數字學習的知識轉化中低韌性群體學業韌性與困惑感知研究

[摘 " 要] 教育數字化時代學習方式和知識生產方式正在經歷變革，深刻影響著隱性知識與顯性知識的轉化機制。數字學習中信息海量且組織方式復雜，“困惑感知”作為自我知識審視的起點，對學生的知識轉化起到關鍵作用。“學業韌性”作為最核心的學習品質之一，是學生面對數字學習挑戰時的適應力和修復力。“低韌性群體”在知識轉化過程中面臨更多障礙，其困惑感知與知識轉化效果受到影響。研究首先基于知識轉化的SECI模型設計實驗，其次調查學業韌性，確定低韌性大學生群體，通過多模態數據表征學生困惑感知水平，最后分析學業韌性與困惑感知的相關性。研究發現，低韌性群體在高困惑與低困惑兩種數字學習情境下，學業韌性與困惑感知均呈現出顯著相關關系。研究結論為提升低韌性群體知識轉化效果的數字學習技術設計提供科學支撐。

[關鍵詞] 數字學習； 學業韌性； 困惑感知； 知識轉化； 低韌性群體

[中圖分類號] G434 " " " " " "[文獻標志碼] A

[作者簡介] 劉哲雨（1980—），女，天津人。副教授，博士，主要從事學習科學、深度學習與智能教育研究。E-mail： zheyuliu@126.com。

一、引 " 言

數字化時代，教育領域正在經歷深刻的變革。數字學習環境的興起不僅重塑了知識的轉化過程與生產方式，還對學生的困惑感知能力和學業韌性提出了新的挑戰與要求。困惑感知能力是學生的重要學習品質之一。困惑是一種在認識或理解事物時產生的情感反應。在教育心理學中，困惑通常被視為一種認知不協調的狀態，這種狀態能夠激發個體的好奇心和探索欲望，從而提升學習動機與積極性[1]。有效的困惑感知不僅有助于學生深化對知識的理解，還能夠增強學生的學習興趣和探索精神。學業韌性是指學生在面對學業挑戰、壓力和挫折時所展現出的適應能力和恢復能力[2]。在數字學習環境下，一些學生表現出較低的學業韌性，這部分學生被稱為“低韌性群體”。在知識轉化的關鍵過程中，這些學生往往面臨更多障礙與困難，難以有效應對，從而對學習體驗和成效產生不利影響。學業韌性在知識轉化過程中扮演著重要角色，它不僅幫助學生更好地感知學習中的困惑，還鼓勵他們在知識轉化過程中積極面對困難，將困惑轉化為深入學習與實踐的契機，從而更有效地吸收和應用新知識。

本研究旨在深入探討數字學習環境下，低韌性群體的學業韌性與困惑感知之間的相關性。首先，研究通過問卷調查學生的學業韌性水平，并篩選出低韌性群體作為研究對象。其次，以SECI模型為理論設計基礎，收集了社會化、外顯化、組合化和內隱化四個知識轉化過程中困惑感知的多模態數據[3]。最后，深入分析這些數據，以揭示低韌性群體在不同困惑程度的學習情境下，困惑感知是否與學業韌性緊密關聯，旨在為設計支持低韌性群體的數字學習干預策略提供科學依據。

二、文獻綜述

（一）學業韌性的相關研究

目前，學業韌性的定義主要集中于三種視角：“結果觀”強調學業韌性所帶來的積極結果；“能力觀”關注學生在面對學業困境時克服困難的能力；“過程觀”則將其視為一個動態發展的過程，學生在該過程中展現韌性特質，并通過學業韌性促進學業發展。學業韌性通常包括三個核心內容：學習投入、應對方式和學習堅持。高韌性學生通常在學習過程中表現出較高的學習投入、積極的適應能力以及良好的學習毅力[4]。目前，有關學業韌性的測量研究多圍繞上述三方面內容展開。

盡管學業韌性研究已取得一定進展，但全球范圍內尚未形成統一的測量工具。國外學者瓦格尼爾德（Wagnild）率先設計了韌性評估量表（Resilience Scale），并系統化提煉了包括應對壓力、適應變化、解決問題的個人能力方面的項目，以及涉及自我價值感、自信程度、對未來樂觀態度等自我認知方面的項目[5]。馬丁（Martin）和馬什（Marsh）進一步將研究聚焦于學業領域，依據學生在面對學業困境時表現出的正向應對因素，開發了學業韌性量表（Academic Resilience Scale， ARS）[6]。國內學者楊欣和安哲峰等人分別開發了四維五點計分問卷[7]和三維量表[8]。學業韌性水平的高低顯著影響學生的困惑感知及其調節學業困惑的能力[9]。研究表明，不同學業韌性水平的學生在面對學業壓力和困難情境時表現出的應對策略和心理狀態不同[10]。本研究選取由康納（Connor）和戴維森（Davidson）編制的心理韌性量表（Connor-Davidson Resilience Scale， CD-RISC）[11]作為測量工具，以評估學生的學業韌性水平[12]，并用于界定低韌性群體。

（二）困惑感知的相關研究

在數字學習環境中，由于信息豐富、快速迭代以及情境復雜，學生更容易受到困惑的干擾與挑戰，因此，困惑已成為數字學習過程中最為常見的學習情緒之一[13]。已有研究表明，學習過程中的適度障礙可以有效激發學生對學習方法的反思[14]，當引入挑戰時能夠促使學生調整學習策略，從而顯著提升學習效果[15]。困惑感知的測量與評估方法，主要包括自我報告、行為觀察和生理指標測量三種路徑。這些方法各有特點，適用于不同的研究情境。行為觀察法適合在自然學習環境中評估困惑感知，例如通過分析眼動模式揭示學生在完成學習任務時的困惑狀態及其對行為表現的影響[16]。生理指標測量則利用皮膚電活動（EDA）、腦成像技術或腦電圖（EEG）等生理信號，客觀量化學生在學習過程中的困惑程度[17-18]。相比之下，自我報告法側重于學生對自身情緒狀態的主觀評估，但可能受個體自我認知能力的限制，通常需與客觀測量方法結合使用，以獲得更全面的困惑感知數據。

基于上述背景，本實驗綜合采用行為觀察和生理指標測量兩種數據模態，從多模態數據綜合評估學生的困惑感知情況。具體而言，本研究通過采集學生在數字學習過程中表現出的眼動數據、EDA 信號以及自我報告數據，構建困惑感知的多模態數據互證，深入揭示困惑情緒對學習過程的動態影響及其作用機制。

（三）學業韌性與困惑感知的相關性研究

隨著學業韌性的提升，學生應對學業倦怠的能力也顯著增強。這是因為學業韌性較高的學生在面對學業挑戰時，傾向于對積極信息進行更多關注與認知加工，而對消極信息的處理較少，從而能夠保持較高的學習效率[19]。此外，高韌性學生通常具有良好的心理調節能力，通過調整學習策略和主動尋求幫助來有效解決問題[20]。大學生的韌性水平與其問題解決能力存在顯著正相關關系，這種能力有助于提升困惑感知水平[21]。需要指出的是，知識轉化過程通常伴隨著較高程度的困惑感知，因此，深入探討學業韌性與困惑感知在知識轉化過程中的內在聯系具有重要意義。

綜上所述，基于數字學習的系統性探究學業韌性與困惑感知之間具體關系的研究相對較少，尤其對于低韌性群體，目前尚缺乏對其在數字情境學業挫折源時心理和行為變化動態過程的深入分析，以及對其困惑感知的個性化干預策略的系統研究。因此，本研究基于現有理論和實證研究成果，旨在深入分析低韌性群體的學業韌性與困惑感知在知識轉化過程中的關系，期望為數字學習情境下的教學設計與干預策略提供科學依據和實踐建議。

三、研究設計

（一）研究框架

圖1 " 研究框架

本研究的框架如圖1所示，基于學業韌性問卷數據，將學生區分為低韌性水平、高韌性水平，選取低韌性群體為研究對象，獲取學生在數字學習中面對高低難度的學習情境所表現的多模態困惑感知數據，最終通過數據分析探討兩者之間的相關性，以期為課堂教學提供參考。

（二）研究問題

問題一：在不同的知識轉化階段，低困惑數字學習情境下，低韌性群體的學業韌性與困惑感知之間的相關性如何？

問題二：在不同的知識轉化階段，高困惑數字學習情境下，低韌性群體的學業韌性與困惑感知之間的相關性如何？

（三）研究對象與實驗材料

本研究采用隨機抽樣法，從T大學學生中選取107名作為研究對象，其中包括男生47名、女生60名。根據學業韌性問卷結果，利用Mplus軟件對樣本進行分類，劃分為高韌性群體和低韌性群體。其中，低韌性群體48人，高韌性群體59人。本研究重點聚焦低韌性群體的困惑感知與學業韌性之間的關系，旨在為針對性干預措施提供理論依據與實踐基礎。

數字學習環境具有信息處理智能化、信息顯示多媒體化、信息傳輸網絡化以及教學環境虛擬化等特征[22]。本實驗的學習材料基于中國大學慕課平臺“橋梁工程”課程，通過多媒體技術直觀呈現橋梁材料的核心內容，并借助虛擬教學環境為學習者提供沉浸式體驗，使其能夠感受到橋梁材料的實際應用場景。橋梁工程因較強的跨學科特性，學生對該領域知識的學習受先驗知識水平影響較小，因此，在學習過程中更容易產生困惑情緒。綜上所述，本實驗材料適用于開展數字學習情境下學業韌性與困惑感知的準實驗研究。

（四）研究工具

本研究采用Connor和Davidson（2003）編制的心理韌性量表（CD-RISC）對學生的學業韌性水平進行評估，用以篩選低韌性群體。該量表包含25個條目，采用5點Likert量表評分，涵蓋韌性、力量和樂觀三個因子，具有良好的信效度，被廣泛應用于韌性領域的預測研究。于肖楠和張建新對CD-RISC量表進行了本土化修訂，形成中文修訂版量表[23]。修訂版聚焦于樂觀、力量和韌性三個維度，共28個條目。研究表明，修訂版更符合中國大學生的心理特征，且被國內眾多學者引用與使用。

在研究正式開始前，本研究對心理韌性量表進行了信效度檢驗（見表1、表2）。結果顯示，該量表的信度系數為0.898，KMO值為0.831（gt;0.7），表明量表具有較高的信效度，能夠客觀反映大學生學業韌性的基本情況，并滿足此次研究的測量標準。

表1 " " " " " " " " 問卷信度檢驗結果

表2 " " " " " " " KMO 和 Bartlett 的檢驗

（五）研究過程

1. 多模態數據收集

多模態學習分析利用智能化技術，采集、處理、分析和應用學生生成的多種數字信號，以識別學生的學習狀態或預測其在教育中的學習表現[24]。通過多模態數據，可以更深入地揭示學生的學習規律及行為模式[25]。從現有技術的應用來看，多模態數據采集主要包括以下幾種途徑：

（1）近紅外數據

在被試者經歷學習困惑時，大腦活動出現特定變化。周筠（Zhou）等人通過EEG技術評估游戲學習中的困惑狀態[26]，赫絲特（Hester）等人利用功能性磁共振成像（fMRI）技術觀察學生在困惑反饋下的額葉活動[18]。在本研究中，采用功能性近紅外光譜（fNIRS）技術監測實驗中被試大腦皮層的血氧變化，以評估困惑的神經狀態。fNIRS是一種非侵入性技術，適用于自然和動態實驗環境，通過HbO（氧合血紅蛋白）、HbR（去氧血紅蛋白）及HbT（總血紅蛋白）等指標，反映低韌性人群在知識轉化階段的大腦活躍度，進而判定被試者困惑的激發情況。

知識轉化涉及隱喻、類比、演繹推理和知識應用，主要與左側顳葉相關。雙側額葉負責注意力、意識、記憶整合及情緒監測，這些功能有助于識別困惑感知情況。本研究篩選了符合知識轉化和困惑感知特征的腦區通道，共計40個。研究中，被試的腦區通道激活情況表明被試者的困惑感知情況。

（2）生理數據

學習困惑常伴隨一系列生理反應。研究者可通過可穿戴設備和腦機接口自動采集被試者生理數據，如腦電、眼動等，為學生課堂參與度及學習表現研究提供科學依據[27]。佩奇南達（Pechinenda）的研究通過改變字謎難度，探索皮膚電活動（EDA）與任務參與程度之間的關系[28]。本研究采用BIOPAC MP 150型多導生理記錄儀（Biopac System）采集學生的心率、心率變異性和皮膚電活動等生理反應數據，將其作為學業韌性與困惑感知關系研究的客觀度量標準。數據采集配合AcqKnowledge 4.2.1軟件進行記錄和分析。通常情況下，學生的困惑程度越高，其心率、心率變異性和皮膚電活動值也越高。

（3）眼動數據

已有研究顯示，學生困惑程度越高，其平均注視持續時間越長、瞳孔直徑越大、注視總次數越多[16]。本研究采用Tobii Pro Spectrum眼動儀（1200Hz），配合Tobii Pro Lab軟件使用，通過注視時長、瞳孔直徑和注視次數等指標反映學生的困惑感知程度。

2. 多模態數據分析

問卷數據和測試數據均通過SPSS 27.0軟件進行數據分析。首先，利用描述性統計分析明確低韌性群體的學業韌性水平和困惑感知的基本現狀。考慮到低韌性群體在不同困惑情境下困惑感知情況穩定或可變的不確定性，本研究將數據按高困惑情境與低困惑情境兩個維度進行相關性分析，以全面揭示學業韌性與困惑感知之間的精準關聯[29]。

四、數據結果

本部分運用皮爾遜相關分析，探究低韌性水平群體的學業韌性與困惑感知之間的相關關系，進一步分析兩個變量的相關關系，以下表格未呈現不顯著的以及overlaplt;30%的通道數據。

（一）低困惑數字學習情境下，學業韌性水平與困惑感知的相關性分析

1. 近紅外數據分析

低困惑學習情境下，低韌性群體在知識轉化各階段與困惑感知的關系見表3。隱性知識向隱性知識轉化階段、隱性知識向顯性知識轉化階段呈正相關；顯性知識向顯性知識轉化階段呈負相關；顯性知識向隱性知識轉化階段仍呈正相關。

2. 生理數據分析

在低困惑情境下，隱性知識向隱性知識轉化階段，學業韌性與心率變異性（HRV）顯著正相關；顯性知識向顯性知識轉化階段，學業韌性與皮膚電反應（GSR）也呈顯著正相關（見表4）。

3. 眼動數據分析

低困惑情境下，在隱性知識向隱性知識轉化階段、顯性知識向顯性知識轉化階段以及顯性知識向隱性知識轉化階段，學業韌性與平均瞳孔直徑呈顯著正相關關系（見表4）。

（二）高困惑數字學習情境下，學業韌性水平與困惑感知的相關性分析

為深入了解低韌性水平的學生在較高困惑的問題情境下，兩者的相關性如何，對相關數據進行相關性分析，結果如下：

1. 近紅外數據分析

在高困惑情境下，低韌性群體在隱性知識向隱性知識轉化階段，學業韌性與困惑感知之間呈顯著正相關；在隱性知識向顯性知識轉化階段，ch4相關系數r=0.377，說明學業韌性與困惑感知之間顯著正相關，CH5和CH50相關系數分別為-0.317、-0.291，說明學業韌性與困惑感知之間顯著負相關；在顯性知識向顯性知識轉化階段，學業韌性與困惑感知之間呈顯著負相關；在顯性知識向隱性知識轉化階段，CH11、CH17、CH26相關系數分別為0.340、0.356、0.390，說明學業韌性與困惑感知之間顯著正相關，CH20、CH31相關系數分別為-0.379、-0.365，說明學業韌性與困惑感知之間顯著負相關（見表5）。

2. 生理數據分析

高困惑情境下，隱性知識向顯性知識轉化階段，學業韌性與HRV指標呈顯著負相關關系；顯性知識向顯性知識轉化階段，學業韌性與GSR指標呈顯著正相關關系；顯性知識向隱性知識轉化階段，學業韌性與GSR指標呈顯著正相關關系（見表6）。

3. 眼動數據分析

如表6所示，高困惑情境下，隱性知識向隱性知識轉化階段，學業韌性與平均瞳孔直徑指標呈顯著正相關關系；顯性知識向隱性知識轉化階段，學業韌性與平均瞳孔直徑指標呈顯著正相關關系；顯性知識向顯性知識轉化階段，學業韌性與平均瞳孔直徑指標呈顯著正相關關系，學業韌性與總注視次數指標呈顯著負相關關系。

五、討論與結論

（一）低困惑數字學習情境下，學業韌性水平與困惑感知的相關性討論

本研究表明，在低困惑數字學習環境下，低韌性群體的眼動數據與生理數據高度一致，能夠準確反映學生在面對學業挑戰時的視覺注意力分配與身體反應特征。然而，盡管近紅外數據在趨勢上與這兩種數據一致，但受環境光敏感度等復雜因素影響，小部分數據存在不一致現象。為確保數據的純凈性與一致性，本研究決定刪除近紅外數據，以更精準地探討學業韌性與困惑感知之間的關系。

低困惑情境下的多模態數據分析表明，低韌性群體在知識轉化四個階段中，學業韌性與困惑感知呈顯著正相關關系[30]，與已有研究結果一致。這表明學業韌性越高的學生，更能有效識別困惑并利用困惑促進學習。然而，低韌性群體在知識轉化各階段面臨明顯挑戰。在隱性知識向隱性知識轉化階段，低韌性群體缺乏交流與溝通能力，難以吸收外部知識，對知識差距的認知模糊。在隱性知識向顯性知識轉化階段，缺乏系統性思維和精確表達能力，難以將隱性知識轉化為明確的顯性表述。在顯性知識向顯性知識轉化階段，知識整合與構建方面能力不足，難以發現知識體系中的邏輯關系。在顯性知識向隱性知識轉化階段，缺乏深入思考與實踐能力，難以將顯性知識內化為個人經驗。

這種在知識轉化過程中因能力不足而無法清晰識別困惑的現象，進一步驗證了學業韌性與困惑感知之間的正相關關系。同時，有研究表明，學業韌性能夠顯著預測學習適應性，韌性水平直接影響學生的學習發展[31]。在低困惑情境下，低韌性群體表現出較弱的困惑應對能力，進一步強化了多模態數據中韌性與困惑感知正相關的表現。

（二）高困惑數字學習情境下，學業韌性水平與困惑感知的相關性討論

在高困惑學習情境中，多模態數據分析揭示了部分矛盾現象。本研究主要聚焦于近紅外數據與眼動數據，盡管生理數據也顯示了一定的相關性，但生理數據在認知過程中的作用與另外兩種模態數據相比更間接。因此，更加關注到近紅外數據反映出的學業韌性與困惑感知的神經機制，眼動數據揭示出的學生處理視覺信息的行為模式，二者互為補充，為學業韌性與困惑感知的內在聯系提供了全面且辯證的分析視角。在高困惑學習情境下知識轉化的四個階段中，具體表現如下：在隱性知識向隱性知識轉化階段，近紅外數據和眼動數據均顯示學業韌性與困惑感知呈顯著正相關關系；低韌性群體因缺乏有效的交流策略和知識整合能力，面對知識傳遞與接收障礙時，大腦活動無序，瞳孔直徑顯著增大，困惑感知顯著增強。在顯性知識向顯性知識轉化階段，近紅外數據表現出顯著負相關關系，而眼動數據指標則呈現正負不一的復雜情況。

六、研究建議與展望

（一）研究建議

基于本研究的實驗結論及分析結果，圍繞低韌性群體在數字學習情境中的特征與需求，從學生、教師、教學設計和技術支持四個層面提出以下具體建議：

1. 針對學生的建議：構建韌性思維，培養自我調節能力

低韌性學生在學習困境中容易陷入挫敗情緒，應著重培養其學業韌性和應對策略，幫助其構建良性的學習心理機制。首先，鼓勵積極思維，轉化困惑為動力，幫助學生理解學習困惑的積極作用，通過“最佳困惑區”與“適度困惑”的學習原理[32]，引導學生將困惑視為學習的促進因素，增強面對學習難題時的心理韌性和探索精神。培養自我調節能力，設置分階段學習目標，強化時間管理和任務分解的能力，逐步提升自我效能感。其次，針對學習過程中的挫敗情緒，可引導學生記錄學習日志，通過反思性書寫總結經驗[33]，逐步形成高效的學習策略。最后，提升社交互動意識，鼓勵學生主動尋求同伴支持和教師幫助，建立多元化的支持網絡，從而提升其面對高困惑情境時的溝通能力與合作意識。

2. 針對教師的建議：精準指導與個性化支持

教師作為學習過程的重要引導者，應針對低韌性群體的困惑特點，提供更具針對性的教學支持與心理疏導。首先，設計“循序漸進”的困惑情境，根據學生的韌性水平，動態調整學習任務的難度，控制困惑的強度和持續時間，避免困惑過載導致的“學習放棄”現象[34]。通過設置適度挑戰的學習情境，激發學生的認知參與度，使其在逐步克服困難的過程中積累成就感與自信心。其次，教師應對學生在學習中的困惑表現進行及時反饋與鼓勵，通過點對點的建議幫助學生明確問題的方向[35]。同時，在學生取得階段性進展時，給予積極的鼓勵與認可，增強其面對學習困難的動力和信心。最后，利用多模態數據技術對學生的學習軌跡進行實時監測，分析困惑峰值與學業韌性波動的關系，動態調整教學策略，確保低韌性學生的學習進程穩定推進。

3. 針對教學設計的建議：優化任務結構，強化知識轉化

教學設計是數字學習環境中知識傳遞與學生行為塑造的重要環節，應注重構建符合低韌性學生需求的學習任務。第一，強化可視化的知識表達，利用虛擬現實（VR）、增強現實（AR）等數字技術，將復雜的顯性知識以圖形化、動畫化的方式呈現[36]，幫助學生直觀理解難點知識、降低認知負荷。第二，重視分層式的任務設計，將知識轉化過程劃分為多個遞進層級，例如，在隱性知識向顯性知識轉化階段，可從簡化的基礎概念入手，逐步深入至復雜的系統性思維，以適應低韌性學生的學習節奏。第三，強化協作學習過程，在教學任務中嵌入小組合作環節，鼓勵學生通過角色扮演、情境模擬等方式進行討論與分享[37]，從互動中獲取新的解決方案，有效調節低韌性群體在獨立學習中所面對的挑戰。

4. 針對技術支持的建議：智能監測與動態干預

數字學習技術的引入為調節低韌性群體的困惑感知提供了可能，應充分利用智能化工具和數據分析方法，為其學習過程提供有效支持。一方面，提升困惑感知的實時監測技術，開發基于多模態數據的學習監測平臺，通過整合眼動數據、皮膚電活動（EDA）和腦成像數據，動態識別學生的困惑狀態，及時向教師反饋潛在問題，以便采取針對性干預措施。另一方面，設計適應性學習系統，通過分析學生的學習行為數據，動態調整學習內容的呈現方式和難度[38]，定制化推送符合其韌性水平和學習需求的學習資源[39]，使學生始終處于“最佳困惑區”內，避免因困惑過度導致放棄學習或因困惑不足缺乏學習動力。

（二）研究展望

未來研究可引入更多創新技術，如面部表情識別、實時情緒檢測和機器學習算法，優化多模態數據在困惑感知識別中的敏感性與精確性。此外，可探索多模態數據之間的交互機制，建立整合性更強的學習困惑預測模型。結合本研究結果，可進一步設計干預實驗，驗證基于多模態數據的教學策略對低韌性學生學習適應性的提升效果，特別是在高困惑學習情境下，探索具體的教學設計與技術融合方案。研究學業韌性和困惑感知的作用機制，構建從低韌性到高韌性的漸進式提升模型，進一步探討學業韌性在不同學習情境中的動態作用。未來，研究者還可分析文化背景、社會支持和個體性格特征對學業韌性的影響，為數字學習環境的個性化設計提供更加全面的理論支持。通過分析不同知識轉化階段中低韌性群體的學業韌性與困惑感知水平之間的關系，為進一步探索學業韌性在知識轉化過程中對困惑感知的調節作用奠定基礎。

[參考文獻]

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

[2] WANG M C， HAERTEL G D， WAHLBERG H J. Educational resilience in Inner Cities[D]. New York： Cornell University Press， 2004.

[3] 潘以鋒． 基于學習共享空間的知識轉化研究[J]． 情報雜志，2011，30（12）：140-144．

[4] CASSIDY S． Resilience building in students：the role of academic self-efficacy[J]． Frontiers in psychology，2015，6：1781．

[5] WAGNILD G M， YOUNG H M． Development and psychometric evaluation of the resilience scale[J]． Journal of nursing measurement，1993，1（2）：165-178．

[6] MARTIN A J， MARSH H W． Academic resilience and its psychological and educational correlates： a construct validity approach[J]．Psychology in the schools，2006，43（3）：267-281．

[7] 楊欣． 中學生學業韌性的結構及其發展特點研究[D]． 重慶：西南大學，2010．

[8] 朱祖林，安哲鋒，湯詩華，等． 成人在線學業韌性的測評研究[J]． 中國電化教育，2012（6）：37-41．

[9] MORALES E E． The resilient mind： the psychology of academic resilience[J]． The educational forum，2008，72（2）：152-167．

[10] 薛曉琪，趙曉偉，沈書生，等． 在線學習中的數字韌性：關鍵維度、現狀描摹與提升策略——基于江蘇省初中生調研數據的分析[J]． 電化教育研究，2023，44（4）：72-78，85．

[11] CONNOR K M， DAVIDSON J R T． Development of a new resilience scale：the connor-Davidson resilience scale （CD-RISC）[J]．Depression and anxiety，2003，18（2）：76-82．

[12] 董行． EFL學生學習動機、投入及學業韌性作用關系研究——基于MEW理論視角[J]． 現代語言學，2024，12（2）：1158-1168．

[13] MARTIN A J． Academic buoyancy and academic resilience：exploring everyday and "classic resilience in the face of academic adversity[J]． School psychology international，2013，34（5）：488-500．

[14] DENG L， YU D． Deep learning：methods and applications[J]． Foundations and trendsR in signal processing，2014，7（3-4）：197-387．

[15] ALTER A L， OPPENHEIMER D M， EPLEY N， et al． Overcoming intuition：metacognitive difficulty activates analytic reasoning[J]．Journal of experimental psychology： general，2007，136（4）：569-576．

[16] DELUCIA P R， PREDDY D， DERBY P， et al． Eye movement behavior during confusion： toward a method[C]// "Proceedings of the Human Factors and Ergonomics Society Annual Meeting. CA：SAGE Publications，2014.

[17] 謝韻梓，陽澤． 不同情緒誘發方法有效性的比較研究[J]． 心理與行為研究，2016，14（5）：591-599．

[18] HESTER R， BARRE N， MURPHY K， et al. Human medial frontal cortex activity predicts learning from errors[J]. Cerebral cortex，2008，18（8）：1933-1940.

[19] 王玉龍，姚明，鄒淼． 不同心理彈性青少年在挫折情境下的認知特點[J]． 心理研究，2013，6（6）：40-44．

[20] 李克東. 數字化學習（上）——信息技術與課程整合的核心[J]. 電化教育研究，2001（8）：46-49.

[21] FRIBORG O， HJEMDAL O， ROSENVINGE J H， et al． A new rating scale for adult resilience： what are the central protective resources behind healthy adjustment？[J]． International journal of methods in psychiatric research，2003，12（2）：65-76．

[22] WANG Q. Design and evaluation of a collaborative learning environment[J]. Computers and education， 2009，53（4）：1138-1146.

[23] 于肖楠，張建新. 自我韌性量表與Connor-Davidson韌性量表的應用比較[J]. 心理科學，2007（5）：1169-1171.

[24] ANDERGASSEN M， M？魻DRITSCHER F， NEUMANN G． Practice and repetition during exam preparation in blended learning courses：correlations with learning results[J]．Journal of learning analytics，2014，1（1）：48-74．

[25] BLIKSTEIN P， WORSLEY M． Multimodal learning analytics and education data mining： using computational technologies to measure complex learning tasks[J]． Journal of learning analytics，2016，3（2）：220-238．

[26] ZHOU Y， XU T， LI S Q， et al． Beyond engagement： an EEG-based methodology for assessing user's confusion in an educational game[J]． Universal access in the information society，2019，18（3）：551-563．

[27] 李昂，唐章蔚． 基于多模態數據分析框架的在線直播課堂學生參與度研究[J]． 教育傳播與技術，2024（2）：87-96．

[28] PECCHINENDA A． The affective significance of skin conductance activity during a difficult problem-solving task[J]． Cognition amp; emotion，1996，10（5）：481-504．

[29] SWELLER J． Cognitive load theory，learning difficulty， and instructional design[J]． Learning and instruction，1994，4（4）：295-312．

[30] 于肖楠，張建新． 韌性（resilience）——在壓力下復原和成長的心理機制[J]． 心理科學進展，2005，13（5）：658-665．

[31] 王藝璇． 初中生成就目標定向、學業韌性與學習適應性的關系及教育對策[D]． 開封：河南大學，2020．

[32] 吳彥茹． 知識轉換模式及策略應用于微格教學的探究[J]． 中國電化教育，2012（2）：109-112．

[33] 金慧． 基于問題解決的學習支持模式研究[J]． 電化教育研究，2009，30（5）：114-118．

[34] 劉哲雨，谷姣娣，劉佳樂，等． 在線學習環境中學習困惑的發展研究——基于實證研究的系統性文獻綜述[J]． 遠程教育雜志，2024，42（4）：50-63．

[35] 朱龍，付道明． 一種提升學生問題解決能力的問題支架應用框架——基于翻轉課堂的實證研究[J]． 電化教育研究，2020，41（2）：115-121．

[36] 劉哲雨，侯岸澤，王志軍． 多媒體畫面語言表征目標促進深度學習[J]． 電化教育研究，2017，38（3）：18-23．

[37] 袁建林，劉紅云． 合作問題解決能力測量：真實性與過程性評價視角[J]． 電化教育研究，2022，43（5）：100-108．

[38] 劉哲雨，劉暢，許博宇． 計劃調節學習支架對在線深度學習的影響機制研究[J]． 電化教育研究，2022，43（8）：77-84，100．

[39] 李海峰，王煒． 經驗認知沖突探究法——一種翻轉課堂模式下的深度協作知識建構學習策略探索[J]． 電化教育研究，2020，41（1）：99-106，121．

A Study on Academic Resilience and Confusion Perception in Low-resilience Groups in Knowledge Transformation in Digital Learning

LIU Zheyu， YAO Yuzhe， WANG Lilei

（Faculty of Education， Tianjin Normal University， Tianjin 300387）

[Abstract] In the era of digitalization of education， the learning mode and knowledge production mode are undergoing great changes， which have a profound impact on the transformation mechanism of tacit and explicit knowledge. In digital learning， information is massive and organized in complex ways. As the starting point of self-knowledge introspection， \"confusion perception\" plays a key role in students' knowledge transformation. \"Academic resilience\"， as one of the most important learning qualities， refers to students' adaptability and restorative capacity in facing digital learning challenges. The \"low-resilience group\" faces more obstacles in the process of knowledge transformation， and its confusion perception and the effectiveness of knowledge transformation are affected. This study first designed an experiment based on the SECI model of knowledge transformation， and then investigated academic resilience to identify the college student group with low resilience. The multimodal data were used to characterize the level of students' confusion perception， and finally the correlation between academic resilience and confusion perception was analyzed. It is found that there is a significant correlation between academic resilience and confusion perception in low-resilience groups in both high confusion and low confusion digital learning situations. The research results provide scientific support for the design of digital learning technology to improve the effectiveness of knowledge transformation of low-resilience groups.

[Keywords] Digital Learning; Academic Resilience; Confusion Perceptions; Knowledge Transformation; Low-resilience Groups