刘冬萍+杨絮+张海+罗立成
大数据、数据挖掘和人工智能应用的主要目的是实现个性化学习,即按照学习者自身的情况开展学习,在学术上个性化学习通常被归入“自我调节学习(Self-Regulated Learning,简称SRL)”研究领域。本文介绍了海外自我调节学习的流行理论框架,如自我调节学习的各个组成部分。研究者们发现:在学习过程中,对学习经验的准确监控是有效的自我调节的关键,而对于学习判断的各种准确性的衡量标准,在评估监控准确性的结构时也有不同。因此,提高元认知监控技能的相对准确性十分重要,而学习策略的指导作用并不足以改善监控。
● 支持有效的自我调节学习:监控的关键作用
如果一个学生在一个晚上有多项作业要完成,包括读几篇生物学文章和一组社会研究的读物。在这样的情况下,学生必须对自己的学习行为进行规范和监控,如什么时候读、读什么、读多少。在此过程中,重要的是学生能够辨别哪些读物已经理解得很好,哪些没有理解好,这就要求学生要积极地、有意识地监控正在进行的学习过程。只有通过准确的监控,学生才能进行有效的自我调节学习。因此,在学习文章的过程中,提高学生的监控能力是非常重要的。
Hacker(1998)介绍了两种不同的“监控方法”,其中一种方法主要是认知心理学家来操作使用,通过让学生公开判断现有的理解水平,并将其与学生的心理表征质量的客观测量数据进行比较,从而对学习进行监控,即学习判断(Judgments of Learning,简称JOLs)。这种研究方法的重点是确定哪些条件支持准确的监控。
相比之下,另一种主要是教育研究人员操作使用的方法,且倾向于使用诸如“理解监控”这样的术语,同时也包括监控目标、使用和监控策略及监控学习。通常,这种方法通过支持使用特定的学习和学习策略来改进自我调节学习,并利用诸如策略知识和使用的自我报告量表等进行评估,而不是对正在进行的学习进行精确监控。
这两种方法都以30多年前Flavell(1979)提出的元认知的原始概念为基础,并反映在自我调节学习的现代模型中(如下图)。图中的递归循环中,内部元认知经验与当前学习相关联,且能够得出学习者必须进行自我监控以判断他们的实际学习进度并且对认知行为进行及时修改(即调节)。否则,不全面且经常错误的先验知识将会误导学习者。在模型的中心,有一些策略引导学习者参加由自我监控行为产生的元级体验,被称为监控策略,用来强调只有一组策略所提供的直接监控作用,它与大多数自我调节学习研究中探索策略的“对象—层次”认知处理作用不同,只有这些经验监控策略才是监控循环的一部分。
● 元认知知识和认知信念对自我调节学习的影响
改进自我调节学习的一个常见方法是学习者对学习策略的认识和使用。上页图中从左到右的底部路径代表了元认知知识通过影响初始策略的选择对学习效果产生直接影响,这可能需要有效的策略(如阅读后进行总结)与其他先例因素(关于任务、主题、内容)的相互作用。在这个模型中,元认知知识作为直接影响学习的对象层次的认知过程,意味着策略使用和学习成果之间的可观察到的关系可能完全发生在监控循环之外,而且无法根据这种关系的存在来确定监控是否准确,甚至不能确定学习过程是否能被监控。事实上,在大多数的自我调节学习模型中,许多形式的策略知识可以直接影响学习或仅在计划阶段对策略选择产生影响,但这一点是隐含的。自我调节学习模型具有高度递归的性质,关于任务和策略的先验知识可以通过影响操作和认知结果,执行模型核心的“监控”和“控制”部分,因此,直接改善学习的策略不一定能引起对准确监控有用的元认知经验。
在元认知的研究中,有两种模型,第一种试图构造一个平行模型,将认知信念作为一种一般抽象的元认知知识的模型(Hofer,2004;Kitchener,1983;Kuhn,1999),而不是将认知信念融入自我调节学习的传统模式中,并将监控作为“什么监控是真实的”以及“监控和判断在认知上的主张”的真实状况(Hofer,2004),而不是监控学习过程。
另一种与平行的元认知模型相反,将认知信念融入到更传统的自我调节学习模型中,作为元认知知识的一个组成部分,并且作为可以促进某些学习策略的使用认知条件(Winne&Hadwin,1998)。Flavell(1979)也将原始模型并入元认知知识的一部分。由于它们的抽象和普遍性的程度,认知信念被解释为学习目标的决定因素,它与特定的策略知识相互作用,以确定实际的策略使用和认知行为的发生。
● 监控的准确性影响学习效果,而高度依赖有效的线索
自我调节学习模型中的一个中心元素是自我调节,监控循环依赖于自我评估或学习判断(JOLs),自我评估反过来又依赖于线索。自我评估的质量在很大程度上取决于线索的质量。Koriat的线索利用理论对这种推理进行了大量的分析,并讨论了学习者用来推断学习和未来表现的两类线索:一类是基于表示的线索,是与在特定情况下反映其认知处理的学习者内部在线主观体验相关联的线索,如记忆线索;另一类是启发式线索,与学习情境的客观特征相关,这些特征是材料和任务要求所固有的(如词对的关联性)或外在的任务和刺激,这些基于内容的线索都绕过主观经验的监控。
该模型提出,这些启发式线索(包括元认知知识)可能具有一定的预测性,因为它们包括可能对学习产生影响的事物,但它們对特定学习情况的特殊性并不敏感,因此可能是错误的。例如,在多项选择测试中,一个人擅长的启发式知识可以预测在这些测试中的总体表现要高于平均水平,但在预测一个人是否会在一个关于爱尔兰马铃薯饥荒和地震的测试中做得更好,是毫无帮助的。
如果一个学生不能准确地把容易学习的材料和不容易学习的材料区分开来,那么时间就浪费在已经学得很好的材料上,而没有时间去学习那些还没有被充分学习的东西。学生们也将无法意识到,当前的学习策略失效时,需要采取新的学习策略。与这一命题一致,监控的相对准确性已被证明与自我调节学习成果有关(Thiede,Anderson&Therriault,2003)。endprint
元认知监控和自我调节学习研究的一个核心前提是,认识到学生没有无限的时间参与学习,并且需要对即将学习或重新学习的内容进行有效的决策,以进行有效的自我调节学习。只有元认知相对准确性的监控才能解决自我调节学习,所以相对准确性已经成为确定监控准确性的标准,必然会影响正在进行的学习监控。但它不依赖于平均表现,这种相对准确性的积极特征使它成为衡量学生实际监测正在进行的学习过程的能力的优越指标,这是自我调节学习的核心,而学习策略知识和行为对监控准确性不一定会产生积极影响。
模型和数据都表明,对正在进行的学习进行精确的元认知监控,对有效的自我调节学习是至关重要的。但有关元认知的文献显示,目前来说,监控准确性水平相当低。同时,几个独立的评论报告提出:许多研究的理解评分和测试表现之间的平均个体内相关性仅为+0.27(Dunlosky&Lipko,2007;Lin&Zabrucky,1998;Maki,1998)。對所有已发表的关于过去30年完成的“学习监控相对准确性”的综合评估文章,在基线条件下平均值同样达到0.27(Thiede等,2009),调查还表明,大多数操作对提高这种准确性几乎没有影响。上述对线索有效性的分析表明,为了提高准确性,学生需要监控与阅读经验直接相关的线索,而不仅仅是依靠启发式基础进行判断。
为了做出准确的理解判断,学习者需要根据学习任务所要求的表现水平来反映具体的经验。因为一个人的情境模型,在很大程度上决定了其在理解测验中的表现(Kintsch,1998;mcnamara等,1996),当采用情境模型线索时,元理解监控将是最准确的(Rawson,Dunlosky&Thiede,2000;Wiley,Griffin&Thiede,2005)。通过让学习者更多地依靠有效的情境模型线索,可以提高监控的准确性。
由于对内部经验的关注定义了元认知监控,在实际测试过程中,外部提供的表现反馈可能会将学习者的注意力从内部线索转移到外部线索,从而缩短对正在进行的学习的有效监控。学习判断将不再是基于经验监控过程的推论,而是基于外部提供的信息,那么反馈可能会对学习判断的准确性产生不利影响。
● 自我调节学习研究结果对学习技术设计的启示
有效的自我调节学习包括学习者决定下一步该读什么,该重读什么,以及使用什么策略。如果不让学习者自己做这些决定,那么就剥夺了他们在学习过程中培养技能的机会,学习者无法独立地决定下一步的学习内容和如何学习,对他们在新的、不受支持的环境中培养有效的自我调节学习的能力是不利的。
为了支持自我调节学习,学习环境需要支持自我测试和在线监控策略。实际上,教师可以教授学生一系列的策略,并让其意识到策略的有效性是依赖于情境的,促使他们始终监控自己的学习过程,并在特定的学习环境中重新评估每个策略的有效性。这个决策过程将有助于提高反思和调节技能,特别是在策略使用中明确目的来进行监控、自我测试或自我解释。
在认知任务中准确地监控当前的理解状态是有效控制和自我调节的中心特征,它会影响到当前的学习任务和潜在的未来任务。监控学习进程的变化状态意在告诉读者何时需要加强、减少、停止或改变正在使用的认知学习策略,并告诉学习者什么策略应该被修改、删除或添加到策略知识库中,以用于将来完成任务。如果没有对实际学习的监控,学习者就不会参与自我调节学习的核心环节,而且,没有直接评估这种监控的准确性的研究,则很难得出哪些学习技术可以提高有效自我调节学习所需的监控技能。为了提供有效监控技能发展的机会,设计学习环境时教师需要注意不要剥夺学生监控自己理解程度的机会。endprint