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 師范學院，湖北武漢 430062）

形成性反饋是提高學習動機與學習表現的重要手段。為突破傳統反饋中反饋延遲、有效反饋缺乏等局限，文章依據基于智能交互的形成性反饋設計原則，構建了基于智能交互的形成性反饋框架。然后開展準實驗研究將研究對象分為控制組（接收傳統反饋）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，比較兩組各章學習成績前后測、內部動機各維度得分，并分析三次干預后的認知負荷，結果表明：基于智能交互的形成性反饋可以在一定程度上提升學習成績、提高學習動機、降低認知負荷。文章的研究從理論上拓展了人工智能深度融入教學的方式，并可在實踐中為教師設計更科學、有效的學生自主學習活動方案提供參考。

形成性反饋；智能交互；內部動機；認知負荷

引言

形成性反饋是形成性評價的核心部分，是指向學習者傳遞的旨在改變其思維或行為以提高學習效果的信息[1]，可以縮小學生當前的理解或表現與預期目標之間的差距，降低認知負荷，提高學習成績。然而，要形成有效反饋，不僅需要教師的參與，還需要充分調動學生的積極性，激發他們的學習動機和學習興趣[2]。目前，傳統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，且在大班授課環境中這些問題尤為嚴重。

為解決上述問題，已有研究者從技術與策略的角度對優化智能學習環境下的形成性反饋方式進行了廣泛探索[3]。其中，智能交互平臺憑借其能夠提供即時對話交互、調動學生的積極性、提高學生學習的自主性和評價能力、幫助學生客觀了解自身的學習狀況并彌補知識漏洞等，為解決傳統反饋中的反饋延時、個性化缺失等問題提供了可能[4]。目前，學術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向實踐應用。國內外相關實證研究表明，對學生而言，智能交互平臺在學習行為層面具備促進協作學習[5]、提高學習成績的潛能，在認知層面能更有效地提高識別和記憶能力[6]，在內部動機層面能激發學習興趣、緩解學習壓力、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設計與應用，缺乏具體的理論支撐；②大多集中于智能交互平臺對學生主觀體驗與學習效果的影響，而對學生認知心理層面尤其是學習動機、認知負荷等方面的影響鮮有研究；③缺少從激發學習者學習動機、降低認知負荷的視角對智能交互平臺與形成性反饋進行整合的研究。基于此，本研究整合智能交互平臺與形成性反饋，構建了基于智能交互的形成性反饋框架，探究其對學生學習成績、學習內部動機及認知負荷的影響，以期幫助教師更加科學、合理地設計并實施學生的自主學習活動，促進人工智能深度融合教育教學過程。

一 基于智能交互的形成性反饋設計原則

在課堂上應用基于智能問答機器人的形成性反饋工具，可以彌補傳統反饋的不足。其中，智能交互的形成性反饋工具的設計主要依據自我決定理論和認知負荷理論。

1 自我決定理論視角下的智能交互形成性反饋設計原則

自我決定理論（Self-Determination Theory，SDT）提出，內部動機是學生學習、適應、成長的重要驅動力。內部動機有三種心理需求，即自主性、能力和相關性[8]。其中，自主性是指個體受自我內驅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。內部動機的心理需求為基于智能交互的形成性反饋設計原則提供了支撐，其依據在于：一方面，它可以促使學生建構自我目標區域，便于在人機交互中有針對性地實施支持學生完成目標的方案，使其發揮自主性。而為了實現上述原則，本研究根據學生的答案提供不同的反饋內容，并給予學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，激發學生的學習興趣。另一方面，它利用微型學習的特點，采用小單元、聚焦重點和自主式的學習模式，使學生集中注意力，提高其自我效能感。因此，智能交互平臺中的學習單元多以學習問題的形式呈現，且學習問題按照認知水平由低到高、由簡單到復雜進行設計。

2 認知負荷理論指導下的智能交互形成性反饋設計原則

認知負荷理論（Cognitive Load Theory，CLT）認為，學習的成功與否取決于是否有足夠的認知資源來滿足特定學習活動的需求。當經歷高認知負荷時，注意力就會受到干擾，在需要注意力的任務上的表現也會受到影響[9]。一般而言，認知負荷分為內在認知負荷、外在認知負荷和相關認知負荷三種。其中，內在認知負荷主要由任務的復雜程度決定，外在認知負荷由學習內容的呈現形式決定，而相關認知負荷與信息處理有關。為了實現對認知負荷的控制，基于智能交互的形成性反饋設計原則包括：①通過改變學習者的建構圖式，來降低學習者的內在認知負荷。例如，將學習難題分解為一步步待解決的小問題，當學習者回答錯誤時，智能交互平臺會逐步給予提示、類比、解釋、舉例等信息——如果一次性呈現所有的信息，會導致信息被粗淺地處理，并產生過度的認知負荷。②可結合多媒體學習的原則，通過簡化內容的呈現形式，來降低學習者的外在認知負荷。例如，去除與學習無關的元素，突出關鍵的知識內容。③通過構建新舊知識的聯系，來適當增加學習者的相關認知負荷。例如，利用組織圖式的方法，將知識點經過意義建構，幫助學習者處理零散信息并建立關聯。

二 基于智能交互的形成性反饋框架的構建

1 基于智能交互的形成性反饋框架設計

根據上述設計原則，結合Narciss等[10]的形成性反饋模式，本研究構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情境、學習者特征和反饋本身，故本研究首先基于具體的教學情境，充分考慮學習者的學習特征，來設計學習任務；同時，考慮到反饋本身包含功能、內容和機制三大要素，故形成性反饋框架需提供促進學習者知識理解、策略調整與學習動機的功能，在此基礎上完善反饋的內容和機制。此外，為了進一步滿足學生的自主性要求并避免反饋內容單一而引起學習倦怠，形成性反饋框架還要依托學習流程控制、學習得分記錄、學習意圖識別的邏輯進行整體設計。

①教學情境。教學情境包括教學目標、教學內容和學習任務。其中，教學目標是學生掌握基礎知識與基本操作技能；教學內容涵蓋概念型知識和應用型知識；學習任務則由一系列學習問題組成，學習問題的呈現按照認知水平由低到高、由簡到難依次呈現。

圖1 基于智能交互的形成性反饋框架

②學習者特征。對于學習者尤其是對于課程學習的先驗知識不足、且學習動機較低的學習者來說，在達到知識習得和應用的學習目標、實現對知識的理解方面，易產生較大的認知負荷。

③反饋要素。反饋要素包含反饋的功能、內容和機制。其中，形成性反饋的功能聚焦于認知、元認知、動機方面，即首先借助形成性反饋來促進學習者的知識建構、有效降低學習者的認知負荷；隨后在反饋的過程中引導學習者學習，使其逐步形成有效的學習方法，培養有效的元認知技能；最后利用動態反饋引起學習者注意，提高其學習動機。形成性反饋的內容包括信息部分和評價部分，其中的信息是指教學信息，如當學習者回答錯誤時給予的提示、類比、解釋、例子等指導性信息；而評價是指對學習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整，反饋時機是智能交互平臺在學習者提交回答后何時給予反饋，反饋調整是智能交互平臺對學習者提交回答后給予反饋的策略進行調整。

④智能交互功能。為了實現反饋的功能，智能交互平臺需提供知識檢測、方法訓練等功能，同時通過圖片交互引起學習者注意、促進學習者自我評價，使其明確知識的薄弱環節。對應于反饋的內容，設計智能交互平臺的知識庫時首先要將學習者答案與知識庫進行匹配，驗證答案的正誤；再根據學習需求給予線索提示或詳細反饋。針對反饋的機制，智能交互平臺采用即時響應的方式，通過逐步反饋層層遞進；同時，根據學習者的不同選擇，智能交互平臺進行反饋策略調整，如提供再次嘗試解題或直接查看答案的機會。

⑤交互邏輯設計。交互邏輯設計包括流程控制、計分設置和意圖識別三部分，具體的交互邏輯如下：智能交互平臺依據學生的答題正誤情況，引導學生進入不同的學習流程——如果學生答對，受到表揚后可根據自主學習意圖，選擇繼續學習或查看解析，同時平臺會記錄加分；如果學生答錯，受到鼓勵后可根據自主學習意圖，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

為便于學生在復習環節利用智能交互平臺更好地進行自主復習，本研究應用基于智能交互的形成性反饋框架進行實踐，具體步驟如下：

①設定交互平臺。目前，國內外已涌現出多款人工智能交互開發平臺，如Dialogflow、Snatchbot、Alice等。而符合上文形成性反饋框架設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創設合適問題。本研究選取的學習內容來自科學出版社于2018年出版的《大學計算機基礎》的第一章“計算機基礎知識”（應用型）、第二章“硬件基礎”（概念型）和第四章“算法與程序設計基礎”（應用型）。由于第三章為“操作系統基礎”，主要涵蓋操作系統的定義、歷史及功能，涉及的知識點比較簡單，學生易于掌握，故不作為復習重點；而第一、二、四章是本課程重點，也是后續深入學習計算機的基礎，故本研究選取這三章作為學習內容。每一章節的復習題均根據教學目標設計；同時，根據布魯姆的教育目標分類法，按照學習目標的要求，設計的復習題由簡單到復雜分層次提問，涵蓋知識、理解、應用三個層面。

③設置反饋機制。若學生作答正確，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，學生可以選擇查看改題的解析，或是直接進入下一題的作答。若學生作答錯誤，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，如該題相關的知識點、做題的方法及策略等；接著提供快捷回復，學生可以選擇查看答案，或是根據提示再次嘗試。當學生做完最后一道題后點擊“完成訓練”，便可查看本次練習的總成績。圖2展示了一個智能交互平臺根據學習者應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 研究設計

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

1 研究假設

本研究從基于智能交互的形成性反饋提升學習成績、提高學習內部動機、降低認知負荷三方面提出研究假設：①與傳統反饋相比，基于智能交互的形成性反饋更有助于學生提高學習成績；②與傳統反饋相比，基于智能交互的形成性反饋有助于提高學生學習的內部動機；③與傳統反饋相比，基于智能交互的形成性反饋有助于降低學生認知負荷。

2 研究對象

本研究以湖北省武漢市H大學2020級本科生為研究對象，并基于準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行分組：傳統反饋班（控制組）由109名法學專業的學生組成，智能交互反饋班（實驗組）由61名國際經濟與貿易專業的學生和45名經濟學專業的學生組成。由于實驗過程涉及三輪，而部分學生缺席導致數據缺失，因此后期篩選時只保留數據完整的學生，最終確定控制組85人、實驗組88人。兩組學生由同一教師在不同時間講授相同內容，但在復習階段，控制組接收傳統反饋，而實驗組接收智能交互的形成性反饋。

3 實驗工具

（1）形成性反饋習題、章節測驗

第一、二、四章教學目標的測試問題由授課教師設計，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。在每一章學習開始前進行成績檢測，評估學生的初始學習水平；在復習階段結束后進行后測，評估學生的知識掌握情況。

（2）內部動機量表

McAuley等[11]提出內部動機量表用于測量與學習環境有關的內部動機主觀體驗。本研究對該內部動機量表進行改編，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—享受維度衡量內在動機，由7個題項組成；感知選擇、感知能力是內在動機的正向預測因子，分別包含4個、5個題項；緊張—壓力是內在動機的負向預測因子，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化和自我調節，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）認知負荷量表

認知負荷量表改編自PAAS量表[12]。該量表采用李克特六點量表計分，設有8個題項：“精神負荷”維度有5個題項，“心理努力”維度有3個題項。其中，精神負荷是指任務與學科特征之間的交互程度，即資源對于研究對象的學習難度；心理努力代表分配給適應任務要求的認知能力，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輪進行，實驗流程如圖3所示。在每輪學習章節知識前，先讓學生完成內部動機量表的填寫，然后通過機房的考試系統完成該章節測試題，兩份測試數據作為前測數據；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行問答式的知識復習，而控制組先使用在線問卷進行問答式的知識復習、其后由教師給予答疑反饋。復習之后，兩組依然需要測試該章節的內容、內部動機水平和認知負荷水平，以上3份測試數據作為每一章節的后測數據。具體的實驗計劃安排如表1所示。

四 研究結果

實驗數據采用SPSS 19.0進行分析。本研究首先計算了克隆巴赫系數值，以檢驗改編后量表的內部一致性。內部動機和認知負荷各維度的信度檢驗結果如表2所示，可以看出：所有量表各維度的克隆巴赫系數值都大于0.6，都可以接受。隨后，本研究使用獨立樣本T檢驗對兩組各章學習成績前后測、內部動機各維度得分進行了比較，并對三次干預后的認知負荷進行了比較。

表2 內部動機量表和認知負荷量表各維度的信度檢驗

表3 學習成績前后測獨立樣本T檢驗

1 實驗組和控制組各章學習成績前后測比較

本研究對實驗組和控制組的各章學習成績前后測進行了獨立樣本T檢驗，結果如表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生學習成績。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，對于概念學習，傳統反饋和基于智能交互的形成性反饋對于學生的學習促進效用相當；而對于偏應用計算型知識，基于智能交互的形成性反饋有更好的促進效果。

2 實驗組和控制組內部動機各維度得分比較

本研究對內部動機各維度得分進行獨立樣本T檢驗，結果如表4所示，可以看出，基于智能交互的形成性反饋可以在學習早中期提高學生學習的內部動機。具體來說，在興趣—享受維度，第一次干預后，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容能有效提高學習興趣。第二次干預后，兩組的興趣水平變化沒有顯著性差異（均有所提高），表明學生對這兩種反饋都感到滿意。而第三次干預后，兩組的變化也沒有顯著性差異（均有所下降），表明實驗后期學生對這兩種反饋產生了倦怠心理。

表4 內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步驟、不能即時解決困惑，而產生了更高的緊張和壓力感。第二次干預后，兩組的壓力水平均有所下降，但兩組差異不顯著（t=-.58，＞0.05）。而第三次干預后，兩組的壓力水平產生顯著性差異（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生的心理負擔與學習壓力；而長期接受基于智能交互的自主學習，學生的壓力水平會降低。

在感知選擇維度，第一次干預后，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、第三次干預后，兩組的感知選擇水平變化均沒有顯著性差異。學生初次接觸智能交互平臺能更好地提高感知選擇水平，可能因為學生更喜歡自主性較強的復習方式，但由于其單一的問答機制，學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，并提供不同的學習選擇，這樣的設定能夠增強學生的感知能力和信心。但是，傳統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，可見學生起初對兩種反饋都不認可。但是，實驗組的感知價值水平下降較少，且標準差較低。原因可能在于實驗組第一次使用智能交互平臺，對此持保守態度。而在第二次干預之后，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，學生第二次使用智能交互平臺后逐漸熟悉平臺功能，認為平臺能給知識理解增加更多價值。而控制組接受傳統反饋的機制受限，以至對傳統反饋不認可。而在第三次干預后，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雜的學習中，平臺不能很好地滿足學生的需求。

3 實驗組和控制組三次干預后的認知負荷比較

本研究對兩組學習完第一章后的認知負荷進行獨立樣本T檢驗，結果如表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生認知負荷。表5顯示，兩組的認知負荷水平沒有顯著性差異（t=-.05，＞0.05），即兩組的認知負荷水平均較低。由此可見對于第一章的復習，兩種反饋并未對學生產生較大的認知負荷。

表5 第一次干預后兩組的認知負荷比較結果

表6 第二次干預后兩組的認知負荷比較結果

表7 第三次干預后兩組的認知負荷比較結果

完成第二章學習后，兩組的認知負荷獨立樣本T檢驗結果如表6所示，可知實驗組的認知負荷水平顯著低于控制組（t=2.01，＜0.05）。原因可能是學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，學生更易掌握，認知負荷較小。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，故易產生沮喪感，導致精神負荷較大。同時，由于兩組使用的習題相同，因此付出的心理努力沒有顯著性差異（t=1.52，＞0.05）。

完成第四章學習后，兩組的認知負荷獨立樣本T檢驗結果如表7所示，可知實驗組的認知負荷水平顯著低于控制組（t=2.53，＜0.05）。實驗組的精神負荷較小，可能由于基于智能交互的反饋能快速響應答題且提供新的答題機會，因而學生不會感到困難；而傳統反饋存在延時的問題，學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生的知識需求。

五 結論與建議

依據自我決定理論和認知負荷理論，本研究構建了一套基于智能交互的形成性反饋框架并將其應用于實踐。實驗結果表明，基于智能交互的形成性反饋具有以下功能：①能夠促進學生對應用型知識的掌握。智能交互的反饋設計允許學生根據自己的進度復習，使其得到及時的反饋，并提供重復答題的選項，這些都有利于知識的鞏固和記憶。在反復的練習中，得到提示的學生能調整自己的認知、元認知策略，掌握解題的規律與方法。②能夠提高學習者的學習興趣。交互式的對話學習與社交聊天形式一致，學習者相對熟悉，因此基于智能交互的反饋設計更聚焦于參與度，較少關注指示說明。同時，學生可方便且重復地復習每個知識點，而學習的靈活性有利于激發學生的學習興趣[13]。③有助于降低學生的認知負荷。基于智能交互的形成性反饋通過循序漸進的提示，降低了學生掌握知識的難度，避免學生產生畏難情緒；同時，教學方式與學習內容的呈現形式會影響學生的心理努力水平。

可見，基于智能交互的形成性反饋可以促進學生掌握知識、增強學生的學習動機、降低學生的認知負荷。基于此，本研究針對教學中使用的智能交互平臺的設計提出如下建議：①可將智能交互平臺作為應用型知識的反饋工具，提供更積極的、以學習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，學習者所調用的組織圖式方式較為簡單，通過智能交互反饋系統將相關概念聯系在一起，可以減輕工作記憶的負擔。②需更多地關注如何維持學習興趣。因為基于智能交互的形成性反饋更像私人助導，能通過會話答疑解惑，提供即時且有情感的反饋，更利于激發學生的學習興趣。③應在交互過程中完成知識的組織和學習。因為知識對話交互的傳遞方式可以降低學生組織知識、完成知識學習任務的認知能力要求，進而降低認知負荷。

[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教學管理中的運用[J].現代教育管理,2020,(3):103-109.

[3]楊兵,尹加琪,楊旸,等.現狀與發展:智能問答機器人促進學習的反思[J].中國電化教育,2018,(12):31-38.

[4]李奕華.基于動態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青年項目“基于認知診斷的網絡學習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基金“基于區塊鏈的新高考綜合素質評價數據安全管理機制研究”（項目編號：2021CFB470）資助。

劉夢君，副教授，博士，研究方向為教育數據挖掘、教育數據安全，郵箱為lmj_whu@163.com。

2021年11月14日

編輯：小時