行为认知视域下智适应融合式学习对学生的影响探究.pdf

1502024年1月上 第01期 总第421期学术研究China Science&Technology Overview1 问题提出进入新时代以来，我国高度关注高素质人才的培养与高水平教育的发展，对学生的自主学习能力提出了更高要求。在传统中学教育教学方面，教师长期遵循教学大纲进行教学，师生之间的课堂互动较少，学生以被动式学习为主。随着科技的发展，人工智能逐步被应用于教育领域，智适应融合式学习方式能够针对学生的个性化需求设计个性化学习方案，激发学生的自主学习能力、创造力与想象力。受国家政策支持、互联网繁荣发展等因素的推动，智适应融合式学习方式逐步成为新时代创新教学模式的重要发展领域1。以现有研究为基础，创新性地依据行为与认知视角，探究智适应融合式学习方式在行为与认知方面对学生学习的影响路径及程度，从而更好地对未来教育学习方式提出建议与展望。2 研究过程与设计2.1 研究方法与过程主要采用问卷调查法、层次综合评价法与结构方程模型的研究方法。在研究准备阶段，先利用问卷调查法收集数据，并以行为学习理论和认知行为理论为基础，分别采用信度分析、卡方检验、层次综合评价法以及结构方程模型进行研究分析。2.2 数据来源采取问卷调查法对全国中学生进行调查研究。共回收386 份问卷，有效问卷 383 份，有效率为 99%。调查问卷来自全国各地，但以广东省为主。3 研究分析与结果3.1 问卷信度分析为验证问卷的可靠性和一致性，运用 Cronbachs 系数进行信度分析，得出 Cronbachs 系数表（见表 1）。表1 Cronbachs 系数表Cronbachs 系数标准化 Cronbachs 系数项数样本数0.7110.7028383由表 1 可知，问卷的 Cronbachs 系数为 0.711，问卷信度可接受，问卷设计具有合理性与真实性。3.2 行为认知视角下传统学习与融合式学习差异的显著性检验为研究两种不同学习方式下学生行为认知的各层面是否存在显著差异性，采用卡方检验分析差异性水平。首先，以学习方式为定类变量进行分组，以行为认知作为另一定类变量，运用 Person 卡方检验分析不同学习方式下学生学习行为和认知是否存在显著性差异，结果如表 2 所示。结果显示，除学习内驱力来源在传统学习与智适应融合式学习两种学习方式下差异性较小，其他均呈现出显著性差异。表2 卡方检验总表层次XP周期性反馈25.050.0001针对性程度18.430.0001学习态度17.870.0001学习情绪21.080.0001学习投入程度9.0950.0281自我监督5.6290.090内驱力来源2.8910.409学习动机13.230.0043.3 行为认知视角下传统学习与融合式学习整体效果对比为研究传统学习和智适应融合式学习对学生产生综合影响的差异，采用层次分析模型与线性加权综合评价模型分别对两组数据进行分析研究。收稿日期：2023-05-15*基金项目：大学生创新创业训练项目校级项目（xj2022118451047）作者简介：毛杰（2002），男，湖北十堰人，研究方向：大数据分析。通讯作者：高玉虎（1994），男，陕西汉中人，硕士研究生，助教，研究方向：思政教育，学生管理。行为认知视域下智适应融合式学习对学生的影响探究*毛杰高玉虎秦泓欣唐琪祺（广东工业大学，广东广州 510000）摘要：随着人工智能教育的发展，智适应学习系统逐步得到应用。为帮助学生提升学习效果，以行为认知视角切入，对不同学习方式的学生进行问卷调查，针对调查结果分别使用层次综合评价模型研究智适应融合式学习与传统学习方式对学生学习成效的差异性，并使用结构方程模型研究智适应融合式学习方式对学生影响的具体路径及影响程度，从而得出相关研究结论，并对未来教育学习方式提出建议与展望。关键词：智适应融合学习；层次综合评价；结构方程模型；行为认知中图分类号：G434 文献标识码：B 文章编号：1671-2064(2024)01-0150-031512024年1月上 第01期 总第421期学术研究China Science&Technology Overview首先，在查阅大量相关文献的基础上,综合数位业内专家的意见基础上建立指标评价体系，如图 1 所示。在经过相关专家与学者对目标层和准则层选项的重要性两两比较赋值后，构建判断矩阵，通过一致性检验后，计算目标层与准则层组内各权重。层次分析法权重计算结果如表 3 所示（注：CR=CI/RI 分别为 0.09、0.084、0.081，CR 均 0.1，通过一次性检验）。总目标层目标层准则层综合影响效果指标评价体系操作性行为认知水平自主性行为周期性反馈针对性程度学习态度学习情绪学习动机内驱力自我监督投入程度图1 指标体系构建其次，将准则层下的各具体选项根据其程度水平依次赋值为 1、2、3、4（水平越高，分值越大），将每位调查者提交的选项经过线性加权模型计算最终得分。最后，分别求出不同学习方式的调查者最终得分的平均数，传统教学方式下学生平均综合得分为 2.1602，智适应融合式方式下学生平均得分为 2.4910，后者相较于前者得分高出 15.313%，即在行为认知视角下采用传统学习方式与智适应融合式学习的综合效果要较优于单一采用传统学习方式。表3 层次分析法权重计算结果表目标层权重/%准则层权重/%操作性行为表现29.697针对性学习75.0周期性反馈25.0认知水平53.961学习态度15.7学习情绪25.5内驱力35.3学习动机23.5自主性行为表现16.342自我监督33.3投入程度66.73.4 融合式学习方式下行为和认知因子路径影响关系探究为进一步研究传统学习方式与智适应学习融合式学习对学生行为与认知产生具体影响的差异和程度，基于行为学习理论和认知行为理论，结合调查学生具体学习影响改变情况，提出智适应融合式学习方式对学生行为认知具体影响的路径模型，采用结构方程模型对其进行具体研究分析。模型路径系数如表 4 所示。基于上述路径，显著性 P值均 0.1，水平上呈现显著性，拒绝原假设，因此构建的路径有效。模型模拟后的结果如图 2 所示。从模型中可以看出，最初的行为干预对学生的认知调整和行为改变标准路径系数分别为 0.804、1.02，说明最初的行为干预对学生具有极大的正向影响作用；对整体学习效果的标准路径系数为 0.98，说明最初的行为干预对学生具有极大的促进作用；行为改变对学习效果额标准路径系数为 0.16，说明后期行为改变对学生具有一定的正向促进作用。4 研究结论4.1 融合式学习方式与传统学习方式对学生的影响存在较显著的差异性采用智适应融合式学习的学生有更强的主动性，能够定期对自身学习情况、成果等进行自我反馈和修正。传统学习方式下，学生对周期性反馈与针对性学习程度表现欠佳。但在学生自我学习的内驱力上，传统学习方式与融合式学习方式显著性差异不强，说明智适应学习系统对学生内心的自我觉醒与认知影响程度欠佳。4.2 融合式学习方式对学生在行为认知上的综合影响效果更强智适应学习系统在学习方式上具有更强的针对性，能为学生提供个性化的解决方案，并做到定期反馈学生在学习中出现的问题，使学生能够及时纠正自己的错误和存在的问题，为其提供个性化的实时指导与干预。同时，融合式学习方式兼具传统学习方式下的师生互动交流、教师监督等优势，使融合式学习方式具备传统学习不具备的优势，对学生的综合影响效果更强。4.3 融合式学习方式对学生行为的干预矫正可以提升学习效果融合式学习方式下，智适应学习系统对学生某些原有的学习行为产生影响，使学生产生模仿行为，使原有的不良学习方式发生改变，并在引导下学会对自身学习情况进行周期性反馈，根据反馈情况有针对性地解决自身存在的问题，有利于激发学生的自我效能感，促使学生在学习中不断地投入更多的精力，形成良性正向循环。4.4 融合式学习方式促进学生认知调整是提高学习成效的关键学习行为转变所产生的正反馈作用会影响学生对学习表4 模型路径系数表Factor(潜变量)分析项(显变量)标准化系数 标准误P行为干预认知调整0.8040.242 0.000行为干预行为改变1.0230.570 0.001认知调整行为改变0.2090.400 0.094认知调整整体效果0.9840.902 0.001行为改变整体效果0.160.552 0.089图2 路径影响及其影响系数1522024年1月上 第01期 总第421期学术研究China Science&Technology Overview的认知，通过针对性学习可以解决学生面临的学习困难，并通过及时性反馈促进学生进步，使学生学习情绪发生转变，提高学生对该学科的学习热情与积极性，影响学生学习态度的改变，从而极大地提升学生的学习效率与成效。5 建议5.1 智适应学习教育的融合发展模式构建智适应学习教育的融合发展需要构建智适应与传统教育融合课程体系。要特别关注行为认知视域下，“教师-AI-学生”的三元主体课程体系的理论建构与实践探索2，开展教师、学生协同发展的创新高效课堂。课前阶段，整合线上、线下多元教育资源，增强教师备课与学生预习广度与深度，实现便利性与实效性的统一。课中阶段，创新智适应教育应用场景，协调面授反馈与在线学习，鼓励教师融合多元途径授课、学生丰富练习反馈。课后阶段，搭建数据驱动的教育管理信息系统，集“练、考、评、管”为一体，设计个性化学习路径，实现教师角色升级与学生个体的个性化发展。同时，发挥 AI 主体在教学过程中的协同与联结作用，使其贯穿“引导-前测-互动式学习-后测-小结”的教学全流程，强化学生主体自主学习能力，突出教师主体创新思维及人文关怀。5.2 推动智适应学习教育应用（1）加强政府支持，构建全方位政策引导。政府应坚持在“人工智能+教育”领域探索的主体地位，为智适应教育的应用提供全方位政策引领3。首先，构建人工智能与教育融合发展的顶层设计和整体布局，全面引领发展 AI教育应用。其次，加强对人工智能教育的资金投入，为学校、科研企业提供财政支持，推动智适应教育不断转型升级。最后，不断完善多层级 AI 人才培养与保障机制，可制定鼓励多方位、宽领域的“科技型+教育型”复合人才的方针政策，为推动智适应教育应用提供人才保障4-5。（2）整合教育资源，营造创新转型环境。为推动教育高质量发展，需以整合教育资源为杠杆，为教师赋能，为设施更新，以教学升级撬动智适应教育应用发展。软件方面，学校需充分接入 5G、AI、大数据等新一代信息技术，配备与先进智适应教育体系相适配的基础环境。硬件方面，需重视数字时代教师队伍的建设，增强“人工智能+教育”教师人才队伍的硬实力，促进教学模式的变革和教育理念的转变，汇聚智慧与力量，为更高质、高效的智适应教育技术应用教学奠基。（3）加快科技创新，推动科教深度融合。科技创新作为人工智能融入教育变革的重要驱动力，要实现理论到行动的无限可能性，以科技赋能协同创新。首先，加强人工智能教育基础理论研究，推动人工智能教育关键技术创新，增强人机交互能力，不断满足学生个性化教育需求。其次，加快建设学校、科研院所、企业的协同创新中心，三方共建，开展融合式教学探索研究，建设一批集教育、培训及研究于一体的区域共享型人才培养实践平台6-7。参考文献1 尚佩瑶,汪存友.智适应学习系统的学习效果及其影响因素研究:基于20002020年60项实验与准实验研究的元分析J.数字教育,2021,7(1):45-50.2 顾小清,李世瑾.人工智能促进未来教育发展:本质内涵与应然路向J.华东师范大学学报(教育科学版),2022,40(9):1-9.3 刘佳瑞.全球人工智能教育发展报告(节选)汉译实践报告D.南京:南京邮电大学,2022.4 崔炜,薛镇.松鼠AI智适应学习系统J.机器人产业,2019,27(4):84-94.5 廖菲菲,王成元.基于智适应学习系统的个性化学习环境构建J.中国信息技术教育,2022(15):91-94.6 张卫华.数据驱动下智适应课堂构建策略研究J.教育传播与技术,2022,30(S1):16-19.7 段永辉,张越,郭一斌,等.基于结构方程的EPC项目风险评价及策略建议J.会计之友,2021(2):104-110.Exploring the Impact of Intelligent Adaptation Integrated Learning on Students from the Perspective of Behavioral CognitionMAO Jie,GAO Yuhu,QIN Hongxin,TANG Qiqi(Guangdong University of Technology,Guangzhou Guangdong 510000)Abstract:With the development of artificial intelligence education,intelligent adaptive learning systems are gradually being applied.To help students improve learning effectiveness,this project takes a behavioral cognitive perspective and conducts a questionnaire survey on students with different learning methods,Using a hierarchical comprehensive evaluation model to study the differences in student learning outcomes between intelligent adaptive integrated learning and traditional learning methods,and using a structural equation model to study the specific paths and degrees of impact of intelligent adaptive integrated learning on students,relevant research conclusions are drawn and suggestions and prospects are proposed for future educational learning methods.Key words:intelligent adaptive blended learning;hierarchical comprehensive evaluation;structural equation model;behavioral cognition