數據支持的反思性評價促進大學生認知情緒調節的應用研究

楊玉芹 袁凱程 SALAS-PILCO Sdenka Zobeida 張若男 龐世燕

[摘 ? 要] 研究創設了融合反思性評價的知識建構教學設計，以幫助大學生進行高效的認知情緒調節，旨在探究數據支持的反思性評價支持大學生認知情緒調節的效果及其作用過程。為此，研究采用準實驗研究（實驗班41人，對照班36人），以大學生的在線討論話語作為主要數據。首先，通過內容分析與滯后序列分析揭示了數據支持的反思性評價對認知情緒調節的積極作用，其次，通過認知網絡分析發現了反思性評價支持高效認知情緒調節的作用過程，即通過幫助大學生應用和發展元認知能力，促進大學生對認知情緒持續的進行計劃、監控與反思，進而投入積極的認知情緒調節。這些研究結果不僅能夠幫助我們全面深入地理解反思性評價、元認知與認知情緒之間的關系以及反思性評價的作用過程，也對致力于創設技術支持的教學設計以幫助學生進行高效的情緒與動機調節及發展高階能力的研究者與實踐者具有重要的啟示意義。

[關鍵詞] 反思性評價； 學習分析； 認知情緒； 情緒調節； 知識創新

[中圖分類號] G434 ? ? ? ? ? ?[文獻標志碼] A

[作者簡介] 楊玉芹（1981—），女，山東陽信人。副教授，博士，主要從事學習科學、高階能力與情緒、學習分析與數據驅動的學習評價等研究。E-mail：yangyuqin@ccnu.edu.cn。SALAS-PILCO Sdenka Zobeida為通訊作者，E-mail：sdenkasp@ccnu.edu.cn。

一、引 ? 言

計算機支持的協同知識建構模式在培養大學生協同知識創新能力方面具有極大的潛力[1-3]，但這種潛力的發揮，在很大程度上依賴于大學生協同知識建構過程中對認知情緒的積極有效調節以及由此產生的積極情緒體驗[4]。認知情緒指大學生在協同探究、建構與創造知識的過程中，對新信息與現有知識或信念的一致性或沖突進行評估而產生的情緒（如好奇、驚訝）[5]。積極的認知情緒（如愉悅、好奇）能夠促進大學生的高效探究與知識創新，而消極的認知情緒（如沮喪、厭倦）則會阻礙高效探究與知識創新。然而，協同知識建構過程的復雜性通常導致大學生不能有效地調節其認知情緒。因此，需要設計有效的腳手架以幫助大學生進行積極有效的認知情緒調節，進而投入高效探究與協同知識創新。反思性評價作為一種學生主導的新型腳手架策略，在幫助大學生進行有效的情緒調節方面具有極大的潛力。針對上述問題，本研究創設了融合反思性評價的知識建構教學模式，幫助大學生進行有效的情緒調節。本研究旨在探究知識建構過程中，數據驅動的反思性評價支持大學生進行有效認知情緒調節的效果及其作用過程。

二、理論框架

（一）認知情緒與認知情緒調節

高效的協同探究與知識建構取決于學生認知、行為、社會交互、元認知、情緒等多重要素的有機互動與協同工作，但在這些要素中，學生的積極情緒經歷及情緒調節對高效的協同探究與知識建構具有關鍵的影響作用[6]。積極、消極的情緒狀態反映了學生對情緒對象的關注，并將消耗其注意力資源[7]，而注意力資源的過度消耗則意味著可用于完成任務的注意力資源減少，從而對學習績效產生負面影響[8]。因此，情緒調節作為一個影響強度、持續時間和情緒體驗的目標導向過程，是個體、協作學習所必不可少的條件之一[9]。已有研究表明，協同探究與知識建構過程中，學生認知情緒的有效調節很難自動發生，需要借助腳手架的幫助[10]。盡管協同知識建構領域對于認知情緒調節的必要性與重要性已經有了越來越多的共識，但對于如何支持有效的認知情緒調節的實證研究卻相對匱乏[11]。本研究采用準實驗研究，通過反思性評價腳手架來幫助大學生在協同知識建構過程中進行高效的認知情緒調節。

認知情緒被定義為與個體認知過程相關的情緒[12]。例如，當學生遇到的新信息與其先驗知識和信念沖突時，他們可能會感到驚訝或好奇，并試圖加以解決；如果不能解決，他們可能會感到困惑[13]。已有研究表明，學生的認知情緒會促進/阻礙他們的學習，積極的認知情緒與學生的優異學業表現及領域知識的深度理解具有顯著的正相關[14]。例如，D'mello等研究發現，學生在問題解決活動中主要經歷好奇、愉悅、困惑、沮喪、焦慮這幾種認知情緒，其中，好奇正向預測學生在問題解決中的表現，而沮喪負向預測學生在問題解決中的表現[15]。Pekrun等也發現，愉悅與大多數學習指標呈正相關，而厭倦與學生的自控力、學習動機、學習成績等呈負相關[16]。不同于積極情緒（如愉悅）和消極情緒（如沮喪），中性情緒（如困惑和焦慮）對學習的影響則更為復雜。例如， D'mello等研究者發現，當困惑情緒可以通過適當的學習策略來解決時，這種情緒對學習是有益的[17]。然而，并非所有的困惑都能帶來更好的學習結果，當學生處于持續的困惑情緒、擁有有限的認知資源、使用低層次的認知策略時，困惑就會導致很差的學習結果。因此，如何設計有效的策略，幫助學生進行高效的情緒調節（幫助學生處于積極的認知情緒狀態，或幫助其由消極的、中性的情緒狀態轉化為積極的情緒狀態）對高效的探究與知識建構尤為重要。

（二）數據驅動的反思性評價

反思性評價指學生主導的，基于一定的標準、目標與學習數據，幫助學習者生成對自身探究過程和知識產品反饋的一種評價策略[3，18]。反思性評價致力于將“計劃—監控—調節”這一元認知過程引入協同知識建構過程中，通過促進學生不斷地對協同探究與知識建構的過程和結果進行監控、計劃、調節，幫助學生使用和發展元認知意識和能力[1-2]。數據支持的反思性評價指通過向學生提供學習分析工具所提供的學習過程、結果與狀態的精準數據，幫助學生精確地意識到學習、探究與知識建構過程所面臨的挑戰以及調節的必要性，從而幫助學習者激活調節意識，發展高階能力。已有研究證明，數據支持的反思性評價能夠幫助學生激活調節意識，促進協同知識建構過程的順利發展、學生認知主動性的發揮、概念理解的深化以及知識創新等高階能力的發展[1-2]。

認知情緒對學生協同知識建構過程的順利推進具有非常重要的影響，數據支持的反思性評價在幫助學生進行高效的認知情緒調節中具有極大的潛力，但目前鮮有研究探索數據支持的反思性評價策略在大學生認知情緒調節中的作用。因此，本研究以上述研究為基礎，創設了融合反思性評價的知識建構教學模式[19]，以幫助大學生對知識建構過程中的認知情緒進行有效監控與調節，進而支持高效的知識創新。為幫助大學生進行高效的反思性評價，本研究為大學生提供了實時分析在線討論話語的學習分析KBDeX[20]。本研究使用準實驗研究方法探究數據支持的反思性評價在大學生認知情緒調節中的作用及其作用過程，主要要解決的兩個問題：

（1）數據支持的反思性評價在多大程度上促進大學生投入有效的認知情緒調節？

（2）數據支持的反思性評價如何幫助大學生投入有效的認知情緒調節？

三、研究方法

（一）參與者與研究情境

本研究依托通識核心課程《科學探究與知識創新》，在一所重點師范大學進行，每周一次課，每次兩個課時，歷時17周完成。這個課程的主要目的是，通過創設融合反思性評價的知識建構學習環境，幫助大學生體驗像科學家一樣發現問題、進行持續探究和知識創新的過程，掌握與科學探究和知識創新相關的理論與策略，在學習、探究過程中擁有積極的情緒體驗。本研究的參與者是兩個自然班的77名本科生（實驗班41人，對照班36人，以大二、大三的學生為主），他們來自該校17個專業，這些學生學科背景差異較大，對科學探究與知識創新的相關理論與實踐停留在淺層認識。

（二）教學設計

本研究在研究者已經創建的融合反思性評價的知識建構三階段教學模式的基礎上[1，3]，結合認知情緒發生的動態實時性，認知情緒轉化的情境性以及認知情緒調節的復雜性與長期性，創設了融合反思性評價的三要素知識建構教學設計（如圖1所示），以幫助大學生進行有效的情緒調節，進而投入有效的協同知識建構過程，最終發展知識創新能力。

要素一（1～4周）：創建群體協作、探究與反思文化，并幫助學生逐步發展協同知識創新所需的基本能力，為學生進行有效的認知情緒調節奠定文化與能力基礎。該階段教師設計了一系列小組討論、合作活動，例如，小組合作制作關于學習動機的海報和探究計劃，小組討論認知情緒的定義、在知識創新中的作用等，以幫助學生發展合作與探究能力。同時，每次課后，教師鼓勵學生圍繞講授的內容做簡要的個人反思等。

要素二（5～8周）：借助知識論壇以及面對面的知識建構討論與協同反思，發展以創新知識為核心的知識建構實踐。知識論壇是一個專注支持學生在線知識創新的平臺，在該平臺上，學生像科學家一樣，以共同體的形式提出問題、觀點與解釋，并對觀點進行協同提升與發展。這一階段，不同小組就課程涉及的關鍵主題如科學思考、批判性思維、知識創新等進行深度探究，不斷推進探究主題的深入，并進一步發展合作、反思等能力。教師每周為學生提供其在知識論壇上的參與互動數據，如學生寫了多少筆記，閱讀和回復了他人多少筆記等，并在知識論壇上設計認知與元認知腳手架，以引導學生創作高質量的筆記，進行合作反思等，進而促進在線探究與知識創新的發展。

要素三（9～17周）：利用數據支持的反思性評價促進學生進行高效的認知情緒調節，進而深化探究，創造知識。第九周，為支持學生的反思性評價，課程教師引入了學習分析KBDeX[20]，該工具為學生提供了關于小組探究觀點關系的社會網絡圖與創新觀點隨時間推進的增長曲線圖，詳情見作者已經發表的研究成果[3]。為幫助學生高效地使用學習分析提供的數據反思與規劃其知識建構過程與結果，教師首先演示如何有意義地解讀這些數據，并解釋基于這些數據的評價與反思如何引發學生的困惑、焦慮、沮喪等中性與消極情緒，以及如何激發學生對認知情緒進行調控；其次，給學生提供基于元認知腳手架的幫促表，引導學生評價小組協作知識建構的過程和貢獻的觀點，反思存在的問題，監控其過程，激發學生的認知情緒調節，重塑小組內的情緒氛圍，并進一步制定行動計劃以深化協同知識建構。該幫促表包含了由“我們的分析”“我們的問題”“我們的計劃”等過程組成的一個元認知模型，以引導學生利用這些過程發現協同知識建構過程中的認知情緒挑戰、分析現狀與不足，并采取行動解決這些挑戰，進而創建理論與知識。

（三）數據收集與分析

本研究的主要數據是學生在知識論壇上貢獻的1882個筆記（即在線討論話語），其中，實驗班1183個，對照班699個。對于這些筆記，本研究依次進行了如下分析：

1. 內容分析

本研究首先通過探究線程分析（Inquiry Thread Analysis）方法，對所有在線筆記進行了預處理，即將探究相同問題的筆記群按照邏輯順序和創建時間放到一起[21]；然后以探究線程作為基本分析單位，利用Pekrun等[22]提出的七種認知情緒作為內容分析框架（見表1），對每個探究線程所包括的所有在線討論筆記進行追蹤分析，進而對認知情緒進行表征。

2. 滯后序列分析

為進一步探究數據支持的反思性評價對大學生認知情緒調節的影響，本研究以內容分析結果為基礎，對實驗班和對照班以及實驗班干預前和干預中兩個階段的情緒轉換模式進行了滯后序列分析。滯后序列分析（簡稱LSA）是檢驗發生一種行為之后另一種行為出現的概率及其是否存在統計意義上顯著性的分析方法[23]。本研究使用Yule'Q的值來表征一種情緒轉換到另一種情緒的強度。 Yule'Q值從-1到+1，正負表示行為轉換關聯是不是正相關（0表示不關聯），絕對值的大小表示行為轉換關聯的強弱[24]，0.2、0.43和0.6分別代表小、中、大效應[25]。本研究使用RStudio軟件進行滯后序列分析，得出頻率轉換表、殘差表和Yule'Q轉換強度表，然后根據Yule'Q值繪制認知情緒轉換模式圖。

3. 認知網絡分析

為探究數據支持的反思性評價如何影響大學生的認知情緒調節，本研究對實驗班和對照班以及實驗班干預前和干預中兩個階段學生的元認知話語與認知情緒進行認知網絡分析。認知網絡分析是一種基于認知框架理論，對學習者交互過程中，特別是在協作學習過程中產生的交互數據進行量化編碼，并運用動態模型對學習者認知元素之間的共現關系進行表征分析的方法[26]。本研究使用ENA網絡工具分析學生的認知網絡特征，將時間窗內的元認知話語與認知情緒包含的十種類型視為網絡圖模型，以認知情緒和元認知話語類型在某一時間窗內的共現作為鏈，建立認知網絡，用于分析認知情緒和元認知話語認知網絡的結構特征，揭示元認知話語類型與認知情緒類型之間的關系，從而進一步揭示數據支持的反思性評價如何影響大學生的認知情緒調節。本研究在進行認知網絡分析時，將時間窗設定為4。

四、研究結果

（一）數據支持的反思性評價對認知情緒調節的作用

為揭示數據支持的反思性評價對認知情緒調節的作用，本研究依次對實驗班與對照班以及實驗班干預前與干預中兩個階段的認知情緒的特征與轉換模式進行了比較。

1. 認知情緒的特征差異

本研究首先對實驗班與對照班在認知情緒特征上的差異進行了比較分析，如圖2（1）所示。我們發現，積極情緒所占的比重實驗班明顯高于對照班，例如，實驗班學生在協同知識建構過程中產生了更多的愉悅情緒（40.6%VS37.6%）和好奇情緒（21.3%VS12.9%）。同時，中性與消極情緒所占的比重實驗班明顯低于對照班，例如，實驗班學生在協同知識建構過程中的焦慮（13.2%VS17.3%）、沮喪（1.0%VS2.4%）和厭倦情緒（1.7%VS6.9%）明顯減少。進一步的卡方檢驗發現，這種差異在統計上具有顯著性， ？字2（df=2，N=1903）=40.86，p<0.001。這些研究結果表明，數據支持的反思性評價能夠幫助大學生有效調節認知情緒。

然后，本研究對實驗班干預前和干預中兩個階段的認知情緒特征進行了比較分析，以進一步揭示數據支持的反思性評價對認知情緒調節的影響。如圖2（2）所示，與上述結果相似，相較于干預前，實驗班學生在數據支持的反思性評價干預階段產生了更多積極的認知情緒，且這種差異具有統計上的顯著性，？字2（df=2，N=1204）=18.54，p<0.001。這些研究結果表明，在數據支持的反思性評價的幫助下，大學生在知識建構過程中體驗了更多有助于知識創新的積極認知情緒，而對阻礙知識創新的消極認知情緒的體驗明顯減少。

（1）實驗班與對照班認知情緒特征比較

（2）實驗班干預前和干預中認知情緒特征比較

2. 認知情緒轉換模式上的差異

為進一步探究數據支持的反思性評價對大學生認知情緒調節的影響，本研究首先對實驗班與對照班認知情緒的序列模式進行了比較。如圖3（1）、3（2）所示，實驗班與對照班在認知情緒序列模式上具有明顯差異。與對照班相比，實驗班中消極情緒之間的行為轉換序列消失，例如，對照班中厭倦→沮喪（Bor→Fru，Yule'Q=0.64）在實驗班中消失。此外，實驗班中出現中性情緒與消極情緒轉向積極情緒的行為序列，例如，沮喪→愉悅（Fru→Joy，Yule'Q=0.36）與厭倦→愉悅（Bor→Joy， Yule'Q=0.11）表示實驗班學生認知情緒由中性情緒與消極情緒轉為積極的愉悅情緒。同時，實驗班積極情緒之間的轉換序列增加且轉換強度提升，例如，好奇→好奇（Cur→Cur，Yule'Q=0.55）表示好奇激發同伴探究的興趣；愉悅→驚訝（Joy→Sur，Yule'Q=0.08）表示學生的新觀點引發同伴認知上的驚訝。以上研究結果表明，數據支持的反思性評價能夠幫助大學生有效調節認知情緒，促進中性情緒與消極情緒向積極情緒轉換。

然后，本研究對實驗班干預前與干預中兩階段的認知情緒序列模式進行分析，以進一步揭示數據支持的反思性評價對認知情緒調節的影響。如圖3（3）、3（4）所示，相較于干預前，實驗班學生在數據支持的反思性評價干預下，認知情緒序列模式發生了較大變化。實驗班干預中中性情緒與消極情緒以及消極情緒之間的轉換序列減少，例如，厭倦→厭倦（Bor→Bor，Yule'Q=0.53）、焦慮→沮喪（Anx→Fru，Yule'Q=0.35）、困惑→沮喪（Con→Fru，Yule'Q=0.67）等序列在干預階段消失。數據支持的反思性評價干預過程中，積極情緒之間的轉換序列增加且轉換強度提升，例如，好奇→好奇（Cur→Cur，Yule'Q=0.69）、愉悅→好奇（Joy→Cur，Yule'Q=0.28）表示反思性評價干預過程中，學生對于知識有著更強的求知欲。同時，反思性評價干預過程中，學生的中性情緒與消極情緒向積極情緒轉換，例如，沮喪→愉悅（Fru→Joy，Yule'Q=1.00）、焦慮→愉悅 （Anx→Joy，Yule'Q=0.20）、困惑→愉悅（Con→Joy，Yule'Q=0.03）表示沮喪、焦慮以及困惑等向愉悅情緒轉化。這些研究結果表明，在數據支持的反思性評價作用下，實驗班的學生不斷推進認知情緒的積極轉換，有效改善協同知識建構過程的情緒氛圍。

（二）數據支持的反思性評價促進認知情緒調節的過程

為揭示數據支持的反思性評價如何促進大學生認知情緒的有效調節，本研究使用認知網絡分析方法，依次探究了實驗班和對照班以及實驗班干預前和干預中兩個階段元認知話語—認知情緒的認知網絡差異。

1. 實驗班與對照班的認知網絡特征比較分析

圖4（1）呈現了實驗班與對照班元認知話語—認知情緒的認知網絡疊減圖。通過圖4（1）我們發現，實驗班與對照班的質心分別位于認知網絡空間中的不同位置，這表明實驗班與對照班具有差異性。進一步的獨立樣本t檢驗發現，實驗班（均值=0.36，標準差=0.81）與對照班（均值=0.41，標準差=0.77）具有顯著差異，t=-4.30，p<0.001。通過圖4（1）我們還發現，與對照班相比，實驗班的元認知話語與認知情緒之間的共現類別更多，關聯更強。例如，在實驗班的認知網絡圖中，元認知話語（RDI）與愉悅（Joy）、好奇（Cur）之間的共現更強。同時，實驗班的認知網絡中，出現了更多積極認知情緒的共現類別如愉悅—好奇（Joy-Cur），以及積極認知情緒與中性認知情緒的貢獻類別如愉悅—困惑（Joy-Con）；而在對照班的認知網絡中，則出現了更多的消極認知情緒與積極認知情緒的共現類別如厭倦—驚訝（Bor-Sur），以及消極認知情緒與中性認知情緒的共現類別如厭倦與焦慮（Bor-Anx）。這些研究結果表明，數據支持的反思性評價能夠促進大學生元認知話語的產生，并進而促進大學生積極認知情緒的產生與發展。

2. 實驗班干預前和干預中認知網絡特征的比較分析

圖4（2）展示了實驗班干預前和干預中兩個階段元認知話語—認知情緒的認知網絡疊減圖。通過圖4（2）我們發現，實驗班干預前與干預中兩個階段的質心分別位于認知網絡空間中的不同位置，這表明數據支持的反思性評價干預前與干預中大學生的元認知話語—認知情緒的認知網絡具有差異性。進一步的獨立樣本t檢驗發現，這兩個階段（干預前，均值=-0.39，標準差=0.71；干預中，均值=0.41，標準差=0.93）的差異性具有統計上的顯著性，t=4.34，p<0.05。同時，通過圖4（2）我們還發現，與干預前相比，反思性評價干預過程中，元認知話語與認知情緒之間的共現類別更多，關聯更強。例如，反思性評價干預階段的認知網絡空間中，元認知話語，如主要審查（MaR）、反思與調節探究（RDI）與積極認知情緒如愉悅（Joy）、好奇（Cur）等之間的共現更強。此外，積極情緒之間的共現強度（如愉悅Joy與好奇Cur）在反思性評價干預中也明顯高于干預前。這些結果表明，數據支持的反思性評價能夠幫助大學生不斷發展元認知話語，并進而支持其積極認知情緒的維持以及中性認知情緒、消極認知情緒向積極認知情緒的轉變。

（1）對照班與實驗班

（2）實驗班干預前與干預中

圖4 ? 元認知—情緒網絡疊減圖

五、討論與結論

（一）數據支持的反思性評價對認知情緒調節的效果及其作用過程

通過對實驗班與對照班的認知情緒特征與轉換序列進行比較分析發現，實驗班表現出更多的積極認知情緒與更少的消極認知情緒，并且積極情緒之間的轉換以及消極情緒和中性情緒向積極情緒轉換的可能性更大。對實驗班數據支持的反思性評價干預前與干預中兩個階段的認知情緒特征與轉換序列的比較也發現，大學生在數據支持的反思性評價干預中表現出更多的積極認知情緒與更少的消極認知情緒，并且積極情緒之間的轉換以及中性情緒與消極情緒向積極情緒轉換的強度增加。這些結果表明，數據支持的反思性評價對認知情緒有效調節具有促進作用。

為探究數據支持的反思性評價如何支持大學生的有效認知情緒調節，本研究采用認知網絡分析對實驗班與對照班以及實驗班反思性評價干預前與干預中元認知話語—認知情緒的認知網絡特征進行了比較分析。研究結果表明，協同知識建構過程中，數據支持的反思性評價促進大學生對其認知情緒進行積極、持續地監控、反思，并制定有效的行動計劃對認知情緒進行調節，從而幫助學生體驗積極的認知情緒，以及實現中性認知情緒、消極認知情緒向積極認知情緒的轉變。本研究拓展了已有關于情緒調節過程的研究，通過認知網絡分析解釋了數據支持的反思性評價、元認知與認知情緒之間的互動關系及作用過程。這些研究成果為進一步研究技術支持的學習環境中學習者元認知、認知、情緒等之間的交互機理、動態機制等奠定了一定的基礎。

（二）本研究對教育實踐的啟示

本研究的發現對致力于設計有效的技術支持的學習環境，以幫助學生獲得積極的情緒體驗并進而發展高階能力（如合作、知識創新、元認知等）的教育實踐具有一定的啟示。第一，發展班級合作與反思文化，并逐步幫助學生發展協同知識創新所需的基本能力非常重要。第二，人工智能驅動的學習分析對學生的高效情緒調節具有重要的作用，但其作用的發揮依賴于學生對學習分析提供的數據的有效解釋與高效使用，但通常學生缺乏對數據高效使用的知識與策略。因此，為學生創建有指導的反思機會以幫助其對數據進行有意義的闡釋和理解，并為學生提供有效的腳手架，以引導其對數據進行高效使用顯得尤為關鍵。第三，學習過程中，學生的積極情緒體驗對其健康身心發展具有不可忽視的重要作用。因此，技術支持的教學設計不僅要幫助學生發展高階能力、提升學業表現，還需要幫助他們獲得積極的情緒體驗以及提升學習動機等。

（三）研究局限與未來研究方向

本研究存在以下三個局限，但這些局限也為進一步推進認知情緒的相關研究提供了方向。首先，本研究通過對大學生討論話語的分析來識別其認知情緒的特征與變化，但這些討論話語僅從單一方面反映了學生的認知情緒。學生的認知情緒具有多面、多層次性，需要借助多通道、多模態的數據才可以更精確地進行捕獲與表征。因此，未來研究需要通過多種方式，如訪談、腦電、眼動、面部識別和心率監測等技術，采集真實學習環境中學生的多源、多模態數據，以全面、真實地反映學生的認知情緒[27]。其次，本研究通過人工對學生的在線討論話語進行內容分析，以識別其所反映的認知情緒，這種工作在研究起始階段尤為必要，但費時費力，因此，未來的研究非常有必要就如何實現討論話語中認知情緒的自動分析進行深入研究。最后，本研究并未分析認知情緒對大學生學業成績的影響，因此，進一步的研究需要探究認知情緒、學業成績以及其他高階能力之間的關系。

[參考文獻]

[1] YANG Y， VAN AALST J， CHAN C K K. Dynamics of reflective assessment and knowledge building for academically low-achieving students[J]. American educational research journal， 2020， 57（3）： 1241-1289.

[2] YANG Y， CHEN Q， YU Y， et al. Collective reflective assessment for shared epistemic agency by undergraduates in knowledge building[J]. British journal of educational technology， 2020， 51（4）： 1136-1154.

[3] YANG Y， ZHU G， SUN D， et al. Collaborative analytics-supported reflective assessment for scaffolding pre-service teachers' collaborative inquiry and knowledge building[J]. International journal of computer-supported collaborative learning， 2022， 17（2）： 249-292.

[4] ZHU G， XING W， COSTA S， et al. Exploring emotional and cognitive dynamics of knowledge building in grades 1 and 2[J]. User modeling and user-adapted interaction， 2019， 29（4）： 789-820.

[5] MUIS K R， SINATRA G M， PEKRUN R， et al. Main and moderator effects of refutation on value， epistemic emotions， and learning processes during knowledge revision[J]. Contemporary educational psychology， 2018， 55（1）： 155-165.

[6] LUDVIGSEN S. CSCL： connecting the social， emotional and cognitive dimensions[J]. International journal of computer-supported collaborative learning， 2016， 11（2）： 115-121.

[7] ELLIS H A， ASHBROOK P W. Resource allocation model of the effect of depressed mood states on memory[M]//FIEDLER K， FORGAS J. Affect， cognition， and social behavior： new evidence and integrative attempts. G？觟ttingen： Hogrefe， 1988： 25-43.

[8] MEINHARDT J， PEKRUN R. Attentional resource allocation to emotional events： an ERP study[J]. Cognition and emotion， 2003， 17（3）： 477-500.

[9] JACOBS S E， GROSS J J. Emotion regulation in education： conceptual foundations， current applications， and future directions[M]//PEKRUN R， LINNENBRINK-GARCIA L. International handbook of emotions in education. New York： Routledge， 2014： 183-217.

[10] BELLAND B R， KIM C M， HANNAFIN M J. A framework for designing scaffolds that improve motivation and cognition[J]. Educational psychologist， 2013， 48（4）： 243-270.

[11] J？魧RVEL？魧 S， KIRSCHNER P A， HADWIN A， et al. Socially shared regulation of learning in CSCL： understanding and prompting individual-and group-level shared regulatory activities[J]. International journal of computer-supported collaborative learning， 2016， 11（3）： 263-280.

[12] PEKRUN R， LINNENBRINK-GARCIA L. Academic emotions and student engagement[M]//CHRISTENSON S， RESCHLY A， WYLIE C. Handbook of research on student engagement. Boston， MA： Springer， 2012： 259-282.

[13] KANG M J， HSU M， KRAJBICH I M， et al. The wick in the candle of learning： epistemic curiosity activates reward circuitry and enhances memory[J]. Psychological science， 2009， 20（8）： 963-973.

[14] PEKRUN R， ELLIOT A J， MAIER M A. Achievement goals and achievement emotions： testing a model of their joint relations with academic performance[J]. Journal of educational psychology， 2009， 101（1）： 115-135.

[15] D'MELLO S K， LEHMAN B， PERSON N. Monitoring affect states during effortful problem solving activities[J]. International journal of artificial intelligence in education， 2010， 20（4）： 361-389.

[16] PEKRUN R， GOETZ T， DANIELS L M， et al. Boredom in achievement settings： exploring control-value antecedents and performance outcomes of a neglected emotion[J]. Journal of educational psychology， 2010， 102（3）： 531-549.

[17] D'MELLO S， LEHMAN B， PEKRUN R， et al. Confusion can be beneficial for learning[J]. Learning and instruction， 2014， 29（1）： 153-170.

[18] WHITE B Y， FREDERIKSEN J R. Inquiry， modeling， and metacognition： making science accessible to all students[J]. Cognition and instruction， 1998， 16（1）： 3-118.

[19] SCARDAMALIA M， BEREITER C. Knowledge building and knowledge creation： theory， pedagogy， and technology[M]//SAWYER R K. The Cambridge handbook of the learning sciences. Cambridge： Cambridge University Press， 2014： 397-417.

[20] OSHIMA J， OSHIMA R， MATSUZAWA Y. Knowledge building discourse explorer： a social network analysis application for knowledge building discourse[J]. Educational technology research and development， 2012， 60（5）： 903-921.

[21] ZHANG J， SCARDAMALIA M， LAMON M， et al. Socio-cognitive dynamics of knowledge building in the work of 9- and 10-year-olds[J]. Educational technology research & development， 2007， 55（2）： 117-145.

[22] PEKRUN R， VOGL E， MUIS K R， et al. Measuring emotions during epistemic activities： the epistemically-related emotion scales[J]. Cognition and emotion， 2017， 31（6）： 1268-1276.

[23] SACKETT G P. The lag sequential analysis of contingency and cyclicity in behavioral interaction research[M]//OSOFSKY J D. Handbook of infant development. New York： Wiley， 1979： 623-649.

[24] O'CONNOR B P. Simple and flexible SAS and SPSS programs for analyzing lag-sequential categorical data[J]. Behavior research methods， instruments， & computers， 1999， 31（4）： 718-726.

[25] LLOYD B P， KENNEDY C H， YODER P J. Quantifying contingent relations from direct observation data： transitional probability comparisons versus Yule's Q[J]. Journal of applied behavior analysis， 2013， 46（2）： 479-497.

[26] SHAFFER D W， COLLIER W， RUIS A R. A tutorial on epistemic network analysis： analyzing the structure of connections in cognitive， social， and interaction data[J]. Journal of learning analytics， 2016， 3（3）： 9-45.

[27] RAY A， CHAKRABARTI A. Design and implementation of technology enabled affective learning using fusion of bio-physical and facial expression[J]. Journal of educational technology & society， 2016， 19（4）： 112-125.

A Study on Application of Data-supported Reflective Assessment for Promoting Cognitive Emotion Regulation of College Students

YANG Yuqin， ?YUAN Kaicheng， ?SALAS-PILCO Sdenka Zobeida， ?ZHANG Ruonan， ?PANG Shiyan

（Faculty of Artificial Intelligence in Education， Central China Normal University， Wuhan Hubei 430079）

[Abstract] This study creates a knowledge-building instructional design incorporating reflective assessment to support cognitive emotion regulation of college students， with the aim of exploring the effectiveness of data-supported reflective assessment in supporting cognitive emotion regulation among college students and the process by which it works. To this end， this study adopts a quasi-experimental study （41 students in the experimental class and 36 students in the control class）， using college students' online discussion discourse as the primary data. First， the positive effect of data-supported reflective assessment on cognitive emotion regulation has been revealed through content analysis and lag sequential analysis. Second， the working process of the reflective assessment in supporting efficient cognitive emotion regulation has been identified through cognitive network analysis， that is， college students are promoted to apply and develop their meta-cognitive skills， to continuously plan， monitor and reflect on their cognitive emotions， and thus engage in positive cognitive emotion regulation. These findings can not only help people comprehensively and deeply understand the relationship between reflective assessment， metacognition and cognitive emotion， but also the process of reflective assessment. At the same time， they also have important implications for researchers and practitioners who are committed to creating technology-supported instructional design to help students engage in efficient emotional and motivational regulation and develop higher-order abilities.

[Keywords] Reflective Assessment; Learning Analytics; Cognitive Emotion; Emotion Regulation; Knowledge Innovation