物联网技术应用于学前儿童类比推理评价与学习支持的研究

郭力平 吕雪 罗艳艳 李一帆 赵玉仙

[摘   要] 在智慧教育背景下开展交叉学科研究，探究物联网技术在学前儿童类比推理评价与学习支持领域的应用。研究借助物联网技术设计类比推理工具，自动化采集和传输数据，采用认知诊断方法从更为微观的层面探究幼儿类比推理的特点、自动化反馈对幼儿类比推理学习的影响。研究发现，反馈和反馈+解释能够有效促进学前儿童类比推理能力的发展，促使学前儿童类比推理认知属性掌握模式的改变。利用物联网技术设计学前儿童学习与发展评价工具具有可行性和有效性，自动化反馈能够支持学前儿童类比推理学习。

[关键词] 反馈; 类比推理; 学前儿童; 物联网; 认知诊断; 认知模型

[中图分类号] G434            [文献标志码] A

[作者简介] 郭力平（1970—），男，湖南益阳人。教授，博士，主要从事学前教育评价、信息技术与学前教育研究。E-mail：lpguo@pei.ecnu.edu.cn。

一、问题的提出

教育信息化正处在迅速变革阶段，从“互联网+教育”到“智能+教育”，物联网、泛在教育、人工智能和大数据等新兴信息技术在教育中的应用得到越来越多的关注[1]，智慧教育成为教育信息化的新诉求与新视界[2]，智慧教育强调以学习者为中心，注重技术应用与支持，关注智慧教学的支持与评价等诸多问题。在早期教育阶段，教育信息化也是重要议题，新兴的信息技术与早期教育研究实践有机结合，对学前儿童学习与发展的评价、支持有着重要的意义，目前鲜有相关的实证研究，亟须学前教育领域的探索。

类比推理是一种重要的合情推理形式，是认识关系并将其从一个已知的情境迁移至相似情境的认知过程，是人类认知的重要组成部分[3]，在学科学习中，往往作为重要的数学素养。类比推理对儿童语言发展和概念转变有重要影响[4]，是科学学习的关键[5]，知识迁移的核心[6]，也是创造性和批判性思维的标志[7]。儿童早期就表现出类比推理能力[8]。以往的类比推理能力评价基于传统的教育与心理测验，仅报告被试的测验分数，无法揭示个体测验分数背后的认知特点，认知诊断测验突破了这一难题。目前类比推理认知诊断研究主要集中在中小学阶段，缺乏对学前儿童的关注。研究基于认知诊断方法，探究物联网这一新兴信息技术在学前儿童类比推理评价与学习支持中的应用。

二、文献综述

（一）物联网等新兴信息技术应用于教育领域的相关实证研究

关于智慧教育的理论探索与应用研究，学习过程是聚焦的主题，研究者探究新兴信息技术应用于儿童学习支持与评价的可行性和有效性[9]。有研究利用物联网、大屏融合以及多屏显示等技术构建用于大学生学习的混合式学习空间，探索新的教学与学习模式[10]。探索脑机交互技术对大学生学习成绩、学习态度的影响[11]。也有研究关注课堂教学与师生互动，采用新兴信息技术分析课堂中教学互动行为以及学生学习状态[12]，对交互式课堂生态系统进行构建并探究其对学习者的影响[13]，探究智能时代基于深度学习的课堂教学设计[14]，提出面向即时数据采集与分析的学习投入研究框架并进行验证[15]。此外，新兴信息技术在特殊儿童的教育与干预中也有应用，如利用增强现实技术改善自闭症儿童词汇认知能力[16]。可以看到教育信息化背景下智慧教育的实证应用研究逐步增多，研究内容广泛，研究采用的技术手段多样，但整体而言，研究还是处于探索阶段。从研究对象来看，尚缺乏对幼儿的关注。学前教育是终身教育的基础和起点，由于学前儿童的学习以感知操作和直观体验为主，基于屏幕的信息技术在早期教育中的适宜性还存在争议，而物联网等新兴信息技术在学前教育中有巨大的潜在应用空间。物联网借助射频技术、传感器等，按照约定的协议实现了人与人、人与物之间信息的实时交换与通信。物联网技术或可为学前儿童学习与评价提供支持，为智慧教育在学前教育阶段的实现提供技术支撑。

（二）物联网技术为学前儿童学习与评价提供新方式

借助物联网、云计算、人工智能等新技术开展智慧教育，强调对学习环境、学习方式与内容、教育评价与管理形式、方法的优化，新兴技术支撑的智慧学习强调学习的个性化、建构性和适宜性。在儿童学习与发展的评价、支持方面，即时与个性化的反馈是信息技术的优势，也正是传统幼儿教育存在的不足，由于班级师生比较低，班级规模较大，幼儿教师难以为每一位幼儿提供即时而有针对性的反馈信息以支持儿童的学习与发展。

在学习环境中，反馈通常是指提供给学习者的关于表现或理解的信息[17]。反馈被认为是促进学生学习的最有力方式。已有元分析证实了反馈对儿童学习和解决问题的优势[18]。反馈常常对儿童的数理推理产生重要影响，起到激发认知变化的作用[19]。鉴于类比推理在教学与学习领域的广泛应用，探究何种反馈能够促进儿童在具体学习情境中的类比推理能力显得十分重要。已有研究发现，针对任务结果提供反馈比单独练习更为有效[20]。整体而言，为年幼儿童提供反馈能够促进类比推理能力的发展，改进类比推理的问题解决策略[21]。除了反馈，自我解释也是教育领域常常应用的方法，是促进问题解决的有效機制[22]。自我解释包括个体对自身回答的解释和个体对其他主体回答的解释。研究发现，个体对自身回答的解释并没有表现出解决实际问题的优势。已有研究证明了儿童对其他主体给出的正确答案的解释对于儿童学习和问题解决的促进作用[23]。因此，在以往研究基础上，设计反馈和反馈+解释两种反馈条件，探索反馈和反馈+解释对学前儿童类比推理的影响。

随着信息技术的发展，基于计算机技术的反馈能够为学生的学习提供即时的一对一反馈，这种反馈是基于儿童对项目反应的标准化的反馈。此外，由于传统纸笔测验对于时间、空间和人力的需求以及数据处理的低效性，基于计算机技术的测评也越来越多。基于计算机的反馈和测评有很多优势，如能够提供更即时的反馈、自动计算得分、提高学习和测验效率[24]。大多数基于计算机技术的教学环境能提供对学前儿童练习的反馈，也能够针对学前儿童开展电子无纸化测评。然而，对于学前儿童而言，计算机虚拟的学习环境和教育评价并非最适宜的方式，它无法实现儿童与真实物质世界的互动，与儿童的认知发展特点不完全相符。那么，既能尊重学前儿童认知发展特点，又能实现学习反馈与评价的即时与高效是亟待解决的问题。能够实现人与物、物与物、人与人互联的物联网技术，为基于幼儿操作表现的自动化反馈提供了技术支持，摆脱了屏幕的限制，拓展了幼儿学习与评价的空间与模式。

（三）认知诊断为教育评价提供新视角、新方法

新一代测量理论的核心——认知诊断能够通过教育测验提供更为详细的诊断信息，从而更深入地了解学生的认知结构，展示学生的认知强项和弱项，报告个体的认知属性掌握情况。目前类比推理认知诊断研究主要集中在中小学阶段，学前儿童类比推理认知诊断研究初步得到关注，通过认知分析与实证研究构建并验证了学前儿童类比推理的认知模型，学前儿童类比推理认知模型包括规则理解、关系推断、两维问题解决和多维问题解决四个认知成分，四个属性关系为线性型，即规则理解是关系推断的前提，关系推断又是解决两维问题的前提，依此类推。被试属性掌握模式包括“0000”“1000”“1100”“1110”“1111”五种模式，“1000”代表被试只掌握了规则理解这一认知属性，“1100”代表被试理解规则并能够进行关系推断，但无法解决两维问题和多维问题，其他属性掌握模式依此类推。

综上，在智慧教育的理念下，研究应用物联网技术，设计能够自动化记录、传输测查过程和结果数据的类比推理测查工具，设计具有自动化反馈功能的类比推理材料，应用新兴技术开展学前儿童类比推理认知诊断评价与学习支持研究。

三、研究方法

研究为2（第一次测查、第二次测查，即被试内变量）×4（反馈组、反馈解释组、练习组、控制组，即被试间变量）两因素混合设计。

（一）研究对象

被试儿童根据539名幼儿园中大班儿童的类比推理认知诊断测验结果筛选，研究关注反馈对低类比推理水平儿童的影响，因为在539名儿童中主要类比推理认知属性掌握模式为“0000”和“1111”，两种模式的人数占比都在40%左右，所以研究关注更加需要支持的类比推理水平较低的儿童。研究从每个班级随机抽选9～12名类比推理认知属性掌握模式为“0000”的儿童。研究对象被随机分为四组，具体分为反馈组、反馈解释组、练习组和控制组。控制组仅参加两次测查任务，其他三个实验组参加测查和干预活动。

研究被试包括幼儿园中班和大班儿童121名，男生71名，平均月龄为66.7（SD=6.92）;女生50名，平均月龄为64.48（SD=7.18）。大班儿童57人，中班儿童64人。所有儿童均为正常儿童，无特殊教育需要儿童，各组人数见表1。

（二）研究工具与技术实现

1. 类比推理任务形式

测查和干预材料均根据西格勒（Siegler）、斯韦蒂纳（Svetina）及史蒂文森（Stevenson）等的动物图形矩阵任务改编[21，25]。类比推理认知诊断工具的内部一致性信度为0.907。类比推理任务选取的是儿童熟悉的马和大象动物图形，动物图形有大小、颜色（红、黄、蓝）、朝向（朝左、朝右）和种类四个维度的变化，与西格勒研究中的变化维度一致，共计24种动物图形。考虑操作性和趣味性，研究将24种动物图形卡片制作为4个骰子，作为一组，骰子是边长为4.5厘米的正方体，每个骰子上有6个动物图案，共计24个不同的动物图案。每次任务需要7个骰子，主试按题册依次呈现前3个动物骰子，再请幼儿从另外4个各不相同的骰子中帮助第三个动物“找朋友”。前测和后测任务均为20道题。具体题目样例如图1所示。后测题目与前测题目变化维度完全一致，仅在动物颜色上有变化。干预任务为20个，变换维度与前测后测任务一致，但存在大小、颜色、朝向和种类方面的不同。每一个类比推理任务是从4个骰子中选择答案。答案的选择是24选1，而非以往的6选1，或4选1，降低了猜测度，与儿童建构答案的测验形式基本一致，不会过度限制儿童问题解决方案的选择，从而更好地了解儿童如何解决类比问题[26]。

2. 类比推理任务借助物联网技术的实现方式

研究采用物聯网技术中的光学图像识别技术识别类比推理任务。Optical Identify（缩写为OID）光学图像识别技术是物联网的一种实现方式，OID光学识别技术用于对物体的标记和识别，用隐形码标签对物体进行标定，常见的点读笔就是基于OID技术设计。每个OID隐形码是由许多细微的点依照特定规则组成，并对应着一组特定的数值，OID隐形码能够很好地隐藏在印刷品的色彩之下。因此，类比推理骰子的每个面都标定了隐码，用以识别相应的动物图形。为了识别和传输数据，研究设计了放置骰子的类比推理盒子。盒子上部有四个格子，在测查和反馈以及练习活动中，骰子放置在相应格子中。盒子底部是隐藏放置的传感器、电池和微型计算机等元件。每个格子前面左下方均有类似点读笔的读头（Sonix二代技术），通过设定的运算程序识别和读取动物图形骰子最上面的图形元素，再经过传感器将光信号转化为电信号，传输到计算机中，具体的数据采集、传输流程如图2所示。

（三） 研究程序

1. 第一次测查

测查采取一对一个别施测的方式，主试均为学前教育专业硕士研究生和博士研究生，经过系统培训。正式测查开始前，先让被试摆弄观察4个骰子，让被试熟悉材料并引起兴趣。主试按照《测查手册》摆放并说明练习题，练习题共4道，每一练习题，主试均在被试选择确认后进行解释说明，讲解类比推理任务的规则。随即开始正式测查，测查期间无须讲解规则。测查时间大概15～20分钟。

2. 反馈和练习活动

作为实验组的反馈组、反馈+解释组和练习组参加为期四次的活动，两次活动间隔3～5天，每次时间为15～20分钟，活动周期为2～3个星期。反馈组和反馈+解释组使用具有自动反馈功能的类比推理材料，被试选择正确则出现闪烁绿灯，被试选择错误则出现红灯。如答案错误，被试可自行修改直至正确或由主试选出正确答案放至类比推理盒子中（活动中，被试均在错误后主动调整修改，被试尝试五次未成功，主试帮助被试选出正确答案）。反馈组在得出最终正确答案后开始下一任务，反馈+解释组在得知正确答案后，儿童需对正确答案作出解释。练习组儿童使用无反馈功能的类比推理材料，每一个任务完成后即进入下一个任务，无正确答案反馈。

3. 第二次测查

第二次测查在反馈和练习活动结束后的3～5天进行，程序与第一次测查相同，在被试熟悉材料后施测。

4. 数据分析

学前儿童类比推理认知诊断测验中由于认知属性之间是非补偿关系，即被试正确完成项目需要掌握此项目所测量的所有属性，即缺少其中任何一个属性都会导致被试作答错误或答对概率很低，因此，研究选择DINA模型（Deterministic Input，Noisy“and”Gate Model，确定型输入噪音与门模型）进行认知诊断数据分析，呈现被试的属性掌握情况， 使用R软件的 CDM 包（Version 4.6-0）进行认知诊断分析，所得数据运用SPSS25.0软件进行统计处理。

四、研究结果与分析

（一）四组被试类比推理的基线水平

比较四组被试类比推理前测分数，发现四组被试类比推理分数不存在显著差异，F（3，117）=1.131，p=0.942。为了解四组被试的年龄和性别分布是否一致，分别进行方差分析和卡方检验。通过单因素方差分析，发现四组被试之间的年龄不存在显著差异，F（3，117）=0.3，p=0.825。通过卡方分析，Pearson卡方值为2.044，自由度为3，显著性概率p=0.563，四组被试的性别分布不存在显著差异。因此，四组被试的类比推理基线水平相同。

（二）反馈对类比推理学习效果检验：基于测验分数

以类比推理测查得分为因变量进行重复测量方差分析，各组被试类比推理前后测分数描述统计结果见表2。进一步分析发现，两次测查时间的主效应极其显著，F（1，117）=446.2，p<0.001，η2=0.79，干预类型的主效应极其显著，F（3，117）=23.22，p<0.001，η2=0.37，测量时间与干预类型交互作用极其显著，F（3，117）=40.17，p<0.001，η2=0.51。

由于交互作用显著（如图3所示），故需进行简单效应检验，分析发现各组第一次测查分数无显著差异，F（3，117）=0.131，p>0.05，各组第二次测查分数存在极其显著差异，F（3，117）=35.69，p<0.001，η2=0.478，事后检验发现控制组得分显著低于练习组（p<0.01）、反馈+解释组（p<0.001）、反馈组（p<0.001），练习组得分显著低于反馈+解释组（p<0.001）和反馈组（p<0.001），反馈组和反馈+解释组的分数无显著差异（p>0.05），说明反馈的影响显著，反馈+解释和单独反馈相比并没有起到更大作用。从各组两次测查分数差异来看，各组前后测分数均存在显著差异，即反馈组（p<0.001，η2=0.807）、反馈+解释组（p<0.001，η2=0.771）、练习组（p<0.001，η2=0.379）和控制组（p<0.05，η2=0.081）的后测分数均显著高于前测分数，说明成熟和练习也能影响类比推理能力的发展，但后测各组之间的差异分析结果说明，反馈能更好地促进类比推理能力的发展。

（三）反馈对学前儿童类比推理认知属性掌握模式的影响

干预前，四组被试类比推理认知属性掌握情况相同，均未掌握类比推理，干预后，根据类比推理后测分数进行认知诊断分析，得出被试认知属性掌握模式。通过组别和属性掌握模式的交叉表分析，发现各组被试的属性掌握模式分布比较集中，反馈组85.3%的被试属于“1111”掌握模式，反馈+解释组74.2%的被试属于“1111”模式，练习组有41.9%的被试属于“1111”模式，45.2%的被试处于“0000”模式，控制组有72%的被试仍旧处于“0000”。交叉表中显示有60%（12个单元格）的单元格期望计数小于5，不适宜直接作卡方检验，因此，将5類属性掌握模式合并为三类，“0000”为未掌握，“1000”和“1100”为初步掌握，“1110”和“1111”为完全掌握。通过卡方检验发现，各组被试类比推理认知属性掌握模式存在显著差异，Pearson卡方值为50.274，自由度为6，p<0.001。根据交叉表中调整后的标准化残差值（AR值），未掌握模式中控制组（AR=5.3）的占比显著高于反馈组（AR=-3.9）和反馈+解释组（AR=-3.2）。初步掌握模式中，四组被试的占比没有显著差异。完全掌握模式中，控制组（AR=-5.4）的占比显著低于反馈组（AR=3.6）、反馈+解释组（AR=3.2）。说明反馈和反馈+解释均能促进学前儿童掌握类比推理认知属性。

（四）反馈对类比推理影响的性别和年级差异分析

反馈和反馈+解释两种反馈形式对类比推理学习效果的影响无显著差异，因此，将两个反馈实验组合并为一组，考察性别和年级因素对反馈效果的影响。研究基于后测的类比推理测验分数，运用单因变量方差分析考察性别和年级因素对反馈效果的影响。被试间年级主效应显著，F（1，61）=13.581，p<0.001，η2= 0.182，大班儿童得分显著高于中班儿童;性别主效应不显著，F（1，61）=0.128，p>0.05，η2=0.002;性别和年级交互作用不显著，F（1，61）=0.234，p>0.05，η2= 0.004。

再从被试类比推理认知属性掌握模式分布来看，运用卡方检验进行分析，卡方检验一般要求80%以上的单元格期望值大于5，否则卡方检验的结果偏差较为明显[27]。通过交叉表分析发现，不同年级和性别的儿童在五种类比推理认知属性掌握模式的人数分布不符合上述要求，因此，采用单元格合并法，根据人数分布特点，“1111”模式人数最多，其他四种模式人数均很少，多在5人以下，将五种认知属性掌握模式分为完全掌握组（“1111”）和未完全掌握组（包括其他四种认知属性掌握模式）。在此基础上，通过卡方检验发现不同性别儿童的类比推理认知属性掌握模式分布不存在差异，皮尔逊卡方值为1.132，自由度为1，p>0.05。中大班儿童的类比推理认知属性掌握模式分布也不存在差异，皮尔逊卡方值为3.633，自由度为1，p>0.05。

五、討   论

（一）物联网技术支撑的自动化反馈能够支持学前儿童类比推理学习

研究发现，反馈能够有效促进学前儿童类比推理学习与发展。反馈组和反馈+解释组儿童的后测分数显著高于练习组和控制组。自动化反馈有效支持了学前儿童类比推理学习。反馈起到积极作用，一是反馈减少了儿童任务表现的不确定性[28]，不确定性可能会分散个体执行任务的注意力[29]，而减少不确定性可能会使个体产生更高的行为动机，采取更有效的任务策略。其次，反馈可以有效地降低学习者的认知负荷，尤其是对新手或学习困难学生[30]。

反馈和反馈+解释对学前儿童类比推理能力发展的影响一致，反馈+解释并没有起到更好的作用。“元认知加工”理论强调，要求参与者提供解释可以促进高级认知加工水平。“心理表征”理论认为，提供解释有助于形成关于问题的完整和准确的心理表征。通过提供解释，儿童能够将新信息与现有知识结合起来，获得更完整的表征[23]。然而，反馈后个体对正确答案进行解释并未发挥更好的效果。一个原因可能在于，儿童的语言发展水平不及成人，有限的语言技能导致幼儿更依赖反馈，无法像成人一样有效表达自身的想法，无法从自我解释中获益。此外，让儿童对每一个任务进行解释，可能降低了儿童对问题解决的兴趣，也增加了儿童的认知负荷或者使儿童的注意力发生转移（从任务解决转移到答案解释）。与本研究结果一致，切西尔（Cheshire）等人的研究发现，反馈+自我解释与单独反馈的效果并无显著差异[20]。切西尔等的研究中自我解释在给予反馈之前，是个体对于自身答案的解释。由此可以看出，无论是在反馈前或反馈后进行解释，无论是个体对自身答案的解释（个体给出的回答）还是对主试给出的正确答案的解释，自我解释+反馈都没有比单独反馈起到更积极的作用。

总之，反馈对学前儿童类比推理能力的发展起到积极作用，反馈效果的作用机制包括两个方面：一是儿童在作出反应后立即给予反馈，增加了儿童解决问题的兴趣，激发了问题解决动机[31];二是反馈中传达的信息有助于理解任务目标[32]，有助于形成解决后续任务的策略和模式。

（二）认知诊断方法为反馈效果分析提供更为全面的信息

基于认知诊断方法，不仅可以了解自动化反馈对幼儿类比推理测验分数的影响，还可以从更为微观的层面得知被试儿童类比推理认知属性掌握模式的变化。通过提供反馈，被试儿童类比推理能力得到提升。大班儿童的类比推理测验分数显著高于中班儿童，而从类比推理认知属性掌握模式分布来看，大班和中班儿童无显著差异。这说明反馈能够有效支持中班和大班儿童类比推理的学习，使其掌握类比推理的四项认知属性。通过自动化反馈进行的类比推理学习，中大班儿童的类比推理水平没有质的差异，大班儿童的分数更高可能是对于大小、颜色、方向等维度更为熟悉，工作记忆水平更高所导致。

六、结论与展望

在教育信息化与智慧教育的背景下，研究将物联网技术应用于学前儿童学习评价与支持，通过具体的实践应用验证了物联网等新兴信息技术在学前教育中的应用方式与潜在空间。研究发现，融合了信息技术、教育学、心理学和测量学等多学科、多方法和手段的交叉学科研究虽然存在诸多挑战，但确实是未来教育领域学术研究与实践应用发展的方向。基于认知诊断方法，借助物联网技术所设计的学前儿童类比推理工具实现了对学前儿童的有效评价与学习支持。研究也说明基于物联网技术为学前儿童设计可操作化的评价或学习工具具有可行性和有效性。在学前儿童学习与发展评价以及学习支持研究中，未来可以借助物联网技术、眼动识别技术、视频录制与分析技术等，从幼儿学习态度、学习行为、学习风格以及学习过程的情绪与动机等多角度、多侧面地刻画幼儿的学习特征与表现，通过自适应学习与基于学习者特征的个性化反馈更好地支持幼儿学习与发展。随着多种新兴信息技术渗透到人们的工作、生活和学习各个方面，各级各类教育也随之正在发生深刻变革，云计算、大数据、人工智能和互联网+教育作为新兴信息技术的代表，也深刻影响着教育领域的教学、管理和评价等多方面内容[33]。

物联网技术既是某些新兴信息技术实现或融合需要利用的手段，也是新兴信息技术的组成部分。在教育领域，尽管人们已经意识到物联网在数据抓取方面的应用价值，探索也越来越深入，但是技术推进与教育内涵的联系仍旧脱节，教育领域的技术表层性应用研究较多，但与教育内涵相结合的研究较少，基本处在探索阶段[34]，尤其在学前教育阶段，平板电脑和智能手机已经深入到幼儿的生活与学习中，作为研究者需要更加关注一系列的新兴信息技术对学前儿童以及学前教育的影响，积极探索有价值的应用模式并进行理性思考。未来需要更多在保护个人和群体信息安全、尊重研究道德与伦理的情况下探索与推进教育内涵与新兴技术应用密切结合的研究。

[参考文献]

[1] 宋述强，钟晓流，焦丽珍，李海霞，杨智芳.中国教育信息化领域热点盘点与趋势展望——兼论《现代教育技术》杂志2020年选题策划[J].现代教育技术，2019，29（12）：122-126.

[2] 祝智庭，贺斌.智慧教育：教育信息化的新境界[J].电化教育研究，2012，33（12）：5-13.

[3] STERNBERG R J，GARDNER M K. Unities in inductive reasoning[J].Journal of experimental psychology： general，1983，112（1）：80-116.

[4] BLANCHETTE I，DUNBAR K. Representational change and analogy： how analogical inferences alter target representations[J].Journal of experimental psychology： learning， memory，and cognition，2002，28（4）：672-685.

[5] GLYNN S M，TAKAHASHI T. Learning from analogy-enhanced science text[J].Journal of research in science teaching ，1998，35（10）：1129-1149.

[6] ALEXANDER P A， MURPHY P K. Nurturing the seeds of transfer： a domain-specific perspective[J].International journal of educational research，1999，31（7）：561-576.

[7] MUMFORD M D， MEDEIROS K E， PARTLOW P J. Creative thinking： processes， strategies， and knowledge[J]. The journal of creative behavior， 2012， 46（1）：30-47.

[8] RATTERMANN M J，GENTNER D. More evidence for a relational shift in the development of analogy： children's performance on a causal-mapping task[J].Cognitive development，1998， 13（4）： 453-478.

[9] 馬小强，施建国，程莉莉，王珠珠.智慧教育的发展及价值取向分析[J].中国电化教育，2017（12）：1-6.

[10] 陈明阳，阳亚平，陈明，陈展虹.智慧教育视域下混合式学习空间的构建与实践研究[J].中国远程教育，2019（11）：79-85.

[11] 胡航，李雅馨，曹一凡，赵秋华，郎启娥.脑机交互促进学习有效发生的路径及实验研究——基于在线学习系统中的注意力干预分析[J].远程教育杂志，2019，37（4）：54-63.

[12] 贾鹂宇，张朝晖，赵小燕，闫晓炜.基于人工智能视频处理的课堂学生状态分析[J].现代教育技术，2019，29（12）：82-88.

[13] 黄志芳，周瑞婕，万力勇.混合学习环境下交互式课堂生态系统设计及实证研究[J].电化教育研究，2020，41（4）：78-85.

[14] 谢幼如，黎佳.智能时代基于深度学习的课堂教学设计[J].电化教育研究，2020，41（5）：73-80.

[15] 马志强，岳芸竹.面向即时数据采集与分析的学习投入纵向研究——基于经验取样法与交叉滞后分析的综合应用[J].电化教育研究，2020，41（4）：71-77.

[16] 陈靓影，赵俊敏，王广帅，张坤.增强现实技术在孤独症儿童干预中的应用研究——以词汇认知干预为例[J].现代教育技术，2019，29（8）：86-92.

[17] MORY E H. Feedback research revisited[C]//JONASSEN， D H. Handbook of research on educational communications and technology，2nd ed. Mahwah， NJ： Lawrence Erlbaum Associates Publishers. 2004：745–783.

[18] HATTIE J， TIMPERLEY H. The power of feedback[J].Review of educational research， 2007， 77（1）：81-112.

[19] NARCISS S，HUTH K. Fostering achievement and motivation with bug-related tutoring feedback in a computer-based training for written subtraction[J].Learning and instruction， 2006， 16（4）：310-322.

[20] BALL L J， CHESHIRE A， et al. Self-explanation， feedback and the development of analogical reasoning skills： microgenetic evidence for a metacognitive processing account[C]// Proceedings of the Annual Meeting of the Cognitive Science Society. California：University of California，2005：435-440.

[21] SIEGLER R S，SVETINA M. A microgenetic/cross-sectional study of matrix completion： comparing short-term and long-term change[J].Child development，2002，73（3）：793-809.

[22] RITTLE-JOHNSON B. Promoting transfer： effects of self-explanation and direct instruction[J].Child development，2006，77（1）：1-15.

[23] PINE K J，MESSER D J. The effect of explaining another's actions on children's implicit theories of balance[J].Cognition and instruction，2000，18（1）：35-51.

[24] VAN DER KLEIJ F M， FESKENS R C W， et al. Effects of feedback in a computer-based learning environment on students' learning outcomes： a meta-analysis[J].Review of educational research，2015，85（4）：475-511.

[25] STEVENSON C E， TOUW K W J， et al. Computer or paper analogy puzzles： does assessment mode influence young children's strategy progression？[J].Educational and child psychology，2011，28（2）：67-84.

[26] STEVENSON C E， HEISER W J， et al. Dynamic testing of analogical reasoning in 5-to 6-year-olds： multiple-choice versus constructed-response training items[J].Journal of psychoeducational assessment，2016，34（6）：550-565.

[27] 邱皓政. 量化研究与统计分析——SPSS中文视窗版数据分析范例解析（万卷方法）[M]. 重庆：重庆大学出版社， 2009.

[28] ASHFORD S J， BLATT R， et al. Reflections on the looking glass： a review of research on feedback-seeking behavior in organizations[J].Journal of management，2003，29（6）：773-799.

[29] KANFER R， ACKERMAN P L. Motivation and cognitive abilities： an integrative/aptitude-treatment interaction approach to skill acquisition[J].Journal of applied psychology，1989，74（4）：657.

[30] PAAS F，RENKL A，et al.Cognitive load theory and instructional design：recent developments[J].Educational psychologist，2003，38（1）：1-4.

[31] GARRIS R， AHLERS R， et al. Games， motivation， and learning： a research and practice model[J].Simulation & gaming，2002，33（4）：441-467.

[32] HESSELS M G P， VANDERLINDEN K， et al. Training effects in dynamic assessment： a pilot study of eye movement as indicator of problem solving behaviour before and after training[J].Educational and child psychology，2011，28（2）：101-113.

[33] 何克抗.21世紀以来的新兴信息技术对教育深化改革的重大影响[J].电化教育研究，2019，40（3）：7-14.

[34] 郭力平，何婷，吕雪，李姗姗.物联网技术和儿童学习与发展[J].学前教育研究，2020（1）：11-19.