认知弹性设计下自我调节学习行为影响学习成绩的机制研究

李文昊 任晓曈 朱希雅 陈冬敏

[摘   要] 在线学习环境下开展复杂知识的教学实践往往效果不佳，有学者尝试使用认知弹性理论来改善教学设计、优化学习效果，但基于此理论设计的非线性超文本结构对学习者的自我调节学习又提出了更高的要求。自我调节学习行为对学习成绩的影响不是简单的对称线性关系，而是以整体的组合方式作用于学习过程。文章采用定性比较分析法，从组态视角深度剖析认知弹性设计下影响自我调节学习行为的内在机制，探讨各行为及各行为间组合导致不同学习成绩的原因。研究发现：（1）计划阶段的设置目标行为是导致较好学习成绩的必要不充分条件;（2）计划阶段的制订计划行为是影响学习成绩的无关条件;（3）执行阶段的自我监测和自我调节行为能起到明显的补益作用;（4）反思阶段进行适应性自我反应行为对提高学习成绩更有效。研究结论验证了早期发现，完善了自我调节学习理论，补充并拓展了在线学习的认知弹性设计。

[关键词] 认知弹性设计; 自我调节学习; 定性比较分析; 在线学习行为

[中图分类号] G434            [文献标志码] A

[作者簡介] 李文昊（1978—），男，湖北麻城人。教授，博士，主要从事多媒体学习与认知、教师教育研究。E-mail：whenhowlee@qq.com。

一、引   言

在线学习环境作为课堂教学的补充，在人才培养和知识传递中发挥着重要作用。然而，与线下教学实践相比，由于受到时空分离的条件局限，在线学习方式下的课程设计和资源组织面临着诸多难题[1]，建构主义指导下的认知弹性理论（Cognitive Flexibility Theory）针对结构不良知识的习得与迁移，被广泛应用于在线资源的组织与设计[2]。基于认知弹性理论开发的学习资源呈现出一种非线性的超文本结构，学习者可以自主选择学习节点、跳转链接，随机进入式地开展结构不良领域知识的学习。但伴随着知识层级越复杂，选择性分支增多、自由性增高，这种非线性结构表征可能会造成迷航现象。学习者往往因目标层级分析不完整、自主学习设计不佳、反馈不及时而处于盲目状态。

因而，要发挥在线资源的非线性表征优势，同时避免信息迷航，需要学习者有效地进行自我调节学习（Self-Regulated Learning）。自我调节学习是指学习者在学习过程中主动调整自己的认知、动机、情感、元认知和行为，以完成学习目标[3]，学习者自我调节学习行为如何影响在线学习效果成为一个亟待解决的问题。有研究表明，自我调节学习过程中的时间规划和求助行为能促进对知识的理解，以此获得更高的成绩[4]。学习者设定学习目标或采用策略规划的行为能较好地完成课程目标，获得更好的学习结果。自我调节学习策略可以缩短高低先验知识学习者之间的差距[5]。已有研究结论大多从定量分析揭示自我调节学习某一要素对学习结果的影响，缺乏对因果机制的探究。本文采用定性比较分析法（Qualitative Comparative Analysis，QCA），借助组态的视角深入探究自我调节学习内部的因果机制。

二、文献综述

（一）在线学习中的认知弹性设计

近年来，在线学习的迅猛发展引发了更多对教学质量的考量，特别是复杂知识领域，简单的线性设计已无法满足学习者的学习需求。认知弹性设计是在认知弹性理论的指导下，将概念知识和相关案例相互交叉形成多维度的“十字交叉形”的非线性超文本信息结构，从多角度出发，以不同的形式建构知识，用不同的情境案例来呈现知识，使学习者在面对不同问题情景时有多种反馈途径[6]。超文本环境可以很好地为学习者提供文本、图形、动画、音频等媒体，学习者可以随机、动态、非线性地访问各条链接路径[7]。例如：在基于 WEB的“教学系统设计”课程中，学习者可以使用浏览器导航工具以及热字链接，在不同案例、观点、主题之间的“十字交叉形”中展开学习;在“网络维护”课程中，“网络故障信息”“网络维修”等案例形成十字交叉，学习者通过自主建构知识来强化对复杂概念的多维理解，以探究在不同情境中结果的异同[8]。

认知弹性设计下的非线性超文本环境使得学习者可以自由选择节点、跳转链接。例如：在英语学习中，与传统的纸媒体相比，超文本的自由跳转更有利于提升英语阅读速度和英语理解能力[9]。然而有研究表明，这种自由容易使学习者在信息量负载较大的超文本路径中迷航，即无法确认自身所处链接的位置或不知通过哪条路径到达期望的位置[10-11]。迷航现象会减弱学习者搜索信息时的引导能力和目标能力，降低“十字交叉形”的学习效果[12]。由此看来，尽管认知弹性设计的非线性和灵活性为学习者提供了更多的选择自由，但同时对学习者自我调节学习能力提出了更高的要求。

（二）自我调节学习

有不同的模型和观点可以用来解释自我调节学习过程，但从社会认知的角度来看，自我调节学习包含四个常见假设：首先，所有模型都假设进行自我调节学习的学习者可以监控和调节自身的认知、行为、动机和情绪[13];其次，学习者的行为是有目标导向的，学习者需在自我调节学习的过程中调节自身行为以实现这些目标，并从学习环境中利用先验知识构建目标和意义;再次，自我调节学习是周期性的，由不同的阶段和子过程组成;最后，自我调节行为在学习者表现、环境因素和个体特征之间起中介作用。在所有模型中，最常见的是Zimmerman提出的三阶段循环模型，他将自我调节学习划分为三个循环阶段：计划、执行和反思[14]。

在线学习环境下技术干预支持和加速自我调节学习主要采用两种方式：其一是把自我调节学习策略作为规范学习者学习的方式，在在线学习环境中使用，以检验自我调节学习策略的有效性。例如：在作文写作课程中，使用自我调节学习策略组在单词、句子和整体写作质量测量的保持测试中表现更加突出[15];在历史课程中，加入自我调节学习支持组虽然学习满意度较低，但是却获得了较高的成绩[16]。其二是在自我调节学习策略中加入支架、提示或反馈。利用辅助工具实时追踪外显行为，分析学习痕迹可以更好地理解学习过程。例如：在MOOC学习中，高自我调节能力的学习者会出现更频繁参与学习活动的行为，持续学习的时间更久[17];在自主学习环境中，学习者计划和执行阶段的表现越好，学习效果越显著，且学习者计划和执行的水平能够直接影响自我反思情况[18]。研究者细化了自我调节学习不同阶段的具体行为表现，具体行为观测见表1。

（三）自我调节学习行为的测量与学习分析

对自我调节学习行为的追踪和记录通常采用问卷、课堂观察、日志数据分析、访谈和出声思维等方法。例如：有研究者开发了一套追踪自我调节学习行为的工具，记录学习者的心理活动痕迹、操作行为和日志数据，以此来分析学习者的行为模式[21]。通过记录和收集大量的行为痕迹进行学习分析，以此表征学习者的内部认知过程，包括两个阶段：其一，追踪和记录学习者的学习行为并进行分类及编码;其二，采用定性或定量的数据分析方法探究学习者的学习行为的模式特征及运行机制。例如：通过滞后序列分析法，分析学习者在教学实践课程中学习、讨论、自测、反思等行为的模式及特征，发现不同元认知技能学习者的行为模式存在差异[22];通过数据挖掘的方法，分析不同自我调节学习能力的学习者在不同阶段的行为差异，发现学习者的自我调节学习能力更多体现在执行阶段的行为上，且高水平自我调节学习者体现出更有效的时间管理策略与更强的整体规划能力[23]。

学习结果是由多种行为组合并发引起的，现有统计分析方法并不适用于对多重并发的因果机制进行深入讨論。QCA基于案例研究多重并发因果关系，其可以解决变量多、案例少的困境。传统的统计技术，如回归分析，其基本假设是自变量相互独立、因果对称、具有单向线性关系，在控制其他因素的情况下，分析自变量对于因变量的边际“净效应”，这些方法并不能解决因果复杂性问题[24]。而QCA 采用整体视角，假定某种现象产生的原因是复杂多元且非线性的，是多个前因条件组合形成组态作用的结果[25]。QCA处理主要有三种方式，清晰集（csQCA）、多值集（mvQCA）和模糊集（fsQCA），由于本研究数据均为连续性数值，简单的分类法无法区分位于临界值的数据，所以本研究采用fsQCA从组态视角探讨各行为及各行为间组合导致不同学习成绩的原因。

三、研究设计

（一）研究对象

实验选取了华中师范大学“教学技术与媒体”课程中的57名本科生，年龄分布在19～23岁，其中，男生8人，女生49人。学科专业分布有物理专业、化学专业和历史专业等。被试均有较长的在线学习经验，且第一次对电脑硬件知识开展系统学习。

（二）学习材料

实验材料是由Articulate Storyline2开发的非线性超文本课件，学生需要完成“电脑硬件部件、功率测量以及电脑组装”主题的在线学习，本课程的学习目标是，学生灵活运用知识和技能去分析问题，提出合适的配机方案，属于非良构领域的复杂知识学习，实验材料如图1所示，左图为课件的主页面，右图为可跳转的分支结构。

（三）测量工具

1. 知识前、后测

两轮测试的题目数量、类型、知识点一致，存在50%的题目表述变化。知识测试问卷共15道题，包括保持和迁移两方面。以知识前测和知识后测的成绩差值作为学习者的学习成绩。前测问卷具有较好的区分度（t=12.72，p<0.001，MD=2.69），内部一致性Cronbach α系数为0.703;后测问卷具有较好的区分度（t=13.73，p<0.001，MD=7.41），内部一致性Cronbach α系数为0.746。

2. 行为记录

在学习过程中采用观察法、出声思维法和访谈法记录行为数据。观察法主要是通过观察录屏数据记录学习者在自主学习过程中的行为，如做笔记、查阅资料等。出声思维法包含6次提问，例如：“刚才的行为中你是否进行了反思，进行了哪些反思？”“刚才的行为中你是否制订了计划，制订了哪些计划？”等。访谈法主要用以了解学习者在自我调节学习过程中的感受，并补充行为编码表中遗漏的行为。

（四）实验流程

实验共分为三个阶段，分别为真实问题引入、十字交叉形学习和观点交流与评价。在第一个阶段，学习者能够根据教学指导了解在线学习环境的具体操作，在基于多媒体构建出的真实问题情境中直观地看到需要实现的学习目标。当学习者确定并选择学习目标后进入第二个阶段，此阶段学习者能够通过点击、快进、后退、暂停等交互键在不同角度的案例中实现跳转学习，形成个性化学习路径。第三个阶段为观点交流与评价阶段，学习者可以进行思维表达或求助同伴，以帮助学习者在学习完成后开展自我监测，加深对知识的理解，培养批判性思维。在此过程中，将通过录屏、出声思维法记录学习者的行为数据及背后含义。实验结束后安排访谈，了解学习者某些行为的真实原因。

（五）行为编码与数据分析

1. 行为编码

根据Zimmerman的自我调节学习模型，参照表1的行为编码作为本研究自我调节学习中的具体行为划分依据，并结合本实验的学习环境进行适当改编，最终确定本研究的自我调节学习行为编码表，见表2。

编码工作由3名教育技术学专业的研究生进行背对背编码，正式编码前均经过专家培训，对编码表和编码方式已达到熟悉程度。编码完成后，对编码结果进行Kappa系数检验。本次在线学习行为编码结果的Kappa值为0.878，编码结果具有较好的一致性。

2. QCA分析

（1）相关分析：对每位学习者进行行为编码后，将每一行为与学生成绩进行相关分析，若行为与成绩呈现相关关系，则进一步对因果机制进行探讨。

（2）fsQCA分析：①数据校准，将变量设定三个锚点：完全隶属、交叉点以及完全不隶属，采用直接校准法将前因变量和结果变量校准为模糊集隶属分数。②必要条件分析，在模糊集分析中，当结果的实例构成条件实例的子集，即存在必要条件。其检验用数据的一致性表示，该数值在必要分析时不小于0.9可被接受，组态分析时不小于0.75可被接受。③组态分析，fsQCA分析后将得到三类解。其中，中间解不会简约掉必要条件，通常认为应该考虑中间解，并结合简约解区分核心与边缘条件。若某前因条件同时出现在简约解和中间解，视为核心条件;若此条件仅出现在中间解，则视为边缘条件。

四、研究结果

（一）自我调节学习行为与学习成绩关系

由于行为数据不满足正态分布，采用Spearman相关分析。数据分析显示：（1）自我监测和自我调节呈显著正相关（R=0.381，p=0.003<0.01），在学习过程中，学习者会一边使用策略一边对自身的行为进行调节;（2）自我调节与自我判断呈显著正相关（R=0.317，p=0.016<0.05），说明学习者对自己知识掌握情况进行判断后，会再进行自我调节;（3）自我监测与学习成绩存在显著正相关（R=0.381，p=0.003<0.01）;自我调节与学习成绩存在显著正相关（R=0.365，p=0.005<0.01）;自我判断与学习成绩存在显著正相关（R=0.317，p=0.016<0.05）。从数据分析可以得出：自我监测、自我调节和自我判断对学习成绩影响最直接，而计划阶段行为没有影响学习成绩。从相关分析的结果无法判断自我调节学习行为影响学习成绩的原因，需要进一步验证。

（二）自我调节学习行为的组态分析

研究共有57个样本，属于中等样本研究，可以选取前因条件个数一般为4～7个，本研究共有6种行为，满足中等样本的前因条件数量要求。

1. 数据校准

目标设置和自我反应是二分类变量无需校准，其他的前因变量（制订计划、自我监测、自我调节、自我判断）和结果变量（学习成绩）的三个锚点分别设定为样本数据的上四分位数、平均值以及下四分位数，并以95%（完全隶属）、50%（定性交叉点）、5%（完全不隶属）隶属度的取值进行校准。

2. 必要条件分析

在进行数据校准后，需在前因条件中找到必要条件。必要条件的一致性结果显示，目标设置是导致较好学习成绩的必要条件（一致性0.918>0.9），构建真值表时需要将目标设置作为必要条件纳入fsQCA，进一步探索产生高、低自我调节学习水平的组态。

3. 组态分析

将目标设置、制订计划、自我监测、自我调节、自我判断和自我反应纳入条件变量，将高、低学习成绩纳入结果变量，产生的组态见表3。

通过fsQCA分析，我们可以看出自我调节学习行为通过多重并发路径对高、低学习成绩产生影响。其中，产生高学习成绩的组态有4组，总体一致性为0.928，总体覆盖度为0.513，能够解释51.3%的案例。产生低学习成绩的组态有2组，总体一致性为0.884，总体覆盖度为0.557，能够解释55.7%的案例。

进一步对组态进行分析，可以发现：（1）学习成绩是由目标设置、制订计划、自我监测、自我调节、自我判断和自我反应6种行为构成多重并发路径共同作用的结果，每种行为与其他行为组合形成的组态不同，对学习成绩产生的影响也不相同。（2）在计划阶段，在产生高学习成绩中，同时出现了目标设置和较少的制订计划，计划在整个自我调节学习过程中发挥的作用没有充分体现，从而导致了两种不同的结果。（3）在执行阶段，在产生较高学习成绩时，组态几乎都包含了较多的自我调节和自我监测行为，而产生较低的学习成绩时，组态几乎都包含了较少的自我调节和自我监测行为。说明执行阶段行为对学习者在认知弹性环境中的学习最有效，发生的频数能够直接影响学习成绩。（4）在反思阶段，产生较高学习成绩时，在覆盖度较大的组态中，几乎均出现了较多的自我判断和自我反应，而产生较低的学习成绩时，自我判断和自我反应对其影响不大，说明反思不是导致学习成绩差的重要影响因素。

五、研究结论

与线性学习相比，学习者在计划、执行和反思三个阶段有着不同的行为表现。在认知弹性设计下，学习者能够调节认知策略、元认知策略、动机和行为以开展非线性超文本的学习。

（一）认知弹性设计下，计划阶段的设置目标行为是导致较好学习成绩的必要不充分条件

已有研究表明，设置目标可以监控学习进展，学习者调整自身的认知、动机和行为以达到目标[26]。本研究发现，在认知弹性设计下，设置目标对学习的促进效果不是直接的，而是经由高度的自我监测、自我调节和自我判断实现的，设置目标与其他行为组合会同时导致较高和较低两种学习成绩，组态1、组态2、组态3辅证了这一观点。

虽然目标设置是导致较高学习成绩的必要条件，但同样是导致较低学习成绩的因素之一。这可能是由于知识领域的影响，相较于良构线性领域的知识，在非良构、非线性领域中进行复杂学习使用的学习策略有所不同。本研究中的学习内容属于非良构知识，所以学习者运用先前的经验策略设置目标时，可能会出现失衡状态。若所设置的目标过低，则会轻易达成目标，阻碍其学习更高层次的内容。若设置的目标过高，由于材料的复杂性，学习者会在学习过程中感知到额外的认知负荷，元认知无法对自我进行持续监测和调节，从而导致较差的学习效果。组态5、组态6辅证了这一观点。

（二）认知弹性设計下，计划阶段的制订计划行为是影响学习成绩的无关条件

已有研究表明，计划可以帮助学习者在自我调节学习过程中更好地实现目标，指导学习者有序进行学习，完成学习任务[27]。本研究发现，制订计划对于提高学习成绩没有发挥作用，但不制订计划会导致较低的学习成绩，较少的制订计划与其他行为组合会同时导致较高和较低两种学习成绩，这与先前研究并不完全一致。较少的制订计划能够带来更佳的学习成绩，可能的原因主要有以下两点：从学习资源的结构来看，虽然学习者在“十字交叉形”非线性超文本系统中学习成绩较好，但是部分学习者要充分理解这种非线性知识结构，做出准确的计划存在一定的困难;从学习者的角度来看，学习者要想在非线性的学习材料中找到自己想要达到的目标并制订计划，需要花费大量的时间，使得学习知识内容的时间被压缩，进而导致较低的学习成绩。

（三）认知弹性设计下，执行阶段的自我监测和自我调节行为能起到明显的补益作用，通过分配更多资源来补偿计划阶段的不足

由于超文本信息結构节点之间的复杂关系所引发的迷航现象极大地限制了计划阶段行为的有效作用，但在高度的自我监控和自我调节下，学习者能够花费更多的时间运用策略学习，使自己的认知结构更加清晰，从而弥补制订计划的缺失，保证自己足够理解知识以得到更好的学习效果。自我监测和自我调节可以使学习者掌握知识内容并调整自己的学习进度，促进学习效果[28]，这与已有发现保持一致。

从组态5、组态6来看，如果在学习过程中减少自我监测和自我调节，则不利于促进学习效果，这与已有发现保持一致。从学习者自身角度来说，如果学习者具有较高的认知水平，则更具有调节认知和元认知过程的能力，能够有效调整认知投入;而对于认知水平较低的学习者，需要分配更多的认知资源专注于理清知识内容，而分配较少的认知资源进行系统性的加工和处理，在学习效果测试中表现不佳。

（四）认知弹性设计下，反思阶段进行适应性自我反应行为对促进学习成绩更有效

本研究发现，部分学习者虽然进行了自我反应，但并没有进行自我调整，导致学习效果不佳。有研究表明，自我反应具有防御性反应和适应性反应两种形式：防御性反应是指通过降低学习投入，减少持续学习和学习展示的机会来维护自己形象，如放弃课程或缺席考试[14];适应性反应指的是对学习策略有效性的调整，如放弃或修改无效的学习策略。组态3、组态4、组态6辅证了这一观点。

本研究揭示了在认知弹性设计下自我调节学习的必要不充分条件、无关条件和补益作用，既验证了其他学者关于在线学习中自我调节学习行为的研究成果，又从组态的视角分析了在认知弹性设计下自我调节学习行为表现，丰富了前期的研究结论，为认知弹性设计下如何更好地实现自我调节学习提供了实证依据。研究仅从认知和行为的角度进行了探讨，缺乏对情感的测量，在今后的研究中可以考虑纳入情感因素，从而更加全面地考察自我调节学习。

[参考文献]

[1] 杨九民，李丽，刘晓莉，朱芳芳，高姝睿，皮忠玲.在线开放课程中的交互设计及其应用现状分析[J].电化教育研究，2018，39（11）：61-68.

[2] 张武威.基于“十字交叉形”的复杂知识超文本信息结构表征分析[J].电化教育研究，2012，33（3）：19-23.

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

[4] KIM D， YOON M， JO I. Learning analytics to support self-regulated learning in asynchronous online courses： a case study at a women's university in South Korea[J]. Computers & education，2018，127：233-251.

[5] YANG T C， CHEN M C， CHEN S Y. The influences of self-regulated learning support and prior knowledge on improving learning performance[J]. Computers & education， 2018， 126：37-52.

[6] 曹贤中，何仁生，王锋，郑忠梅，徐小双.基于认知弹性理论的教学设计模式[J].电化教育研究，2008（1）：80-84.

[7] MICHAEL J， JACOBSON， AECHODIDOU A. The design of hypermedia tools for learning： fostering conceptual change and transfer of complex scientific knowledge[J]. Journal of the learning sciences， 2000， 9（2）：145-199.

[8] 官巍，马力，王瑞.信息网络环境复杂学习模型设计与实证研究[J].中国电化教育，2013（3）：12-18.

[9] SHANG H F. EFL medical students' metacognitive strategy use for hypertext reading comprehension[J]. Journal of computing in higher education， 2018，30：259-278.

[10] DIAS P， GOMES M J， CORREIA A P. Disorientation in hypermedia environments： mechanisms to support navigation[J]. Journal of educational computing research， 1999，20（2）：93-117.

[11] ASTLEITNER H， LEUTNER D. Learning strategies for unstructured hypermedia—a framework for theory， research， and practice[J]. Journal of educational computing research， 1995，13（4）：387-400.

[12] 張武威.基于认知弹性理论的网络学习环境超文本复杂知识表征[J].中国电化教育，2010（3）：76-80.

[13] BROADBENT J， PANADERO E， LODGE J， BARBA P. Technologies to enhance self-regulated learning in online and computer-mediated learning environments[M]//BISHOP M， POLING E， ELEN J， SVIHLA V. Handbook of Research in Educational Communications and Technology. Switzerland： Spring Nature AG， 2020：37-52.

[14] ZIMMERMAN B J. Becoming a self-regulated learner： an overview[J]. Theory into practice， 2002， 41（2）：64-70.

[15] BOYKIN A， EVMENOVA J A， REGAN K， MASTROPIERI M. The impact of a computer-based graphic organizer with embedded self-regulated learning strategies on the argumentative writing of students in inclusive cross-curricula settings[J]. Computers & education， 2019， 137：78-90.

[16] ALTEN D， PHIELIX C， JANSSEN J， et al. Self-regulated learning support in flipped learning videos enhances learning outcomes[J]. Computers & education， 2020， 158（1）：1-16.

[17] BARBA P D， MALEKIAN D， OLIVEIRA E A， et al. The importance and meaning of session behaviour in a MOOC[J]. Computers & education， 2020， 146（3）：1-18.

[18] 邓国民，韩锡斌，杨娟.基于OERs的自我调节学习行为对学习成效的影响[J].电化教育研究，2016，37（3）：42-49，58.

[19] AZEVEDO R， CROMLEY J G. Does training on self-regulated learning facilitate students' learning with hypermedia？[J]. Journal of educational psychology， 2004， 96（3）：523-535.

[20] 奥尔加·维伯格，默罕默德·哈利勒，马丁尼·巴斯，肖俊洪.在线学习环境下的自我调节学习和学习分析实证研究述评[J].中国远程教育，2020（12）：28-41，58，93.

[21] BOEKAERTS M， CORNO L. Self-regulation in the classroom： a perspective on assessment and intervention[J]. Applied psychology， 2005，54（2）：199-231.

[22] LAER S V， ELEN J. The effect of cues for calibration on learners' self-regulated learning through changes in learners' learning behaviour and outcomes[J]. Computers & education， 2019， 135（7）：30-48.

[23] 邓国民，徐新斐，朱永海.混合学习环境下学习者的在线自我调节学习潜在剖面分析及行为过程挖掘[J].电化教育研究，2021，42（1）：80-86.

[24] RAGIN C C. QCA设计原理与应用超越定性与定量研究的新方法[M].杜运周，李永发，等译.北京：机械工业出版社，2017.

[25] 陈向东，杨德全.组态视角下的教育研究新路径——质性比较分析（QCA）及在教育技术中的应用分析[J].远程教育杂志，2020， 38（1）：28-37.

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

[27] ZHENG J， XING W， ZHU G. Examining sequential patterns of self- and socially shared regulation of STEM learning in a CSCL environment[J]. Computers & education， 2019， 136：34-48.

[28] MANUEL P U， RAQUEL F A， et al. Evaluation of the effects of a virtual intervention programme on cognitive flexibility， inhibitory control and basic math skills in childhood education[J]. Computers & education， 2020， 159：1-14.