指標都是以系統記錄頻次的方式進行量化。

社會（協同）調節策略主要映射為學習者的討論行為和生理行為。關于討論行為，Zhang等通過認知網絡分析法可視化呈現社會調節演化的動態性和循環性[48]，Zheng等通過滯后序列分析法分析移動學習環境下學習者社會調節行為模式[49];關于生理行為，研究者主要采集學習者皮膚電信號以分析學習者在社會調節過程中的生理同步性[50]。

五、小結及啟示

（一）小結

首先，本研究從學習任務完成過程的視角構建基于元認知策略的元認知能力表征框架，認為學習者元認知能力是完成任務的“內核”，引導學習者采取相應的元認知策略，最終映射為學習者在線自主學習行為指標。接著，采用系統性文獻綜述及元分析方法篩選行為指標。最后，分析統計出39種行為指標，并闡述如何將其量化以表征元認知能力。

（二）啟示

本研究在文獻梳理過程中也發現了當前研究存在的不足，表現在研究方法的選擇、數據分析方法的使用等方面?；诖?，本研究認為未來研究應遵循以下“四個結合”：

1. 量化與質性研究相結合

學習分析可以挖掘學習者隱性、內部的思維過程，為深入研究元認知評估提供新的視角。但要考慮數據跟蹤方法的局限性，并非所有學習行為指標都可以通過系統獲取，采集的數據可能會受到數字化學習環境外因素影響[51]，這將降低預測結果的可靠性。另外，僅僅使用學習分析方法會使得研究結果缺乏可解釋性，只知道學習者“這樣做”而不知道學習者“為什么這樣做”。因此，可以考慮量化與質性研究相結合。定性數據（如學習者訪談）可以豐富定量數據的內容，定性推理可以將定量結果與研究情境聯系起來[52]，增加數據結果的可解釋性。

2. 多模態數據相結合

多模態數據能反映學習者真實的學習狀態[53]，融合了數字空間數據（如文本、學習時長、行為序列等）和生理體征數據（如眼動、腦電、皮膚電等），能有效提高元認知評估的準確性，并在構建復雜的學習者模型方面擁有巨大的潛力。因此，多模態數據相結合能夠更及時、多維、直觀、全面地分析學習者的學習過程和結果。

3. 粗粒度與細粒度信息相結合

學習者粗粒度信息，如內容瀏覽次數、登錄頻率和閱讀頁面時長等，是用來解釋在線學習中個體差異最典型的測量指標，研究表明，這些粗粒度信息與學習者學習參與和學習成績有密切關聯[54]。但也有研究指出，粗粒度信息與學習者學習參與相關性較小，僅限于教師參考，用于學習指導和教學干預[35]。而細粒度信息作為數據粒度在空間尺度的更高程度細化，能提供一種數據分析微觀視角?？梢?，將粗、細粒度信息相結合能使元認知評估具有空間尺度多樣化特征[55]。因此，研究應該兼顧粗粒度信息，挖掘深層細粒度信息（如學習者的瀏覽行為、拖延行為、回顧行為等），提升預測效果，挖掘隱含規律。380CB521-171C-49F1-96C4-DDFD06D54DE9

4. 傳統方法與人工智能技術相結合

均方檢驗、相關分析和數據編碼等傳統數據分析方法需要人工判斷和錄入，研究結果較為可靠;但作為一種時間密集型分析方法，當處理大規模數據時，會浪費大量人力，處理結果也會出現紕漏。深度學習作為人工智能的主要算法，具備處理模糊信息、從具體任務中概括和學習、額外參數快速更新等能力，擅長預測和分類，計算成本低、運算速度快，彌補了傳統方法的不足。因此，機器決策與人工決策有機結合能提升元認知評估效率，保障評估效果。

[參考文獻]

[1] 教育部.“十四五”規劃和2035年遠景目標綱要提出建設高質量教育體系[EB/OL]. [2021-03-13]. http：//www.moe.gov.cn/jyb_xwfb/s5147/202103/t20210314_519710.html.

[2] 楊寧.從元認知到自我調節：學習策略研究的新進展[J].南京師大學報（社會科學版），2006（4）：101-105.

[3] 紀陽，李思琪，張默雨.元認知評估能力發展預測的可行性研究[J].北京郵電大學學報（社會科學版），2020，22（5）：117-124.

[4] 汪玲，方平，郭德俊.元認知的性質、結構與評定方法[J].心理學動態，1999（1）：6-11.

[5] 胡藝齡，顧小清，趙春.在線學習行為分析建模及挖掘[J].開放教育研究，2014，20（2）：102-110.

[6] 李士平，趙蔚，劉紅霞，劉東亮，劉鳳娟.數據表征元認知：基于學習分析的網絡自主學習行為研究[J].電化教育研究，2017，38（3）：41-47.

[7] MURPHY E. A framework for identifying and promoting metacognitive knowledge and control in online discussants[J]. Canadian journal of learning and technology， 2009， 34（2）：1-9.

[8] LI Q， BAKER R， WARSCHAUER M. Using clickstream data to measure， understand， and support self-regulated learning in online courses[J]. The internet and higher education， 2020， 45： 100727.

[9] OZTURK N. Assessing metacognition： theory and practices[J]. International journal of assessment tools in education， 2017， 4（2）： 134-148.

[10] 李菲菲，劉電芝.口語報告法及其應用研究述評[J].上海教育科研，2005（1）：39-41，44.

[11] 龐維國.自主學習的測評方法[J].心理科學，2003（5）：882-884.

[12] BAKER L， CERRO L C. Assessing metacognition in children and adults[M]//SCHRAW G， IMPARA J C. Issues in the measurement of metacognition. Lincoln， NE： Buros Institute of Mental Measurements， 2000： 99-145.

[13] YEH S W， LO J J. Assessing metacognitive knowledge in web-based CALL： a neural network approach[J]. Computers & education， 2005， 44（2）： 97-113.

[14] WINNE P H. Improving measurements of self-regulated learning[J]. Educational psychologist， 2010， 45（4）： 267-276.

[15] GREENE J A， AZEVEDO R. The measurement of learners' self-regulated cognitive and metacognitive processes while using computer-based learning environments[J]. Educational psychologist， 2010， 45（4）： 203-209.

[16] SHA L， LOOI C K， CHEN W， et al. Understanding mobile learning from the perspective of self-regulated learning[J]. Journal of computer assisted learning， 2012， 28（4）： 366-378.

[17] VAN ALENT D C D， PHIELIX C， JANSSEN J， et al. Secondary students' online self-regulated learning during flipped learning： a latent profile analysis[J]. Computers in human behavior， 2021， 118： 106676.380CB521-171C-49F1-96C4-DDFD06D54DE9

[18] 徐曉青，趙蔚，劉紅霞，姜強.自我調節學習中學習分析的應用框架和融合路徑研究[J].電化教育研究，2021，42（6）：96-104.

[19] AKYOL Z， GARRISON D R. Assessing metacognition in an online community of inquiry[J]. The internet and higher education， 2011， 14（3）：183-190.

[20] THEOBALD M， BELLHUSER H， IMHOF M. Identifying individual differences using log-file analysis： distributed learning as mediator between conscientiousness and exam grades[J]. Learning and individual differences， 2018， 65：112-122.

[21] ZHANG T， TAUB M， CHEN Z. Measuring the impact of COVID-19 induced campus closure on student self-regulated learning in physics online learning modules[C]//11th International Learning Analytics and Knowledge Conference. New York： Association for Computing Machinery， 2021：110-120.

[22] ERHAN D， JEFFREY L， VICTOR W. Effects of interactivity and instructional scaffolding on learning： self-regulation in online video-based environments[J]. Computers & education， 2014， 78：312-320.

[23] CEREZO R， BOGARN A， ESTEBAN M， et al. Process mining for self-regulated learning assessment in e-learning[J]. Journal of computing in higher education， 2020， 32（1）： 74-88.

[24] 孔博鑒.自我調節學習中元認知對認知學習策略的影響[D].長春：東北師范大學，2015.

[25] FLAVELL J H. Metacognition and cognitive monitoring： a new area of cognitive-developmental inquiry[J]. American psychologist， 1979， 34（10）： 906-911.

[26] BROWN A. Knowing when， where & how to remember： a problem of metacognition[M]. Hillsdale， NJ： Lawrence Erlbaum Associate， 1987： 77-165.

[27] 董奇.論元認知[J].北京師范大學學報，1989（1）：68-74.

[28] PERFECT T J， TIMOTHY J， SCHWARTZ B L. Applied metacognition[M]. Cambridge： Cambridge University Press， 2002.

[29] 汪玲，郭德俊.元認知的本質與要素[J].心理學報，2000（4）：458-463.

[30] PINTRICH P R. The role of goal orientation in self-regulated learning[M]//BOEKAERTS M， PINTRICH P， ZEIDNER M. Handbook of self-regulation. San Diego CA： Academic Press， 2000： 451-502.

[31] 韓立敏.元認知，學習策略，自我調節學習辨析[J].上海教育科研，2001（10）：6-8.

[32] ZIMMERMAN B J， MOYLAN A R. Self-regulation： where metacognition and motivation intersect[M]//HACKER D J， DUNLOSKY J， GRAESSER A C. Handbook of metacognition in education. New York： Taylor & Francis Group， 2009：299-315.

[33] PINTRICH P R. A conceptual framework for assessing motivation and self-regulated learning in college students[J]. Educational psychology review， 2004， 16（4）： 385-407.

[34] WINNE P H. Experimenting to bootstrap self-regulated learning[J]. Journal of educational psychology， 1997， 89（3）： 397-410.380CB521-171C-49F1-96C4-DDFD06D54DE9

[35] ZIMMERMAN B J， Pons M M. Development of a structured interview for assessing student use of self-regulated learning strategies[J]. American educational research journal， 1986， 23（4）： 614-628.

[36] GARCIA R， FALKNER K， VIVIAN R. Systematic literature review： self-regulated learning strategies using e-learning tools for computer science[J]. Computers & education， 2018， 123（1）： 150-163.

[37] 蘇友，李艷燕，包昊罡.國際視野下社會調節學習研究歷程、焦點及趨勢[J].現代遠程教育研究，2020，32（6）：33-43.

[38] MOHER D， LIBERATI A， TETZLAFF J， et al. Preferred reporting items for systematic reviews and meta-analyses： the PRISMA statement[J]. International journal of surgery， 2010， 8（5）： 336-341.

[39] GRIFFIN T D， WILEY J， SALAS C R. Supporting effective self-regulated learning： the critical role of monitoring[M]//AZEVEDO R， ALEVEN V. International handbook of metacognition and learning technologies. New York： Springer， 2013： 19-34.

[40] AZEVEDO R， JOHNSON A， CHAUNCEY A， et al. Self-regulated learning with MetaTutor： advancing the science of learning with MetaCognitive tools[M]//WEGERIF R B， MANSOUR N. New science of learning. New York： Springer， 2010： 225-247.

[41] MONTGOMERY A P， MOUSAVI A， CARBONARO M， et al. Using learning analytics to explore self-regulated learning in flipped blended learning music teacher education[J]. British journal of educational technology， 2019， 50（1）： 114-127.

[42] 李葆萍，張賢茹，陳秋雨，張麗峰，周穎.碎片化學習真的會影響學習效果嗎？——基于在線學習的分散學習效應研究[J].現代遠程教育研究，2020，32（6）：104-111.

[43] CARVALHO P F， SANA F， YAN V X. Self-regulated spacing in a massive open online course is related to better learning[J]. NPJ science of learning， 2020， 5（1）： 1-7.

[44] KELLEN K， ANTONENKO P. The role of scaffold interactivity in supporting self-regulated learning in a community college online composition course[J]. Journal of computing in higher education， 2018， 30（2）： 187-210.

[45] APAOLAZA A， VIGO M. WevQuery： testing hypotheses about web interaction patterns[J]. Proceedings of the acm on human-computer interaction， 2017（1）： 1-17.

[46] YU H， HARPER S， VIGO M. Modeling micro-interactions in self-regulated learning： a data-driven methodology[J]. International journal of human-computer studies， 2021， 151： 102625.

[47] ZAHI X， FANG Q， DONG Y， et al. The effects of biofeedback-based stimulated recall on self-regulated online learning： a gender and cognitive taxonomy perspective[J]. Journal of computer assisted learning， 2018， 34（6）： 775-786.380CB521-171C-49F1-96C4-DDFD06D54DE9

[48] ZHANG S， CHEN J， WEN Y， et al. Capturing regulatory patterns in online collaborative learning： a network analytic approach[J]. International journal of computer-supported collaborative learning， 2021， 16（1）： 37-66.

[49] ZHENG L， YU J. Exploring the behavioral patterns of co-regulation in mobile computer-supported collaborative learning[J]. Smart learning environments， 2016， 3（1）： 1-20.

[50] DINDAR M， MALMBERG J， JRVEL?S， et al. Matching self-reports with electrodermal activity data： investigating temporal changes in self-regulated learning[J]. Education and information technologies， 2020， 25（1）：1785-1802.

[51] SCHUMACHER C， IFENTHALER D. Investigating prompts for supporting students' self-regulation—a remaining challenge for learning analytics approaches？ [J]. The internet and higher education， 2021， 49： 100791.

[52] GAEVIC D， DAWSON S， SIEMENS G. Let's not forget： learning analytics are about learning[J]. TechTrends， 2015， 59（1）： 64-71.

[53] DI MITRI D，? SCHNEIDER J，? SPECHT M， et al. From signals to knowledge： a conceptual model for multimodal learning analytics[J]. Journal of computer assisted learning， 2018， 34（4）： 338-349.

[54] YOU J W. Identifying significant indicators using LMS data to predict course achievement in online learning[J]. The internet and higher education， 2016， 29： 23-30.

[55] 王戰軍，喬偉峰，李江波.數據密集型評估：高等教育監測評估的內涵、方法與展望[J].教育研究，2015，36（6）：29-37.380CB521-171C-49F1-96C4-DDFD06D54DE9