引言
计算思维(CT)已日益融入全球小学教育课程,教育动画作为支持其教学与学习的重要教学方法逐渐兴起(Grover & Pea, 2018; Kong & Liu, 2023; Kong & Wang, 2024)。然而,为学习者提供相同的教学环境并不一定会产生相似的学习过程或发展路径。造成这种差异的一个重要来源是学习者调节自身学习的有效性。自我调节学习(SRL)是指学习者设定目标、选择和调整策略、监控自身进度以及反思学习结果的过程(Zimmerman & Moylan, 2009)。在技术增强环境中,这些调节过程尤为关键,因为学习者往往需要更独立地管理信息、保持注意力、监控进度并做出决策。对于调节能力仍在发展中的小学生而言,协调这些过程的能力对于将学习机会转化为有效的问题解决和持续参与尤为重要(Lam & Sato, 2025; Zimmerman & Schunk, 2011)。
在学习情境中,调节需求在计算思维环境中尤为突出。计算思维涉及分解问题、识别模式、构建抽象、开发算法解决方案,以及迭代地评估和改进这些方案(Wing, 2006, 2008)。这些过程不仅要求学习者获取计算知识,还要求他们在时间维度上协调自身行动、发现错误、修正策略,并在初始方案失败时坚持不懈。这些要求对初学者可能非常繁重,特别是在必须同时处理抽象概念和不熟悉的问题解决程序时(Angeli & Giannakos, 2020)。因此,自我调节学习为学习者管理计算思维学习中的认知和策略需求提供了重要机制。目标设定可以引导问题解决,监控可以帮助学习者发现预期进展与实际进展之间的差异,反思可以为后续的策略修正提供依据(Kong & Wang, 2024; Peters-Burton et al., 2018)。与此观点一致,研究表明,能够有效调节自身学习的学习者往往表现出更强的坚持性、更具策略性的问题解决能力,以及在具有挑战性的学习情境(包括计算思维)中更强的表现(Kong & Liu, 2023; Panadero, 2017; Peters-Burton et al., 2018; Schunk & Zimmerman, 1998, 2012)。
教育动画在此情境中可能尤为相关,因为它可以同时改变计算思维任务的认知需求和自我调节的机会(Kong & Liu, 2023; Kong & Wang, 2024; Shreesha & Tyagi, 2018)。动态可视化可以使原本抽象的计算过程更加可观察,通过呈现序列、转换和因果关系——这些从静态表征中难以推断——来发挥作用(Mayer, 2009)。交互功能可以邀请学习者操作表征,叙事结构可以将计算程序置于有意义的语境中,视觉演示可以使中间问题解决步骤更加明确。因此,动画可以支持学习者预期任务序列、监控解题进度、比较不同策略,并反思特定行动的后果(An et al., 2024; Sharma et al., 2024)。然而,这些优势并非在所有学习者中均匀发挥作用,越来越多的证据表明动画效果存在显著差异,这挑战了普遍受益的假设。研究记录了复杂动画在缺乏适当支架的情况下会增加年轻学习者的认知负荷,从而损害而非支持调节过程的案例(Colliot & Boucheix, 2024)。初始动机低或工作记忆有限的学习者往往会脱离那些对高记忆容量同伴有益的同一种动画内容(Ploetzner, 2024),而其他人则从事被动观看而非主动认知加工(Sharma et al., 2024)。
这些相反的可能性将核心问题从动画是否普遍有益转移到了学习者如何在相同的动画辅助环境中发展。大量动画研究聚焦于教学设计特征和平均效应,隐含地将学习者的反应视为相对同质的。这种方法可能会掩盖学习者在启动、维持、增强或失去调节控制方面如何随时间发展而存在的有意义的差异。因此,动画可能更好地被理解为一种学习环境,在此环境中不同的自我调节学习发展模式可以展开,而非一种普遍有益的工具。识别这些模式在理论上具有重要意义,因为相似暴露可能与截然不同的发展轨迹相关;在实践中同样重要,因为有效支持取决于认识到调节困难在何处及何时出现。这引出了我们研究的核心问题:在动画辅助的计算思维学习过程中,出现了哪些不同的自我调节学习发展轨迹?
回答这一问题需要克服现有自我调节学习研究的局限性。在方法上,大量文献依赖横断面或变量中心设计,这些设计可以描述平均关联,但无法揭示学习者是否随时间经历质性不同的发展路径。这一局限性在技术增强学习环境中尤为关键,因为相同的教学情境可能与截然不同的调节变化模式相关。尽管Kong和Wang(2024)证明了动画可以在纵向动态系统中充当催化剂,促进总体自我调节学习与认知发展之间的相互强化关系,但他们的分析聚焦于一般性发展互动而非特定自我调节学习领域内的轨迹异质性。与此总体发展视角形成互补,Ma等(2026)揭示了人机生成式人工智能协作编程中不同表现组之间自我调节学习行为和策略转换的任务水平异质性,但并未明确回答学习者是否在特定自我调节学习领域内遵循不同的发展轨迹。在概念上,这留下了一个重要盲点:自我调节学习可能不会在所有学习者中均匀展开,也不会在其组成领域中均匀展开。因此,主要从总体角度处理自我调节学习发展可能会掩盖不同领域随时间变化的有意义差异。
本研究通过应用增长混合模型(GMM)——一种纵向以人为中心的方法——来填补这些空白。该方法识别每个自我调节学习领域内的轨迹轮廓,而非估算单一平均增长模式。这种方法使我们能够:(1) 识别质性不同的发展轨迹;(2) 考察学习者特征与这些轨迹归属之间的关联;以及(3) 确定认知结果是否随领域特定轮廓而异。具体而言,我们在1308名高年级小学学生在三个时间点、动画辅助的计算思维学习中,分别估算了目标设定、表现监控、时间管理和自我反思的发展轨迹。通过揭示发展异质性在自我调节学习各领域中如何及在何处出现,本研究为动画辅助计算思维学习中的自我调节学习发展提供了更具区分度的描述,并为考虑如何根据特定自我调节学习领域的发展需求来调整支持提供了更坚实的实证基础。