物聯網技術應用于學前兒童類比推理評價與學習支持的研究

郭力平 呂雪 羅艷艷 李一帆 趙玉仙

[摘? ?要] 在智慧教育背景下開展交叉學科研究，探究物聯網技術在學前兒童類比推理評價與學習支持領域的應用。研究借助物聯網技術設計類比推理工具，自動化采集和傳輸數據，采用認知診斷方法從更為微觀的層面探究幼兒類比推理的特點、自動化反饋對幼兒類比推理學習的影響。研究發現，反饋和反饋+解釋能夠有效促進學前兒童類比推理能力的發展，促使學前兒童類比推理認知屬性掌握模式的改變。利用物聯網技術設計學前兒童學習與發展評價工具具有可行性和有效性，自動化反饋能夠支持學前兒童類比推理學習。

[關鍵詞] 反饋; 類比推理; 學前兒童; 物聯網; 認知診斷; 認知模型

[中圖分類號] G434? ? ? ? ? ? [文獻標志碼] A

[作者簡介] 郭力平（1970—），男，湖南益陽人。教授，博士，主要從事學前教育評價、信息技術與學前教育研究。E-mail：lpguo@pei.ecnu.edu.cn。

一、問題的提出

教育信息化正處在迅速變革階段，從“互聯網+教育”到“智能+教育”，物聯網、泛在教育、人工智能和大數據等新興信息技術在教育中的應用得到越來越多的關注[1]，智慧教育成為教育信息化的新訴求與新視界[2]，智慧教育強調以學習者為中心，注重技術應用與支持，關注智慧教學的支持與評價等諸多問題。在早期教育階段，教育信息化也是重要議題，新興的信息技術與早期教育研究實踐有機結合，對學前兒童學習與發展的評價、支持有著重要的意義，目前鮮有相關的實證研究，亟須學前教育領域的探索。

類比推理是一種重要的合情推理形式，是認識關系并將其從一個已知的情境遷移至相似情境的認知過程，是人類認知的重要組成部分[3]，在學科學習中，往往作為重要的數學素養。類比推理對兒童語言發展和概念轉變有重要影響[4]，是科學學習的關鍵[5]，知識遷移的核心[6]，也是創造性和批判性思維的標志[7]。兒童早期就表現出類比推理能力[8]。以往的類比推理能力評價基于傳統的教育與心理測驗，僅報告被試的測驗分數，無法揭示個體測驗分數背后的認知特點，認知診斷測驗突破了這一難題。目前類比推理認知診斷研究主要集中在中小學階段，缺乏對學前兒童的關注。研究基于認知診斷方法，探究物聯網這一新興信息技術在學前兒童類比推理評價與學習支持中的應用。

二、文獻綜述

（一）物聯網等新興信息技術應用于教育領域的相關實證研究

關于智慧教育的理論探索與應用研究，學習過程是聚焦的主題，研究者探究新興信息技術應用于兒童學習支持與評價的可行性和有效性[9]。有研究利用物聯網、大屏融合以及多屏顯示等技術構建用于大學生學習的混合式學習空間，探索新的教學與學習模式[10]。探索腦機交互技術對大學生學習成績、學習態度的影響[11]。也有研究關注課堂教學與師生互動，采用新興信息技術分析課堂中教學互動行為以及學生學習狀態[12]，對交互式課堂生態系統進行構建并探究其對學習者的影響[13]，探究智能時代基于深度學習的課堂教學設計[14]，提出面向即時數據采集與分析的學習投入研究框架并進行驗證[15]。此外，新興信息技術在特殊兒童的教育與干預中也有應用，如利用增強現實技術改善自閉癥兒童詞匯認知能力[16]。可以看到教育信息化背景下智慧教育的實證應用研究逐步增多，研究內容廣泛，研究采用的技術手段多樣，但整體而言，研究還是處于探索階段。從研究對象來看，尚缺乏對幼兒的關注。學前教育是終身教育的基礎和起點，由于學前兒童的學習以感知操作和直觀體驗為主，基于屏幕的信息技術在早期教育中的適宜性還存在爭議，而物聯網等新興信息技術在學前教育中有巨大的潛在應用空間。物聯網借助射頻技術、傳感器等，按照約定的協議實現了人與人、人與物之間信息的實時交換與通信。物聯網技術或可為學前兒童學習與評價提供支持，為智慧教育在學前教育階段的實現提供技術支撐。

（二）物聯網技術為學前兒童學習與評價提供新方式

借助物聯網、云計算、人工智能等新技術開展智慧教育，強調對學習環境、學習方式與內容、教育評價與管理形式、方法的優化，新興技術支撐的智慧學習強調學習的個性化、建構性和適宜性。在兒童學習與發展的評價、支持方面，即時與個性化的反饋是信息技術的優勢，也正是傳統幼兒教育存在的不足，由于班級師生比較低，班級規模較大，幼兒教師難以為每一位幼兒提供即時而有針對性的反饋信息以支持兒童的學習與發展。

在學習環境中，反饋通常是指提供給學習者的關于表現或理解的信息[17]。反饋被認為是促進學生學習的最有力方式。已有元分析證實了反饋對兒童學習和解決問題的優勢[18]。反饋常常對兒童的數理推理產生重要影響，起到激發認知變化的作用[19]。鑒于類比推理在教學與學習領域的廣泛應用，探究何種反饋能夠促進兒童在具體學習情境中的類比推理能力顯得十分重要。已有研究發現，針對任務結果提供反饋比單獨練習更為有效[20]。整體而言，為年幼兒童提供反饋能夠促進類比推理能力的發展，改進類比推理的問題解決策略[21]。除了反饋，自我解釋也是教育領域常常應用的方法，是促進問題解決的有效機制[22]。自我解釋包括個體對自身回答的解釋和個體對其他主體回答的解釋。研究發現，個體對自身回答的解釋并沒有表現出解決實際問題的優勢。已有研究證明了兒童對其他主體給出的正確答案的解釋對于兒童學習和問題解決的促進作用[23]。因此，在以往研究基礎上，設計反饋和反饋+解釋兩種反饋條件，探索反饋和反饋+解釋對學前兒童類比推理的影響。

隨著信息技術的發展，基于計算機技術的反饋能夠為學生的學習提供即時的一對一反饋，這種反饋是基于兒童對項目反應的標準化的反饋。此外，由于傳統紙筆測驗對于時間、空間和人力的需求以及數據處理的低效性，基于計算機技術的測評也越來越多。基于計算機的反饋和測評有很多優勢，如能夠提供更即時的反饋、自動計算得分、提高學習和測驗效率[24]。大多數基于計算機技術的教學環境能提供對學前兒童練習的反饋，也能夠針對學前兒童開展電子無紙化測評。然而，對于學前兒童而言，計算機虛擬的學習環境和教育評價并非最適宜的方式，它無法實現兒童與真實物質世界的互動，與兒童的認知發展特點不完全相符。那么，既能尊重學前兒童認知發展特點，又能實現學習反饋與評價的即時與高效是亟待解決的問題。能夠實現人與物、物與物、人與人互聯的物聯網技術，為基于幼兒操作表現的自動化反饋提供了技術支持，擺脫了屏幕的限制，拓展了幼兒學習與評價的空間與模式。

（三）認知診斷為教育評價提供新視角、新方法

新一代測量理論的核心——認知診斷能夠通過教育測驗提供更為詳細的診斷信息，從而更深入地了解學生的認知結構，展示學生的認知強項和弱項，報告個體的認知屬性掌握情況。目前類比推理認知診斷研究主要集中在中小學階段，學前兒童類比推理認知診斷研究初步得到關注，通過認知分析與實證研究構建并驗證了學前兒童類比推理的認知模型，學前兒童類比推理認知模型包括規則理解、關系推斷、兩維問題解決和多維問題解決四個認知成分，四個屬性關系為線性型，即規則理解是關系推斷的前提，關系推斷又是解決兩維問題的前提，依此類推。被試屬性掌握模式包括“0000”“1000”“1100”“1110”“1111”五種模式，“1000”代表被試只掌握了規則理解這一認知屬性，“1100”代表被試理解規則并能夠進行關系推斷，但無法解決兩維問題和多維問題，其他屬性掌握模式依此類推。

綜上，在智慧教育的理念下，研究應用物聯網技術，設計能夠自動化記錄、傳輸測查過程和結果數據的類比推理測查工具，設計具有自動化反饋功能的類比推理材料，應用新興技術開展學前兒童類比推理認知診斷評價與學習支持研究。

三、研究方法

研究為2（第一次測查、第二次測查，即被試內變量）×4（反饋組、反饋解釋組、練習組、控制組，即被試間變量）兩因素混合設計。

（一）研究對象

被試兒童根據539名幼兒園中大班兒童的類比推理認知診斷測驗結果篩選，研究關注反饋對低類比推理水平兒童的影響，因為在539名兒童中主要類比推理認知屬性掌握模式為“0000”和“1111”，兩種模式的人數占比都在40%左右，所以研究關注更加需要支持的類比推理水平較低的兒童。研究從每個班級隨機抽選9～12名類比推理認知屬性掌握模式為“0000”的兒童。研究對象被隨機分為四組，具體分為反饋組、反饋解釋組、練習組和控制組。控制組僅參加兩次測查任務，其他三個實驗組參加測查和干預活動。

研究被試包括幼兒園中班和大班兒童121名，男生71名，平均月齡為66.7（SD=6.92）;女生50名，平均月齡為64.48（SD=7.18）。大班兒童57人，中班兒童64人。所有兒童均為正常兒童，無特殊教育需要兒童，各組人數見表1。

（二）研究工具與技術實現

1. 類比推理任務形式

測查和干預材料均根據西格勒（Siegler）、斯韋蒂納（Svetina）及史蒂文森（Stevenson）等的動物圖形矩陣任務改編[21，25]。類比推理認知診斷工具的內部一致性信度為0.907。類比推理任務選取的是兒童熟悉的馬和大象動物圖形，動物圖形有大小、顏色（紅、黃、藍）、朝向（朝左、朝右）和種類四個維度的變化，與西格勒研究中的變化維度一致，共計24種動物圖形。考慮操作性和趣味性，研究將24種動物圖形卡片制作為4個骰子，作為一組，骰子是邊長為4.5厘米的正方體，每個骰子上有6個動物圖案，共計24個不同的動物圖案。每次任務需要7個骰子，主試按題冊依次呈現前3個動物骰子，再請幼兒從另外4個各不相同的骰子中幫助第三個動物“找朋友”。前測和后測任務均為20道題。具體題目樣例如圖1所示。后測題目與前測題目變化維度完全一致，僅在動物顏色上有變化。干預任務為20個，變換維度與前測后測任務一致，但存在大小、顏色、朝向和種類方面的不同。每一個類比推理任務是從4個骰子中選擇答案。答案的選擇是24選1，而非以往的6選1，或4選1，降低了猜測度，與兒童建構答案的測驗形式基本一致，不會過度限制兒童問題解決方案的選擇，從而更好地了解兒童如何解決類比問題[26]。

2. 類比推理任務借助物聯網技術的實現方式

研究采用物聯網技術中的光學圖像識別技術識別類比推理任務。Optical Identify（縮寫為OID）光學圖像識別技術是物聯網的一種實現方式，OID光學識別技術用于對物體的標記和識別，用隱形碼標簽對物體進行標定，常見的點讀筆就是基于OID技術設計。每個OID隱形碼是由許多細微的點依照特定規則組成，并對應著一組特定的數值，OID隱形碼能夠很好地隱藏在印刷品的色彩之下。因此，類比推理骰子的每個面都標定了隱碼，用以識別相應的動物圖形。為了識別和傳輸數據，研究設計了放置骰子的類比推理盒子。盒子上部有四個格子，在測查和反饋以及練習活動中，骰子放置在相應格子中。盒子底部是隱藏放置的傳感器、電池和微型計算機等元件。每個格子前面左下方均有類似點讀筆的讀頭（Sonix二代技術），通過設定的運算程序識別和讀取動物圖形骰子最上面的圖形元素，再經過傳感器將光信號轉化為電信號，傳輸到計算機中，具體的數據采集、傳輸流程如圖2所示。

（三） 研究程序

1. 第一次測查

測查采取一對一個別施測的方式，主試均為學前教育專業碩士研究生和博士研究生，經過系統培訓。正式測查開始前，先讓被試擺弄觀察4個骰子，讓被試熟悉材料并引起興趣。主試按照《測查手冊》擺放并說明練習題，練習題共4道，每一練習題，主試均在被試選擇確認后進行解釋說明，講解類比推理任務的規則。隨即開始正式測查，測查期間無須講解規則。測查時間大概15～20分鐘。

2. 反饋和練習活動

作為實驗組的反饋組、反饋+解釋組和練習組參加為期四次的活動，兩次活動間隔3～5天，每次時間為15～20分鐘，活動周期為2～3個星期。反饋組和反饋+解釋組使用具有自動反饋功能的類比推理材料，被試選擇正確則出現閃爍綠燈，被試選擇錯誤則出現紅燈。如答案錯誤，被試可自行修改直至正確或由主試選出正確答案放至類比推理盒子中（活動中，被試均在錯誤后主動調整修改，被試嘗試五次未成功，主試幫助被試選出正確答案）。反饋組在得出最終正確答案后開始下一任務，反饋+解釋組在得知正確答案后，兒童需對正確答案作出解釋。練習組兒童使用無反饋功能的類比推理材料，每一個任務完成后即進入下一個任務，無正確答案反饋。

3. 第二次測查

第二次測查在反饋和練習活動結束后的3～5天進行，程序與第一次測查相同，在被試熟悉材料后施測。

4. 數據分析

學前兒童類比推理認知診斷測驗中由于認知屬性之間是非補償關系，即被試正確完成項目需要掌握此項目所測量的所有屬性，即缺少其中任何一個屬性都會導致被試作答錯誤或答對概率很低，因此，研究選擇DINA模型（Deterministic Input，Noisy“and”Gate Model，確定型輸入噪音與門模型）進行認知診斷數據分析，呈現被試的屬性掌握情況， 使用R軟件的 CDM 包（Version 4.6-0）進行認知診斷分析，所得數據運用SPSS25.0軟件進行統計處理。

四、研究結果與分析

（一）四組被試類比推理的基線水平

比較四組被試類比推理前測分數，發現四組被試類比推理分數不存在顯著差異，F（3，117）=1.131，p=0.942。為了解四組被試的年齡和性別分布是否一致，分別進行方差分析和卡方檢驗。通過單因素方差分析，發現四組被試之間的年齡不存在顯著差異，F（3，117）=0.3，p=0.825。通過卡方分析，Pearson卡方值為2.044，自由度為3，顯著性概率p=0.563，四組被試的性別分布不存在顯著差異。因此，四組被試的類比推理基線水平相同。

（二）反饋對類比推理學習效果檢驗：基于測驗分數

以類比推理測查得分為因變量進行重復測量方差分析，各組被試類比推理前后測分數描述統計結果見表2。進一步分析發現，兩次測查時間的主效應極其顯著，F（1，117）=446.2，p<0.001，η2=0.79，干預類型的主效應極其顯著，F（3，117）=23.22，p<0.001，η2=0.37，測量時間與干預類型交互作用極其顯著，F（3，117）=40.17，p<0.001，η2=0.51。

由于交互作用顯著（如圖3所示），故需進行簡單效應檢驗，分析發現各組第一次測查分數無顯著差異，F（3，117）=0.131，p>0.05，各組第二次測查分數存在極其顯著差異，F（3，117）=35.69，p<0.001，η2=0.478，事后檢驗發現控制組得分顯著低于練習組（p<0.01）、反饋+解釋組（p<0.001）、反饋組（p<0.001），練習組得分顯著低于反饋+解釋組（p<0.001）和反饋組（p<0.001），反饋組和反饋+解釋組的分數無顯著差異（p>0.05），說明反饋的影響顯著，反饋+解釋和單獨反饋相比并沒有起到更大作用。從各組兩次測查分數差異來看，各組前后測分數均存在顯著差異，即反饋組（p<0.001，η2=0.807）、反饋+解釋組（p<0.001，η2=0.771）、練習組（p<0.001，η2=0.379）和控制組（p<0.05，η2=0.081）的后測分數均顯著高于前測分數，說明成熟和練習也能影響類比推理能力的發展，但后測各組之間的差異分析結果說明，反饋能更好地促進類比推理能力的發展。

（三）反饋對學前兒童類比推理認知屬性掌握模式的影響

干預前，四組被試類比推理認知屬性掌握情況相同，均未掌握類比推理，干預后，根據類比推理后測分數進行認知診斷分析，得出被試認知屬性掌握模式。通過組別和屬性掌握模式的交叉表分析，發現各組被試的屬性掌握模式分布比較集中，反饋組85.3%的被試屬于“1111”掌握模式，反饋+解釋組74.2%的被試屬于“1111”模式，練習組有41.9%的被試屬于“1111”模式，45.2%的被試處于“0000”模式，控制組有72%的被試仍舊處于“0000”。交叉表中顯示有60%（12個單元格）的單元格期望計數小于5，不適宜直接作卡方檢驗，因此，將5類屬性掌握模式合并為三類，“0000”為未掌握，“1000”和“1100”為初步掌握，“1110”和“1111”為完全掌握。通過卡方檢驗發現，各組被試類比推理認知屬性掌握模式存在顯著差異，Pearson卡方值為50.274，自由度為6，p<0.001。根據交叉表中調整后的標準化殘差值（AR值），未掌握模式中控制組（AR=5.3）的占比顯著高于反饋組（AR=-3.9）和反饋+解釋組（AR=-3.2）。初步掌握模式中，四組被試的占比沒有顯著差異。完全掌握模式中，控制組（AR=-5.4）的占比顯著低于反饋組（AR=3.6）、反饋+解釋組（AR=3.2）。說明反饋和反饋+解釋均能促進學前兒童掌握類比推理認知屬性。

（四）反饋對類比推理影響的性別和年級差異分析

反饋和反饋+解釋兩種反饋形式對類比推理學習效果的影響無顯著差異，因此，將兩個反饋實驗組合并為一組，考察性別和年級因素對反饋效果的影響。研究基于后測的類比推理測驗分數，運用單因變量方差分析考察性別和年級因素對反饋效果的影響。被試間年級主效應顯著，F（1，61）=13.581，p<0.001，η2= 0.182，大班兒童得分顯著高于中班兒童;性別主效應不顯著，F（1，61）=0.128，p>0.05，η2=0.002;性別和年級交互作用不顯著，F（1，61）=0.234，p>0.05，η2= 0.004。

再從被試類比推理認知屬性掌握模式分布來看，運用卡方檢驗進行分析，卡方檢驗一般要求80%以上的單元格期望值大于5，否則卡方檢驗的結果偏差較為明顯[27]。通過交叉表分析發現，不同年級和性別的兒童在五種類比推理認知屬性掌握模式的人數分布不符合上述要求，因此，采用單元格合并法，根據人數分布特點，“1111”模式人數最多，其他四種模式人數均很少，多在5人以下，將五種認知屬性掌握模式分為完全掌握組（“1111”）和未完全掌握組（包括其他四種認知屬性掌握模式）。在此基礎上，通過卡方檢驗發現不同性別兒童的類比推理認知屬性掌握模式分布不存在差異，皮爾遜卡方值為1.132，自由度為1，p>0.05。中大班兒童的類比推理認知屬性掌握模式分布也不存在差異，皮爾遜卡方值為3.633，自由度為1，p>0.05。

五、討? ?論

（一）物聯網技術支撐的自動化反饋能夠支持學前兒童類比推理學習

研究發現，反饋能夠有效促進學前兒童類比推理學習與發展。反饋組和反饋+解釋組兒童的后測分數顯著高于練習組和控制組。自動化反饋有效支持了學前兒童類比推理學習。反饋起到積極作用，一是反饋減少了兒童任務表現的不確定性[28]，不確定性可能會分散個體執行任務的注意力[29]，而減少不確定性可能會使個體產生更高的行為動機，采取更有效的任務策略。其次，反饋可以有效地降低學習者的認知負荷，尤其是對新手或學習困難學生[30]。

反饋和反饋+解釋對學前兒童類比推理能力發展的影響一致，反饋+解釋并沒有起到更好的作用。“元認知加工”理論強調，要求參與者提供解釋可以促進高級認知加工水平。“心理表征”理論認為，提供解釋有助于形成關于問題的完整和準確的心理表征。通過提供解釋，兒童能夠將新信息與現有知識結合起來，獲得更完整的表征[23]。然而，反饋后個體對正確答案進行解釋并未發揮更好的效果。一個原因可能在于，兒童的語言發展水平不及成人，有限的語言技能導致幼兒更依賴反饋，無法像成人一樣有效表達自身的想法，無法從自我解釋中獲益。此外，讓兒童對每一個任務進行解釋，可能降低了兒童對問題解決的興趣，也增加了兒童的認知負荷或者使兒童的注意力發生轉移（從任務解決轉移到答案解釋）。與本研究結果一致，切西爾（Cheshire）等人的研究發現，反饋+自我解釋與單獨反饋的效果并無顯著差異[20]。切西爾等的研究中自我解釋在給予反饋之前，是個體對于自身答案的解釋。由此可以看出，無論是在反饋前或反饋后進行解釋，無論是個體對自身答案的解釋（個體給出的回答）還是對主試給出的正確答案的解釋，自我解釋+反饋都沒有比單獨反饋起到更積極的作用。

總之，反饋對學前兒童類比推理能力的發展起到積極作用，反饋效果的作用機制包括兩個方面：一是兒童在作出反應后立即給予反饋，增加了兒童解決問題的興趣，激發了問題解決動機[31];二是反饋中傳達的信息有助于理解任務目標[32]，有助于形成解決后續任務的策略和模式。

（二）認知診斷方法為反饋效果分析提供更為全面的信息

基于認知診斷方法，不僅可以了解自動化反饋對幼兒類比推理測驗分數的影響，還可以從更為微觀的層面得知被試兒童類比推理認知屬性掌握模式的變化。通過提供反饋，被試兒童類比推理能力得到提升。大班兒童的類比推理測驗分數顯著高于中班兒童，而從類比推理認知屬性掌握模式分布來看，大班和中班兒童無顯著差異。這說明反饋能夠有效支持中班和大班兒童類比推理的學習，使其掌握類比推理的四項認知屬性。通過自動化反饋進行的類比推理學習，中大班兒童的類比推理水平沒有質的差異，大班兒童的分數更高可能是對于大小、顏色、方向等維度更為熟悉，工作記憶水平更高所導致。

六、結論與展望

在教育信息化與智慧教育的背景下，研究將物聯網技術應用于學前兒童學習評價與支持，通過具體的實踐應用驗證了物聯網等新興信息技術在學前教育中的應用方式與潛在空間。研究發現，融合了信息技術、教育學、心理學和測量學等多學科、多方法和手段的交叉學科研究雖然存在諸多挑戰，但確實是未來教育領域學術研究與實踐應用發展的方向。基于認知診斷方法，借助物聯網技術所設計的學前兒童類比推理工具實現了對學前兒童的有效評價與學習支持。研究也說明基于物聯網技術為學前兒童設計可操作化的評價或學習工具具有可行性和有效性。在學前兒童學習與發展評價以及學習支持研究中，未來可以借助物聯網技術、眼動識別技術、視頻錄制與分析技術等，從幼兒學習態度、學習行為、學習風格以及學習過程的情緒與動機等多角度、多側面地刻畫幼兒的學習特征與表現，通過自適應學習與基于學習者特征的個性化反饋更好地支持幼兒學習與發展。隨著多種新興信息技術滲透到人們的工作、生活和學習各個方面，各級各類教育也隨之正在發生深刻變革，云計算、大數據、人工智能和互聯網+教育作為新興信息技術的代表，也深刻影響著教育領域的教學、管理和評價等多方面內容[33]。

物聯網技術既是某些新興信息技術實現或融合需要利用的手段，也是新興信息技術的組成部分。在教育領域，盡管人們已經意識到物聯網在數據抓取方面的應用價值，探索也越來越深入，但是技術推進與教育內涵的聯系仍舊脫節，教育領域的技術表層性應用研究較多，但與教育內涵相結合的研究較少，基本處在探索階段[34]，尤其在學前教育階段，平板電腦和智能手機已經深入到幼兒的生活與學習中，作為研究者需要更加關注一系列的新興信息技術對學前兒童以及學前教育的影響，積極探索有價值的應用模式并進行理性思考。未來需要更多在保護個人和群體信息安全、尊重研究道德與倫理的情況下探索與推進教育內涵與新興技術應用密切結合的研究。

[參考文獻]

[1] 宋述強，鐘曉流，焦麗珍，李海霞，楊智芳.中國教育信息化領域熱點盤點與趨勢展望——兼論《現代教育技術》雜志2020年選題策劃[J].現代教育技術，2019，29（12）：122-126.

[2] 祝智庭，賀斌.智慧教育：教育信息化的新境界[J].電化教育研究，2012，33（12）：5-13.

[3] STERNBERG R J，GARDNER M K. Unities in inductive reasoning[J].Journal of experimental psychology： general，1983，112（1）：80-116.

[4] BLANCHETTE I，DUNBAR K. Representational change and analogy： how analogical inferences alter target representations[J].Journal of experimental psychology： learning， memory，and cognition，2002，28（4）：672-685.

[5] GLYNN S M，TAKAHASHI T. Learning from analogy-enhanced science text[J].Journal of research in science teaching ，1998，35（10）：1129-1149.

[6] ALEXANDER P A， MURPHY P K. Nurturing the seeds of transfer： a domain-specific perspective[J].International journal of educational research，1999，31（7）：561-576.

[7] MUMFORD M D， MEDEIROS K E， PARTLOW P J. Creative thinking： processes， strategies， and knowledge[J]. The journal of creative behavior， 2012， 46（1）：30-47.

[8] RATTERMANN M J，GENTNER D. More evidence for a relational shift in the development of analogy： children's performance on a causal-mapping task[J].Cognitive development，1998， 13（4）： 453-478.

[9] 馬小強，施建國，程莉莉，王珠珠.智慧教育的發展及價值取向分析[J].中國電化教育，2017（12）：1-6.

[10] 陳明陽，陽亞平，陳明，陳展虹.智慧教育視域下混合式學習空間的構建與實踐研究[J].中國遠程教育，2019（11）：79-85.

[11] 胡航，李雅馨，曹一凡，趙秋華，郎啟娥.腦機交互促進學習有效發生的路徑及實驗研究——基于在線學習系統中的注意力干預分析[J].遠程教育雜志，2019，37（4）：54-63.

[12] 賈鸝宇，張朝暉，趙小燕，閆曉煒.基于人工智能視頻處理的課堂學生狀態分析[J].現代教育技術，2019，29（12）：82-88.

[13] 黃志芳，周瑞婕，萬力勇.混合學習環境下交互式課堂生態系統設計及實證研究[J].電化教育研究，2020，41（4）：78-85.

[14] 謝幼如，黎佳.智能時代基于深度學習的課堂教學設計[J].電化教育研究，2020，41（5）：73-80.

[15] 馬志強，岳蕓竹.面向即時數據采集與分析的學習投入縱向研究——基于經驗取樣法與交叉滯后分析的綜合應用[J].電化教育研究，2020，41（4）：71-77.

[16] 陳靚影，趙俊敏，王廣帥，張坤.增強現實技術在孤獨癥兒童干預中的應用研究——以詞匯認知干預為例[J].現代教育技術，2019，29（8）：86-92.

[17] MORY E H. Feedback research revisited[C]//JONASSEN， D H. Handbook of research on educational communications and technology，2nd ed. Mahwah， NJ： Lawrence Erlbaum Associates Publishers. 2004：745–783.

[18] HATTIE J， TIMPERLEY H. The power of feedback[J].Review of educational research， 2007， 77（1）：81-112.

[19] NARCISS S，HUTH K. Fostering achievement and motivation with bug-related tutoring feedback in a computer-based training for written subtraction[J].Learning and instruction， 2006， 16（4）：310-322.

[20] BALL L J， CHESHIRE A， et al. Self-explanation， feedback and the development of analogical reasoning skills： microgenetic evidence for a metacognitive processing account[C]// Proceedings of the Annual Meeting of the Cognitive Science Society. California：University of California，2005：435-440.

[21] SIEGLER R S，SVETINA M. A microgenetic/cross-sectional study of matrix completion： comparing short-term and long-term change[J].Child development，2002，73（3）：793-809.

[22] RITTLE-JOHNSON B. Promoting transfer： effects of self-explanation and direct instruction[J].Child development，2006，77（1）：1-15.

[23] PINE K J，MESSER D J. The effect of explaining another's actions on children's implicit theories of balance[J].Cognition and instruction，2000，18（1）：35-51.

[24] VAN DER KLEIJ F M， FESKENS R C W， et al. Effects of feedback in a computer-based learning environment on students' learning outcomes： a meta-analysis[J].Review of educational research，2015，85（4）：475-511.

[25] STEVENSON C E， TOUW K W J， et al. Computer or paper analogy puzzles： does assessment mode influence young children's strategy progression？[J].Educational and child psychology，2011，28（2）：67-84.

[26] STEVENSON C E， HEISER W J， et al. Dynamic testing of analogical reasoning in 5-to 6-year-olds： multiple-choice versus constructed-response training items[J].Journal of psychoeducational assessment，2016，34（6）：550-565.

[27] 邱皓政. 量化研究與統計分析——SPSS中文視窗版數據分析范例解析（萬卷方法）[M]. 重慶：重慶大學出版社， 2009.

[28] ASHFORD S J， BLATT R， et al. Reflections on the looking glass： a review of research on feedback-seeking behavior in organizations[J].Journal of management，2003，29（6）：773-799.

[29] KANFER R， ACKERMAN P L. Motivation and cognitive abilities： an integrative/aptitude-treatment interaction approach to skill acquisition[J].Journal of applied psychology，1989，74（4）：657.

[30] PAAS F，RENKL A，et al.Cognitive load theory and instructional design：recent developments[J].Educational psychologist，2003，38（1）：1-4.

[31] GARRIS R， AHLERS R， et al. Games， motivation， and learning： a research and practice model[J].Simulation & gaming，2002，33（4）：441-467.

[32] HESSELS M G P， VANDERLINDEN K， et al. Training effects in dynamic assessment： a pilot study of eye movement as indicator of problem solving behaviour before and after training[J].Educational and child psychology，2011，28（2）：101-113.

[33] 何克抗.21世紀以來的新興信息技術對教育深化改革的重大影響[J].電化教育研究，2019，40（3）：7-14.

[34] 郭力平，何婷，呂雪，李姍姍.物聯網技術和兒童學習與發展[J].學前教育研究，2020（1）：11-19.