复杂问题解决中的认知投入动态演化研究

[摘" "要] 当今社会的动态性对学习者的复杂问题解决能力提出了前所未有的要求，学习者解决复杂问题时的认知投入直接影响任务完成的效率和质量。研究以设计类问题解决为背景，采集学习者的皮肤电数据，提出一种基于同步生理响应事件的认知投入测量方法。研究重点探究了学习者在复杂问题解决中的认知投入动态演化特征，并分析其与个人及小组绩效的关联，最终使用随机森林算法构建绩效的预测模型。研究发现：小组在解决复杂问题时，同步生理响应事件频次逐渐增加；在个体层面，学习者的投入敏捷度和持久度展现出显著的动态演化；在小组层面，高绩效小组在投入强度和同步性上变化显著，而低绩效小组仅在投入持久度上体现出明显变化；在所有特征中，方案生成阶段的投入敏捷度是预测个人绩效的关键因素，而观点交流阶段的投入持久度则对小组绩效具有最佳预测效果。研究拓展了复杂情境下认知规律的识别方法，同时对提升学生复杂问题解决能力提供了实证依据。

[关键词] 复杂问题解决； 认知投入； 同步生理响应事件； 动态演化； 学习预测

[中图分类号] G434" " " " " " [文献标志码] A

[作者简介] 田浩（1994—），男，山东滨州人。讲师，博士，主要从事智能教育与多模态学习分析研究。E-mail：tianhao@mail.bnu.edu.cn。

一、引" "言

人工智能等前沿技术持续涌现，推动着人类社会演化为动态和不确定的复杂系统，复杂问题解决能力也已成为新时代学习者必备的关键素养。学习者进行复杂问题解决时需要实现深度认知投入，从而促进深层次的知识建构和实质性的交流互动，推动复杂问题的有效解决。而生理测量技术的发展则为精准捕捉和分析复杂问题解决中的认知投入提供了手段[1]。现有研究主要聚焦于使用生理数据来表征认知投入整体水平[2]，对其演化过程关注不足。复杂问题解决本质上是一个动态过程，认知投入演化往往与特定事件密切相关[3]。基于此，本研究依据皮肤电数据，构建一种复杂问题解决中的关键事件识别方法，并量化每个事件对应的认知投入水平，进而揭示认知投入的动态演化趋势，同时探究其与个体和小组绩效的关联关系，为深入理解复杂问题解决中的认知投入规律提供实证依据。

二、文献综述

（一）复杂问题解决中的认知投入

复杂问题本质上属于劣构问题，体现出问题描述的模糊性、相关信息的不完整性，以及解决方案的多样性等特征[4]。D？觟rner与Funke等人提出了复杂问题解决的操作性定义，将其视为“动态环境中为实现常规行动无法达到的非明确目标，所需的自我调节心理过程和活动集合”[5]。复杂问题解决过程与诸多认知要素密切相关，例如认知推理、记忆容量、心流体验等。其中，认知投入尤其被研究者重点关注。Zhoc等人认为，认知投入是指花费心理资源去理解复杂想法，以便满足任务要求，并有效应对挑战的状态[6]。

复杂问题解决中的认知投入具有动态性特点。Rotgans等人通过问卷，从参与度、坚持性、心流体验等维度调查学生在问题解决过程中认知投入的变化，发现学生的认知投入水平逐步增强[7]；Zhou在一项问题解决活动中，使用内容分析法对学习者的互动文本进行编码，从中挖掘认知投入的演化规律，发现高绩效小组表现出更频繁的观点阐述模式[8]。

上述传统的分析方法容易对学习者的自然学习过程造成干扰，而随着生理分析技术的进步，对认知投入动态演化规律进行非侵入、无感知的分析成为可能。Tang等人在协作问题解决活动中使用脑电测量学习者的认知投入变化，通过分析学习者脑波各频段的激活状态，发现学习者在问题解决阶段的认知投入高于问题概念化阶段[2]；Li等人基于学生的31项面部特征，在真实的推理任务中观察到高绩效学习者在深度学习行为中体现出更高的认知投入水平[9]。

（二）生理信号中的关键事件

由于学习者的认知资源有限，难以长时间维持高水平的认知投入状态。因此，相较于关注完整的问题解决过程，研究者建议更应聚焦问题解决中的关键事件[10]。这些关键事件更具教育意义，更能反映认知投入的关键特征。

在生理信号中，皮肤电信号经常用于识别关键事件。研究表明，学习者的心理资源在关键事件中更容易被唤醒，导致皮肤电水平升高[11]。同时，在复杂问题解决的协作任务中，不同小组成员的生理信号存在一定的同步性。Dindar等人基于此开发了一种同步生理响应事件的识别方法，通过在滑动窗口内检测所有成员皮肤电信号的波峰来标记关键事件。研究发现，关键事件可以揭示问题解决的阶段转换，高绩效小组体现出更加有序的协作模式，而低绩效小组则表现出更多的随机性[3]。Nguyen等人的研究进一步证实，关键事件能够显著促进复杂问题解决中的调节和互动行为，从而提升问题解决效率[12]。

（三）研究问题

现有研究大多将关键事件与认知投入进行关联分析，但未能深入探讨关键事件本身蕴含的认知投入信息。基于此，本研究扩展了Dindar等人提出的同步生理响应事件识别方法，在识别关键事件的基础上，进一步通过分析皮肤电信号的形态特征来提取认知投入测量指标，并探讨其与个人及小组绩效的关联。本研究旨在解决下列研究问题：（1）在复杂问题解决的不同阶段，学习者的同步生理响应事件是如何分布的？（2）个人认知投入的动态演化特征与个人绩效有何关联？（3）小组认知投入的动态演化特征与小组绩效有何关联？（4）认知投入的动态演化特征能否有效预测个人及小组绩效？

三、基于同步生理响应事件的认知投入

测量方法

（一）同步生理响应事件的识别

皮肤电信号对学习投入分析具有高敏感性，因其能够精确捕捉交感神经系统激活时的生理、情感和认知反应，与学习投入的维度吻合。

皮肤电信号由基础组分和相位组分构成。前者反映皮肤电信号的整体趋势；而后者则揭示其瞬时波动，产生相应的皮肤电导反应（Skin Conductance Response，简称SCR）。因此，本研究基于相位组分进行同步生理响应事件识别，包括三个步骤：皮肤电信号分解、SCR检测、滑动时间窗口分析。

1. 皮肤电信号分解

采用截止频率为0.05Hz的巴特沃斯滤波器，滤除低频成分，只保留快速变化的相位组分。

2. SCR检测

采用阈值为0.1μS的局部最大值算法来检测SCR中的峰值（Peak），SCR的起始点（Onset）则通过反转信号，并应用相同的算法来定位信号的局部最低点。另外，当信号下降至峰值一半的水平时（Half Recovery），即表示SCR已恢复至基线状态。因此，从起始点到半恢复点的过程定义了一个完整的SCR。

3. 滑动时间窗口分析

首先，将小组成员的皮肤电信号进行时序对齐，分别检测每位学习者的SCR；其次，根据Dindar等人的研究结论，设定1.5秒时间窗口，并采用0.25秒的步长，从时间序列起始到结尾进行窗口滑动[3]；最后，若在特定的时间窗口内，所有成员均检测出SCR，则将该窗口标记为同步生理响应事件。分析过程如图1所示。

（二）基于同步生理响应事件的认知投入测量指标

本研究参考Zhoc等人的研究，将认知投入视为心理资源付出程度[6]。在SCR周期内，当学习者面临复杂问题时，心理资源的激活导致皮肤电水平升高直至峰值；随着学习者通过自我调节逐步适应学习任务，皮肤电水平随之下降并恢复至基线。

基于此，在个体层面，本研究采用三个关键指标来衡量复杂问题解决过程中的认知投入水平，分别是心理资源投入强度（简称“投入强度”，Intensity）、心理资源投入敏捷度（简称“投入敏捷度”，Agility）和心理资源投入持久度（简称“投入持久度”，Endurance）。

在小组层面，通过计算小组成员相应指标的平均值，得出小组总体的投入强度、敏捷度和持久度。此外，本研究还分析了认知投入的同步性（简称“投入同步性”，R），采用互相关算法来计算组内不同成员皮肤电信号之间的相似度，以衡量小组成员在复杂问题解决过程中的协同程度。

各指标的描述及相应计算公式见表1。

四、研究设计

（一）研究对象

本研究招募了来自北京市某高校的183名学习者作为研究对象，包括27名男生和156名女生，所有人均具备协作学习经验，但未系统接受过与任务主题相关的学习。学习者被随机分为61个小组，每个小组由3人组成。

（二）复杂问题解决活动设计

本研究设计了一项名为“海绵校园设计”的协作任务，从问题类型上看，属于复杂问题中的设计类问题。学习者需要通过协作完成一份集渗水、蓄水、净水功能于一体的海绵校园设计方案。

活动流程划分为三个关键阶段：问题理解、观点交流和方案生成。在问题理解阶段，学习者了解海绵校园的常见设施与建设方法，通过讨论形成对任务的共识；在观点交流阶段，学习者结合现有资料发表观点，并对同伴的观点进行质疑和澄清；在方案生成阶段，学习者通过团队协作完成方案的细节设计，并反思设计方案的合理性和有效性，最终绘制出海绵校园的设计方案。

（三）研究工具

1. Empatica E4便携式生理腕带

本研究使用Empatica E4腕带进行皮肤电信号的收集，采样频率为4Hz。原始信号需要进行预处理：首先，将超过均值三个标准差的数据点标记为缺失值，采用最近邻法进行填补；其次，通过启发式阈值控制的五层小波去噪技术，对信号进行平滑处理；最后，将任务开始前五分钟内的平静状态信号作为基线数据，通过比例映射的方式将皮肤电信号标准化，消除个体固有生理差异的影响。

2. 问题解决方案评价量规

问题解决方案评价量规用于评价小组绩效。本研究参考柏毅等人的研究[13]，从问题理解、方案可行性、方案易用性和成本控制四个维度对海绵校园设计方案进行评价。结合相关领域专家的建议，将四个维度的评分权重分别设置为20%、50%、15%、15%。

3. 协作贡献量表

协作贡献量表用于评价个人绩效。本研究参考陈素平[14]构建的问题解决贡献量表，从积极参与、愿意沟通、提出想法和形成共识四个维度对学习者在复杂问题解决过程中的贡献进行评价，量表共包括10道题目，每道题目均采用李克特五级评价。

（四）数据收集与分析

1. 数据收集

协作过程中，每位学习者在非惯用手的手腕处佩戴Empatica E4生理腕带。在数据预处理阶段， 6位学习者因腕带佩戴不当导致数据缺失，被排除在正式分析之外。最终，共有177名学习者的数据被纳入分析。研究人员详细记录了完整的问题解决过程，并依据活动的三个阶段（问题理解、观点交流和方案生成），人工将每位学习者的皮肤电信号数据切分为相应的三个部分。

协作结束之后，两位研究人员根据问题解决方案评价量规，独立对每个小组的设计方案进行评分，最终取两位评分者的均值用于表征小组绩效。学习者则在任务结束后，使用协作贡献量表进行自我评价与同伴评价。采用Conway等人提出的个人贡献度分析方法，计算每位学习者在复杂问题解决过程中的贡献权重，将该权重与问题解决方案得分相乘得出个人绩效[15]。

2. 数据分析

使用Shapiro-Wilk方法进行正态检验，结果显示同步生理响应事件数量与认知投入动态演化特征均不符合正态分布。

针对问题一，本研究识别每个小组在复杂问题解决三个阶段的同步生理响应事件，并使用弗里德曼双向秩方差分析比较事件数量在各阶段的分布差异。

针对问题二，本研究计算每位学习者在三个阶段的投入强度、敏捷度和持久度。并基于个人绩效排名，将学习者分为高绩效者（前50%）和低绩效者（后50%）。随后使用弗里德曼双向秩方差分析比较学习者在各阶段认知投入动态演化特征的差异。

针对问题三，本研究计算每个小组在三个阶段的投入强度、敏捷度、持久度及投入同步性。并基于小组绩效排名，将小组分为高绩效组（前50%）和低绩效组（后50%）。随后使用弗里德曼双向秩方差分析比较小组在各阶段认知投入动态演化特征的差异。

针对问题四，本研究分别将学习者个体和小组在三个阶段的认知投入指标作为特征集合，并分别以个人绩效和小组绩效作为目标变量，构建相应的预测模型。

研究流程如图2所示。

五、研究结果

（一）同步生理响应事件在复杂问题解决各阶段的分布

皮肤电数据分析结果显示，在问题理解、观点交流和方案生成三个阶段，同步生理响应事件数量的比例分别为29.7%、34.2%和36.1%。方差分析结果表明，上述事件在各阶段的分布具有显著差异（χ2=14.428，p=0.001lt;0.05），问题理解阶段的同步生理响应事件数量显著少于观点交流阶段（F=2.901，p=0.004lt;0.05）与方案生成阶段（F=3.528，p=0.000lt;0.05）。

（二）认知投入动态演化特征与个人绩效的关联

本研究探究认知投入动态演化特征与个人绩效的关联，如图3所示。

方差分析结果显示，在投入强度方面，高绩效学习者在每个阶段均高于低绩效学习者，但两类学习者在各阶段的投入强度变化均未达显著性水平（高绩效学习者：χ2=4.717， p=0.095gt;0.05；低绩效学习者：χ2=2.264， p=0.322gt;0.05）。在投入敏捷度方面，高绩效学习者在各阶段均要高于低绩效者。高绩效学习者的投入敏捷度在不同阶段存在显著差异（χ2=6.717， p=0.035lt;0.05），其中问题理解阶段显著低于观点交流阶段（F=1.990，p=0.047lt;0.05），且观点交流阶段显著低于方案生成阶段（F=2.433，p=0.015lt;0.05）。低绩效学习者亦存在显著差异（χ2=6.681， p=0.035lt;0.05），其中问题理解阶段显著低于观点交流阶段（F=2.372，p=0.018lt;0.05）和方案生成阶段（F=2.075，p=0.038lt;0.05）。在投入持久度方面，高绩效学习者在问题理解阶段远高于低绩效学习者，但在后续两个阶段，两类学习者则无明显区别。高绩效学习者的投入持久度在不同阶段间存在显著差异（χ2=7.627，p=0.022lt;0.05），其中观点交流阶段显著低于问题理解阶段（F=2.748，p=0.008lt;0.05）和方案生成阶段（F=2.546，p=0.013lt;0.05）。低绩效学习者则是方案生成阶段显著高于问题理解阶段（F=3.104，p=0.002lt;0.05）和观点交流阶段（F=2.942，p=0.005lt;0.05）。

（三）认知投入动态演化特征与小组绩效的关联

本研究同样分析了认知投入动态演化特征与小组绩效之间的关联，如图4所示。

方差分析结果显示，在投入强度方面，高绩效组在复杂问题解决的不同阶段间存在显著差异（χ2=8.267，p=0.016lt;0.05），其中问题理解阶段显著低于方案生成阶段（F=2.840，p=0.005lt;0.05）。与之相比，低绩效组则未呈现显著差异（χ2=0.483，p=0.786gt;0.05）。在投入敏捷度方面，高绩效组在各阶段均高于低绩效组。但两类小组投入敏捷度的变化均未达到显著性水平（高绩效组：χ2=4.467，p=0.107gt;0.05；低绩效组：χ2=3.310，p=0.191gt;0.05）。在投入持久度方面，高绩效组未呈现显著差异（χ2=0.467，p=0.792gt;0.05），而低绩效组则存在显著差异（χ2=7.655，p=0.022lt;0.05），其中观点交流阶段显著低于方案生成阶段（F=2.757，p=0.006lt;0.05）。在投入同步性方面，高绩效组在不同阶段间存在显著差异（χ2=7.938，p=0.020lt;0.05），其中问题理解阶段显著低于方案生成阶段（F=2.452，p=0.011lt;0.05）。与之相比，低绩效组的投入同步性在不同阶段间则未呈现显著差异（χ2=5.267，p=0.072gt;0.05）。

（四）认知投入动态演化特征对个人及小组绩效的预测效果

本研究采用随机森林算法，构建了个人及小组绩效的预测模型。个人绩效预测模型以学习者个体在复杂问题解决三个阶段的投入强度、敏捷度、持久度为预测变量，而小组绩效预测模型则进一步纳入了投入同步性指标。两种模型均设置最大树深度为10，决策树数量为100，并通过Bootstrap重采样技术增强模型的稳健性。

五折交叉验证结果显示，个人绩效与小组绩效的预测准确率分别达到71.04%与86.83%，表明模型具有较好的预测效果。进一步借助信息增益进行特征重要性分析，结果见表2。

六、讨论与展望

（一）研究发现与讨论

1.同步生理响应事件为测量认知投入提供了一种可靠的集体视角

本研究采用同步生理响应事件识别技术，捕捉小组成员共同的生理唤醒，减少了非认知因素对皮肤电生理指标造成的干扰。研究结果显示，随着复杂问题解决过程的推进，同步生理响应事件的数量呈现递增趋势。一方面，伴随协作的逐步深入，学习者之间的认知体验和心理资源的激活模式趋于同步。另一方面，问题解决方案本身可以作为认知过程的支架[16]，为学习者的协作活动提供了载体。学习者的认知过程愈发结构化，因此生理响应更容易“同频共振”。

2.个体认知投入的动态演化规律在不同绩效学习者之间存在显著差异

本研究发现，两类学习者的投入强度无显著变化，这表明学习者在面对复杂问题时的心理资源投入量保持相对稳定。然而，高绩效学习者的投入强度普遍高于低绩效学习者，体现了高绩效学习者能够更有效地监控和调节心理资源的使用，保持持续投入状态。

高绩效学习者的投入敏捷度随复杂问题的解决呈逐步上升趋势，而低绩效学习者在初期增长迅速，在后续阶段增长放缓。表明随着问题解决的深入，高绩效学习者更能够适应性地优化学习策略，提高心理资源的使用效率。

最后，高绩效学习者的投入持久度呈现先下降后上升的“V”字形趋势，而低绩效学习者则在前期缓慢提升、后期增长迅速。根据协同知识建构理论，知识的形成经历了提出观点、观点分歧，再到观点整合的过程[17]。在问题理解阶段，高绩效学习者更倾向于通过深思熟虑，持续投入心理资源感知和内化信息，进而形成个人观点；而低绩效者由于缺乏动机或缺少对问题信息的结构化理解，导致其未能形成稳固的个人观点。在观点交流和方案生成阶段，两类学习者观点均由多样性趋于一致性，因此呈现出相似的递增趋势。

3.群体认知投入的动态演化规律在不同绩效小组之间存在显著差异

高绩效小组在群体的投入强度上呈现出逐步提升的趋势，这体现了认知投入的协同效应。集体认知理论认为，小组通过达成共识，可以形成共享的知识系统，从而扩展并突破个体局限[18]。高绩效小组能够通过成员间的信息共享和优势互补，有效提升群体的心理资源投入强度。

高绩效小组在投入同步性上也呈现出逐步提升的趋势。从成员关系角度来看，高绩效小组能够建立学习者之间的积极互赖，形成团队的协作规范以及对任务目标的共识，从而提升认知投入同步性。

与高绩效小组相比，低绩效小组在群体的投入持久度上表现出更明显的波动，呈现出“V”字形变化趋势。这反映出高绩效小组的心理资源投入更为均衡和稳定。尤其在观点交流阶段，高绩效小组的投入持久度更高，这可能归因于高绩效小组建立了更为有效的沟通机制和协作策略。

4.认知投入的动态演化特征能够有效预测个人及小组绩效

在个人绩效的预测模型中，方案生成阶段投入敏捷度的特征重要性最高，表明学习者能否在形成问题解决方案时快速调动心理资源，将为学生的小组贡献奠定基础，因为该特征通常与学生的创新思维和问题解决能力紧密相关[19]。紧随其后的特征是问题理解阶段的投入持久度，这反映了学习者在复杂问题解决之初，能否深思熟虑地细致分析问题，并建立坚实的问题理解，也将极大影响其在任务中的贡献度。

在小组绩效的预测模型中，观点交流阶段的投入持久度作为最重要的特征，凸显了小组成员在该阶段持续投入心理资源对小组绩效的显著影响，这与成员之间开展深入讨论并形成信息整合能力密切相关。另外，方案生成阶段的投入同步性也是重要特征，体现了小组在形成问题解决方案时的观点整合程度，因此对小组绩效的影响也较为显著。

（二）研究不足与展望

本研究采集学习者参与复杂问题解决任务时的皮肤电数据，通过识别同步生理响应事件，对学习者的认知投入动态演化规律进行深入探讨。研究结果揭示了认知投入与学习者个人及小组绩效之间的关联，并在理论和实践层面为未来研究提供了参考。

然而，本研究在以下方面仍存在不足：首先，同步生理响应事件未能充分考虑学习者个体的独特认知体验，未来应进一步探索从个体层面识别和理解关键事件，以获得更加全面的研究视角；其次，同步生理响应事件背后的成因尚不明确，例如教学和互动等关键行为均可以促进事件的发生，未来需运用多模态数据，进一步剖析同步生理响应事件的发生机制；最后，本研究的发现仅基于特定的问题情境，未来应进一步丰富问题解决类型，检验其适用性和有效性。

[参考文献]

[1] 牟智佳． 多模态学习分析：学习分析研究新生长点[J]． 电化教育研究，2020，41（5）：27-32，51．

[2] TANG H T， DAI M， DU X， et al． Understanding college students' cognitive engagement in online collaborative problem-solving：a multimodal data analysis[J]． Distance education，2023，44（2）：306-323．

[3] DINDAR M， J？魧RVEL？魧 S， NGUYEN A， et al． Detecting shared physiological arousal events in collaborative problem solving[J]．Contemporary educational psychology，2022，69：102050．

[4] 张生，任岩，骆方． 学生高阶思维能力的评价：复杂问题解决的测量述评[J]． 中国特殊教育，2019（10）：90-96．

[5] D？魻RNER D， FUNKE J． Complex problem solving： what it is and what it is not[J]． Frontiers in psychology，2017，8：1153．

[6] ZHOC K C H， WEBSTER B J， KING R B， et al． Higher education student engagement scale （HESES）： development and psychometric evidence[J]． Research in higher education，2019，60（2）：219-244．

[7] ROTGANS J I， SCHMIDT H G． Cognitive engagement in the problem-based learning classroom[J]． Advances in health sciences education，2011，16（4）：465-479．

[8] ZHOU J， YE J M． Investigating cognitive engagement patterns in online collaborative learning： a temporal learning analytic study[J]．Interactive learning environments，2024：1-17．

[9] LI S， LAJOIE S P， ZHENG J， et al． Automated detection of cognitive engagement to inform the art of staying engaged in problem-solving[J]． Computers amp; education，2021，163：104114．

[10] LARMUSEAU C， VANNESTE P， CORNELIS J， et al． Combining physiological data and subjective measurements to investigate cognitive load during complex learning[J]． Frontline learning research，2019，7（2）：57-74．

[11] LOOS H M， SCHREINER L， KARACAN B． A systematic review of physiological responses to odours with a focus on current methods used in event-related study designs[J]． International journal of psychophysiology，2020，158：143-157．

[12] NGUYEN A， J？魧RVEL？魧 S， ROS？魪 C， et al． Examining socially shared regulation and shared physiological arousal events with multimodal learning analytics[J]． British journal of educational technology，2023，54（1）：293-312．

[13] 柏毅，庞谦竺，信疏桐． STEM教育评价的内容与策略[J]． 中国民族教育，2018（S1）：22-25．

[14] 陈素平． 让评价支持和促进学习——美国STEM项目学习评价的特点与启示[J]． 上海教育科研，2020（4）：18-22．

[15] CONWAY R， KEMBER D， SIVAN A， et al． Peer assessment of an individual 's contribution to a group project[J]． Assessment amp; evaluation in higher education，1993，18（1）：45-56．

[16] 田浩，武法提． 混合场景下协作认知投入的多模态表征与分析路径研究[J]． 远程教育杂志，2022，40（4）：35-44．

[17] 刘黄玲子，朱伶俐，陈义勤，等． 基于交互分析的协同知识建构的研究[J]． 开放教育研究，2005，11（2）：31-37．

[18] GIBSON C B． From knowledge accumulation to accommodation： cycles of collective cognition in work groups[J]． Journal of organizational behavior，2001，22（2）：121-134．

[19] KIPMAN U， BARTHOLDY S， WEISS M， et al． Personality traits and complex problem solving： personality disorders and their effects on complex problem-solving ability[J]． Frontiers in psychology，2022，13：788402．

Research on the Dynamic Evolution of Cognitive Engagement in Complex Problem Solving—From the Perspective of Synchronous Physiological Response Events

TIAN Hao1，" WU Fati2

（1.School of Teacher Education， Nanjing University of Information Science amp; Technology， Nanjing Jiangsu 210044; 2.School of Educational Technology， Beijing Normal University， Beijing 100875）

[Abstract] In today's society， the dynamic nature puts unprecedented demands on learners' complex problem solving ability， and learners' cognitive engagement in solving complex problems directly affects the efficiency and quality of task completion. The study collects learners' galvanic skin response data in the context of design-based problem-solving， and proposes a method for measuring cognitive engagement based on" synchronous physiological response events. The study focuses on the dynamic evolution features of cognitive engagement in complex problem-solving， analyzes its association with individual and group performance， and ultimately uses the random forest algorithm to construct a predictive model for individual and group performance. It is found that the frequency of synchronous physiological response events gradually increases when the group solving complex problems." At the individual level， learners' engagement agility and persistence demonstrate significant dynamic evolution. At the group level， high-performance groups exhibit significant changes in engagement intensity and synchronicity， while low-performance groups show significant changes only in engagement persistence. Among all features， the engagement agility in the plan generation phase is a key factor to predict individual performance， and the engagement persistence in the perspective exchange phase has the best predictive effect on group performance. The study expands the method of identifying cognitive patterns in complex situations， and provides empirical evidence for improving students' abilities to solve complex problems.

[Keywords] Complex Problem Solving; Cognitive Engagement; Synchronous Physiological Response Events; Dynamic Evolution; Learning Prediction