劉哲雨　劉暢　許博宇

[摘? ?要] 在線學習支架可用于改善學習者的計劃調(diào)節(jié)，規(guī)劃學習任務，引導學習行為，促進在線深度學習。已有計劃調(diào)節(jié)學習支架設計更多依賴經(jīng)驗，缺少基于腦加工機制的設計規(guī)則研究。文章采用功能性近紅外光譜技術動態(tài)追蹤深度學習過程的腦區(qū)激活情況，探究計劃調(diào)節(jié)學習支架對在線深度學習過程的影響機制;采用測量問卷評估支架對深度學習結果的影響。研究結論指出：深度學習基礎階段、早期階段與晚期階段，兩種類型的計劃調(diào)節(jié)學習支架均有利于激活深度學習過程的腦區(qū)，自主性計劃調(diào)節(jié)學習支架對深度學習結果的促進作用最顯著，啟示研究者優(yōu)先采用自主性計劃調(diào)節(jié)學習支架促進在線深度學習;深度學習三個階段的腦區(qū)激活情況與深度學習結果均具有正相關關系，啟示研究者可以根據(jù)腦區(qū)激活情況判斷在線深度學習是否真實發(fā)生以及發(fā)生的程度。最后，基于實驗結論提出計劃調(diào)節(jié)學習支架的設計規(guī)則及應用建議。

[關鍵詞] 計劃調(diào)節(jié)學習支架; 在線深度學習; 功能性近紅外光譜技術; 設計規(guī)則

[中圖分類號] G434? ? ? ? ? ? [文獻標志碼] A

[作者簡介] 劉哲雨（1980—），女，天津人。副教授，博士，主要從事多媒體畫面語言學與深度學習的理論及多模態(tài)實驗研究。E-mail：zheyuliu@126.com。

一、引? ?言

互聯(lián)網(wǎng)時代，知識的傳播方式發(fā)生了巨大變革，在線學習已成為最重要的學習方式之一[1]，在線學習的質(zhì)量同時被學習者與教育研究者所關注[2]。合理的學習計劃可以幫助學習者規(guī)劃學習的步調(diào)、時間和策略等，助力學習者實現(xiàn)在線學習的高階目標，提升在線學習質(zhì)量。但也有許多研究表明，在線學習中存在學習者計劃力較低的現(xiàn)象，這些學習者不能根據(jù)自身的學習需求和實際進度制定合理的學習計劃，逐步喪失學習的積極性和自信心，自發(fā)推進深層次學習存在一定的困難[3]。

學習中的計劃或規(guī)劃影響深度學習的基礎機制在于，計劃調(diào)節(jié)行為是自我調(diào)節(jié)學習的一個重要組成部分，而自我調(diào)節(jié)學習是促進深度學習的主要變量[4]。在線學習支架能夠作為外部干預方式支持學習者的計劃調(diào)節(jié)，是促進在線深度學習發(fā)生的有效途徑。

學習支架對在線深度學習的促進機制以及促進程度，是在線深度學習研究的重要內(nèi)容之一[5]。目前，學習支架的研究主要聚焦于支架的應用效果研究[6]，且支架的設計或更多依賴經(jīng)驗，或更多關注技術，較少關注不同類型學習支架對深度學習過程的影響機制以及不同支架對深度學習結果的影響差異。

因此，本研究關注計劃調(diào)節(jié)學習支架影響在線深度學習的腦加工機制，探究不同類型的支架激活腦區(qū)的方式與影響結果的程度，并基于底層機制的實驗結論提出支持在線深度學習的計劃調(diào)節(jié)學習支架的設計規(guī)則。

二、文獻綜述

（一）計劃調(diào)節(jié)學習支架的研究現(xiàn)狀與表征方式研究

學習支架是根據(jù)輔助學習機制以及最近發(fā)展區(qū)理論提出的促進學習者有效學習的干預措施和認知協(xié)助[7]，具體表征為根據(jù)學習者的需要提供一種臨時性的支持框架，使學習者更加深入地參與到他們之前不可能獨立完成的任務中，正向影響學習者的計劃調(diào)節(jié)，促進高階思維。

目前，相關研究傾向于將計劃調(diào)節(jié)學習支架界定為能夠增強計劃調(diào)節(jié)學習的交互功能。計劃調(diào)節(jié)是學習者選擇感興趣的學習主題、進行明確的目標定向、安排合理的學習順序、規(guī)劃最恰當?shù)膶W習路徑的過程[8]。其中，知識地圖正是通過可視化的方式呈現(xiàn)知識主題的各個節(jié)點以及節(jié)點間的邏輯關系，指導和引領學習者明確學習目標、規(guī)劃學習路徑，幫助學習者建立知識網(wǎng)絡，因此，被認為是一種能夠有效支持學習計劃的認知干預[9]。

學習者控制與系統(tǒng)控制是多媒體交互的主要方式，由學習者控制基于完整知識地圖的學習進程，由系統(tǒng)控制基于分段知識地圖的學習進程，是基于知識地圖的學習支架的兩種重要交互控制方式，不同的交互控制方式可能會引導出不同的計劃調(diào)節(jié)學習過程[10]。

因此，本研究將計劃調(diào)節(jié)學習支架分為學習者控制的自主性計劃調(diào)節(jié)學習支架和系統(tǒng)控制的引導性計劃調(diào)節(jié)學習支架。其中，自主性計劃調(diào)節(jié)學習支架提供完整知識地圖及其內(nèi)容鏈接，完全由學習者自主計劃學習順序進行學習;引導性計劃調(diào)節(jié)學習支架為系統(tǒng)分階段地提供計劃調(diào)節(jié)支持，學習者的學習計劃在當前階段內(nèi)完成。

（二）計劃調(diào)節(jié)學習支架促進深度學習的機制研究

自我調(diào)節(jié)是一個遞歸過程，學習者通過計劃調(diào)節(jié)促進學術任務的執(zhí)行，依據(jù)目標不斷地調(diào)整或完善計劃、定義任務和標準，在這個過程中，學習者不斷地選擇并調(diào)整策略，引發(fā)不同的認知加工行為，產(chǎn)生不同的認知加工結果[11-12]。

研究表明，與沒有使用計劃調(diào)節(jié)的學習者相比，使用計劃調(diào)節(jié)的學習者更加主動地設定專業(yè)目標并努力實現(xiàn)，更加積極地調(diào)節(jié)認知，獲得了更好的學習效果[13]。在這個過程中，計劃調(diào)節(jié)學習支架引導學習者使用他們不能自發(fā)執(zhí)行的深度學習策略，啟發(fā)學習者采取系統(tǒng)或全局的方法，這種計劃調(diào)節(jié)通常對深度學習是有效的。此外，計劃調(diào)節(jié)學習支架有助于管理學習動機，有助于形成持久的學習動力，促進學習者達到深度學習。

（三）計劃調(diào)節(jié)學習支架促進在線深度學習的多模態(tài)評價研究

有意義學習以及深度學習是大腦皮層神經(jīng)元聯(lián)結的結果。探究深度學習的腦機制對于厘清深度學習發(fā)生的作用機制具有重要意義[14]。功能性近紅外光譜技術（Functional Near-Infrared Spectroscopy，fNIRS）作為一種無創(chuàng)檢測技術，能夠對大腦皮層的腦活動進行實時檢測，它結合了fMRI高空間分辨率和ERPs高時間分辨率的優(yōu)勢[15]，已經(jīng)被廣泛應用于研究認知活動時額葉到顳葉的大腦皮層的活躍程度[16]。因此，本研究應用fNIRS技術，探究計劃調(diào)節(jié)學習支架促進在線深度學習的腦加工機制。氧合血紅蛋白（HbO）濃度的相對變化量是腦功能激活的測量指標，可以描述在不同水平的計劃調(diào)節(jié)學習支架支持下被試在深度學習的不同階段中的腦區(qū)激活水平。

在線深度學習不僅重視學習過程，也關注學習結果。在線深度學習的評價還可以結合認知測量來評估深度學習結果的水平。新知理解屬于深度學習的基礎階段;拓展遷移體現(xiàn)了學習者聯(lián)結和遷移知識的能力，屬于深度學習的早期階段[17];創(chuàng)新應用體現(xiàn)了學習者運用所學知識解決綜合問題的能力，屬于深度學習的晚期階段[18]。因此，本研究對深度學習認知行為結果的評價包含深度學習基礎階段評價、深度學習早期階段評價和深度學習晚期階段評價。

計劃調(diào)節(jié)學習支架促進在線深度學習的評價不僅需要從認知神經(jīng)層面解釋深度學習過程的發(fā)生機制[19]，還需要從認知行為層面評價深度學習的結果，多模態(tài)數(shù)據(jù)使實證研究的結論更可靠、更穩(wěn)定。

三、計劃調(diào)節(jié)學習支架影響在線深度學習的

實證研究

（一）實驗設計

研究采用單因素完全隨機實驗設計，自變量為三個不同水平的計劃調(diào)節(jié)學習支架，即無計劃調(diào)節(jié)學習支架、引導性計劃調(diào)節(jié)學習支架以及自主性計劃調(diào)節(jié)學習支架;因變量為腦區(qū)激活水平及深度學習結果。實驗流程包括準備環(huán)節(jié)、前測環(huán)節(jié)、在線學習環(huán)節(jié)和后測環(huán)節(jié)（如圖1所示）。

（二）實驗假設

面向深度學習不同階段的腦區(qū)激活水平和認知水平，本實驗提出如下假設：

H1：深度學習不同階段，不同類型的計劃調(diào)節(jié)學習支架下腦區(qū)激活水平差異顯著。證明在深度學習不同階段計劃調(diào)節(jié)學習支架的調(diào)節(jié)作用顯著，且相比于引導性計劃調(diào)節(jié)學習支架，自主性計劃調(diào)節(jié)學習支架的調(diào)節(jié)作用更加顯著。

H2：深度學習不同階段，不同類型的計劃調(diào)節(jié)學習支架下認知水平差異顯著。證明在深度學習不同階段認知水平上計劃調(diào)節(jié)學習支架的調(diào)節(jié)作用顯著，且相比于引導性計劃調(diào)節(jié)學習支架，自主性計劃調(diào)節(jié)學習支架的調(diào)節(jié)作用更加顯著。

H3：深度學習不同階段腦區(qū)激活水平與認知水平的相關系數(shù)顯著。證明深度學習不同階段計劃調(diào)節(jié)學習支架下認知水平與對應腦區(qū)的激活水平顯著相關。

（三）研究對象

本研究的實驗對象均為T城市本科生，共有50人參與本次實驗，為了控制無關變量對實驗結果的干擾，剔除先驗知識水平高、自我調(diào)節(jié)能力過低或過高、腦成像采樣率過低的被試，最終保留有效被試38名，其中，男生18人，女生20人，平均年齡21歲，所有被試無腦損傷、精神病史。被試隨機分為三組，其中，無計劃調(diào)節(jié)學習支架組13人，引導性計劃調(diào)節(jié)學習支架組14人，自主性計劃調(diào)節(jié)學習支架組11人。三組被試之間的先驗知識水平（F=0.001，p=0.999>0.05）和自我調(diào)節(jié)能力（F=1.119，p=0.336>0.05）不存在顯著差異。

（四）實驗材料

本實驗采用在線學習方式，學習材料選自認知神經(jīng)科學經(jīng)典教材之一《認知神經(jīng)科學——關于心智的生物學》（Gazzaniga等著，周曉林等譯）中《人類的記憶》章節(jié)的部分內(nèi)容，由三名專家參與確定本實驗材料。該材料綜合了典型的陳述性知識、程序性知識和策略性知識，符合常態(tài)化深度學習中復雜知識的綜合形態(tài)特征。實驗前進行了預實驗，旨在確認學習材料難度適中，并且不屬于被試的先驗知識，從而保障實驗干預能夠對被試形成學習效應。

計劃調(diào)節(jié)學習階段的學習材料主要內(nèi)容和形式是通過多媒體交互設計實現(xiàn)對學習順序和學習路徑的選擇與規(guī)劃。實驗材料中的知識地圖用于呈現(xiàn)七個與“人類的記憶”有關的知識節(jié)點。其中，自主性計劃調(diào)節(jié)學習支架設計為整體呈現(xiàn)全部知識節(jié)點，完全由學習者自主規(guī)劃學習;引導性計劃調(diào)節(jié)學習支架設計為分塊呈現(xiàn)知識節(jié)點，即學習規(guī)劃需要在當前知識模塊的范圍內(nèi)完成。

（五）測試工具

本實驗選用主觀評估工具（先驗知識評估問卷與自我調(diào)節(jié)能力自評問卷）進行前測，采用fNIRS技術監(jiān)測腦區(qū)激活情況，結合深度學習結果問卷評估認知行為結果。多維度、多層次、多模態(tài)的測量數(shù)據(jù)，立體化地揭示計劃調(diào)節(jié)學習支架對深度學習的影響機制和影響程度。

測試工具包括先驗知識評估問卷、自我調(diào)節(jié)能力自評問卷和深度學習結果問卷。先驗知識的測試題目主要考查被試對學習主題的先驗知識基礎，每道題目均采用五等級Likert主觀評價，其Cronbach's α系數(shù)值為0.822，KMO值為0.638，Bartlett球形檢驗值為0.000。若被試自評得分大于或等于12分，則被界定為具有高知識基礎的被試，即不符合實驗標準。自我調(diào)節(jié)能力自評采用Pintrich等人編制的自我調(diào)節(jié)量表[20]，包含16道題目，每道題目采用Likert7級評價，其Cronbach's α系數(shù)值為0.675，KMO值為0.684，Bartlett球形檢驗值為0.000，符合實驗標準。深度學習結果評價包括新知理解水平評價深度學習的基礎、拓展遷移水平評價深度學習的早期階段以及創(chuàng)新應用水平評價深度學習的晚期階段。所有測試題目由三名專業(yè)教師設計，測試結果由另外三名專業(yè)教師進行背對背評分，并以三個分數(shù)的均值作為最終評價結果。深度學習結果測試問卷的Cronbach's α系數(shù)值為0.803，KMO值為0.703，Bartlett球形檢驗值為0.000，符合實驗標準。

（六）實驗設備及實驗測量通道布局設置

實驗使用日本島津公司的近紅外腦成像記錄分析系統(tǒng)（LABNIRS）記錄實驗過程中被試大腦皮層的氧合血紅蛋白（HbO）的濃度變化。實驗采用國際10-20系統(tǒng)放置光極位置，共計24個光極，左右兩邊均采用2×3+3×2的排列方式，分布在前額葉皮層和左右顳葉皮層，其中12個為發(fā)射光極，12個為接收光極，相鄰兩光極構成一個信號記錄通道，共形成28個通道（如圖2所示）。

背外側前額葉皮層（包括額上回和額中回），對應通道1、2、8、9;眶額皮層（包括額上回和額中回），對應通道3、6、9、12;左側顳葉（包括顳上回和顳中回），對應通道16、18、19、20、21;額葉（包括額中回），對應通道2;左側額葉（包括額中回），對應通道4、5、7;右側額葉（包括額中回），對應通道8、10、11、13、14;右側顳葉（包括顳上回和顳中回），對應通道24、25、26、27、28;三角部額葉（包括額下回），對應通道15、22;左側島蓋部額下回，對應通道17;右側眶部，對應通道14;右側中央前回，對應通道23;右側緣上回，對應通道26。

四、研究數(shù)據(jù)分析

研究主張深度學習基礎是實現(xiàn)深度學習的前提，只有深度學習基礎階段水平符合實驗條件，才能進一步分析深度學習的早期階段和晚期階段的機制與結果。三組被試的各項測試數(shù)據(jù)的描述性分析見表1，所有進入深度學習過程及結果分析的樣本在新知理解階段均達到合格標準。

（一）深度學習不同階段腦區(qū)激活水平分析

1. 新知理解過程腦區(qū)激活水平分析

新知理解過程中，無計劃調(diào)節(jié)學習支架組、自主性計劃調(diào)節(jié)學習支架組和引導性計劃調(diào)節(jié)學習支架組氧合血紅蛋白（HbO）濃度變化的beta值的單因素方差分析檢驗結果顯示，通道8、通道9的激活水平三組之間的差異邊緣性顯著。進一步LSD事后多重比較分析結果顯示：無計劃調(diào)節(jié)學習支架組和自主性計劃調(diào)節(jié)學習支架組之間，通道9（p=0.025<0.05）的激活水平存在顯著差異;無計劃調(diào)節(jié)學習支架組和引導性計劃調(diào)節(jié)學習支架組之間，通道8（p=0.018<0.05）的激活水平存在顯著差異;自主性計劃調(diào)節(jié)學習支架組和引導性計劃調(diào)節(jié)學習支架組之間各通道的激活水平差異未達到顯著程度。

2. 拓展遷移過程腦區(qū)激活水平分析

拓展遷移過程中，無計劃調(diào)節(jié)學習支架組、自主性計劃調(diào)節(jié)學習支架組和引導性計劃調(diào)節(jié)學習支架組氧合血紅蛋白（HbO）濃度變化的beta值的單因素方差分析檢驗結果顯示，三組支架之間通道3、通道4、通道6、通道7、通道8、通道9、通道11、通道13、通道14、通道24的激活水平差異顯著，三組支架之間通道1、通道2、通道5、通道12的激活水平的差異邊緣性顯著。進一步LSD事后多重比較分析結果顯示：無計劃調(diào)節(jié)學習支架組和自主性計劃調(diào)節(jié)學習支架組之間，通道1（p=0.031<0.05）、通道2（p=0.030<0.05）、通道3（p=0.031<0.05）、通道6（p=0.017<0.05）、通道7（p=0.008<0.01）、通道8（p=0.012<0.05）、通道9（p=0.005<0.01）、通道11（p=0.013<0.05）、通道12（p=0.029<0.05）、通道13（p=0.008<0.01）、通道14（p=0.002<0.01）的激活水平存在顯著差異;無計劃調(diào)節(jié)學習支架組和引導性計劃調(diào)節(jié)學習支架組之間，通道8（p=0.028<0.05）的激活水平存在顯著差異;自主性計劃調(diào)節(jié)學習支架組和引導性計劃調(diào)節(jié)學習支架組之間，通道2（p=0.037<0.05）、通道3（p=0.016<0.05）、通道5（p=0.032<0.05）、通道6（p=0.018<0.05）、通道7（p=0.008<0.01）、通道14（p=0.012<0.05）、通道24（p=0.007<0.01）的激活水平存在顯著差異。

3. 創(chuàng)新應用過程腦區(qū)激活水平分析

創(chuàng)新應用過程中，無計劃調(diào)節(jié)學習支架組、自主性計劃調(diào)節(jié)學習支架組與引導性計劃調(diào)節(jié)學習支架組氧合血紅蛋白（HbO）濃度變化的beta值的單因素方差分析檢驗結果顯示，三組支架之間通道1、通道8、通道9、通道12的激活水平差異顯著，三組支架之間通道10、通道13的激活水平的差異邊緣性顯著。進一步LSD事后多重比較分析結果顯示：無計劃調(diào)節(jié)學習支架組和自主性計劃調(diào)節(jié)學習支架組之間，通道8（p=0.009<0.01）、通道9（p=0.022<0.05）、通道10（p=0.023<0.05）、通道12（p=0.008<0.01）、通道13（p=0.024<0.05）的激活水平存在顯著差異;無計劃調(diào)節(jié)學習支架組和引導性計劃調(diào)節(jié)學習支架組之間，通道1（p=0.015<0.05）、通道8（p=0.019<0.05）、通道9（p=0.029<0.05）、通道12（p=0.015<0.05）的激活水平存在顯著差異;自主性計劃調(diào)節(jié)學習支架組和引導性計劃調(diào)節(jié)學習支架組之間各通道激活水平未達到顯著差異。

（二）深度學習不同階段認知水平分析

1. 新知理解水平分析

新知理解水平的實驗數(shù)據(jù)分析顯示，自主性計劃調(diào)節(jié)學習支架組>引導性計劃調(diào)節(jié)學習支架組>無計劃調(diào)節(jié)學習支架組。新知理解水平數(shù)據(jù)具有方差齊性，但不符合正態(tài)分布，正態(tài)化轉換后單因素方差分析表明：三組的新知理解水平具有顯著差異[F（2，38）=12.296，p=0.000<0.001]。進一步LSD事后多重比較分析結果表明：無計劃調(diào)節(jié)學習支架組與引導性計劃調(diào)節(jié)學習支架組之間新知理解水平存在邊緣性顯著差異（p=0.054）;無計劃調(diào)節(jié)學習支架組與自主性計劃調(diào)節(jié)學習支架組之間、自主性計劃調(diào)節(jié)學習支架組與引導性計劃調(diào)節(jié)學習支架組之間新知理解水平都存在顯著差異（p=0.000<0.001，p=0.003<0.01）。

2. 拓展遷移水平分析

拓展遷移水平的實驗數(shù)據(jù)分析顯示，自主性計劃調(diào)節(jié)學習支架組>引導性計劃調(diào)節(jié)學習支架組>無計劃調(diào)節(jié)學習支架組。拓展遷移水平數(shù)據(jù)具有方差齊性，但不符合正態(tài)分布，正態(tài)化轉換后單因素方差分析表明：三組的拓展遷移水平具有顯著差異[F（2，38）=27.760，p=0.000<0.001]。進一步LSD事后多重比較分析結果表明：無計劃調(diào)節(jié)學習支架組與自主性計劃調(diào)節(jié)學習支架組之間、無計劃調(diào)節(jié)學習支架組與引導性計劃調(diào)節(jié)學習支架組之間、自主性計劃調(diào)節(jié)學習支架組與引導性計劃調(diào)節(jié)學習支架組之間拓展遷移水平都存在顯著差異（p=0.000<0.001，p=0.000<0.001，p=0.027<0.05）。

3. 創(chuàng)新應用水平分析

創(chuàng)新應用水平的實驗數(shù)據(jù)分析顯示，自主性計劃調(diào)節(jié)學習支架組>引導性計劃調(diào)節(jié)學習支架組>無計劃調(diào)節(jié)學習支架組。創(chuàng)新應用水平數(shù)據(jù)具有方差齊性，但不符合正態(tài)分布，正態(tài)化轉換后單因素方差分析表明：三組的創(chuàng)新應用水平具有顯著差異[F（2，38）=36.161，p=0.000<0.001]。進一步LSD事后多重比較分析結果表明：無計劃調(diào)節(jié)學習支架組與自主性計劃調(diào)節(jié)學習支架組、無計劃調(diào)節(jié)學習支架組與引導性計劃調(diào)節(jié)學習支架組、自主性計劃調(diào)節(jié)學習支架組與引導性計劃調(diào)節(jié)學習支架組的創(chuàng)新應用水平都存在顯著差異（p=0.000<0.001，p=0.000<0.001，p=0.008<0.01）。

（三）深度學習不同階段腦區(qū)激活水平與認知水平的關系分析

1. 新知理解過程中腦區(qū)激活水平與認知水平的關系分析

采用Pearson相關分析評價新知理解過程中激活的通道8、通道9與新知理解水平的關系。鑒于新知理解水平數(shù)據(jù)的K-S正態(tài)性檢驗結果不滿足正態(tài)分布標準，因此，需要對新知理解水平數(shù)據(jù)進行正態(tài)化轉換并展開相關性分析。Pearson相關分析結果顯示，激活的通道8與新知理解水平存在正相關關系（p=0.040<0.05），見表2。

2. 拓展遷移過程中腦區(qū)激活水平與認知水平的關系分析

采用Pearson相關分析評價拓展遷移過程中激活的通道1、通道2、通道3、通道4、通道5、通道6、通道7、通道8、通道9、通道10、通道11、通道12、通道13、通道14、通道24與拓展遷移水平的關系。鑒于拓展遷移水平數(shù)據(jù)的K-S正態(tài)性檢驗結果不滿足正態(tài)分布標準，因此，需要對拓展遷移水平數(shù)據(jù)進行正態(tài)化轉換并展開相關性分析。Pearson相關分析結果顯示，激活的通道5與拓展遷移水平存在正相關關系（p=0.005<0.01），見表2。

3. 創(chuàng)新應用過程中腦區(qū)激活水平與認知水平的關系分析

采用Pearson相關分析評價創(chuàng)新應用過程中激活的通道1、通道2、通道8、通道9、通道10、通道12、通道13與創(chuàng)新應用水平的關系。鑒于創(chuàng)新應用水平數(shù)據(jù)的K-S正態(tài)性檢驗結果不滿足正態(tài)分布標準，因此，需要對創(chuàng)新應用水平數(shù)據(jù)進行正態(tài)化轉換并展開相關性分析。Pearson相關分析結果顯示，激活的通道10與創(chuàng)新應用水平存在正相關關系（p=0.008<0.01），見表2。

五、研究結論及支架設計規(guī)則

（一）實驗研究結論

1. 計劃調(diào)節(jié)學習支架對腦區(qū)激活水平的影響

無計劃調(diào)節(jié)學習支架與計劃調(diào)節(jié)學習支架之間腦區(qū)激活水平存在顯著差異，計劃調(diào)節(jié)學習支架下腦區(qū)激活水平更為顯著;且在拓展遷移的過程中，自主性計劃調(diào)節(jié)學習支架與引導性計劃調(diào)節(jié)學習支架腦區(qū)激活水平存在顯著差異，自主性計劃調(diào)節(jié)學習支架下腦區(qū)激活水平更加顯著，部分驗證了假設1。這一結果說明，兩種計劃調(diào)節(jié)學習支架對腦區(qū)的激活作用都可以體現(xiàn)在計劃調(diào)節(jié)學習和問題解決的交互過程中，而自主性計劃調(diào)節(jié)學習支架更符合在線深度學習的腦加工機制的需求。計劃調(diào)節(jié)是自我調(diào)節(jié)的第一個階段，主要是設定目標與實現(xiàn)目標的策略計劃，其作用更多地表現(xiàn)為對后續(xù)的學習過程的引領性。計劃調(diào)節(jié)學習支架能夠調(diào)動學習者計劃調(diào)節(jié)的意識與積極性，持續(xù)提升學習者對于知識內(nèi)容的學習動機，幫助學習者更好地在學習過程中選擇深度學習策略[21]，使學習者能夠合理進行學習計劃并在隨后的學習過程中更成功地轉化為自覺行為[22]。

2. 計劃調(diào)節(jié)學習支架對認知水平的影響

不同類型計劃調(diào)節(jié)學習支架之間被試新知理解、拓展遷移、創(chuàng)新應用水平都存在顯著差異，計劃調(diào)節(jié)學習支架有利于促進個體的在線深度學習，自主性計劃調(diào)節(jié)學習支架的作用效果優(yōu)于有系統(tǒng)控制的引導性計劃調(diào)節(jié)學習支架，驗證了假設2。計劃調(diào)節(jié)要給予學習者更多的自主性，這一結論與Dignath等人的觀點基本一致[23]，他們認為當系統(tǒng)支持計劃調(diào)節(jié)時，針對計劃調(diào)節(jié)的干預對學習效果的作用不強。很多研究結論也支持自我設定的學習階段（包括情感性的個人目標和自然環(huán)境中的學習）比教師或系統(tǒng)設定的學習階段更能與個體條件相匹配以達到最佳的學習效果[24]。Manlove等人也對這一結果作出了解釋，認為學習者在使用系統(tǒng)提供的支架進行學習時，可能需要分配更多的精力來適應和控制系統(tǒng)支架提供的支持方向[25]，這可能在一定程度上增加了學習者的外在認知負荷，并降低了相關認知負荷，影響了學習效果。

3. 深度學習不同階段腦區(qū)激活水平與認知水平的相關性分析結果

激活的腦通道8與深度學習結果的新知理解水平顯著正相關，激活的腦通道5與深度學習結果的遷移應用水平顯著正相關，激活的腦通道10與深度學習結果的創(chuàng)新應用水平顯著正相關，驗證了假設3。本研究的結論與已有研究的結果一致，額葉與新知理解的心理加工過程有很強的相關性，左側額葉與拓展遷移的心理加工過程有很強的相關性，右側額葉與創(chuàng)新應用的心理加工過程有很強的相關性[26-28]。這從另一個方面啟示研究者，未來可以通過腦區(qū)激活水平判斷支架是否發(fā)揮作用：可以通過右側背外側額上回和右側額中回是否激活來判斷計劃調(diào)節(jié)學習支架是否對在線深度學習的新知理解水平產(chǎn)生有效的作用，可以通過左側額中回是否激活來判斷計劃調(diào)節(jié)學習支架是否對在線深度學習的遷移應用水平產(chǎn)生有效的作用，可以通過右側額中回是否激活來判斷計劃調(diào)節(jié)學習支架是否對在線深度學習的創(chuàng)新應用水平產(chǎn)生有效的作用。

（二）實驗結論指導下的計劃調(diào)節(jié)學習支架設計規(guī)則研究

綜合實驗結果，本研究提煉出計劃調(diào)節(jié)學習支架的設計規(guī)則，為在線學習中設計并使用計劃調(diào)節(jié)學習支架促進學習者的深度學習提供參考與借鑒。

1. 面向自主操作性支架的設計規(guī)則研究

實驗結論顯示，自主性計劃調(diào)節(jié)學習支架對深度學習的影響效果高于引導性計劃調(diào)節(jié)學習支架，因此，建議在在線深度學習的目標與需求下優(yōu)先使用自主性計劃調(diào)節(jié)學習支架。在設計基于自主操作型的計劃調(diào)節(jié)學習支架時，教育者應創(chuàng)造相對自由的計劃調(diào)節(jié)學習環(huán)境，以學習者為中心，滿足學習者的個性化需要，將滿足計劃調(diào)節(jié)學習需求的交互與控制的權限還給學習者，學習者通過個性化導航自主選擇學習內(nèi)容、學習路徑以及學習方式，在更大程度上有效促進深度學習。

在實踐中應用設計規(guī)則設計自主性調(diào)節(jié)學習支架，旨在幫助學習者根據(jù)自身的認知習慣、方式和興趣等對學習內(nèi)容進行深度加工。例如：整合網(wǎng)絡學習空間和學習支架的面向深度學習的翻轉課堂模型[29]，課前提供學習活動安排與學習支架，有助于學習者明確學習方向，支持學習者的個性化自主學習，更有利于建立知識點之間的關聯(lián)，構建完整且連貫的知識體系，這是實現(xiàn)深度學習的重要保障。

2. 指向深度學習目標的支架設計規(guī)則研究

實驗研究中，深度學習三個不同階段對應著不同的學習目標，深度學習基礎階段對應的學習目標是深度理解，深度學習早期階段和晚期階段對應的高階學習目標是遷移、問題解決和創(chuàng)新。指向不同的深度學習目標，計劃調(diào)節(jié)學習支架，尤其是自主性計劃調(diào)節(jié)學習支架中的任務型支架也需要做出相應調(diào)整。任務型支架中的學習任務可以為學習者提供計劃提示，幫助學習者明確要想實現(xiàn)下一步學習目標自己需要做什么，以及按照怎樣的先后順序去做。學習任務是實現(xiàn)學習目標的載體，是學習新知、提高遷移創(chuàng)新能力的良好驅動。將任務融入各個知識節(jié)點中，在由學習者自主選擇或系統(tǒng)協(xié)助選擇學習路徑完成任務的過程中，逐漸激發(fā)學習者學習動機，幫助學習者實現(xiàn)深度學習目標。

在對學習內(nèi)容分析與加工的基礎上，指向深度學習高階學習目標的任務型學習支架幫助學習者分解學習目標，明確需要做哪些事情。不同層次的具體學習任務作為“抓手”幫助學習者不斷向高階學習目標趨近[30]。實驗研究中，雖然自主性計劃調(diào)節(jié)學習支架對在線深度學習顯示出最優(yōu)的促進效果，但引導性監(jiān)控調(diào)節(jié)學習支架相較于無支架也可以在很大程度上促進在線深度學習。因此，在某種特殊條件限制下，采用引導性監(jiān)控調(diào)節(jié)學習支架也可以起到促進在線深度學習的作用。例如：基于OERs的自主學習環(huán)境，通過設置學習支架，幫助學習者設置階段性目標，降低任務難度，提升任務可操作性[31];系統(tǒng)為學習者自主學習提供目標并輔助學習者分解任務，當學習者明確學習內(nèi)容及其要達到的程度，將會激勵學習者的自我效能感，提高學習的效果[32]。

3. 基于實驗材料的支架設計規(guī)則研究

實驗材料中知識地圖展現(xiàn)知識節(jié)點的支架能夠幫助學習者進行計劃調(diào)節(jié)，實現(xiàn)深度學習。知識地圖是計劃調(diào)節(jié)學習支架最主要的表征方式之一，為學習者提供知識地圖、概念地圖與流程圖等概念型支架，幫助學習者分析問題、厘清脈絡，引導學習者制定相應的學習計劃[33]?？梢暬ぞ邔⒉煌愋偷闹R關系進行外顯化映射，尤其為信息迷航的學習者提供有效的導航支持和指引，因此，可視化工具多被用于呈現(xiàn)知識主題節(jié)點及節(jié)點間的邏輯關系，幫助學習者厘清知識脈絡，激活深度學習腦區(qū)，提升深度學習效果。知識地圖方式的計劃調(diào)節(jié)學習支架的本質(zhì)在于依托知識圖譜生成學習路徑[34]，學習者根據(jù)自身學習需求及興趣確定學習目標，是自由規(guī)劃最優(yōu)化的學習路徑的前提。在這類支架的設計中，需要根據(jù)知識點屬性特征、學習對象屬性特征與學習者知識掌握情況等對知識點與學習對象進行序列化。

實驗材料中自主性計劃調(diào)節(jié)學習支架設計采用“部分向導”型設計，為學習者提供學習知識節(jié)點，但由學習者自主選擇學習路徑;引導性計劃調(diào)節(jié)學習支架設計為“完全向導”型，即由在線學習系統(tǒng)決策學習者的學習路徑規(guī)劃范圍，通過“向導”指引的方式幫助學習者完成學習規(guī)劃。“向導”也可稱為指南，將問題、建議等片段性支架根據(jù)學習主題按照一定的邏輯關系進行組合、排列，形成流程圖或學習向導，此時向導支架作引導和解釋，按步驟給予學習者系統(tǒng)性的指導，幫助學習者制定具體的計劃。向導支架將一個較復雜的、周期較長的學習目標進行細化，使學習者能分組塊、分階段、分層次地完成任務。相比于邏輯性更強的知識地圖，“向導”更關注整體性較強的績效。在設計基于“向導”的計劃調(diào)節(jié)支架時強調(diào)“動態(tài)性”，即根據(jù)學習者完成學習目標情況，適時、動態(tài)修改向導內(nèi)容。例如：基于物聯(lián)網(wǎng)手機App模式的智能化虛擬課堂平臺[35]，通過診斷學習情況，調(diào)整向導內(nèi)容，支持學習者規(guī)劃學習方案，提升學習效果。

本研究從理論層面論證了計劃調(diào)節(jié)學習支架促進深度學習的作用機制，從實證角度挖掘了計劃調(diào)節(jié)學習支架影響深度學習的內(nèi)在機制，提煉了在線學習中面向深度學習的計劃調(diào)節(jié)學習支架的設計規(guī)則，為教育者運用計劃調(diào)節(jié)學習支架開展在線深度學習提供建議。

[參考文獻]

[1] 翟雪松，楚肖燕，李艷.融合視覺健康的在線學習環(huán)境設計原則與技術路徑[J].現(xiàn)代教育技術，2021，31（12）：12-19.

[2] 楊曉宏，周海軍，鄭新.疫情期間高校在線教學實施特征與啟示——基于在線教學質(zhì)量報告和在線教學案例的分析[J].電化教育研究，2021，42（10）：48-53，62.

[3] 張家軍，韋敏.自主學習視域下遠程學習者在線學習力的現(xiàn)實樣態(tài)及提升策略研究[J].教學研究，2021，44（6）：23-33.

[4] 吳亞婕.影響學習者在線深度學習的因素及其測量研究[J].電化教育研究，2017，38（9）：57-63.

[5] DELEN E， LIEW J， WILLSON V. Effects of interactivity and instructional scaffolding on learning： self-regulation in online video-based environments[J]. Computers & education， 2014， 78： 312-320.

[6] ZHENG L. The effectiveness of self-regulated learning scaffolds on academic performance in computer-based learning environments： a meta-analysis[J]. Asia pacific education review， 2016， 17（2）： 187-202.

[7] 喬愛玲，龔鑫，韓涵.形式差異的外部概念支架對學生游戲化學習心流和效果的影響[J].電化教育研究，2021，42（12）：86-92，99.

[8] 李士平，趙蔚，劉紅霞，譚榮姣，趙艷.基于知識地圖的自我導向學習設計與實證研究[J].電化教育研究，2016，37（5）：74-81.

[9] 陳敏，余勝泉.泛在學習環(huán)境下感知學習過程情境的推薦系統(tǒng)設計[J].電化教育研究，2015，36（4）： 76-82，89.

[10] 郝曉鑫.基于媒體交互的自我調(diào)節(jié)對深度學習的影響研究[D].天津：天津師范大學，2019.

[11] 劉哲雨，侯岸澤，王志軍.多媒體畫面語言表征目標促進深度學習[J].電化教育研究，2017，38（3）：18-23.

[12] 劉哲雨，景爽，胡夢琪.基于深度學習核心要素的評課研究[J].現(xiàn)代基礎教育研究，2018，30（2）：45-50.

[13] 鄧國民，徐新斐，朱永海.混合學習環(huán)境下學習者的在線自我調(diào)節(jié)學習潛在剖面分析及行為過程挖掘[J].電化教育研究，2021，42（1）：80-86.

[14] 崔亞萌.認知神經(jīng)科學視域下學習機制的初步研究[D].開封：河南大學，2017.

[15] 田媛，亓梔，黃湘琳，向虹鈺，汪穎.社會線索促進在線學習的認知神經(jīng)機制[J].電化教育研究，2021，42（2）：63-69.

[16] HALL M， CHAUDHARY U， REY G， et al. Fronto-temporal mapping and connectivity using NIRS for language-related paradigms[J]. Journal of neurolinguistics， 2013， 26（1）： 178-194.

[17] 劉哲雨，郝曉鑫.深度學習的評價模式研究[J].現(xiàn)代教育技術，2017，27（4）：12-18.

[18] 劉哲雨，郝曉鑫，王紅，吳立寶.學習科學視角下深度學習的多模態(tài)研究[J].現(xiàn)代教育技術，2018，28（3）：12-18.

[19] 馬云飛，鄭旭東，趙冉，劉慧.深度學習的發(fā)生機制與多模態(tài)數(shù)據(jù)測評研究[J].遠程教育雜志，2022，40（1）：50-60.

[20] PINTRICH P R， SMITH D A F， TERESA D， et al. A manual for the use of the motivated strategies for learning questionnaire（MSLQ）[M]. USA： Education Resources Information Center， 1991： 13-14.

[21] 李士平.網(wǎng)絡學習環(huán)境下基于反饋的元認知干預設計與實證研究[D].長春：東北師范大學，2018.

[22] 肖武云.元認知與外語學習研究[M].上海：上海交通大學出版社， 2011：13-92.

[23] DIGNATH C， BUETTNER G， LANGFELDT H P. How can primary school students learn self-regulated learning strategies most effectively？： a meta-analysis on self-regulation training programmes[J]. Educational research review， 2008， 3（2）： 101-129.

[24] BOEKAERTS M， NIEMIVIRTA M. Self-regulated learning： finding a balance between learning goals and ego-protective goals[M]//BOEKAERTS M， PINTRICH P R， ZEIDNER M. Handbook of self-regulation. New York： Academic Press， 2000： 417-450.

[25] MANLOVE S， LAZONDER A W， DE JONG T. Software scaffolds to promote regulation during scientific inquiry learning[J]. Metacognition and learning， 2007， 2（2）： 141-155.

[26] 王穗蘋，黃健.句子理解中的語義加工回路——研究熱點與未來的展望[J].華南師范大學學報（社會科學版），2012（6）：47-55，158.

[27] KROGER J K， SABB F W， FALES C L， et al. Recruitment of anterior dorsolateral prefrontal cortex in human reasoning： a parametric study of relational complexity[J]. Cerebral cortex， 2002， 12（5）： 477-485.

[28] FLAHERTY A W. Frontotemporal and dopaminergic control of idea generation and creative drive[J]. Journal of comparative neurology， 2010， 493（1）：147-153.

[29] 姚巧紅，修譽晏，李玉斌，陳小格.整合網(wǎng)絡學習空間和學習支架的翻轉課堂研究——面向深度學習的設計與實踐[J].中國遠程教育，2018（11）：25-33.

[30] 張麗霞，商蕾杰.虛擬課堂學習支架的類型及功能[J].中國電化教育，2011（4）：27-31.

[31] 鄧國民，韓錫斌，楊娟.基于OERs的自我調(diào)節(jié)學習行為對學習成效的影響[J].電化教育研究，2016，37（3）：42-49，58.

[32] 王民藝，吳毅堅，趙文耘.自主學習任務的導航和自動創(chuàng)建方法研究[J].計算機應用與軟件，2014，31（12）：33-38，88.

[33] 潘星竹，姜強，黃麗，趙蔚，王利思.“支架+”STEM教學模式設計及實踐研究——面向高階思維能力培養(yǎng)[J].現(xiàn)代遠距離教育，2019（3）：56-64.

[34] 高嘉騏，劉千慧，黃文彬.基于知識圖譜的學習路徑自動生成研究[J].現(xiàn)代教育技術，2021，31（7）：88-96.

[35] 汪萍，余成發(fā)，張鵬.基于物聯(lián)網(wǎng)手機APP模式的智能化虛擬課堂平臺設計[J].長春教育學院學報，2017，33（4）：58-60，78.

Research on the Influence Mechanism of Plan-regulated Learning Scaffolds on Online Deep Learning

LIU Zheyu1，? LIU Chang1，? XU Boyu2

（1.Faculty of Education， Tianjin Normal University， Tianjin 300387;

2.The School Affiliated to Luhe High School， Beijing 101100）

[Abstract] Online learning scaffolds can be used to improve learners' plan regulation， plan learning tasks， guide learning behaviors， and facilitate online deep learning. However， the existing design of plan-regulated learning scaffolds has relied more on experience and there is a lack of research on design rules based on brain processing mechanisms. This study uses functional near-infrared spectroscopy to dynamically track the activation of brain regions in deep learning to investigate the influence mechanism of plan-regulated learning scaffolds on online deep learning. A questionnaire is used to evaluate the differences in the effects of scaffolding on deep learning. This study concludes that both types of plan-regulated learning scaffolds facilitate the activation of brain regions in deep learning processes in the basic， early， and late stages of deep learning， and both autonomous plan-regulated learning scaffolds have the most significant effect on deep learning outcomes， suggesting that future researchers should preferentially use autonomous plan-regulated learning scaffolds for online deep learning. Additionally， the activation of brain regions in all three stages of deep learning has a positive correlation with deep learning outcomes， which reveals that future researchers could judge whether and to what extent online deep learning occurs based on the activation of brain regions. Finally， based on the study results， the design rules and application suggestions of the plan-regulated learning scaffolds are proposed.

[Keywords] Plan-regulated Learning Scaffolds; Online Deep Learning; fNIRS; Design Rules

基金項目：2019年度國家自然科學基金青年項目“自我調(diào)節(jié)支架促進在線深度學習：基于多模態(tài)技術的腦機制研究與支架設計模型研究”（項目編號：61907032）