面向即時數(shù)據(jù)采集與分析的學(xué)習(xí)投入縱向研究

馬志強(qiáng) 岳蕓竹

[摘? ?要] 在在線與混合式學(xué)習(xí)投入研究中，如何采集學(xué)習(xí)過程中產(chǎn)生的即時投入數(shù)據(jù)，刻畫不同群體的投入特征，探索認(rèn)知、行為與情感投入之間的復(fù)雜關(guān)系是研究者面臨的重要挑戰(zhàn)。研究提出面向即時過程數(shù)據(jù)的學(xué)習(xí)投入動態(tài)分析框架，其包含即時性、持續(xù)性、多維性，并據(jù)此提出學(xué)習(xí)投入縱向研究設(shè)計思路，綜合采用經(jīng)驗(yàn)取樣法、交叉滯后分析與聚類分析法對混合式學(xué)習(xí)投入進(jìn)行分析。研究發(fā)現(xiàn)，基于認(rèn)知、情感與行為子投入水平可將學(xué)習(xí)者聚類成四類群體：淺層投入、中等投入、深層投入與愉悅投入，學(xué)習(xí)者在認(rèn)知、行為與情感維度的投入是不均衡的。認(rèn)知、情感與行為子投入之間的預(yù)測關(guān)系很可能受到時間、學(xué)習(xí)環(huán)境等因素的影響。研究結(jié)果也進(jìn)一步表明：面向即時數(shù)據(jù)采集與分析的縱向研究設(shè)計為精準(zhǔn)刻畫學(xué)習(xí)者投入特征提供有效路徑，也為深入揭示學(xué)習(xí)投入子維度之間的預(yù)測關(guān)系及中介因素提供了可能。

[關(guān)鍵詞] 學(xué)習(xí)投入; 學(xué)習(xí)分析; 經(jīng)驗(yàn)取樣法; 交叉滯后分析; 縱向研究

[中圖分類號] G434? ? ? ? ? ? [文獻(xiàn)標(biāo)志碼] A

[作者簡介] 馬志強(qiáng)（1983—），男，內(nèi)蒙古呼和浩特人。副教授，博士，主要從事計算機(jī)支持的協(xié)作學(xué)習(xí)、學(xué)習(xí)分析與評價的研究。E-mail：mzq1213@jiangnan.edu.cn。岳蕓竹為通訊作者，E-mail：Yyz19960114@163.com。

一、引? ?言

隨著在線學(xué)習(xí)與混合式學(xué)習(xí)的“高輟課率”“低參與度”等質(zhì)量危機(jī)逐漸得到重視，促進(jìn)學(xué)習(xí)者有效投入學(xué)習(xí)過程中被認(rèn)為是提升在線與混合式學(xué)習(xí)質(zhì)量的關(guān)鍵，因此，眾多學(xué)者開始關(guān)注學(xué)習(xí)投入研究[1]。學(xué)習(xí)投入能夠?qū)⒄J(rèn)知、情感與行為等與學(xué)習(xí)相關(guān)的獨(dú)立因素整合到一個概念框架中，從而為預(yù)測學(xué)習(xí)績效提供整合的框架與思路[2-3]。當(dāng)前，在線與混合式學(xué)習(xí)投入研究面臨即時投入數(shù)據(jù)收集、動態(tài)投入趨勢分析、多維投入關(guān)系挖掘等方面的挑戰(zhàn)。如從即時投入數(shù)據(jù)收集來講，線上數(shù)據(jù)記錄、自我報告等傳統(tǒng)投入獲取方式難以收集認(rèn)知、情感等多維度的即時投入數(shù)據(jù)[4-5];從動態(tài)投入趨勢分析來講，已有研究基本都是橫斷面研究（Cross-sectional Study），即采集并描述特定時間點(diǎn)被試的學(xué)習(xí)投入狀態(tài)數(shù)據(jù)，忽視投入的滯后效應(yīng)，同時難以反映學(xué)習(xí)投入的動態(tài)變化過程[6-7];從多維投入關(guān)系挖掘來看，已有研究主要采用描述性統(tǒng)計或回歸分析，僅能表征簡單的線性關(guān)系，缺少對不同階段認(rèn)知、行為與情感投入之間縱向影響關(guān)系的深入描述[8]。綜上所述，在線與混合式學(xué)習(xí)投入研究亟須探索新的設(shè)計與方法來改善研究質(zhì)量。

對此，本研究提出了面向即時數(shù)據(jù)采集與分析的學(xué)習(xí)投入研究框架，提出縱向研究的設(shè)計思路。運(yùn)用經(jīng)驗(yàn)取樣法收集混合式學(xué)習(xí)過程中的即時性投入數(shù)據(jù)，采用交叉滯后分析法、聚類分析法等方法分析學(xué)習(xí)投入的縱深數(shù)據(jù)，深入探討認(rèn)知、行為及情感投入狀態(tài)在不同時間階段的特征與相互關(guān)系。研究通過縱向研究設(shè)計、即時性數(shù)據(jù)采集、縱深過程數(shù)據(jù)分析等研究設(shè)計與方法來精準(zhǔn)刻畫學(xué)習(xí)者投入特征，深入挖掘?qū)W習(xí)投入子維度之間的相互預(yù)測關(guān)系，以期提升學(xué)習(xí)投入量化分析與建模研究的質(zhì)量。

二、面向即時數(shù)據(jù)采集與分析的投入縱向研究

（一）面向即時數(shù)據(jù)采集的學(xué)習(xí)投入分析理論框架

學(xué)習(xí)投入分析理論框架試圖將當(dāng)前對學(xué)習(xí)投入狀態(tài)分析的靜態(tài)橫斷面研究轉(zhuǎn)向動態(tài)的縱向研究。靜態(tài)橫斷面研究僅僅采集特定時間點(diǎn)的數(shù)據(jù)，難以精確反映學(xué)習(xí)投入的動態(tài)變化?？v向研究（Longitudinal Study）也稱作追蹤研究，是指在一段相對長的時間內(nèi)對同一個或同一批被試進(jìn)行重復(fù)的研究?？v向研究的價值在于，能夠較為完整地獲取投入狀態(tài)數(shù)據(jù)，發(fā)現(xiàn)學(xué)習(xí)投入的變化趨勢?？蚣苤饕糠?，如圖1所示。

1. 即時性—變量滯后效應(yīng)

學(xué)習(xí)投入已有的數(shù)據(jù)收集方法大多采用自陳測驗(yàn)法對學(xué)習(xí)投入進(jìn)行回溯[9]，即全部學(xué)習(xí)活動結(jié)束后讓學(xué)習(xí)者報告學(xué)習(xí)投入情況。該方法便于采集多維度的大規(guī)模投入數(shù)據(jù)，但數(shù)據(jù)依賴學(xué)生對自我投入的主觀判斷，數(shù)據(jù)的可信度不高[10]。此外，這種傳統(tǒng)的數(shù)據(jù)采集方法具有一定程度的滯后性和延遲性，不能保證采集到的數(shù)據(jù)能夠準(zhǔn)確代表學(xué)習(xí)過程中學(xué)習(xí)者的行為或主觀感知，這些數(shù)據(jù)分析出來的因果關(guān)系和影響因素關(guān)系可能是偶發(fā)的。因此，在研究中應(yīng)采集即時的投入數(shù)據(jù)，獲取被試的第一反應(yīng)。

2. 持續(xù)性—投入動態(tài)效應(yīng)

學(xué)習(xí)是一個復(fù)雜的過程，學(xué)習(xí)者在學(xué)習(xí)過程中的認(rèn)知、行為和情感的表現(xiàn)可能隨著學(xué)習(xí)時間和情境不斷發(fā)生變化。此外，個體的認(rèn)知和情感極易受到環(huán)境影響[11]。為了全面分析整個學(xué)習(xí)過程中投入的狀態(tài)，需要保證數(shù)據(jù)收集的持續(xù)性。即在學(xué)習(xí)過程中多次采集數(shù)據(jù)，比如分階段在特定的時間或者特定的事件進(jìn)行數(shù)據(jù)的收集。這樣能夠更為有效地分析個體投入隨時間和情境的變化趨勢或?qū)W習(xí)投入子維度之間的關(guān)系及其影響因素。因此，學(xué)習(xí)投入縱向研究應(yīng)保證持續(xù)采集整個學(xué)習(xí)過程中不同時間點(diǎn)的學(xué)習(xí)投入數(shù)據(jù)。

3. 多維性—投入內(nèi)在效應(yīng)

多維性指的是從多維度挖掘投入狀態(tài)信息，如關(guān)注時間、學(xué)習(xí)環(huán)境等維度，也指學(xué)習(xí)投入子維度之間的相互預(yù)測關(guān)系。已有研究的多維分析主要為簡單的線性分析，多數(shù)研究只關(guān)注線上學(xué)習(xí)，無法揭示投入子維度在時間和空間序列上的復(fù)雜關(guān)系。學(xué)習(xí)投入是多維度的復(fù)雜概念體系，厘清學(xué)習(xí)投入的內(nèi)部結(jié)構(gòu)關(guān)系有助于區(qū)分學(xué)習(xí)投入內(nèi)外部變量的影響效應(yīng)。采用多維交叉分析方法，可以從學(xué)習(xí)投入子維度、學(xué)習(xí)不同階段以及線上線下學(xué)習(xí)環(huán)境等方面交叉進(jìn)行數(shù)據(jù)分析與挖掘，有助于深度識別學(xué)習(xí)投入子維度之間的關(guān)系以及學(xué)習(xí)者投入特征。盡管已有研究也探索了學(xué)習(xí)投入子維度之間的預(yù)測關(guān)系，但只驗(yàn)證了單一方向的假設(shè)關(guān)系，后續(xù)研究需要考慮競爭假設(shè)方法的應(yīng)用，從多方向、多角度探究學(xué)習(xí)投入子維度的關(guān)系。

（二）面向即時過程數(shù)據(jù)采集的縱向研究設(shè)計

為了保證學(xué)習(xí)投入研究數(shù)據(jù)收集與分析的即時性、多維性和持續(xù)性，本研究提出了學(xué)習(xí)投入縱向研究設(shè)計思路，主要體現(xiàn)在被試篩選、工具開發(fā)、數(shù)據(jù)采樣和數(shù)據(jù)分析方面，如圖2所示。

1. 樣本質(zhì)量保證

無論采用何種數(shù)據(jù)收集方法，被試必須都是自愿參與研究的，并且盡量保證完整參與整個研究過程。而即時性過程數(shù)據(jù)的收集周期較長、抽樣次數(shù)多，被試的任務(wù)相對繁重，考驗(yàn)其耐心和注意力，所以更要重視被試的參與意愿和意愿維持，這樣才能保證數(shù)據(jù)的信效度并避免數(shù)據(jù)大量缺失的問題。鑒于此，可以采取一定獎勵措施吸引和維持被試，如采用實(shí)物獎勵，建立穩(wěn)固的研究關(guān)系。另外，也可以在研究進(jìn)展過程中與被試深度交流，維系被試參與的積極性。

2. 工具開發(fā)

學(xué)習(xí)投入即時數(shù)據(jù)的收集需要借助兩種工具：時間提醒工具和數(shù)據(jù)收集工具。時間提醒工具即在指定的時間點(diǎn)通知被試即時參與投入的評估。傳統(tǒng)取樣法借助輔助工具，使被試在學(xué)習(xí)過程中的多個瞬間進(jìn)行自我報告，從而達(dá)到自然情境下采集即時數(shù)據(jù)的目的[11]。在移動互聯(lián)環(huán)境中，時間提醒工具可以為通信軟件彈窗、APP等。數(shù)據(jù)收集工具主要為電子量表或紙質(zhì)量表。被試在收到作答信號后，需要立即回答測量問題。由于需要多次測量，所以量表的題目不宜過多，作答時長應(yīng)控制在1—2分鐘之內(nèi)[12]。如果被試在收到信號后沒有立即作答，可通過再次發(fā)送或者發(fā)送其他信號進(jìn)行多次提醒[13]。根據(jù)實(shí)際情境，如果被試超過一定時間沒有反應(yīng)，則該數(shù)據(jù)作廢[14]。

個體對自我在學(xué)習(xí)過程中的投入報告，是獲取學(xué)習(xí)投入狀態(tài)的最直接的方式，通常采用量表對個體的情況進(jìn)行評分，如采用五點(diǎn)里克特量表[5]。已有評價量表如全美大學(xué)生學(xué)習(xí)投入調(diào)查（NSSE）、學(xué)生學(xué)校投入問卷（SSES）等，但多為自陳測驗(yàn)形式的量表[4，15]，即只能在學(xué)習(xí)結(jié)束時填寫一次，不具有重復(fù)填寫的屬性。國外關(guān)于即時數(shù)據(jù)采集的量表較多[16-17]，但如要遷移到國內(nèi)，還需要結(jié)合研究情境和學(xué)習(xí)者個體的情況對問卷的題目進(jìn)行處理。

3. 數(shù)據(jù)采樣

學(xué)習(xí)投入縱向研究需要獲取即時數(shù)據(jù)和過程性的數(shù)據(jù)。經(jīng)驗(yàn)取樣法（Experience Sampling Method， ESM）是一種旨在獲取日常學(xué)習(xí)或工作狀態(tài)下個體的真實(shí)行為、感受和思想的即時數(shù)據(jù)收集方法[18-19]。在一段時間內(nèi)，研究者借助輔助工具提醒被試，讓被試在諸多瞬間回答問題，從而達(dá)到收集即時數(shù)據(jù)的目的。常見的取樣方法有四種，分別為隨機(jī)取樣、固定采樣、基于事件的采樣和情境感知經(jīng)驗(yàn)取樣[11]，具體介紹如圖2所示。其中，隨機(jī)取樣易引起被試疲勞，且不易把握情境的動態(tài)變化，因此，抽樣時間間隔最少為10分鐘[20]。固定取樣的時間劃分必須符合當(dāng)下的研究情境，以保證抽樣頻率與所研究的對象特征匹配[21]。

4. 數(shù)據(jù)分析

針對學(xué)習(xí)投入子維度和學(xué)習(xí)階段進(jìn)行多維數(shù)據(jù)分析，可以采用交叉滯后分析法建立兩個或兩個以上的競爭性模型，探究認(rèn)知、行為和情感投入在不同學(xué)習(xí)階段的預(yù)測關(guān)系。交叉滯后分析法（Cross-lagged Panel Analysis）是處理縱向數(shù)據(jù)的方法，可以用來探究一段時間內(nèi)變量之間的預(yù)測關(guān)系，為未來時間段內(nèi)的某變量找到預(yù)測指標(biāo)，有利于揭示某些變量在縱向時間序列上的因果關(guān)系，如探討青少年心理彈性變化的內(nèi)在機(jī)制[22]。另外，也可基于子投入的水平進(jìn)行聚類分析，考察學(xué)習(xí)投入在不同群體中的狀態(tài)，依據(jù)各類群體的特征來評估學(xué)習(xí)投入情況。

綜上所述，面向即時過程數(shù)據(jù)采集與分析的縱向研究設(shè)計關(guān)鍵在于運(yùn)用經(jīng)驗(yàn)取樣法收集學(xué)習(xí)過程中的即時性投入數(shù)據(jù)，并從投入子維度和學(xué)習(xí)階段兩個方面交叉分析子投入的相互預(yù)測關(guān)系。在數(shù)據(jù)收集中，應(yīng)維持被試的參與意愿來保證樣本質(zhì)量，開發(fā)時間提醒工具和具有重測信度的數(shù)據(jù)收集工具，在多個特定時間點(diǎn)或事件點(diǎn)收集學(xué)習(xí)者數(shù)據(jù)。在數(shù)據(jù)處理與分析中，考慮學(xué)習(xí)投入內(nèi)在的多維結(jié)構(gòu)以及學(xué)習(xí)過程的多個階段。通過上述設(shè)計與方法來提升學(xué)習(xí)投入量化研究的質(zhì)量與精度。

三、學(xué)習(xí)投入縱向研究設(shè)計與實(shí)施

為了精準(zhǔn)測量與評估混合式學(xué)習(xí)投入狀態(tài)，深入探討認(rèn)知、行為和情感投入在學(xué)習(xí)過程不同階段的特征與相互關(guān)系，本研究采用縱向研究設(shè)計，綜合經(jīng)驗(yàn)取樣法、相關(guān)分析、交叉滯后分析等方法，用即時數(shù)據(jù)來精準(zhǔn)描述群體的投入狀態(tài)以及各階段子維度之間的相互預(yù)測關(guān)系。研究問題如下：

（1）研究涉及的整個混合式學(xué)習(xí)過程中，學(xué)習(xí)者根據(jù)投入特征可以聚類成幾種群體，各類群體的特征是什么？

（2）不同學(xué)習(xí)階段總投入、子投入水平是否相關(guān)，相關(guān)關(guān)系如何？

（3）不同階段學(xué)習(xí)投入的子投入之間是否存在預(yù)測關(guān)系，預(yù)測關(guān)系如何？

（一）研究對象

研究對象為某東南高校教育技術(shù)學(xué)專業(yè)參與混合式課程學(xué)習(xí)的大學(xué)生。研究者從專業(yè)課中選取三門開展課堂面授與線上教學(xué)相結(jié)合的混合式學(xué)習(xí)課程，每門課參與學(xué)習(xí)的人數(shù)分別為55人、70人、62人。在混合式課程中，教師在課堂講解主要知識點(diǎn)，學(xué)生利用網(wǎng)絡(luò)學(xué)習(xí)平臺參與線上學(xué)習(xí)活動或任務(wù)，每門課程均持續(xù)16周時間。

（二）研究方法

本研究取樣方法為固定取樣，即按特定的時間間隔對學(xué)習(xí)者進(jìn)行學(xué)習(xí)投入狀態(tài)評測。為了獲得學(xué)習(xí)者在混合式學(xué)習(xí)過程中不同階段的學(xué)習(xí)投入狀態(tài)，在一學(xué)期的混合式課程中共發(fā)放三次問卷，即在學(xué)期初、學(xué)期中和學(xué)期末三個階段各收集一次數(shù)據(jù)。每階段活動結(jié)束時，向?qū)W生發(fā)放電子問卷，并通過通信軟件彈窗工具及時提醒學(xué)生完成問卷調(diào)查，保證問卷調(diào)查是在課程結(jié)束后或活動結(jié)束后一小時內(nèi)完成。如果超過該時間，則為無效問卷。上述數(shù)據(jù)收集方法可以保障數(shù)據(jù)能夠代表學(xué)生的即時學(xué)習(xí)投入狀態(tài)[13]。

（三）研究工具

圍繞學(xué)習(xí)投入的三個結(jié)構(gòu)要素，結(jié)合混合式學(xué)習(xí)課程的實(shí)際情況，參考李爽等開發(fā)的已有學(xué)習(xí)投入量表[15]，編制《混合式學(xué)習(xí)投入調(diào)查問卷》，主要調(diào)查大學(xué)生在混合式學(xué)習(xí)過程中的學(xué)習(xí)投入程度。該量表共43道題，涉及“認(rèn)知投入”“情感投入”“行為投入”三個維度，每個題項(xiàng)均采用里克特五點(diǎn)量表。其中，認(rèn)知維度主要測量學(xué)習(xí)者在完成混合式學(xué)習(xí)任務(wù)時為了達(dá)到認(rèn)知目標(biāo)而制定的策略，如元認(rèn)知策略和資源管理策略等，共16項(xiàng);情感維度主要測量學(xué)習(xí)者對混合式學(xué)習(xí)的積極、消極和困惑的態(tài)度或情感，共13項(xiàng);行為維度主要測量學(xué)習(xí)者在混合式學(xué)習(xí)過程中的參與、堅持、交互和專注的程度，共14項(xiàng)。

學(xué)習(xí)投入三個維度及整體信度的克隆巴赫系數(shù)分別為0.90、0.92、0.88、0.96，結(jié)果都大于0.85，說明問卷有可接受的穩(wěn)定性和內(nèi)部一致性。此外，在其他相關(guān)研究中也證實(shí)該量表的原型具有較高的信效度[15]。

四、數(shù)據(jù)分析與討論

（一）不同投入特征群體的聚類分析

基于整個混合式學(xué)習(xí)過程的認(rèn)知、行為和情感投入數(shù)據(jù)進(jìn)行K-Means聚類，共得到四類學(xué)習(xí)者群體，如圖3所示。（1）淺層投入型，該群體的人數(shù)比例為13.33%，且三個子投入水平都偏低（2.98～3.38），說明他們在學(xué)習(xí)過程中處于消極投入的狀態(tài);（2）中等投入型，該群體人數(shù)比例為37.50%，三個子投入處于中等水平（3.38～3.68），且在四類群體中人數(shù)占比最大，說明大部分學(xué)習(xí)者對學(xué)習(xí)的投入程度屬于中等水平;（3）深層投入型，該群體的人數(shù)比例為7.50%，三個子投入處于高水平（3.95～4.39），且在四類群體中人數(shù)占比最小，說明只有很少部分的學(xué)習(xí)者能夠在學(xué)習(xí)過程中保持全身心投入的狀態(tài);（4）愉悅投入型，該群體的人數(shù)比例為41.67%，三個子投入水平均比中等投入型的水平高（3.73～4.01），并且情感投入相較于其他投入更高，說明接近一半的學(xué)習(xí)者在學(xué)習(xí)過程中的情感反應(yīng)或體驗(yàn)比較好。

（二）不同階段投入水平相關(guān)性分析

對不同階段的總體學(xué)習(xí)投入進(jìn)行相關(guān)分析的結(jié)果如圖4所示。學(xué)期初（LE1）和學(xué)期中（LE2）的總投入水平?jīng)]有顯著相關(guān)性（r = 0.169，p > 0.05），學(xué)期初LE1）和學(xué)期末（LE3）的總投入水平?jīng)]有顯著相關(guān)性（r= 0.073，p> 0.05），只有學(xué)期中（LE2）和學(xué)期末（LE3）?的總投入有低度的相關(guān)性（r = 0.187，p < 0.05）。

不同階段子投入的平均值、標(biāo)準(zhǔn)差以及相關(guān)系數(shù)見表1。可知，同一時間段內(nèi)的認(rèn)知投入、行為投入和情感投入之間呈現(xiàn)出顯著的正相關(guān)關(guān)系（r值均在0.65以上，p值均小于0.01）。另外，學(xué)期初的行為投入（BE1）和情感投入（EE1）分別與學(xué)期中的行為投入（BE2）存在低度的正相關(guān)關(guān)系（r = 0.22 ，p < 0.05;r = 0.24，p< 0.01），學(xué)期末的認(rèn)知投入（CE3）和學(xué)期末的情感投入（EE3）分別與學(xué)期中的情感投入（EE2）存在低度的相關(guān)關(guān)系（r=0.22，p<0.05;r=0.20，p<0.05）。由此可見，在同一學(xué)習(xí)階段里，子投入之間會有顯著的相關(guān)性。但不同學(xué)習(xí)階段的總體投入之間基本不存在相關(guān)關(guān)系，只有個別子投入之間存在低度的相關(guān)關(guān)系。

（三）不同階段子投入預(yù)測關(guān)系探究

已有研究顯示，學(xué)習(xí)投入子維度之間的預(yù)測關(guān)系是不穩(wěn)定的。因此，本研究通過建立多種假設(shè)來檢驗(yàn)子投入之間的預(yù)測關(guān)系。在不同學(xué)習(xí)階段投入數(shù)據(jù)的基礎(chǔ)上采用交叉滯后的分析方法，建立關(guān)于學(xué)期初、學(xué)期中和學(xué)期末階段的三個競爭性模型，分別為行為與認(rèn)知投入模型M1、行為與情感投入模型M2、認(rèn)知與情感投入模型M3。首先采用層級回歸分析數(shù)據(jù)，通過控制其他相關(guān)變量的影響，得到學(xué)習(xí)過程中認(rèn)知、行為和情感投入之間的影響關(guān)系，最終形成交叉滯后模型。以模型M1中學(xué)期初的認(rèn)知投入與學(xué)期中的行為投入的關(guān)系為例：（1）將學(xué)期初的行為投入和情感投入作為第一層變量引入回歸方程;（2）將學(xué)期中的行為投入作為第二層變量引入回歸方程;（3）將學(xué)期中的行為投入作為因變量引入回歸方程?？疾炜刂屏藢W(xué)期初的行為投入和情感投入的影響后，認(rèn)知投入對學(xué)期中的行為投入的獨(dú)立影響。另外兩個模型同理可得。

競爭性模型結(jié)果顯示：在模型M1中，行為投入不能顯著預(yù)測認(rèn)知投入（β1=0.24，p1>0.05;β2=0.14，p2>0.05），認(rèn)知投入也不能顯著預(yù)測行為投入（β1=-0.14，p1>0.05;β2=0.09，p2>0.05）。在模型M2中，行為投入不能顯著預(yù)測情感投入（β1=0.28，p1>0.05;β2=0.14，p2>0.05），情感投入也不能顯著預(yù)測行為投入（β1=0.21，p1>0.05;β2=0.18，p2>0.05）。在模型M3中，學(xué)期初的認(rèn)知投入顯著負(fù)向影響學(xué)期中的情感投入（β=-0.27，p<0.05），而學(xué)期中和學(xué)期末的認(rèn)知投入和情感投入不存在預(yù)測關(guān)系（β1=0.05，p1>0.05;β2=0.31，p2>0.05）。因此，在模型M1和模型M2三個階段中都未發(fā)現(xiàn)預(yù)測關(guān)系，只有在模型M3中得出認(rèn)知投入與情感投入之間存在預(yù)測關(guān)系。

（四）討論

1. 基于即時和多維投入數(shù)據(jù)能夠精準(zhǔn)刻畫學(xué)習(xí)者的投入特征

本研究基于不同學(xué)習(xí)階段采集即時、多維投入數(shù)據(jù)進(jìn)行的聚類分析，將學(xué)習(xí)者分為四個群體：淺層投入、中等投入、深層投入與愉悅投入。其中，愉悅投入與深層投入學(xué)習(xí)者整體的投入水平較高，但愉悅投入者的情感投入水平比認(rèn)知和行為投入水平更高。已有研究通常采用整體投入水平來刻畫群體投入特征[15，23]，如有研究者發(fā)現(xiàn)有部分學(xué)生的情感投入顯著高于認(rèn)知和行為投入，但未識別出這類群體，并且未曾進(jìn)行深入的描述[15]。本研究通過多時間點(diǎn)即時采集的多維投入數(shù)據(jù)，擴(kuò)大了數(shù)據(jù)的采集范圍與深度，發(fā)現(xiàn)不同群體在子投入維度上的差異，從而更為精準(zhǔn)地刻畫出學(xué)習(xí)者的投入特征。在國際相關(guān)研究中，Schmidt等采用事件取樣法，依據(jù)子投入水平將整體學(xué)習(xí)投入水平聚類成六個群體[17]，其中包括勉強(qiáng)投入型和理性投入型，這兩個群體的行為投入及認(rèn)知投入顯著高于其他兩個投入的群體。這說明各類群體在認(rèn)知、情感與行為三者之間的投入是不均衡的，僅僅采用整體投入水平來刻畫學(xué)習(xí)者的投入特征是不夠的，學(xué)習(xí)投入分析還需要進(jìn)一步刻畫群體在不同維度中的投入差異。因此，在學(xué)習(xí)投入研究中，基于多維量表對學(xué)習(xí)投入狀態(tài)進(jìn)行即時的捕捉，持續(xù)采集多個學(xué)習(xí)階段的學(xué)習(xí)投入數(shù)據(jù)，對于識別群體投入差異、精準(zhǔn)刻畫投入特征具有重要意義。

2. 學(xué)習(xí)投入子維度的關(guān)系預(yù)測研究需要考慮時間、環(huán)境等因素的影響

由相關(guān)分析的結(jié)果可見，相同階段的子投入之間存在顯著相關(guān)性，不同階段子投入之間的相關(guān)性則比較弱。基于多個交叉滯后模型建立的競爭性模型結(jié)果顯示，只在某一階段存在認(rèn)知對情感投入的負(fù)向預(yù)測關(guān)系，其他階段投入子維度之間相互預(yù)測關(guān)系是不成立的。國內(nèi)一項(xiàng)關(guān)于投入關(guān)系的研究中得出，行為投入受到認(rèn)知投入、情感投入等的正向影響，認(rèn)知投入對行為投入有直接正向的影響[24]。本研究產(chǎn)生的結(jié)果與上述研究結(jié)果存在差異，造成研究結(jié)果差異可能的原因在于：上述研究主要是基于單一時間點(diǎn)采集的線上投入數(shù)據(jù)建立影響模型;而本研究是基于線上和線下混合式學(xué)習(xí)環(huán)境中持續(xù)產(chǎn)生的投入數(shù)據(jù)建立競爭性模型。這可能說明學(xué)習(xí)投入子維度之間的影響關(guān)系會受到時間、學(xué)習(xí)環(huán)境（線上、線下）等因素的影響。正如張思等人的建議，學(xué)習(xí)投入具有時間、空間特征，加入這兩個維度分析的投入能夠更精確地反映結(jié)果[23]。在國際研究中，Manwaring等人采用密集縱向數(shù)據(jù)收集方法，獲取了參加六種課程的學(xué)生投入數(shù)據(jù)，發(fā)現(xiàn)情感投入與認(rèn)知投入之間無預(yù)測關(guān)系[13]。該研究提出了學(xué)習(xí)經(jīng)驗(yàn)等因素可能會對學(xué)習(xí)投入子維度之間的預(yù)測關(guān)系產(chǎn)生影響。因此，后續(xù)在探索學(xué)習(xí)投入子維度關(guān)系的研究中，研究者應(yīng)注重控制時間、學(xué)習(xí)環(huán)境、學(xué)習(xí)經(jīng)驗(yàn)等變量，并探索這些變量對學(xué)習(xí)投入的影響機(jī)制。

本研究的結(jié)果也進(jìn)一步表明，面向即時數(shù)據(jù)采集與分析的縱向研究設(shè)計能夠收集多個時間點(diǎn)的多維投入數(shù)據(jù)，同時也為在混合式學(xué)習(xí)中同時收集線上與線下投入數(shù)據(jù)提供了可能。該研究設(shè)計能夠在不同時間階段，縱向挖掘認(rèn)知、情感與行為投入之間的復(fù)雜關(guān)系，為深入揭示學(xué)習(xí)投入子維度之間的關(guān)系提供了可能性。

五、總結(jié)與展望

本研究提出了學(xué)習(xí)投入縱向研究的理論框架，強(qiáng)調(diào)學(xué)習(xí)投入研究應(yīng)注重三個設(shè)計要點(diǎn)：即時性、持續(xù)性和多維性，在此框架下采用縱向研究設(shè)計，綜合經(jīng)驗(yàn)取樣法追蹤學(xué)習(xí)者的學(xué)習(xí)投入狀態(tài)。研究發(fā)現(xiàn)：相對已有的橫截面研究設(shè)計，采用縱向研究設(shè)計能夠反映學(xué)習(xí)投入的動態(tài)性特征，為精準(zhǔn)刻畫學(xué)習(xí)者投入特征、深入挖掘?qū)W習(xí)投入子維度之間的復(fù)雜關(guān)系提供可能。相較傳統(tǒng)的自陳測驗(yàn)，經(jīng)驗(yàn)取樣法可以采集個體在學(xué)習(xí)情境中即時的學(xué)習(xí)投入狀態(tài)數(shù)據(jù)，為精準(zhǔn)識別個體、群體的投入特征提供了數(shù)據(jù)保障。交叉滯后分析在不同學(xué)習(xí)階段對認(rèn)知、行為與情感投入的影響及預(yù)測關(guān)系做了假設(shè)與驗(yàn)證，有助于研究者深入理解其復(fù)雜關(guān)系，并識別可能的中介因素。

本研究仍存在一些局限，首先，研究最終匹配的樣本量較少，樣本流失率較高。導(dǎo)致這種情況發(fā)生的原因可能是數(shù)據(jù)收集時間過短、密集過高，高重復(fù)性對被試答案效度會有一定影響。其次，本研究僅僅對學(xué)習(xí)投入內(nèi)部因素進(jìn)行了分析，未考慮學(xué)習(xí)環(huán)境、學(xué)習(xí)者經(jīng)驗(yàn)等因素對學(xué)習(xí)投入的影響。未來的研究應(yīng)該加入學(xué)習(xí)投入結(jié)構(gòu)要素之外的其他影響因素，比如課程設(shè)計、教師指導(dǎo)、學(xué)習(xí)者個體差異等因素，以建立更高質(zhì)量的學(xué)習(xí)投入解釋模型。最后，隨著人工智能與學(xué)習(xí)分析技術(shù)的發(fā)展，學(xué)習(xí)投入研究應(yīng)注重多模態(tài)投入數(shù)據(jù)的采集與分析，以便更為精準(zhǔn)地反映學(xué)習(xí)者在不同學(xué)習(xí)環(huán)境中的投入狀態(tài)[25]。

[參考文獻(xiàn)]

[1] 尹睿， 徐歡云. 國外在線學(xué)習(xí)投入的研究進(jìn)展與前瞻[J]. 開放教育研究， 2016， 22（3）：89-97.

[2] 倪士光， 伍新春. 學(xué)習(xí)投入：概念、測量與相關(guān)變量[J]. 心理研究， 2011， 4（1）：81-87.

[3] 馬志強(qiáng).從相互依賴到協(xié)同認(rèn)知——信息化環(huán)境下的協(xié)作學(xué)習(xí)研究[M].北京：中國社會科學(xué)出版社， 2019： 253-255.

[4] 李爽， 王增賢， 喻忱，等. 在線學(xué)習(xí)行為投入分析框架與測量指標(biāo)研究——基于LMS數(shù)據(jù)的學(xué)習(xí)分析[J]. 開放教育研究， 2016， 22（2）：77-78.

[5] SCHWARZ N. Why researchers should think "real-time"： a cognitive rationale[M]. New York， NY， US： The Guilford Press. 2012：22-42.

[6] 姜強(qiáng)， 潘星竹， 趙蔚，等. 網(wǎng)絡(luò)學(xué)習(xí)空間中教師激勵風(fēng)格對學(xué)習(xí)投入的影響研究——SDT中內(nèi)部動機(jī)的中介效應(yīng)[J]. 中國電化教育， 2018， 380（9）：13-22.

[7] 高潔， 李明軍， 張文蘭. 主動性人格與網(wǎng)絡(luò)學(xué)習(xí)投入的關(guān)系——自我決定動機(jī)理論的視角[J]. 電化教育研究， 2015（8）：18-22.

[8] 舒忠梅， 徐曉東， 屈瓊斐.基于數(shù)據(jù)挖掘的學(xué)生投入模型與學(xué)習(xí)分析[J]. 遠(yuǎn)程教育雜志，2015（1）： 39-47.

[9] HOORENS V， STONE A A， TURKKAN J S， et al. The science of self-report. implications for research andpractice[J]. Experimental psychology， 2003， 50（3）：231-232.

[10] 張娜. 國內(nèi)外學(xué)習(xí)投入及其學(xué)校影響因素研究綜述[J]. 心理研究， 2012， 5（2）：83-92.

[11] 盧國慶，謝魁，張文超，劉清堂，張妮，梅鐳.面向即時數(shù)據(jù)采集的經(jīng)驗(yàn)取樣法：應(yīng)用、價值與展望[J].電化教育研究，2019，40（6）：19-26.

[12] 段錦云， 陳文平. 基于動態(tài)評估的取樣法：經(jīng)驗(yàn)取樣法[J]. 心理科學(xué)進(jìn)展， 2012， 20（7）：166-176.

[13] MANWARING K C， LARSEN R， GRAHAM C R， et al. Investigating student engagement in blended learning settings using experience sampling and structural equation modeling[J]. The internet and higher education， 2017， 35：21-33.

[14] DIMOTAKIS N， SCOTT B A， KOOPMAN J. An experience sampling investigation of workplace interactions， affective states， and employee well-being[J]. Journal of organizational behavior， 2010， 32：572-588.

[15] 李爽，喻忱.遠(yuǎn)程學(xué)生學(xué)習(xí)投入評價量表編制與應(yīng)用[J].開放教育研究，2015，21（6）：62-70，103.

[16] XIE K， HEDDY B C， GREENE B A. Affordances of using mobile technology to support experience-sampling method in examining college students' engagement[J]. Computers & education， 2019， 128：183-198.

[17] SCHMIDT J A， ROSENBERG J M， BEYMER P N. A person -in -context approach to student engagement in science： examining learning activities and choice[J]. Journal of research in science teaching， 2018， 55（1）：19-43.

[18] 張銀普， 駱南峰， 石偉. 經(jīng)驗(yàn)取樣法——一種收集“真實(shí)”數(shù)據(jù)的新方法[J]. 心理科學(xué)進(jìn)展， 2016， 24（2）：305-316.

[19] LARSON R， CSIKSZENTMIHALYI M. The experience sampling method[J]. New directions for methodology of social & behavioral science， 1983， 15：41-56.

[20] CARSTENSEN L L， BULEN T， SUSANNE S， et al. Emotional experience improves with age： evidence based on over 10 years of experience sampling[J]. Psychology & aging， 2011， 26（1）：21.

[21] EBNERORIEMER U W， TRULL T J. Ambulatory assessment： an innovative and promising approach for clinical psychology[J]. European psychologist， 2009， 9（2）：151-176.

[22] 蔡丹， 王鳳娟， 趙佳林. 青少年的心理彈性及自我概念：一年跟蹤的交叉滯后分析[J]. 心理科學(xué)， 2018（4）：856-861.

[23] 張思， 劉清堂， 雷詩捷， 等. 網(wǎng)絡(luò)學(xué)習(xí)空間中學(xué)習(xí)者學(xué)習(xí)投入的研究——網(wǎng)絡(luò)學(xué)習(xí)行為的大數(shù)據(jù)分析[J]. 中國電化教育， 2017（4）：24-30，40.

[24] 尹睿， 徐歡云. 在線學(xué)習(xí)投入結(jié)構(gòu)模型構(gòu)建——基于結(jié)構(gòu)方程模型的實(shí)證分析[J]. 開放教育研究， 2017（4）：101-111.

[25] 張琪，王紅梅.學(xué)習(xí)投入的多模態(tài)數(shù)據(jù)表征：支撐理論、研究框架與關(guān)鍵技術(shù)[J].電化教育研究，2019，40（12）：21-28.

[Abstract] In the study of online and blended learning engagement， it is an important challenge for researchers to collect the data of real-time engagement generated in the process of learning， analyze the characteristics of engagement of different groups， and explores the complex relationship between cognition， emotion and affective engagement. This study proposes a dynamic analysis framework of learning input for real-time process data， including immediacy， sustainability and multi-dimension. Based on this， a design idea of longitudinal study on learning engagement is put forward. This study adopts empirical sampling method， cross-lag analysis and cluster analysis to analyze the blended learning engagement. It is found that learners can be grouped into four groups based on their cognitive， emotional and behavioral levels， namely shallow engagement， medium engagement， deep engagement and cheerful engagement， and learners' cognitive， behavioral and emotional engagement is not balanced. The predictive relationship between cognition， emotion and behavioral engagement is likely to be influenced by time， learning environment and other factors. The research results further indicate that the longitudinal study for real-time data acquisition and analysis provides an effective way to accurately describe the characteristics of learners' engagement， and also provides a possibility to reveal the predictive relationship between sub-dimensions of learning engagement and the mediating factors.

[Keywords]? Learning Engagement; Learning Analytics; Empirical Sampling; Cross-lag Analysis; Longitudinal Study