夜雨聆风学习资料网

ARTICLE · 1391882

【C&E】小学数学自我调节学习的轨迹数据测量:在自适应学习平台中的实施与效度验证

【C&E】小学数学自我调节学习的轨迹数据测量:在自适应学习平台中的实施与效度验证

01

核心摘要

研究背景:自我调节学习(SRL)是影响学生学业表现的重要因素,数字学习环境中的轨迹数据为SRL测量提供新的可能。

研究目标:在台湾自适应学习平台(TALP)中开发基于轨迹数据的SRL测量方案,识别小学生在数学学习中的自我调节策略,并通过与自我报告问卷及标准化数学成绩的比较,检验该测量方案的效度。

研究方法: 研究平台操作数据 →将原始日志映射为具有理论依据的SRL过程→采用最优匹配、层次聚类和一阶马尔可夫模型,识别不同学习者类型及其行为转移模式→结合SRL自我报告问卷和标准化数学测验,通过方差分析与相关分析检验轨迹数据测量的有效性。

研究结果:1. 通过轨迹数据识别出三类学习者:练习导向型(165人)、策略型(39人)和综合型(28人)。2. 三类学习者的轨迹数据SRL得分和自我报告SRL得分都存在显著差异。3. 三类学习者的标准化数学成绩呈递增趋势,但组间差异未达到统计显著水平。4. 轨迹数据SRL得分与自我报告SRL得分呈显著正相关。5. 轨迹数据SRL得分与数学成绩呈正相关。

02

研究问题

RQ1: 在多大程度上能够通过小学学生在数字环境中完成数学学习任务时产生的轨迹数据,识别具有理论依据的SRL策略?

RQ2: 轨迹数据识别出的SRL策略是否与学生自我报告的SRL测量结果相关?

RQ3: 轨迹数据识别出的SRL策略是否与学生的数学成绩相关?

RQ4: 两种SRL测量结果之间的关联程度如何?它们分别与数学成绩存在怎样的关系?

03

研究设计与研究工具

(一)研究对象

台湾4所小学的232名五年级学生,其中男生121人,女生111人

(二)研究流程

第一阶段:准备与熟悉(15分钟)教师进行学习说明,学生熟悉TALP平台和相关任务

第二阶段:个人在线数学学习(约25分钟)学生独立使用TALP完成几何学习任务,系统自动记录行为轨迹

第三阶段:数据提取与分析:行为编码 → SRL过程识别 → 学习者聚类 → 测量效度验证

(三)研究工具

1. 轨迹数据测量方案的开发

第一步:构建行为库,分析TALP平台的12个学习模块,最终形成152种独立的行为。

第二步:构建过程库,以Bannert(2007)的SRL框架为基础,并结合TALP平台的设计特点,对认知与元认知过程进行适应性调整。

第三步:通过特定的行为组合及其顺序识别SRL过程。

第四步:将每名学生学习序列中检测到的SRL行为模式数量进行汇总,作为轨迹数据SRL得分。得分越高,代表检测到了更多SRL调节活动。

图1 轨迹数据测量方案

图2 过程库中包含的SRL过程

2.自我调节学习综合问卷(SRLIQ)

问卷关注自适应学习平台中的SRL。采用4×4概念结构:四个维度:认知、行为、情感、技术。四个调节过程:目标设置、策略选择、进度监控、反思与调整。内部一致性信度为Cronbach's α = .958。

3.标准化数学测验(SAAA)

SAAA是台湾面向三至八年级学生的标准化学业测验。五年级数学部分包含25道题,每题4分,总分100分,覆盖数与计算、测量、几何和代数四个领域。内部一致性信度为Cronbach's α = .75。

04

研究结论

  1. 轨迹数据能够识别不同的学习者行为类型。研究通过层次聚类和FOMM识别出练习导向型、策略型和综合型三类学习者。
  2. 轨迹数据与传统问卷表现出相同的群体排序。综合型学习者在轨迹数据和问卷中的SRL得分均最高,策略型次之,练习导向型最低。

  3. 轨迹数据与传统问卷两种SRL测量均与数学成绩具有中等程度正相关。

  4. 轨迹数据SRL与问卷SRL之间的较强相关,支持效标关联效度。

  5. 轨迹数据具有与问卷相近的实际测量价值,但其独立预测能力尚未得到充分验证。

05

文献来源

[1] Kuo, B.-C., Lin, C.-H., Chang, F. T.-Y., Yang, C.-W., Li, X., Raković, M., Li, T., Zhao, L., & Gašević, D. (2027). Trace-based measurement of self-regulated learning in primary mathematics: Implementation and validation within an adaptive learning platform. Computers & Education, 256, Article 105747. https://doi.org/10.1016/j.compedu.2026.105747

[2] Kuo, B.-C., Chang, F., & Mok, M. M. C. (2021). Measurement tools that both measure and promote technology-assisted self-regulated learning [Conference presentation]. 2021 ALTTAI Annual Consortium Meeting.

[3] Bannert, M. (2007). Metakognition beim Lernen mit Hypermedien: Erfassung, Beschreibung und Vermittlung wirksamer metakognitiver Strategien und Regulationsaktivitäten. Waxmann.

回首页,搜索你想要的文档

在首页搜索框输入关键词,快速定位资料

文库首页搜索指引 立即搜索

相关学习资料