[摘" "要] 當(dāng)今社會的動態(tài)性對學(xué)習(xí)者的復(fù)雜問題解決能力提出了前所未有的要求，學(xué)習(xí)者解決復(fù)雜問題時(shí)的認(rèn)知投入直接影響任務(wù)完成的效率和質(zhì)量。研究以設(shè)計(jì)類問題解決為背景，采集學(xué)習(xí)者的皮膚電數(shù)據(jù)，提出一種基于同步生理響應(yīng)事件的認(rèn)知投入測量方法。研究重點(diǎn)探究了學(xué)習(xí)者在復(fù)雜問題解決中的認(rèn)知投入動態(tài)演化特征，并分析其與個(gè)人及小組績效的關(guān)聯(lián)，最終使用隨機(jī)森林算法構(gòu)建績效的預(yù)測模型。研究發(fā)現(xiàn)：小組在解決復(fù)雜問題時(shí)，同步生理響應(yīng)事件頻次逐漸增加；在個(gè)體層面，學(xué)習(xí)者的投入敏捷度和持久度展現(xiàn)出顯著的動態(tài)演化；在小組層面，高績效小組在投入強(qiáng)度和同步性上變化顯著，而低績效小組僅在投入持久度上體現(xiàn)出明顯變化；在所有特征中，方案生成階段的投入敏捷度是預(yù)測個(gè)人績效的關(guān)鍵因素，而觀點(diǎn)交流階段的投入持久度則對小組績效具有最佳預(yù)測效果。研究拓展了復(fù)雜情境下認(rèn)知規(guī)律的識別方法，同時(shí)對提升學(xué)生復(fù)雜問題解決能力提供了實(shí)證依據(jù)。

[關(guān)鍵詞] 復(fù)雜問題解決； 認(rèn)知投入； 同步生理響應(yīng)事件； 動態(tài)演化； 學(xué)習(xí)預(yù)測

[中圖分類號] G434" " " " " " [文獻(xiàn)標(biāo)志碼] A

[作者簡介] 田浩（1994—），男，山東濱州人。講師，博士，主要從事智能教育與多模態(tài)學(xué)習(xí)分析研究。E-mail：tianhao@mail.bnu.edu.cn。

一、引" "言

人工智能等前沿技術(shù)持續(xù)涌現(xiàn)，推動著人類社會演化為動態(tài)和不確定的復(fù)雜系統(tǒng)，復(fù)雜問題解決能力也已成為新時(shí)代學(xué)習(xí)者必備的關(guān)鍵素養(yǎng)。學(xué)習(xí)者進(jìn)行復(fù)雜問題解決時(shí)需要實(shí)現(xiàn)深度認(rèn)知投入，從而促進(jìn)深層次的知識建構(gòu)和實(shí)質(zhì)性的交流互動，推動復(fù)雜問題的有效解決。而生理測量技術(shù)的發(fā)展則為精準(zhǔn)捕捉和分析復(fù)雜問題解決中的認(rèn)知投入提供了手段[1]。現(xiàn)有研究主要聚焦于使用生理數(shù)據(jù)來表征認(rèn)知投入整體水平[2]，對其演化過程關(guān)注不足。復(fù)雜問題解決本質(zhì)上是一個(gè)動態(tài)過程，認(rèn)知投入演化往往與特定事件密切相關(guān)[3]?；诖耍狙芯恳罁?jù)皮膚電數(shù)據(jù)，構(gòu)建一種復(fù)雜問題解決中的關(guān)鍵事件識別方法，并量化每個(gè)事件對應(yīng)的認(rèn)知投入水平，進(jìn)而揭示認(rèn)知投入的動態(tài)演化趨勢，同時(shí)探究其與個(gè)體和小組績效的關(guān)聯(lián)關(guān)系，為深入理解復(fù)雜問題解決中的認(rèn)知投入規(guī)律提供實(shí)證依據(jù)。

二、文獻(xiàn)綜述

（一）復(fù)雜問題解決中的認(rèn)知投入

復(fù)雜問題本質(zhì)上屬于劣構(gòu)問題，體現(xiàn)出問題描述的模糊性、相關(guān)信息的不完整性，以及解決方案的多樣性等特征[4]。D？觟rner與Funke等人提出了復(fù)雜問題解決的操作性定義，將其視為“動態(tài)環(huán)境中為實(shí)現(xiàn)常規(guī)行動無法達(dá)到的非明確目標(biāo)，所需的自我調(diào)節(jié)心理過程和活動集合”[5]。復(fù)雜問題解決過程與諸多認(rèn)知要素密切相關(guān)，例如認(rèn)知推理、記憶容量、心流體驗(yàn)等。其中，認(rèn)知投入尤其被研究者重點(diǎn)關(guān)注。Zhoc等人認(rèn)為，認(rèn)知投入是指花費(fèi)心理資源去理解復(fù)雜想法，以便滿足任務(wù)要求，并有效應(yīng)對挑戰(zhàn)的狀態(tài)[6]。

復(fù)雜問題解決中的認(rèn)知投入具有動態(tài)性特點(diǎn)。Rotgans等人通過問卷，從參與度、堅(jiān)持性、心流體驗(yàn)等維度調(diào)查學(xué)生在問題解決過程中認(rèn)知投入的變化，發(fā)現(xiàn)學(xué)生的認(rèn)知投入水平逐步增強(qiáng)[7]；Zhou在一項(xiàng)問題解決活動中，使用內(nèi)容分析法對學(xué)習(xí)者的互動文本進(jìn)行編碼，從中挖掘認(rèn)知投入的演化規(guī)律，發(fā)現(xiàn)高績效小組表現(xiàn)出更頻繁的觀點(diǎn)闡述模式[8]。

上述傳統(tǒng)的分析方法容易對學(xué)習(xí)者的自然學(xué)習(xí)過程造成干擾，而隨著生理分析技術(shù)的進(jìn)步，對認(rèn)知投入動態(tài)演化規(guī)律進(jìn)行非侵入、無感知的分析成為可能。Tang等人在協(xié)作問題解決活動中使用腦電測量學(xué)習(xí)者的認(rèn)知投入變化，通過分析學(xué)習(xí)者腦波各頻段的激活狀態(tài)，發(fā)現(xiàn)學(xué)習(xí)者在問題解決階段的認(rèn)知投入高于問題概念化階段[2]；Li等人基于學(xué)生的31項(xiàng)面部特征，在真實(shí)的推理任務(wù)中觀察到高績效學(xué)習(xí)者在深度學(xué)習(xí)行為中體現(xiàn)出更高的認(rèn)知投入水平[9]。

（二）生理信號中的關(guān)鍵事件

由于學(xué)習(xí)者的認(rèn)知資源有限，難以長時(shí)間維持高水平的認(rèn)知投入狀態(tài)。因此，相較于關(guān)注完整的問題解決過程，研究者建議更應(yīng)聚焦問題解決中的關(guān)鍵事件[10]。這些關(guān)鍵事件更具教育意義，更能反映認(rèn)知投入的關(guān)鍵特征。

在生理信號中，皮膚電信號經(jīng)常用于識別關(guān)鍵事件。研究表明，學(xué)習(xí)者的心理資源在關(guān)鍵事件中更容易被喚醒，導(dǎo)致皮膚電水平升高[11]。同時(shí)，在復(fù)雜問題解決的協(xié)作任務(wù)中，不同小組成員的生理信號存在一定的同步性。Dindar等人基于此開發(fā)了一種同步生理響應(yīng)事件的識別方法，通過在滑動窗口內(nèi)檢測所有成員皮膚電信號的波峰來標(biāo)記關(guān)鍵事件。研究發(fā)現(xiàn)，關(guān)鍵事件可以揭示問題解決的階段轉(zhuǎn)換，高績效小組體現(xiàn)出更加有序的協(xié)作模式，而低績效小組則表現(xiàn)出更多的隨機(jī)性[3]。Nguyen等人的研究進(jìn)一步證實(shí)，關(guān)鍵事件能夠顯著促進(jìn)復(fù)雜問題解決中的調(diào)節(jié)和互動行為，從而提升問題解決效率[12]。

（三）研究問題

現(xiàn)有研究大多將關(guān)鍵事件與認(rèn)知投入進(jìn)行關(guān)聯(lián)分析，但未能深入探討關(guān)鍵事件本身蘊(yùn)含的認(rèn)知投入信息?；诖耍狙芯繑U(kuò)展了Dindar等人提出的同步生理響應(yīng)事件識別方法，在識別關(guān)鍵事件的基礎(chǔ)上，進(jìn)一步通過分析皮膚電信號的形態(tài)特征來提取認(rèn)知投入測量指標(biāo)，并探討其與個(gè)人及小組績效的關(guān)聯(lián)。本研究旨在解決下列研究問題：（1）在復(fù)雜問題解決的不同階段，學(xué)習(xí)者的同步生理響應(yīng)事件是如何分布的？（2）個(gè)人認(rèn)知投入的動態(tài)演化特征與個(gè)人績效有何關(guān)聯(lián)？（3）小組認(rèn)知投入的動態(tài)演化特征與小組績效有何關(guān)聯(lián)？（4）認(rèn)知投入的動態(tài)演化特征能否有效預(yù)測個(gè)人及小組績效？

三、基于同步生理響應(yīng)事件的認(rèn)知投入

測量方法

（一）同步生理響應(yīng)事件的識別

皮膚電信號對學(xué)習(xí)投入分析具有高敏感性，因其能夠精確捕捉交感神經(jīng)系統(tǒng)激活時(shí)的生理、情感和認(rèn)知反應(yīng)，與學(xué)習(xí)投入的維度吻合。

皮膚電信號由基礎(chǔ)組分和相位組分構(gòu)成。前者反映皮膚電信號的整體趨勢；而后者則揭示其瞬時(shí)波動，產(chǎn)生相應(yīng)的皮膚電導(dǎo)反應(yīng)（Skin Conductance Response，簡稱SCR）。因此，本研究基于相位組分進(jìn)行同步生理響應(yīng)事件識別，包括三個(gè)步驟：皮膚電信號分解、SCR檢測、滑動時(shí)間窗口分析。

1. 皮膚電信號分解

采用截止頻率為0.05Hz的巴特沃斯濾波器，濾除低頻成分，只保留快速變化的相位組分。

2. SCR檢測

采用閾值為0.1μS的局部最大值算法來檢測SCR中的峰值（Peak），SCR的起始點(diǎn)（Onset）則通過反轉(zhuǎn)信號，并應(yīng)用相同的算法來定位信號的局部最低點(diǎn)。另外，當(dāng)信號下降至峰值一半的水平時(shí)（Half Recovery），即表示SCR已恢復(fù)至基線狀態(tài)。因此，從起始點(diǎn)到半恢復(fù)點(diǎn)的過程定義了一個(gè)完整的SCR。

3. 滑動時(shí)間窗口分析

首先，將小組成員的皮膚電信號進(jìn)行時(shí)序?qū)R，分別檢測每位學(xué)習(xí)者的SCR；其次，根據(jù)Dindar等人的研究結(jié)論，設(shè)定1.5秒時(shí)間窗口，并采用0.25秒的步長，從時(shí)間序列起始到結(jié)尾進(jìn)行窗口滑動[3]；最后，若在特定的時(shí)間窗口內(nèi)，所有成員均檢測出SCR，則將該窗口標(biāo)記為同步生理響應(yīng)事件。分析過程如圖1所示。

（二）基于同步生理響應(yīng)事件的認(rèn)知投入測量指標(biāo)

本研究參考Zhoc等人的研究，將認(rèn)知投入視為心理資源付出程度[6]。在SCR周期內(nèi)，當(dāng)學(xué)習(xí)者面臨復(fù)雜問題時(shí)，心理資源的激活導(dǎo)致皮膚電水平升高直至峰值；隨著學(xué)習(xí)者通過自我調(diào)節(jié)逐步適應(yīng)學(xué)習(xí)任務(wù)，皮膚電水平隨之下降并恢復(fù)至基線。

基于此，在個(gè)體層面，本研究采用三個(gè)關(guān)鍵指標(biāo)來衡量復(fù)雜問題解決過程中的認(rèn)知投入水平，分別是心理資源投入強(qiáng)度（簡稱“投入強(qiáng)度”，Intensity）、心理資源投入敏捷度（簡稱“投入敏捷度”，Agility）和心理資源投入持久度（簡稱“投入持久度”，Endurance）。

在小組層面，通過計(jì)算小組成員相應(yīng)指標(biāo)的平均值，得出小組總體的投入強(qiáng)度、敏捷度和持久度。此外，本研究還分析了認(rèn)知投入的同步性（簡稱“投入同步性”，R），采用互相關(guān)算法來計(jì)算組內(nèi)不同成員皮膚電信號之間的相似度，以衡量小組成員在復(fù)雜問題解決過程中的協(xié)同程度。

各指標(biāo)的描述及相應(yīng)計(jì)算公式見表1。

四、研究設(shè)計(jì)

（一）研究對象

本研究招募了來自北京市某高校的183名學(xué)習(xí)者作為研究對象，包括27名男生和156名女生，所有人均具備協(xié)作學(xué)習(xí)經(jīng)驗(yàn)，但未系統(tǒng)接受過與任務(wù)主題相關(guān)的學(xué)習(xí)。學(xué)習(xí)者被隨機(jī)分為61個(gè)小組，每個(gè)小組由3人組成。

（二）復(fù)雜問題解決活動設(shè)計(jì)

本研究設(shè)計(jì)了一項(xiàng)名為“海綿校園設(shè)計(jì)”的協(xié)作任務(wù)，從問題類型上看，屬于復(fù)雜問題中的設(shè)計(jì)類問題。學(xué)習(xí)者需要通過協(xié)作完成一份集滲水、蓄水、凈水功能于一體的海綿校園設(shè)計(jì)方案。

活動流程劃分為三個(gè)關(guān)鍵階段：問題理解、觀點(diǎn)交流和方案生成。在問題理解階段，學(xué)習(xí)者了解海綿校園的常見設(shè)施與建設(shè)方法，通過討論形成對任務(wù)的共識；在觀點(diǎn)交流階段，學(xué)習(xí)者結(jié)合現(xiàn)有資料發(fā)表觀點(diǎn)，并對同伴的觀點(diǎn)進(jìn)行質(zhì)疑和澄清；在方案生成階段，學(xué)習(xí)者通過團(tuán)隊(duì)協(xié)作完成方案的細(xì)節(jié)設(shè)計(jì)，并反思設(shè)計(jì)方案的合理性和有效性，最終繪制出海綿校園的設(shè)計(jì)方案。

（三）研究工具

1. Empatica E4便攜式生理腕帶

本研究使用Empatica E4腕帶進(jìn)行皮膚電信號的收集，采樣頻率為4Hz。原始信號需要進(jìn)行預(yù)處理：首先，將超過均值三個(gè)標(biāo)準(zhǔn)差的數(shù)據(jù)點(diǎn)標(biāo)記為缺失值，采用最近鄰法進(jìn)行填補(bǔ)；其次，通過啟發(fā)式閾值控制的五層小波去噪技術(shù)，對信號進(jìn)行平滑處理；最后，將任務(wù)開始前五分鐘內(nèi)的平靜狀態(tài)信號作為基線數(shù)據(jù)，通過比例映射的方式將皮膚電信號標(biāo)準(zhǔn)化，消除個(gè)體固有生理差異的影響。

2. 問題解決方案評價(jià)量規(guī)

問題解決方案評價(jià)量規(guī)用于評價(jià)小組績效。本研究參考柏毅等人的研究[13]，從問題理解、方案可行性、方案易用性和成本控制四個(gè)維度對海綿校園設(shè)計(jì)方案進(jìn)行評價(jià)。結(jié)合相關(guān)領(lǐng)域?qū)＜业慕ㄗh，將四個(gè)維度的評分權(quán)重分別設(shè)置為20%、50%、15%、15%。

3. 協(xié)作貢獻(xiàn)量表

協(xié)作貢獻(xiàn)量表用于評價(jià)個(gè)人績效。本研究參考陳素平[14]構(gòu)建的問題解決貢獻(xiàn)量表，從積極參與、愿意溝通、提出想法和形成共識四個(gè)維度對學(xué)習(xí)者在復(fù)雜問題解決過程中的貢獻(xiàn)進(jìn)行評價(jià)，量表共包括10道題目，每道題目均采用李克特五級評價(jià)。

（四）數(shù)據(jù)收集與分析

1. 數(shù)據(jù)收集

協(xié)作過程中，每位學(xué)習(xí)者在非慣用手的手腕處佩戴Empatica E4生理腕帶。在數(shù)據(jù)預(yù)處理階段， 6位學(xué)習(xí)者因腕帶佩戴不當(dāng)導(dǎo)致數(shù)據(jù)缺失，被排除在正式分析之外。最終，共有177名學(xué)習(xí)者的數(shù)據(jù)被納入分析。研究人員詳細(xì)記錄了完整的問題解決過程，并依據(jù)活動的三個(gè)階段（問題理解、觀點(diǎn)交流和方案生成），人工將每位學(xué)習(xí)者的皮膚電信號數(shù)據(jù)切分為相應(yīng)的三個(gè)部分。

協(xié)作結(jié)束之后，兩位研究人員根據(jù)問題解決方案評價(jià)量規(guī)，獨(dú)立對每個(gè)小組的設(shè)計(jì)方案進(jìn)行評分，最終取兩位評分者的均值用于表征小組績效。學(xué)習(xí)者則在任務(wù)結(jié)束后，使用協(xié)作貢獻(xiàn)量表進(jìn)行自我評價(jià)與同伴評價(jià)。采用Conway等人提出的個(gè)人貢獻(xiàn)度分析方法，計(jì)算每位學(xué)習(xí)者在復(fù)雜問題解決過程中的貢獻(xiàn)權(quán)重，將該權(quán)重與問題解決方案得分相乘得出個(gè)人績效[15]。

2. 數(shù)據(jù)分析

使用Shapiro-Wilk方法進(jìn)行正態(tài)檢驗(yàn)，結(jié)果顯示同步生理響應(yīng)事件數(shù)量與認(rèn)知投入動態(tài)演化特征均不符合正態(tài)分布。

針對問題一，本研究識別每個(gè)小組在復(fù)雜問題解決三個(gè)階段的同步生理響應(yīng)事件，并使用弗里德曼雙向秩方差分析比較事件數(shù)量在各階段的分布差異。

針對問題二，本研究計(jì)算每位學(xué)習(xí)者在三個(gè)階段的投入強(qiáng)度、敏捷度和持久度。并基于個(gè)人績效排名，將學(xué)習(xí)者分為高績效者（前50%）和低績效者（后50%）。隨后使用弗里德曼雙向秩方差分析比較學(xué)習(xí)者在各階段認(rèn)知投入動態(tài)演化特征的差異。

針對問題三，本研究計(jì)算每個(gè)小組在三個(gè)階段的投入強(qiáng)度、敏捷度、持久度及投入同步性。并基于小組績效排名，將小組分為高績效組（前50%）和低績效組（后50%）。隨后使用弗里德曼雙向秩方差分析比較小組在各階段認(rèn)知投入動態(tài)演化特征的差異。

針對問題四，本研究分別將學(xué)習(xí)者個(gè)體和小組在三個(gè)階段的認(rèn)知投入指標(biāo)作為特征集合，并分別以個(gè)人績效和小組績效作為目標(biāo)變量，構(gòu)建相應(yīng)的預(yù)測模型。

研究流程如圖2所示。

五、研究結(jié)果

（一）同步生理響應(yīng)事件在復(fù)雜問題解決各階段的分布

皮膚電數(shù)據(jù)分析結(jié)果顯示，在問題理解、觀點(diǎn)交流和方案生成三個(gè)階段，同步生理響應(yīng)事件數(shù)量的比例分別為29.7%、34.2%和36.1%。方差分析結(jié)果表明，上述事件在各階段的分布具有顯著差異（χ2=14.428，p=0.001lt;0.05），問題理解階段的同步生理響應(yīng)事件數(shù)量顯著少于觀點(diǎn)交流階段（F=2.901，p=0.004lt;0.05）與方案生成階段（F=3.528，p=0.000lt;0.05）。

（二）認(rèn)知投入動態(tài)演化特征與個(gè)人績效的關(guān)聯(lián)

本研究探究認(rèn)知投入動態(tài)演化特征與個(gè)人績效的關(guān)聯(lián)，如圖3所示。

方差分析結(jié)果顯示，在投入強(qiáng)度方面，高績效學(xué)習(xí)者在每個(gè)階段均高于低績效學(xué)習(xí)者，但兩類學(xué)習(xí)者在各階段的投入強(qiáng)度變化均未達(dá)顯著性水平（高績效學(xué)習(xí)者：χ2=4.717， p=0.095gt;0.05；低績效學(xué)習(xí)者：χ2=2.264， p=0.322gt;0.05）。在投入敏捷度方面，高績效學(xué)習(xí)者在各階段均要高于低績效者。高績效學(xué)習(xí)者的投入敏捷度在不同階段存在顯著差異（χ2=6.717， p=0.035lt;0.05），其中問題理解階段顯著低于觀點(diǎn)交流階段（F=1.990，p=0.047lt;0.05），且觀點(diǎn)交流階段顯著低于方案生成階段（F=2.433，p=0.015lt;0.05）。低績效學(xué)習(xí)者亦存在顯著差異（χ2=6.681， p=0.035lt;0.05），其中問題理解階段顯著低于觀點(diǎn)交流階段（F=2.372，p=0.018lt;0.05）和方案生成階段（F=2.075，p=0.038lt;0.05）。在投入持久度方面，高績效學(xué)習(xí)者在問題理解階段遠(yuǎn)高于低績效學(xué)習(xí)者，但在后續(xù)兩個(gè)階段，兩類學(xué)習(xí)者則無明顯區(qū)別。高績效學(xué)習(xí)者的投入持久度在不同階段間存在顯著差異（χ2=7.627，p=0.022lt;0.05），其中觀點(diǎn)交流階段顯著低于問題理解階段（F=2.748，p=0.008lt;0.05）和方案生成階段（F=2.546，p=0.013lt;0.05）。低績效學(xué)習(xí)者則是方案生成階段顯著高于問題理解階段（F=3.104，p=0.002lt;0.05）和觀點(diǎn)交流階段（F=2.942，p=0.005lt;0.05）。

（三）認(rèn)知投入動態(tài)演化特征與小組績效的關(guān)聯(lián)

本研究同樣分析了認(rèn)知投入動態(tài)演化特征與小組績效之間的關(guān)聯(lián)，如圖4所示。

方差分析結(jié)果顯示，在投入強(qiáng)度方面，高績效組在復(fù)雜問題解決的不同階段間存在顯著差異（χ2=8.267，p=0.016lt;0.05），其中問題理解階段顯著低于方案生成階段（F=2.840，p=0.005lt;0.05）。與之相比，低績效組則未呈現(xiàn)顯著差異（χ2=0.483，p=0.786gt;0.05）。在投入敏捷度方面，高績效組在各階段均高于低績效組。但兩類小組投入敏捷度的變化均未達(dá)到顯著性水平（高績效組：χ2=4.467，p=0.107gt;0.05；低績效組：χ2=3.310，p=0.191gt;0.05）。在投入持久度方面，高績效組未呈現(xiàn)顯著差異（χ2=0.467，p=0.792gt;0.05），而低績效組則存在顯著差異（χ2=7.655，p=0.022lt;0.05），其中觀點(diǎn)交流階段顯著低于方案生成階段（F=2.757，p=0.006lt;0.05）。在投入同步性方面，高績效組在不同階段間存在顯著差異（χ2=7.938，p=0.020lt;0.05），其中問題理解階段顯著低于方案生成階段（F=2.452，p=0.011lt;0.05）。與之相比，低績效組的投入同步性在不同階段間則未呈現(xiàn)顯著差異（χ2=5.267，p=0.072gt;0.05）。

（四）認(rèn)知投入動態(tài)演化特征對個(gè)人及小組績效的預(yù)測效果

本研究采用隨機(jī)森林算法，構(gòu)建了個(gè)人及小組績效的預(yù)測模型。個(gè)人績效預(yù)測模型以學(xué)習(xí)者個(gè)體在復(fù)雜問題解決三個(gè)階段的投入強(qiáng)度、敏捷度、持久度為預(yù)測變量，而小組績效預(yù)測模型則進(jìn)一步納入了投入同步性指標(biāo)。兩種模型均設(shè)置最大樹深度為10，決策樹數(shù)量為100，并通過Bootstrap重采樣技術(shù)增強(qiáng)模型的穩(wěn)健性。

五折交叉驗(yàn)證結(jié)果顯示，個(gè)人績效與小組績效的預(yù)測準(zhǔn)確率分別達(dá)到71.04%與86.83%，表明模型具有較好的預(yù)測效果。進(jìn)一步借助信息增益進(jìn)行特征重要性分析，結(jié)果見表2。

六、討論與展望

（一）研究發(fā)現(xiàn)與討論

1.同步生理響應(yīng)事件為測量認(rèn)知投入提供了一種可靠的集體視角

本研究采用同步生理響應(yīng)事件識別技術(shù)，捕捉小組成員共同的生理喚醒，減少了非認(rèn)知因素對皮膚電生理指標(biāo)造成的干擾。研究結(jié)果顯示，隨著復(fù)雜問題解決過程的推進(jìn)，同步生理響應(yīng)事件的數(shù)量呈現(xiàn)遞增趨勢。一方面，伴隨協(xié)作的逐步深入，學(xué)習(xí)者之間的認(rèn)知體驗(yàn)和心理資源的激活模式趨于同步。另一方面，問題解決方案本身可以作為認(rèn)知過程的支架[16]，為學(xué)習(xí)者的協(xié)作活動提供了載體。學(xué)習(xí)者的認(rèn)知過程愈發(fā)結(jié)構(gòu)化，因此生理響應(yīng)更容易“同頻共振”。

2.個(gè)體認(rèn)知投入的動態(tài)演化規(guī)律在不同績效學(xué)習(xí)者之間存在顯著差異

本研究發(fā)現(xiàn)，兩類學(xué)習(xí)者的投入強(qiáng)度無顯著變化，這表明學(xué)習(xí)者在面對復(fù)雜問題時(shí)的心理資源投入量保持相對穩(wěn)定。然而，高績效學(xué)習(xí)者的投入強(qiáng)度普遍高于低績效學(xué)習(xí)者，體現(xiàn)了高績效學(xué)習(xí)者能夠更有效地監(jiān)控和調(diào)節(jié)心理資源的使用，保持持續(xù)投入狀態(tài)。

高績效學(xué)習(xí)者的投入敏捷度隨復(fù)雜問題的解決呈逐步上升趨勢，而低績效學(xué)習(xí)者在初期增長迅速，在后續(xù)階段增長放緩。表明隨著問題解決的深入，高績效學(xué)習(xí)者更能夠適應(yīng)性地優(yōu)化學(xué)習(xí)策略，提高心理資源的使用效率。

最后，高績效學(xué)習(xí)者的投入持久度呈現(xiàn)先下降后上升的“V”字形趨勢，而低績效學(xué)習(xí)者則在前期緩慢提升、后期增長迅速。根據(jù)協(xié)同知識建構(gòu)理論，知識的形成經(jīng)歷了提出觀點(diǎn)、觀點(diǎn)分歧，再到觀點(diǎn)整合的過程[17]。在問題理解階段，高績效學(xué)習(xí)者更傾向于通過深思熟慮，持續(xù)投入心理資源感知和內(nèi)化信息，進(jìn)而形成個(gè)人觀點(diǎn)；而低績效者由于缺乏動機(jī)或缺少對問題信息的結(jié)構(gòu)化理解，導(dǎo)致其未能形成穩(wěn)固的個(gè)人觀點(diǎn)。在觀點(diǎn)交流和方案生成階段，兩類學(xué)習(xí)者觀點(diǎn)均由多樣性趨于一致性，因此呈現(xiàn)出相似的遞增趨勢。

3.群體認(rèn)知投入的動態(tài)演化規(guī)律在不同績效小組之間存在顯著差異

高績效小組在群體的投入強(qiáng)度上呈現(xiàn)出逐步提升的趨勢，這體現(xiàn)了認(rèn)知投入的協(xié)同效應(yīng)。集體認(rèn)知理論認(rèn)為，小組通過達(dá)成共識，可以形成共享的知識系統(tǒng)，從而擴(kuò)展并突破個(gè)體局限[18]。高績效小組能夠通過成員間的信息共享和優(yōu)勢互補(bǔ)，有效提升群體的心理資源投入強(qiáng)度。

高績效小組在投入同步性上也呈現(xiàn)出逐步提升的趨勢。從成員關(guān)系角度來看，高績效小組能夠建立學(xué)習(xí)者之間的積極互賴，形成團(tuán)隊(duì)的協(xié)作規(guī)范以及對任務(wù)目標(biāo)的共識，從而提升認(rèn)知投入同步性。

與高績效小組相比，低績效小組在群體的投入持久度上表現(xiàn)出更明顯的波動，呈現(xiàn)出“V”字形變化趨勢。這反映出高績效小組的心理資源投入更為均衡和穩(wěn)定。尤其在觀點(diǎn)交流階段，高績效小組的投入持久度更高，這可能歸因于高績效小組建立了更為有效的溝通機(jī)制和協(xié)作策略。

4.認(rèn)知投入的動態(tài)演化特征能夠有效預(yù)測個(gè)人及小組績效

在個(gè)人績效的預(yù)測模型中，方案生成階段投入敏捷度的特征重要性最高，表明學(xué)習(xí)者能否在形成問題解決方案時(shí)快速調(diào)動心理資源，將為學(xué)生的小組貢獻(xiàn)奠定基礎(chǔ)，因?yàn)樵撎卣魍ǔＥc學(xué)生的創(chuàng)新思維和問題解決能力緊密相關(guān)[19]。緊隨其后的特征是問題理解階段的投入持久度，這反映了學(xué)習(xí)者在復(fù)雜問題解決之初，能否深思熟慮地細(xì)致分析問題，并建立堅(jiān)實(shí)的問題理解，也將極大影響其在任務(wù)中的貢獻(xiàn)度。

在小組績效的預(yù)測模型中，觀點(diǎn)交流階段的投入持久度作為最重要的特征，凸顯了小組成員在該階段持續(xù)投入心理資源對小組績效的顯著影響，這與成員之間開展深入討論并形成信息整合能力密切相關(guān)。另外，方案生成階段的投入同步性也是重要特征，體現(xiàn)了小組在形成問題解決方案時(shí)的觀點(diǎn)整合程度，因此對小組績效的影響也較為顯著。

（二）研究不足與展望

本研究采集學(xué)習(xí)者參與復(fù)雜問題解決任務(wù)時(shí)的皮膚電數(shù)據(jù)，通過識別同步生理響應(yīng)事件，對學(xué)習(xí)者的認(rèn)知投入動態(tài)演化規(guī)律進(jìn)行深入探討。研究結(jié)果揭示了認(rèn)知投入與學(xué)習(xí)者個(gè)人及小組績效之間的關(guān)聯(lián)，并在理論和實(shí)踐層面為未來研究提供了參考。

然而，本研究在以下方面仍存在不足：首先，同步生理響應(yīng)事件未能充分考慮學(xué)習(xí)者個(gè)體的獨(dú)特認(rèn)知體驗(yàn)，未來應(yīng)進(jìn)一步探索從個(gè)體層面識別和理解關(guān)鍵事件，以獲得更加全面的研究視角；其次，同步生理響應(yīng)事件背后的成因尚不明確，例如教學(xué)和互動等關(guān)鍵行為均可以促進(jìn)事件的發(fā)生，未來需運(yùn)用多模態(tài)數(shù)據(jù)，進(jìn)一步剖析同步生理響應(yīng)事件的發(fā)生機(jī)制；最后，本研究的發(fā)現(xiàn)僅基于特定的問題情境，未來應(yīng)進(jìn)一步豐富問題解決類型，檢驗(yàn)其適用性和有效性。

[參考文獻(xiàn)]

[1] 牟智佳． 多模態(tài)學(xué)習(xí)分析：學(xué)習(xí)分析研究新生長點(diǎn)[J]． 電化教育研究，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] 張生，任巖，駱方． 學(xué)生高階思維能力的評價(jià)：復(fù)雜問題解決的測量述評[J]． 中國特殊教育，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，龐謙竺，信疏桐． STEM教育評價(jià)的內(nèi)容與策略[J]． 中國民族教育，2018（S1）：22-25．

[14] 陳素平． 讓評價(jià)支持和促進(jìn)學(xué)習(xí)——美國STEM項(xiàng)目學(xué)習(xí)評價(jià)的特點(diǎn)與啟示[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． 混合場景下協(xié)作認(rèn)知投入的多模態(tài)表征與分析路徑研究[J]． 遠(yuǎn)程教育雜志，2022，40（4）：35-44．

[17] 劉黃玲子，朱伶俐，陳義勤，等． 基于交互分析的協(xié)同知識建構(gòu)的研究[J]． 開放教育研究，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