协作学习投入的结构模型构建与机理阐释*

2023-12-20李艳燕杨现民

现代教育技术 2023年12期

李新李艳燕杨现民

协作学习投入的结构模型构建与机理阐释*

李新1李艳燕2[通讯作者]杨现民1

（1．江苏师范大学江苏省教育信息化工程技术研究中心，江苏徐州 221116；2．北京师范大学教育技术学院，北京 100875）

协作学习投入是在丰富的交互关系中形成的复杂状态，涉及学生的行为参与、协作知识建构以及社会情感交互等多维要素，与学生的学业成绩呈显著正相关。但是，目前学界对协作学习投入的内涵、结构以及内在机理等缺乏深层次的理解，影响着协作学习投入研究的深度和广度。为此，文章梳理了协作学习投入的概念演变历程，将其定义为一种集体贡献，取决于所有小组成员参与协作学习活动的程度，从而产生预期的学习结果。随后，文章对已有相关模型进行比较分析，并在此基础上以动态系统理论、社会认知理论等为基础，构建了协作学习投入的结构模型，揭示了个体与小组学习投入之间的相互作用关系，以及行为、认知、情感等维度之间的动态交互关系，同时阐释了该模型蕴含的五大内在机理。基于该模型，未来研究者可以从协作学习投入的多维刻画、自动化标记、演变机制分析、关键事件挖掘以及智能代理开发五个方面开展研究，以加强协作学习投入研究的深度与广度，提升协作学习效果。

协作学习投入；概念演变；结构模型；内在机理；研究启示

引言

协作学习作为现代教育体系中的重要组成部分，是培养学习者协作能力、促进学习者参与有意义的知识建构并创造新知识的重要学习方式[1]。在该情境中，协作学习投入被定义为一个与社会文化背景密不可分的群体过程，是在丰富的交互关系中形成的复杂状态，涉及学生的行为参与、协作知识建构以及社会情感交互等多维要素[2]，与学生的学业成绩呈显著正相关[3]。近年来，协作学习投入越来越受到研究者关注的原因主要体现在如下四个方面：①协作学习投入是有意义的协作学习发生的必要条件，是促进学习和学业成功的关键因素；②协作学习投入作为一种元结构，是一个既包括外显可观测指标（如学业表现、行为投入），又包括内隐过程性指标（如认知投入）的集合体；③协作学习投入会随着学习动机、学习环境以及学习任务发生动态变化，具有动态性与可塑性特征；④协作学习投入容易被教育实践者理解，并长期影响学生的学业表现。

与个体学习投入相比，协作学习投入更复杂，它是在个体社会性交互基础上塑造的复杂状态[4]，涉及个体和群体两个层面。但是，目前学界针对协作学习投入的内涵、结构以及内在机理等缺乏深层次的理解[5]，影响着协作学习投入研究的深度和广度。基于此，本研究将首先系统梳理协作学习投入的概念演变历程，厘清协作学习投入的内涵与特征；随后对已有相关模型进行比较分析，在此基础上以动态系统理论、社会认知理论等为基础，构建协作学习投入的结构模型，揭示多维要素之间的动态交互关系，同时阐释协作学习投入的内在机理；最后基于该模型提出未来协作学习投入的研究趋势，以期为加强协作学习投入相关研究、提升协作学习效果提供理论支持。

一协作学习投入的概念演变

学习投入的概念自提出以来受到了教师、学生以及研究者的广泛关注，但是在不同的学习情境中，学习投入的含义存在较大差异，而且不同学者和学科领域对学习投入有着不同的理解和解释。为了更好地了解协作学习投入概念的发展脉络，厘清协作学习投入的内涵与特征，本研究对学习投入的代表性观点进行了梳理，进而呈现协作学习投入概念的演变历程，如表1所示。

表1 学习投入的代表性观点

梳理学习投入的概念发现，自20世纪80年代学习投入被提出以来，其内涵在不断完善，但直到21世纪初学者才对学习投入的概念与性质达成共识，即将学习投入界定为一种元结构，其中的代表性观点是Fredricks等[12]将学习投入定义为学生对学校和学校活动的承诺或投入，主要包括行为投入、情感投入和认知投入。随后，Fredricks等[13]考虑到学习者之间的社会性交互对学习投入的影响，在三维框架的基础上提出了社会投入。社会投入是指学习者围绕学业任务的社会参与和互动，如参与课堂讨论和支持同伴学习活动，并被进一步划分为社会认知投入和社会情感投入。其中，社会认知是指学习者在同伴观点上建立新的知识，社会情感是指学习者关于同伴的想法或情感状态。社会投入考虑了学习过程中同伴之间的社会性互动、协作、寻求帮助等行为，丰富了以往针对个体学习投入的研究范畴，为研究协作学习投入奠定了重要基础。

协作学习情境中，高质量的协作学习过程涉及学习者的认知、动机和情感[14]，Miyake等[15]构建的团队学习模型指出协作群体何时以及如何参与知识建构，主要涉及认知和社会情感两个方面，其中认知交互使小组成员之间构建共同的知识体系成为可能，社会情感交互则促使小组成员更好地参与协作活动；Järvelä等[16]指出协作学习投入的核心是整合了学习者的认知交互和社会情感交互；Linnenbrink-Garcia等[17]也认为学生之间高质量的社会交互，即认知和社会情感方面的互动，是其有效参与协作任务的必要条件。由此可见，协作学习情境中的学习投入主要关注小组成员之间的社会交互质量，即围绕协作任务开展的社会认知互动和社会情感互动。

在梳理已有研究文献的基础上，本研究将协作学习投入定义为一种集体贡献，取决于所有小组成员参与协作学习活动的程度，从而产生预期的学习结果。其中，小组学习投入并不是个体学习投入的简单叠加，而是个体学习者在社会性交互活动中塑造的复杂状态，包括行为投入、认知投入和社会情感投入：①行为投入是指小组成员共同完成小组任务进程中的努力和坚持的意愿，体现出小组成员对任务的参与程度；②认知投入是指小组成员围绕共同的目标进行知识建构的学习过程，体现出小组成员对知识内容的吸收程度；③社会情感投入是指小组成员间发生的关于情感、动机的互动，体现出小组成员的认同感、凝聚力以及互动质量。通过厘清协作学习投入的概念，我们发现协作学习投入属于小组成员固有的学习状态，并不会在协作学习进程中消失，而是根据任务参与程度、知识建构的激活度以及社会情感交互状态在投入“连续体”两端波动[18]，即协作学习投入随着学习时间和任务阶段不断发生动态变化，这对其进行过程监测与动态支持提出了更大的挑战。

二协作学习投入的结构模型

协作学习投入结构模型的构建是加强我们对协作学习投入内涵、结构以及内在机理深层次理解的重要方式，也是拓展协作学习投入研究深度和广度的重要基础。因此，本研究首先对已有相关模型进行比较分析，指出其优势与不足，然后以动态系统理论、社会认知理论等为理论基础，构建了协作学习投入的结构模型。

1 已有模型的比较分析

为了更好地揭示协作学习投入的构成要素及其基本关系，已有学者面向协作学习情境构建了学习投入分析模型，为协作学习投入的研究提供了理论支持。例如，李艳燕等[19]基于学习投入四维框架，构建了在线协作学习情境中小组学习投入的分析模型，包括行为投入、社会投入、情感投入和认知投入四个维度，并进一步分析了各维度要素与学业表现之间的关系。李新等[20]基于协作学习投入理论、自我调节学习理论构建了协作学习情境中学习投入的数字化表征模型，指出该情境中的学习投入具有多维性、情境性、时序性、连续性等特征，同时提出了可操作的指标体系。张思等[21]基于群体认知理论框架和ICAP（Interactive-Constructive-Active-Passive Framework）框架，构建了面向在线协同知识建构的认知投入分析模型，并确定了10个可观测的显性指标，为认知投入的测量与分析提供了重要参考。马志强等[22]提出基于多模态交互信息表征协作学习投入，从协作学习投入的内涵与多模态交互信息的支持作用出发，构建了基于多模态交互信息的协作学习投入分析指导框架，指出协作学习投入分析包括整体性、多维性以及时序性三个特征。

整体来看，已有研究分别从协作学习投入的构成要素、测量指标、分析方法等方面构建了相应的分析模型，体现出协作学习投入的多维性、时序性、多层次的特征。但是已有分析模型缺乏对协作学习投入多维要素之间复杂动态关系，以及内外部因素对协作学习投入多重影响的阐释，这给持续追踪和监测协作学习投入的演变趋势以及提供动态支持提出了挑战。因此，本研究在已有模型的基础上，从协作学习投入的动态性、可塑性特征出发，构建了协作学习投入的结构模型，以揭示多重因素相互作用下协作学习投入的动态演变机制与特征，为提升协作学习效果提供支持。

2 结构模型的构建基础

针对协作学习投入的动态性特征，动态系统理论主要用于研究复杂系统和子系统的动态进化现象[23]，其目的是厘清因动态相互作用导致一个事件发生、变化或发展的基本过程和因素。该理论指出，复杂系统通过与环境的互动，在动态的自组织、自适应和自重构过程中发展，而且由于个体差异的影响，这些复杂系统经历了非线性关系以及变化和稳定等不同阶段[24]。基于该理论，协作学习投入的发展不再是一个线性的、可预测的、所有人都相同的过程。相反，协作学习投入成为一个非线性的动态复杂系统，有许多相互关联的子系统，如行为参与、知识建构、社会情感交互等，并在不可预测的轨迹中相互影响。

针对协作学习投入的可塑性特征，社会认知理论指出人类的发展和功能是复杂、动态的，其中人类行为来源于个人、环境和行为因素的相互作用[25]，人类的调节能力强化了个人、行为和环境的动态相互作用关系。基于该理论，在协作学习中，个体学习者通过自我调节控制其行为、认知、动机、情感以及元认知等，以应对内部和外部的各类影响因素，并作用于个体学习投入。考虑到协作学习中的社会性交互特征，自我调节学习又被延伸到社会调节学习，小组成员可以共同调节小组集体的行为、认知、动机、情感等，以应对小组层面面临的各种内外部影响因素，实现对小组学习投入的控制。

此外，自我决定理论系统地阐述了社会和文化背景下人类需求、动机和幸福的动态变化情况[26]，该理论从动机视角揭示了学习投入的动态演变机制：首先自我决定理论强调个体内部动机的重要性，这些动机会动态影响个体的自我决定程度，进而影响学习者学习投入的演变过程；其次，自我决定理论指出当学习者感到能力不足或者遇到挫折时，他们的自我决定程度和内在动机会受到影响，也就是说外部困难和挑战也可能成为导致学习者学习投入下降的重要因素；最后，自我决定理论为支持学习者的协作学习投入提供了启发，即可以通过为学习者提供外部支持以满足其心理需求，这有助于激发学习者的学习动机，进而促进其学习投入。

3 结构模型的构建

从协作学习投入的性质来看，协作学习投入作为固有的学习状态，并不会在学习进程中消失，而是在投入“连续体”两端不断波动，这主要是因为受到了来自内部或外部等多种因素的影响。针对内部因素，个体学习者的学习动机和先前知识直接影响了小组在任务开始阶段的学习投入状态，当学习者具备较好的学习动机和先前知识时，将会对后续的协作学习以及学习投入产生正面影响；当学习者存在学习动机不足或先前知识不足的情况时，则会对后续的协作学习以及学习投入产生负面影响[27]。除了内部因素，学习场景、任务条件等外部因素也会对小组学习投入产生正面或负面的影响，这种影响也将导致小组学习投入呈现不同的动态变化趋势[28]。此外，通过为小组提供群体感知、协作脚本或智能代理等外部学习支持也将导致小组学习投入发生动态变化，以帮助小组成员产生更好的投入状态，提升协作学习效果。

从协作学习投入的构成要素来看，个体学习投入是塑造小组学习投入的重要基础，而且个体学习投入通过外化的方式影响小组学习投入，小组学习投入通过内化的方式影响个体学习投入，这种相互影响的关系揭示了两者之间的转化机制，共同塑造了协作学习投入的状态。在此基础上，小组学习投入自身的性质决定了各维度在“连续体”两端不断波动，同时内外部多重影响因素将作用于不同维度，进一步强化学习投入多维要素之间的动态交互关系。此外，从学习者自身角度出发，个体学习者和小组成员通过自我调节学习与社会调节学习会主动调节内外部影响因素，最终实现对学习投入状态的动态影响。以上这些因素共同将协作学习投入塑造成一个非线性的、自组织的动态复杂系统，并在不同的时间尺度上呈现变化或稳定的状态。基于此，本研究构建了协作学习投入的结构模型（如图1所示），揭示了多重因素相互作用下协作学习投入的内在特征与发生机制。

图1 协作学习投入的结构模型

与已有模型相比，本研究构建的协作学习投入的结构模型不仅厘清了协作学习投入的基本构成要素，还进一步揭示了个体与小组学习投入之间的相互作用关系，以及行为、认知、情感等维度之间的动态交互关系，可为深入开展协作学习投入的过程监测与动态支持、提升协作学习效果等相关研究提供重要指导。

三结构模型蕴含的内在机理

协作学习投入的结构模型揭示了个体学习投入与小组学习投入的转化关系，以及个体学习投入如何通过社会性交互和个体对学习任务的投入程度动态塑造小组学习投入，为加强协作学习投入的相关研究和提升协作学习效果提供了理论支持。整体来看，该模型揭示了协作学习投入的五大内在机理，即个体与小组学习投入动态塑造协作学习投入、协作学习投入多维要素之间动态交互关联、多重影响因素导致协作学习投入动态变化、调节学习行为以动态构建与维持协作学习投入、外部学习支持策略动态优化协作学习投入。

1 个体与小组学习投入动态塑造协作学习投入

协作学习是一个社会性的实践活动，每位个体学习者的积极性与主动性都影响着小组集体的学习状态与学习效果。个体学习投入是个体学习者在行为、认知以及情感层面上对小组任务的参与程度。当个体学习者行为投入较高时，学习者会更加关注任务，积极参与小组讨论，主动表达自己的观点，为小组任务做出贡献；反之，当个体学习者行为投入较低时，学习者会对任务缺乏兴趣与主动性，影响小组的协作效果。当个体学习者认知投入较高时，学习者会为小组协作提供更有价值的思路与观点，同时帮助其他小组成员从中获取新的知识，有助于产生高水平的协作知识建构行为；反之，当个体学习者认知投入较低时，学习者在小组协作过程中无法主动对协作知识观点进行协商和建构，只是对其他成员的观点表示认同和附和，影响小组的协作质量。当个体学习者情感投入较高时，学习者将为塑造良好的小组氛围起到积极作用，增强同伴之间的信任感与小组凝聚力；反之，当个体学习者情感投入较低时，学习者将为小组传达更多的消极情感，影响小组的集体氛围与学习动机。在个体学习投入塑造小组学习投入的基础上，小组学习投入也将对个体学习投入产生直接影响，小组层面高水平的协作知识建构可以帮助个体学习者吸收和掌握更多的知识，激发其学习动机进而更好地投入到小组协作任务中，而积极、愉悦的小组交互氛围也可以让个体学习者获得更好的情感体验，提升个体学习的幸福感与获得感。

2 协作学习投入多维要素之间动态交互关联

协作学习投入动态波动的属性塑造了协作学习投入多维要素之间更加复杂多变的动态交互关系，即行为、认知、情感等不同维度的波动都会引起其他维度的动态演变，而且这种演变可能会呈现不同的特征。基于动态系统理论，协作学习投入多维要素之间的动态交互关联主要体现在三个方面：①非线性，即行为、认知、情感三维要素之间的关系是复杂且动态的，而非简单的、可预测的线性关系。例如，当小组成员的认知投入处于“连续体”的不同位置时，将会对行为和情感产生完全不同的影响，而这种影响无法通过简单的线性关系来呈现。②自组织，即学习者的行为、认知、情感的表现并不会遵循预先设想的方向发展，而是会受到学习者特质、任务性质、学习场景等多种因素的影响，以一种不可预测的方式任意发展。③特异性，即每一个小组在行为、认知以及情感方面的交互关系都以独特的方式运行。这种特异性体现了协作学习投入多维要素之间的复杂与多变，同时也表明不同小组之间可能会存在不同的动态交互关系。以上三个特点使协作学习投入的多维要素在各自的群体和不同程度上相互作用，共同影响协作学习投入的整体性与动态性。

3 多重影响因素导致协作学习投入动态变化

协作学习投入作为一个动态变化的学习状态，除了与自身性质和属性相关，也会受到内外部多重因素的影响。从内部影响因素来看，小组成员的学习动机会对小组学习投入产生直接影响，当个体或小组对学习任务感兴趣、自我效能感较高时，他们对学习任务有更高的投入度；反之，则投入度会下降，可能会对学习投入产生持续性影响。先前知识也会对学习投入的动态变化产生直接影响，而且这种影响可能会伴随整个学习过程，尤其是在先前知识不足时，学习者在认知方面会面临很大的挑战，这种挑战如果没有得到很好的调节，可能会对协作学习投入持续产生负面影响。从外部影响因素来看，学习场景是影响协作学习投入动态变化的重要因素，尤其是在线协作学习情境，对小组成员之间的感知提出了更大的挑战，这种挑战可能会对协作学习投入产生负面影响。此外，任务条件也是影响协作学习投入的关键因素，当任务难度过高时，小组成员会产生畏难情绪，从而影响学习动机，导致协作学习投入度下降；当任务难度过低时，小组成员则可能会失去学习兴趣，也会导致协作学习投入度下降。

4 调节学习行为以动态构建与维持协作学习投入

已有研究指出将调节学习理论与学习投入进行整合研究，可以帮助我们更好地追踪投入是如何通过调节学习行为构建和维持的，进而丰富我们对学习投入演变过程的理解。调节学习是一种刺激学习投入的意志性结构。针对协作学习投入，个体和小组将分别通过自我调节、社会调节去动态控制和应对内部和外部影响因素，从而构建学习者的学习投入状态。这种动态的构建维持关系将贯穿整个学习过程，并通过对学习投入状态的感知动态调整调节学习策略。调节学习本身包括计划、表现和反思三个阶段：①在计划阶段，小组成员分析任务并根据任务要求和个体先前知识等制定计划与策略，思考需要为之付出的努力以达到任务目标。②在表现阶段，小组成员主要在执行任务和监控任务进程，尝试保持最初的学习投入状态，以减少与预期目标和计划之间的差异。③在反思阶段，小组成员首先对他们的行为投入、认知投入和情感投入状态进行判断与评估，观察当前的投入状态以及任务进展，这个过程决定了学习者如何调整他们的学习策略以达到预期的学业表现。小组成员主动思考学习策略的有效性、行为参与的适当性、学业情感的倾向性以及小组任务完成程度等，并评估这些表现是否符合预期，如果存在差异，将调整自身的学习策略、学习行为以及学习情感，使其尽快达到预期的学习状态。

5 外部学习支持策略动态优化协作学习投入

协作学习投入具有可塑性特征，即可以根据外界条件的改变动态塑造和影响协作学习投入。协作学习投入的动态支持方式包括群体感知、协作脚本以及智能代理三种方式。其中，群体感知通过对协作学习过程进行实时监测与反馈，帮助个体和小组及时掌握学习进度，以调整学习策略和学习行为，提高学习效率和学习投入度，如群体感知工具实时呈现个体学习者在行为层面的参与度、在认知层面的贡献度以及在社会情感层面的活跃度。协作脚本通过为学习者提供指导或策略来提升学习投入度，如通过明确学习者的角色或任务来提升个体学习者对小组任务的参与度，加强小组成员之间的社会性交互；通过提供认知层面的支持，帮助学习者更好地理解任务和解决问题，以克服认知方面的挑战。智能代理是通过智能导师系统或会话代理与学习者进行实时交互，为其提供动态化支持，如个性化推荐，即根据学习者的学习历史和行为数据，为学习者提供个性化的学习资源和学习建议；问题解答，即利用自然语言处理技术与学习者实时交互，并为其提供与认知相关的问题解答，帮助学习者解决学习难题；智能提示，即根据个体和小组的协作情况与任务完成进度，提供智能化的提示，提高学习效率。

四模型对协作学习投入研究的重要启示

协作学习投入作为个体学习者在多维社会交互中塑造的复杂状态，是有意义学习发生的必要条件，也是促进学习和学业成功的关键因素。本研究基于协作学习投入的结构模型和内在机理，指出未来研究者可以从协作学习投入的多维刻画、自动化标记、演变机制分析、关键事件挖掘以及过程性支持五个方面开展研究，加强协作学习投入研究的深度与广度，提升协作学习效果。

1 融合多模态数据对协作学习投入进行多维刻画

协作学习投入涉及学习者的知识建构、情感表达、社会交互等多维要素，需要收集更多源的数据以全面揭示学习者的认知、行为和情感的表现。随着生成式人工智能、大数据等技术与教育教学的融合发展，多模态学习分析技术在捕捉、测量学生学习投入和学习行为方面具有重要潜能，能够帮助我们更好地理解复杂的学习现象，提升协作学习投入测评结果的一致性和准确性[29]。同时，可以通过智能学习平台和物联感知设备收集学习者的视频、音频、文本以及生理等数据，利用生成式人工智能大模型实现多模态数据的融合与对齐，全面刻画学习者的协作学习投入状态，规避传统单一模态数据在测评学习投入方面的局限性。因此，未来可以全方位收集学习者在协作过程中产生的视频、音频、日志等多模态数据，利用大模型实现对面部表情、文本对话、语音语调以及生理特征的自动分析与融合对齐，实现对协作学习投入的多维刻画，提升协作学习投入表征的准确性与全面性。

2 利用深度学习实现协作学习投入的自动化标记

协作学习投入动态、多维、可塑的特征对其测评方法提出了更高的要求。笔者对现有学习投入的测评方法进行了系统梳理，并将其概括为四类：自我报告、定性分析、生理测量以及智能测量[30]。但随着人工智能、机器学习、深度学习等技术的快速发展，如何规避传统测评方法存在的主观性强以及费时费力的问题，实现对协作学习投入的自动化标记成为协作学习投入测量与评价的新发展趋向。面向协作学习情境，已有研究利用机器学习的方式基于协作会话对学习投入进行自动化标记，但是这类方法存在准确性有限、泛化能力较差等问题。在自然语言处理领域，以BERT、BiLSTM为代表的深度学习与传统机器学习方法相比更具优势，准确性、可拓展性更大[31]。因此，未来可以基于学习者的协作会话数据，利用深度学习模型实现协作学习投入的自动化标记，以实现对学习投入的过程性追踪与分析，揭示协作学习投入的动态演变过程，加强我们对协作学习情境中学习投入动态演变机制的理解。

3 基于调节学习理论揭示协作学习投入的演变机制

协作学习投入的结构模型强调调节学习是影响和改变学习投入状态的重要能力。调节学习是学习者为了实现目标而对其动机、情感、认知、行为和环境的主动调节，涉及元认知（计划、监控、调节）和其他自我调节策略的使用[32]，这种主动的调节学习策略有助于学习者在协作过程中更好地保持投入状态。当学习者使用自我调节学习策略时，需要将注意力从当前的学习任务转移到自己的行为或内部状态上，如监控自己正在做什么或想什么。这种注意力的转移，即使是短暂的，也表明一个人已经退出了投入状态，不再沉浸在任务中。这种暂时性的中断将使学习者找出方法重新投入学习，并随后产生更深的投入[33]。已有研究指出，从调节学习的视角出发有助于我们更好地理解学习投入的发生机制与演变过程。因此，未来可以基于调节学习理论来追踪学习投入是如何被构建和维持的，这不仅能够加强我们对协作学习投入演变过程的理解，还能为协作学习投入支持策略的设计提供依据。

4 挖掘协作学习投入动态演变的模式与关键事件

协作学习投入的结构模型为深入开展协作学习投入的过程监测与动态支持、提升协作学习效果提供了重要支撑。但目前关于协作学习投入动态演变的典型模式、影响演变趋势的关键事件等问题仍不清晰，即协作学习投入是否存在具有代表性的演变模式与关键事件流，以及何种演变模式与学业表现的相关性最高等仍有待进一步挖掘。面向协作学习投入的动态演变过程，一方面可以提炼协作学习中学习投入的典型演变模式，体现协作学习投入的动态变化特征，包括学习投入何时上升、何时下降，学习投入背后的关键事件有哪些，进而提炼学习投入的关键事件流；另一方面可以对学习投入的演变模式与学业表现进行相关性分析，揭示何种演变模式对于提升小组学业表现的效果更好、哪些因素对学业表现的影响更大等。因此，未来可以通过挖掘协作学习投入动态演变的典型模式关键事件，来加强对协作学习过程的监测与理解，对于提升协作学习效果具有重要价值。

5 依托智能代理实现协作学习投入的过程性支持

协作学习投入的可塑性特征说明其可以被外界条件支持或调节，主要包括群体感知、协作脚本以及智能代理三种方式。梳理相关文献可以发现，目前针对协作学习投入的支持方式以群体感知工具为主，这种方式的优势是能够实时呈现个体和小组的任务进展，加强学习者之间的感知，进而促进学习投入。但是这种方式的应用场景主要局限在协同写作，对于其他情境的可拓展性受限，而且这些工具是为学习者提供“隐形指导”，并没有明确告诉学习者需要做什么，这在一定程度上也会影响工具的支持效果。伴随生成式人工智能的迅速发展，智能代理在支持学生学习过程中将发挥更大作用，不仅可以为学习者提供多模态的学习资源，还可以与学习者进行智能对话，帮助学习者更好地完成学习任务。因此，未来面向协作学习情境，可以充分发挥智能代理在自然语言生成、个性化生成以及多模态理解方面的优势，实现对协作学习投入的全流程、自动化支持。

[1]Goodyear P, Jones C, Thompson K. Computer-supported collaborative learning: Instructional approaches, group processes and educational designs[J]. Handbook of Research on Educational Communications and Technology, 2014:439-451.

[2]Stahl G. Theories of cognition in collaborative learning[J]. The International Handbook of Collaborative Learning, 2013:74-90.

[3]李新,李艳燕.基于系统性文献综述的国外学习投入实证研究分析[J].现代远程教育研究,2021,(2):73-83.

[4]马志强,岳芸竹,王文秋.基于多模态交互信息的协作学习投入分析[J].现代教育技术,2021,(1):47-53.

[5]Järvelä S, Järvenoja H, Malmberg J, et al. How do types of interaction and phases of self-regulated learning set a stage for collaborative engagement?[J]. Learning and Instruction, 2016,43:39-51.

[6]Natriello G. Problems in the evaluation of students and student disengagement from secondary schools[J]. Journal of Research and Development in Education, 1984,(4):14-24.

[7]Finn J D. Withdrawing from school: Review of educational research[J]. Chemistry of Heterocyclic Compounds, 1989,(3):319-325.

[8]Csikszentmihalyi M. Toward a psychology of optimal experience[A]. Flow and the Foundations of Positive Psychology: The Collected Works of Mihaly Csikszentmihalyi[C]. Dordrecht: Springer Dordrecht, 2014:209-226.

[9]Fredricks J A, Blumenfeld P C, Paris A H. School engagement: Potential of the concept, state of the evidence[J]. Review of Educational Research, 2004,(1):59-109.

[10]Reeve J, Tseng C M. Agency as a fourth aspect of students’ engagement during learning activities[J]. Contemporary Educational Psychology, 2011,(4):257-267.

[11]Fredricks J A, Filsecker M, Lawson M A. Student engagement, context, and adjustment: Addressing definitional, measurement, and methodological issues[J]. Learning and Instruction, 2016,43:1-4.

[12]Fredricks J A, Blumenfeld P C, Paris A H. School engagement: Potential of the concept, state of the evidence[J]. Review of Educational Research, 2004,(1):59-109.

[13]Fredricks J A, Filsecker M, Lawson M A. Student engagement, context, and adjustment: Addressing definitional, measurement, and methodological issues[J]. Learning and Instruction, 2016,43:1-4.

[14]Borge M, Ong Y S, Rosé C P. Learning to monitor and regulate collective thinking processes[J]. International Journal of Computer-Supported Collaborative Learning, 2018,13:61-92.

[15]Miyake N, Kirschner P A. The social and interactive dimensions of collaborative learning[A]. The Cambridge Handbook of the Learning Sciences[C]. Cambridge: Cambridge University Press. 2014:418-438.

[16]Järvelä S, Järvenoja H, Malmberg J, et al. How do types of interaction and phases of self-regulated learning set a stage for collaborative engagement?[J]. Learning and Instruction, 2016,43:39-51.

[17]Linnenbrink-Garcia L, Rogat T K, Koskey K L K. Affect and engagement during small group instruction[J]. Contemporary Educational Psychology, 2011,(1):13-24.

[18]Payne L. Student engagement: Three models for its investigation[J]. Journal of Further and Higher Education, 2019,(5):641-657.

[19]李艳燕,彭禹,康佳,等.在线协作学习中小组学习投入的分析模型构建及应用[J].中国远程教育,2020,(2):40-48.

[20]李新,李艳燕.协作学习情境中学习投入数字化表征模型的构建与应用[J].中国远程教育,2022,(8):70-77.

[21]张思,何晶铭,上超望,等.面向在线学习协同知识建构的认知投入分析模型及应用[J].远程教育杂志,2020,(4):95-104.

[22]马志强,岳芸竹,王文秋.基于多模态交互信息的协作学习投入分析[J].现代教育技术,2021,(1):47-53.

[23]Nematizadeh S, Wood D. Willingness to communicate and second language speech fluency: An investigation of affective and cognitive dynamics[J]. Canadian Modern Language Review, 2019,(3):197-215.

[24]Bahari A. Computer-assisted language proficiency assessment tools and strategies[J]. Open Learning: The Journal of Open, Distance and E-Learning, 2021,(1):61-87.

[25]Bandura A, Freeman W H, Lightsey R. Self-efficacy: The exercise of control[J]. Journal of Cognitive Psychotherapy, 1999,(2)13:158-166.

[26]Ryan R M, Deci E L. Intrinsic and extrinsic motivation from a self-determination theory perspective: Definitions, theory, practices, and future directions[J]. Contemporary Educational Psychology, 2020,61:101860.

[27]Greene B A. Measuring cognitive engagement with self-report scales: Reflections from over 20 years of research[J]. Educational Psychologist, 2015,(1):14-30.

[28]Li S, Lajoie S P. Cognitive engagement in self-regulated learning: An integrative model[J]. European Journal of Psychology of Education, 2022,(3):833-852.

[29]Blikstein P, Worsley M. Multimodal learning analytics and education data mining: Using computational technologies to measure complex learning tasks[J]. Journal of Learning Analytics, 2016,(2):220-238.

[30]李新,李艳燕,包昊罡,等.学习投入测评新发展:从单维分析到多模态融合[J].电化教育研究,2021,(10):100-107.

[31]Liu M, Zou W, Shi Y, et al. What do participants think of today’s MOOCs: An updated look at the benefits and challenges of MOOCs designed for working professionals[J]. Journal of Computing in Higher Education, 2020,32:307-329.

[32]Pintrich P R. A conceptual framework for assessing motivation and self-regulated learning in college students[J]. Educational Psychology Review, 2004,16:385-407.

[33]Reed J L H, Schallert D L, Deithloff L F. Investigating the interface between self-regulation and involvement processes[A]. Using Qualitative Methods to Enrich Understandings of Self-regulated Learning[C]. London: Routledge, 2023:53-57.

Structural Model Construction and Mechanism Interpretation of Collaborative Learning Engagement

LI Xin1LI Yan-yan2YANG Xian-min1

Collaborative learning engagement is a complex state formed in a rich interactive relationships, involving multiple dimensions such as students’ behavioral participation, collaborative knowledge construction, and social emotional interaction, and had a significant positive correlation with students’ academic performance. However, there is a lack of in-depth understanding of the essence, structure, and internal mechanisms of collaborative learning engagement in academic circles, which affects the depth and breadth of collaborative learning engagement research. Therefore, the paper reviewed the concept evolution of collaborative learning engagement, and defined it as a collective contribution dependent on the participation degree of all group members in collaborative learning activities, so as to produce the anticipated learning outcomes. Subsequently, this paper made a comparative analysis of the existing relevant models and constructed a collaborative learning engagement structural model based on dynamic system theory and social cognitive theory, revealing the interactive relationship between individual and group learning engagement and the dynamic interaction between dimensions such as behavior, cognition, and emotion. Meanwhile, the five internal mechanisms contained in this model were explained. Based on this model, future researchers can carry out research from five dimensions of multidimensional characterization of collaborative learning engagement, automated annotation, evolutionary mechanism analysis, key events distillation, and intelligent agents development. These endeavors will strengthen the depth and breadth collaborative learning engagement research, consequently enhance the effectiveness of collaborative learning.

collaborative learning engagement; concept evolution; structural model; internal mechanism; research implications.