認知彈性設計下自我調節學習行為影響學習成績的機制研究

李文昊 任曉曈 朱希雅 陳冬敏

[摘? ?要] 在線學習環境下開展復雜知識的教學實踐往往效果不佳，有學者嘗試使用認知彈性理論來改善教學設計、優化學習效果，但基于此理論設計的非線性超文本結構對學習者的自我調節學習又提出了更高的要求。自我調節學習行為對學習成績的影響不是簡單的對稱線性關系，而是以整體的組合方式作用于學習過程。文章采用定性比較分析法，從組態視角深度剖析認知彈性設計下影響自我調節學習行為的內在機制，探討各行為及各行為間組合導致不同學習成績的原因。研究發現：（1）計劃階段的設置目標行為是導致較好學習成績的必要不充分條件;（2）計劃階段的制訂計劃行為是影響學習成績的無關條件;（3）執行階段的自我監測和自我調節行為能起到明顯的補益作用;（4）反思階段進行適應性自我反應行為對提高學習成績更有效。研究結論驗證了早期發現，完善了自我調節學習理論，補充并拓展了在線學習的認知彈性設計。

[關鍵詞] 認知彈性設計; 自我調節學習; 定性比較分析; 在線學習行為

[中圖分類號] G434? ? ? ? ? ? [文獻標志碼] A

[作者簡介] 李文昊（1978—），男，湖北麻城人。教授，博士，主要從事多媒體學習與認知、教師教育研究。E-mail：whenhowlee@qq.com。

一、引? ?言

在線學習環境作為課堂教學的補充，在人才培養和知識傳遞中發揮著重要作用。然而，與線下教學實踐相比，由于受到時空分離的條件局限，在線學習方式下的課程設計和資源組織面臨著諸多難題[1]，建構主義指導下的認知彈性理論（Cognitive Flexibility Theory）針對結構不良知識的習得與遷移，被廣泛應用于在線資源的組織與設計[2]。基于認知彈性理論開發的學習資源呈現出一種非線性的超文本結構，學習者可以自主選擇學習節點、跳轉鏈接，隨機進入式地開展結構不良領域知識的學習。但伴隨著知識層級越復雜，選擇性分支增多、自由性增高，這種非線性結構表征可能會造成迷航現象。學習者往往因目標層級分析不完整、自主學習設計不佳、反饋不及時而處于盲目狀態。

因而，要發揮在線資源的非線性表征優勢，同時避免信息迷航，需要學習者有效地進行自我調節學習（Self-Regulated Learning）。自我調節學習是指學習者在學習過程中主動調整自己的認知、動機、情感、元認知和行為，以完成學習目標[3]，學習者自我調節學習行為如何影響在線學習效果成為一個亟待解決的問題。有研究表明，自我調節學習過程中的時間規劃和求助行為能促進對知識的理解，以此獲得更高的成績[4]。學習者設定學習目標或采用策略規劃的行為能較好地完成課程目標，獲得更好的學習結果。自我調節學習策略可以縮短高低先驗知識學習者之間的差距[5]。已有研究結論大多從定量分析揭示自我調節學習某一要素對學習結果的影響，缺乏對因果機制的探究。本文采用定性比較分析法（Qualitative Comparative Analysis，QCA），借助組態的視角深入探究自我調節學習內部的因果機制。

二、文獻綜述

（一）在線學習中的認知彈性設計

近年來，在線學習的迅猛發展引發了更多對教學質量的考量，特別是復雜知識領域，簡單的線性設計已無法滿足學習者的學習需求。認知彈性設計是在認知彈性理論的指導下，將概念知識和相關案例相互交叉形成多維度的“十字交叉形”的非線性超文本信息結構，從多角度出發，以不同的形式建構知識，用不同的情境案例來呈現知識，使學習者在面對不同問題情景時有多種反饋途徑[6]。超文本環境可以很好地為學習者提供文本、圖形、動畫、音頻等媒體，學習者可以隨機、動態、非線性地訪問各條鏈接路徑[7]。例如：在基于 WEB的“教學系統設計”課程中，學習者可以使用瀏覽器導航工具以及熱字鏈接，在不同案例、觀點、主題之間的“十字交叉形”中展開學習;在“網絡維護”課程中，“網絡故障信息”“網絡維修”等案例形成十字交叉，學習者通過自主建構知識來強化對復雜概念的多維理解，以探究在不同情境中結果的異同[8]。

認知彈性設計下的非線性超文本環境使得學習者可以自由選擇節點、跳轉鏈接。例如：在英語學習中，與傳統的紙媒體相比，超文本的自由跳轉更有利于提升英語閱讀速度和英語理解能力[9]。然而有研究表明，這種自由容易使學習者在信息量負載較大的超文本路徑中迷航，即無法確認自身所處鏈接的位置或不知通過哪條路徑到達期望的位置[10-11]。迷航現象會減弱學習者搜索信息時的引導能力和目標能力，降低“十字交叉形”的學習效果[12]。由此看來，盡管認知彈性設計的非線性和靈活性為學習者提供了更多的選擇自由，但同時對學習者自我調節學習能力提出了更高的要求。

（二）自我調節學習

有不同的模型和觀點可以用來解釋自我調節學習過程，但從社會認知的角度來看，自我調節學習包含四個常見假設：首先，所有模型都假設進行自我調節學習的學習者可以監控和調節自身的認知、行為、動機和情緒[13];其次，學習者的行為是有目標導向的，學習者需在自我調節學習的過程中調節自身行為以實現這些目標，并從學習環境中利用先驗知識構建目標和意義;再次，自我調節學習是周期性的，由不同的階段和子過程組成;最后，自我調節行為在學習者表現、環境因素和個體特征之間起中介作用。在所有模型中，最常見的是Zimmerman提出的三階段循環模型，他將自我調節學習劃分為三個循環階段：計劃、執行和反思[14]。

在線學習環境下技術干預支持和加速自我調節學習主要采用兩種方式：其一是把自我調節學習策略作為規范學習者學習的方式，在在線學習環境中使用，以檢驗自我調節學習策略的有效性。例如：在作文寫作課程中，使用自我調節學習策略組在單詞、句子和整體寫作質量測量的保持測試中表現更加突出[15];在歷史課程中，加入自我調節學習支持組雖然學習滿意度較低，但是卻獲得了較高的成績[16]。其二是在自我調節學習策略中加入支架、提示或反饋。利用輔助工具實時追蹤外顯行為，分析學習痕跡可以更好地理解學習過程。例如：在MOOC學習中，高自我調節能力的學習者會出現更頻繁參與學習活動的行為，持續學習的時間更久[17];在自主學習環境中，學習者計劃和執行階段的表現越好，學習效果越顯著，且學習者計劃和執行的水平能夠直接影響自我反思情況[18]。研究者細化了自我調節學習不同階段的具體行為表現，具體行為觀測見表1。

（三）自我調節學習行為的測量與學習分析

對自我調節學習行為的追蹤和記錄通常采用問卷、課堂觀察、日志數據分析、訪談和出聲思維等方法。例如：有研究者開發了一套追蹤自我調節學習行為的工具，記錄學習者的心理活動痕跡、操作行為和日志數據，以此來分析學習者的行為模式[21]。通過記錄和收集大量的行為痕跡進行學習分析，以此表征學習者的內部認知過程，包括兩個階段：其一，追蹤和記錄學習者的學習行為并進行分類及編碼;其二，采用定性或定量的數據分析方法探究學習者的學習行為的模式特征及運行機制。例如：通過滯后序列分析法，分析學習者在教學實踐課程中學習、討論、自測、反思等行為的模式及特征，發現不同元認知技能學習者的行為模式存在差異[22];通過數據挖掘的方法，分析不同自我調節學習能力的學習者在不同階段的行為差異，發現學習者的自我調節學習能力更多體現在執行階段的行為上，且高水平自我調節學習者體現出更有效的時間管理策略與更強的整體規劃能力[23]。

學習結果是由多種行為組合并發引起的，現有統計分析方法并不適用于對多重并發的因果機制進行深入討論。QCA基于案例研究多重并發因果關系，其可以解決變量多、案例少的困境。傳統的統計技術，如回歸分析，其基本假設是自變量相互獨立、因果對稱、具有單向線性關系，在控制其他因素的情況下，分析自變量對于因變量的邊際“凈效應”，這些方法并不能解決因果復雜性問題[24]。而QCA 采用整體視角，假定某種現象產生的原因是復雜多元且非線性的，是多個前因條件組合形成組態作用的結果[25]。QCA處理主要有三種方式，清晰集（csQCA）、多值集（mvQCA）和模糊集（fsQCA），由于本研究數據均為連續性數值，簡單的分類法無法區分位于臨界值的數據，所以本研究采用fsQCA從組態視角探討各行為及各行為間組合導致不同學習成績的原因。

三、研究設計

（一）研究對象

實驗選取了華中師范大學“教學技術與媒體”課程中的57名本科生，年齡分布在19～23歲，其中，男生8人，女生49人。學科專業分布有物理專業、化學專業和歷史專業等。被試均有較長的在線學習經驗，且第一次對電腦硬件知識開展系統學習。

（二）學習材料

實驗材料是由Articulate Storyline2開發的非線性超文本課件，學生需要完成“電腦硬件部件、功率測量以及電腦組裝”主題的在線學習，本課程的學習目標是，學生靈活運用知識和技能去分析問題，提出合適的配機方案，屬于非良構領域的復雜知識學習，實驗材料如圖1所示，左圖為課件的主頁面，右圖為可跳轉的分支結構。

（三）測量工具

1. 知識前、后測

兩輪測試的題目數量、類型、知識點一致，存在50%的題目表述變化。知識測試問卷共15道題，包括保持和遷移兩方面。以知識前測和知識后測的成績差值作為學習者的學習成績。前測問卷具有較好的區分度（t=12.72，p<0.001，MD=2.69），內部一致性Cronbach α系數為0.703;后測問卷具有較好的區分度（t=13.73，p<0.001，MD=7.41），內部一致性Cronbach α系數為0.746。

2. 行為記錄

在學習過程中采用觀察法、出聲思維法和訪談法記錄行為數據。觀察法主要是通過觀察錄屏數據記錄學習者在自主學習過程中的行為，如做筆記、查閱資料等。出聲思維法包含6次提問，例如：“剛才的行為中你是否進行了反思，進行了哪些反思？”“剛才的行為中你是否制訂了計劃，制訂了哪些計劃？”等。訪談法主要用以了解學習者在自我調節學習過程中的感受，并補充行為編碼表中遺漏的行為。

（四）實驗流程

實驗共分為三個階段，分別為真實問題引入、十字交叉形學習和觀點交流與評價。在第一個階段，學習者能夠根據教學指導了解在線學習環境的具體操作，在基于多媒體構建出的真實問題情境中直觀地看到需要實現的學習目標。當學習者確定并選擇學習目標后進入第二個階段，此階段學習者能夠通過點擊、快進、后退、暫停等交互鍵在不同角度的案例中實現跳轉學習，形成個性化學習路徑。第三個階段為觀點交流與評價階段，學習者可以進行思維表達或求助同伴，以幫助學習者在學習完成后開展自我監測，加深對知識的理解，培養批判性思維。在此過程中，將通過錄屏、出聲思維法記錄學習者的行為數據及背后含義。實驗結束后安排訪談，了解學習者某些行為的真實原因。

（五）行為編碼與數據分析

1. 行為編碼

根據Zimmerman的自我調節學習模型，參照表1的行為編碼作為本研究自我調節學習中的具體行為劃分依據，并結合本實驗的學習環境進行適當改編，最終確定本研究的自我調節學習行為編碼表，見表2。

編碼工作由3名教育技術學專業的研究生進行背對背編碼，正式編碼前均經過專家培訓，對編碼表和編碼方式已達到熟悉程度。編碼完成后，對編碼結果進行Kappa系數檢驗。本次在線學習行為編碼結果的Kappa值為0.878，編碼結果具有較好的一致性。

2. QCA分析

（1）相關分析：對每位學習者進行行為編碼后，將每一行為與學生成績進行相關分析，若行為與成績呈現相關關系，則進一步對因果機制進行探討。

（2）fsQCA分析：①數據校準，將變量設定三個錨點：完全隸屬、交叉點以及完全不隸屬，采用直接校準法將前因變量和結果變量校準為模糊集隸屬分數。②必要條件分析，在模糊集分析中，當結果的實例構成條件實例的子集，即存在必要條件。其檢驗用數據的一致性表示，該數值在必要分析時不小于0.9可被接受，組態分析時不小于0.75可被接受。③組態分析，fsQCA分析后將得到三類解。其中，中間解不會簡約掉必要條件，通常認為應該考慮中間解，并結合簡約解區分核心與邊緣條件。若某前因條件同時出現在簡約解和中間解，視為核心條件;若此條件僅出現在中間解，則視為邊緣條件。

四、研究結果

（一）自我調節學習行為與學習成績關系

由于行為數據不滿足正態分布，采用Spearman相關分析。數據分析顯示：（1）自我監測和自我調節呈顯著正相關（R=0.381，p=0.003<0.01），在學習過程中，學習者會一邊使用策略一邊對自身的行為進行調節;（2）自我調節與自我判斷呈顯著正相關（R=0.317，p=0.016<0.05），說明學習者對自己知識掌握情況進行判斷后，會再進行自我調節;（3）自我監測與學習成績存在顯著正相關（R=0.381，p=0.003<0.01）;自我調節與學習成績存在顯著正相關（R=0.365，p=0.005<0.01）;自我判斷與學習成績存在顯著正相關（R=0.317，p=0.016<0.05）。從數據分析可以得出：自我監測、自我調節和自我判斷對學習成績影響最直接，而計劃階段行為沒有影響學習成績。從相關分析的結果無法判斷自我調節學習行為影響學習成績的原因，需要進一步驗證。

（二）自我調節學習行為的組態分析

研究共有57個樣本，屬于中等樣本研究，可以選取前因條件個數一般為4～7個，本研究共有6種行為，滿足中等樣本的前因條件數量要求。

1. 數據校準

目標設置和自我反應是二分類變量無需校準，其他的前因變量（制訂計劃、自我監測、自我調節、自我判斷）和結果變量（學習成績）的三個錨點分別設定為樣本數據的上四分位數、平均值以及下四分位數，并以95%（完全隸屬）、50%（定性交叉點）、5%（完全不隸屬）隸屬度的取值進行校準。

2. 必要條件分析

在進行數據校準后，需在前因條件中找到必要條件。必要條件的一致性結果顯示，目標設置是導致較好學習成績的必要條件（一致性0.918>0.9），構建真值表時需要將目標設置作為必要條件納入fsQCA，進一步探索產生高、低自我調節學習水平的組態。

3. 組態分析

將目標設置、制訂計劃、自我監測、自我調節、自我判斷和自我反應納入條件變量，將高、低學習成績納入結果變量，產生的組態見表3。

通過fsQCA分析，我們可以看出自我調節學習行為通過多重并發路徑對高、低學習成績產生影響。其中，產生高學習成績的組態有4組，總體一致性為0.928，總體覆蓋度為0.513，能夠解釋51.3%的案例。產生低學習成績的組態有2組，總體一致性為0.884，總體覆蓋度為0.557，能夠解釋55.7%的案例。

進一步對組態進行分析，可以發現：（1）學習成績是由目標設置、制訂計劃、自我監測、自我調節、自我判斷和自我反應6種行為構成多重并發路徑共同作用的結果，每種行為與其他行為組合形成的組態不同，對學習成績產生的影響也不相同。（2）在計劃階段，在產生高學習成績中，同時出現了目標設置和較少的制訂計劃，計劃在整個自我調節學習過程中發揮的作用沒有充分體現，從而導致了兩種不同的結果。（3）在執行階段，在產生較高學習成績時，組態幾乎都包含了較多的自我調節和自我監測行為，而產生較低的學習成績時，組態幾乎都包含了較少的自我調節和自我監測行為。說明執行階段行為對學習者在認知彈性環境中的學習最有效，發生的頻數能夠直接影響學習成績。（4）在反思階段，產生較高學習成績時，在覆蓋度較大的組態中，幾乎均出現了較多的自我判斷和自我反應，而產生較低的學習成績時，自我判斷和自我反應對其影響不大，說明反思不是導致學習成績差的重要影響因素。

五、研究結論

與線性學習相比，學習者在計劃、執行和反思三個階段有著不同的行為表現。在認知彈性設計下，學習者能夠調節認知策略、元認知策略、動機和行為以開展非線性超文本的學習。

（一）認知彈性設計下，計劃階段的設置目標行為是導致較好學習成績的必要不充分條件

已有研究表明，設置目標可以監控學習進展，學習者調整自身的認知、動機和行為以達到目標[26]。本研究發現，在認知彈性設計下，設置目標對學習的促進效果不是直接的，而是經由高度的自我監測、自我調節和自我判斷實現的，設置目標與其他行為組合會同時導致較高和較低兩種學習成績，組態1、組態2、組態3輔證了這一觀點。

雖然目標設置是導致較高學習成績的必要條件，但同樣是導致較低學習成績的因素之一。這可能是由于知識領域的影響，相較于良構線性領域的知識，在非良構、非線性領域中進行復雜學習使用的學習策略有所不同。本研究中的學習內容屬于非良構知識，所以學習者運用先前的經驗策略設置目標時，可能會出現失衡狀態。若所設置的目標過低，則會輕易達成目標，阻礙其學習更高層次的內容。若設置的目標過高，由于材料的復雜性，學習者會在學習過程中感知到額外的認知負荷，元認知無法對自我進行持續監測和調節，從而導致較差的學習效果。組態5、組態6輔證了這一觀點。

（二）認知彈性設計下，計劃階段的制訂計劃行為是影響學習成績的無關條件

已有研究表明，計劃可以幫助學習者在自我調節學習過程中更好地實現目標，指導學習者有序進行學習，完成學習任務[27]。本研究發現，制訂計劃對于提高學習成績沒有發揮作用，但不制訂計劃會導致較低的學習成績，較少的制訂計劃與其他行為組合會同時導致較高和較低兩種學習成績，這與先前研究并不完全一致。較少的制訂計劃能夠帶來更佳的學習成績，可能的原因主要有以下兩點：從學習資源的結構來看，雖然學習者在“十字交叉形”非線性超文本系統中學習成績較好，但是部分學習者要充分理解這種非線性知識結構，做出準確的計劃存在一定的困難;從學習者的角度來看，學習者要想在非線性的學習材料中找到自己想要達到的目標并制訂計劃，需要花費大量的時間，使得學習知識內容的時間被壓縮，進而導致較低的學習成績。

（三）認知彈性設計下，執行階段的自我監測和自我調節行為能起到明顯的補益作用，通過分配更多資源來補償計劃階段的不足

由于超文本信息結構節點之間的復雜關系所引發的迷航現象極大地限制了計劃階段行為的有效作用，但在高度的自我監控和自我調節下，學習者能夠花費更多的時間運用策略學習，使自己的認知結構更加清晰，從而彌補制訂計劃的缺失，保證自己足夠理解知識以得到更好的學習效果。自我監測和自我調節可以使學習者掌握知識內容并調整自己的學習進度，促進學習效果[28]，這與已有發現保持一致。

從組態5、組態6來看，如果在學習過程中減少自我監測和自我調節，則不利于促進學習效果，這與已有發現保持一致。從學習者自身角度來說，如果學習者具有較高的認知水平，則更具有調節認知和元認知過程的能力，能夠有效調整認知投入;而對于認知水平較低的學習者，需要分配更多的認知資源專注于理清知識內容，而分配較少的認知資源進行系統性的加工和處理，在學習效果測試中表現不佳。

（四）認知彈性設計下，反思階段進行適應性自我反應行為對促進學習成績更有效

本研究發現，部分學習者雖然進行了自我反應，但并沒有進行自我調整，導致學習效果不佳。有研究表明，自我反應具有防御性反應和適應性反應兩種形式：防御性反應是指通過降低學習投入，減少持續學習和學習展示的機會來維護自己形象，如放棄課程或缺席考試[14];適應性反應指的是對學習策略有效性的調整，如放棄或修改無效的學習策略。組態3、組態4、組態6輔證了這一觀點。

本研究揭示了在認知彈性設計下自我調節學習的必要不充分條件、無關條件和補益作用，既驗證了其他學者關于在線學習中自我調節學習行為的研究成果，又從組態的視角分析了在認知彈性設計下自我調節學習行為表現，豐富了前期的研究結論，為認知彈性設計下如何更好地實現自我調節學習提供了實證依據。研究僅從認知和行為的角度進行了探討，缺乏對情感的測量，在今后的研究中可以考慮納入情感因素，從而更加全面地考察自我調節學習。

[參考文獻]

[1] 楊九民，李麗，劉曉莉，朱芳芳，高姝睿，皮忠玲.在線開放課程中的交互設計及其應用現狀分析[J].電化教育研究，2018，39（11）：61-68.

[2] 張武威.基于“十字交叉形”的復雜知識超文本信息結構表征分析[J].電化教育研究，2012，33（3）：19-23.

[3] PINTRICH P R. The role of goal orientation in self-regulated learning[M]//BOEKAERTS M， PINTRICH P R， ZEIDNER M. Handbook of self-regulation. California： Academic Press， 2000： 451-502.

[4] KIM D， YOON M， JO I. Learning analytics to support self-regulated learning in asynchronous online courses： a case study at a women's university in South Korea[J]. Computers & education，2018，127：233-251.

[5] YANG T C， CHEN M C， CHEN S Y. The influences of self-regulated learning support and prior knowledge on improving learning performance[J]. Computers & education， 2018， 126：37-52.

[6] 曹賢中，何仁生，王鋒，鄭忠梅，徐小雙.基于認知彈性理論的教學設計模式[J].電化教育研究，2008（1）：80-84.

[7] MICHAEL J， JACOBSON， AECHODIDOU A. The design of hypermedia tools for learning： fostering conceptual change and transfer of complex scientific knowledge[J]. Journal of the learning sciences， 2000， 9（2）：145-199.

[8] 官巍，馬力，王瑞.信息網絡環境復雜學習模型設計與實證研究[J].中國電化教育，2013（3）：12-18.

[9] SHANG H F. EFL medical students' metacognitive strategy use for hypertext reading comprehension[J]. Journal of computing in higher education， 2018，30：259-278.

[10] DIAS P， GOMES M J， CORREIA A P. Disorientation in hypermedia environments： mechanisms to support navigation[J]. Journal of educational computing research， 1999，20（2）：93-117.

[11] ASTLEITNER H， LEUTNER D. Learning strategies for unstructured hypermedia—a framework for theory， research， and practice[J]. Journal of educational computing research， 1995，13（4）：387-400.

[12] 張武威.基于認知彈性理論的網絡學習環境超文本復雜知識表征[J].中國電化教育，2010（3）：76-80.

[13] BROADBENT J， PANADERO E， LODGE J， BARBA P. Technologies to enhance self-regulated learning in online and computer-mediated learning environments[M]//BISHOP M， POLING E， ELEN J， SVIHLA V. Handbook of Research in Educational Communications and Technology. Switzerland： Spring Nature AG， 2020：37-52.

[14] ZIMMERMAN B J. Becoming a self-regulated learner： an overview[J]. Theory into practice， 2002， 41（2）：64-70.

[15] BOYKIN A， EVMENOVA J A， REGAN K， MASTROPIERI M. The impact of a computer-based graphic organizer with embedded self-regulated learning strategies on the argumentative writing of students in inclusive cross-curricula settings[J]. Computers & education， 2019， 137：78-90.

[16] ALTEN D， PHIELIX C， JANSSEN J， et al. Self-regulated learning support in flipped learning videos enhances learning outcomes[J]. Computers & education， 2020， 158（1）：1-16.

[17] BARBA P D， MALEKIAN D， OLIVEIRA E A， et al. The importance and meaning of session behaviour in a MOOC[J]. Computers & education， 2020， 146（3）：1-18.

[18] 鄧國民，韓錫斌，楊娟.基于OERs的自我調節學習行為對學習成效的影響[J].電化教育研究，2016，37（3）：42-49，58.

[19] AZEVEDO R， CROMLEY J G. Does training on self-regulated learning facilitate students' learning with hypermedia？[J]. Journal of educational psychology， 2004， 96（3）：523-535.

[20] 奧爾加·維伯格，默罕默德·哈利勒，馬丁尼·巴斯，肖俊洪.在線學習環境下的自我調節學習和學習分析實證研究述評[J].中國遠程教育，2020（12）：28-41，58，93.

[21] BOEKAERTS M， CORNO L. Self-regulation in the classroom： a perspective on assessment and intervention[J]. Applied psychology， 2005，54（2）：199-231.

[22] LAER S V， ELEN J. The effect of cues for calibration on learners' self-regulated learning through changes in learners' learning behaviour and outcomes[J]. Computers & education， 2019， 135（7）：30-48.

[23] 鄧國民，徐新斐，朱永海.混合學習環境下學習者的在線自我調節學習潛在剖面分析及行為過程挖掘[J].電化教育研究，2021，42（1）：80-86.

[24] RAGIN C C. QCA設計原理與應用超越定性與定量研究的新方法[M].杜運周，李永發，等譯.北京：機械工業出版社，2017.

[25] 陳向東，楊德全.組態視角下的教育研究新路徑——質性比較分析（QCA）及在教育技術中的應用分析[J].遠程教育雜志，2020， 38（1）：28-37.

[26] GARCIA R， FALKNER K， VIVIANi R. Systematic literature review： self-regulated learning strategies using e-learning tools for computer science[J]. Computers & education， 2018， 123：150-163.

[27] ZHENG J， XING W， ZHU G. Examining sequential patterns of self- and socially shared regulation of STEM learning in a CSCL environment[J]. Computers & education， 2019， 136：34-48.

[28] MANUEL P U， RAQUEL F A， et al. Evaluation of the effects of a virtual intervention programme on cognitive flexibility， inhibitory control and basic math skills in childhood education[J]. Computers & education， 2020， 159：1-14.