认知与教学/学习技术与设计

为了最佳地利用技术进行教学和学习，教师和设计师需要了解其潜在的益处和弊端。本章探讨了关于多媒体学习环境如何影响认知过程的理论，以及设计此类环境的循证原则。第一部分介绍认知负荷理论，并描述多媒体环境的认知需求如何影响学生从中学到的知识。第二部分介绍了四要素教学设计模型，该模型提供了以研究为基础的指导，用于设计材料和技术以促进复杂技能的学习。最后，本章将探讨如何利用技术来促进协作学习。

认知负荷理论

认知负荷理论是考察教育环境中的技术时一个重要的方面。认知负荷理论是由约翰·斯韦勒提出的一个理论，它关注工作记忆和教学。 我们的工作记忆只能在同一时间处理有限的信息量。 在设计教学工具时，需要牢记工作记忆的局限性，特别是在将技术纳入教学时。其背后的原因是，如果同时呈现的信息量过大，工作记忆可能会超负荷，导致无法吸收所有呈现的信息，或者完全关闭并无法吸收任何信息。斯韦勒提出，认知负荷有三种类型：内在、外在和相关。通过理解这三种认知负荷类型之间的差异，我们应该能够分析多媒体演示对学习是否有帮助，或者它们是否会导致认知负荷问题。

认知负荷如何影响工作记忆

内在认知负荷

内在认知负荷是指完成一项任务必不可少的脑力处理。 斯韦勒认为，内在认知负荷是教学设计无法改变的，但教学设计师需要考虑到它。 任何被学习的材料都会对工作记忆造成内在认知负荷，难易程度会影响对工作记忆的压力程度。 如果学生的专业知识水平在所学习的主题方面较高，那么内在认知负荷仍然会影响工作记忆，但不会像学生对所讨论的主题几乎没有了解时那样明显。 在这种情况下，在向班级介绍新信息时，需要考虑学生之前对所讨论主题的知识和理解水平。例如，如果一个人已经了解橙子，那么关于橙子部位的课程会比他们对橙子一无所知时造成更少的内在认知负荷。

外在认知负荷

外在认知负荷是指不会促进学习的脑力处理，可以通过改变任务的设计来消除。 外在认知负荷完全由教学设计决定。 例如，在多媒体演示中，外在认知负荷是指用于呈现材料的声音、图片、文字和动画。工作记忆需要关注的越多，它就越不可能保留所呈现的信息。 外在认知负荷是可控的，良好的教学设计可以减轻负荷，而糟糕的设计会增加负荷。例如，一名教师正在讲解蝴蝶的生命周期，并决定在智能白板上使用幻灯片演示。在幻灯片演示中，教师概述了每个周期相关的所有信息，但他们添加了一个动画，展示蝴蝶在各阶段的演变。在这种情况下，外在认知负荷会增加，因为学生必须关注相关信息，同时受到动画的干扰。

相关认知负荷

相关认知负荷是指工作记忆投入到处理与所呈现的信息相关的内在认知负荷的数量，并且仅与学习者的特征相关。 他指出，相关认知负荷不会对工作记忆造成独立的压力，而是直接与内在和外在认知负荷水平相关。例如，如果我们假设学生的动机水平保持不变，那么他们就无法控制自己的相关认知负荷水平。 那么这与教学有什么关系呢？根据斯韦勒的说法，这意味着如果课程的创建是为了让工作记忆专注于内在认知负荷，通过减少外在认知负荷，相关认知负荷就会增加，学习水平也会随之提高。

研究与启示

内在和外在认知负荷是相关的，换句话说，如果两者都很高，那么工作记忆可能会超负荷。 它的意义在于，由于只有外在认知负荷是可以控制的，因此教学设计师需要努力将其保持在较低水平，以免在内在认知负荷较高时使工作记忆超负荷。 根据该理论，为了减少外在认知负荷，我们应该利用长期记忆的巨大容量，通过利用现有的模式和创造新的模式，从而减少对工作记忆的压力。 这些方法包括：呈现无目标问题、有用的冗余、模态、完成问题效应、注意力分散效应等等。

首先，无目标问题的设计是为了改变学生的活动，以减少外在认知负荷，并鼓励模式生成。 它们通过减少学生使用目标相关策略尝试解决问题的可能性来实现这一点。这是通过改变问题措辞来实现的，这样学生就不会局限于试错测试，因为试错测试会占用工作记忆的大量容量。 例如，一个数学问题问道：一列火车以每小时 50 公里的速度行驶，行驶了 400 公里。它行驶了多长时间？如果学生不知道在获得以上信息时计算时间的正确公式，他们会开始尝试使用试错法来找到答案，这会增加外在认知负荷。但是，如果问题要求学生展示你能想到的计算答案的所有方法，那么它会减少工作记忆上的外在认知负荷。

已经解决的示例效应是指，一个人学习已经解决的示例来学习如何解决问题，这也会减少解决问题的反复尝试方法，因为它为学生提供了一种建立解决这类问题的模式的方法 与普通问题不同，已经解决的问题将一个人的注意力集中在解决问题所需的步骤上，而不是将注意力集中在问题本身，理论上减少了无关的认知负荷，因为不需要关注其他方面 在这种情况下，如果老师给学生一个新的数学方程式，然后继续向他们提供一些可以用来解决问题的示例列表，那么学生在使用该方程式时就会有一个可以使用的资源，从而减少认知负荷。

有用冗余背后的理论是，如果学生以不同的方式呈现相同的信息，他们更有可能记住它 想法是，因为它是相同的信息，只是以不同的方式呈现，因此无关的认知负荷会减轻，因为学习者可以选择他们更喜欢以何种方式关注信息 然而，此后进行的研究对此说法提出了质疑，研究表明，它并没有促进更深入的学习，而是降低了学习水平

在 Mayer、Heiser 和 Lonn 进行的一项研究中，进行了一系列实验来调查多媒体学习中的冗余效应。他们将冗余效应定义为一种多媒体学习情况，在这种情况下，单词以文本和语音的形式呈现，学习因信息的双重呈现而受到阻碍 在第一个实验中，78 名大学生根据关于闪电形成的多媒体演示，在信息保留和迁移方面接受了测试。学生被分成四个测试组。无文本/无诱惑性细节组收到动画和同时叙述，文本/无诱惑性细节组收到带有屏幕文本的演示，该文本总结了叙述。无文本/诱惑性细节组收到一个包含文本的演示，该文本包含无关但有趣的​​信息。最后一组同时收到屏幕文本摘要和有趣的无关信息 这个第一个实验的结果发现，收到屏幕文本摘要的学生在保留测试中的记忆量少于没有收到屏幕文本的学生。同样，收到诱惑性细节的学生的保留量也少于没有收到诱惑性细节的学生 这个第一个实验与以下理论相一致：过度使用多媒体演示中的细节不利于信息的保留。他们假设屏幕文本造成的冗余效应可能是由于视觉通道或听觉通道的认知负荷增加造成的。第二个实验旨在通过将参与者分成三组来检验这一假设。第一组包含 36 名学生，他们在演示中没有收到任何附加文本，第二组包含 37 名学生，他们收到了一份叙述摘要，第三组包含 36 名学生，他们收到了一份包含叙述的逐字文本的演示 结果表明，没有收到任何附加文本的演示的学生比那些收到附加文本的学生记得更多。他们还发现，收到附加文本的两个组之间的保留量没有显著差异。第三个实验旨在发现向多媒体演示中添加视频剪辑时会发生什么。在这个实验中，添加的视频剪辑包含关于闪电的信息，但与原始演示中呈现的特定信息无关 38 名大学生被分成两组，一组是不添加视频剪辑的组，另一组是向演示中添加视频剪辑的组。他们发现，添加视频组的学生记得的信息不比不添加视频组多，但结果未能达到统计学意义 进行的最后一个实验调查了在多媒体演示之前或之后添加视频剪辑是否会提高对演示的兴趣。结果表明，在演示开始之前添加视频剪辑会导致学生记住更多演示内容，尽管结果在统计学上并不显著 总的来说，这项研究得出结论，添加呈现相同信息的额外模式会减少学生在观看多媒体演示后保留的信息量。当学习者必须分配他们的工作记忆来理解呈现的信息时，无关的认知负荷会增加，从而减少可以学习的信息量。当向演示中添加文本时，这一点尤其重要。Mayer、Heiser 和 Lonn 建议，教学设计师在多媒体演示中以口头方式呈现信息时，应该避免添加文本。

有些人认为，从事教学设计的人可以超越仅仅考虑如何减少无关的认知负荷。他们认为，教学设计可以通过创造方法来增加学习者的相关认知负荷来改进 通过增加学习者的相关认知负荷，他们认为学习者的注意力可以引导到模式的构建，进而减少学习过程中对工作记忆的压力。

总结

总之，Sweller 提出存在三种类型的认知负荷，它们都影响着我们在学习新信息时工作记忆的使用方式。认知负荷理论对教学设计中技术使用的影响是，只要遵循指导方针以减少工作记忆上的无关认知负荷，技术就可以成为有效的学习工具。特别是教师需要关注关于冗余效应的研究，以防止他们用冗余信息过度加载工作记忆。技术可以利用的一种方法是以有助于模式生成的方式呈现信息，这可以通过将信息移入长期记忆来减少认知负荷。

四组件教学设计

四组件教学设计 (4C/ID) 是由 van Merriënboer 及其同事开发的一种教学设计模型。它为在复杂环境中学习提供指导。4C/ID 模型基于这样的理念：技能的学习最有效的方式是使用它们，而不是仅仅阅读文本中的说明。学习条件应类似于学习者在现实世界中应用技能时遇到的条件，并且教学强调练习而不是信息传递。4C/ID 模型包含四个组件：(1) 学习任务、(2) 支持性信息、(3) 及时 (JIT) 信息，以及(4) 部分任务练习 (van Merriënboer, 1997;; van Merriënboer & Kirschner, 2007)。这些任务按任务难度排序，从较不复杂到较复杂。在每个四个组件的开始，都需要大量的支架，并且随着学习者的进步，支架的数量逐渐减少。在本节中，我们将讨论有关技术如何支持这种学习理论的研究和理论。

(1) 学习任务

学习任务在图 1 中以圆圈表示。复杂学习涉及实现一组整合的学习目标。4C/ID 模型提倡使用完整、真实和具体的学习任务。参与在线课程（也称为基于技术的教学）的学习者，根据该模型，学习应该从一系列相对简单但有意义的任务开始，这些任务称为 **任务类别**。在培训计划的开始阶段提供高度复杂的学习任务是不可能的，因为这会减缓学习者过度的认知负荷。这会导致学习和表现受损 。一旦学习者掌握了简单但必要的组成部分，他们就会向更复杂的任务发展。任务的复杂程度取决于任务类别中涉及的技能数量、它们之间的关系以及执行这些技能所需的知识量。虽然在一个任务类别中学习任务的难度没有增加，但它们在为学习者提供的支持量方面有所不同。儿童接受的这种支持被称为支架 。支架在学习者从最低级别任务类别过渡到最高级别任务类别的情况下，需要时使用。图 1 中圆圈周围的虚线表示为儿童选择和开发合适的学习任务的过程。最终，支持和支架会逐渐消失。支持的淡化是由于 **专业逆转效应**。这种现象是指，对新手有效的支持（例如指导）和教学方法（系统步骤）可能对高级学习者产生负面影响，因为存在冗余 。它还会增加他们的认知负荷。学习任务促使学习者通过有意识地从学习任务提供的具体经验中抽象出来，构建认知图式 。在学习中，泛化和辨别包括调整图式，使其更符合新的经验 。根据 van Merriënboer、Clark 和 Croock 的说法，这些待构建的图式有两种形式。*心理模型*：允许在领域内进行推理，因为它们反映了学习领域被组织的方式。*认知策略*：指导领域内解决问题，因为它们反映了有效解决问题的可能方法。产品导向和过程导向支持是将学习任务应用于课堂环境的两种方法。产品导向支持可以分为最高程度和较低程度。最高程度的产品导向支持是一种学习任务，它提供案例研究或已解决的示例，使学习者面对给定的状态、期望的目标状态以及解决方案、中间解决方案或两者 。使用事故、成功故事或结局出乎意料的故事来激发学生学习是可取的。在这些学习任务中，要求学习者回答问题，这些问题会刺激更深层次的处理，并从给定的示例材料中推导出心理模型。通过展示现实生活中的例子，学习者可以清楚地了解特定领域是如何组织的。有必要允许学生提出自己的结论/解决方案。更多信息可以从图 2 中获取。过程导向支持也针对解决问题过程本身。*建模示例* 让学习者面对一位专家，他正在执行任务，同时解释为什么任务按此方式执行。这是一种动手实践的经验，让儿童比通过阅读文本获取的信息更容易检索信息。这种方法还有助于比其他学习方法更容易保留信息 。通过使用建模示例进行学习，学习者可以清楚地了解即使是专业人士使用的系统方法和经验法则 。大声思考可能有助于揭示隐藏的心理解决问题过程。此外，基于计算机的学习工具可以邀请学习者像专家一样解决手头的难题。

(2) 支持性信息

这种类型的信息在使用技术发展复杂技能方面发挥作用。学习者需要信息才能成功地完成学习任务的 **非重复技能**（图式控制的流程）方面，并从这些任务中真正学到东西 。程序性自动流程在 4C/ID 框架中称为 **重复技能** 。复杂认知由非重复技能和重复技能组成。提供支持性信息来帮助学习者掌握复杂认知任务的非重复方面。它在学习者的先验知识和学习任务之间架起了一座桥梁 。它是教师通常将其称为 *理论* 的信息，通常在讲座或学习书籍中介绍。支持性信息的目的是帮助学习者获取应对现实生活问题所需的各种灵活图式。支持性信息作为先前信息的补充或扩展，帮助学生在新呈现的信息元素和他们的先验知识之间建立事实关系 。它允许学习者做以前做不到的事情。研究表明，这种类型的阐述过程会产生高度复杂的图式，应该可以促进更深入的理解。学习者可以学习数据库是如何组织的，以便开发有用的心理模型。任务执行者进一步发展他们的心理模型和认知策略，以提高他们的表现。例如，老虎伍兹对高尔夫球场布局进行了广泛的研究，以发展关于它们是如何组织的心理模型。此外，他观看竞争对手的录像带帮助他发展了如何在这个世界（现实世界）中解决问题的认知策略 。强调非任意关系至关重要。可以以说明性方式或探究性方式使用识别相关关系的方法。*说明性方法* 允许学习者明确地呈现非任意关系。*探究性方法* 要求学习者发现这些关系。在这两种方法中，体验性方法是最重要的关系。它将一般和抽象的知识与具体案例联系起来 。4C/ID 模型进一步区分了介绍支持性信息的归纳策略和演绎策略。有两种类型的归纳策略。*归纳-探究策略* 是一种方法，它提供一个或多个案例研究，然后要求学习者识别案例中展示的信息片段之间的关系。然而，这种方法非常耗时，需要深入理解，尽管学习者没有该技能的经验。因此，van Merriënboer、Clark 和 Croock (2002) 不建议使用这种方法，除非有足够的教学时间。*归纳-说明性策略* 另一方面，从一个或多个案例研究开始，然后明确地呈现案例中展示的信息片段之间的关系。Merriënboer、Clark 和 Croock (2002) 建议默认使用这种方法，因为这种策略更合理且更节省时间，它从具体且可识别的案例研究开始，对于具有少量先验知识的学习者来说效果很好。*认知反馈* 被称为支持性信息的最后部分。它指的是表现的非重复方面，因为非重复性表现永远不会正确或错误，而是更有效或效率更低。认知反馈只有在学习者完成一个或多个或所有学习任务后才能呈现。当反馈设计良好时，它应该促使学习者反思他们个人解决问题过程和建立解决方案的质量 。

(3) 即时 (JIT) 信息

与支持性信息不同，JIT信息旨在针对复杂技能的反复性方面。它是学习和执行学习任务或练习项目的反复性方面的先决条件。自动化在很大程度上取决于一致性和重复练习。JIT信息在需要时为学习者提供逐步指导，然后迅速消失。JIT信息的目的是尽快使基本但关键的技能尽可能自动化，从而释放认知资源，使更高级的学习者能够实现更高的自动化水平。它还提供逐步的知识，例如老师或导师指导学习者，几乎就像一个站在他们肩上的助手。JIT信息对于许多学习任务来说是相同的，因此通常在第一个与技能相关的学习任务期间提供 。与脚手架类似，JIT信息遵循一个名为“淡化”的原则，即随着学习者在学习材料方面获得更多专业知识，信息会迅速淡化。JIT信息的教学方法主要通过将特定于情境的知识限制编码为认知规则来促进复杂性 。这些规则是通过多次练习形成的，在这个过程中，形成规则所需的信息直接来自我们的工作记忆。将此应用到现实生活中的情况，例如，当一个人学习高尔夫球时，你的教练最好在第一次击球时解释如何握球杆、站姿和挥杆，而不是在课堂上进行讲解 。这对课堂上的学习者来说也是一样的。信息展示 被组织成小的单元，这被认为至关重要，因为控制新信息的数量以保持最低限度可以防止练习期间的处理过载。在现实生活中，例如，复杂机器的操作手册可能会逐一解释步骤，而不是假设用户有先验知识，只说明一些步骤。这种方法应该在学习者需要信息来处理特定学习任务的反复性方面时直接呈现信息展示 。但是，在某些情况下，这种方法并不总是有效。例如，在工作培训中，在线帮助系统、清单和手册等学习辅助工具是可用的，并且易于访问。这是由于缺乏必要的JIT信息的直接呈现。演示和实例 是反复技能元素的名称，也称为概括性。就像规则可以应用于各种情况一样，这些被称为演示；另一方面，对于概念、计划和原则，则被称为实例 。认知反馈 被认为是JIT信息的最后部分，它与针对性能反复性方面的反馈有关。这种反馈应该促进编译，这意味着如果规则没有正确应用于情况，学习者就会被认为犯了“错误” 。建议尽早呈现这些反馈。这是为了让学习者能够将正确的信息输入到他们的工作记忆中。4C/ID模型真正相信错误在学习中是不可避免的，它在某种意义上也起着重要的作用，即学习者学会识别自己的错误，并学会如何从错误中恢复过来。精心设计的反馈应该告知学习者为什么会出现错误，并提供如何实现目标的建议或提示。鼓励他们的学习过程，因此不提供答案至关重要 。

(4) 部分任务练习

学习任务旨在促进图式构建，并促进复杂技能反复性方面的编译。4C/ID 模型的最后一个组成部分，部分任务练习为选定的反复技能提供了额外的练习，以达到所需的自动化水平。这是一种更快地使程序性知识自动化的方式，同时避免了学习者在尝试发展技能的同时尝试解决问题时产生的认知负荷问题。专业知识通常是一个缓慢发展的过程，它取决于将练习扩展到使直接控制行为的产生自动化。JIT信息呈现旨在将新呈现的信息限制编码到规则中 。学习者的练习将通过适当的JIT信息得到支持，直到他们达到自动化水平。van Merriënboer 和他的同事认为，一些部分任务练习可以帮助降低任务复杂度，因为在与复杂、真实的任务进行的工作中，部分任务练习的时间相对较短且间隔 。这种模式允许学习者练习子技能，并将它们与整体任务联系起来。重要的是，练习项目对于所有情境/环境都是不同的，这样底层的规则才能应对这些情境/环境。然而，当需要高水平的反复性方面的自动化时，学习任务可能提供的重复次数不足以提供必要的强化。这时，我们需要加入额外的部分任务练习 。在其他情况下，例如在一般环境中学习，部分任务练习对复杂的学习没有帮助。部分任务练习促进程序或规则的编译，尤其是它们的后续强化。这是一个非常缓慢的过程，需要大量的练习项目。部分任务练习的例子包括乘法表或在乐器上演奏音阶。由于发现部分任务练习只有在学习者接触到更简单的复杂技能版本之后才有效 ，因此在适当的认知环境中开始部分任务练习至关重要。任务层次结构表明，它们要么使层次结构中更高水平的许多其他技能的执行成为可能，要么必须与许多其他协调技能同时执行 。因此，应该首先识别第一个任务类别，然后启动部分任务练习。练习项目 鼓励学习者像“熟能生巧”这句谚语一样，反复练习。但是，学习者必须牢记，整个练习项目集应该是不同的，并且适用于所有情况。这将有助于开发一组广泛的情境特定规则。在高度复杂的算法等情况下，可能需要从简单的练习项目到复杂的练习项目进行操作，将其分解成部分，然后逐步组合成完整的任务。这种方法被称为部分整体方法 。正确使用部分任务练习将导致反复技能的准确执行。此外，可能需要大量的过度训练才能使技能完全自动化。对于高度依赖自动化的任务，有时最终目标不是准确性。在这种情况下，通常情况下，可接受的准确性与高速和整体性能技能相结合是目标。为了实现这一点，反复技能首先在速度压力下进行练习，然后在达到速度标准后，技能在时间共享条件下进行练习。只有这样，技能才能在完整的任务上下文中进行练习。换句话说，性能标准逐渐从准确性，转变为准确性和速度的结合，再转变为在时间共享条件或高整体工作负载下准确性和速度的结合 。建议短时间间隔的部分任务练习或过度训练比长时间集中部分任务练习效果更好。部分任务练习最好与学习任务交织在一起，因为这提供了分布式练习，并使学习者能够将反复的构成技能与整个复杂技能联系起来 。

研究与实施

Frederick K. Sarfo 和 Jan Elen (2007) 使用一对一两组前测后测准实验设计，对学习环境的有效性进行了研究，结果表明，4C/ID 方法结合信息与通信技术 (ICT) 在学习增益方面取得了最佳效果。因变量是学习增益，通过从后测分数中减去前测分数计算得出。自变量是三种不同的教学方法。比较了三种方法：常规教学法、结合 ICT 的 4C/ID 学习环境和不结合 ICT 的 4C/ID 学习环境。样本包括 129 名学生，从加纳六所中等技术学校中选取，平均年龄为 18 岁，标准差为 1.3 年。评估任务包括 26 个前测和后测项目，其中 13 个为保持测验，13 个为迁移测验。结果表明，三组学生的前测和后测之间存在显著差异。三组的平均前测分数为 6.28，平均后测分数为 14.39。仔细研究 Frederick K. Sarfo 和 Jan Elen (2007) 提供的数据，该研究声称结合 ICT 的 4C/ID 学习环境在前测和后测中得分更高。研究人员得出结论，这些结果表明实验组能够更好地解决需要推理、反思和回忆程序、事实和概念的问题。

在课堂环境中使用这种四要素教学设计将帮助学生更好地学习，尤其是在复杂的环境中。为了应用这个模型，教授课程的教师应该成为该领域的专家。这将有助于回答学生可能提出的所有问题，并帮助学生更深入地理解课程内容。可能需要来自媒体或技术专家的额外支持。最重要的是，在这个模型中，教师与学生以及学生与学生之间协作成为至关重要的一点。

总结

四要素教学设计模型基于对认知学习和专业知识的研究。它为设计用于发展复杂技能的技术系统提供了一个框架。根据该模型，体验应该逼真，并且任务应该越来越真实；例如项目、案例和场景。给予学习者的指令应该侧重于实践，而不是信息提供。这些要素将反复练习，直到达到所需的自动程度，不再需要任何脚手架。一旦孩子完成了所有四个要素，就可以说他们掌握了知识或活动。最重要的是，4C/ID 模型并不传播无错学习的概念。4C/ID 模型应该用于开发复杂技能的培训计划，以及当迁移是首要的学习成果时。此模型并非为教授概念知识或程序技能而开发，也不适用于设计非常短的程序。尽管进行了所有这些研究，但对四要素教学设计模型的研究仍在继续。

协作学习

通过技术系统的一部分协作学习

随着技术的不断发展，其在个人获取和共享信息方面的应用也越来越广泛。协作学习，即通过同伴/小组共享和学习知识，已成为通过技术系统进行不同交互的焦点。社会互动是认知发展的重要因素。学生与同伴和教师的互动是这些交流中最重要的部分之一。 然而，一个问题出现了，技术如何帮助或融入这些类型的互动？好的技术设计可以帮助学生注意我们认知系统的工作原理，例如注意力、工作记忆和长期记忆，以及复杂认知技能的发展方式。这方面的一个例子是需要支持性和即时 (JIT) 信息、指导和脚手架，以实现有效的学习策略。需要记住的是，好的设计系统与我们的认知系统协同工作。本节将细分为不同的技术设计模型，以及协作学习在这些系统中可能有效或无效的方式，这些模型将分为以下类别：向专家学习、与同伴学习、探究式学习、创造性学习和游戏化学习。协作学习被认为是教师和学生在教育和信息传授或分享方面的宝贵工具。它让学生体验与其他同伴合作的感觉。然而，尽管它被认为是一个很好的系统，应该融入课堂，但它确实有一些缺陷，并且仍在不断发展，以期为教师和学生找到最有效的应用方式。教师不应该过分依赖这些类型的技术系统，但它们可以很有用，并且提供信息。

在讨论各种技术系统及其可能的含义时，首先要考虑的问题是如何学习？人们经常看到，许多学生在学习信息方面存在困难，因为他们更专注于记忆而不是理解。 然而，诺贝尔奖获得者赫伯特·西蒙说过一句很经典的话：“‘知道’的含义已经从能够记住和重复信息转变为能够找到和使用信息。” 为了让学生更好地理解学科内容，他们必须拥有扎实的知识基础，在概念框架的背景下理解事实和想法，并以有利于检索和应用的方式组织知识。在知识方面，这具体意味着什么？拥有扎实的知识基础意味着学生了解哪些信息是真实的，并且与他们正在学习的内容相关。在概念框架的背景下理解事实和想法意味着学生理解材料所处的环境，以及它与该主题的关系。以有利于检索和应用的方式组织知识，意味着帮助学生利用他们已有的或正在学习的知识，并将这些知识应用到其他领域或主题。然而，这些要求在课堂上或课程中实施时确实存在一些困难。这对教师来说很困难，因为学生带着对他们已经了解的知识的先入为主的观念走进课堂。此外，教师需要教授一定数量的信息，当他们需要深入探讨每个主题或多次重新教授某些领域时，这就会变得很困难。随着学生继续他们的学业生涯，许多教师认为他们已经从之前的几年学习了某些内容，但这并非总是如此。有些学生可能觉得自己落后了，或者太害怕提问和寻求帮助。这就是技术系统能够发挥作用的地方，或者至少可以减轻教师的压力，让学生在课堂上或课余时间使用这些系统。现在，这些技术系统并非要取代教师，而是要补充教师的教学。它们的任务不是成为学习的基础，而是充当一种复习工具，帮助学生应对考试或项目。过分依赖这些技术系统的教师可能会失去很多内容和互动，而这些内容和互动只有从一个真实的个体那里才能获得。认为技术可以取代教师并非看待正在创建的系统的正确方式，它们应该被视为一种工具，可以帮助那些利用它们的人。

简单介绍一下这些系统是什么：

向专家学习：认知导师 & 远程指导

第一种技术系统是向专家学习，有两个例子被称为认知导师和远程指导。认知导师是一种“支持‘在做中学’的智能导师” 。认知导师基于 John Anderson 的 ACT 理论。该理论包含三个主要原则，第一个是程序性-陈述性区分，第二个是知识编译，第三个是通过练习强化。 认知导师的主要重点是监控学生的学习，并在学生需要时提供针对性的反馈。认知导师的主要关注领域是数学和计算机编程。这能够帮助学生更好地理解材料，同时以自己的速度学习，他们还可以与他人合作解决问题并共同完成工作。一项关于认知导师的研究是由 Kenneth R. Koedinger 完成的，名为“智能辅导走进大城市学校”。在这项研究中，“匹兹堡城市数学项目 (PUMP) [已经] 开发了一个代数课程，其核心是关注对现实世界情况的数学分析和计算工具的使用。我们创建了一个名为 PAT 的智能导师来支持该课程，并在匹兹堡的 3 所学校的 9 年级代数课程中成为常规的一部分。PAT 有用是因为它能够帮助那些在课堂上难以学习的学生。在 1994-95 学年，PAT 课程扩展到包含 10 个课程和 214 个问题情况。学生每周两天在计算机实验室学习，以自定进度使用 PAT。与 93-94 学年相比，学生在导师上的时间将增加一倍以上（从大约 25 天增加到 70 天）。” 远程指导，更广为人知的是“电子指导”或“在线指导” ，为学生提供了与他人合作的机会，解决他们可能遇到的课程材料问题。指导互动发生在学生遇到的问题和他们想到的问题上。远程指导的一个缺点是学生无法与同一个成年人反复合作。虽然他们在进行协作，但他们无法与导师建立联系，而有些学生则与老师建立了联系。他们无法与老师进行面对面的互动，与虚拟地与个人交流/学习相比，这种联系是不同的。这对于认知导师来说也是一个缺陷，通过任何软件学习都不会与老师或导师建立联系，并且会感觉存在脱节。

与同伴学习：知识论坛 & 星爆

知识论坛是一个协作平台，供学生在想法的基础上进行构建。它强调社区而不是个人。知识论坛是一个地方，学生或个人可以在那里创建知识库，并在那里进行高度的协作。知识论坛的主要组成部分是称为笔记和视图的东西。 视图是组织个人做出的笔记的一种方式，可以是概念图、图表或任何以视觉方式添加结构的东西。笔记出现在这些结构中。这也很棒，因为它涉及视觉学习的概念，因为通过图表和地图，学生能够连接想法并看到连接是如何建立的。这是一种让所有学生在一个主题上共同合作，并在不断增长的数据库中提供信息的方法。然而，知识论坛并不是学生和个人应该获取知识体验的唯一地方。通过书籍和讲座学习材料，以及参加实地考察，可以让个人更好地理解和获得不同的视角。知识论坛只是一个数据库，主题在其中塑造和发展。类似于知识论坛，星爆也为学生提供了一个地方，让他们通过数据库与他人合作，共同分享想法。然而，星爆思想像网络一样扩展，越来越大。这两种系统主要侧重于同行互动和个人之间的协作，以便知识能够构建和增长。一项使用知识论坛进行的研究是由 Carol 和 Yuen Yan Chan 完成的。他们的研究直接摘自他们撰写的文章：“样本包括来自香港八所中学的 521 名一至六年级（12-17 岁）的中学生。这些参与者参与了关于计算机支持的知识构建的研究项目。样本包括 322 名男性和 199 名女性学生，其中 216 名来自初中（7-9 年级，12-14 岁）和 305 名来自高中（10-12 年级，15-17 岁）。香港的学生根据他们的学业成绩被分流到不同的组别；有 267 名学生来自高组学校，254 名学生来自低组学校。这项研究是在香港大学-学校伙伴关系项目的背景下进行的，该项目旨在为香港的小学和中学教师开发知识构建的教学法。该项目的背景包括大学研究人员/导师为教师提供专业发展。全年定期举行研讨会，帮助教师更好地理解知识构建的认识论和教学法；项目教师小组集体规划课程；以及大学研究人员和教师进行课堂访问。关于知识构建的教学法，在典型的知识构建课堂上，学生通常从识别探究领域开始，并提出他们的想法和问题，“让想法公开”以进行集体改进，这得到了强调 。在亚洲课堂上，学生体验作为社区共同工作尤其重要。在这个项目中，课堂和在线话语相结合，学生在进行协作探究时为知识论坛贡献笔记——提出问题、提出想法和理论、在别人的想法基础上进行构建，以及共同构建解释以推进他们的集体知识。数据收集自两份问卷，分别调查了学生对协作和在线学习的看法，以及他们喜欢的学习方式。在检查问卷数据后，我们排除了显示变异响应的关于在线学习的项目，并将重点放在关于知识构建和学习方式的问卷项目上。我们还利用从分析工具包中获取的知识论坛使用统计数据来检查他们在线论坛的参与度。分析工具包版本 4.6 提供了多达 27 种分析，以显示学生在知识论坛数据库中如何相互互动。我们从以前的研究中选择了一些最常用的指标，包括那些已被归类到具有良好结构效度的论坛写作质量总体指标中（例如，van Aalst & Chan, 2007; Lee et al., 2006; Niu & van Aalst, 2009）。指标如下：（i）撰写的笔记数量：这被包括在内，因为它是最常用的衡量在线参与度的指标。（ii）支架：该指标指的是使用的支架（思考提示）的数量。知识论坛包含诸如“我需要理解”、“一个更好的理论”和“将我们的知识整合在一起”等支架。支架帮助学生构建想法，并将他们的想法传达给其他人进行互动和对话。（iii）修订：记录了学生尝试修订他们的笔记。从知识构建的角度来看，修订显示了对处理想法更深入的方法。他们没有采用线性方法，而是根据社区的贡献重新审视和修订想法。（iv）阅读的笔记数量：阅读的笔记数量被认为对评估社区意识很重要；如果不了解其他人写了什么，就无法进行对话（Zhang 等人，2009）。（v）构建笔记的数量：该指标不同于发布笔记的数量，它指的是对先前笔记的回应。该指标提供有关参与者之间互动的更多信息。（vi）关键词：学生可以在知识论坛上撰写笔记时添加“关键词”。其他参与者可以使用这些关键词搜索有关类似主题的相关笔记。关键词的使用反映了领域知识和社区意识，因为学生试图让他们的工作更容易被其他成员访问。”

通过探究学习：锚定教学 & WISE

锚定教学最好的例子被称为“贾斯珀·伍德伯里探险系列”。这些系列是复杂的基于视频的问题，它被创建是为了让每个贾斯珀探险都专注于一个需要解决的复杂的以数学为导向的问题。由于这些数学问题非常复杂，因此通常很难单独解决。在共同合作时，学生能够提出多个正确解决方案，并需要提供证据来证明他们认为自己的解决方案是正确的。这涉及学生之间的协作，以提出对给定问题的各种解决方案，因为没有唯一的正确答案。学生可以通过 WISE（基于 Web 的探究科学环境）共同合作解决问题。学生在基于 Web 的环境中共同工作，并讨论与全球变暖或回收相关的问题。在 WISE 中，老师可以发挥支持作用，并监控学生提供的解决方案。“WISE 提供有关主题的证据和提示；笔记、可视化、讨论和评估工具；以及促进协作、反思和解决方案设计的提示” 锚定教学中的主要思想是学生通过构建理解来学习，以及在情境中学习。也会发生生成性学习，这就是创建子目标的地方。像 WISE 这样的程序的主要思想是学习是有意图的，并且学生在回答问题时会整合先前知识。

通过创作学习：Scratch

学习通过创造的一个例子是Scratch程序。它是一个以媒体和视觉为主的网站。在Scratch中，学生可以单独或小组合作，为在线社区制作视觉效果程序。他们可以相互分享这些视觉效果。在Scratch中，学生可以控制和利用物体进行思考，以及从自己的想象中创造事物。他们可以在视觉创作中加入音频。学生共同创作这些作品，可以在课堂上作为项目的一部分进行分享，或者老师可以根据他们正在学习的主题或话题来进行创作。这有助于学生进行创造性思考和合作。一个例子是，想象你在八年级历史课上，为了期末项目，你需要选择在本学期学习到的一个主题，并创建它的视觉表现形式。无论项目是小组完成还是个人完成，你和组员一起讨论，决定使用Scratch程序。你们开始创建不同的角色，例如受伤的人、士兵等等。你和你的组员讨论想法，然后开始逐步创建每一个想法。慢慢地，你们小组头脑中的画面正在以创造性的方式变成现实。你现在能够看到你在视觉画面中学到的历史片段，并且可以与你的其他同学分享。

通过游戏学习: Quest Atlantis

学生可以合作的另一种方式是通过游戏，Quest Atlantis就是一个例子。这个游戏为学生提供了不同的场景和领域，让他们在其中冒险，他们会遇到问题和任务，需要从这些问题和任务中做出选择并解决。这是一个引人入胜的游戏，但它可能不适合课堂，而更适合学生的课余时间。这个游戏的背景最适合提供**情境学习**; 这是从社会关系中获得的学习，并将先前知识与新的情境联系起来。

通过使用计算机程序进行协作学习是让学生参与材料的另一种好方法。它确实存在一些局限性，比如如何在课堂上使用和整合。老师可能没有足够的设备供学生使用，而且学生可能会失去集中力，开始玩程序。对于那些在出现问题时提供提示的程序来说，学生可能会不断地获得提示，而根本不尝试自己解决。尽管这些技术系统存在积极的一面，但我们也必须考虑其负面影响。如前所述，这些系统不应该成为学生学习的主要基础，而应该作为学生和老师使用的补充工具。

术语表

认知负荷理论: 由John Sweller提出的理论，侧重于工作记忆和教学。

认知导师: 一种支持“通过实践引导学习”的智能导师。

协作学习: 通过同伴/小组分享和学习知识。

专长逆转效应: 由于认知负荷增加，支持和教学方法对个人产生负面影响的阶段。

外来认知负荷是指工作记忆受到材料呈现方式的影响。

相关认知负荷: 指工作记忆用于处理与所呈现信息相关的内在认知负荷的数量，仅与学习者的特征相关。

内在认知负荷: 指信息的呈现方式。

非重复性技能: 需要付出努力、容易出错、容易过载并需要集中注意力的任务; =模式。

重复性技能: 对应于程序; 它们几乎不需要努力，由数据驱动，并且几乎不需要有意识的注意力。

情境学习: 从社会关系中获得的学习，并将先前知识与新的情境联系起来。

任务类别: 从简单到复杂或有意义的任务的原则。

建议阅读

• Bransford, J. D., Brown, A. L., & Cocking, R. R. (2000). How people learn. Washington DC: National Academy Press. (pp. 1-50)
• Chan, C. Chan, Y. (2010). Students’ views of collaboration and online participation in Knowledge Forum. Computers & Education, Vol 57(1), Aug, 2011. pp. 1445-1457
• Sarfo, F., & Elen, J. (2007). Developing technical expertise in secondary technical schools: The effect of 4C/ID learning environments. Learning Environ Res Learning Environments Research, 207-221. doi:10.1007/s10984-007-9031-2

参考文献

• Anderson, J., Corbett, A. T., Koedinger, K. R., & Pelletier, R. (1995). Cognitive tutors: Lessons learned: Journal of the Learning Sciences, 4(2), 167-207.
• Anderson, J. R., Hadley, W. H., Koedinger, K. R., & Mark, M. A. (1997). Intelligent tutoring goes to school in the big city. International Journal of Artificial Intelligence in Education (IJAIED), 8, 30-43.
• Barab, S. A., Dodge, T., & Ingram-Goble, A. (2008). Reflexive play spaces: A 21st century pedagogy. Games, Learning, and Society, Cambridge University Press, Cambridge, MA.
• Bruning, R. H., Schraw, G. J., & Norby, M. M. (2011). Cognitive psychology and instruction (5th ed.) Pearson.
• Bollen, L., Harrer, A., Mclaren, B. M., Seawall, J., & Walker, E. (1995) Collaboration and Cognitive Tutoring: Integration, Empirical Results, and Future Direction
• Bransford, J. D., Brown, A. L., & Cocking, R. R. (2000). How people learn. Washington DC: National Academy Press. (pp. 1-50)
• Craig, S., Gholson, B., & Driscoll, D. (2002). Animated pedagogical agents in multimedia educational environments: Effects of agent properties, picture features and redundancy. Journal of Educational Psychology, 94(2), 428-434. doi:10.1037//0022-0663.94.2.428
• Chan, C. Chan, Y. (2010). Students’ views of collaboration and online participation in Knowledge Forum. Computers & Education, Vol 57(1), Aug, 2011. pp. 1445-1457
• Kevin O'neil, D., & Harris, J. B. (2004). Bridging the perspectives and developmental needs of all participants in curriculum-based telementoring programs. Journal of Research on Technology in Education, 37(2), 111-128
• Mayer, R.E., Heiser, J., & Lonn, S. (2001). Cognitive constraints on multimedia learning: When presenting more material results in less understanding. Journal of Educational Psychology 93(1), 187-198.
• Merriënboer, J., Clark, R., & Croock, M. (2002). Blueprints for complex learning: The 4C/ID-model. ETR&D Educational Technology Research and Development, 50(2), 39-64.
• Sarfo, F., & Elen, J. (2007). Developing technical expertise in secondary technical schools: The effect of 4C/ID learning environments. Learning Environ Res Learning Environments Research, 207-221. doi:10.1007/s10984-007-9031-2
• Scardamalia, M., & Bereiter, C. (2006). Knowledge building: Theory, pedagogy, and technology. In R. K. Sawyer (Ed).The Cambridge handbook of the learning sciences (pp97-118). New York: Cambridge University Press.
• Salisbury, D.F., Richards, B.F., & Klein, D. (1985). Designing practice: A review of prescriptions and recommendations from instructional design theories. Journal of InstructionalDevelopment, 8(4), 9- 19.
• Schnotz, W., & Rasch, T. (2005). Enabling, facilitating, and inhibiting effects of animations in multimedia learning: Why reduction of cognitive load can have negative results on learning. ETR&D Educational Technology Research and Development, 53(3), 47-58.
• Sweller, J. (2010). Element Interactivity and intrinsic, extraneous, and germane cognitive load. Educational Psychology Review 22(2), 123-138. doi: 10.1007//s10648-010-9128-5.
• Sweller, J., van Merrienboer, J., & Paas, F. (1998). Cognitive Architecture and Instructional Design. Educational Psychology Review, 10(3), 251-296. doi:1040-726X/98/0900-0251S15.00/0
• van Merrienboer, J., & Ayres, P. (2005). Research on cognitive load theory and its design implications for e-learning. Educational Technology Research and Development 53(3), 5-13.