基于潜在剖面分析的在线自我调节学习：大学生潜在类型、环境前因与非学业结果探究

本研究针对在线学习中自我调节学习(SRL)策略使用的异质性，采用以个体为中心的方法，识别出大学生四种SRL潜在类型（低SRL型、高环境构建型、平均型与高SRL型），并通过多水平分析揭示教学、社会与技术支持环境对SRL类型的预测作用，以及不同SRL类型在行为投入(BE)、认知投入(CE)、情感投入(EE)和心理健康(WB)上的显著差异，为在线教育中个性化干预和环境优化提供了理论与实证依据。

　　

随着信息技术与教育的深度融合，在线学习已成为高等教育不可或缺的组成部分。然而，在线学习环境的高度自主性对学生的学习能力提出了严峻挑战——学生需要具备较强的自我调节学习(Self-Regulated Learning, SRL)能力，才能有效规划学习进程、调整学习策略并达成学习目标。尽管以往研究多从变量中心视角探讨SRL与学业成绩的关系，却较少关注学生在SRL策略使用上的群体差异，尤其缺乏对非学业结果（如学习投入和心理健康）的深入探讨。在这一背景下，石亚飞等人于2025年在《International Journal of Educational Technology in Higher Education》发表了一项研究，通过潜在剖面分析(Latent Profile Analysis, LPA)识别大学生在在线环境中的SRL类型，并系统考察其前因与后果，为理解和支持在线学习提供了新的视角。

该研究以中国中部某高校352名教育技术专业学生为样本，基于社会认知理论(Social Cognitive Theory, SCT)，采用问卷调查和统计建模方法，包括验证性因子分析(CFA)、潜在剖面分析(LPA)、多类别逻辑回归(R3STEP)和BCH多组比较。研究使用改编自Barnard等人的在线自我调节学习问卷(OSLQ)测量六类SRL策略（目标设定GS、环境构建ES、任务策略TS、时间管理TM、求助行为HS和自我评价SE），同时评估在线学习环境（教学PA、社会SA与技术TA支持）、学习投入（行为BE、深层认知DCE、浅层认知SCE与情感EE）及心理健康(WB)。

研究首先通过潜在剖面分析识别出四种不同的SRL类型：

• ••
  低SRL型（16.4%）：在所有SRL策略上得分均较低；
• ••
  高环境构建型（29.3%）：在环境构建(ES)上表现突出，但其他策略使用低于平均水平；
• ••
  平均SRL型（36.9%）：在所有策略上处于中等水平；
• ••
  高SRL型（17.5%）：全面且高水平地使用各类SRL策略。

这一分类不仅揭示了学生SRL能力的多样性，也表明环境构建可能是一些学生应对在线学习挑战的重要策略。

在影响因素方面，多类别逻辑回归分析显示，在线学习环境的不同维度对SRL类型有显著预测作用：

• ••
  教学支持(PA)和技术支持(TA)显著增加学生属于高SRL型的概率（OR值分别为3.30和8.22）；
• ••
  社会支持(SA)和技术支持(TA)则显著降低学生属于低SRL型或高环境构建型的可能性。

这表明，丰富教学资源、提升技术体验和增强社会互动，是促进学生发展高水平SRL能力的重要途径。

在研究结果方面，BCH分析进一步揭示了不同SRL类型学生在学习投入和心理健康上的显著差异：

• ••
  学习投入：高SRL型学生在行为、认知和情感投入上均显著高于其他类型，而低SRL型学生则表现最差；
• ••
  心理健康：同样，高SRL型学生的心理健康水平最高，低SRL型学生最低。

这些结果凸显了SRL能力对在线学习体验和身心健康的积极影响。

研究结论强调，大学生的SRL能力存在明显的群体差异，且这些差异受到教学、社会和技术环境的显著影响。高水平的SRL能力不仅有助于提升学生的学习投入，还能促进其心理健康。因此，教育者应重视在线学习环境的优化，提供个性化的SRL策略支持，从而全面提升学生的在线学习质量和幸福感。该研究不仅丰富了社会认知理论在在线教育中的应用，也为高等教育中的教学设计和学生支持提供了实证依据和实践方向。