面向在线学习协同知识建构的认知投入分析模型及应用*

张 思 何晶铭 上超望 夏 丹 胡 泉

（1.华中师范大学 教育信息技术学院；2.华中师范大学 湖北省教育信息化研究中心，湖北武汉 430079）

一、引言

近年来，伴随信息技术与教育的深度融合，特别是Web 2.0 技术与联通主义理论的勃兴，社交学习、网络知识共同体等协作学习方式，因其在促进学习者高效学习、高阶思维能力发展等方面的优势，越来越受到教师和研究人员的青睐[1-2]。计算机支持的协作学习（CSCL）是以提高学习绩效为目的的理论与实践[3]。协作学习有助于学习者对概念的理解、深层次理解学习内容、加强协作知识构建，并发展学生的元认知调节技能和决策能力[4]。

已有的研究表明，仅仅把学生安排到社交网络或网络学习社区中，并不能产生积极的协作学习，协作学习需要精心设计与支持[5-6]。研究人员在关注协作学习活动设计的同时，开始探索积极协作学习过程背后的影响因素及机制，关注成员协作学习的投入度[7]，试图通过对协作过程的研究，深入理解积极协作发生的内部机理。为了提高学习者的在线协作学习质量及其学习效果，研究人员大多利用在线学习平台收集学习者的学习数据，以对协作学习过程进行分析，学习投入则被认为是反映学习者学习成效的关键指标。

在在线学习的相关研究中，有关学习投入指标及模型建构的研究较多。例如，武法提、张琪针对学习者信息交换活动与学习行为投入，构建了学习行为投入循环模型[8]；马志强则指出，设计问题解决活动能够提高学习者的学习成效，在问题解决过程中，学习成员之间通过不断进行知识建构，共同解决新问题[9]。由于一般的教学活动设计难以解决协作学习面临的问题，研究人员构建了系统的协作学习活动设计框架[10]。学习投入分析的目的，在于发现学习活动设计中存在的问题而改进教学，因而，有必要将协作学习活动设计与学习投入分析相结合，系统构建协作学习认知投入分析模型。

信息技术在为协作学习活动提供支持的同时，也保存着学习者在学习过程中产生的各种数据和信息，包括行为数据、日志数据和社交数据等，这些信息为理解和分析学习活动状态提供了可能。学习分析与教育数据挖掘技术在提升学习绩效方面，也发挥着越来越重要的作用。为了更加透彻地理解协作学习状态、提高学习者的学习成效，深入理解学习者朝向协同知识建构的认知投入，就显得非常必要。Chi M.T.H.和Wylie R.于2014年提出的“Interactive，Constructive，Active，and Passive”（简 称ICAP）框架，将学习者内部认知心理过程与可被观察到的外显行为结合起来，使得教师能够通过观察学习者的外显行为判断其学习投入，为研究协同知识建构中的学习投入提供了理论基础[11]。此外，Wefald A.等人通过研究发现，学习投入与学业成就正相关[12]。

我们从协同知识建构的视角，研究面向在线协作学习的认知投入分析模型，以深度刻画在线协作学习的个体和群体协同知识建构过程。基于ICAP框架提出的认知投入分析模型，有助于教师、学习者和研究人员实现对协作学习过程的分析和监测，以及对协作学习活动的及时评价与反馈。

二、相关研究

（一）CSCL 的研究主题

多年来，CSCL 研究主要关注以下三个主题：（1）CSCL 描述了协作学习中认知耦合的过程，即协作学习活动设计；（2）CSCL 的具体目标是为协作学习中的认知耦合过程设计支持工具，即开发工具支持协作学习活动；（3）CSCL 的关键在于开发和使用分析协作认知耦合过程和结果的方法[13]。研究人员在CSCL 基本理论、协作活动设计、协作工具研发、学习分析等方面，都开展了相关研究[14-16]。

在协作学习活动设计方面，李海峰和王炜基于社会建构主义理论、社会系统理论和自组织理论，构建了“涟漪拓展探究法”理论模型[17]。在协作学习工具应用方面，蔡慧英等探索了概念图工具在协作学习情境中对个体认知发展的影响[18]；权国龙等研究了图示工具在协作学习中的影响，认为有必要对图示工具的使用进行早期干预[19]。在学习分析方面，相关研究聚焦于面向知识建构的深度学习和学习投入问题，针对学习者在协作学习过程中产生的数据进行分析，以掌握教学与学习状况，从而更好地改善教学，提高协作学习效率和学习成效[20]。另外，还有研究通过构建在线协作学习测评模型，采用数理统计、社会网络分析和机器学习等技术，判断协作学习状态，并应用多种方式开展人工干预。例如，王改花和傅钢善构建了适应性学习系统的学习干预模型，采用数据挖掘技术，对网络学习者的学习行为与成绩进行预测，以对学习者提供干预措施[21]。

CSCL 的这三个研究主题相互促进、协同发展，仅从某一方面开展研究已较难全面理解协作学习成效的影响因素与作用机制。鉴于此，我们设计了社交媒体工具支持的协作学习活动，提出了面向协同知识建构的认知投入分析模型，并与内容分析方法相结合，判断了学习者在线协同知识建构中的认知投入情况，从而为相关研究开拓新的思路。

（二）社交学习与网络知识共同体

随着信息技术与网络技术的发展，特别是Web 2.0技术的成熟，各类社交媒体工具、融合社交媒体工具的在线学习环境，变得更具便捷性、智能性和联通性，社交学习成为一种新常态。社交媒体工具为学习者营造了一种在线学习社区环境，即社交学习网络（Social Learning Network，SLN）。在该社区环境中，具有共同学习目标的学习者达成协作关系，在相互交流、知识共享、知识创建的过程中，不断深化对知识意义的理解。

赵书朵等人在雨课堂教学中利用QQ 为学习者提供课前资料，研究发现，QQ 与雨课堂相结合提高了课堂效率和考试成绩[22]。但不同的社交媒体工具产生的效果不同，相较于QQ 而言，在协作学习活动中，使用微信的学习满意度更高，学习效果相对较好[23]。虚拟学习社区作为目前在线教学的主要方式，它是一种在线学习与虚拟社区相结合的网络学习环境，具备跨时空性、开放性及资源共享性等特征[24]。在虚拟学习社区中，教师和学习者共同构成知识学习共同体，在彼此平等交互的基础上，成员间通过同步、异步交流进行协同知识建构，从而增强相互之间的信任，促进深度学习[25]。

社交媒体工具有助于促进网络知识共同体的形成及成员间的沟通。例如，MOOCs 作为一种在线学习平台，通常以微信、QQ 群等形式来组建学习共同体，以激发学习者动机、促进学习者交流。研究发现，QQ群学习共同体能够弥补MOOCs 在线学习的缺点，为学习者提供情感支持，适当的QQ 群等社交软件的介入，能够为学习者提供学习支持[26]。微博社群有助于群体知识的建构，建构过程从无序到有序，但群体建构集中于意义协商阶段，由于缺乏教师引导而难以形成网络知识共同体氛围，无法建构完善的知识体系[27]。

（三）在线学习投入的相关研究

在线教育由于师生时空分离的特点，促进和保持着学习者的学习投入成为研究焦点。学习投入是指学习者参与学习活动的体力与心理程度，与学习成效密切相关，而认知投入则是指学习者的认知策略和心理资源的高度“参与”[28]。学者们从不同的理论角度出发，提出了学习投入分析维度与方法，如表1所示。

表1 学习投入分析维度与方法相关研究

由表1我们可以看出，学习投入分析框架主要是针对个体学习投入的分析，而面向协作学习小组的学习投入研究较少，且相关研究较多关注学习者在在线学习平台上产生的日志数据。如，平台登录次数、时间间隔等，缺乏对学习者生成性数据的深度分析。面向知识建构的协作学习是群体成员知识共享与知识创建的过程，蕴含丰富的社会交互及内容交互关系[39]，小组学习投入则是比单个个体学习投入更复杂的一种状态，不能简单理解为个体成员学习投入的累积，个体学习投入的高低也难以解释小组协作状态和投入水平。因此，有必要研究面向协作小组的学习投入分析框架，特别是体现群体协同认知过程特征的学习投入分析框架。

现有的学习投入分析框架，在横向上聚焦于行为投入、认知投入、社会投入和情感投入四个维度，在纵向上关注投入的数量及时间分布特征。如，Fredricks J.A.等人在布鲁姆教育目标分类的基础上，将学习投入分为行为投入、认知投入和情感投入[40]。国内许多研究采用该分类方法进行学习投入分析，例如，李爽等人从行为、认知和情感三个维度，编制了远程学习者学习投入评价量表，实证研究表明，该量表的效度良好[41]；李艳燕等人在分析现有学习投入分析框架不足的基础上，将学习投入分析维度扩展为行为、社会、情感和认知四个方面[42]。尽管现有的学习投入分析框架维度全面、子维度划分细致，但面向知识建构的协作学习是一个复杂的过程，是群体成员观点交互和知识整合的过程。因此，本研究在分析协同知识建构中的认知投入时，对相关维度进行了一定程度的改进。

在学习投入分析方法方面，研究人员使用较多的方法有统计分析、内容分析和社会网络分析等。在认知投入方面，最常见的方法是内容编码，依靠内容分析方法判断学习者的认知投入水平，仅适用于特定情境的分析，且只关注个体认知水平，缺乏对内容前后情境和社交信息的关注，难以准确而有效地分析协作学习过程中的认知投入情况。

综上所述，一方面，现有的学习投入分析框架主要是对个人学习投入的研究，缺乏对小组协作学习投入的关注；另一方面，在测量协作学习投入时缺乏对知识建构演进过程的分析。由于面向知识建构的协作学习过程本质是知识创建的过程，不仅要考虑认知投入的水平，同时也要关注各认知个体之间的关联性。

（四）ICAP 框架

在线协作学习设计的目的是促进学生主动、探究和合作，以提升和发展学生的高阶思维能力。但是教师在设计和组织协作学习活动时，缺少有效的标准来判断学生“主动学习”的程度，以及设计更加“主动学习”的任务。亚利桑那州立大学Chi 教授长期致力于“学生如何学习”的问题研究，在对一些具体学习场景中的学习活动类型进行分析之后，他发现主动、建构和交互模式的学习效果要优于被动模式，而且三种非被动模式的学习效果之间也有差异。在此基础上，Chi 教授提出了“主动（Active）—建构（Constructive）—交互（Interactive）”的学习方式分类学[43]。在后续的研究中，Chi 教授等人通过实证研究，进一步检验了学习方式分类框架在工程教育领域的适用性[44]。

在理论探讨与实证研究的基础上，Chi 和Wylie于2014年在Educational Psychologist 刊物上，发表论文《ICAP 框架：联系认知投入和主动学习结果》，正式提出了ICAP 框架[45]。ICAP 框架将学习者外显的学习方式，分为便于观察的四种类型：被动、主动、建构及交互；与之对应的是知识变化的四个阶段，即储存、整合、推断和共同推断；知识变化的结果为：记忆、应用、迁移和共同创造[46]。ICAP 框架的内容，如图1所示。

图1 ICAP 框架的内容

上述四种学习方式，从被动到交互，其学习参与程度越来越高。ICAP 框架专注于对学习者“主动学习”层次的深度分析，现已得到不同学科领域的实证支持[47]。但ICAP 框架描述的学习过程，仅仅基于学习情境的一个方面，即学习者如何利用材料进行学习，而且交互行为的定义仅限于对话情境。无论评估的是学习活动中浅显或简单的问题，或具有挑战性的学生难以解释的领域问题，以及学习活动中不同的任务结构，都会对ICAP 框架的解释产生影响。

Chi 等人提出的ICAP 框架，主要是通过外显行为来对学习者的认知参与进行划分，有利于教师或研究人员更好地判断和评价学习者针对学习材料的认知投入情况。例如，Atapattu 等人利用ICAP 框架，将MOOCs 论坛中学习者与学习材料相关的发帖内容划分为不同维度，并将学习者的行为进行量化，对学习者的认知投入进行分析，结果表明：学习者参与行为局限于主动和建构，交互行为较少[48]。

基于此，我们从学习投入的现有研究出发，借鉴ICAP 框架提出面向在线协同知识建构的认知投入分析模型，着重关注小组协作讨论学习材料的过程，在学习分析时侧重对个体和群体知识建构结果的考察。目的是检验提出的学习分析模型对协作学习的支撑作用，为协作学习活动设计、信息技术工具应用，以及学习分析提供理论与实践依据。

三、认知投入分析模型的构建

（一）理论基础

1.集体认知理论框架

协作学习受集体认知理论的影响，集体认知理论认为一个群体是一个社群的集合，被其成员视为一个有意义的单位。在这个群体中，数量有限的人定期地相互作用，以实现一系列他们相互负责或追求的共同目标[49]。完全意义上的协作学习，正是小组成员各司其职，在相互沟通、协作的过程中，实现小组的共同目标。Gibson C.B.提出的集体认知框架，包含积累、交互、检验和整合四个阶段，以形成集体认知的循环[50]，如图2所示。

图2 集体认知理论框架

在图2中，积累包含感知、过滤和存储，主要指学习者在感知学习材料内容的同时，将信息过滤并进行存储，某些特定的信息将会进入交互阶段。交互包含检索、交换和结构化，主要指学习者根据已有认知，与其他学习者之间通过提问、解释、支持等活动完成认知交互。检验包含协商、解释、评估，主要指学习者之间由于个体认知差异，对于材料信息的观点不同，在此过程中，通过协商和解释来达成共识。整合包含融合、决定和行动，主要指学习者通过前三个阶段的积累、交互和检验，将各自建议或解释进行整合。整合往往存在于作品的制作阶段。

2.ICAP 学习参与分类框架

在ICAP 框架中，P 代表被动（Passive），表明学习者直接阅读学习材料并接受其内容，但不表现出其他与学习活动、学习任务有关的行为。例如，学习任务为阅读材料，则学习者仅仅表现为阅读，而没有表现出记笔记等外显的学习行为。A 代表主动（Active），表明学习者对学习材料有明显主动的处理行为，从而对学习材料进行某种外显的操作，如，在阅读材料的同时记笔记等。C 代表建构（Constructive），表明学习者在主动学习材料的过程中产生了学习材料以外的外部化输出或结构化产品。如，阅读材料中并未给出思维导图，但学习者绘制了思维导图。I 表示交互（Interactive），表明多个学习者在频繁交流中做出了建设性贡献。如，争论或捍卫某一个立场、产生辩论等。

同时，ICAP 框架假设不同的外显行为代表了不同的认知投入水平，更高的水平意味着学习需要更深入的理解。互动参与模式可以实现最大程度的学习，大于建构性模式，而建构性模式大于主动模式，主动模式又大于被动模式（I>C>A>P）。

（二）基于ICAP 框架的协作学习认知投入分析模型

Gibson 提出的集体认知框架，描述了协作学习中集体知识建构的过程，而ICAP 框架则可用于进一步判断在集体知识建构过程中，学习者“主动学习”的程度，即学习者参与协同知识建构的认知参与程度。因此，我们依据集体认知框架和ICAP 学习参与分类框架，构建了面向在线学习协同知识建构的认知投入分析模型，如图3所示。

图3 面向在线学习协同知识建构的认知投入分析模型

参考上述Chi 和Wylie 对ICAP 框架中四种学习方式类型的描述，并结合集体认知的学习过程，我们最终确定在在线协作学习中，学习者认知投入分析的编码表，如表2所示。

四、模型的应用研究

（一）应用情境简介

“信息技术教学应用”是中部某师范院校为本科师范生开设的一门为期8 周的选修课程。该课程基于智慧教室与在线交流平台展开，学生主要通过QQ开展组内讨论，通过UMU 平台开展组间讨论。QQ支持同步在线交流，而UMU 则支持异步交流，两者都可对学习者的在线会话数据进行存储。教师及助理实时对在线学习过程进行监控，提供帮助与指导。

（二）协作学习规则及分工

参与该课程的学生共40 名，被分为8 组，每组5 人，学生按照兴趣进行组合。该课程主要围绕三个阶段进行，每一阶段的协作学习过程参考Stahl G.提出的小组认知模型[51]以及Gibson 提出的集体认知四阶段模型[52]，协作学习过程如图4所示。

表2 基于ICAP 框架的协作学习认知投入分析编码表

第一阶段为教学设计组织环节，学习材料为教师提供的教学设计模板、查找的教案资源以及希沃教学平台，该阶段学习者在组内进行协作讨论，涉及个人学习及组内协作部分。

第二阶段为教学设计互评环节，学习材料为教学设计作品和评价标准，在该阶段评价组针对作品发表观点。评价组首先在QQ 群进行组内交流，讨论被评价组的教案，达成共识后再通过UMU 平台将共识传递给被评价组。被评价组针对评价组发表的建议，首先在组内讨论和协商，达成共识后，再在UMU平台发表回复观点，通过多次交流互动实现组间评价与反馈，最终被评价组根据个人认知、组内及组间讨论对本组教案进行修改。

第三阶段为课件制作及互评环节，学习材料为教学设计作品及PowerPoint 课件，该阶段的互评环节与第二阶段互评环节一致。

图4 在线协作学习的过程描述图

（三）数据收集与分析过程

研究人员收集了学生在QQ 和UMU 平台上的会话数据，并将数据保存在Excel 中，然后进入内容分析阶段。为了保证内容分析的效度，由两名研究生对QQ 和UMU 平台上的对话内容进行编码。编码过程分为前后两个阶段：在第一个阶段，两名研究生首先对各维度的定义进行讨论，并进行编码培训，培训内容为熟悉编码框架、编码一致性的计算、编码误差的处理等；在第二个阶段，从Excel 中随机抽取20%的数据，由两名研究生独立进行编码。编码结束后作对比，针对不一致的部分进行协商讨论。之后，两名研究生再对剩下的80%数据进行分开编码。编码结束后，经计算，两位研究生的编码一致性为0.81，信度良好[53]。

对于学生的会话内容，主要分析了“主动”、“建构”和“交互”三种类型，而对于“被动”类型的分析较为困难。此外，主要针对三个学习阶段（教学设计组织、教学设计互评、课件制作及互评）的会话内容进行了分析，并围绕三个关注点展开，即总体分析、组间对比分析以及单组分析：（1）在总体分析部分，研究人员按照编码表2，对各组在QQ 和UMU 上的对话内容进行编码，并对类别做标记；然后，所有的编码数据被整合到一起，进行总体分析；（2）在组间对比分析部分，按照上述的过程，挑选活动的某一阶段，将组与组之间的数据进行区分，形成各组在不同维度的数据表，绘制用于对比的柱状图，计算各组在总体均值水平上的差异；（3）在单组分析部分，挑选某一小组的数据，采用上述同类方法进行描述和分析，研究人员选择认知参与水平较低的第1 小组，作为被分析组。

（四）数据分析结果

1.总体分析

依据表2的类别，采用内容分析法对学生会话的内容进行编码，总体编码结果如表3所示。在学习任务的三个阶段中，学习者的认知投入行为多表现为主动和建构，而交互行为较少。其中，在教学设计组织和教学设计互评阶段，学习者的认知投入行为较多，而在课件制作及互评阶段较少。

表3 组内交流协作的数据编码

教学设计互评阶段的组间交互数据，如表4和图5所示。以第2 组评价第3 组为例，该组在UMU平台上的发帖数量为12 条。研究人员依据第2 组和第3 组的组间交流内容，仔细查看第3 组针对教案和课件的修改情况后发现，第3 组依据第2 组提出的建议，对教学设计和课件进行了相应修改。图5进一步展示了第3 组在教学设计组织、教学设计互评及课件制作与互评三个阶段的组内协作交流情况。第3组在教学设计互评阶段的建构及交互行为较多。

2.组间对比分析

各组在教学设计组织阶段的组内交流数据编码情况，如图6所示。可见，各小组在主动和建构层次的认知行为较多，交互类话语较少。表5进一步展示了各小组在教学设计组织阶段的认知投入行为差异。第6 组成员的数据均低于均值，说明该组成员的组内个体建构和协作建构的水平较差。第2 组的数据均高于均值，说明该组成员在教学设计组织阶段的主动和建构行为相比其他小组要多。

表4 教学设计互评阶段组间协作交流的数据编码

图5 第3 组组内协作交流数据编码

图6 教学设计组织阶段的小组会话类型图

表5 教学设计组织环节各小组的认知投入水平

3.单组分析

第1 小组数据编码结果如图7和表6所示。从图7可以看出，第1 小组成员在三个阶段产生的认知投入行为较少，主要是主动和建构。表6的数据进一步表明，在与班级全体成员的认知投入行为的均值进行比较时，第1 小组成员的数据大多为负数，说明第1 小组成员的个体建构和协作建构水平不高。

图7 第1 组学习者的对话交流数据编码

表6 第1 组学习者的认知投入行为水平

五、总结与展望

（一）主要研究结论

我们基于ICAP 框架，设计了面向知识建构的协作学习认知投入分析模型，并对模型中的维度进行了操作化定义。之后，在实际协作学习场景中应用该模型，对个体和群体的知识建构结果进行了分析。研究结果表明，在线协作学习中最常出现的行为是重复、提问和阐述；而建立在他人基础之上以表达自己观点和辩护等交互行为，则出现得较少。该现象在组内交互时尤为突出，而组间交互则大部分为支持或辩护，表明学习者在线协作学习的认知投入，仍有较大提升空间。我们通过面向知识建构的协作学习活动设计、社交媒体工具应用和学习分析三个方面开展的研究，得出如下结论：

1.多层次协作交互活动设计，有利于学习者产生更多的认知参与行为、提高学习投入

在协作学习过程中，学生经历了组内和组间讨论，其目的是促进知识的螺旋式发展与创新及新观点在班级社区的协同建构，通过班级社群的协商交流并达成共识是必要的。在组间针对问题进行讨论并达成共识的小组，其组内成员产生了较高层次的认知参与行为。相关研究也发现，在有成员扮演核心角色的小组中，其组内互动频度较高，协作学习是小组活动，而非个人行为。此外，从协作学习活动流程及数据分析结果可知，学习者在前两个阶段（教学设计组织和教学设计互评）的认知投入水平较高，而后一阶段（课件制作及互评）则较低。前两个阶段分别由教师和助教提供了学习支架，如，教案模板和教案评价标准，而后一阶段则没有。在未来的协作学习活动设计中，教师可适当为学习者提供脚手架，辅助其进行知识建构。

2.认知投入分析模型的应用，有助于进一步理解信息技术工具对协作学习的支持性

学生在QQ 中进行了组内同步讨论，在UMU 平台展开了组间异步讨论。通过对QQ 和UMU 平台上的学习者会话数据进行分析，发现学生在同步交流平台——QQ 上缺乏深层次交互，而在异步交流平台——UMU 上的互动达到了较深层次。这与前人研究得出的结论略有差异。胡勇等人为了研究学习者在异步讨论平台中的知识建构，对其讨论数据进行内容分析，并对成员间的群体互动进行社会网络分析。研究结果表明，学习者之间的交流互动停留在信息分享及比较层面，其知识建构层次不高[54]。我们认为，研究结论产生差异的原因，可能是由于按照“组内→组间→组内”这种协作学习模式，学习者经历了多次知识冲突与建构，从而产生更多的认知参与行为。

此外，UMU 平台也有其局限性，如，无法上传课件、某些功能需要电脑登陆等。而且，UMU 平台只具备异步交流功能，在易用性和便利性方面难以和QQ等同步交流工具相提并论。未来研究有必要集成社交媒体的同步交流与异步交流功能，最大限度激发学生的认知投入。因此，在协作学习活动设计时，如果对在线交流工具进行合理地利用，帮助学习者克服因环境导致的交流障碍，增强小组成员间的沟通渠道，将有利于提升学习者的认知投入。

3.基于ICAP 框架的认知投入分析模型，能发现学生在协作过程中的不足

通过设计面向知识建构的协作学习活动，收集社交媒体工具上可观察的外显行为和会话数据，我们在基于ICAP 框架的认知投入分析模型的基础上，实现了对个体知识建构和集体知识建构结果的分析。研究所提出的认知投入分析模型，包含了协作学习活动设计、在线交流工具和认知投入分析框架，主要围绕个体和群体协作学习投入开展研究，分析框架的三个方面相互融合与共同促进，改进了以往学习投入研究只关注平台保存的显性数据、学习分析只重结果不重过程、难以全面理解协作学习的影响因素与作用机制的问题。群体知识建构不是个体知识建构的简单组合，而是更高一种学习类型（交互），并且个体知识建构又是群体建构的基础，两者密不可分，只有在个体建构达到较高层次时，才会出现协作知识的建构，这一点，与ICAP 框架的假设是吻合的。

（二）学习投入研究展望

我们基于ICAP 框架，设计了面向知识建构的协作学习认知投入分析模型，通过在真实的协作学习场景中应用该模型，收集与分析学习者的在线会话数据，对个体和群体协同知识建构的结果进行了分析。尽管该模型的应用得出了很多有意义的结论，但也存在一些不足。首先，协作学习过程是行为、认知、社交和情感交织的过程，而该认知投入分析框架缺乏对情感维度的考量。由于情感数据的缺失，可能会削弱模型解释的有效性和数据分析结果的可推广性。其次，模型的应用场景仅局限于学习者利用材料进行的学习，而没有考虑团队的共同意向、元认知调节、社会交互等对协作的影响。模型存在的不足，成为未来研究的重点方向。

国内外学者对在线学习投入展开了较为深入的研究，探讨了在线学习投入的影响因素、在线学习投入模型与分析技术、提升在线学习投入的策略等。随着“互联网+”时代的来临，在线教育已成为一种新常态，MOOCs、虚拟学习社区等正在重塑传统的教学模式与方法，因而，提升大规模在线教育中学习者的学习投入，也成为教育者和研究人员面临的核心问题。探明协同知识建构中成员的认知投入特征和规律，将有助于我们更好地借助MOOCs、虚拟学习社区等，培养学生的协作创新能力、批判性思维能力。大规模在线教育中的学习数据，正呈现致密的信息粒度、多模态和广泛的时空关联特征，其中的学习投入分析，不能简单沿用传统的学习分析方法。例如，内容分析、个案分析等，并且又对传统的学习分析方法提出了新问题和新挑战。未来的研究将探讨认知投入模型与数据挖掘技术的融合，从而提升大规模在线教育中学习投入研究的针对性和有效性。

1.探索ICAP 框架的应用及其分析技术的改进

我们需要整合文本挖掘、会话分析技术与认知投入分析模型，以实现对大规模协作学习中认知投入的智能分析与测评。本研究通过收集QQ 及UMU平台保存的学习者协作会话数据，并采用人工统计和分析的方法，对协作学习过程中的认知投入状态进行了分析，但该方法只适用于样本量较小的研究。未来的研究将拓展数据分析方法，通过引入数据挖掘和机器学习技术而实现对会话数据的自动分析。例如，将学习资料的内容表征为一个向量，将学习者发布帖子的内容表征为另一个向量，通过向量的相似度计算，来判断学习者认知投入“主动”中“重复”的程度。

2.面向知识建构的协作学习认知投入预警与干预

在线学习预警是通过对学习者产生和采集到的相关数据进行分析和挖掘，以评估学习者的学业成就，预测其学习表现并发现存在问题的过程。在协作学习方面，通过将云计算、大数据与人工智能结合，为推测学习者知识水平和兴趣提供了有效的解决方案。因此，我们可以在面向知识建构的协作学习认知投入分析模型基础上，构建在线协作学习预测和干预模型，并与教育数据挖掘技术相结合，实时监控小组协作学习的认知投入状态，辅助教师和研究人员进行干预，从而提升协作学习中的认知投入。

3.关注多模态认知投入分析

当学习者的认知投入没有表现出明显的外显行为时，传统的数据收集与分析方法，就难以对其认知投入状态进行准确分析，而多模态数据采集设备与分析工具的引入，有助于解决这一局限。曹晓明等人对人工智能支持下的学习投入分析方法进行研究，发现融合图像模态和脑电模态的多模态融合深度学习模型，在学习投入识别方面的准确率高达87%，高于单模态的分析结果[55]。未来的研究还可以进一步拓展数据收集与分析工具，例如，引入脑电和眼动设备，并与行为数据相配合，以达成对学习者认知投入的精准分析。