智能与非智能移动协作学习对五年级学生数学成绩的影响：基于Ibigkas! Math平台的比较研究

研究人员针对数学移动协作学习(mCSCL)领域研究不足、缺乏自适应功能的问题，开发了智能版Ibigkas! Math平台，通过随机对照实验比较了119名五年级学生使用智能与非智能版本的表现。研究发现两种版本均能提升数学成绩，智能版学生表现出更精准的解题策略，但复杂任务会导致"协作疲劳"。该研究为开发自适应教育技术提供了重要依据，成果发表于《Acta Psychologica》。

　　

在数字化教育快速发展的今天，数学教育面临着如何有效利用技术提升学习效果的挑战。尽管计算机支持的协作学习(CSCL)已被证明能促进学习成效，但移动端的计算机支持协作学习(mCSCL)研究仍存在明显空白。特别是针对数学学科的mCSCL研究，根据Bringula和Atienza(2023)的综述，2007-2021年间每年相关论文仅0-4篇，甚至有数年完全空白。更关键的是，现有数学mCSCL软件缺乏自适应功能，无法实时检测和纠正学生的猜测行为或调整学习内容，这些问题严重制约了移动协作学习在数学教育中的应用效果。

为填补这些研究空白，Rex P. Bringula等研究者开发了Ibigkas! Math平台，包含智能和非智能两个版本。这项发表在《Acta Psychologica》的研究，通过严谨的实验设计比较了两种版本对五年级学生数学成绩的影响。研究不仅关注学习成绩的变化，还深入分析了学生在游戏中的行为模式，为理解移动协作学习环境下的学习机制提供了新视角。

研究采用了随机前测-后测对照组设计，从四所学校的155名五年级学生中筛选出119名完成五天实验。关键技术包括：(1)开发具有智能推荐系统和猜测检测功能的移动学习平台；(2)使用前测/后测评估数学成绩变化；(3)记录并分析游戏交互日志；(4)应用层次线性模型(HLM)分析个体和群体层面的学习效果。实验过程中，学生三人一组使用智能或非智能版本进行为期三天的数学练习，内容涵盖分数运算等五年级数学知识点。

研究结果部分呈现了丰富发现：

在"RQ1：使用两种版本软件学生的数学表现"中，数据显示两组学生都取得了显著进步。智能组的标准化学习增益为34.92%，略高于非智能组的32.49%。虽然两组后测成绩无统计学差异，但智能组的效果量(Cohen's d=0.67)大于非智能组(0.58)，表明智能版本可能带来更实质性的提升。

"RQ2：学生的游戏内行为"揭示了有趣现象。智能组学生平均每次解题尝试更少(3.00 vs 3.16)，正确尝试也较少(1.88 vs 2.11)，表明他们更精准地选择答案。此外，智能组检测到仅21次猜测行为，证实了软件干预的有效性。两组学生都倾向于选择较简单的加法题(72.97%)和较低难度设置，体现了游戏设计对学生行为的影响。

"RQ3：游戏行为对数学表现的描述"通过多层次分析发现：在个体层面，尝试次数和"主持游戏尝试"交互作用正向预测学习增益；在群体层面，正确尝试次数反而负向影响群体学习增益，而复杂的"主持时间准确率尝试"交互作用会产生负面影响，研究者将这种现象称为"协作疲劳"。

讨论部分指出，智能版本通过实时反馈机制使学生表现出更严谨的解题策略，虽然学习增益差异不大，但在行为指标上显示出明显优势。研究首次提出"协作疲劳"概念，解释复杂任务下群体表现下降的现象，建议在游戏环节间加入总结回顾环节。

这项研究具有多重意义：理论上，突破了传统仅分析个体或群体数据的局限，采用多层次视角；方法上，通过游戏日志的客观记录避免了自我报告偏差；实践上，为开发自适应教育技术提供了具体设计建议。研究成果不仅适用于数学教育领域，对理解技术支持的协作学习机制也有普遍参考价值。未来研究可进一步优化软件设计，如整合难度奖励机制，或探索"协作疲劳"的深层成因，以更好地发挥mCSCL在教育中的应用潜力。