在线自主学习行为何以表征元认知能力

王洪江 李作锟 廖晓玲 华秀莹

[摘   要] 如何有效评估学习者元认知能力，是当前元认知相关研究热点之一。研究表明，采用在线学习行为数据预测学生的元认知能力，是一种较为有效的方法。然而，由于这种研究方法缺乏统一的元认知能力过程性表征框架，导致学习行为指标选取存在差异，且指标维度选取单一化、信息粒度挖掘浅层化也会影响最终的评估效果。为此，研究试图从任务完成过程的视角，基于自我调节学习策略构建一种较完整的元认知能力过程性表征框架;并采用系统性文献综述及元分析方法，遵循“任务阶段—采取策略—行为映射”的技术路线，筛选出39种相关行为指标，进行量化界定以表征元认知能力。研究结果显示：当前元认知能力研究主要聚焦于任务解决阶段和任务评估阶段，学习者主要采取搜索信息、自我评价、回顾材料等策略，具体映射于参加测试、观看视频、时间投入等行为。最后，文章提出未来研究的建议，以期对后续研究提供发展方向。

[关键词] 元认知能力; 在线自主学习行为; 元认知策略; 系统性文献综述及元分析方法

[中图分类号] G434            [文献标志码] A

[作者简介] 王洪江（1977—），男，浙江绍兴人。副研究员，博士，主要从事在线教学理论、人工智能教育应用研究。E-mail：wanghongjiang@m.scnu.edu.cn。

一、引   言

从“学会”到“会学”，培养会学习和终身学习的公民，建设学习型社会，是新时代教育改革热点和重点问题，也是“十四五”教育规划纲要的重要内容[1]。判别学习者是否已学会学习的一个重要标识就是其元认知能力，元认知强调学习者对自身各种认知活动的计划、监控和调节[2]，是一种高阶、内隐、抽象的思维过程[3]。如何有效评估学习者元认知能力是当前该研究领域中薄弱又极为关键的环节[4]。现有评估方法大致可以划分为两种类型，即离线测量法和学习分析法。前者依赖个体记忆，易产生认知偏差，导致预测结果失实，而后者受限于被试者的记忆能力和语言能力，以及观察者的专业知识和解释能力。因此，需要研究准确性和可靠性更高的元认知能力评估方法。

为克服已有评估方法性能的不足，研究者尝试采用在线学习行为数据来表征学生元认知能力，验证了行为数据表征元认知能力发展变化的可行性。学习行为是学习者思维与学习状况的真实映射，能够体现学习中微妙而复杂的思维方式[5]。通过分析学习者学习行为，可以探究其内部思维过程[6]。随着在线教学潮涌般的推进，越来越多学习行为发生在数字化环境中，为元认知评估带来新的契机。但现有研究缺乏统一的元认知能力过程性表征框架[7]，导致学习行为指标选取存在差异，且单一化、浅层化的行为指标选取方式直接影响预测效果。

为此，本研究主要解决以下问题：

Q1：如何构建元认知能力过程性表征框架;

Q2：有哪些相关的行为指标，如何进行量化。

二、相关问题梳理

（一）已有元认知能力评估方法性能不足

当前，元认知评估方法可以分两种类型：一种是较为宏观、静态的离线测量法，将元认知视为特质，如自陈式问卷和自我报告法等;另一种是较为微观、动态的学习分析法，注重整个学习过程测量，如出声思维法、系统观察法、错误检测法、日记法和痕迹检测法等。然而，这两种评估方法性能均存在不足。如自陈式问卷较依赖个体记忆，学习者很难对自己过去完成的学习行为进行准确描述，学习者（尤其是年龄小的被试者）在填写过程中容易产生认知偏差（如Dunning-Kruger效应），影响评估结果的准确性[8]。而自我报告法是在特定时间、脱离情境采集的，与学习者动态的、情境的元认知能力不同步，在自我报告过程中可能会刺激学习者思考学习[9]，影响接下来的认知行为，从而降低评估结果的可靠性。另外，出声思维法会受被试者语言能力影响，表达能力较弱的被试者较难准确表述自己的所思所想，也会因为研究问题、理论基础的不同导致语义转译、编码存在差异，影响研究泛化性[10]。系统观察法具体过程与出声思维法相似，建立在研究者感官、自我解释基础上，受观察者本身感官、主观意识以及观察样本数量的限制，难以开展大规模调查。错误检测法观察学生是否注意到了学习材料或任务中预先设置的错误点，及其采取了何种解决方法[11]，会受文本问题类型影响，类型不同则采取的监控策略也不同，也会受学习者主观因素影响，如被试者由于粗心或其他原因未注意到文本中存在的错误[12]，会被误以为是由于元认知监控能力较弱造成的，导致评估结果的片面性。日记法详细记录了学习者学习过程，包括学习动机、目标、情绪、时间等指标，但很难完全再现学习者当时的认知过程和心理活动，这降低了评估结果的可靠性。

（二）基于学习行为的元认知能力评估方法的优缺点

已有文献对基于学习行为的元认知能力评估方法进行了研究。例如：Yeh等通过采集学习者浏览行为，设计多层前馈神经网络来评估学习者元认知知识[13];纪阳等发现，资源利用、自检、复习和任务完成质量等学习行为能有效预测评估元认知能力[3];李士平等发现，查阅作品、查看自身学习情况、参与交互等行为数据与学习者元认知水平显著相关，且表征元认知的准确度较高[6]。综上所述，基于学习行为的元认知能力评估方法具有以下优点：（1）在线自主学习行为是在真实学习环境中收集的，比自我报告更客观、准确和全面[14];（2）学习行为是在学习者学习过程中由学习管理系统（Learning Management System，LMS）后台自动收集的，不会影响学习者的正常学习，而出声思维法需要学习者在学习过程中付出额外的关注和努力[15-16];（3）自动收集的学生行为数据可以支持及时的、大规模的元认知测量，而时间密集型评估方法通常是不可行的（如自我報告法、出声思维法、系统观察法等）。380CB521-171C-49F1-96C4-DDFD06D54DE9

然而，现有研究仍存在以下缺点：（1）在理论框架上，缺乏统一的过程性表征框架，导致行为指标选取存在较大的差异。大多数研究是直接采用已有的自我调节学习框架。例如：Van Alten 等基于Zimmerman自我调节策略，选取观看时长、任务准时率和任务完成率等行为指标进行预测[17];Li等参考Pintrich自我调节一般模型，选取学习者时间管理和努力监控等行为指标进行研究[8];徐晓青等以Pintrich的自我调节学习模型为标准，统计学习分析在自我调节学习中作用的阶段和要素[18];也有研究基于探究社区理论框架，从认知调节和认知监控两个方面评估在线学习环境下学习者元认知能力[19]。（2）在选取方式上，指标选取较为单一化、浅层化。一方面，维度选取单一化。例如：Theobald等仅从时间管理维度采集行为指标表征学习者元认知能力[20];Zhang等仅将文本讨论作为数据来源分析学习者在线调节过程[21]。另一方面，信息粒度挖掘浅层化，浏览时长、登录频率等粗粒度信息仍是评估学习者元认知能力的主要指标。例如：Delen等记录学习者平台学习时长和交互笔记使用频次[22];Cerezo等则使用发帖回帖数、作业提交次数、测验尝试次数作为主要衡量标准[23]。由于行为指标选取差异性会在一定程度上影响元认知能力预测效果，指标维度单一化及信息采集浅层化也会降低元认知评估的准确性。鉴于此，本研究将构建一套较为完整的基于元认知策略的元认知能力过程性表征框架，并基于该框架采用系统性文献综述及元分析方法，系统和全面地梳理表征元认知能力的学习行为指标，以求准确表征学习者元认知能力。

三、元认知能力过程性表征框架构建

（一）元认知是动态连续的过程

自弗拉维尔（Flavell）明确提出元认知概念后，元认知界定和分类趋向于要素和过程两个层面[24]。（1）要素层面有“两元论”与“三元论”两种观点。Flavell认为，元认知两大要素包括“元认知知识”和“元认知体验”[25]。相较于Flavell“静态”模型，Brown等认为，元认知包括“认知知识”和“认知调节”[26]，强调元认知既是一种稳定的知识实体，又是动态的认知调节活动。国内学者董奇综合了这两种观点，提出“三元论”观点，将元认知划分为“元认知知识”“元认知体验”“元认知监控”[27]。（2）过程层面认为元认知是动态连续过程。元认知活动对象为认知过程本身[28]，重视任务执行前规划、执行中监控和调节、执行后评估和修正。在这个过程中，学习者借助元认知技能（计划、调节、监控、评价）持续进行心理预期与实际情况的“校准”，最终达到预期目标。

可见，介于概念不确定性和要素结构差异，从要素层面分析元认知会影响概念理解和元认知能力评估的准确性。而将元认知界定为一种动态连续的活动过程，具有较强的客观性和逻辑性[29]，使研究深入具体情境中描述元认知各阶段的行为，将内隐及抽象的思维过程外显化，为多维表征元认知能力奠定理论基础。

（二）自我调节学习过程的三阶段模型

自我调节学习（Self-Regulated Learning，SRL）有机整合了元认知、动机和行为三个方面，强调个人、行为、环境三者之间相互作用[30]，涉及学习者为什么学、如何学、何时学、何地学、学什么、与谁一起学等问题[31]，其中，其他问题都是对学什么起计划、调节和控制作用，即监控过程。自我调节学习实际上包括学习者对认知活动的自我意识和自我调节（即元认知）。经典自我调节学习模型包括Zimmerman自我调节策略[32]（包括计划、执行和自我反思）、Pintrich自我调节学习一般模型[33]（包括计划激活、监测、控制和反思反应）和Winne COPES模型[34]（即条件、操作、产品、评价、标准）等。本研究将综合这三种模型特点，将认知过程划分为三个循环往复阶段，即认知任务表征、认知任务解决和认知任务评估。（1）认知任务表征阶段要求学习者完成任务分析、明确学习目标、制定计划。（2）认知任务解决阶段要求学习者自我控制和自我调节，前者帮助学习者集中精力，后者包括认知调节、情绪调节和行为调节。认知调节侧重于学习者根据目标任务调整自己的认知活动，情绪调节则是学习者主动控制认知活动中产生的情绪，行为调节表现为任务坚持、任务完成和求助行为等。（3）认知任务评估阶段要求学习者完成自我评估和自我反应。自我评估是学习者自行判断学习结果和成就目标之间的差异，并进行归因;自我反应是学习者根据学习结果反馈而采取的行为，如回顾行为等。

（三）基于三阶段模型的元认知策略

自我调节学习作为整合元认知过程性框架，能够为元认知评估的深入分析提供指导。本文中的元认知策略主要以Zimmerman自我调节策略分类为基准[35]，并综合考虑其他研究成果。Zimmerman自我调节策略受学生成就目标影响，侧重于强调学习动机在策略运用中的重要作用，而不是强调元认知影响。而Garcia情绪调节策略能够帮助学习者在面对复杂学习任务时取得较好的学习效果[36]。此外，学习是一项社会性活动，不可忽略调节行为的社会性特征[37]。因此，本研究确定了13种元认知策略，即自我评价、组织和转化、目标设定和规划、搜索信息、记录监控、环境构建、练习记忆、寻求帮助、回顾材料、时间管理、努力监控、情绪调节、社会（协同）调节。

（四）基于元认知策略的元认知能力过程性表征框架

元认知策略帮助学习者掌控自主学习行为，即学习行为在一定程度上可以看作是学习者元认知策略的折射，只要明确了元认知策略，并找到各策略与自主学习行为指标之间的映射，便可准确评估学习者元认知能力。为此，本研究从学习任务完成过程的视角构建基于元认知策略的元认知能力表征框架（如图1所示），其“内核”是学习者元认知能力，支配任务完成三个阶段，即任务表征、任务解决、任务评估（任务层），引导学习者采取相应的元认知策略（策略层），最终映射为学习者在线自主学习行为指标（行为层）。具体而言，（1）认知任务表征阶段涉及组织和转化、目标设定和规划等策略;（2）认知任务解决阶段包括环境构建、时间管理、努力监控、自我评价、搜索信息、记录监控、练习记忆、寻求帮助、情绪调节等策略;（3）认知任务评估阶段包含回顧材料等策略。另外，协同调节和社会调节策略贯穿整个任务阶段。380CB521-171C-49F1-96C4-DDFD06D54DE9

四、在线自主学习行为表征元认知能力

（一）系统性文献综述及元分析方法

研究遵循系统性文献综述及元分析方法（Preferred Reporting Items for Systematic Reviews and Meta-Analyses，PRISMA）[38]进行文献综述，包括四个阶段：数据库及关键词选取、确定排除和纳入条件、文献筛选和分析、纳入文献分析框架设计。

1. 数据库及关键词选取

为确保能够获取全面且高质量文献，本研究选取Pumbed、Sage、IEEE、Springer、Wily、ScienceDirect、Web of Science、Proquest、万方、知网等国内外十大数据库作为文献来源。外文数据库检索语句由（metacognition OR metacognitive OR self-regulated OR self-regulation OR self-monitor OR self-control） AND（online learning OR e-learning OR blended learning） AND （behavior OR behavioral）三部分组成;中文数据库直接使用“元认知”“在线自主学习行为”“网络自主学习行为”进行主题检索。限定检索时间为2017—2021年，文献类型为期刊论文或会议论文，获得外文文献406篇、中文文献15篇，共计421篇。

2. 确定排除和纳入条件

为获取高相关度文献，制定纳入条件：（1）与“元认知”或“自我调节”主题相关;（2）采用实验研究或准实验研究;（3）研究环境为在线学习或混合学习;（4）对学习者在线自主学习进行评估并对其进行界定和量化。文献需满足以上四个条件，排除非教育领域和综述类文章。

3. 文献筛选和分析

文献筛选和分析包括：数据库检索、文献初筛和资格评估。首先，借助文献管理软件（Endnote）进行自动和手动去重。然后，依据排除和納入标准对文章标题和摘要进行筛选。最后，进行全文审查，以确定是否符合最终样本的资格标准，并采用“滚雪球”方式检索参考资料，获得更多文献。最终共有36篇论文进入定量综合分析（Meta分析）。

4. 纳入文献分析框架设计

本研究以图1所示元认知能力过程性表征框架作为文献分析框架，按照“任务阶段→采取策略→行为映射”技术路线进行文献梳理。图2显示了任务层文献数目对比情况，当前研究聚焦任务解决和任务评估两个阶段的相关行为，尤其是任务解决阶段，而对任务表征阶段关注较少，因为这一阶段策略更多外显于线下学习行为，当前LMS无法捕获到相关学习行为。图3显示了策略层文献数目对比情况，学习者元认知能力集中体现在搜索信息、自我评价、回顾材料、时间管理、努力监控、寻求帮助等策略上[因社会（协同）调节贯穿整个任务阶段，未纳入]，充分凸显元认知对个体认知活动的调节和监控作用。图4显示了行为层文献数目对比情况，只列出频次大于等于5的11种相关行为，主要体现了元认知能力对学习过程的监控和调节。可以看出：参加测试频次最高，印证了自我测试与元认知监控紧密相关[39];观看视频是学习者搜索信息的主要途径，是一种持续性学习行为，受学生自身监控能力影响;时间投入、浏览行为、按时学习、讨论数量、增加笔记、访问平台等行为也在一定程度上体现出元认知能力对学习过程的监控;回看视频、回看测试等行为，即学生自行判断学习结果和成就目标之间的差异并进行归因，从而促使其调节自身学习行为，体现了学习者元认知调节能力。

（二）不同任务阶段在线自主学习行为表征元认知能力

根据以上分析，本文整理出39种行为指标（如图5所示），大部分元认知策略与行为指标呈现一对一或一对多的映射关系，个别策略因当前未发现相关文献研究，无对应行为指标。

1. 任务表征阶段

任务表征阶段涉及组织和转化、目标设定和规划两种元认知策略。关于组织和转化策略，未发现界定学习行为的相关研究。而关于目标设定和规划，以开发嵌入目标提示功能的LMS为主（即学习者在任务开始之前设定学习目标）。量化方式为系统记录学习者管理其学习目标的频次。例如：Azevedo等开发了智能代理教学系统Meta Tutor，允许学习者管理学习目标[40]。

2. 任务解决阶段

任务解决阶段包括环境构建、时间管理、努力监控、自我评价、搜索信息、记录监控、练习记忆、寻求帮助、情绪调节九种元认知策略。

（1）环境构建策略包括学习者学习时间和学习地点两种行为指标。学习时间可以具体到一周中某天以及一天中某个时间段[41]，学习地点主要是根据学习者访问LMS的IP地址进行判定。

（2）时间管理策略包括六种行为指标。①按时学习是指学习者在截止日期之前完成学习任务，以任务按时率进行表征。②提前学习是指学习者在截止日期之前，提前完成任务。即模块j（j=1……m）的截止日期为Tj，在模块j中每个学习任务的时间记为Ti（共有n个学习任务，i=1……n），截止日期与学习任务的时间间隔记为Tj-Ti。先计算每个模块时间间隔的平均值，然后计算m个模块的平均时间间隔，如公式（1）。③间隔学习为学习者学习时间间隔。即模块j的截止时间（Tj）和学生访问模块j中资源i的时间（Ti）的标准差，如公式（2）。该值越大，则时间管理能力越强。④分散学习是指学习者将一个完整的学习主题分配在不同的时间段内完成，而不是在相对集中的时间内学完[42]。该值越高，则课程内容参与越分散和持续。⑤延时间隔是指学习者在完成学习任务后主动选择恰当的时间参加测试。通过统计学习者最后一次访问平台的时间与参加对应考试的时间间隔进行量化[43]。⑥课程日历是指学习者标注相关活动的起止日期，通过查看日历了解即将到来的事件，更好地进行时间管理。LMS日志文件可以记录学习者查看日历的次数，也可以嵌入其他插件，如Google日历[44]以收集更详细的数据。380CB521-171C-49F1-96C4-DDFD06D54DE9

（3）努力监控策略包括时间变化和时间投入两种行为指标。衡量学习者努力水平可以通过在LMS上花费的时间及其访问LMS的时间变化来表征。具体量化形式为建立各个学习模块所花时间的回归方程，用回归方程的斜率表示时间变化的趋势。时间投入的量化为各个学习模块时间求和。

（4）自我评价策略包括参加测试的频次、完成测试的时长、选择测试的范围三种行为指标。其中，选择测试的范围是指学习者可以根据学习偏好，自主选择相应的测试范围。以上三种行为指标均以系统记录的方式进行量化。

（5）搜索信息策略包括八种行为指标。其中，访问平台、查看讲义、观看视频、观看时长、暂停时长等以系统记录的方式进行量化。浏览行为主要是指学习者在学习过程中根据自己的学习情况在学习页面之间的跳转，相关页面可分为学过的（Visited）页面和未学过的（Unvisited）页面。因而共有四种类型的跳转，即V-V、V-U、U-V和U-U，量化方式为分别计算四类行为的占比。微交互行为需借助技术工具（如WebQuery[45]）捕获学习者与鼠标、键盘等的交互行为，通常处理方式为使用序列模式挖掘算法提取学习者行为序列[46]。眼动行为需使用眼动仪（如Eyelink）记录注视时间、注视固定、扫描路径等子行为指标。

（6）记录监控策略包括打开笔记、增加笔记、删除笔记、笔记长度和笔记个数五种行为指标。相关行为指标的获取需要在LMS中嵌入笔记记录功能，如Meta Tutor、iLias等平台可以自动记录笔记行为的频次、笔记字符数等。

（7）练习记忆策略更多发生在线下学习环境之中，因而较难捕获相关的行为指标。

（8）寻求帮助策略包括讨论时间、讨论数量、讨论内容三种指标，侧重于强调学习者寻求社会性信息，其与学习者的讨论行为密切相关。LMS可以自动记录学习者的讨论时间和数量，而讨论内容则需要根据编码框架进行主题分析。

（9）情绪调节策略更多反映在学习者的生理指標上，如脑电信号[47]。通过分析脑电波段数据，生成用户在整个学习过程中的脑波报告，反映学习者对身体紧张与放松状态的调节。

3. 任务评估阶段

任务评估阶段包括回顾材料元认知策略，共有八种行为指标。学习者自行判断学习结果和成就目标之间的差异，进行自我反思，并根据学习结果反馈采取积极反应。相较于回放视频，回看视频强调学习者对某个视频的有意回顾，侧重于根据自身知识薄弱点有意回看视频的某个片段，回看测试即学习重新查看完成的测试题目，材料回顾时长主要用来统计学习者复习材料所花费的时长。任务完成率主要是统计学习者完成的任务在所有任务中的占比。查阅作品侧重于强调学习者有意查看同伴作品提交情况，以此评估、提升自身作品质量，作品完成质量以最后作品所得分数（包括师评、互评、自评分数）为衡量标准。除回看时长、任务完成率和作品完成质量以外，其他行为指标都是以系统记录频次的方式进行量化。

社会（协同）调节策略主要映射为学习者的讨论行为和生理行为。关于讨论行为，Zhang等通过认知网络分析法可视化呈现社会调节演化的动态性和循环性[48]，Zheng等通过滞后序列分析法分析移动学习环境下学习者社会调节行为模式[49];关于生理行为，研究者主要采集学习者皮肤电信号以分析学习者在社会调节过程中的生理同步性[50]。

五、小结及启示

（一）小结

首先，本研究从学习任务完成过程的视角构建基于元认知策略的元认知能力表征框架，认为学习者元认知能力是完成任务的“内核”，引导学习者采取相应的元认知策略，最终映射为学习者在线自主学习行为指标。接着，采用系统性文献综述及元分析方法筛选行为指标。最后，分析统计出39种行为指标，并阐述如何将其量化以表征元认知能力。

（二）启示

本研究在文献梳理过程中也发现了当前研究存在的不足，表现在研究方法的选择、数据分析方法的使用等方面。基于此，本研究认为未来研究应遵循以下“四个结合”：

1. 量化与质性研究相结合

学习分析可以挖掘学习者隐性、内部的思维过程，为深入研究元认知评估提供新的视角。但要考虑数据跟踪方法的局限性，并非所有学习行为指标都可以通过系统获取，采集的数据可能会受到数字化学习环境外因素影响[51]，这将降低预测结果的可靠性。另外，仅仅使用学习分析方法会使得研究结果缺乏可解释性，只知道学习者“这样做”而不知道学习者“为什么这样做”。因此，可以考虑量化与质性研究相结合。定性数据（如学习者访谈）可以丰富定量数据的内容，定性推理可以将定量结果与研究情境联系起来[52]，增加数据结果的可解释性。

2. 多模态数据相结合

多模态数据能反映学习者真实的学习状态[53]，融合了数字空间数据（如文本、学习时长、行为序列等）和生理体征数据（如眼动、脑电、皮肤电等），能有效提高元认知评估的准确性，并在构建复杂的学习者模型方面拥有巨大的潜力。因此，多模态数据相结合能够更及时、多维、直观、全面地分析学习者的学习过程和结果。

3. 粗粒度与细粒度信息相结合

学习者粗粒度信息，如内容浏览次数、登录频率和阅读页面时长等，是用来解释在线学习中个体差异最典型的测量指标，研究表明，这些粗粒度信息与学习者学习参与和学习成绩有密切关联[54]。但也有研究指出，粗粒度信息与学习者学习参与相关性较小，仅限于教师参考，用于学习指导和教学干预[35]。而细粒度信息作为数据粒度在空间尺度的更高程度细化，能提供一种数据分析微观视角。可见，将粗、细粒度信息相结合能使元认知评估具有空间尺度多样化特征[55]。因此，研究应该兼顾粗粒度信息，挖掘深层细粒度信息（如学习者的浏览行为、拖延行为、回顾行为等），提升预测效果，挖掘隐含规律。380CB521-171C-49F1-96C4-DDFD06D54DE9

4. 传统方法与人工智能技术相结合

均方检验、相关分析和数据编码等传统数据分析方法需要人工判断和录入，研究结果较为可靠;但作为一种时间密集型分析方法，当处理大规模数据时，会浪费大量人力，处理结果也会出现纰漏。深度学习作为人工智能的主要算法，具备处理模糊信息、从具体任务中概括和学习、额外参数快速更新等能力，擅长预测和分类，计算成本低、运算速度快，弥补了传统方法的不足。因此，机器决策与人工决策有机结合能提升元认知评估效率，保障评估效果。

[参考文献]

[1] 教育部.“十四五”规划和2035年远景目标纲要提出建设高质量教育体系[EB/OL]. [2021-03-13]. http：//www.moe.gov.cn/jyb_xwfb/s5147/202103/t20210314_519710.html.

[2] 杨宁.从元认知到自我调节：学习策略研究的新进展[J].南京师大学报（社会科学版），2006（4）：101-105.

[3] 紀阳，李思琪，张默雨.元认知评估能力发展预测的可行性研究[J].北京邮电大学学报（社会科学版），2020，22（5）：117-124.

[4] 汪玲，方平，郭德俊.元认知的性质、结构与评定方法[J].心理学动态，1999（1）：6-11.

[5] 胡艺龄，顾小清，赵春.在线学习行为分析建模及挖掘[J].开放教育研究，2014，20（2）：102-110.

[6] 李士平，赵蔚，刘红霞，刘东亮，刘凤娟.数据表征元认知：基于学习分析的网络自主学习行为研究[J].电化教育研究，2017，38（3）：41-47.

[7] MURPHY E. A framework for identifying and promoting metacognitive knowledge and control in online discussants[J]. Canadian journal of learning and technology， 2009， 34（2）：1-9.

[8] LI Q， BAKER R， WARSCHAUER M. Using clickstream data to measure， understand， and support self-regulated learning in online courses[J]. The internet and higher education， 2020， 45： 100727.

[9] OZTURK N. Assessing metacognition： theory and practices[J]. International journal of assessment tools in education， 2017， 4（2）： 134-148.

[10] 李菲菲，刘电芝.口语报告法及其应用研究述评[J].上海教育科研，2005（1）：39-41，44.

[11] 庞维国.自主学习的测评方法[J].心理科学，2003（5）：882-884.

[12] BAKER L， CERRO L C. Assessing metacognition in children and adults[M]//SCHRAW G， IMPARA J C. Issues in the measurement of metacognition. Lincoln， NE： Buros Institute of Mental Measurements， 2000： 99-145.

[13] YEH S W， LO J J. Assessing metacognitive knowledge in web-based CALL： a neural network approach[J]. Computers & education， 2005， 44（2）： 97-113.

[14] WINNE P H. Improving measurements of self-regulated learning[J]. Educational psychologist， 2010， 45（4）： 267-276.

[15] GREENE J A， AZEVEDO R. The measurement of learners' self-regulated cognitive and metacognitive processes while using computer-based learning environments[J]. Educational psychologist， 2010， 45（4）： 203-209.

[16] SHA L， LOOI C K， CHEN W， et al. Understanding mobile learning from the perspective of self-regulated learning[J]. Journal of computer assisted learning， 2012， 28（4）： 366-378.

[17] VAN ALENT D C D， PHIELIX C， JANSSEN J， et al. Secondary students' online self-regulated learning during flipped learning： a latent profile analysis[J]. Computers in human behavior， 2021， 118： 106676.380CB521-171C-49F1-96C4-DDFD06D54DE9

[18] 徐晓青，赵蔚，刘红霞，姜强.自我调节学习中学习分析的应用框架和融合路径研究[J].电化教育研究，2021，42（6）：96-104.

[19] AKYOL Z， GARRISON D R. Assessing metacognition in an online community of inquiry[J]. The internet and higher education， 2011， 14（3）：183-190.

[20] THEOBALD M， BELLHUSER H， IMHOF M. Identifying individual differences using log-file analysis： distributed learning as mediator between conscientiousness and exam grades[J]. Learning and individual differences， 2018， 65：112-122.

[21] ZHANG T， TAUB M， CHEN Z. Measuring the impact of COVID-19 induced campus closure on student self-regulated learning in physics online learning modules[C]//11th International Learning Analytics and Knowledge Conference. New York： Association for Computing Machinery， 2021：110-120.

[22] ERHAN D， JEFFREY L， VICTOR W. Effects of interactivity and instructional scaffolding on learning： self-regulation in online video-based environments[J]. Computers & education， 2014， 78：312-320.

[23] CEREZO R， BOGARN A， ESTEBAN M， et al. Process mining for self-regulated learning assessment in e-learning[J]. Journal of computing in higher education， 2020， 32（1）： 74-88.

[24] 孔博鑒.自我调节学习中元认知对认知学习策略的影响[D].长春：东北师范大学，2015.

[25] FLAVELL J H. Metacognition and cognitive monitoring： a new area of cognitive-developmental inquiry[J]. American psychologist， 1979， 34（10）： 906-911.

[26] BROWN A. Knowing when， where & how to remember： a problem of metacognition[M]. Hillsdale， NJ： Lawrence Erlbaum Associate， 1987： 77-165.

[27] 董奇.论元认知[J].北京师范大学学报，1989（1）：68-74.

[28] PERFECT T J， TIMOTHY J， SCHWARTZ B L. Applied metacognition[M]. Cambridge： Cambridge University Press， 2002.

[29] 汪玲，郭德俊.元认知的本质与要素[J].心理学报，2000（4）：458-463.

[30] PINTRICH P R. The role of goal orientation in self-regulated learning[M]//BOEKAERTS M， PINTRICH P， ZEIDNER M. Handbook of self-regulation. San Diego CA： Academic Press， 2000： 451-502.

[31] 韩立敏.元认知，学习策略，自我调节学习辨析[J].上海教育科研，2001（10）：6-8.

[32] ZIMMERMAN B J， MOYLAN A R. Self-regulation： where metacognition and motivation intersect[M]//HACKER D J， DUNLOSKY J， GRAESSER A C. Handbook of metacognition in education. New York： Taylor & Francis Group， 2009：299-315.

[33] PINTRICH P R. A conceptual framework for assessing motivation and self-regulated learning in college students[J]. Educational psychology review， 2004， 16（4）： 385-407.

[34] WINNE P H. Experimenting to bootstrap self-regulated learning[J]. Journal of educational psychology， 1997， 89（3）： 397-410.380CB521-171C-49F1-96C4-DDFD06D54DE9

[35] ZIMMERMAN B J， Pons M M. Development of a structured interview for assessing student use of self-regulated learning strategies[J]. American educational research journal， 1986， 23（4）： 614-628.

[36] GARCIA R， FALKNER K， VIVIAN R. Systematic literature review： self-regulated learning strategies using e-learning tools for computer science[J]. Computers & education， 2018， 123（1）： 150-163.

[37] 苏友，李艳燕，包昊罡.国际视野下社会调节学习研究历程、焦点及趋势[J].现代远程教育研究，2020，32（6）：33-43.

[38] MOHER D， LIBERATI A， TETZLAFF J， et al. Preferred reporting items for systematic reviews and meta-analyses： the PRISMA statement[J]. International journal of surgery， 2010， 8（5）： 336-341.

[39] GRIFFIN T D， WILEY J， SALAS C R. Supporting effective self-regulated learning： the critical role of monitoring[M]//AZEVEDO R， ALEVEN V. International handbook of metacognition and learning technologies. New York： Springer， 2013： 19-34.

[40] AZEVEDO R， JOHNSON A， CHAUNCEY A， et al. Self-regulated learning with MetaTutor： advancing the science of learning with MetaCognitive tools[M]//WEGERIF R B， MANSOUR N. New science of learning. New York： Springer， 2010： 225-247.

[41] MONTGOMERY A P， MOUSAVI A， CARBONARO M， et al. Using learning analytics to explore self-regulated learning in flipped blended learning music teacher education[J]. British journal of educational technology， 2019， 50（1）： 114-127.

[42] 李葆萍，張贤茹，陈秋雨，张丽峰，周颖.碎片化学习真的会影响学习效果吗？——基于在线学习的分散学习效应研究[J].现代远程教育研究，2020，32（6）：104-111.

[43] CARVALHO P F， SANA F， YAN V X. Self-regulated spacing in a massive open online course is related to better learning[J]. NPJ science of learning， 2020， 5（1）： 1-7.

[44] KELLEN K， ANTONENKO P. The role of scaffold interactivity in supporting self-regulated learning in a community college online composition course[J]. Journal of computing in higher education， 2018， 30（2）： 187-210.

[45] APAOLAZA A， VIGO M. WevQuery： testing hypotheses about web interaction patterns[J]. Proceedings of the acm on human-computer interaction， 2017（1）： 1-17.

[46] YU H， HARPER S， VIGO M. Modeling micro-interactions in self-regulated learning： a data-driven methodology[J]. International journal of human-computer studies， 2021， 151： 102625.

[47] ZAHI X， FANG Q， DONG Y， et al. The effects of biofeedback-based stimulated recall on self-regulated online learning： a gender and cognitive taxonomy perspective[J]. Journal of computer assisted learning， 2018， 34（6）： 775-786.380CB521-171C-49F1-96C4-DDFD06D54DE9

[48] ZHANG S， CHEN J， WEN Y， et al. Capturing regulatory patterns in online collaborative learning： a network analytic approach[J]. International journal of computer-supported collaborative learning， 2021， 16（1）： 37-66.

[49] ZHENG L， YU J. Exploring the behavioral patterns of co-regulation in mobile computer-supported collaborative learning[J]. Smart learning environments， 2016， 3（1）： 1-20.

[50] DINDAR M， MALMBERG J， JRVEL S， et al. Matching self-reports with electrodermal activity data： investigating temporal changes in self-regulated learning[J]. Education and information technologies， 2020， 25（1）：1785-1802.

[51] SCHUMACHER C， IFENTHALER D. Investigating prompts for supporting students' self-regulation—a remaining challenge for learning analytics approaches？ [J]. The internet and higher education， 2021， 49： 100791.

[52] GAEVIC D， DAWSON S， SIEMENS G. Let's not forget： learning analytics are about learning[J]. TechTrends， 2015， 59（1）： 64-71.

[53] DI MITRI D，  SCHNEIDER J，  SPECHT M， et al. From signals to knowledge： a conceptual model for multimodal learning analytics[J]. Journal of computer assisted learning， 2018， 34（4）： 338-349.

[54] YOU J W. Identifying significant indicators using LMS data to predict course achievement in online learning[J]. The internet and higher education， 2016， 29： 23-30.

[55] 王戰军，乔伟峰，李江波.数据密集型评估：高等教育监测评估的内涵、方法与展望[J].教育研究，2015，36（6）：29-37.380CB521-171C-49F1-96C4-DDFD06D54DE9