基于計算機的反饋復雜性和先前知識對學習的影響 *

龔少英 韓雨絲 王 禎 徐 升 劉小先

(華中師范大學心理學院暨青少年網絡心理與行為教育部重點實驗室，武漢 430079)

1 引言

基于計算機的反饋（簡稱計算機反饋）是計算機在學習者做出反應后提供的反映學習者當前表現的信息（Hattie & Timperley, 2007; Narciss, 2013;Shute, 2008）。計算機反饋因反饋時間靈活、自動化、反饋內容和形式多樣以及可實現個性化而越來越普及（Narciss, 2008; van der Kleij, Feskens, &Eggen, 2015）。前人研究發現，反饋可以增強學生的內部動機，提高其自我效能感，促進學習策略的使用，并提高學習效果（Hattie & Timperley,2007; Wang & Wu, 2008）。但反饋在何種條件下發揮積極作用還有待進一步研究。

1.1 基于計算機的反饋復雜性對學習效果的影響

形成性評價學習的影響因素模型（Timmers &Veldkamp, 2011）提出，學習者的學習效果取決于反饋類型與任務特征、個體特征的交互作用，反饋類型是影響學習效果的重要因素，不同類型的反饋對學習的影響不同。而反饋類型的一種典型劃分方式就是反饋的復雜性。反饋復雜性是指反饋所包含的信息量多少以及包含的內容是什么（ Mory, 2004）。Shute（2008）根據反饋所包含信息的復雜性將其分為結果反饋、正確反應反饋和精細反饋。結果反饋只提供答案對錯的信息，是最簡單的反饋。正確反應反饋提供正確答案，比結果反饋稍復雜。結果反饋和正確反應反饋合稱為簡單反饋（Lin, Atkinson, Christopherson, Joseph, &Harrison, 2013）。精細反饋（elaborated feedback）的內容包括有關任務的限制、概念、解題過程或任務程序、線索、解釋和樣例等（Shute, 2008），因此是更為復雜的反饋。

關于反饋的大多數研究發現精細反饋比簡單反饋效果更好。Bangert-Drowns，Kulik，Kulik 和Morgan（1991）對40 篇計算機或非計算機環境下的反饋研究進行元分析發現，精細反饋比簡單反饋產生了更大的效應量；van der Kleij 等（2015）對計算機反饋效果的元分析發現，精細反饋比簡單反饋更有效，尤其在遷移等高級學習結果上更顯著。后續研究也發現大學生在精細反饋條件下比簡單反饋條件下獲得了更好的學習效果（Cheng,2017; Finn, Thomas, & Rawson, 2018; Lachner,Burkhart, & Nückles, 2017）。例如，Lachner 等（2017）發現計算機提供的精細反饋比結果反饋更能顯著提升大學生的寫作成績。但另有研究發現反饋復雜性對學習效果并無顯著影響。van der Kleij，Eggen，Timmers 和Veldkamp（2012）的研究發現計算機提供的即時正確反應反饋加精細反饋、延時正確反應反饋加精細反饋和延時結果反饋對大學生市場學知識學習效果的影響沒有差異。張貝貝（2015）以教育技術知識為學習內容的研究發現，計算機提供的精細反饋和正確反應反饋對大學生保持成績的影響沒有差異。也有研究者發現計算機提供的不同精細反饋對六年級學生文本理解成績的影響沒有顯著差異（Golke, D?rfler,& Artelt, 2015）。上述研究沒有獲得一致結果的一個重要原因是不同研究中學習者的先前知識水平不同。而形成性評價學習的影響因素模型（Timmers & Veldkamp, 2011）強調先前知識等個體因素可能影響計算機反饋作用的發揮。

1.2 先前知識對計算機反饋學習效果的影響

根據經驗逆轉效應（expertise reversal effect），教學技術的效果與學習者經驗水平存在交互，適合低先前知識者的教學指導對高先前知識者不一定有效，甚至會產生消極作用。這是因為當執行復雜的認知任務時，低先前知識者由于缺乏相關認知圖式，需要借助外部的教學指導來降低認知負荷，促進學習；而高先前知識者由于已經具備相關認知圖式，詳細的額外指導會造成冗余加工，增加外部認知負荷（Kalyuga, 2007）。反饋作為一種重要的教學指導，它對學習的作用也受到學習者先前知識的調節（Bangert-Drowns et al.,1991; Narciss et al., 2014）。前人研究發現在計算機學習環境下反饋復雜性對先前知識水平不同的學習者作用不同，出現了經驗逆轉效應。一些研究發現，和無反饋相比，精細反饋促進了低先前知識者的理解和應用，但對高先前知識者的學習無促進作用（Fyfe, 2016; Krause, Stark, & Mandl,2009）。Krause 等（2009）發現，大學生在線學習統計知識時，精細反饋能提升低先前知識者的成績，但對高先前知識者無效。另一些研究發現，和無反饋相比，精細反饋促進了低先前知識者的學習，卻損害了高先前知識者的學習（Fyfe, Rittle-Johnson, & DeCaro, 2012; Roelle, Berthold, & Fries,2011）。Roelle 等（2011）發現，計算機提供的精細反饋能顯著改善低學習質量大學生對認知策略的使用，卻降低了高學習質量大學生使用認知策略的質量。還有研究發現，和無反饋相比，簡單反饋促進了無先前知識小學生的解題策略和遷移成績，但對剛剛學會解題策略的小學生后續的解題策略和遷移產生了阻礙作用（Fyfe & Rittle-Johnson, 2016）。上述研究發現復雜性較高的反饋能促進低先前知識者的學習，而對高先前知識者的學習沒有顯著促進作用，甚至產生消極影響。但也有研究得到了與上述研究不一致的結果。Smits，Boon，Sluijsmans 和van Gog（2008）發現由計算機提供的復雜程度不同的兩種精細反饋（線索和詳細解釋）對中學生在線生物學習產生了不同的影響，高先前知識者在線索條件下比在詳細解釋條件下獲得了更好的后測成績，而低先前知識者在兩種反饋條件下的成績沒有顯著差異。上述研究中反饋的復雜程度、學習任務所涉及的學科（數學、科學、語言和社會科學）和難度以及被試的個體特征各不相同，可能導致了結果的不同。因此，近年來反饋領域的研究已經從反饋是否有效轉向反饋何時有效。

1.3 反饋對知覺和動機的影響

反饋知覺是學習者對反饋內容質量以及自身利用反饋改正錯誤、引導后續學習情況的評估（Gibbs & Simpson, 2003）。反饋受信息接受者影響的模型（Ilgen, Fisher, & Taylor, 1979）強調，只有當學習者充分注意和加工反饋，反饋才有可能發揮作用，而且反饋知覺會同時受到反饋特征和學習者特征的影響。研究發現，學習者對反饋的感知和使用存在個體差異（Mory, 2004），相比簡單的結果反饋，學習者認為來自研究生同伴的精細反饋（結果反饋+學習策略）更有用（Strijbos,Narciss, & Dünnebier, 2010）；反饋知覺受到學習者先前知識的影響，高先前知識者對復雜程度高的反饋知覺更好；而低先前知識者對不同復雜程度反饋的知覺無顯著差異（Smits et al., 2008）。由此可見，不同的反饋類型可能引發學習者不同的反饋知覺進而影響后續的學習結果。本研究試圖探索在不同反饋類型條件下，不同先前知識學習者的反饋知覺特點。

研究發現，反饋影響學習者的動機。在網絡學習情境下給六年級學生提供成敗歸因反饋可以提高其內部歸因、能力自我概念和興趣（Dresel &Haugwitz, 2008），提供精細反饋可以促進大學生的自我效能感（Wang & Wu, 2008）和學習動機（Zou & Zhang, 2013）。傳統課堂中的教師反饋能夠提升大學生的學習動機（楊春, 路海東, 2015）。由此推測，反饋對學習者的動機具有重要影響。因此，本研究將在計算機環境下探索反饋復雜性對學習動機的影響。

1.4 問題提出

越來越多的研究證實，基于計算機學習環境的精細反饋比簡單反饋可以更顯著地提升高級學習結果。但以往研究很少探索不同復雜程度的精細反饋與學習效果的關系。本研究將以大學生專業課程中的內容為學習材料，探究線索和詳細解釋這兩種常見的復雜程度不同的精細反饋對不同先前知識大學生學習的作用?；谛纬尚栽u價學習的影響因素模型（Timmers & Veldkamp, 2011）和經驗逆轉效應（Kalyuga, 2007），本研究假設：（1）精細反饋的復雜性對先前知識水平不同學習者的學習效果有不同影響。低先前知識者在線索條件下的遷移成績顯著低于詳細解釋條件；高先前知識者在線索條件下的遷移成績不會低于詳細解釋條件（假設1）。（2）精細反饋的復雜性影響不同先前知識學習者對反饋內容的外在認知負荷評價。低先前知識者比高先前知識者對反饋內容感知到更高的外在認知負荷；低先前知識者在線索條件比在詳細解釋條件感知到更高的外在認知負荷；相反，高先前知識者對線索反饋的外在認知負荷評價顯著低于詳細解釋反饋（假設2）。之后，根據反饋受信息接受者影響的模型（Ilgen et al., 1979），本研究假設：（3）復雜程度高的反饋使學習者產生更好的反饋知覺（假設3），更能促進學習者的動機（假設4）。

2 方法

本研究采用2×2 被試間設計。自變量為學習者的先前知識水平（高、低）和反饋復雜性（線索、詳細解釋）。因變量為遷移成績、外在認知負荷、反饋知覺和動機。

2.1 被試

向學習過心理統計學課程的本科生發放先前知識問卷262 份，回收有效問卷262 份。先前知識問卷總分為14 分，取得分排名前后27%的為高、低先前知識者各70 人。自愿參與正式實驗的高低先前知識者分別為59 和47 人，其中男生24 人，女生82 人，年齡18～26 歲（M=20.35, SD=1.62）。參與正式實驗的高低先前知識者的先前知識得分差異非常顯著（M低=4.19, M高=9.88, t=–30.70,p＜0.001, d=6.02）。分別將他們隨機分配到兩種反饋條件下，其中，低先前知識/線索組22 人，低先前知識/詳細解釋組25 人，高先前知識/線索組31 人，高先前知識/詳細解釋組28 人。線索和詳細解釋條件下被試的先前知識差異不顯著（M線索=7.47, M詳細解釋=7.25, t=0.39, p＞0.05）。

2.2 實驗工具和材料

學習系統：本研究的學習系統是利用python2.7開發的網頁版形成性評價學習系統。實驗過程包括形成性評價學習和后測兩個階段，都在學習系統中進行。在學習階段，學習系統提供心理統計學題目，學習者每回答一道題，系統自動呈現一個反饋框，反饋框中包含學習者答案對錯的結果反饋以及線索或詳細解釋反饋。學習者在學習完反饋內容后關閉反饋框，系統緊接著呈現測量認知負荷的題項，要求學習者評價每道題后的反饋內容的可用性。學習階段結束后，學習者在學習系統中繼續完成遷移測驗、反饋知覺和動機問卷。

先前知識問卷：先前知識問卷包括14 道單項選擇題，來自心理統計學課程的描述性統計部分以及單樣本和雙樣本假設檢驗部分，都關注知識應用。

學習材料：學習內容為14 道單選題，內容范圍與先前知識經驗相同。反饋包括線索和詳細解釋兩種類型，兩種反饋條件下的學習內容相同；但學習者接受的反饋內容復雜程度不同，線索反饋只提供解題的線索，而詳細解釋反饋不僅提供解題的線索，還提供解題思路及解題過程。

基于反饋內容的外在認知負荷：參考Gerjets，Scheiter，Opfermann，Hesse 和Eysink（2009）提出的外在認知負荷測量，將題目改成指向反饋內容而非學習材料，“你認為利用這道題的反饋內容是否方便？”，從1（非常方便）到9（非常困難）計1～9 分。得分越高表示反饋內容給學習者帶來的外在認知負荷越高。

遷移測試：包括12 道單項選擇題，每題1 分，包含的知識點與學習階段一致。遷移測驗題和學習階段題目的結構相同。

反饋知覺：采用評價體驗問卷（The Assessment Experience Questionnaire）中的反饋使用量表（Gibbs & Simpson, 2003），包括6 道題，采用5 點計分，1～5 表示完全不同意到完全同意。原量表的α 系數為0.74，本研究中的α 系數為0.75。

動機：采用Keller（2010）編制的教學材料動機問卷（The Instructional Materials Motivation Survey）中的自信心和滿足感分量表，各有9 道和6 道題目，采用5 點計分，1～5 表示完全不同意到完全同意。原量表的α 系數分別為0.90 和0.92，本研究中的α 系數分別為0.83 和0.88。

2.3 實驗程序

主試向學習者介紹學習系統和實驗流程。每位學習者在學習系統中都有一個ID，學習者登錄學習系統輸入ID 和人口學信息，系統根據ID 將不同先前知識學習者隨機分配到兩種反饋條件下。然后學習者依次完成學習階段和后測階段的任務。整個實驗大約需要50 分鐘。

3 結果

3.1 遷移成績結果分析

四組被試在各因變量上的平均數和標準差見表1。以遷移成績為因變量，進行2（先前知識水平：高、低）×2（反饋復雜性：線索、詳細解釋）兩因素方差分析。結果發現，先前知識水平在遷移成績上的主效應顯著[F（1, 102）=80.20,p＜0.001, η=0.440]，低先前知識者的遷移成績顯著低于高先前知識者。反饋復雜性的主效應顯著[F（1, 102）=5.42, p＜0.05, η=0.050]，線索組的遷移成績低于詳細解釋組。先前知識水平和反饋復雜性的交互作用顯著[F（1, 102）=4.89, p＜0.05,η=0.046]，見圖1。進一步的簡單效應分析發現，低先前知識者在詳細解釋條件下的遷移成績顯著高于線索條件[M線索=5.82, M詳細解釋=7.40; F（1,102）=9.25, p＜0.01, η=0.083]；而高先前知識者在兩種反饋條件下的遷移成績無顯著差異[M線索=9.71, M詳細解釋=9.75; F（1, 102）=0.01, p＞0.05]。

表 1 四組被試在各變量上的平均數和標準差

3.2 外在認知負荷結果分析

以外在認知負荷為因變量，進行2（先前知識水平：高、低）×2（反饋復雜性：線索、詳細解釋）兩因素方差分析，結果發現，先前知識水平的主效應顯著[F（1, 102）=8.31, p＜0.05, η=0.075]，低先前知識者比高先前知識者感知到反饋內容給他們帶來了更高的外在認知負荷；反饋復雜性的主效應顯著[F（1, 102）=13.30, p＜0.001,η=0.115]，線索條件比詳細解釋條件下的學習者感知到反饋內容給他們帶來了更高的外在認知負荷。先前知識水平和反饋復雜性的交互作用不顯著[F（1, 102）=0.03, p＞0.05]。

3.3 反饋知覺結果分析

以反饋知覺為因變量，進行2（先前知識水平：高、低）×2（反饋復雜性：線索、詳細解釋）的兩因素方差分析，結果發現，先前知識水平在反饋知覺上的主效應顯著[F（1, 102）=9.29,p＜0.05, η=0.084]，高先前知識者知覺到的反饋知覺顯著優于低先前知識者。反饋復雜性在反饋知覺上的主效應不顯著[F（1, 102）=0.76, p＞0.05]。先前知識水平和反饋復雜性在反饋知覺上的交互作用顯著[F（1, 102）=4.32, p＜0.05, η=0.041]，見圖2，進一步進行簡單效應分析發現，對于低先前知識者，線索組和詳細解釋組的反饋知覺得分差異邊緣顯著[M線索=3.61, M詳細解釋=3.91; F（1, 102）=3.36, p=0.07, η=0.033]，低先前知識者對詳細解釋的反饋知覺優于線索反饋；對于高先前知識者，線索組和詳細解釋組的反饋知覺不存在顯著差異[M線索=4.13, M詳細解釋=4.01; F（1, 102）=1.02, p＞0.05]。

3.4 動機結果分析

以動機為因變量，進行2（先前知識水平:高、低）×2（反饋復雜性: 線索、詳細解釋）的兩因素方差分析，結果發現，先前知識水平和反饋復雜性在動機上的主效應都顯著[F（1, 102）=99.70, p＜0.01, ηp2=0.087; F（1, 102）=7.95, p＜0.01,ηp2=0.072]，高先前知識組的動機顯著高于低先前知識組，詳細解釋組的動機顯著高于線索組。先前知識水平和反饋復雜性在動機上的交互作用不顯著[F（1, 102）=0.17, p＞0.05]。

4 討論

4.1 反饋復雜性和學習者先前知識對遷移成績的影響

本研究探索了精細反饋的復雜性對不同先前知識水平學習者學習遷移的影響，發現學習者的先前知識和反饋復雜性在遷移成績上存在顯著的交互作用。先前知識水平低的學習者在詳細解釋條件下的遷移成績顯著高于線索條件，而先前知識水平高的學習者在兩種反饋條件下的遷移成績沒有顯著差異。也就是說反饋復雜性只影響低先前知識者的學習遷移，支持假設1。這一結果表明，詳細解釋反饋比線索反饋對低先前知識者的學習遷移產生了更大的促進作用。詳細解釋不僅為學習者提供解題線索，還告知詳細解題步驟以及正確答案。對于缺少先前知識的學習者來說，詳細解釋提供的豐富信息正好可以彌補他們先前知識的不足，促進他們對新舊信息的整合，進而促進對當前問題的解決。而對高先前知識者，由于他們具有相對更多的心理統計學知識，提供線索便能激活他們的先前知識，幫助他們解決當前問題；詳細解釋雖然提供了豐富信息，但由于與其先前知識重疊，并不能發揮額外的促進作用。因而，對于高先前知識者，復雜性不同的兩種反饋產生的效果相同。這一發現與部分前人研究結果一致（Fyfe, 2016; Krause et al., 2009），證實了在計算機精細反饋學習中存在經驗逆轉效應。即更復雜的精細反饋能促進低先前知識者的學習遷移，但不一定促進高先前知識者的學習遷移。

本研究這一發現與Smits 等（2008）的結果不一致，主要原因是學習內容的領域不同。van der Kleij 等（2015）的元分析發現，反饋的效應量在數學領域最大（ES=0.93），在社會科學（ES=0.46）和科學（ES=0.40）領域中等，在語言領域最?。‥S=0.25）。本研究中的心理統計學課程和數學關系密切，而Smits 等（2008）研究中的生物主題屬于科學領域，不同研究中學習主題的學科差異可能是影響反饋效果的一個重要原因。其次，兩個研究中被試年級不同。反饋對不同年級學生的學習影響可能存在差異，這還有待進一步研究確證。由此推論，隨著學習者領域知識的變化，不同復雜程度的反饋對不同學科領域學習的影響可能也隨之變化。未來研究還需進一步探索反饋復雜性對不同學科領域學習效果的影響以及學習者先前知識和其他個體特征在其中的作用。

4.2 反饋復雜性和學習者先前知識對外在認知負荷的影響

本研究對基于反饋內容的外在認知負荷的分析發現，低先前知識者比高先前知識者感受到反饋給他們帶來了更大的外在認知負荷；線索反饋條件下的學習者比詳細解釋反饋條件下的學習者感受到反饋內容帶來的外在認知負荷更高。這表明，先前知識水平和反饋復雜性都影響學習者對基于反饋的外在認知負荷的感知。這一發現部分支持假設2。

詳細解釋反饋比線索反饋給低先前知識者帶來了更低的外在認知負荷，進而促進其學習遷移；而對高先前知識者，詳細解釋反饋也比線索反饋導致了更低的外在認知負荷，但沒有促進其學習遷移。這一發現與經驗逆轉效應部分相符（Kalyuga, 2007）。對于低先前知識者，詳細解釋所提供的信息填補了學習任務和他們已有知識間的鴻溝，提高了反饋信息的可利用性，從而促進學習遷移；而線索反饋所提供的信息可能不足以幫助他們在學習任務和先前知識間建立充分聯系，因此，線索反饋被學習者評估為更難利用，對學習遷移的促進作用也不如詳細解釋反饋顯著。

那為什么相對于線索反饋，詳細解釋反饋給高先前知識者也帶來了更低的外在認知負荷？這可能與本研究的任務特征有關。心理統計學對心理學專業學生來說是一門較難的課程。當學習材料比較簡單時，雖然降低外部認知負荷的教學支持對先前知識低的學習者有效，但可能為先前知識高的學習者提供了冗余信息，給其認知加工增添額外負擔，進而阻礙其學習。而當學習材料比較復雜時，高先前知識者的已有圖式可以指導他們從詳細解釋反饋提供的內容中選擇相關信息用于建構和整合，避免不必要的認知加工，降低外在認知負荷（Kalyuga, 2007; 吳先強, 韋斯林,2009）。由此推測，針對心理統計學課程的詳細解釋反饋雖然包含了豐富的信息，但可以為高先前知識者提供必要的支持，因而帶來的外在認知負荷相對線索反饋更小。未來還有待探索在不同難度的學習任務中，反饋復雜性對學習者認知負荷和學習遷移的影響。

4.3 反饋復雜性和學習者先前知識對反饋知覺的影響

本研究還發現，高先前知識者在不同反饋上的使用知覺得分都顯著高于低先前知識者，且對兩種反饋的使用知覺沒有顯著差異；而低先前知識者對詳細解釋反饋的使用知覺好于線索反饋，達到邊緣顯著。這一結果部分驗證了假設3。這說明低先前知識者評價詳細解釋反饋比線索反饋更能幫助他們學習。而高先前知識者對兩種反饋的知覺雖然沒有顯著差異，但都較高，表明他們會嘗試理解和應用線索反饋或者詳細解釋反饋的內容幫助學習。這一結果與以往研究發現的反饋影響學習者知覺的結果部分一致（Strijbos et al.,2010）。本研究考慮了學習者的先前知識這一個體特征，獲得了先前知識影響學習者對不同復雜程度反饋的知覺這一新發現，為反饋受信息接受者影響的模型（Ilgen et al., 1979）提供了基于計算機學習環境下的實證證據。

4.4 反饋復雜性和學習者先前知識對動機的影響

本研究發現，高先前知識者的動機顯著高于低先前知識者；詳細解釋組的動機顯著高于線索組。這表明先前知識水平和反饋復雜性都能促進學習者的動機。這一結果支持假設4，也與以往傳統環境下反饋促進學習動機的研究結果一致（楊春, 路海東, 2015）。心理統計學是一門較難的課程，當學習系統給學習者提供內容豐富的反饋支持，學習者就知覺到較多的控制感，對學習統計更加有信心，并且對整個形成性評價學習過程感到更加滿意。Wang 和Wu（2008）的研究也發現了類似的結果，也即在網絡學習中為學習者提供精細反饋可以提高學習者的效能感，進而促進學習者使用更多的學習策略。本研究和以往研究的結果表明，為學習者提供精細反饋可以提高其學習動機。

4.5 啟示和不足

本研究以心理學專業課程心理統計學為反饋學習內容，在計算機學習環境下探討了精細反饋和學習者先前知識對學習的影響，并發現，精細反饋復雜性對學習遷移和反饋知覺的影響受到學習者先前知識的調節，精細反饋復雜性和先前知識都顯著影響學習者感知到的外在認知負荷和動機。本研究的創新之處在于，突破了已有研究多關注有無反饋、簡單反饋與精細反饋對學習影響的局限，通過揭示不同復雜性的精細反饋與學習者先前知識的交互作用，支持和豐富了反饋發揮作用的理論模型（Ilgen et al., 1979; Timmers &Veldkamp, 2011），并進一步確證了計算機反饋學習中存在的經驗逆轉效應（Kalyuga, 2007）。本研究的結果為在計算機學習環境下如何為學習者提供個性化的、適應性的反饋提供了指導和參考。教學者和設計者向學習者提供反饋時要考慮學習者的知識水平，根據任務特征提供合適的反饋，且反饋應隨著學習者知識水平的變化而改變。

本研究結果在推廣到其他內容領域時需謹慎。本研究學習材料是出自心理統計學課程，學習任務聚焦于程序性知識，題目類型是選擇題，這些都可能給實驗結果的推廣帶來一定的局限。未來研究可以考察學習者先前知識和反饋復雜性對不同領域不同類型知識學習的作用及機制。未來研究還可以采用出聲思維、日志追蹤和眼動追蹤等方法客觀記錄學習過程，探討反饋特征、個體特征和任務特征在反饋影響學習中的作用，深入揭示反饋發揮積極作用的過程和條件。

5 結論

本研究在心理統計學課程形成性評價學習系統中，探索精細反饋復雜性和學習者先前知識水平對反饋學習效果的影響，得到如下結論：

（1）精細反饋的復雜性對先前知識水平不同學習者學習遷移的影響不同，學習者先前知識水平在反饋復雜性影響遷移成績中起調節作用。詳細解釋反饋相比線索反饋對低先前知識者的學習遷移有更大的促進作用；但是精細反饋的復雜性不影響高先前知識者的學習遷移。

（2）精細反饋的復雜性和學習者先前知識影響學習者感知到的外在認知負荷和動機。相比低先前知識者，高先前知識者產生了更低的外部認知負荷和更強的動機；詳細解釋條件下的學習者比線索條件下的學習者感受到更低的外部認知負荷，產生了更強的動機。反饋復雜性影響低先前知識者對反饋的知覺，但不影響高先前知識者的反饋知覺。

參 考 文 獻

吳先強, 韋斯林. (2009). 國外認知負荷理論與有效教學的研究進展及啟示. 全球教育展望, 38(2), 28–31.

楊春, 路海東. (2015). 不同形式的評估反饋對大學生的學習動機和學習成績的影響. 心理與行為研究, 13(2), 237–241, doi: 10.3969/j.issn.1672-0628.2015.02.014.

張貝貝. (2015). 網絡學習反饋對網絡學習效果影響的實證研究(碩士學位論文). 遼寧師范大學, 大連.

Bangert-Drowns, R. L., Kulik, C. L. C., Kulik, J. A., & Morgan, M. T.(1991). The instructional effect of feedback in test-like events. Review of Educational Research, 61(2), 213–238, doi: 10.3102/00346543061002213.

Cheng, G. (2017). The impact of online automated feedback on students’reflective journal writing in an EFL course. The Internet and Higher Education, 34, 8–27.

Dresel, M., & Haugwitz, M. (2008). A computer-based approach to fostering motivation and self-regulated learning. The Journal of Experimental Education, 77(1), 3–20, doi: 10.3200/JEXE.77.1.3-20.

Finn, B., Thomas, R., & Rawson, K. A. (2018). Learning more from feedback: Elaborating feedback with examples enhances concept learning. Learning and Instruction, 54, 104–113, doi: 10.1016/j.learninstruc.2017.08.007.

Fyfe, E. R. (2016). Providing feedback on computer-based algebra homework in middle-school classrooms. Computers in Human Behavior, 63, 568–574, doi: 10.1016/j.chb.2016.05.082.

Fyfe, E. R., & Rittle-Johnson, B. (2016). Feedback both helps and hinders learning: The causal role of prior knowledge. Journal of Educational Psychology, 108(1), 82–97, doi: 10.1037/edu0000053.

Fyfe, E. R., Rittle-Johnson, B., & DeCaro, M. S. (2012). The effects of feedback during exploratory mathematics problem solving: Prior knowledge matters. Journal of Educational Psychology, 104(4),1094–1108, doi: 10.1037/a0028389.

Gerjets, P., Scheiter, K., Opfermann, M., Hesse, F. W., & Eysink, T. H. S.(2009). Learning with hypermedia: The influence of representational formats and different levels of learner control on performance and learning behavior. Computers in Human Behavior, 25(2), 360–370,doi: 10.1016/j.chb.2008.12.015.

Gibbs, G., & Simpson, C. (2003). Measuring the response of students to assessment: The Assessment Experience Questionnaire. In Proceedings of the 11th international improving student learning symposium.England: Hinckley.

Golke, S., D?rfler, T., & Artelt, C. (2015). The impact of elaborated feedback on text comprehension within a computer-based assessment.Learning and Instruction, 39, 123–136, doi: 10.1016/j.learninstruc.2015.05.009.

Hattie, J., & Timperley, H. (2007). The power of feedback. Review of Educational Research, 77(1), 81–112, doi: 10.3102/003465430298487.

Ilgen, D. R., Fisher, C. D., & Taylor, M. S. (1979). Consequences of individual feedback on behavior in organizations. Journal of Applied Psychology, 64(4), 349–371, doi: 10.1037/0021-9010.64.4.349.

Kalyuga, S. (2007). Expertise reversal effect and its implications for learnertailored instruction. Educational Psychology Review, 19(4), 509–539,doi: 10.1007/s10648-007-9054-3.

Keller, J. M. (2010). Motivational design for learning and performance: The ARCS model approach. New York, NY: Springer.

Krause, U. M., Stark, R., & Mandl, H. (2009). The effects of cooperative learning and feedback on e-learning in statistics. Learning and Instruction, 19(2), 158–170, doi: 10.1016/j.learninstruc.2008.03.003.

Lachner, A., Burkhart, C., & Nückles, M. (2017). Formative computerbased feedback in the university classroom: Specific concept maps scaffold students’ writing. Computers in Human Behavior, 72,459–469, doi: 10.1016/j.chb.2017.03.008.

Lin, L. J., Atkinson, R. K., Christopherson, R. M., Joseph, S. S., & Harrison,C. J. (2013). Animated agents and learning: Does the type of verbal feedback they provide matter? Computers & Education, 67, 239–249.

Mory, E. H. (2004). Feedback research revisited. In D. Jonassen (Ed.),Handbook of research on educational communications and technology(pp. 745–783). Mahwah: Lawrence Erlbaum Associates Publishers.

Narciss, S. (2008). Feedback strategies for interactive learning tasks. In J.M. Spector, M. D. Merrill, J. J. G. van Merrienboer, & M. P. Driscoll(Eds.), Handbook of research on educational communications and technology (3rd ed., pp. 125–144). Mahwah: Lawrence Erlbaum Associates Publishers.

Narciss, S. (2013). Designing and evaluating tutoring feedback strategies for digital learning environments on the basis of the interactive tutoring feedback model. Digital Education Review, 23, 7–26.

Narciss, S., Sosnovsky, S., Schnaubert, L., Andrès, E., Eichelmann, A.,Goguadze, G., & Melis, E. (2014). Exploring feedback and student characteristics relevant for personalizing feedback strategies.Computers & Education, 71, 56–76.

Roelle, J., Berthold, K., & Fries, S. (2011). Effects of feedback on learning strategies in learning journals: Learner-expertise matters. International Journal of Cyber Behavior, Psychology and Learning, 1(2), 16–30, doi:10.4018/ijcbpl.2011040102.

Shute, V. J. (2008). Focus on formative feedback. Review of Educational Research, 78(1), 153–189, doi: 10.3102/0034654307313795.

Smits, M. H. S. B., Boon, J., Sluijsmans, D. M. A., & van Gog, T. (2008).Content and timing of feedback in a web-based learning environment:Effects on learning as a function of prior knowledge. Interactive Learning Environments, 16(2), 183–193, doi: 10.1080/10494820701365952.

Strijbos, J. W., Narciss, S., & Dünnebier, K. (2010). Peer feedback content and sender’s competence level in academic writing revision tasks: Are they critical for feedback perceptions and efficiency. Learning and Instruction, 20(4), 291–303, doi: 10.1016/j.learninstruc.2009.08.008.

Timmers, C., & Veldkamp, B. (2011). Attention paid to feedback provided by a computer-based assessment for learning on information literacy.Computers & Education, 56(3), 923–930.

van der Kleij, F. M., Eggen, T. J. H. M., Timmers, C. F., & Veldkamp, B. P.(2012). Effects of feedback in a computer-based assessment for learning. Computers & Education, 58(1), 263–272.

van der Kleij, F. M., Feskens, R. C. W., & Eggen, T. J. H. M. (2015).Effects of feedback in a computer-based learning environment on students’ learning outcomes: A meta-analysis. Review of Educational Research, 85(4), 475–511, doi: 10.3102/0034654314564881.

Wang, S. L., & Wu, P. Y. (2008). The role of feedback and self-efficacy on web-based learning: The social cognitive perspective. Computers &Education, 51(4), 1589–1598.

Zou, X. L., & Zhang, X. N. (2013). Effect of different score reports of webbased formative test on students’ self-regulated learning. Computers &Education, 66, 54–63.