当前海外自我调节学习的研究新进展.docVIP

当前海外自我调节学习的研究新进展 　　大数据、数据挖掘和人工智能应用的主要目的是实现个性化学习，即按照学习者自身的情况开展学习，在学术上个性化学习通常被归入“自我调节学习（Self-Regulated Learning，简称SRL）”研究领域。本文介绍了海外自我调节学习的流行理论框架，如自我调节学习的各个组成部分。研究者们发现：在学习过程中，对学习经验的准确监控是有效的自我调节的关键，而对于学习判断的各种准确性的衡量标准，在评估监控准确性的结构时也有不同。因此，提高元认知监控技能的相对准确性十分重要，而学习策略的指导作用并不足以改善监控。 　　● 支持有效的自我调节学习：监控的关键作用 　　如果一个学生在一个晚上有多项作业要完成，包括读几篇生物学文章和一组社会研究的读物。在这样的情况下，学生必须对自己的学习行为进行规范和监控，如什么时候读、读什么、读多少。在此过程中，重要的是学生能够辨别哪些读物已经理解得很好，哪些没有理解好，这就要求学生要积极地、有意识地监控正在进行的学习过程。只有通过准确的监控，学生才能进行有效的自我调节学习。因此，在学习文章的过程中，提高学生的监控能力是非常重要的。 　　Hacker（1998）介绍了两种不同的“监控方法”，其中一种方法主要是认知心理学家来操作使用，通过让学生公开判断现有的理解水平，并将其与学生的心理表征质量的客观测量数据进行比较，从而对学习进行监控，即学习判断（Judgments of Learning，简称JOLs）。这种研究方法的重点是确定哪些条件支持准确的监控。 　　相比之下，另一种主要是教育研究人员操作使用的方法，且倾向于使用诸如“理解监控”这样的术语，同时也包括监控目标、使用和监控策略及监控学习。通常，这种方法通过支持使用特定的学习和学习策略来改进自我调节学习，并利用诸如策略知识和使用的自我报告量表等进行评估，而不是对正在进行的学习进行精确监控。 　　这两种方法都以30多年前Flavell（1979）提出的元认知的原始概念为基础，并反映在自我调节学习的现代模型中（如下图）。图中的递归循环中，内部元认知经验与当前学习相关联，且能够得出学习者必须进行自我监控以判断他们的实际学习进度并且对认知行为进行及时修改（即调节）。否则，不全面且经常错误的先验知识将会误导学习者。在模型的中心，有一些策略引导学习者参加由自我监控行为产生的元级体验，被称为监控策略，用来强调只有一组策略所提供的直接监控作用，它与大多数自我调节学习研究中探索策略的“对象―层次”认知处理作用不同，只有这些经验监控策略才是监控循环的一部分。 　　● 元认知知识和认知信念对自我调节学习的影响 　　改进自我调节学习的一个常见方法是学习者对学习策略的认识和使用。上页图中从左到右的底部路径代表了元认知知识通过影响初始策略的选择对学习效果产生直接影响，这可能需要有效的策略（如阅读后进行总结）与其他先例因素（关于任务、主题、内容）的相互作用。在这个模型中，元认知知识作为直接影响学习的对象层次的认知过程，意味着策略使用和学习成果之间的可观察到的关系可能完全发生在监控循环之外，而且无法根据这种关系的存在来确定监控是否准确，甚至不能确定学习过程是否能被监控。事实上，在大多数的自我调节学习模型中，许多形式的策略知识可以直接影响学习或仅在计划阶段对策略选择产生影响，但这一点是隐含的。自我调节学习模型具有高度递归的性质，关于任务和策略的先验知识可以通过影响操作和认知结果，执行模型核心的“监控”和“控制”部分，因此，直接改善学习的策略不一定能引起对准确监控有用的元认知经验。 　　在元认知的研究中，有两种模型，第一种试图构造一个平行模型，将认知信念作为一种一般抽象的元认知知识的模型（Hofer，2004；Kitchener，1983；Kuhn，1999），而不是将认知信念融入自我调节学习的传统模式中，并将监控作为“什么监控是真实的”以及“监控和判断在认知上的主张”的真实状况（Hofer，2004），而不是监控学习过程。 　　另一种与平行的元认知模型相反，将认知信念融入到更传统的自我调节学习模型中，作为元认知知识的一个组成部分，并且作为可以促进某些学习策略的使用认知条件（WinneHadwin，1998）。Flavell（1979）也将原始模型并入元认知知识的一部分。由于它们的抽象和普遍性的程度，认知信念被解释为学习目标的决定因素，它与特定的策略知识相互作用，以确定实际的策略使用和认知行为的发生。 　　● 监控的准确性影响学习效果，而高度依赖有效的线索 　　自我调节学习模型中的一个中心元素是自我调节，监控循环依赖于自我评估或学习判断（JOLs），自我评估反过来又依赖于线索。自我评估的质量在很大程度上取决于线索的质量。Koria