CSCL如何影響大學生數字化學習韌性——認知負荷的中介效應分析

摘    要：大數據、人工智能等數字技術和教育深度融合，賦能數字化教育轉型升級。學習韌性是影響數字化教育成就的重要因素，深受國內外研究者重視，但學界對于數字化學習韌性的影響機制的認識尚未統一。以4市6所高校438名大學生為調查對象，運用描述性統計與相關分析、結構方程模型及Bootstrap中介效應檢驗法，探索CSCL對大學生數字化學習韌性的影響機制，以及認知負荷在影響機制中的中介效應。研究結果表明，大學生整體數字化學習韌性不強；CSCL與認知負荷顯著負相關、與數字化學習韌性顯著正相關；認知負荷能夠顯著預測大學生數字化學習韌性，并在CSCL對大學生的數字化學習韌性的影響中起部分中介效應。增強大學生數字化學習韌性，亟須創設人機協同的CSCL群智空間、重塑旨在降低認知負荷的精準化教學形態、構建旨在提高大學生數字化學習韌性的個性化教育生態，進而規避學業風險。

關鍵詞:數字化學習; CSCL;學習韌性;影響機制;認知負荷;

How CSCL Affects Digital Learning Resilience of College Students- -Analysis of

Mediating Effects of Cognitive Load

MAN Shujie JIANG Qiang

LIQi ZHAO Wei

Northeast Normal University

Abstract：The deep integration of digital technologies and education, such as big data and artificial intelligence, has empowered the transformation and upgrading of digital education. Learning resilience is an important factor affecting the achievement of digital education, which is highly valued by researchers at home and abroad, but the understanding of the influence mechanism of digital learning resilience in academia has not been unified. Taking 438 college students from six universities in four cities as the respondents, the article used descriptive statistics and correlation analysis, structural equation modeling and Bootstrap mediation effect test to explore the influence mechanism of CSCL on college students' digital learning resilience and the mediation effect of cognitive load in the influence mechanism. The results showed that the overall digital learning resilience of college students was not strong; CSCL was significantly negatively correlated with cognitive load and positively correlated with digital learning resilience; cognitive load significantly predicted college students' digital learning resilience and partially mediated the effect of CSCL on college students' digital learning resilience. To enhance the digital learning resilience of college students, it is urgent to create a human-computer collaborative CSCL group intelligence space, reshape the precise teaching form to reduce cognitive load, and build a personalized education ecology to improve the digital learning resilience of college students, so as to avoid academic risks.

Keyword：Digital Learning; CSCL; Learning Resilience; Influence Mechanism; Cognitive Load;

一、引言

CSCL（Computer Supported Collaborative Learning）是指利用計算機技術來輔助和支持協作學習[1]，其過程中學生認知負荷的動態變化及活動的不斷優化設計會影響學生在線學習的積極性和持續性。大數據、人工智能等新一輪數字技術在推進CSCL帶來新方法、新理念的同時，也帶來了線上人際交互復雜、數字化學習資源混雜、網絡環境動態變化等問題[2]。學生注意力渙散、臨場感缺失、負荷失衡，學習動機和學習興趣逐漸變弱，深刻影響著大學生的數字化學習韌性。數字化學習韌性是指學生在在線學習過程中成績不佳或遇到挑戰時有效應對挫折和壓力的能力。黨的二十大報告中明確提出了要著力提升韌性、推動高質量發展[3]，而據哈佛大學與麻省理工學院合作研究的數據顯示，在122個提供免費認證課程的280萬參與者中，課程完成率中位數低至3%[4]。因此，增強大學生的數字化學習韌性成為了教育改革的當務之急。國務院印發的《“十四五”數字經濟發展規劃》[5]明確提出要深入推進智慧教育，推動教育數字化轉型。精準探索CSCL對大學生數字化學習韌性的影響并揭示其影響機制，促進大學生在線學習的體驗感和歸屬感，進而讓更多大學生有持續在線協作學習的意愿，這不僅符合國家教育方針政策，而且也有助于推動高等教育數字化轉型。

現階段有關學生學習韌性問題的研究多集中在對學習韌性的測量、學習韌性現狀分析及對策的制定、預測模型研究、學習韌性的影響因素研究等，而從CSCL視角探索大學生數字化學習韌性的研究較少。少數研究發現學習環境特征、語境特征（如學習內容、任務難度）以及同伴互動是影響學生學習韌性的重要因素。如劉妍[6]等基于扎根理論歸納出環境特征、學習者特征、語境特征、關系特征是學習毅力的重要影響因素，認為數字學習環境通過促進學生思維從而有助于學習者堅定地完成學習任務。Loes等[7]指出協作學習會促進更高水平的與同伴之間的積極互動，從而影響大學生學習的持續性。但這些研究都未從實證的角度去深刻揭示CSCL對大學生數字化學習韌性的影響機制。本研究認為當前大學生高輟學率、低堅持率的根本原因就在于其數字化學習韌性不強。通過對大學生數字化學習韌性影響因素的實證探索有利于揭示大學生的“低堅持率”的原因并提出解決策略，有助于緩解大學生在線學習中輟學率過高的問題。CSCL作為一種重要的數字化學習方式，以其高交互性以及協作便利性等特點為學生提供了良好的認知情境，是測量大學生數字化學習韌性的解釋變量。因此，基于認知負荷的中介作用，本研究探索了CSCL對大學生數字化學習韌性的影響機理，這在一定程度上補充了大學生數字化學習韌性影響機制研究的理論基礎。

綜上，本研究以4市6所高校的大學生為調查對象，采用描述性統計與相關分析及結構方程模型、Bootstrap中介效應檢驗法進行數據分析，揭示了大學生整體數字化學習韌性情況及CSCL、認知負荷和大學生數字化學習韌性之間的關系，探究了CSCL對大學生數字化學習韌性的影響及其作用機理及認知負荷在CSCL與大學生數字化學習韌性之間的中介效應，進而為提高大學生的數字化學習持續性提供實踐建議。

二、理論回顧與假設推演

（一）CSCL與大學生數字化學習韌性

CSCL是在計算機支持下的協作學習，是教育信息化背景下的主要教育教學方式。CSCL包含目標、任務、交互、資源和評價等五個方面的設計[8]，具體表現為個人目標及小組目標的制定、協作任務的安排、交互方案的設計、學習資源的分配以及評價機制的應用。數字化學習韌性體現的是學習者對在線學習環境中各項設計的認同感與適應感。良好的在線學習氛圍有助于提升學生的學習動機，增強其持續在線學習的意愿。學生學習持續性深受教學設計及學習環境等因素的影響。教學與學習風格之間不匹配將會導致學生持續學習的積極性不高[9]；在線學習環境中的學習評價、學習交互等因子設計不當，將會影響學生持續在線學習的意愿[10]；單調的學習網頁設計以及簡單的人機交互，也會使得大學生在線學習興趣不高、學習投入度較低[11]。而優化CSCL人為環境則會通過降低學生的認知負荷來提高學生持續在線學習的意愿[12]。當CSCL賦予學生足夠的學習興趣、學習動機并且給予學生較高的自我效能感時[13]，學習者便會增強其數字化學習韌性，即使遇到挫折也會保持積極的情緒，不喪失對現階段以及未來的希望，保持堅定的學習決心的優良品質。

本研究據此提出假設：

H1：CSCL與大學生數字化學習韌性顯著正相關。

（二）CSCL與認知負荷

認知負荷是指完成一項學習任務所需的總工作記憶資源，分為內部認知負荷、外部認知負荷以及相關認知負荷[14]。學生的認知負荷深受所處學習環境氛圍的影響，一種新的認知負荷模型[15]證明了物理學習環境中的環境刺激會對學習者的工作記憶產生影響。李哲[16]對比了平臺中不同的內容呈現方式對不同認知風格學生認知負荷的影響，結果發現適合學生認知風格的內容呈現方式會帶來更小的認知負荷。Paas[17]等揭示了學生特征、學習任務特征及二者之間的相互作用是認知負荷的主要影響因素，教育者應始終秉承學生個性化發展的理念進行教學設計，以提升學生的在線學習積極性?；谡J知負荷理論的有關研究指出，協作任務的復雜度是影響小組工作記憶的信息處理的重要因素[18]，對于復雜的任務，在協作學習環境中更容易充分地利用認知負荷從而發生有意義的學習[19]。由此可見，CSCL的構建是影響學生認知負荷的重要因素，自適應、個性化的學習環境的創設能夠最優化分配小組的集體工作記憶，從而在整體上降低學生的認知負荷。

本研究據此提出假設：

H2：CSCL與學生認知負荷顯著負相關。

（三）認知負荷與數字化學習韌性

認知負荷理論認為若認知負荷的總量超過工作記憶所承受的范圍，則會造成認知負荷超載，從而導致學習失敗[20]。伴隨著學習工具、學習形式、學習資源的豐富多樣化，不符合學生認知水平發展的方案在無形中給學生帶來了額外的認知負荷，進而造成學生認知超載。此外，深受學校教學條件、技術發展水平的制約，數字化學習環境中資源的應用[21]、學習者交互方式[22]、協作腳本的設計[23]等往往不能滿足學生個性化學習的要求。其所帶來的冗余信息需要學生投入較高的認知負荷，從而引起學生的消極情緒而減少學習探究的興趣。重塑精準化教學形態旨在降低學生認知負荷的在線協作學習方式，因此成為了推動數字化教育轉型升級的關鍵。Plass[24]等討論了學習過程中情緒與認知負荷的四種聯系方式，為提升學習效果提供了新的視角；Klepsch[25]等基于認知負荷理論通過探究不同類型負荷的測量方式對教學設計的影響，以便優化學習過程；Yu[26]研究發現，教師在教學視頻中出現的頻率和方式會影響學生的認知負荷，進而影響其學習成就；高媛[27]等從知識、技術、策略以及學習者四個要素如何構建智慧學習環境來降低認知負荷進行了深入解讀。由此可以推斷，學習中的認知負荷對學生數字化學習韌性有一定的影響。教學設計者只有構建出全面的大學生認知發展支持體系，才能增加對學生的學習吸引力。因此，大學生的認知負荷的高低會顯著影響其數字化學習韌性的強弱。

本研究據此提出假設：

H3：學生的認知負荷與學生數字化學習韌性顯著負相關。

（四）認知負荷的中介作用

根據現有研究結果發現，成功的協作學習可以幫助學生管理內部認知負荷[28]，降低外部認知負荷以及促進相關認知負荷[29]，從整體上降低認知負荷。如Lange等[30]研究發現，成功的在線協作學習可以正向影響相關認知負荷；認知負荷可以顯著預測學生的學習毅力。有研究指出，認知負荷與人們完成任務的時長、最終的質量[31]、學習投入度、學習成就以及學習持久性有一定的關系[32]。但是目前學界對于CSCL與認知負荷以及認知負荷與學習韌性的實證關系研究幾乎空白。學生在線學習體驗感及交互中所產生的歸屬感是影響大學生持續在線協作學習的關鍵因素，CSCL環境的創設會影響大學生臨場感的塑造以及歸屬感的建構。這種歸屬感是大學生積極情緒生成的重要原因，進而會影響其持續在線學習的積極性。因此，CSCL是認知負荷的重要前因變量，學習韌性是認知負荷的重要結果變量。高質量的CSCL環境使得小組集體工作記憶分布優勢得到充分發揮，對大學生的歸屬感及體驗感的產生有著促進作用?？偠灾?，CSCL創設得越好，大學生學習過程中的認知負荷就會越低，其數字化學習韌性也會越強。

本研究據此提出假設：

H4：大學生學習過程中的認知負荷在CSCL對大學生數字化學習韌性的影響中存在中介效應。

三、研究設計與方法

（一）調查程序與研究對象

課題組采用簡單隨機抽樣的抽樣方法，按照學校層次、學校所在的城市等級進行樣本的篩選，最終選擇了四個城市中的六所高校的大學生為研究對象，分別為長春市A院校、合肥市B院校及C院校、淮北市D院校及E院校、上海市F院校，其中重點本科院校兩所，普通本科院校兩所，?？圃盒伤?。通過網絡調查平臺共回收有效填答問卷438份。在所調查的對象中，男生占46.6%，女生占53.4%；18歲以下占比為12%、18~22歲為68.2%、22歲以上為19.8%；理科生占56.6%，文科生占43.3%。

（二） 研究工具和變量

1.CSCL量表

本量表參考鄭蘭琴[8]等所提出的在線協作學習設計模型及分析模型，從學習目標、協作任務、交互設計、資源安排及評價策略五個維度編制問卷。其中，學習目標維度側重于對CSCL中個人目標及小組目標的測量；協作任務維度側重于測量CSCL中任務難度、任務要求是否科學合理；交互設計維度主要關注CSCL中角色分配以及交互策略設計是否得當；資源安排維度重點關注CSCL中腳手架、學習共享空間是否合理有效；評價策略維度側重于測量CSCL中評價方法、評價工具的使用情況，各維度分別有3個題目，共15題。量表采用李克特五點計分，均為正向題。量表得分的高低代表CSCL建設的好壞程度。量表樣題如“我認為在我所處的計算機支持的在線協作學習中，我非常清楚我個人的學習目標”；“我認為在我所處的計算機支持的在線協作學習中，我和小組成員能夠按時完成任務”；“我認為在我所處的計算機支持的在線協作學習中，每個成員都扮演著不同的角色并且承擔著各自的責任”；“我認為在我所處的計算機支持的在線協作學習中，平臺中具有一定數量能夠促進、激勵我們小組學習的工具”；“我認為在我所處的在線小組合作學習中，不僅有總結性評價，還有過程性評價”。

2.認知負荷量表

本量表參考借鑒國外學者Paas[33]等開發的認知負荷量表（即PAAS量表，其信度系數為0.90），同時結合大學生的在線學習特點編制。量表采用李克特九點計分，共三題，均為正向題。量表的高低反映了學生認知負荷的高低。量表樣題如“你認為在你所處的計算機支持的在線協作學習中學習材料的難度如何”；“你在所處的計算機支持的在線協作學習環境中投入的心理努力有多少”。

3.大學生數字化學習韌性量表

本研究量表參考了Cassidy[34]等編寫的多維測量學術韌性量表（即ARS-30，其信度系數為0.90），同時結合了大學生的特點進行編制。量表涉及三個維度：學習毅力、反思與求助、情緒反應，每個維度3個題項，共9題。量表采用李克特五點計分，均為正向題。量表得分的高低反映了學生數字化學習韌性的強弱。量表樣題如“在所處的計算機支持的在線協作學習環境中，遇到困境，我會嘗試新的解決方案去解決問題”；“在計算機支持的在線協作學習環境中，遇到困境，我會從老師和同學那里尋求幫助”；“在計算機支持的在線協作學習環境中，遇到困境，我不會感到所有的事情都很糟糕”。

（三） 數據分析思路

在進行數據分析之前，本研究采用了Harman單因子法進行檢驗與控制可能存在的共同方法偏差問題，結果發現有9個因子的特征值大于1，第一個主因子對變異量的解釋遠小于臨界值40%，且使用AMOS進行驗證性因子分析的結果表明模型擬合度較差，表明共同方法偏差問題不嚴重。在數據分析時，本研究首先使用探索性因子分析（EFA)及驗證性因子分析（CFA）進行量表信效度檢驗；其次，使用了描述性統計和相關關系探究不同變量之間的關系；最后，為了探究CSCL、大學生數字化學習韌性及認知負荷之間的關系，使用了結構方程模型以及Bootstrap中介效應檢驗法。

四、研究結果

（一）信效度檢驗

本研究使用SPSS22.0和AMOS24.0對量表進行信效度檢驗（見表1）。從信度上看，模型中各變量的Cronbach's α系數均大于0.75（最小為0.77），且CFA結果顯示各變量的組合信度均大于0.7（CR最小為0.77），說明量表信度符合研究標準。從效度上看，模型中各變量的KMO值位于0.70到0.73區間，大于0.7的檢驗標準，說明問卷效度良好，同時，通過CFA結果發現平均提取方差值（AVE）均大于0.5（見表1下方三角矩陣的對角線），AVE的平方根大于各變量間的相關系數值，且因子載荷系數值均大于0.5（最小為0.70），說明量表題目與其所對應的維度對應關系良好，量表區分效度符合檢驗標準。

表1 CSCL、認知負荷、學習韌性各維度的描述性統計和信效度檢驗（n=438）

（二）描述統計與相關分析

通過描述性分析結果發現（見表1），CSCL中各變量的平均得分位于3.08至3.61之間，高于中等水平（以3為中值進行比較），表明學生對所處CSCL學習空間的體驗感良好；認知負荷平均得分為4.79，低于中等水平（以5為中值進行比較），說明學生在所處學習環境中認知負荷水平較低；大學生數字化學習韌性各變量平均得分位于3.18至3.37之間，略高于理論中值，說明大學生具有一定的持續克服數字化學習困難的能力。通過相關性分析，如表1左下方三角矩陣所示：CSCL中各變量與認知負荷之間存在顯著的負相關、與學習韌性中各變量間存在顯著的正相關；認知負荷與學習韌性各變量之間存在顯著的負相關關系。除協作任務與其他各變量、資源安排與評價策略及反思與求助之間呈現弱相關關系外，其他變量之間的相關關系均呈中等強度。

（三）結構方程模型檢驗

為了進一步探究CSCL、認知負荷及大學生數字化學習韌性之間的假設關系，研究采用結構方程模型進行分析（見圖1）。結果顯示x2/df的值為1.288（小于5）；RMSEA為0.026（小于0.08）；PNFI為0.824（大于0.5）且IFI（0.982）、CFI（0.982）和GFI（0.938）均大于0.9，指標達到理想標準，說明模型擬合情況較好。此外，結構方程模型分析結果表明：CSCL顯著正向預測大學生數字化學習韌性，假設H1成立；CSCL顯著負向預測學生學習過程中的認知負荷，假設H2得到檢驗；認知負荷對大學生數字化學習韌性有顯著負向預測作用，假設H3得到支持。

除了結構方程模型直接預測作用以外，本研究還使用了PROCESS4.1插件以CSCL為自變量、以認知負荷為中介變量、以學習韌性為因變量進行中介效應分析。此外，考慮到控制變量可能對結果造成影響，研究將年齡、性別、專業類別等因素作為協變量進行分析。結果發現，控制變量對中介變量及因變量無顯著影響（p值均大于0.05)，在控制了性別、年齡、專業類別后，認知負荷在CSCL對數字化學習韌性影響中起到部分中介作用（見表2，95%的置信區間的上下限之間不包含0，說明認知負荷中介效應顯著），因此驗證了假設H4。各研究變量間的作用機制具體如下（參見表2中置信區間數值）：認知負荷在學習目標與學習毅力、情緒反應之間起到顯著的部分中介作用，在學習目標同反思與求助之間具有完全中介效應；協作任務通過認知負荷對學習毅力、反思與求助、情緒反應間接作用顯著；認知負荷在交互設計與學習毅力、情緒反應之間存在顯著的部分中介作用，在交互設計同反思與求助之間起到顯著的完全中介作用；在資源安排與學習毅力、反思與求助、情緒反應之間，認知負荷起著顯著的部分中介作用；評價策略通過中介變量對反思與求助間接作用顯著、中介變量在評價策略與學習毅力、情緒反應之間存在顯著的部分中介作用。綜上，CSCL既可以直接作用于學生的數字化學習韌性，也可以通過認知負荷的中介效應對學生的學習韌性施加影響，而CSCL中一部分變量則需要通過認知負荷的中介作用對學習韌性的各變量產生影響（認知負荷在CSCL中的協作任務與學生學習韌性中的學習毅力、反思與求助以及情緒反應之間呈現完全中介作用，在CSCL中的學習目標、交互設計及評價策略與學習韌性中的反思與求助之間存在完全中介作用），另一部分變量既可以直接作用于學習韌性中的變量，也可以通過認知負荷的中介作用間接影響學習韌性中的各變量。

表2 Bootstrap中介效應檢驗

五、討論與結論

本研究聚焦于探究CSCL、認知負荷和大學生數字化學習韌性之間的關系，主要研究了CSCL對大學生學習韌性的預測作用。研究結果支持了本研究的假設，即CSCL和認知負荷是影響大學生數字化學習韌性的關鍵因素，認知負荷在CSCL對大學生數字化學習韌性的影響中存在顯著的中介作用。

（一）大學生整體數字化學習韌性不強

研究發現，大學生數字化學習韌性平均得分3.3，處于中等水平，說明大學生在線協作學習中克服困難的決心不夠堅定，其數字化學習韌性有待加強。國內外學術界也頻頻指出學生在線學習低堅持率及高輟學率的問題[35,36]。數據分析顯示，首先，CSCL帶給學生的體驗感會影響大學生數字化學習韌性。Czerkawski[37]等研究表明，在設計高質量的數字化學習環境時，不同的模型、框架的設計與開發所帶給學生不同的體驗感將會影響到學生的參與度、積極性以及學業成功。雖然國家持續出臺了“發展智慧教育”“推動教育數字化”“教育信息化轉段升級”等相關文件與政策來推動數字教育的變革，但是相對忽視了CSCL學習生態的建設對大學生數字化學習韌性起到的重要作用。其次，學生的數字化學習韌性還與學生學習中的認知負荷有關。Feldon[38]等通過綜合相關的學術研究指出認知負荷是影響學習動機、信念形成的重要原因。但是學科底層模式的差異性決定了教學方法、手段、技術等的多樣性，由于教學設計不當，很容易造成學生認知負荷超載，最終導致學生持續數字化學習的意愿不強。因此，大學生的學習韌性很大程度上取決于CSCL的設計與學生認知發展水平的適應程度，也取決于學生所處的學習過程帶給學生認知負荷的高低。

（二）CSCL正向預測大學生數字化學習韌性

本研究結果表明，CSCL能夠顯著影響大學生數字化學習韌性。數字化學習環境帶給學生的自我效能感、感知有用性、教學存在感會直接或間接影響學生的學習持續性[39]。數字驅動的CSCL環境在促進優質教育資源共建共享、互聯互通的過程中逐漸實現更加包容、公平、高質量的教育，其高效率及靈活性不斷提高學生的信息素養，并在不經意間激發學生的學習動機、促進學生的學習投入進而推動深度學習的發生。當前，計算機支持的協作學習的建設深受技術發展水平以及設計者思想觀念的制約，無法個性化滿足學生發展的需要，不利于大學生數字化學習韌性的發展。調查數據分析表明，本研究所探討的CSCL中的學習目標、協作任務、交互設計、資源安排及評價策略都會對大學生數字化學習韌性產生直接或間接影響。

首先，明確的學習目標是學生意志和行動的標尺，為迷茫的學生指明前行的方向，進而激發學生勇往直前學習的決心和毅力?；乇苣繕藢绊憣W生的學習毅力，導致成績降低[40]。其次，CSCL中協作任務是影響學生集體工作記憶的重要因素。當任務包含的信息密度較高時，小組的認知效率更高[41]，學習積極性更高。此外，研究表明CSCL的交互設計既可以直接作用于學生的學習韌性，也可以通過認知負荷間接作用于學習韌性。Le[42]等也研究指出，協作交互中學生所具備的協作技能以及成員之間的熟悉度會影響協作學習的發生。協作中交互策略及交互方式的應用也會通過影響學生協作中的交互成本來影響小組工作記憶，進而影響個體學習的積極性。再次，技術作為支撐CSCL的重要依托為提供學習資源帶來了巨大的便利。然而，在海量的資源里要保障找到適合學生所在專題的學習資料的質量絕非易事，此外，精心設計并提供每一個專題的CSCL腳本也很困難。Vogel[43]等研究表明，適量的腳本供給與學習動機顯著相關，而過多或過少的資源都會在不知不覺中給學生帶來額外的認知負荷，繼而影響學生的積極情緒而導致一系列的情緒反應。最后，評價貫穿著整個教學過程，在各個教學階段都發揮著重要作用。支持反思性思維活動的評價策略能夠促進學生批判性思維的發展[44]，有助于激發學生的學習積極性、促進其產生較好的學習成就?？偠灾?，大學生的數字化學習韌性深受所處CSCL環境的影響，CSCL的建設與優化將會不斷增強大學生數字化學習韌性。

（三）認知負荷具備中介效應

研究結果發現，認知負荷在CSCL對大學生數字化學習韌性的影響中起著部分中介作用，即CSCL既可以直接影響數字化學習韌性，也可以通過認知負荷的中介作用間接影響大學生的數字化學習韌性，這與以往研究結果一致。有研究也探究了相關認知負荷在教學設計對學生未來行為意圖的影響中的中介效應，結果發現相關認知負荷中介效應顯著[45]。研究結果還表明CSCL給學生帶來的體驗感越好，學生的認知負荷越低，其數字化學習韌性越強。在精心設計的CSCL中，學生個體能夠積極地參與到協作學習中，與同伴之間形成相互依賴、相互依存的良性關系，從而激發個體作為小組成員的集體責任感以及收獲集體歸屬感。在這個過程中，良好的協作獲得感使得學生共用他們的集體工作記憶，這時小組協作中的協作認知負荷的分布優勢得到體現，小組整體認知負荷得到充分利用從而得到降低，因此，在此基礎上，學生在遇到困難時，求助于同伴或教師，亦或是通過自身的反思去積極應對問題的概率就會有所提升。倘若學生所處的CSCL環境無法滿足其個性化的需求，小組成員之間的集體認知負荷得不到充分利用，就會導致認知負荷超載，會使得大學生數字化學習毅力降低并產生一系列消極情緒反應?？傊?，大學生因缺乏對在線協作學習的認同感與歸屬感致使降低其學習的積極性，較高的認知負荷使其難以進行持續的數字化協作學習。

六、研究啟示與展望

黨的二十大對加快建設數字中國作出重要部署，利用大數據、互聯網、人工智能、云計算、區塊鏈等技術和教育深度融合，能夠賦能傳統教育轉型升級，進而催生新教學模式，優化我國數字教育。抓住數字轉型機遇，積極順應數字經濟全球化浪潮，對推進教育數字化具有重大意義[46]。本研究通過實證調查數據揭示了影響大學生數字化學習韌性機制，研究結果在理論和實踐上都具有一定的啟示。這是對以往研究的擴展補充，解釋了CSCL如何通過認知負荷預測大學生的數字化學習韌性?；诋斚赂叩冉逃龜底只D型的目標，提高大學生的數字化學習韌性應走向協同化、精準化和個性化。

（一）創建人機協同的CSCL群智空間

人機協同教育作為人工智能時代的重要產物，有利于促進教育數字化轉型、推動教育結構性變遷。人機協同的CSCL群智空間是協作會話、協作知識建構的重要場所，是提高學生認知責任進而共享集體智慧的關鍵要素。它既可以是數字化、網絡化、智能化的環境空間，也可以是支持情感交流、智慧碰撞進而實現意義建構的學習共同體?；跀祿治鼋Y論，有必要創設人機協同的CSCL群智空間，以便在增強學生的參與感、沉浸感、歸屬感中提高學生的數字化學習韌性及學習興趣。

首先，構建人機協同的協作學習模式。新理念和新技術在與教學要素的相互作用中不斷影響學習發生機制、變革數字化學習方式[47]，智能技術催生的教育新形態對教育變革提出了更新、更高的要求。缺乏新興技術支持的在線協作學習無法實現個性化資源推送、科學性學習決策、精準性學伴推送等服務，而基于人機協同的協作學習模式通過協同師生的智慧與機器的智能，不斷地為學生提供個性化學習支持、實現學習過程中的精準調控，重構了協作學習新生態。如教師可基于貝葉斯網絡挖掘算法對學習者的畫像進行個體認知風格的判斷，從而進行異質分組，這從根本上提高了小組成功知識建構的可能性。學生在人機協同模式下的學習過程中不斷進行集體認知加工與智慧共享，從而提升自身數字素養與技能。

其次，提供旨在增強集體認知責任的學習支架。集體認知責任是影響社區知識構建的重要動力，較高水平的集體認知責任有助于個體及集體的持續性發展。深受傳統教學理念的束縛，教師給予學生活動的主動權較小，進而導致了學生的協同知識建構的意識不強、集體認知責任不高。2022國際人工智能與教育會議明確指出教師在教育數字化轉型中的核心作用，教師應當積極發揮其創新能動性，引導人工智能賦能教育，提供適當的教學干預來優化CSCL學習空間，進而推動教育的升級提質。構建旨在增強集體認知責任的學習支架可從知識貢獻意識、互補的知識貢獻及知識貢獻的廣泛參與三個維度入手，分別提供相應的學習支架（如對話類型支架、集體認知責任概念圖）以推動學習者想法的共建共創共享。在高水平集體認知責任的驅動下，學生在社區中通過不斷的新舊經驗聯結、觀點改進、總結反思等階段實現協同知識建構過程[48]。

（二）重塑旨在降低認知負荷的精準化教學形態

容量有限理論認為人的記憶容量是有限的，若學生在學習的過程中一次性接收信息量過多，則會造成認知負荷超載，進而影響學生持續性的學習。協作認知負荷理論通過闡述小組學習中集體工作記憶與交互代價的關系，為降低CSCL的認知負荷提供了指導原則[49]，而基于大數據的個性化自適應學習則為降低學生認知負荷提供了可能[50]。

從學生特征來看，個體先驗知識、自我調節技能及協作技能對小組集體工作記憶起著決定性作用，相應能力的缺失不利于學生投入協作學習，同時也增加了協作中的交互成本。而基于大數據的學生學習風格及認知水平模型的建構，有助于提前分析學習者的特點進而提供與學習者相匹配的課前培訓知識與技能，實現精準化學習。

從小組特征來看，小組成員間的協作依賴關系、熟悉度及小組規模會影響CSCL的協作學習效果?；诮涷灪透杏X的分組方式無法充分發揮小組工作記憶的分布優勢，不利于小組知識建構。而個性化自適應系統根據學習者畫像，并結合其學習交互行為、興趣偏好、知識水平等，可為其匹配最優的協作伙伴，從而大大降低了協作中的交互成本。

從協作任務特征來看，任務的復雜度及相互依賴關系是影響小組協同知識建構的重要因素。個性化自適應系統通過全面跟蹤、記錄、分析小組成員的認知水平及學習基礎，為小組動態分配符合其能力的任務，有助于增加學生的學習投入度。

從技術特征來看，協作腳本的數量、感知工具的類型都在一定程度上影響學生的認知負荷。以往的在線協作學習無法充分掌握學習者的學習偏好、認知風格等學習者特征，因此，教育設計者無法在技術支持方面做出精準判斷?；诙嗨惴ㄈ诤系念A測模型[51]可預測學習者潛在的學習風險，進而促進其行為的改善及認知負荷的動態調整，以提高其學習投入度?？梢暬夹g的應用[52]也在一定程度上打開了教學中的“黑箱”，使得教學者能夠及時掌握學生的學習現狀，并根據學生存在的問題提供相應支架和腳本。

（三）構建旨在提高大學生數字化學習韌性的個性化教育生態

學習韌性作為一種優良的品質，對個體未來的發展起著不可或缺的作用。在2021國際人工智能與教育會議上，教育部部長懷進鵬倡議要共建開放、包容、有韌性的教育以推動教育數字轉型[53]。韌性教育不僅僅是簡單的記憶，它更重視過程中的深度學習的發生，傾向于在發揮學生優勢的同時提高學生的教育幸福感。本研究發現，大學生整體數字化學習韌性不強，而大數據、人工智能等技術的出現為構建旨在提高大學生數字化學習韌性的個性化教育生態提供了無限的可能。

第一， 打造個性化路徑，推進學生深度學習。學生認知發展的差異性決定了其學習路徑的多樣性，千篇一律的學習方式不適合學生個性化發展，致使其高階思維、批判性思維的發展受限。大數據從不同的方面為實現個性化學習發展提供了價值[54]。通過對教育大數據挖掘發現學生學習的復雜規律與模式，從而探索出適合個體個性化發展的路徑，有助于其深度學習的發生[55]，進而為適應數字經濟發展培養人才。

第二，建設全媒體的學習資源。優質的教育資源建設與利用是強化教育高質量發展的支撐保障，以數字化帶動教育轉型升級是我國所做出的教育數字化戰略行動。通過整合學習者認知、動機、興趣等特征，為其匹配適應性學習資源，有助于學習者進入沉浸式學習。而多元化的媒體呈現方式為其沉浸式的學習提供了條件。學習資源呈現方式的多樣性、開放性、共享性有助于學習者圖示的獲得、知識的遷移應用、個人知識體系的構建。在個人及集體知識建構的過程中，全媒體資源的不斷流通持續促進教育數字化發展。

第三，提供情緒預警支持。學生學習過程中的情緒反應是影響其學習成就、在線學習持久性的重要因素[56]。而教育大數據多是來源于學生的認知及行為數據，極少關注學生的情緒數據。面部識別技術及眼動追蹤技術為識別學生的情感提供了技術支持，通過對學生多方面數據的跟蹤，預測其可能存在的學習危機，并針對發現的問題做出科學的干預措施，以改善其學習狀態、提高數字化學習韌性。

本研究仍存在一些局限。首先，本研究主要來源于橫截面調查數據，未從縱向追蹤數據，未來研究應該進一步采用時間序列數據，同時加入師生訪談、課堂觀察等指標數據進行測量，以更好地確定變量之間的先后因果關系，有助于更深入了解大學生數字化學習韌性。其次，本研究只考察了CSCL、認知負荷等內容，可能還存在其他重要因素（如動機、自我效能等）影響著數字化學習韌性。未來研究可以進一步考察其他因素對數字化學習韌性的作用。

參考文獻

[1] Koschmann T. CSCL: Theory and practice of an emerging paradigm [M]. London:Routledge, 2012.

[2] 晉欣泉,姜強,趙蔚.網絡學習空間中學業預警及干預研究:態勢、關鍵問題及創新應用[J].現代教育技術,2021(6):79-87.

[3] 新華社.習近平：高舉中國特色社會主義偉大旗幟 為全面建設社會主義現代化國家而團結奮斗——在中國共產黨第二十次全國代表大會上的報告[EB/OL].[2022-12-09].http://www--gov.cn/xinwen/2022-10/25/content_5721685.htm.

[4] Cagiltay NE, Cagiltay K, Celik B. An analysis of course characteristics, learner characteristics, and certification rates in MITx MOOCs [J]. International Review of Research in Open and Distributed Learning, 2020(3): 121-39.

[5] 國務院.國務院關于印發“十四五”數字經濟發展規劃的通知.[EB/OL].[2022-12-09].http://www--gov.cn/zhengce/zhengceku/2022-01/12/content_5667817.htm.

[6] 劉妍,管秀,顧小清.我們真的了解學習毅力嗎?:基于扎根理論刻畫教師視角的可塑模型研究[J].全球教育展望,2022(2):39-58.

[7] Loes C N, An B P, Saichaie K et al. Does collaborative learning influence persistence to the second year of college? [J]. The Journal of Higher Education, 2017(1): 62-84.

[8] 鄭蘭琴,鐘璐,牛佳玉.聯結在線協作學習設計與分析模型及應用研究[J].電化教育研究,2020(11):63-71.

[9] Gilakjani A P. A match or mismatch between learning styles of the learners and teaching styles of the teachers [J]. International Journal of Modern Education and Computer Science, 2012(11): 51-60.

[10] 劉倩倩,李同歸,王泰,等.網絡學習環境對學習持續性的影響——基于游戲設計的視角[J].中國遠程教育,2018(3):14-20.

[11] 文書鋒,孫道金.遠程學習者學習參與度及其提升策略研究——以中國人民大學網絡教育為例[J].中國電化教育,2017(9):39-46.

[12] Janssen J, Kirschner P A. Applying collaborative cognitive load theory to computer-supported collaborative learning: towards a research agenda [J]. Educational Technology Research and Development, 2020, 68(2): 783-805.

[13] Datu JAD, Yuen M, Chen G. Development and validation of the Triarchic Model of Grit Scale (TMGS): Evidence from Filipino undergraduate students [J]. Personality and Individual Differences, 2017(5): 198-205.

[14] Sweller J. Element interactivity and intrinsic, extraneous, and germane cognitive load [J]. Educational psychology review, 2010(2): 123-138.

[15] Choi H-H, Van Merrinboer J J G, Paas F. Effects of the physical environment on cognitive load and learning: Towards a new model of cognitive load [J]. Educational Psychology Review, 2014(2): 225-244.

[16] 李哲.雨課堂內容呈現方式對學習者的認知負荷影響研究[D].南充:西華師范大學,2021.

[17] Paas F, Van Merrinboer J J G. Cognitive-load theory: Methods to manage working memory load in the learning of complex tasks[J]. Current Directions in Psychological Science, 2020(4): 394-398.

[18] Lee J. Task complexity, cognitive load, and L1 speech[J]. Applied linguistics, 2019(3): 506-539.

[19] Chen J, Wang M, Kirschner P A. The role of collaboration, computer use, learning environments, and supporting strategies in CSCL: A meta-analysis[J]. Review of Educational Research, 2018(6): 799-843.

[20] Paas F, Renkl A, Sweller J. Cognitive load theory: Instructional implications of the interaction between information structures and cognitive architecture [J]. Instructional science, 2004(1): 1-8.

[21] 蔡慧英,陳明選.智能時代數字教育資源建設與發展研究[J].現代遠距離教育,2019(3):74-81.

[22] 歐陽嘉煜,汪瓊.塑造CSCL情境下的學習者交互：腳本理論及其研究綜述[J].現代遠程教育研究,2021(6):64-72.

[23] 夏亮亮,王良輝.協作腳本促進CSCL實踐：理論、應用及啟示[J].現代遠距離教育,2022(1):37-46.

[24] Plass J L, Kalyuga S. Four ways of considering emotion in cognitive load theory[J]. Educational Psychology Review, 2019, 31(2): 339-359.

[25] Klepsch M, Seufert T. Understanding instructional design effects by differentiated measurement of intrinsic, extraneous, and germane cognitive load[J]. Instructional Science, 2020(1): 45-77.

[26] Yu Z. The effect of teacher presence in videos on intrinsic cognitive loads and academic achievements[J]. Innovations in Education and Teaching International, 2022(5): 574-585.

[27] 高媛,黃真真,李冀紅,等.智慧學習環境中的認知負荷問題[J].開放教育研究,2017(1):56-64.

[28] Janssen J, Kirschner F, Erkens G. Making the black box of collaborative learning transparent: Combining process-oriented and cognitive load approaches [J]. Educational psychology review, 2010(2): 139-154.

[29] Sweller J, Van Merrinboer J J G, Paas F. Cognitive architecture and instructional design: 20 years later [J]. Educational Psychology Review, 2019(2): 261-292.

[30] Lange C, Costley J, Fanguy M. Collaborative group work and the different types of cognitive load [J]. Innovations in Education and Teaching International, 2021(4): 377-386.

[31] Sweller J. Cognitive load during problem solving: Effects on learning [J]. Cognitive science, 1988(2): 257-285.

[32] Turan Z, Meral E, Sahin I F. The impact of mobile augmented reality in geography education: achievements, cognitive loads and views of university students[J]. Journal of Geography in Higher Education, 2018(3): 427-441.

[33] Paas F G W C, Van Merrinboer J J G. Instructional control of cognitive load in the training of complex cognitive tasks [J]. Educational psychology review, 1994(4): 351-371.

[34] Cassidy S. The Academic Resilience Scale (ARS-30): A new multidimensional construct measure [J]. Frontiers in psychology, 2016(3): 1-11.

[35] Onah D F O, Sinclair J, Boyatt R. Dropout rates of massive open online courses: behavioural patterns[J]. EDULEARN14 proceedings, 2014(1): 5825-5834.

[36] 劉倩,李穎.主動選擇：在線課程“高輟學率”的積極理解——基于學習者投資理論的視角[J].電化教育研究,2021(4):45-52.

[37] Czerkawski B C, Lyman E W. An instructional design framework for fostering student engagement in online learning environments[J]. TechTrends, 2016(6): 532-539.

[38] Feldon D F, Callan G, Juth S. Cognitive load as motivational cost[J]. Educational Psychology Review, 2019(2): 319-337.

[39] Jung Y, Lee J. Learning engagement and persistence in massive open online courses (MOOCS)[J]. Computers & Education, 2018(1): 9-22.

[40] Alhadabi A, Karpinski A C. Grit, self-efficacy, achievement orientation goals, and academic performance in University students[J]. International Journal of Adolescence and Youth, 2020(1): 519-535.

[41] Zambrano J, Kirschner F, Sweller J. Effects of group experience and information distribution on collaborative learning[J]. Instructional Science, 2019(5): 531-550.

[42] Le H, Janssen J, Wubbels T. Collaborative learning practices: teacher and student perceived obstacles to effective student collaboration[J]. Cambridge Journal of Education, 2018(1): 103-122.

[43] Vogel F, Kollar I, Ufer S. Scaffolding argumentation in mathematics with CSCL scripts: Which is the optimal scripting level for university freshmen?[J]. Innovations in Education and Teaching International, 2021(5): 512-521.

[44] Erdogan F. Effect of cooperative learning supported by reflective thinking activities on students’ critical thinking skills[J]. Eurasian journal of educational research, 2019(80): 89-112.

[45] JEN-HWA HU P, HAN-FEN H, Xiao F. Examining the Mediating Roles of Cognitive Load and Performance Outcomes in User Satisfaction with a Website: A Field Quasi-Experiment[J]. MIS Quarterly, 2017(3):174-187.

[46] 雷朝滋.抓住數字轉型機遇 構建智慧教育新生態[J].中國遠程教育,2022(11):1-5.

[47] 李海峰,王煒.面向高階思維能力培養的數字孿生智慧教學模式[J].現代遠距離教育,2022(4):51-61.

[48] 晉欣泉,姜強,趙蔚.網絡學習空間中學業預警及干預研究:態勢、關鍵問題及創新應用[J].現代教育技術,2021(6):79-87.

[49] Kirschner P A, Sweller J, Kirschner F, et al. From cognitive load theory to collaborative cognitive load theory [J]. International Journal of Computer-Supported Collaborative Learning,2018(2): 213-233.

[50] 姜強,趙蔚,王朋嬌,等.基于大數據的個性化自適應在線學習分析模型及實現[J].中國電化教育,2015(1):85-92.

[51] 姜強,趙蔚,李松,等.個性化自適應學習研究——大數據時代數字化學習的新常態[J].中國電化教育,2016(2):25-32.

[52] 班文靜,姜強,趙蔚.基于多算法融合的在線學習成績精準預測研究[J].現代遠距離教育,2022(3):37-45.

[53] 曹建.創新技術服務教學進步 人工智能助力未來教育 2021國際人工智能與教育會議舉行.[EB/OL].[2022-10-09].http://www.moe.gov.cn/jyb_xwfb/gzdt_gzdt/moe_1485/202112/t20211208_585822.html.

[54] 楊雪,姜強,趙蔚.大數據學習分析支持個性化學習研究——技術回歸教育本質[J].現代遠距離教育,2016(4):71-78.

[55] 趙慧瓊,姜強,趙蔚.教育大數據深度學習的價值取向、挑戰及展望——在技術促進學習的理解視域中[J].現代遠距離教育,2018(1):17-25.

[56] 藥文靜,姜強，李月,等眾包知識建構下學業情緒影響因素及喚醒機制的科學學研究一-面向深度 學習的課堂教

學結構化變革研究之五[J]現代遠距離教育,2020(5):33-42.