学习投入的多模态数据表征：支撑理论、研究框架与关键技术

张琪 王红梅

[摘   要] 多模态数据建模已成为洞察学习规律的新范式。研究梳理了学习投入的概念演进与评测方法，从经典教育学理论、教育神经科学、具身认知理论以及量化学习视角阐释了学习投入的内在机制、研究范式、研究方法与技术前景，构建多模态数据表征学习投入的理论基础。在此基础上，分析了学习投入的发生机制，提出从情感状态、认知参与状态以及与学习环境互动产生的行为综合表征学习投入的观点。建立包含学习者瞬时行为数据、内容交互数据、情境互动数据的分析框架，围绕学习行为建模、模态传感器建模、算法模型以及新技术的介入四个方面讨论多模态数据建模的关键技术。通过多模态数据的整合分析，结合机器学习方法，可分析学习投入的细粒度指标以及在不同场景中的建模过程，超越独立数据源难以整合关联的问题，最终实现探索教育智能时代的学习规律、改善学习的目的。

[关键词] 学习投入; 多模态; 数据表征; 关键技术; 学习分析

[中图分类号] G434            [文献标志码] A

[作者简介] 张琪（1980—），男，江苏徐州人。副教授，博士，主要从事学习分析与教育智能的研究。E-mail：zqzqhata@sina.com。

一、引   言

学习有效性是学习研究和教育实践关注的核心问题[1]。智能教育新时期，教育变革的关键在于对“互联网+环境中的学习本质”这一问题的深入认识，学习投入的研究日益受到重视。作为学习分析与评测的核心研究领域，学习投入是指学习者在学习过程中表现出来的充沛精力、灵活性、热情以及心理韧性[2]，是评价教育质量的核心要素，是解决学习低绩效、学习倦怠[3]、高辍学率[4-5]以及预测学习者未来成就[6]的重要的研究领域。

已有大量研究对学习投入的概念与理论体系展开了归纳梳理，但学习投入的表征与量化研究依然稀缺。迄今为止，学习投入评测方法还仅限于对传统措施或混合方法的有限改进[7]。学习投入在科学的方法运用、建立具备信效度以及可操作性评测体系方面的研究依然处在探索阶段。其在实践中涉及的系列问题，必须整合来自信息科学、计算机科学、教育学、神经科学、脑科学等多学科领域的知识才可能破解[8]。从跨学科层面统筹教育技术研究，展开多学科协同研究，对推动学习投入的发展具有极其重要的作用。

基于生物数据的多模态学习数据建模已成为洞察学习规律的新范式[9]，为认识学习投入的机制、发现其规律以及开发相应的评测系统提供了可能。多模态数据支持和跨学科技术支持极大地拓展了学习投入的研究方法和应用领域，学习投入的深度应用将进一步推动以数据驱动范式探究学习本质与规律的研究。

二、学习投入研究脉络

（一）概念演进

有意义的学习皆需要持续的投入，这一论断已经得到研究者、实践者和政策制定者的普遍认同[10]。学习投入的研究源于学习时间对学生成绩的影响[11]，即与辍学率、心理游离、学业倦怠相关的处方性概念，被界定为学生理解、掌握知识与技能以及促进学习的行为与时间努力。Finn基于学业完成视角提出的“参与—认同”模型是用来阐释学习投入的开创性理论[12]。该模型描述了学习行为开始的周期，以及随着时间推移造成学习者与环境之间的相互联系，描述了学习行为影响学术成功的内在机制。根据这一理论，辍学和完成学业不是独立事件，而是学习投入或未投入的长期结果。学习投入包括基本的学习行为（关注教师、提出问题、完成作业等）、主动学习行为（从事学习活动、参与更多工作、用新方法学习课程材料）以及从事学术课外活动。

随着学习投入研究的深入，越来越多的学者意识到努力程度、情感体验等心理投入的重要性。Jimerson等发现，大部分投入模型要素可以分类为行为与情感的组合，即投入不仅具有整体意义，而且还融合了可区分的特征[13];Fredricks等在此基础上，认为投入是学习者动机发展模式的行动组成部分，投入的动机模型不仅包括行为，而且还包括情感和认知取向[14]。学习投入是一个元结构概念，是指学习者与学术任务实际交互的质量，有针对性的持续行动或可观察的素养。综合上述研究，对学习投入的三个维度做如下界定：

学习行为投入：指面对学习障碍或困难时表现出的积极、持久且有效的行为状态，其本质特征是整合认知与元认知策略的适应性调节学习行为。包括持续性、反思性、主动性与专注性四个维度[15]。

学习认知投入：指为了确保达到学习目标的心理努力程度。包含认知策略以及元认知策略的使用，表现为通过澄清概念、提出问题、努力完成任务、自我调节等认知策略来调节学习过程。

学习情感投入：指学习情绪反应水平的表达，是涉及学习过程并且在参与有价值活动时产生的心理感受，包括热情、享受、樂趣、兴趣与满足感。情感投入也包括反向投入，如情绪不满、悲伤与沮丧等。情感投入为学习行为提供了先导动力，有助于学习者对学习任务进行深层次的认知加工。

（二）学习投入的测量

学习投入的测量方法通常围绕投入与“脱离”投入状态的相关指标展开，或者通过学习者问题解决过程的不同维度进行评价。例如：行为投入的评估多是对学生回答、讨论和使用工具等外显学习行为表现进行分类与归纳;认知投入的评估则利用问卷量表或有声思维法让学习者对问题解决的过程进行回忆;用于评估情感投入的自我报告工具，通常包括关于归属感、情绪状态以及交往关系等问题。鉴于直接评估内部状态的困难性[16]，认知与情感投入评测通常需要间接措施，且需要占用被试者的大量时间，成功与否也在很大程度上取决于评价量规的信效度以及参与者的配合程度。也有研究者试图通过将自动数据采集与半自动化或手动数据编码相结合来规避观测方法的一些局限性，但相关研究极其有限。

对于学习投入的评测，重要的是要区分不同层次和时期的投入程度。例如，特定学科领域的即时任务投入与长期投入状态。鉴于评测方法的制约，现有的评测体系多为宽泛的整体性评价，很少关注具体的任务、科目或学习情境。结合特定领域、不同层次之间的评测框架将有助于解决这一问题。例如，利用经验抽样或定期记录等方法可以帮助研究者了解不同投入维度的即时状态。随着时间的推移，这些即时的投入体验将融入特定学科领域，从而产生“整合性”投入。

三、多模态数据表征学习投入的理论基础

学习投入建模需要借鉴信息科学、脑科学的新方法填补在教育测量方面的差距，需要采取创新措施特别是微观层面的研究以补充现有的宏观框架。多模态整合分析意味着按照人的多重感知模式分析生物信号，同步处理学习者不同模态的数据，能够更深入地揭示学习者的信息感知和认知加工规律，进而深刻、全面地刻画学习投入的本质特征。

（一）经典教育学理论阐明了学习投入的内在机制

经典教育学理论为学习投入不同层面的研究提供了给养。其中，自我决定理论、“控制—价值”理论侧重于阐释学习投入的前兆和发生机制;“互动反馈效应”则试图解释学习成败的基本心理特征以及学习投入的变化过程。

1. 自我决定理论

自我决定理论（Self-determination Theory）是利用传统经验范式构建并指导投入发生的动机理论。其核心思想是，当学习需求被社会环境或活动所满足时，学习者就会与学习环境进行建设性互动，进而产生高质量投入。从这个意义上来说，自我决定理论将重点集中在行为投入的前身，并假设当环境满足个人能力需求、归属需求和自主需求时，积极投入是最有可能出现的。从这个角度看，学习者有时会出现缺乏自我激励、心理茫然失措的情况，或者产生逃避、倦怠的行为，而内在动机是调和与解决这些问题的关键。合理的组织结构、来自教师或同伴的关怀以及对个体自主性的支持将促进学习者表现出更高的课堂参与度、学习满足和控制力，从而产生高质量的学习投入[17]。

2. “控制—价值”理论

教育环境是情感体验的重要来源之一。学习情感受到学习经历与学习成败的影响，而这些状态反过来又会影响学习者的判断和归因，影响其学习动机、学习行为与学习成就。Pekrun提出的“控制—价值”理论（Control-Value Theory）闡释了认知评价与学习情感的关系[18]。认知评价包括个体的主观控制感和主观价值感。主观控制感是对学习者能否掌握学习内容的评估，包括对学习行动能否顺利发起与执行的评估;对学习行动产生不同结果的评估，即行动结果预期。主观价值感是对学习活动和结果的价值判断，也包括对学习任务有用性与重要性的评价。

3. 互动反馈效应

根据互动反馈效应（Interactive Feedback Effect），学习环境通过包含人际交往、结构化信息与自主支持的差异性给养满足了学习者多元心理需求。基于已有学习经验，学习者在自我整合的过程中展开学习，为学习投入提供了动机基础，并促进学习结果的达成。图1 从“情境—反馈”的系统视角揭示了学习投入的产生与变化过程[19]。可以看出，学习情境的人际适应性、信息关系以及自主性影响关系需求、自我效能感与自主学习能力，学习者在适应新情境或遇到不适应情境时容易产生学习投入或学习倦怠。在互动反馈效应的作用下，学习投入不仅有助于促进学习者的后续学习和表现，而且与环境、教师、同伴、个体和行动之间会产生互惠的关系。

（二）教育神经科学提供了跨学科的研究范式

教育神经科学将传统意义上被孤立与分离的脑认知科学与教育研究整合起来，基于跨学科整合视角为学习投入的研究提供了范式指南。教育神经科学认为，神经元之间突触的连接是学习的生物学依据，学习任务源自任务对大脑的需求，不同的任务指令引起大脑化学成分和神经系统活动的改变。学习投入的不同阶段会伴随着交感神经和副交感神经的相应活动变化，下丘脑负责整合调控自主神经系统的活动，并控制学习者的情感与行为表达，通过记录皮肤导电率、眼动、血压、心电图、近红外光谱等，可以发现不同的投入水平存在特定的自主神经与生理活动模式。

教育神经科学揭示了学习投入不同状态的对应生物标记与学习认知、情感之间的联系。其基本假设是，反映不同投入维度的认知和情感状态与多个层次的反应（神经生物学、生理学、身体表达、学习行为、元认知以及主观感受）密切相关，反过来又以一种循环因果的方式影响学习投入本身[20]。

（三）具身认知理论从微观层面提供理论指引

具身认知理论从可观察到的身体反应推断不可观察的心理状态，认为学习者心理状态通过多种外显行为表现出来，认知和情感是为行为服务的，身体是行为的代理人[21]，从而提供了不同时间节点上学习投入相应维度的连续评估依据。如高学习投入期间交感神经系统中的刺激增加[22]。此外，面部表情和情感状态之间也存在明确的关系[23]。如在迷思过程中学习者的皱眉，达成任务时的眉毛扬起等。也有研究确定了生理特征与认知状态的相关性。如眼动特征与注意力的联系[24]以及脑电与认知负荷的关系[25]等。

具身认知理论揭示了通过可观察的生理响应推断不可观察心理状态的机制，是多模态数据表征学习投入的重要理论依据。其中，一些反应是无意识的，如避让、情绪传染、应急反应等;另一些则具有明确的指向性，如元认知反射与主观感受等。

（四）量化学习为精准刻画学习投入提供技术支撑

传统的学习投入评测数据主要来自对课堂与学习环境的人工标注，鲜有对学习过程中不同层面数据的连续捕捉，尤其缺少细粒度的微观数据。量化学习技术提供了一种支持现实环境中采集教育数据的新方式，有助于补充与完善传统学习投入评估的缺陷和不足。量化学习的核心是全面地分析过程性数据，并以互联网、物联网、智能设备作为信息获取和交互的载体，利用无所不在的处理能力、共享的教育云平台，在学习分析技术的深度协同作用下，构建有效模型，深入刻画学习者及其学习过程。随着便携脑电（PEEG）、脑机接口（BCI）与自然用户界面（NUI）的成熟，更自然、深入、精确的考察学习过程成为可能。

多模态数据表征学习投入的典型特征是各模态数据特征的整合，其原始时间序列通常没有直接的语义含义，也缺乏这些特征如何相互作用的假说。如果没有有效的理论模型与计算模型，则无法分析有意义的信息。经典教育学理论从一定程度上描述了投入建模中可能涉及的特征，有利于阐释学习投入的内在机制，进而建立整合结构的分析模型。量化学习提供了对数据采集与分析的有效方法。一方面，海量的多模态数据需进行预处理以提取机器特征。例如来自视觉模态中的方向梯度直方图（HOG），可以计算局部图像梯度的方向信息统计值以作为面部特征的描述。另一方面，把学习产生的实时、连续个人生活数据和学习分析数据结合起来进行科学阐释，可以揭示学习者生活方式或环境因素对学习效果的影响，有助于深化学习投入的研究。教育神经科学和具身认知理论则给出了具有语义含义的生物特征。如面部表情、手势、姿态和语音韵律的潜在语义。基于上述思想，底层特征和低阶意义表征的数据被动态建模，以生成学习状态的整体度量，根据特定理论框架可以构建称为高级解释的投入指标。

四、多模态技术表征学习投入的研究框架

（一）学习投入的发生机制

“互联网+”环境中学习投入的发生机制研究是学习投入评测与建模的基础。首先，应考察学习投入的发生情境，从活动系统的视角探究框架内部存在哪些要素，探寻各部分的运作机制，以深入把握在线学习投入的本质、内涵和命题网络。重点考虑以下三个方面：一是从学习者、平台、资源、工具、共同体、活动、行为等组成的系统中分析各要素之间的静态结构以及动态演进关系;二是借鉴自我决定理论、成就目标理论、自我调节理论，分析投入产生与维系的过程;三是结合特定的教学场景，考虑学习分析框架的可测量与可记录结构。

（二）学习投入分析框架

Newell和Anderson提出了“认知频谱”（Bands of Cognition）的概念，从生物、认知、理性和社会维度界定学习行为[26-27]，为分层建模学习投入奠定了基础。Sinatra等致力于推进学习投入的分析框架，尤其是科学学习领域的投入评价研究，在界定投入维度的基础上，基于分层分析视角提出“连续统一体”学习投入模型（The Continuum of Engagement Measurement），将投入度量置于多维图谱之中[28]。该模型认为，学习投入的评测应从个体、情境以及个体与情境的交互三个层面展开分析。其中，个体层面的分析侧重于学习者认知、情感与动机的细粒度瞬时测量;面向情境的观点强调环境背景作为分析单元，从宏观层面分析环境结构中的开放性、结构性、适用性以及技术特征;作为个体与情境交互的中间维度，则重点考量学习者的互动、观点、概念化程度等社会化特征。借鉴该模型，从操作性的角度，可以围绕学习者的瞬时行为数据、学习者与内容的交互数据、学习者与情境的互动数据三个层面建立分析框架。

“连续统一体”模型对学习投入建模具有重要参考价值。该模型指出了学习投入的各维度之间会存在重叠，研究者应首先确定学习投入的观测边界。当融合不同的数据流时，应重点考虑可以获得以及预期呈现的“时间分辨率”。当前，学习投入建模多集中在学习者完成具体任务的过程上，这位于“连续统一体”的末端。尽管学习者的行为是在情境中进行的，但分析单位通常是单个学习者的认知水平、情感状态或动机程度。在分析方式上，综合使用生理指标、行为建模、教师观察、自我报告、学业成就、认知或动机量表等，通过“三角验证”克服主观测量的“时间分离性”与“观察者偏见”。“连续统一体”的另一极专注于提供或阻碍投入的学习平台、校内学习场景、社区乃至文化特征。通常利用相对宏观的社会学理论、系统理论、生态学理论、活动理论进行阐释。方法涉及话语分析、观察法、教师评级、课堂编码以及对社会文化背景的质性分析，此方面的研究还比较少。“连续统一体”中间部分强调“置于情境中的研究者”（Person-in-context Perspective）视角，重点是描述交互本身，目标是评估学习者如何与他人以及所在环境的不同维度之间展开互动，进而产生特定类型、层次或形式的投入。建模方法一般综合利用经验抽样、动作编码、社会网络分析以及话语分析法。其中，动作编码分析与经验抽样法值得关注。动作编码分析认为，生物频率中的学习者动作很多是在无意识的非理性层面发生，而任务的完成通常与理性层面的人类行为相关联。在较长时间尺度上发生的事件可以在较短时间尺度上分解为动作，可以分别编码阐释其对应的意义。经验抽样法是根据实验进程设置反馈点，学习者收到呼叫后，需回应所处状态、活动与情感反应等问题。该方法可以收集不同时段、不同情境中学习投入的变化情况，适用于混合学习环境、科学学习与工程实践的复杂学习情境。

多模态数据表征的学习投入更加关注从秒到分的时间尺度，以及从微观层面分析学习者个体与所处环境的互动过程，这种研究范式有别于上下文中的个体分析，后者重点是强调个体分析而不是与环境的互动过程。据此可将学习投入概念化为“学习者导向”的积极且专注的学习状态。“学习者导向”强调不同时间维度上的特征以及与学习环境的交互性。一方面，研究者直接观察和记录学习者的外显行为。便捷、低成本的自然语言处理方式为真实课堂环境中的学习行为数据采集提供了便利，在线学习环境中的点击流数据也以时序為单位更为完整地被记录和存储在数据库中，可以对学习者的学习行为进行编码，追踪其行为序列，探究其行为模式与规律。另一方面，可以利用传感器从学习者的眼动和表情等变化追踪其潜在的思维活动，监测其生理反应尤其是大脑活动，结合学习者的话语和写作文本挖掘其内隐的心理变化，从而为理解与改进学习奠定了全维数据基础。

五、学习投入数据建模的关键技术

（一）学习行为建模

学习行为建模基于学习投入机制与理论模型的阐述，分析评测维度与学习活动的相关关系，以探索行为指标与不同学习场景中学习活动的映射关系。当前研究团队已建立了学习行为投入评测模型，并利用人格特质对学习者进行分类，利用最优化的机器学习算法进行建模与可视化[29]。相对于较粗粒度的学习行为分析，学习行为序列是按照时间顺序形成的行为次序，更能反映学习者的认知过程与行为偏好。按照时间序列挖掘关键行为序列特征，使用量化的推论统计解释行为序列的转换，根据提取的行为特征分析学习者的行为转换图，可以对学习行为投入度进行更为准确的测量。

（二）模態传感器建模

模态传感器可以检测与记录可见行为、面部变化与环境背景信息，但更多地依赖于推理、解码学习者的心理状态[30]。通过脑电图、眼动指标、红外光谱技术可以测量超出人类观测范畴的个体生理与行为指标，但同样不能从测量的结果直接推断精神状态，也不能解释不同情境下的相关线索。相反，学习个体对主观感受、记忆、元认知和一些生理反射具有独特的敏感性，但目前还很难通过神经生物学的变化来揭示。个体学习过程中的生物特征与投入指标之间的相关关系还有待进一步被阐明。

模态传感器的输出信号要经历去噪、滤波、平滑与特征提取的过程。对于摄像头记录的面部信号，通过视觉技术计算样本特征，其特征包括特定面部的肌肉与动作单位（如内眉或唇褶）以及面部纹理在头部的位置和方向;语音中的数字信号处理技术用于提取副语言（声音韵律）以及麦克风记录音频信号的音高和幅度等特征;眼动信号一般选取不同时间间隔的眼球凝视特征、运动次数与扫视路径[31];脑电信号通常利用近似熵、总变差、能量、偏度和标准偏差等提取与认知相关的关键特征。在机器学习训练阶段，利用机器学习方法在特征与人工注释之间产生计算模型，评估二者之间的重叠程度，并建立相应的运行环境。

（三）算法模型

1. 算法选择

选择计算模型需要综合考量算法的特征空间（数据的可分离性）、复杂性、内部透明度、准确性、泛化性与鲁棒性等方面。分类算法的核心思想是在样本空间找到一个划分超平面，将不同类型的样本分开，因此，算法的线性可分是重要的考虑因素。线性模型相对简单且具有较高的计算效能，但当数据非线性可分时则无效，这些情况需要更复杂的模型。算法的复杂性包括时间复杂度和空间复杂度，前者用来衡量运行速度的时间效率，后者指实现算法的程序在运行时所占用空间的总和。算法的复杂性提升会制约系统的适用性以及运行效率。此外，机器学习普遍存在“黑箱”问题，这在很大程度上会影响算法的选择。虽然支持向量机（SVM）、卷积神经网络（CNN）等可能在面部识别等方面具有更佳的效能，但其他模型有可能更为透明。例如，通过决策树给出的可解释性规则或者由贝叶斯算法给出的特定特征的条件概率。未来，发展能解释自身的“透明访问”算法至关重要，它可以使开发者“检视算法内部”，并且可方便地进行编辑。算法性能也是需要考虑的一个方面。当模型用于实时测量时，算法的性能级别可能会稍逊于算法的复杂性和鲁棒性。

2. 数据集训练

交叉验证用于衡量训练模型数据的稳健性。算法模型的泛化性能部分取决于数据的交叉验证方式。以10折交叉验证为例，即把数据平均分成10份，其中9份作为训练集，1份作为测试集，分别进行10次训练与验证。因为数据分割是随机的，可以防止过拟合（Overfitting）。这种验证方式的缺点在于对被试的样本特征没有加以区分，由此产生的模型可能会过度适应个人特征。相比之下，单特征交叉验证可确保来自同一个人的数据在训练集或测试集中，即把样本分类出来进行训练和验证，这提供了将模型推广到具有类似特征群体的更为有效的方案。

3. 模态对齐

多模态数据建模的重要特征是多维数据的融合，要求模态间有严格的时间同步性。对于面部视觉表现的情感、脑电、皮肤电等的整合分析，可以通过时间阶段检测和时间归一化方法实现同步和对齐。例如，情感投入中获得连续的面部表情序列，可以采用隐马尔科夫模型对连续视频序列进行时域分割，采用时间归一化方法在时间轴上进行拉伸与收缩，从而归一化到标准的时间模板之中。

（四）新技术的介入

功能性近红外光谱技术（fNIRS）是近年来出现的一种非侵入式脑功能成像技术。功能性近红外光谱技术推动脑功能网络整合研究取得了突破性进展。例如，脑科学领域权威刊物Human Brain Mapping以封面文章的形式发表的研究论文[32]，基于fNIRS的多人同时脑成像技术，测量教师和学习者的脑功能信号，揭示了脑活动随着时间共同变化的状态。脑科学新技术的进展不仅为学习投入提供了科学机理阐释和实验观测方法，而且为在真实环境与复杂教学情境中研究学习投入提供了类脑计算与仿真分析的手段。

六、结   语

学习分析已成为教育领域研究和实践的热点，但依然缺少与教学场景紧密结合的评测体系[33]。学习投入作为有意义学习、学习干预与影响学习绩效的关键因素，已成为学习分析领域的研究热点。通过学习行为数据以及生物多模态数据的整合分析，结合机器学习方法，可分析学习投入的细粒度指标以及在不同场景中的学习过程，实现多数据的整合逻辑关联，从而全面、客观、自动化地表征学习投入，最终实现探索教育智能时代的学习规律、改善学习的目的。下一阶段，“数字学习与教育公共服务教育部工程研究中心”将重点围绕决策级数据建模与融合方法展开研究，设计学习分析工具，刻画学习投入的多维复杂特征，初步形成对于学习投入的动态评估能力。

[参考文献]

[1] 董奇.将脑与认知科学的成果应用于教育[EB/OL].（2018-08-06）[2019-04-15].https：//mp.weixin.qq.com/s/d0CzD3e75ZvHwfacoZwsmg.

[2] RESCHLY A L， CHRISTENSON S L. Jingle， jangle， and conceptual haziness： evolution and future directions of the engagement construct [M]//CHRISTENSON S， RESCHLY A， WYLIE C. Handbook of research on student engagement. Boston： Springer， 2012：3-19.

[3] 王洪江，穆肅，黄洁，温慧群.自主学习投入度实时分析方法及应用研究[J].电化教育研究，2017，38（10）：44-50.

[4] 武法提，张琪.学习行为投入：定义、分析框架与理论模型[J].中国电化教育，2018（1）：35-41.

[5] FREDRICKS J A， BLUMENFELD P C， PARIS A H. School engagement： potential of the concept， state of the evidence[J]. Review of educational research， 2004， 74（1）：59-109.

[6] FELDMAN A F， MATJASKO J L. The role of school-based extracurricular activities in adolescent development： a comprehensive review and future directions [J]. Review of educational research， 2005， 75（2）：159-210.

[7] GREENE B A. Measuring cognitive engagement with self-report scales： reflections from over 20 years of research [J]. Educational psychologist， 2015， 50（1）：14-30.

[8] 杨宗凯，吴砥，郑旭东.教育信息化2.0：新时代信息技术变革教育的关键历史跃迁[J].教育研究，2018，39（4）：16-22.

[9] 张琪，武法提.学习分析中的生物数据表征——眼动与多模态技术应用前瞻[J].电化教育研究，2016，37（9）：76-81，109.

[10] LOVELESS T， DIPERNA P. How well are american students learning？ the 2015 brown center report on american education [R]. Washington DC： Brookings Institution，2015.

[11] SILVERMAN S. Relationship of engagement and practice trials to student achievement[J]. Journal of teaching in physical education， 1985， 5（1）：13-21.

[12] FINN J D. Withdrawing from school [J]. Review of educational research， 1989， 59（2）：117-142.

[13] JIMERSON S R， CAMPOS E， GREEN J G. Toward an understanding of definitions and measures of school engagement and related terms [J]. The california school psychologist， 2003， 8（1）：7-27.

[14] FREDRICKS J A， PARIS B A H. School engagement： potential of the concept， state of the evidence[J]. Review of educational research， 2004， 74（1）：59-109.

[15] 张琪，武法提.学习行为投入评测框架构建与实证研究[J].中国电化教育，2018（9）：102-108.

[16] APPLETON J J， CHRISTENSON S L， KIM D， et al. Measuring cognitive and psychological engagement： validation of the student engagement instrument [J]. Journal of school psychology， 2006， 44（5）：427-445.

[17] NIEMIEC C P， RYAN R M. Autonomy， competence and relatedness in the classroom： applying self-determination theory to classroom practice [J]. Theory & research in education， 2009， 7（2）：133-144.

[18] PEKRUN R， GOETZ T， TITZ W， et al. Academic emotions in students' self-regulated learning and achievement： a program of qualitative and quantitative research [J]. Educational psychologist， 2002， 37（2）：91-105.

[19] SKINNER E A， PITZER J R. Developmental dynamics of student engagement，coping，and everyday resilience[M]//CHRISTENSON S， RESCHLY A， WYLIE C. Handbook of research on student engagement. Boston： Springer， 2012：21-44.

[20] LEWIS， MARC D. Bridging emotion theory and neurobiology through dynamic systems modeling [J]. Behavioral and brain sciences， 2005，28（2）：169-194.

[21] BARSALOU L W. Grounded cognition [J]. Annual review of psychology，2008，59（1）：617-645.

[22] CACIOPPO J T， KLEIN D J， BERNTSON G G， et al. Facial expressions of emotion [M]//LEWIS M， HAVILAND J M. Handbook of emotions. NY： The Guilford Press， 2008：119-142.

[23] MATSUMOTO D， KELTNER D， SHIOTA M N， et al. Facial expressions of emotion [M]//LEWIS M， HAVILAND J M. Handbook of emotions. NY： The Guilford Press， 2008：211-234.

[24] DOGUSOY-TAYLAN B， CAGILTAY K. Cognitive analysis of experts' and novices' concept mapping processes： an eye tracking study [J]. Computers in human behavior， 2014， 36：82-93.

[25] SUN C Y， YEH P C. The effects of attention monitoring with EEG biofeedback on university students' attention and self-efficacy： the case of anti-phishing instructional materials [J]. Computers & education， 2017， 106：73-82.

[26] NEWELL A. Précis of unified theories of cognition [J]. Behavioral & brain sciences， 1992， 15（3）：425-437.

[27] ANDERSON J R. Spanning seven orders of magnitude： a challenge for cognitive modeling[J]. Cognitive science，2002，26（1）：85-112.

[28] SINATRA G M， HEDDY B C， LOMBARDI D. The challenges of defining and measuring student engagement in science [J]. Educational psychologist， 2015， 50（1）：1-13.

[29] 張琪，武法提.学习仪表盘个性化设计研究[J].电化教育研究，2018，39（2）：39-44，52.

[30] MEHU M， SCHERER K R. A psycho-ethological approach to social signal processing[J].Cognitive processing，2012，13：397-414.

[31] PONCE H R， MAYER R E. An eye movement analysis of highlighting and graphic organizer study aids for learning from expository text [J]. Computers in human behavior， 2014， 41：21-32.

[32] ZHENG L， CHEN C， LIU W， et al. Enhancement of teaching outcome through neural prediction of the students' knowledge state [J]. Human brain mapping， 2018， 39（7）：3046-3057.

[33] 韩锡斌，程建钢.基于网络教学平台的学习分析模型构建与应用[J].电化教育研究，2018，39（7）：33-39，48.