认知负荷视角下在线协作学习的增效机制研究

王希哲 涂雅欣 张琳捷 黄琼浩

[摘   要] 在线协作学习作为一种跨时空情境下的社会化认知学习方式，其过程状态的有效感知与活动优化对于解决群体学习认知負荷失衡、促进高质量共同发展至关重要。为此，文章以在线协作学习过程的状态分析与适性引导为目标，融合协作认知负荷理论与智能技术手段，对在线协作学习过程量化方法与协作增效机制予以实现与验证。研究首先基于协作认知负荷理论确立在线协作学习构成框架，从学习者协作状态与任务活动两方面，对在线协作学习关键要素进行量化表征;然后构建了在线协作演化网络，以此进行在线协作学习过程各个状态的演化分析与趋势表征，并提出基于最优控制的协作增效机制;最后通过实际应用与效果分析对上述过程量化方法和增效机制进行验证。实验结果表明，本研究提出的协作增效机制在基本不影响学习者认知负荷的前提下，能够显著提高整体协作学习效果，为认知科学、智能技术与在线协作学习的深度融合发展提供了新思路。

[关键词] 在线协作学习; 认知负荷理论; 协作状态量化; 演化模型; 增效机制

[中图分类号] G434            [文献标志码] A

一、引   言

协作学习是在特定主题引导下，学习者以小组为单位自由地分享观念、情感和态度的一种学习模式，能够促进群体智能的产生与迭代，达到知识、能力的全面增长[1]，已成为21世纪教育培养目标中的关键指标与核心素养[2]。互联网技术的不断发展，计算机支持的协作学习（Computer-Supported Collaborative Learning，CSCL）从早期本地化系统逐步迈向跨时空、富媒体支持的在线协作学习形态。各类在线环境以其高交互性与协作便利性，为学习者提供了知识共享、沟通理解和技能掌握的良好认知情境，在线协作学习已成为教育信息化背景下的主要教育教学方式[3]。

随着在线协作学习的快速发展，线上人际与人机交互日益复杂、网络虚拟环境动态时变、协作资源加速增长，在线协作学习者认知投入总量变得越发难以把控;同时，由于在线学习者的异质性与线上交互的异步特点，协作过程认知负荷经常出现过高/过低的现象[4]，这将严重影响在线协作学习的效率效果。鉴于协作学习全过程状态的量化表征与针对性干预是明晰协作认知情况与改善协作学习“负荷失衡”状况的关键基础，如何针对在线学习动态环境，探究认知负荷对协作过程的影响机理，以此开展协作认知演化过程的建模与优化，已成为当下在线协作学习亟待解决的关键问题。

为了更好地明晰社会化认知过程中的影响因素，指导协作学习的过程建模，认知负荷理论[5]（Cognitive Load Theory，CLT）从信息加工角度对人在工作记忆中使用的注意力或者精神力总量进行表征，成为教育学、心理学、计算机科学等领域的重要理论基础[6]。随着研究的深入与迭代，该理论的提出者Sweller与Kirschner等针对协作学习情境，进一步从协作学习中的任务、学习者与群组三方面进行理论探讨，并引入了集体工作记忆、认知相互依赖以及协作代价等核心概念，形成了协作认知负荷理论（Collaborative Cognitive Load Theory）[7]，引发领域研究者的普遍关注[8]，也为本研究在线协作学习构成分析与状态量化提供了关键理论依据。

以人工智能为核心的大数据、脑科学等新技术的发展，为解决学习者协作认知状态建模与学习效果提升等问题赋予了巨大潜力[9]，数据驱动的演化分析成为动态学习过程规律发现、状态分析的有效手段[10]。国家先后出台的《中国教育现代化2035》[11]《关于深化教育教学改革全面提高义务教育质量的意见》[12]等文件，均强调要利用现代技术推动启发式、探究式、参与式、合作式教学方式与人才培养模式改革，开展研究型、项目化、合作式学习，明确了以新技术手段促进协作学习的发展进程。在此背景下，借助数据科学理论，以大数据分析、最优控制等为代表的智能技术成为突破在线协作学习困局的有效手段。因此，本研究基于协作认知负荷理论对在线协作学习构成进行剖析，提取在线协作学习要素，实现在线协作过程状态量化表征，并利用系统动力学建模与最优控制优化方法，提出学习者协作过程精准描述与智能引导的解决方案，旨在为在线协作学习的个性化与智能化发展提供新思路。

二、认知负荷理论支持下

在线协作学习构成分析

在线协作学习的基本构成确立是实现协作学习过程量化的基本前提条件，而协作认知负荷理论的提出从CLT角度为协作学习活动开展提供良好的理论体系保障，成为探究在线协作学习构成的有力途径。考虑到协作认知负荷理论所面向的情境并不针对在线学习，因此研究还需在现有理论框架下结合在线情境特性进行拓展分析，并以此实现在线协作学习内在核心要件的深入把握，为后续演化建模提供理论依据。

（一）协作认知负荷理论概述

认知负荷是指完成一项学习任务所需的总工作记忆资源，当学习者面临新的信息时，所需的工作记忆根据认知负荷来源差异，可以划分为内在负荷（学习者先验知识与能力情况）、外在负荷（外部环境支持与任务难度）与额外负荷（其他不属于内在与外在的认知负荷）[5]。而协作认知负荷理论在此基础上提出集体工作记忆与交互代价的概念，完善群组指标划分，且遵循以下认知负荷理论的基本原则（Principles）[7]：

P1：学习者先验知识/能力越少，其内在负荷越高;学习任务的难度越大、内容呈现越多，则外在负荷越高;与目标无关的冗余信息会增加学习者额外负荷，阻碍学习者认知效果。

P2：任务设置过程中，认知负荷过高会使学习者心生挫败感，产生放弃、恐惧的心理;认知负荷过低会影响学习者成就感，使其产生无聊、厌倦的感觉，均不利于学习活动的开展。

P3：通过教学策略、技术干预等方式优化学习活动，可以对认知负荷进行调整，有利于知识的建构与内化。

P4：在形成集体工作记忆前，群组成员越多、知识分布越不均衡，协作活动的交互代价越大，协作过程产生的负荷越高。

基于以上原则，协作认知负荷理论从任务、学习者与群组特征三个维度对协作过程进行指导，具体包括：

（1）任务特征（含任务复杂度、任务指导）：协作任务对学习目标实现及其过程引导起着至关重要的作用，一定程度上的任务复杂度可以促进学习者的协作发生;该过程提供的指导和支持越多，交互过程造成的额外负荷就越低，可以帮助学习者更为顺利地完成学习任务，实现各个阶段的知识内化。

（2）学习者特征（含领域知识、协作能力）：学习者的领域知识对集体工作记忆的形成具有决定作用，学习者在任务目标领域的专业知识越丰富，交互过程造成的额外负荷就越低;另外，学习者的协作能力通过将影响交互过程从而造成额外负荷，更好的协作能力能够帮助学习者更为高效地开展协作活动。

（3）群组特征（含群组规模、角色、异质性、组队/任务经验）：群组是协作学习开展的主要载体，群组规模越大、交互过程越多，额外负荷也越高;群组角色的明确分工，可有效降低交互过程中的额外负荷;异质性代表群组内部学习者间的能力差异，群组成员知识分布越不均匀，交互过程造成的额外负荷会越高;群组成员组队/任务的经验越多，协作过程面临的额外负荷就越低。

（二）在线协作学习构成框架确立

协作认知负荷理论为一般性协作学习提供了科学充足的指导原则与框架，目前也有相关研究论证了其在CSCL应用的可行性[13]，这为认知负荷视角下的在线协作学习构成要素分析奠定了基础。但相较于CSCL，在线协作过程因其更为开放、自由的跨时空情境而更具复杂性，具体表现在学习者与学习任务两大方面：

（1）学习者：数量更多，异质性更高;异步学习活动开展下，在线学习者以个体身份参与协作活动，所属群组可作为个体具有的一个子类属性;但由于缺乏面对面的互动过程，学习者状态的不确定性相对偏高，角色分工存在一定的随意性等[14]。

（2）学习任务：在线课程内容、资料需预先准备与发布，学习任务在创建课程时已基本固定;任务开展形式更为丰富，可根據学习者的个体差异选择协作探究或自我提升;但高自由度致使在线协作任务开展时的主题约束较弱，易偏离目标主题[15];协作指导者难以实时为众多学习者提供支持，技术辅助相较更多。

鉴于此，本研究依据协作认知负荷理论，综合考虑在线协作学习情境和认知负荷影响关系对协作学习构成进行适配调整，含合并学习者与群组大类、统一表示任务/组队经验与知识/能力等，最终确定学习者和学习任务2个一级指标以及7个二级指标，形成在线协作学习构成框架，见表1。

三、在线协作学习过程状态量化表征

在线协作学习过程状态量化表征旨在对协作学习过程中各要素的不同状态进行动态刻画，并将其用于后续的协作学习演化建模。作为一种复合了多种因素的深层状态，在线协作状态会随着学习活动的演进而逐渐变化，使得常规手段难以对该过程进行有效表征与获知，融合AI等新技术的在线协作学习要素挖掘与表示成为解决该问题的有效方法[16]。除去在线协作学习构成框架中已确定因素（群组规模、任务复杂度、过程支持）与较高不确定性相关因素（群组角色），本研究认为学习者知识状态、学习过程交互程度以及协作任务形式是属于在线协作学习过程的关键可调节因素。因此本研究以协作学习构成框架为指导，针对协作学习中的过程性数据采集与分析过程，从学习者协作指标量化、协作状态表征与协作活动表征三方面，实现协作学习过程状态的量化表征。

（一）学习者协作指标量化

在线学习者具有的高异质性特点会造成协作过程的额外负荷，而对学习者协作状态的准确判别成为解决该问题的必要条件。对应在线协作学习构成框架中的学习者领域知识与协作能力两个协作状态要素，本文采用知识掌握度和有效交互度两个指标对其进行准确表征。为了便于对协作学习状态进行有效界定与量化区分，需对相关信息进行如下定义：假设一门在线学习课程共包含知识点n个，通过在每个知识学习完成后对其进行测验，对于第i名学生在学习第j个知识后取得的评价得分为Pij （测验总分为P'j），据此可以实现学习者的知识掌握KAij的计算方法，如公式（1）所示。同时为了对不同掌握度对应状态进行区分，定义阈值ρ1与ρ2表示部分知识的部分掌握与完全掌握分界。

（1）

此外，相较常规以交互次数作为衡量协作程度判定标准的方式，协作认知负荷理论指出与协作主题相关的交互才是有效交互，不相关的交互反而会增加额外负荷，因此本研究引入了有效交互度的概念。具体计算过程在对每个知识点关键词进行GloVe[17]向量化后，以集合表示为KTj={kt1，kt2，…，ktn}，另对学习者在学习过程中的交互内容同样进行向量化表示，形成集合CTij={ct1，ct2，…，ctn}，根据交互内容与目标知识内容之间的相关性，以每次交互内容与主题的相关性之和计算有效协作交互度ECij，如公式（2）所示。

（2）

其中，kt，ct分别为KTj与CTj的均值，为了判断学习者的有效交互程度，定义阈值ζ，作为是否存在有效协作交互的判别分界。

（二）学习者协作状态表征

学习者是在线协作学习的主体，其协作状态的表示是实现协作状态有效感知的核心内容[7]。考虑协作学习者协作状态作为学习者个体知识水平、协作意愿等多维因素的综合反映，根据协作学习阶段、学习者自身能力的不同而存在差异：在线协作学习的进展情况，可分为初始、任务开展、结束等不同阶段;学习者个体知识水平与协作程度的差别，存在知识掌握/未掌握、有效/无效协作等状况。由此，本研究基于上文知识掌握度与有效协作交互度的计算结果，结合实际情况下的阈值设置，对学习者所处的五类协作学习状态S进行如下定义表征：

（1）初始状态B（符合条件KAij∈（0，ρ1），ECij∈（0，ζ））：表示学习者尚未进入学习状态，待在线课程学习开展到一定阶段后，学习者将会掌握目标知识并进行协作探究。

（2）已掌握部分知识但缺乏有效协作PN（符合条件KAij∈[ρ1，ρ2），ECij∈（0，ζ））：代表学习者通过一段时间学习后，已具有一定的相关知识储备，但并未完全掌握本课程所学内容，且此类学习者尚未与他人进行有效协作探究。

（3）掌握部分知识并开展协作PS（符合条件KAij∈[ρ1，ρ2]，ECij∈[ζ，ζmax））：表示学习者虽未完全掌握本节课程所学内容，但已开展与其他学习者的协作学习任务探究。

（4）完全掌握但缺乏有效协作CN（符合条件KAij∈[ρ2，1），ECij∈（0，ζ））：表示学习者已达成学习目标，但不愿意参与协作活动或没有有效协作展开。

（5）完全掌握并能较好协作CS（符合条件KAij∈[ρ2，1），ECij∈[ζ，ζmax））：表示学习者已达成学习目标，并且能较好地与他人进行协作活动。

由此完成了学习者在线协作状态表征，而各个状态之间的关系转化分析即是在线协作学习演化过程探究的主要内容。

（三）学习任务活动表征

除了学习者外，协作学习任務亦为在线协作高效开展的重要条件[7]。上文在线协作学习构成框架指出，在线学习环境提供了更为丰富多样化的任务互动形式，具体到知识传递以及协作交流过程中的角色与行为差异，其中的任务活动E可分为以下三类情况：

（1）知识讲授E1：该类活动通常发生在协作学习初期，由教师或已录制好的视频资料等进行基本知识点的讲解、总结，以及群组划分、任务布置等。通常学习者在该过程中能够对基础知识进行吸收内化，并为协作活动的开展提供支持。

（2）协作交流E2：该方式是在学习者掌握了一定的知识后，通过设置特定的任务情境，进行交流讨论或协作探究。该过程是学习中的关键活动，学习者既是知识的接收者，同时也是知识的分享者与传递者。

（3）自我学习E3：该部分主要由学习者独立完成，通过学习已有学习资源或搜索得到的资料，进行自主知识建构。同时，不排除个别学习者相较协作更愿意采用自我学习，因此也是协作学习中学习者可能出现的学习活动之一。

以上内容明确了在线协作学习任务活动的关键组成，根据在线协作学习者状态与任务协作状态变化过程，进一步可实现协作演化模型的构建。

四、在线协作学习演化模型与增效机制构建

（一）在线协作学习演化模型构建

协作演化过程是各协作学习状态随协作进程展开而产生的动态时序性变化过程。基于上文中已明确的协作学习者状态S与协作任务状态E，定义T为协作学习时间，据此可对协作学习过程进行设计描述，即随着协作学习的开展，在不同的学习任务引导下实现学习者协作状态的改变，构成基于系统动力学模型[18]的在线协作学习演化网络CLN=（S，E，T）。考虑协作活动过程中主要以小组为单位开展协作学习，根据准备阶段的分组结果，将学习者分为G组，对于学习者i，其所在组别定义为gi，由此形成对应组别下的在线协作学习状态S随时间t的演化函数：S（t）。此时根据协作任务下的知识传递过程差异，对于该任务影响下的协作状态转移概率p（E）分别定义为E1：α1～α4， E2：β1～β5，E3：γ1～γ7。基于此，对在线协作学习演化网络进行图示表达，如图1所示。

图1   在线协作学习演化网络

图左描述了协作学习各个状态及其演化关系，图右反映了协作学习不同状态的对应过程，即整个过程是从协作初始准备阶段到各学习活动展开后的知识部分掌握阶段，最终实现知识点掌握与协作探究任务的完全达成。根据系统动力学模型的基本定义，该演化过程可以描述为稳态系统中的时变性求解问题，通过各状态的演化趋势进行分析，进而实现协作学习状态的预测与适性调整。

（二）在线协作学习演化趋势分析

在线协作学习演化趋势是协作演化分析的关键目的，可以为适性支持提供指导和依据。对于学习者的某一演化状态，可以视为一个随时间t改变的函数，则状态之间的演化趋势可以通过状态函数的微分计算进行表示。该趋势表达了各个协作状态随在线活动展开可能的状态变化，即经过一段时间的协作任务活动后，从演化前状态到演化后状态的转换方向。演化前状态表示演化过程中，该状态处于流失的情况，即在经过协作任务活动后，某状态在协作学习演化网络中的对应占比应减少。而演化后状态与演化前状态相反，表示在一段时间的学习活动后，学习者新达成的目标状态，是演化网络中的协作状态增加的部分。如B→PN表示学习者在经过了协作准备阶段的知识讲授、任务布置等内容学习后，会从初始状态B（演化前状态）变化为PN （演化后状态）。由此，对于某一演化状态S，其状态的转入/转出连接数为l，则协作任务活动后，该状态所属概率会在演化趋势表示中增加/减少对应部分：

（3）

通过以上定义，可以对t时刻下学习者的各类协作学习演化趋势进行表征，如对于初始状态，其演化趋势可描述为（其他协作学习状态同理）：

（4）

（三）基于最优控制的协作增效机制建立

在线协作学习的最终目标是使学习者通过协作过程能够掌握课程知识并培养其协作能力，即最终达成知识完全掌握且有效交互的状态。而上述演化建模与趋势分析过程均属于自然演进过程，缺少额外的干预引导。为了进一步提升协作学习效果，本研究参考已有协作学习优化策略构建方案[19]，从信息传播与知识建构的不同角度设计了三类在线协作学习活动效果提升方法：

（1）面向知识建构的协作学习增效方法M1：该方法适用于部分掌握状态学习者，即针对学习者基础掌握不佳、知识未能内化等问题，致使协作学习活动不能有效开展的状况。主要采用学习诊断报告、重点资源推荐、学习任务提示等方式，辅助学习者进行知识学习，使学习者能够快速掌握协作所需的重点知识，为协作活动的有效展开提供基础。

（2）基于主题识别的协作强化方法M2：该方法适用于无协作/未能有效协作状态学习者，即协作学习过程展开不顺利，或者协作主题内容方向偏离等状况。通过提供特定的协作任务与活动辅助，结合主题偏离提醒、可视化雷达图、主题词云等方式开展当前主题与目标主题的契合程度呈现，强化学习者的参与感与小组荣誉感，增强小组整体的协作效能。

（3）定制支持的协作学习活动优化方法M3：该方法主要针对部分掌握且无协作状态的学习者，根据实际调研情况该部分学习者较少，其原因大多在于分组情况、个人兴趣等特殊情况导致协作学习意愿不足、效果不佳。本研究主要通过提供组间差异化的协作学习活动定制设计，同时在知识掌握与协作意愿两个方面进行强化，如角色分工调整、优秀作品评鉴、分享激励机制等方式进行协作活动的优化，并辅以上述两类学习增效/协作强化机制，共同实现整体协作学习水平的提升。

以上三类方法从不同的角度对协作学习者进行直接/间接的学习活动引导，为了确定上述方法实施的最佳时机，通过在在线协作学习演化网络中融入上述三类方法，并根据不同策略的目标对象与实施程度建立协作增效机制。定义每类方法的实施权重M1：φ1，φ2， M2：ω1，ω2， M3：θ1，对增效机制作用下的协作学习网络进行呈现，如图2所示。

图2   协作增效机制作用下的在线协作学习演化网络

由于增效机制的实施属于协作学习演化网络中节点状态的流失与增加过程，状态演化趋势的表征规则同样适用，因此对于增效机制作用后达成CS的状态趋势，其形式化表征可描述为（增效机制作用下的其他协作学习状态趋势同理）：

（5）

根据协作认知负荷理论的基本原则，过多的干预介入反而会增加协作过程中的额外认知负荷。因此本研究进一步考虑各活动效果提升方法的实施代价，即采用多目标优化方法，在尽可能低的干预实施（额外负荷）下达成最优的引导效果。根据协作学习中的知识获取与信息传递过程，定义ni（t）为协作学习增效机制中的方法实施次数，L（）表示方法实施过程造成的代价损失。在时间周期[0，T]中，为了在最小策略代价开销基础上最大化促进学习者知识获取与传递（即达到CS状态），实现协作效果的增效调节，最终的优化目标可以描述为：

（6）

在以上优化目标条件下，可将协作学习演化过程视为动力系统中由一个状态转移到另一个状态的最优控制信号发现问题，采用汉密尔顿动态优化方法[20]进行参数φ，ω，θ的最优化求解。对于所得到的优化目标参数即可作为学习干预实施的概率权重，以此实现根据学习者所处的协作学习状态差异，自适应地给予协作优化策略支持，以此实现协作学习效果提升。

五、实验与分析

（一）实验准备

为了验证本研究在线协作演化建模与增效机制的有效性，本研究选取在浙学（www.zjooc.cn）平台中同一门信息类在线课程中的68名同级学习者（均无课程相关内容学习经验）作为研究对象，根据学习者所在班级分为实验组（35人，采用增效机制支持的在线协作学习）与对照组（33人，采用常规在线协作学习），开展为期10周共5个章节的在线学习。考虑实验变量控制过程的便捷性与可操作性，学习过程以4～6人/小组进行协作群组划分，每章节后均设有章节测验用于检测学习效果。通过对平台学习数据进行监测、采集和分析，开展下述实验以验证协作增效机制的应用效果：

（1）基于平台数据的学习状态演化差异分析：针对在線协作学习过程，分别计算实验组与对照组在各个阶段的学习者协作状态占比，形成学习协作状态演化的全过程呈现，以此了解增效机制的作用过程并验证有效性。

（2）学习者认知负荷与绩效水平差异分析：在学习者完成在线协作课程学习后，分别基于实验组与对照组的认知负荷测量结果与对应课程最终成绩，进行独立样本t检验，以此分析协作增效机制对于学习者认知负荷和学习效果的影响。

（二）基于在线平台数据的协作状态演化差异分析

考虑协作活动开展需要一定的知识储备[7]，并且增效机制的实施需基于一定的学习者前期数据基础，因此拟在实验中后期（5～10周）对实验班开展增效机制的实际应用。在进行协作状态分析前，通过对本研究实验目标、情境与对象的调研与分析，首先确定协作学习演化网络中各参数的取值情况，见表2。

此外，为了便于演化过程的差异呈现，本研究以各协作状态在总和中占比（当前所处状态/总人数）的变化情况，对自然演化状态下协作学习状态（对照组）与增效机制支持下的协作学习（实验组）所处状态进行呈现，如图3与图4所示。

根据上图呈现，第五周前两个班级的演化状态具有一定的相似性，尽管从初始状态向其他状态的转移速度以及达成最终目标（CS）状态学习者比例方面，对照组略微优于实验组，但两组走势上未呈现明显差异：随着学习过程的深入，对于知识完全掌握的两类状态（CS、CN）均处于稳步上升状态，而知识部分掌握的两类状态（PS、PN）在前期有较大提升，在接近（x=2）的位置随之稳步下降;相较而言，在中后期（5至10周）实验组引入协作增效机制后，两组情况呈现出较大差异：对照组中协作学习演化过程的曲线在增长/下降到一定程度后趋于平缓，而实验组则在协作增效机制实施一段时间后（x=5）出现明显拐点，最终达成CS状态的学习者比例具有较为显著的提升。

经进一步调研发现，造成该现象的原因可能为：一方面，由于两个组的学习者都是初次接触相关平台操作与知识内容，学习前期存在对学习内容、方式的不适应情况，致使前期在知识掌握方面存在一定不足。另一方面，本课程平台能够实时呈现学习者成绩但未将协作交互部分纳入评价机制，从处于自然演化状态下学习者内驱力角度来看，部分学习者在发现可独立获得较好成绩后，便不再考虑进一步展开协作交互;而实验组在实施增效机制后，CN状态学习者比例下降，CS状态学习者进一步提升，该情况也恰好反映了协作增效机制对于协作交互的提升是有效的。

（三）學习者认知负荷与绩效水平差异分析

为了验证增效机制相较常规协作学习造成的认知负荷与学习成绩影响，本研究基于认知负荷与课程成绩开展进一步实证效果分析。首先，采用经典Paas认知负荷量表[21]对认知负荷进行测量，其Cronbach's α系数为0.74，表明量表信度良好。测量过程从感知到的心理努力与感知到的难度水平两个维度，以9级评分制进行打分评测，1代表付出最少努力和非常容易，9表示非常努力与非常困难。之后获取实验组与对照组学习者的最终课程成绩（满分100分），检验增效机制对于学习效果的提升情况。

综合量表总分与课程得分情况，分别对实验组与对照组进行进一步测量与分析。首先从学习者初始条件以及上述协作活动前期的演化差异可以判定，实验组与对照组学习者的初始认知负荷和知识水平差异不大。之后，在完成问卷完整性确认后使用SPSS 24.0对两组的认知负荷与测试得分结果进行独立样本t检验，其最终结果见表3。

由上表可知，在认知负荷方面，实验组测得均值相较对照组有少许增加（+0.32），该结果符合认知负荷理论假设，即额外的活动交互过程会增加学习者的认知负荷;而基于独立样本t检验结果显示，实验组与对照组并没有显著差异（p=0.835>0.05），这在一定程度上反映了增效机制中所考虑的实施代价因素是有必要且有效的。在测试得分方面，实验组相较对照组具有显著差异（p=0.010<0.05），且在均值方面具有较大的提升（+6.35），说明了增效机制的应用可以显著提升在线协作学习效果;此外，对照组的测试得分标准差要明显高于实验组6.71，说明自然演化的协作学习者存在成绩离散程度偏高现象，也侧面反映出协作增效机制一定程度上可以减少协作学习中学习者离群、边缘化等问题;同时结合图4的过程呈现可以推断，协作增效机制可以促使已完全掌握但不愿意分享的学习者再次投入协作活动，实现知识的进一步分享，从而达到提升协作学习整体效果的目的。

六、结   语

认知负荷理论与AI技术的迭代与更新，为在线协作学习的状态精准感知与提质增效提供了有力支持。本研究通过确立在线协作学习的构成维度与关键指标，以此提出协作状态量化表示、建立演化网络与协作增效方法，并基于在线平台真实场景应用与实证分析验证了方法科学性与有效性。上述方法的提出从数据科学角度，一定程度上解决了协作过程量化与表征问题，为在线协作学习的提质增效提供切实可行方案。然而，受限于实验应用场景所用平台数据维度较少、平台接口不开放的客观条件，也存在协作状态划分的粒度较粗、实验过程的相关数据采集分析与干预过程未能完全按预设情况进行，最终主要通过分阶段的数据导出分析与结果呈现，致使分析规模与干预方式存在一定的限制。因此，后续拟围绕以下内容继续深入研究：采集更大规模数据，针对更多的协作学习状态维度，实现更为细粒度的协作学习指标分析与状态识别;进一步完善相应功能服务，在可扩展系统中进行功能部署应用，以提供更为实时与智能化的协作学习支持。

[参考文献]

[1] 赵建华，李克东.信息技术环境下基于协作学习的教学设计[J].电化教育研究，2000（4）：7-13.

[2] 伯尼·特里林，查尔斯·菲德尔.21世纪技能：为我们所生存的时代而学习[M].天津：天津社会科学院出版社，2011.

[3] FU Q K， HWANG G J. Trends in mobile technology-supported collaborative learning： a systematic review of journal publications from 2007 to 2016[J]. Computers & education， 2018， 119： 129-143.

[4] ZAMBRANO J， KIRSCHNER F， SWELLER J， et al. Effects of group experience and information distribution on collaborative learning[J]. Instructional science， 2019， 47（5）： 531-550.

[5] SWELLER J. Element interactivity and intrinsic， extraneous， and germane cognitive load[J]. Educational psychology review， 2010（22）： 123-138

[6] 查先进，黄程松，严亚兰，郭佳.国外认知负荷理论应用研究进展[J].情报学报，2020，39（5）：547-556.

[7] KIRSCHNER P A， SWELLER J， KIRSCHNER F， et al. From cognitive load theory to collaborative cognitive load theory[J]. International journal of computer-supported collaborative learning， 2018， 13（2）： 213-233.

[8] ZHENG L， LI X， ZHANG X， et al. The effects of group metacognitive scaffolding on group metacognitive behaviors， group performance， and cognitive load in computer-supported collaborative learning[J]. The internet and higher education， 2019， 42： 13-24.

[9] 郭绍青.“互联网+教育”对教育理论发展的诉求[J].华东师范大学学报（教育科学版），2019，37（4）：25-37.

[10] 彭文辉，王中国，上超望，史玲玲.学习共同体演化动态及其参与者交互模式研究——数据驱动的社会认知网络分析[J].电化教育研究，2021，42（11）：69-76.

[11] 中共中央，国务院.中国教育现代化2035[EB/OL]. （2019-02-23）[2022-03-11]. http：//www.gov.cn/xinwen/2019-02/23/content_ 5367987.htm.

[12] 新华社.中共中央国务院关于深化教育教学改革全面提高义务教育质量的意见[EB/OL]. （2019-07-08）[2022-03-11]. http：//www.gov.cn/zhengce/2019-07/08/content_5407361.htm.

[13] JANSSEN J， KIRSCHNER P A. Applying collaborative cognitive load theory to computer-supported collaborative learning： towards a research agenda[J]. Educational technology research and development， 2020， 68（2）： 783-805.

[14] O'DONNELL E， LAWLESS S， SHARP M， et al. A review of personalized e-learning： towards supporting learner diversity[J]. International journal of distance education technologies， 2015， 13（1）： 22-47.

[15] 黄昌勤，王希哲，张冬冬，梅晓勇，周宇文.学习云空间支持下的研究性学习研究与实践[J].中国电化教育，2015（8）：21-28.

[16] 李洋洋，刘三女牙，陈增照，方静，何秀玲.学习空间融合视域下协作学习模型构建研究[J].中国远程教育，2022（3）：42-50，60.

[17] PENNINGTON J， SOCHER R， MANNING C D. Glove： global vectors for word representation[C]// Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing （EMNLP）. Doha： 2014： 1532-1543.

[18] NUHOGLU H. The effect of deduction and induction methods used in modelling current environmental issues with system dynamics approach in science education[J]. Participatory educational research， 2020， 7（1）： 111-126.

[19] 郑兰琴，张璇.数据驱动的协作学习活动设计与优化策略研究[J].中国电化教育，2020（6）：120-129.

[20] BONGINI M， FOMRNASIER M， ROSSI F， et al. Mean-field pontryagin maximum principle[J]. Journal of optimization theory and applications， 2017， 175（1）： 1-38.

[21] PAAS F G W C， VAN MERRI？魮NBOER J J G. Instructional control of cognitive load in the training of complex cognitive tasks[J]. Educational psychology review， 1994， 6（4）： 351-371.

Study on Synergistic Mechanism of Online Collaborative Learning from A Cognitive Load Perspective

WANG Xizhe，  TU Yaxin，  ZHANG Linjie，  HUANG Qionghao

（Key Laboratory of Intelligent Education Technology and Application of Zhejiang Province， Zhejiang Normal University， Jinhua Zhejiang 321004）

[Abstract] As a social cognitive learning mode in the cross spatial and temporal context， the effective perception of the process state and activity optimization of online collaborative learning are essential for solving the imbalance of cognitive load in group learning and promoting the high-quality co-development. To this end， this paper aims to analyze the state of the online collaborative learning process and guide its appropriateness by integrating collaborative cognitive load theory and intelligent technology to implement and verify the quantitative method and collaborative efficiency mechanism of the online collaborative learning process. This study firstly establishes the framework of online collaborative learning based on collaborative cognitive load theory， and quantitatively characterizes the key elements of online collaborative learning in terms of learners' collaborative states and task activities. Then， an online collaborative evolutionary network is constructed to analyze the evolution of each state and characterize the trend of online collaborative learning process， and a collaborative efficiency mechanism based on optimal control is proposed. Finally， the above process quantification method and efficiency mechanism are verified through practical application and effect analysis. The experimental results show that the collaborative efficiency mechanism proposed in this study can significantly improve the overall collaborative learning effect without affecting the cognitive load of learners， which provides a new idea for the development of the deep integration of cognitive science， intelligent technology and online collaborative learning.

[Keywords] Online Collaborative Learning; Cognitive Load Theory; Quantification of Collaboration State; Evolutionary Model; Synergistic Mechanism

[作者簡介] 王希哲（1992—），男，河南桐柏人。讲师，博士，主要从事在线学习、教育大数据、人工智能教育应用研究。E-mail：xzwang@zjnu.edu.cn。

基金项目：2021年度国家自科基金青年项目“在线教育中基于注意力网络的认知负荷量化与干预研究”（项目编号：62007031）;2020年度浙江省“钱江人才计划”特殊急需人才（D类）项目（项目编号：QJD2002019）