面向即時數據采集與分析的學習投入縱向研究

馬志強 岳蕓竹

[摘? ?要] 在在線與混合式學習投入研究中，如何采集學習過程中產生的即時投入數據，刻畫不同群體的投入特征，探索認知、行為與情感投入之間的復雜關系是研究者面臨的重要挑戰。研究提出面向即時過程數據的學習投入動態分析框架，其包含即時性、持續性、多維性，并據此提出學習投入縱向研究設計思路，綜合采用經驗取樣法、交叉滯后分析與聚類分析法對混合式學習投入進行分析。研究發現，基于認知、情感與行為子投入水平可將學習者聚類成四類群體：淺層投入、中等投入、深層投入與愉悅投入，學習者在認知、行為與情感維度的投入是不均衡的。認知、情感與行為子投入之間的預測關系很可能受到時間、學習環境等因素的影響。研究結果也進一步表明：面向即時數據采集與分析的縱向研究設計為精準刻畫學習者投入特征提供有效路徑，也為深入揭示學習投入子維度之間的預測關系及中介因素提供了可能。

[關鍵詞] 學習投入; 學習分析; 經驗取樣法; 交叉滯后分析; 縱向研究

[中圖分類號] G434? ? ? ? ? ? [文獻標志碼] A

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

一、引? ?言

隨著在線學習與混合式學習的“高輟課率”“低參與度”等質量危機逐漸得到重視，促進學習者有效投入學習過程中被認為是提升在線與混合式學習質量的關鍵，因此，眾多學者開始關注學習投入研究[1]。學習投入能夠將認知、情感與行為等與學習相關的獨立因素整合到一個概念框架中，從而為預測學習績效提供整合的框架與思路[2-3]。當前，在線與混合式學習投入研究面臨即時投入數據收集、動態投入趨勢分析、多維投入關系挖掘等方面的挑戰。如從即時投入數據收集來講，線上數據記錄、自我報告等傳統投入獲取方式難以收集認知、情感等多維度的即時投入數據[4-5];從動態投入趨勢分析來講，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被試的學習投入狀態數據，忽視投入的滯后效應，同時難以反映學習投入的動態變化過程[6-7];從多維投入關系挖掘來看，已有研究主要采用描述性統計或回歸分析，僅能表征簡單的線性關系，缺少對不同階段認知、行為與情感投入之間縱向影響關系的深入描述[8]。綜上所述，在線與混合式學習投入研究亟須探索新的設計與方法來改善研究質量。

對此，本研究提出了面向即時數據采集與分析的學習投入研究框架，提出縱向研究的設計思路。運用經驗取樣法收集混合式學習過程中的即時性投入數據，采用交叉滯后分析法、聚類分析法等方法分析學習投入的縱深數據，深入探討認知、行為及情感投入狀態在不同時間階段的特征與相互關系。研究通過縱向研究設計、即時性數據采集、縱深過程數據分析等研究設計與方法來精準刻畫學習者投入特征，深入挖掘學習投入子維度之間的相互預測關系，以期提升學習投入量化分析與建模研究的質量。

二、面向即時數據采集與分析的投入縱向研究

（一）面向即時數據采集的學習投入分析理論框架

學習投入分析理論框架試圖將當前對學習投入狀態分析的靜態橫斷面研究轉向動態的縱向研究。靜態橫斷面研究僅僅采集特定時間點的數據，難以精確反映學習投入的動態變化?？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對同一個或同一批被試進行重復的研究?？v向研究的價值在于，能夠較為完整地獲取投入狀態數據，發現學習投入的變化趨勢?？蚣苤饕糠郑鐖D1所示。

1. 即時性—變量滯后效應

學習投入已有的數據收集方法大多采用自陳測驗法對學習投入進行回溯[9]，即全部學習活動結束后讓學習者報告學習投入情況。該方法便于采集多維度的大規模投入數據，但數據依賴學生對自我投入的主觀判斷，數據的可信度不高[10]。此外，這種傳統的數據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據能夠準確代表學習過程中學習者的行為或主觀感知，這些數據分析出來的因果關系和影響因素關系可能是偶發的。因此，在研究中應采集即時的投入數據，獲取被試的第一反應。

2. 持續性—投入動態效應

學習是一個復雜的過程，學習者在學習過程中的認知、行為和情感的表現可能隨著學習時間和情境不斷發生變化。此外，個體的認知和情感極易受到環境影響[11]。為了全面分析整個學習過程中投入的狀態，需要保證數據收集的持續性。即在學習過程中多次采集數據，比如分階段在特定的時間或者特定的事件進行數據的收集。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學習投入子維度之間的關系及其影響因素。因此，學習投入縱向研究應保證持續采集整個學習過程中不同時間點的學習投入數據。

3. 多維性—投入內在效應

多維性指的是從多維度挖掘投入狀態信息，如關注時間、學習環境等維度，也指學習投入子維度之間的相互預測關系。已有研究的多維分析主要為簡單的線性分析，多數研究只關注線上學習，無法揭示投入子維度在時間和空間序列上的復雜關系。學習投入是多維度的復雜概念體系，厘清學習投入的內部結構關系有助于區分學習投入內外部變量的影響效應。采用多維交叉分析方法，可以從學習投入子維度、學習不同階段以及線上線下學習環境等方面交叉進行數據分析與挖掘，有助于深度識別學習投入子維度之間的關系以及學習者投入特征。盡管已有研究也探索了學習投入子維度之間的預測關系，但只驗證了單一方向的假設關系，后續研究需要考慮競爭假設方法的應用，從多方向、多角度探究學習投入子維度的關系。

（二）面向即時過程數據采集的縱向研究設計

為了保證學習投入研究數據收集與分析的即時性、多維性和持續性，本研究提出了學習投入縱向研究設計思路，主要體現在被試篩選、工具開發、數據采樣和數據分析方面，如圖2所示。

1. 樣本質量保證

無論采用何種數據收集方法，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。而即時性過程數據的收集周期較長、抽樣次數多，被試的任務相對繁重，考驗其耐心和注意力，所以更要重視被試的參與意愿和意愿維持，這樣才能保證數據的信效度并避免數據大量缺失的問題。鑒于此，可以采取一定獎勵措施吸引和維持被試，如采用實物獎勵，建立穩固的研究關系。另外，也可以在研究進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

學習投入即時數據的收集需要借助兩種工具：時間提醒工具和數據收集工具。時間提醒工具即在指定的時間點通知被試即時參與投入的評估。傳統取樣法借助輔助工具，使被試在學習過程中的多個瞬間進行自我報告，從而達到自然情境下采集即時數據的目的[11]。在移動互聯環境中，時間提醒工具可以為通信軟件彈窗、APP等。數據收集工具主要為電子量表或紙質量表。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，作答時長應控制在1—2分鐘之內[12]。如果被試在收到信號后沒有立即作答，可通過再次發送或者發送其他信號進行多次提醒[13]。根據實際情境，如果被試超過一定時間沒有反應，則該數據作廢[14]。

個體對自我在學習過程中的投入報告，是獲取學習投入狀態的最直接的方式，通常采用量表對個體的情況進行評分，如采用五點里克特量表[5]。已有評價量表如全美大學生學習投入調查（NSSE）、學生學校投入問卷（SSES）等，但多為自陳測驗形式的量表[4，15]，即只能在學習結束時填寫一次，不具有重復填寫的屬性。國外關于即時數據采集的量表較多[16-17]，但如要遷移到國內，還需要結合研究情境和學習者個體的情況對問卷的題目進行處理。

3. 數據采樣

學習投入縱向研究需要獲取即時數據和過程性的數據。經驗取樣法（Experience Sampling Method， ESM）是一種旨在獲取日常學習或工作狀態下個體的真實行為、感受和思想的即時數據收集方法[18-19]。在一段時間內，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，從而達到收集即時數據的目的。常見的取樣方法有四種，分別為隨機取樣、固定采樣、基于事件的采樣和情境感知經驗取樣[11]，具體介紹如圖2所示。其中，隨機取樣易引起被試疲勞，且不易把握情境的動態變化，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. 數據分析

針對學習投入子維度和學習階段進行多維數據分析，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，探究認知、行為和情感投入在不同學習階段的預測關系。交叉滯后分析法（Cross-lagged Panel Analysis）是處理縱向數據的方法，可以用來探究一段時間內變量之間的預測關系，為未來時間段內的某變量找到預測指標，有利于揭示某些變量在縱向時間序列上的因果關系，如探討青少年心理彈性變化的內在機制[22]。另外，也可基于子投入的水平進行聚類分析，考察學習投入在不同群體中的狀態，依據各類群體的特征來評估學習投入情況。

綜上所述，面向即時過程數據采集與分析的縱向研究設計關鍵在于運用經驗取樣法收集學習過程中的即時性投入數據，并從投入子維度和學習階段兩個方面交叉分析子投入的相互預測關系。在數據收集中，應維持被試的參與意愿來保證樣本質量，開發時間提醒工具和具有重測信度的數據收集工具，在多個特定時間點或事件點收集學習者數據。在數據處理與分析中，考慮學習投入內在的多維結構以及學習過程的多個階段。通過上述設計與方法來提升學習投入量化研究的質量與精度。

三、學習投入縱向研究設計與實施

為了精準測量與評估混合式學習投入狀態，深入探討認知、行為和情感投入在學習過程不同階段的特征與相互關系，本研究采用縱向研究設計，綜合經驗取樣法、相關分析、交叉滯后分析等方法，用即時數據來精準描述群體的投入狀態以及各階段子維度之間的相互預測關系。研究問題如下：

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

（2）不同學習階段總投入、子投入水平是否相關，相關關系如何？

（3）不同階段學習投入的子投入之間是否存在預測關系，預測關系如何？

（一）研究對象

研究對象為某東南高校教育技術學專業參與混合式課程學習的大學生。研究者從專業課中選取三門開展課堂面授與線上教學相結合的混合式學習課程，每門課參與學習的人數分別為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，學生利用網絡學習平臺參與線上學習活動或任務，每門課程均持續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習者進行學習投入狀態評測。為了獲得學習者在混合式學習過程中不同階段的學習投入狀態，在一學期的混合式課程中共發放三次問卷，即在學期初、學期中和學期末三個階段各收集一次數據。每階段活動結束時，向學生發放電子問卷，并通過通信軟件彈窗工具及時提醒學生完成問卷調查，保證問卷調查是在課程結束后或活動結束后一小時內完成。如果超過該時間，則為無效問卷。上述數據收集方法可以保障數據能夠代表學生的即時學習投入狀態[13]。

（三）研究工具

圍繞學習投入的三個結構要素，結合混合式學習課程的實際情況，參考李爽等開發的已有學習投入量表[15]，編制《混合式學習投入調查問卷》，主要調查大學生在混合式學習過程中的學習投入程度。該量表共43道題，涉及“認知投入”“情感投入”“行為投入”三個維度，每個題項均采用里克特五點量表。其中，認知維度主要測量學習者在完成混合式學習任務時為了達到認知目標而制定的策略，如元認知策略和資源管理策略等，共16項;情感維度主要測量學習者對混合式學習的積極、消極和困惑的態度或情感，共13項;行為維度主要測量學習者在混合式學習過程中的參與、堅持、交互和專注的程度，共14項。

學習投入三個維度及整體信度的克隆巴赫系數分別為0.90、0.92、0.88、0.96，結果都大于0.85，說明問卷有可接受的穩定性和內部一致性。此外，在其他相關研究中也證實該量表的原型具有較高的信效度[15]。

四、數據分析與討論

（一）不同投入特征群體的聚類分析

基于整個混合式學習過程的認知、行為和情感投入數據進行K-Means聚類，共得到四類學習者群體，如圖3所示。（1）淺層投入型，該群體的人數比例為13.33%，且三個子投入水平都偏低（2.98～3.38），說明他們在學習過程中處于消極投入的狀態;（2）中等投入型，該群體人數比例為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占比最大，說明大部分學習者對學習的投入程度屬于中等水平;（3）深層投入型，該群體的人數比例為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占比最小，說明只有很少部分的學習者能夠在學習過程中保持全身心投入的狀態;（4）愉悅投入型，該群體的人數比例為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，說明接近一半的學習者在學習過程中的情感反應或體驗比較好。

（二）不同階段投入水平相關性分析

對不同階段的總體學習投入進行相關分析的結果如圖4所示。學期初（LE1）和學期中（LE2）的總投入水平沒有顯著相關性（r = 0.169，p > 0.05），學期初LE1）和學期末（LE3）的總投入水平沒有顯著相關性（r= 0.073，p> 0.05），只有學期中（LE2）和學期末（LE3）?的總投入有低度的相關性（r = 0.187，p < 0.05）。

不同階段子投入的平均值、標準差以及相關系數見表1。可知，同一時間段內的認知投入、行為投入和情感投入之間呈現出顯著的正相關關系（r值均在0.65以上，p值均小于0.01）。另外，學期初的行為投入（BE1）和情感投入（EE1）分別與學期中的行為投入（BE2）存在低度的正相關關系（r = 0.22 ，p < 0.05;r = 0.24，p< 0.01），學期末的認知投入（CE3）和學期末的情感投入（EE3）分別與學期中的情感投入（EE2）存在低度的相關關系（r=0.22，p<0.05;r=0.20，p<0.05）。由此可見，在同一學習階段里，子投入之間會有顯著的相關性。但不同學習階段的總體投入之間基本不存在相關關系，只有個別子投入之間存在低度的相關關系。

（三）不同階段子投入預測關系探究

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

競爭性模型結果顯示：在模型M1中，行為投入不能顯著預測認知投入（β1=0.24，p1>0.05;β2=0.14，p2>0.05），認知投入也不能顯著預測行為投入（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測行為投入（β1=0.21，p1>0.05;β2=0.18，p2>0.05）。在模型M3中，學期初的認知投入顯著負向影響學期中的情感投入（β=-0.27，p<0.05），而學期中和學期末的認知投入和情感投入不存在預測關系（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現預測關系，只有在模型M3中得出認知投入與情感投入之間存在預測關系。

（四）討論

1. 基于即時和多維投入數據能夠精準刻畫學習者的投入特征

本研究基于不同學習階段采集即時、多維投入數據進行的聚類分析，將學習者分為四個群體：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習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]，如有研究者發現有部分學生的情感投入顯著高于認知和行為投入，但未識別出這類群體，并且未曾進行深入的描述[15]。本研究通過多時間點即時采集的多維投入數據，擴大了數據的采集范圍與深度，發現不同群體在子投入維度上的差異，從而更為精準地刻畫出學習者的投入特征。在國際相關研究中，Schmidt等采用事件取樣法，依據子投入水平將整體學習投入水平聚類成六個群體[17]，其中包括勉強投入型和理性投入型，這兩個群體的行為投入及認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習者的投入特征是不夠的，學習投入分析還需要進一步刻畫群體在不同維度中的投入差異。因此，在學習投入研究中，基于多維量表對學習投入狀態進行即時的捕捉，持續采集多個學習階段的學習投入數據，對于識別群體投入差異、精準刻畫投入特征具有重要意義。

2. 學習投入子維度的關系預測研究需要考慮時間、環境等因素的影響

由相關分析的結果可見，相同階段的子投入之間存在顯著相關性，不同階段子投入之間的相關性則比較弱。基于多個交叉滯后模型建立的競爭性模型結果顯示，只在某一階段存在認知對情感投入的負向預測關系，其他階段投入子維度之間相互預測關系是不成立的。國內一項關于投入關系的研究中得出，行為投入受到認知投入、情感投入等的正向影響，認知投入對行為投入有直接正向的影響[24]。本研究產生的結果與上述研究結果存在差異，造成研究結果差異可能的原因在于：上述研究主要是基于單一時間點采集的線上投入數據建立影響模型;而本研究是基于線上和線下混合式學習環境中持續產生的投入數據建立競爭性模型。這可能說明學習投入子維度之間的影響關系會受到時間、學習環境（線上、線下）等因素的影響。正如張思等人的建議，學習投入具有時間、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果[23]。在國際研究中，Manwaring等人采用密集縱向數據收集方法，獲取了參加六種課程的學生投入數據，發現情感投入與認知投入之間無預測關系[13]。該研究提出了學習經驗等因素可能會對學習投入子維度之間的預測關系產生影響。因此，后續在探索學習投入子維度關系的研究中，研究者應注重控制時間、學習環境、學習經驗等變量，并探索這些變量對學習投入的影響機制。

本研究的結果也進一步表明，面向即時數據采集與分析的縱向研究設計能夠收集多個時間點的多維投入數據，同時也為在混合式學習中同時收集線上與線下投入數據提供了可能。該研究設計能夠在不同時間階段，縱向挖掘認知、情感與行為投入之間的復雜關系，為深入揭示學習投入子維度之間的關系提供了可能性。

五、總結與展望

本研究提出了學習投入縱向研究的理論框架，強調學習投入研究應注重三個設計要點：即時性、持續性和多維性，在此框架下采用縱向研究設計，綜合經驗取樣法追蹤學習者的學習投入狀態。研究發現：相對已有的橫截面研究設計，采用縱向研究設計能夠反映學習投入的動態性特征，為精準刻畫學習者投入特征、深入挖掘學習投入子維度之間的復雜關系提供可能。相較傳統的自陳測驗，經驗取樣法可以采集個體在學習情境中即時的學習投入狀態數據，為精準識別個體、群體的投入特征提供了數據保障。交叉滯后分析在不同學習階段對認知、行為與情感投入的影響及預測關系做了假設與驗證，有助于研究者深入理解其復雜關系，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。導致這種情況發生的原因可能是數據收集時間過短、密集過高，高重復性對被試答案效度會有一定影響。其次，本研究僅僅對學習投入內部因素進行了分析，未考慮學習環境、學習者經驗等因素對學習投入的影響。未來的研究應該加入學習投入結構要素之外的其他影響因素，比如課程設計、教師指導、學習者個體差異等因素，以建立更高質量的學習投入解釋模型。最后，隨著人工智能與學習分析技術的發展，學習投入研究應注重多模態投入數據的采集與分析，以便更為精準地反映學習者在不同學習環境中的投入狀態[25]。

[參考文獻]

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

[2] 倪士光， 伍新春. 學習投入：概念、測量與相關變量[J]. 心理研究， 2011， 4（1）：81-87.

[3] 馬志強.從相互依賴到協同認知——信息化環境下的協作學習研究[M].北京：中國社會科學出版社， 2019： 253-255.

[4] 李爽， 王增賢， 喻忱，等. 在線學習行為投入分析框架與測量指標研究——基于LMS數據的學習分析[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， 潘星竹， 趙蔚，等. 網絡學習空間中教師激勵風格對學習投入的影響研究——SDT中內部動機的中介效應[J]. 中國電化教育， 2018， 380（9）：13-22.

[7] 高潔， 李明軍， 張文蘭. 主動性人格與網絡學習投入的關系——自我決定動機理論的視角[J]. 電化教育研究， 2015（8）：18-22.

[8] 舒忠梅， 徐曉東， 屈瓊斐.基于數據挖掘的學生投入模型與學習分析[J]. 遠程教育雜志，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. 國內外學習投入及其學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.面向即時數據采集的經驗取樣法：應用、價值與展望[J].電化教育研究，2019，40（6）：19-26.

[12] 段錦云， 陳文平. 基于動態評估的取樣法：經驗取樣法[J]. 心理科學進展， 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.遠程學生學習投入評價量表編制與應用[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. 經驗取樣法——一種收集“真實”數據的新方法[J]. 心理科學進展， 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， 2018（4）：856-861.

[23] 張思， 劉清堂， 雷詩捷， 等. 網絡學習空間中學習者學習投入的研究——網絡學習行為的大數據分析[J]. 中國電化教育， 2017（4）：24-30，40.

[24] 尹睿， 徐歡云. 在線學習投入結構模型構建——基于結構方程模型的實證分析[J]. 開放教育研究， 2017（4）：101-111.

[25] 張琪，王紅梅.學習投入的多模態數據表征：支撐理論、研究框架與關鍵技術[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