刘红霞 李士平 姜 强 赵 蔚
(1.东北师范大学 信息科学与技术学院,吉林长春130117;2.长春师范大学 教育学院,吉林长春130032 )
自我调节学习(Self-Regulated Learning)是学习者在学习目标的驱动下,积极自主地调节学习行为、学习动机与元认知策略的过程,也可视为是一种强调学习者主动激励自己,并积极使用适当学习策略的学习方式[1]。已有研究显示,培养学习者的自我调节学习策略、增强学习者的自我调节学习能力,不仅是我们需要实现的学习目标,也是实现目标的主要方式与途径。
以机器学习和深度学习为关键技术的智能技术,正给自我调节学习带来许多机遇与挑战。在技术赋能学习的世界里,学习者对于技术与环境带来的诸多变化,是否做好了足够的准备,应以怎样的态度来面对变化并充分发挥人的主观能动性,积极地开展人机协同式学习,以帮助智能技术更好的服务学习。为此,我们重点关注在“机遇”与“挑战”并存的富技术环境中,自我调节学习的内涵所呈现出的那些变化。以及在分析智能技术在赋能自我调节学习的同时,这些变化会给学习者带来何种风险?以探讨智能技术赋能自我调节学习的可行性发展路径。
针对自我调节学习内涵的界定,国内外学者进行了深入的探讨。我们在文献分析的基础上,对具有较高影响力的自我调节学习内涵进行了分析,梳理出其中核心观点与要素,详见表1。
表1 国内外关于自我调节学习内涵的探索
相关学者一致认为,只有在学习过程中充分调动学习者认知的、情感的、行为的、生理的等诸多因素参与,才能有效地促进学习者的个体发展。在如何看待自我调节学习的问题上,有些学者将自我调节学习视为一种能力;有些学者则将自我调节学习视为一个过程。然而,不管是能力观还是过程观,所强调的自我调节学习相关因素大体一致,包括目标设置、元认知调控、动机调控、情绪调节、行为监控价等几个关键要素。
早期围绕自我调节学习的实践研究,多集中在学习者自我调节学习能力的提升[10]、自我调节学习相关策略[11]与相关要素的培养[12-13]等方面;部分学者重点关注学习策略、动机、信念、自我效能、元认知等自我调节学习核心要素与学习过程及学习绩效间的关联关系[14];也有学者从社会化学习的视角出发,在自我调节学习的基础上,开展协同调节学习和社会共享调节学习的相关研究[15-16]。
伴随着智能技术的深入发展,越来越多的学者致力于依托技术,支持学习者自我调节学习过程、策略、效果与能力提升。在环境的设计与开发方面,比较有代表性的研究有在线自我调节学习系统的开发[17-19],也有学者在智能导师系统中嵌入元认知引导模块[20-21]、情绪调节模块[22]等,以实现学习绩效的提升;在策略的设计方面,比较有代表性的研究包括通过学习支架[23]以及干预策略[24]等方式调节学习者的行为;在自我调节学习的测量方面,相关学者在传统调查问卷、访谈与出声思维等研究方法的基础上,融入了数据挖掘与学习分析技术[25-26],以更为客观地反应学习者的学习行为、活动等学习事件,为分析自我调节学习的深层机制,提供了有力的支持。
随着智能技术的不断成熟,自我调节学习者所处的学习环境发生了巨大的变化,学习者周围会充满各种语音识别设备、自动评分的家庭作业、定制学习资源与信息推送、面部识别以及更多前所未有的人工智能产品。在这样的背景下,自我调节学习者的学习方式与学习工具都发生了极大的变化。为此,本研究对智能技术场域中自我调节学习的内涵与所应具备的因素,进行探索性的分析(如图1所示)。比如,如何明确学习需求与学习目标?如何在外在环境评价与自我评价之间理性思考以寻求自我价值的感知?如何调节学习过程中在认知、情感和行为等方面的变化,并在自我调节学习的过程中最终实现自我超越?以期形成具有实践应用价值的理论启示。
图1 技术赋能自我调节学习的内涵转型
1.自我决定:技术赋能自我调节学习的出发点
自我决定即学习者在学习过程中,需要拥有自主选择权并能够掌控学习的全貌,这种选择权与掌控感,使学习者认可自己选择的学习任务是有价值的并且需要去做的。学习者在完成任务的过程中,更易获得愉悦感,且在遇到问题与挫折时避免了无助感,并在强烈的信念和动机的推动下,通过不断行动与探索来寻求自我提升。在“应该学什么”“已经学过什么”“别人学过什么”“别人如何学习”之中,理性思考“想学什么”“需要学习什么”以及“需要学到什么程度”。学习者需要在享受个性化学习服务之前,明确自己的需求与目标,遵从内心意愿,依赖学习兴趣,保持好奇心,自我决定成长的轨迹。
2.自我监控:技术赋能自我调节学习的核心策略
在技术赋能学习的场域中,学习者能够时刻接触到外部环境给予自己的评价。如何使用诸如学习仪表板等评价工具,对于学习者而言,不仅涉及技术层面与认知层面的策略,还涉及学习者从数据可视化表征中提取有效信息的数据素养。合理解读外部评价与正确的归因方式,将有效抑制基于大数据挖掘的学业评价与预测,对学习者未来造成负面影响的风险。
与此同时,情绪调节成为自我调节学习中的重要因素。比如,兰德和贝恩[27](Bayne & Land)曾使用“圆形监狱”来比喻虚拟学习环境,意指学习者时刻处于被监控的状态。的确,现有智慧学习环境不仅将学习者暴露于系统监控之下,且将全体学习者的学习历程与学习结果发布在学习者面前。在这样的环境下,如何调节由被监控与被比较带来的学业情绪,成为影响自我调节学习效果的重要因素。支持学习者了解学业情绪的触发因素,觉察学业情绪所赋予的意义,并具备消极情绪向积极情绪转化的能力,将是我们关注的焦点。
3.自我认同:技术赋能自我调节学习的价值归宿
智能时代的学习是时刻与大数据相伴的学习。在学习过程中犯了错误之后努力纠正的单回路学习(Single-loop Learning),已经逐步退出主流。在纠错的同时,分析自身在反馈回路中产生的数据,进而挖掘出犯错原因的双回路学习(Double-loop Learning),已逐渐成熟,并日益发挥出更大的效用。在这种双回路学习系统中,学习者向系统学习知识的同时,系统会自动建构学习者的学习过程。然而,学习者并不会完全按照系统预期的方式去使用学习工具、理解评价、调节学习状态并采取积极行动。可见,在自我调节学习的过程中,自我认同是一个重要的环节。这是因为,接受外部评价与反馈是一个富有挑战性的、令人焦躁不安的过程,也是一个自我发展的过程。学习者需要在外部评价与自我评价的不对称性之中反复衡量,进而获得对自我价值的理性感知。因此,自我价值感高的学习者更自信,更容易启动自我完善机制,投入高效的自我调节学习。
4.自我调整:技术赋能自我调节学习的发展轨迹
智能时代的学习者应具备自我调整的基本素质。以自我决定为出发点,以自我监控为核心策略,在自我认同的归属感建立之后,最重要的便是学习者对学习行为、学习策略及学习状态的调整。具体而言,学习者需要根据外部评价与自我价值的感知以及外部环境的刺激,设置学习目标、制定学习规划、改善学习策略,将自己发展成为积极的主动学习者。
综上所述,智能时代的自我调节学习是一个积极的自我决定与自我建构的过程,在这个过程中,学习者拥有自主选择权,决定自我的学习需求、设置学习目标并调节认知、行为与情绪以实现知识的建构与自我的建构。在富技术环境中,一方面,学习者能够充分享受技术带来的服务,且技术能够引导并约束学习规划与学习行为;另一方面,学习者的认知、行为与情绪等因素,也影响着智能技术的支持方向与支持力度等基本配置。
美国 《2016 国家教育技术规划》(2016 National Education Technology Plan,NETP 2016)以技术赋能学习、为未来做准备的学习[28]等主题,强调技术是推动教与学变革的强大动力,学习者是设计学习生态系统的逻辑起点。近年来,大数据驱动智能技术迅速发展,并实现从“数据→知识→智慧”逐步上升的过程。随之教育界也开启了数据密集型科学范式(Data-Intensive Science)[29],并在理论范式、实证范式、计算范式的基础上,通过对大数据的分析,来发现和获取教育规律并进行教学决策。
在过去的六十余年中,智能技术经历了从“计算智能→感知智能→认知智能”这三个发展阶段,其本质就是从“数据→知识→智慧”生成的过程。相应的,智能技术赋能自我调节学习的范畴,也可以划分为“计算智能+自我调节学习”“感知智能+自我调节学习”“认知智能+自我调节学习”三个层次,如图2所示。
图2 智能技术赋能自我调节学习的功能框架
1.计算智能+自我调节学习
所谓计算智能,是指快速计算和记忆存储能力。大数据是人工智能的燃料,丰富的数据环境为智能技术的发展,奠定了坚实的基础。在云计算技术出现后,计算智能表现出飞跃式的发展。在计算智能赋能学习的场域中,作用最为突出的就是数据挖掘技术与学习分析技术[30]。“计算智能+学习”这一层次,主要是利用统计学、机器学习与数据挖掘技术等,对学习行为和学习过程进行量化、分析与建模,进而理解学习行为、挖掘行为间的隐含关联、优化学习过程及学习情境,发现潜在问题并及时干预的过程。“计算智能赋能自我调节学习”所涉及的应用场景,主要有量化学习行为、定制个性化学习服务、提供精准干预与决策指导等,辅助学习者自主监控外显学习行为,使其在个性化学习服务与精准干预下,制定合理的学习规划、调整学习策略与学习节奏。
(1)量化学习者。通过对学习者及学习环境数据的测量与分析,记录学习者的学习经历并勾勒学习者的个性特征。其中,学习仪表盘的应用最为广泛,能够将学习者的经历以可视化的方式直观呈现给学习者,用于支持学业过程的优化[31]。如,Khan Academy 用颜色深浅表征学习者对知识点的掌握程度,在知识图谱中勾勒出学习者的学习进度图,以辅助学习者更客观地监控自己的学习;在个性化自适应学习系统Mastery·Grids 内嵌入学习分析仪表盘,可记录学习者个人与同伴的学习进展情况,便于学习者进行自我纵向对比以及同伴间的横向对比,开展更为客观的自我评价[32]。
(2)定制个性化学习服务。智能技术能够捕获学习者的学习需求,为学习者推荐个性化的学习内容与学习服务,实现因材施教,让每一个学习者都能拥有最适合自己的学习路径与学习节奏。DreamBox Learning 根据学习者的外显行为数据推测其知识水平,进而自适应地推送学习路径,并辅助学习者选择更恰当的学习策略[33]。
(3)精准干预与决策指导。智能技术能够挖掘学习者的外显行为数据,发现隐含的关联关系,进而预测学业表现,并为学习者提供个性化的学习活动、资源、建议与反馈[34]。学习管理系统Desire2Learn 通过学习时间、学习工具的使用、交互程度与学业成绩,辨别处于危险中的学习者并进行个性化干预。学业预警与个性化干预,均能在较大程度上支持学习者自主监控学习过程与自主评价学习任务,并对学习活动与学习策略进行有针对性地调整。
2.感知智能+自我调节学习
所谓感知智能,就是让机器具备视觉、听觉、触觉、嗅觉等丰富的感知能力,能够通过这些感知能力接受外界刺激,获取环境信息,并与环境进行交互。随着传感器技术的发展,文字识别、语音识别与图像识别精度与效率迅速提升,越来越多非结构化数据的价值被关注、被挖掘。“感知智能+学习”这一层次,主要是利用智能信息处理技术,对学习环境与学习者学习状态中的有效特征信息进行处理。“感知智能赋能自我调节学习”所涉及的应用场景,主要有学习者情感状态与注意力状态识别、学习者兴趣识别、学习情境识别等,以支持学习者通过外显与内隐多种途径自主监控学习状态,接受更人性化的学习支持服务,并开展更全面、客观的自我反思。
(1)学习者情感状态与注意力状态识别。借助面部表情、身体生理信号及眼动技术,实现对学习者注意力、情绪等实时学习状态的捕获与分析[35];闫寒冰以弹幕技术为基础,利用点赞、疑问、吐槽与沉默等情绪标签替代弹幕评论,识别学习者学业情绪,从过程视角感知与分析在线课程内容质量,进而为学习设计和精准学习干预提供支持[36];韩国学者Kunhee等人通过眼动技术,获取学习者对资源的凝视时间、点数、空间密度等信息,并将其对资源的注意力状态以可视化方式呈现给学习者,辅助其进行自我监控[37]。
(2)学习者兴趣与学习情境识别。Volley Labs 开发的知识引擎Volley,利用机器学习和深度神经网络技术,通过移动设备自动识别出传统学习材料中关键词,获取学习者的学习兴趣信息,进而从互联网中生成围绕该兴趣点的微课程、简报和测试等学习资源,并推送给移动终端。武法提等提出一种基于场景感知的学习者建模方法,在时间、空间、设备和事件等不同场景维度中,捕获学习者个性特征值,进而更深层次挖掘学习者潜在的学习需求[38]。德国联邦教育与研究部LISA 开发的移动学习同伴Smart Monitor,通过环境、心电等多种传感器感知不同情境中学习者的生理信息,进而分析其学习状态,从而为学习者反思与个性化学习提供支持与反馈[39]。
3.认知智能+自我调节学习
所谓认知智能,就是在计算智能和感知智能发展基础上,让机器具备分析、思考、理解、判断的逻辑能力,从更丰富的感知、识别,延伸并演变为自主推理的理解与思考。“认知智能+学习”这一层次,并不是割裂计算智能与感知智能,而是从计算与感知的基础上,进行语义理解、知识表达、联想推理与智能导学等。目前,“认知智能赋能自我调节学习”所涉及的应用场景,主要有智能导学、人机协同、脑机接口等,真正的智能化学习方案已初现端倪,可为学习者提供智适应的学习支持,促进其积极地开展自主决策。
(1)智能导学。美国范德堡大学(Vanderbilt University)开发的“Betty’s Brain”采用认知学徒制为原型,引导学习者在教授虚拟代理学习的过程中,实现自我认知的提升[40];美国圣母大学(University of Notre Dame)研发的智能导师系统,通过眼动仪,从学习者的眼动模式中鉴别其学习状态,并给予学习提示与反馈[41]。MIT 媒体实验室情感计算研究组开发的学习同伴“Cacey”,能够通过头部跟踪器、蓝眼监视器、压力鼠标与导电手环等设备,记录学习者的面部表情与坐姿等肢体动作,识别学习者是否处于情绪低唤醒状态。并以学习同伴的身份,回应学习者的情绪诉求,为其提供引导,辅助学习者在不同难度的任务情境下,进行积极的自我调控[42]。
(2)人机协同。人机协同是最大程度发挥人类智慧与机器智能各自优势的方式。Pardos 等学者针对MOOC 辍学率的问题,将edX 中学习者参与数据以仪表盘的形式提供给教师,设计出融入教师干预的预测模型,并使教学者与学习者双方在人机协同的过程中,调整教与学的节奏,定制更具人性化的教与学的相关决策。便携式脑波穿戴式设备MindWave、Interaxon Muse 等,越来越多被应用于教育科研中,以探究学习者的脑波状态与学习间的关联关系,它是一种基于实时生理信号反馈的人机协同学习方式。
在大数据驱动的智能技术学习环境中,需要冷静思考在智能技术的支持下,学习者是否做好了应对环境变化所带来的挑战[43],这些由技术因素催生出的变化,会给学习者的学习方式带来哪些挑战?
1.量化外显,忽视内在
外显行为是心理与思维活动的外在表现,仅能在一定程度上折射出学习者真实的投入状态、认知水平与学习策略等。不管是量化学习者的外显行为,还是量化学习者的学业表现,都是对其曾经表现出来的外在学习状态和学习结果的记录。然而,这一方式却在较大程度上忽视了诸如积极思考、自我反思、同伴的交流、顿悟等学习的认知过程[44-45],忽视了学习者的元认知状态与思维活动[46]。这种重视外显的量化方式是否能够客观地揭示学习者的真实状态,仍是一个值得我们思考的问题。
2.坐享其成,削弱好奇
好奇心是人类进步的源泉,个体发展的真正动力,存在于学习者源源不断的内在需求。在智能技术赋能自我调节学习的场域中,我们仿佛更乐于为学习者定制“个性化”的学习服务,推送“满足个性需求”的学习资源,提供“精准”的学习干预与决策指导。学习者身处这样的学习环境中,享受定制服务,量身打造学习资源,接受干预,以寻求知识的掌握与技能的习得。然而,在学习的过程中,提出问题与解决问题的作用同等重要,好奇心不能够被解决问题所满足,学习者往往需要深入钻研,识别并满足自己的好奇心,且在不断学习过程中产生新的好奇,才能够不断完成对未知的积极探索,产生源源不断的创造力[47]。
1.学业焦虑,如影随形
焦虑是个体对当前或预计达到的对自尊心有潜在威胁的情景,而产生的一种担忧的反应倾向。在智能技术赋能学习的场域中,充斥着包括学习者自身学习经历、同伴的学习状态、群体的学习效果等丰富的数据。一方面,学习仪表盘中过多的数据指标,可加大学习者从众多数据中提取出有价值信息的难度,并造成一定程度的认知负荷[48];另一方面,学习者一直处于和过去的自我进行纵向比较、和学习同伴进行横向比较、和常模参照进行比较、和标准参照数据进行比较的数据化环境中,学业焦虑如影随形[49]。此外,过往的学习经历数据能够长期保存,在记录学习者自我发展轨迹的同时,也阻碍了学习者通过“遗忘”的方式,来缓解学业焦虑[50]。
2.欺骗AI,阻断心流
心流(Flow)是一种将个人精神和注意力完全投注在某种活动上的感觉,并具有伴随任务的完成产生兴奋感与充实感的愉悦体验[51]。当下,智能系统通过人脸识别的方式,分析学习者的情绪状态、注意力水平等因素,进而评估其在学习过程中的投入情况,成为评价学习者的过程性指标。在这样全方位的监控之下,自我要求较高的学习者在学习过程中,可能不敢表现出丝毫懈怠,一直努力做到最好并可能逐步养成表演型人格,难以做到全神贯注的投入,这不利于进入思维活跃、注意力高度集中的心流状态。
1.概率预测,限制自由
面向以所有人为研究对象收集到的全量数据,从最大概率的角度出发,告诉学习者应该学习哪些知识?应该按照怎样的顺序来学习?应该以怎样的节奏来学习[52]?通常情况下,这种建立在全量数据基础上的挖掘,以放弃理解“为什么”为代价,换取对“是什么”的了解。研究者的注意力也由此更多关注事物间的相关性,并利用相关性去解决相关问题,不再过多的探究教育事件背后的深层原因。同时,以全体数据为对象的概率预测,总会或多或少的忽略一些与集合中其它数据的一般行为或模型不一致的数据对象。诸如此类的概率预测,是否会在一定程度上忽视学习者的个性特征,忽视具有个性特征的特殊群体,进而限制学习者的学习自由,将是一个值得我们关注的问题[53]。
2.量身定制,难以逾越
在智能技术赋能自我调节学习的场域中,学习者需要个性化的学习资源与服务,智能技术的逻辑就是充分考虑到每一个群体的主体特征,并为其提供个性化的服务。因此,学习者通常会被分配在不同的为他们量身定制的学习轨道上开展相关活动,这种方式将学习者所处的学习环境,由一片开阔的空间转变为经过预定义的、拘泥于过去的相对狭窄的区域之中,学习者接收到的知识推荐、学习活动推送,可能都是同一类型的。这限制了学习者更多的可能性,也在一定程度上抹杀了每个学习者公平享有的学习机会。
由上述分析可见,在智能技术赋能学习的过程中,也可能无法避免的给学习者带来一些负面的影响。对于学习者而言,被置于丰富的资源与个性化的服务之中,却又面临无从选择的迷失与困顿;通过充满对比的自主监控,在焦虑与认可的摩擦中重新认识自我。在这样的背景下,如何更积极地发挥学习的主观能动性,克服智能技术给学习带来的负面影响,思考自我调节学习与智能技术融合的发展路径,以引导自我调节学习者更好地适应智能技术赋能学习的实际环境,是我们需要关注的重点问题。
智能技术与自我调节学习的融合过程是一个双向互动的过程,一方面依托技术的进步,从学习者的个性需求出发,为其提供人性化的学习支持服务;另一方面依赖学习者意识与素养的提升,在技术的支持下,进行更为客观的自我认知、更主动的自我调整、更积极的参与学习决策,进而催生出更高效的学习智慧。本研究从技术与学习者间的互动视角出发,探讨智能技术赋能自我调节学习的发展路径,如图3所示。
图3 智能技术赋能自我调节学习的发展路径
好奇心是人类不断探索世界的源泉,卡内基·梅隆大学(Carnegie Mellon University)心理学家乔治·罗文斯坦(George Loewenstein)在信息缺口理论中提到,信息通过让人们意识到自己的无知来刺激他们的好奇心,从而提升想要学习的渴望。可以这样理解:无知不能激发学习者的好奇心,海量信息与知识推送,也无法使学习者的探究意识与探究能力得到有效的锻炼;只有建立在已知基础上的未知,才能够激起学习者持续稳定的学习驱动力。
智能技术赋能自我调节学习的出发点,需要聚焦在帮助学习者产生主动学习的内在驱动力上。这种内在驱动力,首先取决于学习者的背景知识,完备的知识基础,才能促使学习者在面对新知识时感知到价值,激发出学习兴趣。技术能够揭示知识本体间的逻辑关系、贯通知识世界与实践世界的联系,以多种方式探寻有效的知识联结方式,优化知识基础的结构,提升知识基础的活力。在此基础上,打造知识缺口,通过设置能够激起好奇心的探索性问题,引导学习者逐步深入,在学习过程中营造富有成效的挫折感,依托学习者发现未知的自主意识,通过让学习者意识到自己的无知来刺激学习动机,以好奇心、求知欲等内在驱动力的提升,带动知识的摄入。
美国哈佛大学(Harvard University)心理发展学家霍华德·加德纳(Howard Gardner)早在1983年就提出多元智能理论,将自知内省(Intrapersonal Intelligence)纳入到人类智能的体系之中。自知内省智力包括自我认识和善于据此做出适当行为的能力,能够使学习者意识到自己的兴趣喜好、情绪状态、行为意向、动机水平、性格特质,具备独立思考的能力,对学习形成明确规划。智能技术赋能自我调节学习,数据逐渐成为学习者在任何学习情境中都需要面对的一种重要的基础性设施,客观地理解数据所表征的内涵,对于学习者的自知具有重要意义。
以数据素养培育智能时代的学习者。培养学习者在数据采集、组织和管理、处理和分析、共享与协同创新利用等方面的能力,以及在数据生成、管理、发布和使用过程中的道德与行为规范,都成为智能时代学习者的基本要求与必备素养。提高智能时代学习者的数据素养,使其具有理性面对爆炸性增长的“原生态数字信息”,以及正确理解可视化表征的“精加工分析信息”的意识与能力,具备在智能时代开展学习与工作的能力尤为重要。学习者内省能力的提升,不仅能够带来更优质的学习体验,也能对洞察力的培养、自我控制能力的提升,以及积极的学习行为表现,起到正向的促进作用。
智能技术迅速走向成熟,意味着在我们的生存环境与学习工作环境中,会很快出现另一种高等智能体。为此,需要我们处理好人与智能技术之间的关系。智能技术与教育融合阶段最为突出的特征就是智慧化,这种智慧化不仅仅需要专家智能与机器智能的协同驱动,还需要发挥学习者的主体作用,让学习者更多地参与到人机协同的智慧决策体系之中,实现一种更加全面与完善的人机协同“混合增强智能”机制。
智能技术赋能自我调节学习,其涉及学习的认知与需求表达,可以通过智能技术等现代科技自动识别,获取学习资源的方式也更便捷,学习支持服务的形式更多元化。但这种技术“懂”我的准确性,需要学习者来判断。我们通过自定义规则的方式,设置双向反馈通道,给予学习者足够的话语权,可使其更积极地参与学习决策。
教育是一个富有情感和人性的过程,技术赋能学习,首先,必须要符合学习的本质与教育的规律,并为学习者减轻学业负担与心理负担;其次,技术赋能学习要从有利于增强系统与学习者之间的相互信任,以及激发学习者能动性的角度出发。任何去人性化的设计,都无法满足学习者的个性化需求,也无法提供更精确的反馈及建议,更不利于营造适宜的学习环境、制定更优化的教育决策。
总之,智能技术赋能自我调节是技术变革教育进程中自主学习发展的新阶段,是培养智能时代原住民的必然选择,更是顺应社会发展与个体发展需求的关键的发展路径。本研究尝试对智能时代自我调节学习的内涵框架进行扩展性研究,使其具备“自我决定”“自我监控”“自我认同”“自我调整”等重要特征,并对智能技术赋能自我调节学习的功能框架进行系统分析。并从智能技术赋能自我调节学习过程中可能给学习者带来的风险出发,探讨智能技术赋能自我调节学习的发展路径,以期为技术支持学习以及学习者如何更好的利用技术,提供一些参考。