STEM教育视域下虚拟学习环境Omosa项目分析及应用启示*

韩建华，姜 强，赵 蔚，Michael J. Jacobson

(1.东北师范大学 计算机科学与信息技术学院，吉林 长春 130117; 2.悉尼大学 教育和社会工作学院，澳大利亚新南威尔士州 2006)

STEM教育视域下虚拟学习环境Omosa项目分析及应用启示*

韩建华1，姜 强1，赵 蔚1，Michael J. Jacobson2

(1.东北师范大学 计算机科学与信息技术学院，吉林 长春 130117; 2.悉尼大学 教育和社会工作学院，澳大利亚新南威尔士州 2006)

Omosa是澳大利亚悉尼大学基于STEM理念开发的虚拟学习环境，模拟星球生态系统关系，用于培养学生的知识建构与创新能力。利用模型构建的方法分析了Omosa虚拟学习环境的内部结构模型和外部结构特征，其学习者模块、环境模块、代理模块、事件模块和干预模块协调有序地配合，构筑了浸润式的类似于真实的学习环境，使学生在参与科学探究过程中有意义地建构科学、工程等学科知识。基于Omosa三维环境和二维环境的实现机制、个体代理推理机制和算法机制，实现了一个开放的、复杂的和适应性的智能学习环境，学生可主动地探索虚拟世界中事物之间的关系，寻求解决问题的策略，使学习转变为一个意义建构的生态过程。以Netlogo环境为例，设计了教师教和学生学的双重过程模型，基于5E学习循环模型开展项目活动，通过学习效能量表调查发现学生在自我效能、动机、元认知意识、技能等方面均有提升。此外，虚拟学习环境的认知工具和可视化学习工具及学习资源帮助学生提升了问题解决能力，促进了学习者计算性思维和高阶思维的发展，有助于MOOC学习和创客教育。

虚拟学习环境；STEM；Omosa；问题解决；知识建构

一、引言

学习环境如同场景，是学习产生、动态发展的必要条件，能够有效促进学习者主动建构知识和能力生成。然而，不是所有学习过程都能发生在“真实场景”中，尤其针对危险或难以实验的化学现象和物理原理等，有必要为学生创造一个虚拟学习环境(Virtual Learning Environment, VLE)。VLE是一个特定的模拟环境，分别在“物理逼真度”(如“听”“看”“摸”“闻”等)、“功能逼真度”(如任务完成)和“心理逼真度”(如表现的压力、恐惧、技能、厌倦等心理因素)方面几乎等同现实世界的学习环境，便于学生做高级实验并分析真实世界的现象。VLE的崛起突破了智能学习环境搭建的系统观，即把学习环境构建视为一个有生命的机械组件过程，作为一种计算机高科技交互模拟系统，为学生提供颠覆性的模拟真实体验感[1]，解决人的具身认知问题，帮助学生参与直接的复杂社会和自然现象的科学调查，深度地理解复杂实验过程。

VLE的设计与实现覆盖自然科学和社会科学许多领域，包括生物学和医学，物理、化学和地球科学，数学和计算机科学，以及心理学、经济学等，与STEM教育设计理念不谋而合，为学生提供了一个综合化学习环境，促进各学科知识互相融合，使一个学科知识的输出成为下一个学科知识的输入[2]。如学生在解决工程方面问题时，可能需要结合技术学科的观点或方法，它们成为学习者解决问题和处理项目问题的隐性支架。因此，开展STEM教育视域下的虚拟学习环境研究显得十分必要，Omosa VLE是国外基于STEM教育理念设计的虚拟环境成功案例的典型代表，通过分析应用Omosa VLE项目对未来探索STEM教育视域下的虚拟学习环境设计和开发具有重要的借鉴意义。

二、Omosa项目介绍

Omosa项目由澳大利亚雅各布森(Michael J.Jacobson)团队研发，包括Omosa VWorld VLE和Omosa Netlogo两个模拟环境，探究星球物种数量下降的原因[3]。其中，Omosa Virtual World(VWorld)是一个3D虚拟或类似游戏的世界，其奇幻情境任命学生为科学团队的一个成员，帮助星际环境调查局(Interplanetary Environmental Investigation Agency)的首席科学家建议Omosa星球的当地居民应该减少以捕猎为食，该虚拟世界提供了一个真正地观察和探索生态系统情境的机会，学生既可以自主地操作和观察虚拟世界场景，也可共同分析其学习过程，探索虚拟世界的虚拟代理和环境之间的关系。Omosa Netlogo是一个2D虚拟的计算科学调查学习环境，学生主要通过调节控制代理与环境的数据信息、图像信息和2D/3D模拟视图，分析他们的数据关系，评价和判断相关因子和不相关因子，总结动物数量下降的原因。

目前，Omosa项目已成功应用于澳大利亚悉尼基础教育教学中，依据Jacobson提出的4成分教学序列结构(Sequences of Pedagogical Structure，SPS)框架：高到高(High-to-High，HH)、高到低(High-to-Low，HL)、低到高(Low-to-High，LH)、低到低(Lowto-Low，LL)，使学生参与到基于计算机的科学调查(Computational Scientific Inquiry，CSI)活动中[4]。在Omosa VLE中，经过基于项目的有趣和有帮助的学习经历，学生能够积极地参与科学探究活动，同时与同伴和老师保持不断地交流和互动，既增强了学习科学知识和实践，又提升了数学素养和科学思维能力。

此外，在第14届教育技术国际论坛上，Jacobson教授作了题为“突破车和马：先进学习技术设计的问题”的报告，以期Omosa项目能够应用到中国的小学科学教育课程中，利用智能虚拟现实、电脑模型以及视觉系统帮助学生学习科学知识和技巧中的应用，以培养学生的批判性思维和创新思维及创造力等[5]。2014年，Jacobson教授访问了华东师范大学学习科学研究中心，与任友群教授等进行了交流，并做了“超越严肃游戏：用于理解复杂科学知识和技能的虚拟世界”的学术讲座，介绍了研究成果Omosa项目，用于探索虚拟世界和游戏在高中科学教育中的应用[6]。

三、Omosa VLE结构分析

Omosa VLE具有内部的智能化结构和外部的有效特征，内部结构与外部结构的有效结合，为学习者呈现智能化学习环境，帮助学生有意义地建构学习知识，提升分析问题和解决问题的能力。

(一)内部结构分析

Omosa VLE的内部结构包括五个模块，即学习者模块、环境模块、事件模块、代理模块、干预模块等五个模块[7]，如图1所示，彼此相铺相成，协同工作。

图1 Omosa VLE的内部结构

学习者模块包含学生访问VLE的过程属性和记录学习行为等信息。代理模块指VLE中虚拟代理固有属性和行为信息。其中，属性与具体任务相关，不同学习任务使学习者角色发生变化。环境模块指虚构的学习场所，不同学习任务会有不同的学习情境，同时系统也会根据学习者学习目标以及感知算法为学习者呈现自适应的学习环境。事件模块指学生行为以及代理行为会触发一定事件，而这些事件必然会对学习者自身、代理和环境等产生相应影响。干预模块指系统根据学习者行为特点和属性特征给予个性化提示，或给予隐性引导，同时干预机制对虚拟代理有一定影响，例如根据环境属性和代理特征为虚拟代理提供下一个行为的决策，相应环境也会自适应地发生变化。由于不同VLE有搭建环境和实现目标的差异，可能不存在干预模块，或干预机制并不是特别明显，故本模块用虚线表示。

(二)外部结构特征分析

Omosa VLE的外部结构特征主要体现在问题领域、虚拟水平、智能化程度和界面表现等，如表1所示，不同学科特点、学习目标和知识内容导致呈现不同的VLE，深刻地影响学生认知和情绪等状态。

表1 Omosa VLE的外部结构特征

问题领域主要是VLE所涉及的知识领域，包括良构领域和非良构领域。其中，良构领域如同教科书等知识结构良好的学习领域，其目标主要是帮助学生学习或巩固学习内容；而非良构领域指现实生活中存在的常见问题或棘手解决的问题，需要学生探寻合适的方法和策略，选择适恰的工具和资源(如人力、环境、设备等)解决问题。

虚拟类别既包括三维虚拟现实场景(如VWorld)，利用谷歌眼镜和可穿戴设备等实现的智能化、智慧化的虚拟现实情境，兼容三维与二维特征的游戏化虚拟仿真环境(类似如Second Life 和Crystal Island等)，也包括基于计算机建模二维仿真环境(如Netlogo、StarLogo、Swarm等)。

智能化程度表现为学生如同身临其境一般，通过可穿戴设备和传感器等实现具身学习和具身参与，多与虚拟水平高的三维虚拟学习环境相对应。通常Omosa VLE提供智能虚拟代理，学生可与之对话，收集与分析学习任务情况和学习日志等信息，提供自适应帮助和线索等，帮助学习者建构正确的知识。

界面表现为学生在虚拟环境中可以观察场景和访问虚拟代理，考察代理行为和特征，收集资料和信息等。Omosa VLE提供编程界面用以建模仿真，提升计算编程能力；提供模型推理界面，学生根据系统提供的模型，推理和分析相应代理以及元素特征和关系。此外，Omosa VLE还为学习者提供了一个数据分析环境，通过模拟仿真，分析相关数据关系，解决相应问题。

四、Omosa VLE项目的实现机制

本文主要对Omosa VWorld VLE(三维)、Omosa Netlogo VLE(二维)及与Omosa项目有关的算法机制和个体代理推理机制进行详细分析，探究VLE如何帮助学生塑造学习经历，激发学习动力，积极地参与学习经历，以协作式学习解决问题，以及如何帮助学生做科学，增强学习科学知识的兴趣。

(一)Omosa VWorld VLE实现机制

Omosa VWorld VLE类似于游戏的三维世界，其奇幻情境支持学生实践科学调查，学习生物系统概念。它允许学生积极地参与旅行，既可与不同代理进行交互，咨询不同问题，也可观察智能动物，如不同群体的生活形式，与其他代理的捕食关系等，使学生在学习过程中思考他们的经历、探索一些问题，学习如何科学地做调查，实现机制如右图2所示[8]。

图2 Omosa VWorld VLE机制分析

Omosa VWorld VLE机制主要包括设计与开发两部分。其中，设计部分利用Blender建构虚拟环境全部模型，以尽可能确保多边形物体的边数少些；用Mixamo设计和购买多边形人类模型；从TurboSquid购买四种动物安氏中兽(Andrewsarchus)、蓝马羚(Bluebuck)、巨犀(Indricotherium)和伊比利亚猞猁(IberianLynx)，其中安氏中兽被称为Tooru，经常以蓝马羚(被称为Yernt)为食。开发部分结合Unity3D多平台游戏开发软件，降低图像复杂性，但同时维持其他特征，如光照映射、物理学特征(重力和目标检测等)，并利用基于代理建模(Agent-based Model，ABM)算法建模动物行为和人类行为等。

此外，Omosa VWorld VLE包括四个场景：村庄(Village)是当地居民生活的地方，包括火棍代理和猎人代理；狩猎场(Hunting Ground)是动物群居的地方，包括肉食动物和素食动物；研究实验室(Research Lab)包括生态信息和生态学家，学生既可获取研究数据，也可与生态学家交流；气象实验室(Weather Lab)包括气象信息和气象学家，学生既可获取气候和天气相关的数据，也可与气象专家交流获取相关信息。

(二)Omosa Netlogo VLE实现机制

模拟仿真学习环境Omosa Netlogo不仅使学生能在三维虚拟环境观察学习，也能结合二维模拟环境进行学习，实现机制如图3所示。

图3 Omosa Netlogo VLE机制分析

在Omosa Netlogo中，基于ABM(Agent-based Model)算法建模2D人类行为和动物行为，以可视化方式呈现模拟星球生态系统关系。Omosa Netlogo环境既包括虚拟代理(居民、捕食者、被捕食者)、虚拟环境(干旱情况、火棍农事等)，也包括调节控制代理与环境的数据信息、图像信息和2D/3D模拟视图。

(三)Omosa VLE的算法机制和个体代理推理机制

Omosa VLE为学习者带来虚拟沉浸感，使学生全身心集中注意于学习环境中，而学习环境的实体关系算法为环境建设提供了良好的基础，便于有效分析虚拟环境中虚拟代理之间的关系。算法机制确保了虚拟动物不能相互碰撞，并像真实场景环境的动物捕食关系一样，智能地分析种群大小、距离远近等，保证每一类动物都能有秩序地生活在Omosa星球。

算法机制(1)表示动物群集调整算法模型，其中粒子群(Boids)算法包括分离向量(Separation Vector)、对齐向量(Alignment Vector)和凝聚力向量(Cohesion Vector)。由于个体有一些不可预测性，故存在随机向量(Random Vector)，同时由于前行过程可能会有一些树木或岩石等障碍，故添加一个障碍向量(Obstacle Vector)以避免个体距离障碍物太近而坠入危险。

Omosa生态系统动物，不仅表现为简单地移动，也表现出其他行为，例如成长、死亡、追捕和进食等。完整的生态系统存在一定的捕食关系，驱动着自身群体和其他组群的行为，如算法机制(2)表示被捕食者模型(Prey Model)。

首先，当捕食者挑选被捕食者的目标时，越接近被捕食者，其权重就越大。当捕食者距离被捕食者越近时，其猎物距离(PreyDistance)就越小，故1.0-PreyDistance就会越大，而被捕食者就会被击败；其次，被捕食者表现为疲劳时，其权重也就越大，所以捕食者袭击弱者更容易些。最后，若被捕食者的受伤程度越大，其权重就越大，该被捕食者也就会更容易地被袭击。

算法机制(3)表示捕食者模型(Predator Model)，当捕食者越接近被捕食者，其权重就越大，故被捕食表现为尽量为了保住生命而逃离。被捕食者有越多的威胁，其权重就会越大，被捕食者就会采取相应的反应。

除了算法机制，Omosa VLE还需要个体代理推理机制(如图4所示)，共同使Omosa星球各个实体和环境能有机地完美配合，营造一个类似真实的科学环境。基于捕食关系的代理，无论是捕食者还是被捕食者，都有其所在不同大小的组群，这些组群有相应的列表数据库。对于捕食者，可以智能分析猎物列表，并根据其位置和环境等做出方向上的决策；而被捕食者也可以智能地分析捕食者列表，根据危险性和环境特征，做出关于方向的决策。同时相应地会有其他个体代理也会跟随，以及由于其他障碍和环境特征做出角度和方向上的调整，而这些推理过程会智能帮助代理输出一定的向量集，并结合具体代理属性和物种属性，通过Unity3D游戏引擎呈现给学习者一个仿佛真实环境的捕食者与被捕食者的关系。

图4 Omosa VLE个体代理推理机制

五、VLE教学应用——以Netlogo VLE为例

根据“戴尔经验之塔”理论，学习者通过“做的经验”对知识的理解程度最高，越来越多的人利用计算机建模与科学可视化工具调查广泛的复杂物理和社会系统。VLE为学习者提供了有效的学习支持，其构成和布局助推学生有意义地建构相关知识，在完成基于建模的学习任务中可以提升学生推理能力[9]，在帮助学生分析虚拟代理之间的关系时，提升学生问题解决能力。因此，本研究以Netlogo VLE为例，探索VLE在教育中的应用及效果评价。

(一)Netlogo环境结构

Netlogo模拟仿真平台包括可视化界面(演示界面)、说明窗口和编程窗口等三部分，如图5所示。其中，可视化界面包括调控工具、绘图、监视器和视图等四部分；说明窗口是对每一个模型的不同介绍，解释如何使用、说明要探索的事情、可能的扩展、NetLogo特征等；编程窗口是程序所必需代码的运行区。调控工具主要是通过开关、滑动条或按钮等控制相关变量和不相关变量；绘图能够呈现系统代理或环境的变化规律和发展趋势的曲线；监视器主要呈现代理和环境的数量；视图用于呈现2D和3D窗口。当学习者利用工具调节变量，绘图、监视器和视图的模型也会相应地变化。

图5 Netlogo模拟环境结构

此外，在Netlogo环境中，学生可选择任意方式学习模型知识和编程知识，包括行为空间、系统动态模拟器、模型库、HubNet(一种参与式仿真)活动和新建编程等。每种方式都可输入和输出相关数据和信息，学习者根据输入输出数据和信息以及反馈信息等分析所建构的模型，理解模型代理和实体等之间的关系，并提出可行的措施和行动。

(二)基于Netlogo的教学设计

Netlogo建模技术与教学相融合，为学生从实践中学习提供了有效途径。教师利用Netlogo结合学科知识组织一定的教学活动，学习者能够在Netlogo中展开一定的探究式、协作式和合作式学习及自主学习等，完善所学的知识内容。本研究基于Netlogo的项目学习活动，设计了教学双重过程模型(如图6所示)，使学生积极地投入任务的探索与反思活动。

图6 教学双重过程模型

教师将Netlogo作为一种教学工具，将虚拟化思想融入到教学过程，通过分析学习内容和学生的学习需求等过程，整合适当的学科内容，展开相应的教学活动，包括探究式、协作式与合作式学习等；而学生将Netlogo作为一种学习的工具，学习目标由教师设定，与学科内容整合后，开展学习活动。Netlogo以可视化方式呈现知识，学习者根据演示界面中的绘图、监视器和视图等，深入地理解学习内容，帮助学生有效地提升问题解决的能力，在完成项目过程，通过思考与讨论增强学生的学习思维，培养学生良好的认知能力。认知、问题解决与可视化三者之间存在必然的联系，其中知识可视化不仅影响学习者的认知而且也影响学习者的问题解决，学习者的认知也对问题解决存在深刻的影响，同时彼此都支持学习者的有意义学习，使Netlogo融入到教师的教学和引导中，也融入到学生学习和思维发展过程，既实现教师有效地教学，也实现学生有效地学习。

(三)基于Netlogo的教学实施

选取高中二年级学生为研究对象，基于Netlogo平台学习“狼羊掠夺行为(Wolf Sheep Predation)”生态环境知识，根据教学双重过程模型，并结合拜比和兰德斯(Bybee & Landes)[10]提出的5E学习循环模型，从参与阶段(Engagement Phase)、探索阶段(Exploration Phase)、解释阶段(Explanation Phase)、细化阶段(Elaboration Phase)和评估阶段(Evaluation Phase)等方面实施教学。

1.参与阶段

学生将Omosa VLE的捕食和竞争知识迁移至草原上羊、狼与草关系，然后学习模拟仿真环境特点，思考羊、狼与草话题，猜想其关系，从而产生好奇心、兴趣，调动学习积极性，并产生自己观点。此外，学生还要在学习社区中建构自己的知识，同时负责协助组内其他同学进行知识建构。

2.探索阶段

学生利用Netlogo系统模拟现实世界探索生态系统关系，并利用动力学系统模型，建模羊、狼与草的关系，如图7所示。

图7 三者之间的系统动力学关系模型

其中，定义三个存量草(Grass)、羊(Sheep)、狼(Wolves)用矩形形状表示，包含六个变量：草再生长率(Grass-regrowth-rate)、草被食率(Grasseaten-rate)、羊出生率(Sheep-birth-rate)、羊死亡率(Sheep-death-rate)、捕食效率(Predator effciency)和狼死亡率(Wolf-death-rate)。此外，还涉及六个流量：草再生(Grass-regrowth)、草死亡(Grassdeaths)、羊出生(Sheep-births)、羊死亡(Sheepdeaths)、狼出生(Wolf-births)和狼死亡(Wolf-deaths)等，同时有必要建立流量与各个变量连接的关系，如表2所示，建构过程有助于提升学生的逻辑推理能力、数学建模思维和编程思维能力。

表2 实体之间的关系列表

续表2

3.解释阶段

通过建构模型，检验羊、狼与草的数学关系表达式，分析其捕食和竞争关系。由于模型编辑不同或学生输入关系表达式的差异，使模型构建结果出现不同程度的差异，通过分析和解释数据，学生查找不足和漏洞。教师引导学生对其设计过程进行全面地检查和评估，但并非是给出详细步骤，而是给学生提出开放式问题。根据学习社区内其他成员的意见和建议等分析和调整数据，探寻解决羊、狼与草关系的方法，追寻和采纳其他个体思考方式和问题解决过程，判断模型优劣。学生利用模型中羊与狼关系，通过调整滑动条和控制按钮等收集有用数据和信息，检测和验证他们提出的假设。

4.细化阶段

每一个步骤，学生都通过探究式学习动手操作解决问题，教师将系统模型库的模型进行修改后，与学生进行探讨，分析二者的优点和不足之处。将学习与抽象的科学、数学、技术、工程等概念联系，学生根据教师的讲解和与同学商讨，继续更改和纠正模型，评价和判断自己构建模型的缺陷与不足。精细化地调整滑动条，分析模型库的羊、狼与草关系，如图8所示。

图8 “狼与羊掠食”首页

学生提出他们自己的研究问题和策略，识别相关变量和不相关变量，运行竞争实验，验证他们的观点，与老师和同学分享其预测数据和成果。

5.评估阶段

基于测试结果和模型库的狼羊草关系，相当于将自己所构建模型与专家模型相互对比，判断其构建模型的不足，反思其模型优劣，并继续优化模型，或通过与组间和组内评价和对比，反省自己模型，继续优化其设计方案和解决方案。

(四)基于Netlogo的学习效能评价

为了评价Netlogo VLE学习效能，本研究对虚拟学习环境所体现的自我效能、元认知行为[11]、计划、控制、知识建构、动机、技能、参与及价值等9个方面进行调查分析，问卷采用里克特5分制量表，1代表非常不同意，5代表非常同意，实际发放问卷调查40份，回收39份(该问卷中所有题目填写了非常同意选项，视为无效问卷)，有效回收率为97.5%，统计结果如表3所示。

表3 基于Netlogo VLE的学习效能调查分析

从反馈结果看，学生基本同意Netlogo VLE可以提高学生的学习效能，有利于激发学习兴趣，使学生正确地分析其关系。其中，60.6%的学生自我效能感有所增强，认为其可以利用VLE建构正确的狼羊关系模型，值得注意的是33.3%学生对其持中立态度，正如学生D说：“我认为真正地利用VLE建构模型对我来说很难，特别是建构动力学系统模型时总会弹出错误显示，打断我的学习，分散我的注意力，而且还会影响我进行后续的学习”。82.0%的学生能经常与同学反思和讨论其模型，提升了其元认知意识；71.8%的学生能通过讨论和分析，计划建构狼羊关系的动力学习系统模型；66.6%的学生认为其能控制相关变量和不相关变量，建构正确的知识，正如学生E说：“我认为我们可以调节滑块来调节狼羊草之间的变化关系，能帮助我更好地分析数据之间的关系”，而且数据显示79.5%的学生认为其能建构正确的狼羊关系；82.1%的学生认为其能更喜欢富有挑战性的问题，正如学生C说：“VLE中的动画很吸引人，使我能专注于观察视图窗口的狼羊草图像的变化”。64.1%的学生认为反思能力和编程思维能力有所提升，提高学习效率。66.6%的学生能积极地参与狼羊模型建构过程，甚至产生时间流逝的感觉；92.3%的学生认为找到真实的生态系统关系的学习环境是一项很耗时耗力的工程，而该VLE是有富有价值的游戏化的学习环境，能模拟出类似真实的环境，突出我们的学习重点，帮助他们建构正确的有关生态系统的知识。此外，有部分同学对Netlogo VLE提出了改进建议，正如同学G说“模型应该更丰富些，例如羊的尸体和狼的尸体变化和其他的动植物，使其接近生活实际”“如果系统被继续汉化，可能更有助于学生有效地学习”等。

六、Omosa VLE教育应用启示

通过详细分析和应用Omosa VLE项目，可知VLE使学习者产生一种沉浸感，探索与访问虚幻世界的问题和现象，展开体验式学习，“身临其境”感会更有助于建构正确的知识，凭借虚拟世界中的直接经验，表现为更积极地参与和投入，提供有效地探索并且学习科学调查知识的机会[12]。VLE以具有可视化方式帮助学习者有效地问题解决；为学习者的知识建构提供支架，提高学习者对知识的理解；基于动态模型的体验可调节学习者的元认知，以增强认知和自我导向的学习；评判和验证模拟问题与现象可培养学生的高阶思维等功能，可为MOOC学习和创客教育研究实践带来重大启示。

(一) VLE利于MOOC学习

MOOC环境中，学生的学习行为主要是观看课程视频、回答问题、参与讨论和完成作业等，虽然这些学习活动在完整的学习过程并不是单一化的，但是经常性的学习，可以造成学生学习的烦躁感和疲劳感，因此造成部分学生在学习过程中退缩或潜伏于MOOC环境中，甚至中途辍学。将VLE理念融入MOOC教育，为学生营造一种类似于游戏的学习环境，增强学习的沉浸感与轻松感，使学生能积极地投入学习过程，帮助学生有意义地建构MOOC平台的相关知识。比如，利用VLE帮助学生模拟MOOC课程的知识内容，通过可穿戴设备(如3D眼镜)和游戏控制手柄，参与虚拟探索活动，使学生在MOOC虚拟实验平台中收集数据和信息，以及与虚拟代理对话等过程，能够为学生知识建构提供支架，学生真实感受到自己的认知程度，帮助学生对自己的认知和元认知过程进行有效地监控和调节，可提高学习者对知识的理解，真正地实现“做中学”，既增强学习者知识与个体的同在感，又帮助学生更好地调节自己的思维习惯和学习习惯，促进学生MOOC学习的积极性。而且，利用VLE分析学习者学习特点和学习路径，通过优化其系统算法和推荐机制等，使MOOC学习过程和学习内容依据学习者个性特征和偏好做出适应性变化，并结合学习者编程正误推荐适应性的提示和线索，以及通过学生体验和察觉系统的虚拟代理和模型变化等，提高学习者的元认知意识和元认知体验，同时对自己学习过程进行反思和有效判断，增强学生在MOOC中的体验式学习。

(二)VLE推动创客教育

创客教育注重学生的创造性，需要学生在实境中发现问题并解决问题，经过假设、设计、分析、实施和验证等过程。但是学生在现实生活中总会遇到一些无法将自己的抽象想法变为现实的困难，如学生不能有效地估算创造模型或物体的大小、比例和形状，也不能预想自己所创造模型的有效性和可用性等问题。将VLE融入创客教育中，学生可亲临虚拟世界的创造性生产和输出过程，调整虚拟学习平台的数据和模型，通过可视化呈现界面，学习者既可观察图形、图像、数据和模型变化，也可预测模型或曲线发展趋势，使抽象信息具体化，显性信息生动化，由此掌握创造模型相关要素和构成的性质和特点，使学习发生在较高认知水平层次上的心智活动或较高层次的认知能力，如分析、综合、评价和创造，利于学生对现实的创造过程进行改善，促进学生高阶思维发展(含批判性思维、创造性思维、推理性思维和决策等[13])，进而更好地培养学生的创新意识，帮助学生有效地创造。

此外，VLE还可应用于增强现实(Augmented Reality，AR)、混合现实(Mixed Reality，MR)等领域，不仅实现让人物走进虚拟世界，同时也可以实现虚拟事物走进现实世界的混合虚拟，使学生实时地“亲临现场”，增强学生学习过程沉浸感和体验感，更主动地与虚拟学习环境中的实体和代理相互联系，真正地实现了学生在体验中学习，是一种以学生为中心的学习，促进学生深度理解学习。

七、结论

VLE激发学生探索知识的内生动力，激励学习兴趣，主动思考，发现并提出问题，进行知识创新与重构。STEM教育是一个具有丰富内涵并且不断发展的理念，而Omosa VLE构建践行了STEM跨学科理念，使学生问题解决和知识建构过程提升学习者STEM学科素养，培养学生综合性思维(如计算性思维、高阶思维等)，增强学生空间想象能力和科学探究能力等。基于STEM的Omosa VLE具有挑战性科学话题，使学生感受类似于真实的学习场景，亲自参与到游戏化学习情境，并利用系统建模方法，使基于问题的情景化学习过程增强学习的沉浸感和知识与个体同在感。基于VLE的可视化学习不仅促进问题解决理解，也增强问题解决迁移。虽然，VLE存在认知冲突的现象，而学习者沟通和合作等对知识建构具有重要意义，使个体建构和协同建构机制能弥补学习者一般能力倾向的不足，影响学习者问题解决。总之，VLE是一个统一、能动、有机地复杂系统，为学习者提供颠覆性模拟真实体验感的同时，也促进学习者知识建构和问题解决。既提升学习者识记、领会、运用的低阶能力，也增强学生的分析、评价和创造的高阶能力。

[1] 证券日报.十三五”规划现“三新”虚拟现实等六大领域位居前沿[EB/OL].http://news.xinhuanet.com/fortune/2016-03/19/c_128813433.htm,2016-03-19.

[2] Saito, T.，Anwari, I.，Mutakinati, L.，Kumano, Y.A Look at Relationships (Part I): Supporting Theories of STEM Integrated Learning Environment in a Classroom -A Historical Approach[J]. K-12 STEM Education,2016,2(2):51-61.

[3] Jacobson, M. J., Taylor, C. E., Richards, D. Computational scientific inquiry with virtual worlds and agent-based models: new ways of doing science to learn science[J]. Interactive Learning Environments,2015,(11):1-29.

[4] Pathak S. To guide or not to guide: issues in the sequencing of pedagogical structure in computational model-based learning[J].Interactive Learning Environments, 2013, 23(6):715-730.

[5] 李国华.技术、学习、教育创新：教育技术的机遇与挑战：第十四届教育技术国际论坛在我校举行[EB/OL]. http://news.snnu.edu.cn/index.ph p?m=content&c=index&a=show&catid=71&id=13871,2015-10-08.

[6] 华东师范大学学习科学研究中心.任友群教授会见悉尼大学Michael J. Jacobson教授[EB/OL]. http://lsc.ecnu.edu.cn/02/ef/c4038a66287/page.htm,2014-06-27.

[7] 韩建华,姜强,赵蔚,刘东亮,GautamBiswas.智能导学环境下个性化学习模型及应用效能评价[J].电化教育研究,2016,(7):66-73.

[8] Richards, D., Jacobson, M. J., Porte, J., et al. Evaluating the models and behaviour of 3D intelligent virtual animals in a predator-prey relationship[A]. Conitzer, V. Proceedings of the 11th International Conference on Autonomous Agents and Multiagent Systems[C].Valencia: International Foundation for Autonomous Agents and Multiagent Systems, 2012.79-86.

[9] 陈凯,陈博,周宏. 基于Netlogo的化学建模教学案例评析及反思[J].中国电化教育,2010,(1):94-97.

[10] Bybee, R. W., Landes, N. M. What research says about the new science curriculum (BSCS)[J]. Science and Children, 1988, 25(8): 35-39.

[11] 韩建华,姜强,赵蔚. 基于元认知能力发展的智能导学系统研究[J].现代教育技术,2016,(3):107-113.

[12] Rowe, J. P., Shores, L. R., Mott, B. W., & Lester, J. C. Integrating learning, problem solving, and engagement in narrative-centered learning environments[J]. International Journal of Arti fi cial Intelligence in Education, 2011, 21(1):115-133.

[13] Fan-Ray Kuo ,Gwo-Jen Hwang.A Five-Phase Learning Cycle Approach to Improving the Web-based Problem-Solving Performance of Students [J].Educational Technology & Society,2014,17 (1):169-184.

Project-Based Analysis Concerning Omosa Virtual Learning Environment and Application Revelation Based on STEM Education Perspective

Han Jianhua1, Jiang Qiang1, Zhao Wei1, Michael J. Jacobson2
(1.School of Computer Science and Information Technology, Northeast Normal University, Changchun Jilin 130117; 2.Faculty of Education and Social Work, University of Sydney, NSW Australia 2006)

s:Omosa virtual learning environment (VLE) based on STEM has been developed by University of Sydney in Australia to model ecological system relationships in virtual planet, which enhancing to develop the ability of knowledge construction and innovation. The paper uses the modeling method to analysis internal construct model and external construct features in Omosa VLE.The internal model contains learner module, environment module, agent module, event module and intervention module, which coordinate harmoniously and orderly to build immersive and reality-like learning environment. Consequently, it helps students take part in science enquiry activities to meaningfully construct subject knowledge concerning science, engineer and so on. Based on the realization mechanisms of 3D environment and 2D environment and the reasoning mechanism and algorithmic choosing mechanism of individual agent, an open-end, complex and adaptive intelligent learning environment was developed. Students can actively explore the relationships among things in the virtual world and fi nd out the problem-solving strategies, and then it makes the leaning turn into an ecological process of making sense. Taking Netlogo as an example to make an empirical analysis, this paper designs a dual process model, and then it implements a project-based learning process, which combines with 5E model of learning cycle approach. Through questionnaires of students’ learning efficiency including self-efficiency, motivation, metacognition, skills, and so on, the results show that students’ learning efficiencies are higher than before. Additionally, cognitive tools, visual learning materials and learning resources of VLE help students improve problem-solving ability, promote the students’ development of computational thinking,creative thinking, and high-order thinking, which help to MOOC learning and Maker education.

Virtual Learning Environment; STEM; Omosa; Problem-Solving; Knowledge Construction

G434

A

韩建华：在读硕士，研究方向为个性化自适应学习(hanjh675@nenu.edu.cn)。

姜强：副教授，硕士生导师，研究方向为个性化自适应学习(jiangqiang@nenu.edu.cn)。

赵蔚：教授，博士生导师，研究方向为自适应学习、资源聚合、知识可视化(zhaow577@nenu.edu.cn)。

Michael J. Jacobson：教授，博士生导师，研究方向为学习科学、虚拟学习环境(michael.jacobson@sydney.edu.au)。

2016年9月18日

责任编辑：赵云建

1006—9860(2016)12—0022—09

*本文系教育部人文社会科学研究规划基金“大数据支持下的个性化自适应学习及教育测量研究”(基金编号：15YJA880027)、教育部人文社会科学研究规划基金“基于知识图谱的开放学习资源自主聚合研究”(基金编号：14YJA880103)、中央高校基本科研业务费专项资金研究成果。