基于智能交互的形成性反饋研究*

劉夢君 尹加琪 楊 兵 周雨虹

基于智能交互的形成性反饋研究*

劉夢君 尹加琪[通訊作者]楊 兵 周雨虹

（湖北大學(xué) 師范學(xué)院，湖北武漢 430062）

形成性反饋是提高學(xué)習(xí)動機與學(xué)習(xí)表現(xiàn)的重要手段。為突破傳統(tǒng)反饋中反饋延遲、有效反饋缺乏等局限，文章依據(jù)基于智能交互的形成性反饋設(shè)計原則，構(gòu)建了基于智能交互的形成性反饋框架。然后開展準(zhǔn)實驗研究將研究對象分為控制組（接收傳統(tǒng)反饋）和實驗組（接收基于智能交互的形成性反饋），使用獨立樣本T檢驗，比較兩組各章學(xué)習(xí)成績前后測、內(nèi)部動機各維度得分，并分析三次干預(yù)后的認(rèn)知負(fù)荷，結(jié)果表明：基于智能交互的形成性反饋可以在一定程度上提升學(xué)習(xí)成績、提高學(xué)習(xí)動機、降低認(rèn)知負(fù)荷。文章的研究從理論上拓展了人工智能深度融入教學(xué)的方式，并可在實踐中為教師設(shè)計更科學(xué)、有效的學(xué)生自主學(xué)習(xí)活動方案提供參考。

形成性反饋；智能交互；內(nèi)部動機；認(rèn)知負(fù)荷

引言

形成性反饋是形成性評價的核心部分，是指向?qū)W習(xí)者傳遞的旨在改變其思維或行為以提高學(xué)習(xí)效果的信息[1]，可以縮小學(xué)生當(dāng)前的理解或表現(xiàn)與預(yù)期目標(biāo)之間的差距，降低認(rèn)知負(fù)荷，提高學(xué)習(xí)成績。然而，要形成有效反饋，不僅需要教師的參與，還需要充分調(diào)動學(xué)生的積極性，激發(fā)他們的學(xué)習(xí)動機和學(xué)習(xí)興趣[2]。目前，傳統(tǒng)教師反饋方式仍占主流，普遍存在反饋延時、個性化缺失等問題，且在大班授課環(huán)境中這些問題尤為嚴(yán)重。

為解決上述問題，已有研究者從技術(shù)與策略的角度對優(yōu)化智能學(xué)習(xí)環(huán)境下的形成性反饋方式進(jìn)行了廣泛探索[3]。其中，智能交互平臺憑借其能夠提供即時對話交互、調(diào)動學(xué)生的積極性、提高學(xué)生學(xué)習(xí)的自主性和評價能力、幫助學(xué)生客觀了解自身的學(xué)習(xí)狀況并彌補知識漏洞等，為解決傳統(tǒng)反饋中的反饋延時、個性化缺失等問題提供了可能[4]。目前，學(xué)術(shù)界對智能交互平臺上的形成性反饋研究從理論框架逐漸轉(zhuǎn)向?qū)嵺`應(yīng)用。國內(nèi)外相關(guān)實證研究表明，對學(xué)生而言，智能交互平臺在學(xué)習(xí)行為層面具備促進(jìn)協(xié)作學(xué)習(xí)[5]、提高學(xué)習(xí)成績的潛能，在認(rèn)知層面能更有效地提高識別和記憶能力[6]，在內(nèi)部動機層面能激發(fā)學(xué)習(xí)興趣、緩解學(xué)習(xí)壓力、提高感知價值[7]。

盡管對基于智能交互平臺的形成性反饋已有諸多研究，但仍存在一些不足：①過多聚焦于片面的系統(tǒng)設(shè)計與應(yīng)用，缺乏具體的理論支撐；②大多集中于智能交互平臺對學(xué)生主觀體驗與學(xué)習(xí)效果的影響，而對學(xué)生認(rèn)知心理層面尤其是學(xué)習(xí)動機、認(rèn)知負(fù)荷等方面的影響鮮有研究；③缺少從激發(fā)學(xué)習(xí)者學(xué)習(xí)動機、降低認(rèn)知負(fù)荷的視角對智能交互平臺與形成性反饋進(jìn)行整合的研究。基于此，本研究整合智能交互平臺與形成性反饋，構(gòu)建了基于智能交互的形成性反饋框架，探究其對學(xué)生學(xué)習(xí)成績、學(xué)習(xí)內(nèi)部動機及認(rèn)知負(fù)荷的影響，以期幫助教師更加科學(xué)、合理地設(shè)計并實施學(xué)生的自主學(xué)習(xí)活動，促進(jìn)人工智能深度融合教育教學(xué)過程。

一 基于智能交互的形成性反饋設(shè)計原則

在課堂上應(yīng)用基于智能問答機器人的形成性反饋工具，可以彌補傳統(tǒng)反饋的不足。其中，智能交互的形成性反饋工具的設(shè)計主要依據(jù)自我決定理論和認(rèn)知負(fù)荷理論。

1 自我決定理論視角下的智能交互形成性反饋設(shè)計原則

自我決定理論（Self-Determination Theory，SDT）提出，內(nèi)部動機是學(xué)生學(xué)習(xí)、適應(yīng)、成長的重要驅(qū)動力。內(nèi)部動機有三種心理需求，即自主性、能力和相關(guān)性[8]。其中，自主性是指個體受自我內(nèi)驅(qū)力影響而行動的意識，能力是個體對自己完成某項活動的可能性感知，相關(guān)性是指在交互過程中個體給予他人或接收他人的情感支持。內(nèi)部動機的心理需求為基于智能交互的形成性反饋設(shè)計原則提供了支撐，其依據(jù)在于：一方面，它可以促使學(xué)生建構(gòu)自我目標(biāo)區(qū)域，便于在人機交互中有針對性地實施支持學(xué)生完成目標(biāo)的方案，使其發(fā)揮自主性。而為了實現(xiàn)上述原則，本研究根據(jù)學(xué)生的答案提供不同的反饋內(nèi)容，并給予學(xué)生自主選擇重新答題或直接獲取答案的機會；同時，充分利用智能交互平臺的富媒體屬性，通過文字、圖片和表情符號的形式提供反饋，激發(fā)學(xué)生的學(xué)習(xí)興趣。另一方面，它利用微型學(xué)習(xí)的特點，采用小單元、聚焦重點和自主式的學(xué)習(xí)模式，使學(xué)生集中注意力，提高其自我效能感。因此，智能交互平臺中的學(xué)習(xí)單元多以學(xué)習(xí)問題的形式呈現(xiàn)，且學(xué)習(xí)問題按照認(rèn)知水平由低到高、由簡單到復(fù)雜進(jìn)行設(shè)計。

2 認(rèn)知負(fù)荷理論指導(dǎo)下的智能交互形成性反饋設(shè)計原則

認(rèn)知負(fù)荷理論（Cognitive Load Theory，CLT）認(rèn)為，學(xué)習(xí)的成功與否取決于是否有足夠的認(rèn)知資源來滿足特定學(xué)習(xí)活動的需求。當(dāng)經(jīng)歷高認(rèn)知負(fù)荷時，注意力就會受到干擾，在需要注意力的任務(wù)上的表現(xiàn)也會受到影響[9]。一般而言，認(rèn)知負(fù)荷分為內(nèi)在認(rèn)知負(fù)荷、外在認(rèn)知負(fù)荷和相關(guān)認(rèn)知負(fù)荷三種。其中，內(nèi)在認(rèn)知負(fù)荷主要由任務(wù)的復(fù)雜程度決定，外在認(rèn)知負(fù)荷由學(xué)習(xí)內(nèi)容的呈現(xiàn)形式?jīng)Q定，而相關(guān)認(rèn)知負(fù)荷與信息處理有關(guān)。為了實現(xiàn)對認(rèn)知負(fù)荷的控制，基于智能交互的形成性反饋設(shè)計原則包括：①通過改變學(xué)習(xí)者的建構(gòu)圖式，來降低學(xué)習(xí)者的內(nèi)在認(rèn)知負(fù)荷。例如，將學(xué)習(xí)難題分解為一步步待解決的小問題，當(dāng)學(xué)習(xí)者回答錯誤時，智能交互平臺會逐步給予提示、類比、解釋、舉例等信息——如果一次性呈現(xiàn)所有的信息，會導(dǎo)致信息被粗淺地處理，并產(chǎn)生過度的認(rèn)知負(fù)荷。②可結(jié)合多媒體學(xué)習(xí)的原則，通過簡化內(nèi)容的呈現(xiàn)形式，來降低學(xué)習(xí)者的外在認(rèn)知負(fù)荷。例如，去除與學(xué)習(xí)無關(guān)的元素，突出關(guān)鍵的知識內(nèi)容。③通過構(gòu)建新舊知識的聯(lián)系，來適當(dāng)增加學(xué)習(xí)者的相關(guān)認(rèn)知負(fù)荷。例如，利用組織圖式的方法，將知識點經(jīng)過意義建構(gòu)，幫助學(xué)習(xí)者處理零散信息并建立關(guān)聯(lián)。

二 基于智能交互的形成性反饋框架的構(gòu)建

1 基于智能交互的形成性反饋框架設(shè)計

根據(jù)上述設(shè)計原則，結(jié)合Narciss等[10]的形成性反饋模式，本研究構(gòu)建了基于智能交互的形成性反饋框架，如圖1所示。由于影響形成性反饋的三大要素為教學(xué)情境、學(xué)習(xí)者特征和反饋本身，故本研究首先基于具體的教學(xué)情境，充分考慮學(xué)習(xí)者的學(xué)習(xí)特征，來設(shè)計學(xué)習(xí)任務(wù)；同時，考慮到反饋本身包含功能、內(nèi)容和機制三大要素，故形成性反饋框架需提供促進(jìn)學(xué)習(xí)者知識理解、策略調(diào)整與學(xué)習(xí)動機的功能，在此基礎(chǔ)上完善反饋的內(nèi)容和機制。此外，為了進(jìn)一步滿足學(xué)生的自主性要求并避免反饋內(nèi)容單一而引起學(xué)習(xí)倦怠，形成性反饋框架還要依托學(xué)習(xí)流程控制、學(xué)習(xí)得分記錄、學(xué)習(xí)意圖識別的邏輯進(jìn)行整體設(shè)計。

①教學(xué)情境。教學(xué)情境包括教學(xué)目標(biāo)、教學(xué)內(nèi)容和學(xué)習(xí)任務(wù)。其中，教學(xué)目標(biāo)是學(xué)生掌握基礎(chǔ)知識與基本操作技能；教學(xué)內(nèi)容涵蓋概念型知識和應(yīng)用型知識；學(xué)習(xí)任務(wù)則由一系列學(xué)習(xí)問題組成，學(xué)習(xí)問題的呈現(xiàn)按照認(rèn)知水平由低到高、由簡到難依次呈現(xiàn)。

圖1 基于智能交互的形成性反饋框架

②學(xué)習(xí)者特征。對于學(xué)習(xí)者尤其是對于課程學(xué)習(xí)的先驗知識不足、且學(xué)習(xí)動機較低的學(xué)習(xí)者來說，在達(dá)到知識習(xí)得和應(yīng)用的學(xué)習(xí)目標(biāo)、實現(xiàn)對知識的理解方面，易產(chǎn)生較大的認(rèn)知負(fù)荷。

③反饋要素。反饋要素包含反饋的功能、內(nèi)容和機制。其中，形成性反饋的功能聚焦于認(rèn)知、元認(rèn)知、動機方面，即首先借助形成性反饋來促進(jìn)學(xué)習(xí)者的知識建構(gòu)、有效降低學(xué)習(xí)者的認(rèn)知負(fù)荷；隨后在反饋的過程中引導(dǎo)學(xué)習(xí)者學(xué)習(xí)，使其逐步形成有效的學(xué)習(xí)方法，培養(yǎng)有效的元認(rèn)知技能；最后利用動態(tài)反饋引起學(xué)習(xí)者注意，提高其學(xué)習(xí)動機。形成性反饋的內(nèi)容包括信息部分和評價部分，其中的信息是指教學(xué)信息，如當(dāng)學(xué)習(xí)者回答錯誤時給予的提示、類比、解釋、例子等指導(dǎo)性信息；而評價是指對學(xué)習(xí)者問題回答的驗證性評價，即該答案是正確的還是錯誤的。形成性反饋的機制包括反饋時機與反饋調(diào)整，反饋時機是智能交互平臺在學(xué)習(xí)者提交回答后何時給予反饋，反饋調(diào)整是智能交互平臺對學(xué)習(xí)者提交回答后給予反饋的策略進(jìn)行調(diào)整。

④智能交互功能。為了實現(xiàn)反饋的功能，智能交互平臺需提供知識檢測、方法訓(xùn)練等功能，同時通過圖片交互引起學(xué)習(xí)者注意、促進(jìn)學(xué)習(xí)者自我評價，使其明確知識的薄弱環(huán)節(jié)。對應(yīng)于反饋的內(nèi)容，設(shè)計智能交互平臺的知識庫時首先要將學(xué)習(xí)者答案與知識庫進(jìn)行匹配，驗證答案的正誤；再根據(jù)學(xué)習(xí)需求給予線索提示或詳細(xì)反饋。針對反饋的機制，智能交互平臺采用即時響應(yīng)的方式，通過逐步反饋層層遞進(jìn)；同時，根據(jù)學(xué)習(xí)者的不同選擇，智能交互平臺進(jìn)行反饋策略調(diào)整，如提供再次嘗試解題或直接查看答案的機會。

⑤交互邏輯設(shè)計。交互邏輯設(shè)計包括流程控制、計分設(shè)置和意圖識別三部分，具體的交互邏輯如下：智能交互平臺依據(jù)學(xué)生的答題正誤情況，引導(dǎo)學(xué)生進(jìn)入不同的學(xué)習(xí)流程——如果學(xué)生答對，受到表揚后可根據(jù)自主學(xué)習(xí)意圖，選擇繼續(xù)學(xué)習(xí)或查看解析，同時平臺會記錄加分；如果學(xué)生答錯，受到鼓勵后可根據(jù)自主學(xué)習(xí)意圖，選擇查看解析或再次答題。

2 基于智能交互的形成性反饋框架實踐

為便于學(xué)生在復(fù)習(xí)環(huán)節(jié)利用智能交互平臺更好地進(jìn)行自主復(fù)習(xí)，本研究應(yīng)用基于智能交互的形成性反饋框架進(jìn)行實踐，具體步驟如下：

①設(shè)定交互平臺。目前，國內(nèi)外已涌現(xiàn)出多款人工智能交互開發(fā)平臺，如Dialogflow、Snatchbot、Alice等。而符合上文形成性反饋框架設(shè)計功能和邏輯要求的是開源平臺Flow.ai，它具有如圖1中所示的智能交互功能和邏輯特點。

②創(chuàng)設(shè)合適問題。本研究選取的學(xué)習(xí)內(nèi)容來自科學(xué)出版社于2018年出版的《大學(xué)計算機基礎(chǔ)》的第一章“計算機基礎(chǔ)知識”（應(yīng)用型）、第二章“硬件基礎(chǔ)”（概念型）和第四章“算法與程序設(shè)計基礎(chǔ)”（應(yīng)用型）。由于第三章為“操作系統(tǒng)基礎(chǔ)”，主要涵蓋操作系統(tǒng)的定義、歷史及功能，涉及的知識點比較簡單，學(xué)生易于掌握，故不作為復(fù)習(xí)重點；而第一、二、四章是本課程重點，也是后續(xù)深入學(xué)習(xí)計算機的基礎(chǔ)，故本研究選取這三章作為學(xué)習(xí)內(nèi)容。每一章節(jié)的復(fù)習(xí)題均根據(jù)教學(xué)目標(biāo)設(shè)計；同時，根據(jù)布魯姆的教育目標(biāo)分類法，按照學(xué)習(xí)目標(biāo)的要求，設(shè)計的復(fù)習(xí)題由簡單到復(fù)雜分層次提問，涵蓋知識、理解、應(yīng)用三個層面。

③設(shè)置反饋機制。若學(xué)生作答正確，就反饋“恭喜你答對啦”“你真是太棒了”等肯定性評價話語；接著提供快捷回復(fù)，學(xué)生可以選擇查看改題的解析，或是直接進(jìn)入下一題的作答。若學(xué)生作答錯誤，就反饋如“很遺憾答錯咯”“不對哦”等鼓勵性話語，并給予該題的提示，如該題相關(guān)的知識點、做題的方法及策略等；接著提供快捷回復(fù)，學(xué)生可以選擇查看答案，或是根據(jù)提示再次嘗試。當(dāng)學(xué)生做完最后一道題后點擊“完成訓(xùn)練”，便可查看本次練習(xí)的總成績。圖2展示了一個智能交互平臺根據(jù)學(xué)習(xí)者應(yīng)答給予即時反饋的過程畫面。

圖2 智能交互會話工具用戶界面（部分）

圖3 對比實驗流程

三 研究設(shè)計

本研究基于上文框架提出研究假設(shè)，并選取合適的研究對象和實驗工具，開展準(zhǔn)實驗研究。

1 研究假設(shè)

本研究從基于智能交互的形成性反饋提升學(xué)習(xí)成績、提高學(xué)習(xí)內(nèi)部動機、降低認(rèn)知負(fù)荷三方面提出研究假設(shè)：①與傳統(tǒng)反饋相比，基于智能交互的形成性反饋更有助于學(xué)生提高學(xué)習(xí)成績；②與傳統(tǒng)反饋相比，基于智能交互的形成性反饋有助于提高學(xué)生學(xué)習(xí)的內(nèi)部動機；③與傳統(tǒng)反饋相比，基于智能交互的形成性反饋有助于降低學(xué)生認(rèn)知負(fù)荷。

2 研究對象

本研究以湖北省武漢市H大學(xué)2020級本科生為研究對象，并基于準(zhǔn)實驗研究中的實驗組和控制組前后測方案，對參與者按其原有的班級進(jìn)行分組：傳統(tǒng)反饋班（控制組）由109名法學(xué)專業(yè)的學(xué)生組成，智能交互反饋班（實驗組）由61名國際經(jīng)濟(jì)與貿(mào)易專業(yè)的學(xué)生和45名經(jīng)濟(jì)學(xué)專業(yè)的學(xué)生組成。由于實驗過程涉及三輪，而部分學(xué)生缺席導(dǎo)致數(shù)據(jù)缺失，因此后期篩選時只保留數(shù)據(jù)完整的學(xué)生，最終確定控制組85人、實驗組88人。兩組學(xué)生由同一教師在不同時間講授相同內(nèi)容，但在復(fù)習(xí)階段，控制組接收傳統(tǒng)反饋，而實驗組接收智能交互的形成性反饋。

3 實驗工具

（1）形成性反饋習(xí)題、章節(jié)測驗

第一、二、四章教學(xué)目標(biāo)的測試問題由授課教師設(shè)計，題型包括選擇題、填空題，每題1分。其中，第一章前后測均為13題，滿分為13分；第二章前后測均為8題，滿分為8分；第四章前后測均為9題，滿分為9分。在每一章學(xué)習(xí)開始前進(jìn)行成績檢測，評估學(xué)生的初始學(xué)習(xí)水平；在復(fù)習(xí)階段結(jié)束后進(jìn)行后測，評估學(xué)生的知識掌握情況。

（2）內(nèi)部動機量表

McAuley等[11]提出內(nèi)部動機量表用于測量與學(xué)習(xí)環(huán)境有關(guān)的內(nèi)部動機主觀體驗。本研究對該內(nèi)部動機量表進(jìn)行改編，包括興趣—享受、緊張—壓力、感知選擇、感知能力、感知價值5個維度。其中，興趣—享受維度衡量內(nèi)在動機，由7個題項組成；感知選擇、感知能力是內(nèi)在動機的正向預(yù)測因子，分別包含4個、5個題項；緊張—壓力是內(nèi)在動機的負(fù)向預(yù)測因子，此維度由5個題項組成；感知價值反映了人們體驗有用活動時的內(nèi)化和自我調(diào)節(jié)，此維度包括4個題項。所有25個題項都采用李克特七點量表計分，1表示非常不同意，7表示非常同意。

（3）認(rèn)知負(fù)荷量表

認(rèn)知負(fù)荷量表改編自PAAS量表[12]。該量表采用李克特六點量表計分，設(shè)有8個題項：“精神負(fù)荷”維度有5個題項，“心理努力”維度有3個題項。其中，精神負(fù)荷是指任務(wù)與學(xué)科特征之間的交互程度，即資源對于研究對象的學(xué)習(xí)難度；心理努力代表分配給適應(yīng)任務(wù)要求的認(rèn)知能力，即研究對象的心理投入努力程度。

表1 實驗計劃安排

4 實驗過程

控制組與實驗組的對比實驗分3輪進(jìn)行，實驗流程如圖3所示。在每輪學(xué)習(xí)章節(jié)知識前，先讓學(xué)生完成內(nèi)部動機量表的填寫，然后通過機房的考試系統(tǒng)完成該章節(jié)測試題，兩份測試數(shù)據(jù)作為前測數(shù)據(jù)；教師正常授課，在下一次輪授課中，實驗組通過智能交互平臺的問答機器人進(jìn)行問答式的知識復(fù)習(xí)，而控制組先使用在線問卷進(jìn)行問答式的知識復(fù)習(xí)、其后由教師給予答疑反饋。復(fù)習(xí)之后，兩組依然需要測試該章節(jié)的內(nèi)容、內(nèi)部動機水平和認(rèn)知負(fù)荷水平，以上3份測試數(shù)據(jù)作為每一章節(jié)的后測數(shù)據(jù)。具體的實驗計劃安排如表1所示。

四 研究結(jié)果

實驗數(shù)據(jù)采用SPSS 19.0進(jìn)行分析。本研究首先計算了克隆巴赫系數(shù)值，以檢驗改編后量表的內(nèi)部一致性。內(nèi)部動機和認(rèn)知負(fù)荷各維度的信度檢驗結(jié)果如表2所示，可以看出：所有量表各維度的克隆巴赫系數(shù)值都大于0.6，都可以接受。隨后，本研究使用獨立樣本T檢驗對兩組各章學(xué)習(xí)成績前后測、內(nèi)部動機各維度得分進(jìn)行了比較，并對三次干預(yù)后的認(rèn)知負(fù)荷進(jìn)行了比較。

表2 內(nèi)部動機量表和認(rèn)知負(fù)荷量表各維度的信度檢驗

表3 學(xué)習(xí)成績前后測獨立樣本T檢驗

1 實驗組和控制組各章學(xué)習(xí)成績前后測比較

本研究對實驗組和控制組的各章學(xué)習(xí)成績前后測進(jìn)行了獨立樣本T檢驗，結(jié)果如表3所示，可以看出，基于智能交互的形成性反饋在一定場景下可以提高學(xué)生學(xué)習(xí)成績。具體來說，兩組的第一、四章成績變化量具有顯著性差異，且實驗組的成績提升幅度顯著高于控制組。盡管控制組第二章的成績變化量略高于實驗組，但是差異不顯著。由此可見，對于概念學(xué)習(xí)，傳統(tǒng)反饋和基于智能交互的形成性反饋對于學(xué)生的學(xué)習(xí)促進(jìn)效用相當(dāng)；而對于偏應(yīng)用計算型知識，基于智能交互的形成性反饋有更好的促進(jìn)效果。

2 實驗組和控制組內(nèi)部動機各維度得分比較

本研究對內(nèi)部動機各維度得分進(jìn)行獨立樣本T檢驗，結(jié)果如表4所示，可以看出，基于智能交互的形成性反饋可以在學(xué)習(xí)早中期提高學(xué)生學(xué)習(xí)的內(nèi)部動機。具體來說，在興趣—享受維度，第一次干預(yù)后，兩組的興趣水平變化顯著不同（t=-2.87，＜0.05）：控制組水平下降、實驗組水平上升，說明與傳統(tǒng)反饋相比，基于智能交互的形成性反饋通過提供靈活問答的反饋機制和圖文并茂的反饋內(nèi)容能有效提高學(xué)習(xí)興趣。第二次干預(yù)后，兩組的興趣水平變化沒有顯著性差異（均有所提高），表明學(xué)生對這兩種反饋都感到滿意。而第三次干預(yù)后，兩組的變化也沒有顯著性差異（均有所下降），表明實驗后期學(xué)生對這兩種反饋產(chǎn)生了倦怠心理。

表4 內(nèi)部動機各維度變化量獨立樣本T檢驗

在緊張-壓力維度，第一次干預(yù)后，兩組的壓力水平變化顯著不同（t=2.49，＜0.05）：控制組的水平上升、實驗組的水平下降，表明控制組因需緊跟教師教學(xué)步驟、不能即時解決困惑，而產(chǎn)生了更高的緊張和壓力感。第二次干預(yù)后，兩組的壓力水平均有所下降，但兩組差異不顯著（t=-.58，＞0.05）。而第三次干預(yù)后，兩組的壓力水平產(chǎn)生顯著性差異（t=2.14，＜0.05），其中控制組壓力水平回升、實驗組壓力水平下降，表明長期的單一反饋會增加學(xué)生的心理負(fù)擔(dān)與學(xué)習(xí)壓力；而長期接受基于智能交互的自主學(xué)習(xí)，學(xué)生的壓力水平會降低。

在感知選擇維度，第一次干預(yù)后，兩組的感知選擇水平變化顯著不同（t=-2.06，＜0.05），即控制組的水平下降、實驗組的水平上升。而第二次、第三次干預(yù)后，兩組的感知選擇水平變化均沒有顯著性差異。學(xué)生初次接觸智能交互平臺能更好地提高感知選擇水平，可能因為學(xué)生更喜歡自主性較強的復(fù)習(xí)方式，但由于其單一的問答機制，學(xué)生的后期感知選擇水平有所下降。

在感知能力維度，兩組在三次干預(yù)后的感知能力水平變化不具有顯著性差異。具體而言，控制組的水平呈先下降后上升的趨勢，而實驗組的水平呈先上升后下降的趨勢。基于智能交互的形成性反饋能夠提供即時的反饋，并提供不同的學(xué)習(xí)選擇，這樣的設(shè)定能夠增強學(xué)生的感知能力和信心。但是，傳統(tǒng)的教師延時反饋也能在一定程度上滿足感知要求。

在感知價值維度，第一次干預(yù)后，兩組的感知價值水平具有顯著性差異（t=-3.35，＜0.05），即兩組的水平均下降，可見學(xué)生起初對兩種反饋都不認(rèn)可。但是，實驗組的感知價值水平下降較少，且標(biāo)準(zhǔn)差較低。原因可能在于實驗組第一次使用智能交互平臺，對此持保守態(tài)度。而在第二次干預(yù)之后，控制組的水平仍然下降，而實驗組的水平有所提高，兩組的變化有顯著性差異（t=-2.08，＜0.05）。由此可見，學(xué)生第二次使用智能交互平臺后逐漸熟悉平臺功能，認(rèn)為平臺能給知識理解增加更多價值。而控制組接受傳統(tǒng)反饋的機制受限，以至對傳統(tǒng)反饋不認(rèn)可。而在第三次干預(yù)后，兩組的感知價值水平差異不顯著（t=1.94，＞0.05），即兩組的水平均下降。實驗組水平下降的原因可能在第四章較復(fù)雜的學(xué)習(xí)中，平臺不能很好地滿足學(xué)生的需求。

3 實驗組和控制組三次干預(yù)后的認(rèn)知負(fù)荷比較

本研究對兩組學(xué)習(xí)完第一章后的認(rèn)知負(fù)荷進(jìn)行獨立樣本T檢驗，結(jié)果如表5所示，可以看出，隨著對智能交互平臺使用的逐漸熟練，基于智能交互的形成性反饋可以降低學(xué)生認(rèn)知負(fù)荷。表5顯示，兩組的認(rèn)知負(fù)荷水平?jīng)]有顯著性差異（t=-.05，＞0.05），即兩組的認(rèn)知負(fù)荷水平均較低。由此可見對于第一章的復(fù)習(xí)，兩種反饋并未對學(xué)生產(chǎn)生較大的認(rèn)知負(fù)荷。

表5 第一次干預(yù)后兩組的認(rèn)知負(fù)荷比較結(jié)果

表6 第二次干預(yù)后兩組的認(rèn)知負(fù)荷比較結(jié)果

表7 第三次干預(yù)后兩組的認(rèn)知負(fù)荷比較結(jié)果

完成第二章學(xué)習(xí)后，兩組的認(rèn)知負(fù)荷獨立樣本T檢驗結(jié)果如表6所示，可知實驗組的認(rèn)知負(fù)荷水平顯著低于控制組（t=2.01，＜0.05）。原因可能是學(xué)生熟悉智能交互平臺后有更多的自主選擇；另外，第二章為概念性知識，學(xué)生更易掌握，認(rèn)知負(fù)荷較小。控制組因為使用問卷星答題感覺十分麻煩，且答題后沒有立即得到反饋，故易產(chǎn)生沮喪感，導(dǎo)致精神負(fù)荷較大。同時，由于兩組使用的習(xí)題相同，因此付出的心理努力沒有顯著性差異（t=1.52，＞0.05）。

完成第四章學(xué)習(xí)后，兩組的認(rèn)知負(fù)荷獨立樣本T檢驗結(jié)果如表7所示，可知實驗組的認(rèn)知負(fù)荷水平顯著低于控制組（t=2.53，＜0.05）。實驗組的精神負(fù)荷較小，可能由于基于智能交互的反饋能快速響應(yīng)答題且提供新的答題機會，因而學(xué)生不會感到困難；而傳統(tǒng)反饋存在延時的問題，學(xué)生在答題上耗時更長。控制組的心理努力程度較高，表明教師給予的延時性反饋難以滿足學(xué)生的知識需求。

五 結(jié)論與建議

依據(jù)自我決定理論和認(rèn)知負(fù)荷理論，本研究構(gòu)建了一套基于智能交互的形成性反饋框架并將其應(yīng)用于實踐。實驗結(jié)果表明，基于智能交互的形成性反饋具有以下功能：①能夠促進(jìn)學(xué)生對應(yīng)用型知識的掌握。智能交互的反饋設(shè)計允許學(xué)生根據(jù)自己的進(jìn)度復(fù)習(xí)，使其得到及時的反饋，并提供重復(fù)答題的選項，這些都有利于知識的鞏固和記憶。在反復(fù)的練習(xí)中，得到提示的學(xué)生能調(diào)整自己的認(rèn)知、元認(rèn)知策略，掌握解題的規(guī)律與方法。②能夠提高學(xué)習(xí)者的學(xué)習(xí)興趣。交互式的對話學(xué)習(xí)與社交聊天形式一致，學(xué)習(xí)者相對熟悉，因此基于智能交互的反饋設(shè)計更聚焦于參與度，較少關(guān)注指示說明。同時，學(xué)生可方便且重復(fù)地復(fù)習(xí)每個知識點，而學(xué)習(xí)的靈活性有利于激發(fā)學(xué)生的學(xué)習(xí)興趣[13]。③有助于降低學(xué)生的認(rèn)知負(fù)荷。基于智能交互的形成性反饋通過循序漸進(jìn)的提示，降低了學(xué)生掌握知識的難度，避免學(xué)生產(chǎn)生畏難情緒；同時，教學(xué)方式與學(xué)習(xí)內(nèi)容的呈現(xiàn)形式會影響學(xué)生的心理努力水平。

可見，基于智能交互的形成性反饋可以促進(jìn)學(xué)生掌握知識、增強學(xué)生的學(xué)習(xí)動機、降低學(xué)生的認(rèn)知負(fù)荷。基于此，本研究針對教學(xué)中使用的智能交互平臺的設(shè)計提出如下建議：①可將智能交互平臺作為應(yīng)用型知識的反饋工具，提供更積極的、以學(xué)習(xí)者為中心的反饋方式。因為對于偏概念性、記憶性的知識而言，學(xué)習(xí)者所調(diào)用的組織圖式方式較為簡單，通過智能交互反饋系統(tǒng)將相關(guān)概念聯(lián)系在一起，可以減輕工作記憶的負(fù)擔(dān)。②需更多地關(guān)注如何維持學(xué)習(xí)興趣。因為基于智能交互的形成性反饋更像私人助導(dǎo)，能通過會話答疑解惑，提供即時且有情感的反饋，更利于激發(fā)學(xué)生的學(xué)習(xí)興趣。③應(yīng)在交互過程中完成知識的組織和學(xué)習(xí)。因為知識對話交互的傳遞方式可以降低學(xué)生組織知識、完成知識學(xué)習(xí)任務(wù)的認(rèn)知能力要求，進(jìn)而降低認(rèn)知負(fù)荷。

[1]Shute V J. Focus on formative feedback[J]. Review of Educational Research, 2008,(1):153-189.

[2]王海英,吳爽.形成性評價視域下反饋在中小學(xué)教學(xué)管理中的運用[J].現(xiàn)代教育管理,2020,(3):103-109.

[3]楊兵,尹加琪,楊旸,等.現(xiàn)狀與發(fā)展:智能問答機器人促進(jìn)學(xué)習(xí)的反思[J].中國電化教育,2018,(12):31-38.

[4]李奕華.基于動態(tài)評估理論的英語寫作反饋方式比較研究[J].外語界,2015,(3):59-67.

[5]Winkler R, S?llner M, Neuweiler M L, et al. Alexa, can you help us solve this problem? How conversations with smart personal assistant tutors increase task group outcomes[A].Extended Abstracts of the 2019 CHI Conference on Human Factors in Computing Systems[C]. New York: Association for Computing Machinery, 2019:1-6.

[6]Ruan S, Jiang L, Xu J, et al. Quizbot: A Dialogue-based Adaptive Learning System for Factual Knowledge[A]. Proceedings of the 2019 CHI Conference on Human Factors in Computing Systems[C]. New York: Association for Computing Machinery, 2019:1-13.

[7]Yin J, Goh T T, Yang B, et al. Conversation technology with Micro-Learning: The impact of chatbot-based learning on students’ learning motivation and performance[J]. Journal of Educational Computing Research, 2020,(1):154-177.

[8]Ryan R M, Deci E L. Self-determination theory and the facilitation of intrinsic motivation, social development, and well-being[J]. American Psychologist, 2000,(1):68.

[9]Murphy G, Groeger J A, Greene C M. Twenty years of load theory—Where are we now, and where should we go next?[J]. Psychonomic Bulletin & Review, 2016,(5):1316-1340.

[10]Narciss S, Huth K. How to design informative tutoring feedback for multi-media learning[A]. Instructionaldesign for Multimedia Learning[C]. Munster, NY: Waxmann, 2004:181-195.

[11]McAuley E, Duncan T, Tammen V V. Psychometric properties of the intrinsic motivation inventory in a competitive sport setting: A confirmatory factor analysis[J]. Research Quarterly for Exercise and Sport, 1989,(1):48-58.

[12]Sweller J, Van Merri?nboer J J G. Paas F G. W C. Cognitive architecture and instructional design[J]. Educational Psychology Review, 1998,(3):251-297.

[13]Sun L, Siklander P, Ruokamo H. How to trigger students’ interest in digital learning environments: A systematic literature review[J]. Media, Technology & Life-Long Learning, 2018,(1):62-84.

Research on Formative Feedback Based on Intelligence Interaction

LIU Meng-jun YIN Jia-qi[Corresponding Author]YANG Bing ZHOU Yu-hong

Formative feedback is an important means to improve learning motivation and learning performance. In order o break through the limitations of traditional feedback such as delayed feedback and lack of effective feedback, the paper constructed a formative feedback framework based on intelligent interaction according to the design principle of formative feedback based on intelligent interaction.. After that, a quasi-experimental study was carried out, which divided the research subjects into a control group (who received traditional feedback) and an experimental group (who received formative feedback based on intelligent interaction). In addition, independent samples T-test was used to compare the pre- and post-tests of learning achievement in each chapter, the scores of each dimension of internal motivation, and the cognitive load after three interventions in both groups. The results showed that formative feedback based on intelligent interaction could improve learning performance, increase motivation, and reduce cognitive load to some extent. The research in this paper theoretically expanded the ways in which artificial intelligence can be deeply integrated into teaching and learning, and can be used in practice as reference for teachers to design more scientific and effective student autonomous learning activity programs.

formative feedback; intelligent interaction; internal motivation; cognitive load

G40-057

A

1009—8097（2022）06—0062—10

10.3969/j.issn.1009-8097.2022.06.007

本文為教育部人文社會科學(xué)青年項目“基于認(rèn)知診斷的網(wǎng)絡(luò)學(xué)習(xí)能力評測與個性化推薦機制研究”（項目編號：19YJC880093）的階段性研究成果，并受湖北省自然科學(xué)基金“基于區(qū)塊鏈的新高考綜合素質(zhì)評價數(shù)據(jù)安全管理機制研究”（項目編號：2021CFB470）資助。

劉夢君，副教授，博士，研究方向為教育數(shù)據(jù)挖掘、教育數(shù)據(jù)安全，郵箱為lmj_whu@163.com。

2021年11月14日

編輯：小時