面向高等教育元认知研究的智能体数字孪生仿真框架设计与内部评价:AMERT-D模型

《Frontiers in Psychology》:Design and evaluation of an agent-based digital-twin-inspired simulation for metacognition research in higher education

【字体: 大 中 小 】 时间:2026年10月24日 来源:Frontiers in Psychology 3.8

编辑推荐:

  背景:复杂的元认知(metacognition)模型与其在教育情境中的实证检验之间存在显著差距,尤其是分层AMERT模型(self-awareness, self-monitoring, self-evaluation, self-regulation, se

  
背景:复杂的元认知(metacognition)模型与其在教育情境中的实证检验之间存在显著差距,尤其是分层AMERT模型(self-awareness, self-monitoring, self-evaluation, self-regulation, self-transfer)。基于智能体(agent)的仿真框架及其向基于仿真的数字孪生(digital twin)的概念演化,在高等教育中作为假设生成的虚拟实验室仍未得到充分利用,尽管其具有建模复杂发展动力学的潜力。目的:本研究旨在设计并内部评价一个基于仿真的数字孪生框架,该框架结合五级AMERT模型与基于智能体的架构,以探究元认知发展的动力学。方法:采用设计与发展研究(Design and Development Research, DDR),研究人员通过理论综合开发框架,并采用修正德尔菲法(modified Delphi method)由12名专家对概念内容进行专家评审。学生智能体使用NetLogo模拟,代表四种计算学习者原型。教学情境模拟150个时间步(ticks),每个情境重复50次,并使用图神经网络(Graph Neural Networks, GNN)检验仿真逻辑的内部一致性;输出在预设计算原型间保持系统可区分(分类准确率89%)。发现:混合情境(教师反馈、同伴反馈和高任务复杂度)产生最高加权AMERT均值(3.86)和建模自迁移率38%(假设模型参数)。模型教师的反馈与模拟元认知差距降低38%相关。重要的是,模拟干预被建模为统一干预,导致高表现与低表现智能体画像之间的表现差异增大;这是在基于阈值的进展机制下数学上预期的模式,符合马太效应(Matthew Effect)概念,并生成用于实践实证探索的假设。所有发现应视为基于模型的假设,而非对真实学生的观察。结论:这是首批将基于仿真的数字孪生建模用于高等教育元认知的研究之一,为探索复杂元认知理论提供概念验证框架,并提出未来实证检验的假设。
研究背景与问题:元认知(metacognition,对自身认知的认知)是认知心理学与教育科学的基础概念;分层AMERT模型将元认知组织为自我觉察(A)、自我监控(M)、自我评价(E)、自我调节(R)与自我迁移(T)五个递进水平。高等教育中,学生面对复杂任务、不良结构问题与信息过载,元认知尤为关键。然而,原文指出该领域存在定义与测量危机、伦理与实践限制、理论—实践鸿沟:自评工具存在偏差,长期干预成本高且伦理受限,AMERT等复杂模型仍偏抽象,现有仿真多采用过度简化的元认知框架,未操作化AMERT层级。原文识别三个缺口:理论与操作整合不足、数字孪生在教育领域应用不足、国际研究情境分散。研究目标为设计并内部评价面向高等教育元认知发展的概念框架与数字仿真系统,回答AMERT层级如何在基于智能体(agent,具有自主属性和交互规则的计算实体)的数字孪生框架中实例化、五级间迁移如何建模、教学干预情境如何影响模拟学习者迁移与元认知表现。研究采用DDR(设计、开发并验证创新框架的方法)三阶段:理论综合与专家内容评审、NetLogo 6.4.0实现、内部计算评价。意义在于提供“虚拟实验室”以生成可检验假设,而非替代真实学生实证。

关键方法概述(不超过250字):研究采用设计与发展研究(DDR)三阶段;通过理论综合构建三层AMERT-D框架,并用修正德尔菲法由12名教育技术、认知心理学与学习科学、教学设计、计算建模专家两轮评审(Kendall’s W=0.82,p<0.001)。仿真在NetLogo 6.4.0中实现,学生智能体分为Deep、Surface、Low-effort、General四种计算原型;五种教学情境各运行150个时间步并重复50次;内部一致性用两层GNN分类(200个智能体,80%–20%训练—测试);并做单因素敏感性分析与初步双因素交互分析。无真实学生样本队列,数据为合成智能体输出;专家评审为12名专家。

研究结果:
7.1 教学情境(Instructional scenarios):研究人员设计基线、教师反馈、同伴反馈、混合、动态复杂度五种情境,各150个时间步、重复50次;用于比较不同干预配置下模型输出。
7.2 内部一致性检查结果(Internal consistency check results):通过GNN对200个智能体输出分类,获得89%分类准确率、平均一致性0.85;Deep为0.94、Surface为0.86、Low-effort为0.81、General为0.88;原文强调这只说明模型内部计算逻辑与初始化参数一致,不构成外部效度。
7.3 敏感性分析(Sensitivity analysis):通过单因素变化得出,自我觉察阈值对T级迁移影响最大(S=1.24),阈值由60降至50使T级迁移率增加28%;教师反馈强度对加权AMERT均值(S=0.89)和元认知差距(S=?0.76)影响大;任务复杂度呈倒U效应;同伴互动半径由3增至5仅提高5%;学生数量影响小(S<0.15)。
7.4 教学情境比较(Comparison of instructional scenarios):通过单因素方差分析,加权AMERT均值在情境间差异显著[F(4,245)=28.63,p<0.001,η2=0.32];混合情境最高(3.86),教师反馈单独次之(3.24),同伴反馈单独(2.56)与基线(2.18)无显著差异(p=0.12)。7.4.2方法学说明指出p值与效应量反映模型对随机初始化的稳健性,而非真实学习者抽样变异。7.4.3 T级自迁移率:混合38%、教师反馈24%、同伴反馈8%、基线2%;逻辑回归显示教师反馈强度(OR=2.84,p<0.001)与任务复杂度(OR=1.56,p=0.02)同T级迁移相关,但因未完全正交化,不能解释为独立或因果效应。7.4.4元认知差距:情境间差异显著[F(3,196)=22.18,p<0.001,η2=0.25];含教师反馈情境较基线使模拟元认知差距降低38%(M Hybrid=13.2,M Base=24.6)。
7.5 计算学习者原型分析(Analysis of computational learner archetypes):通过双因素方差分析发现学习画像与情境交互显著[F(9,980)=15.42,p<0.001,η2=0.11];Deep原型各情境最高,Surface由基线1.84升至混合3.24(+76%),Low-effort最不敏感(混合2.31),General较受同伴反馈影响。7.5.1差距扩大(The widening gap):通过模型比较,Deep与Low-effort差距由1.88增至2.41;原文说明这是阈值式迁移机制下数学上预期的模式,与马太效应一致,但属于模型生成假设。
7.6 候选的基于仿真的元认知韧性(Candidate simulation-based metacognitive resilience):通过动态复杂度情境(0.3→0.6→0.9)考察高阶元认知稳定性;复杂度0.9时自调节下降18%、元认知差距增加32%;Deep短暂下降后快速恢复,Surface下降后恢复不完全,Low-effort近完全停滞,General部分恢复;原文强调该候选指标需真实学习者纵向实证,不能由当前模型确立为独立心理构念。

讨论总结与结论翻译:讨论部分指出,模拟发展轨迹与AMERT层级假设一致,但部分由阈值机制编码,故不能独立验证层级;教师反馈在模型中与最大元认知差距降低相关,符合元认知校准理论(Metacognitive Calibration Theory)的外部校准解释;同伴反馈因仅以邻域表现均值定量建模,其有限效应受模型简化限制;任务复杂度倒U效应可由认知负荷理论(Cognitive Load Theory)解释;阈值与反馈强度存在交互,存在中等阈值—中等反馈的“甜点”;统一干预下原型差距扩大与马太效应一致,但属模型生成预测;元认知韧性为候选仿真指标,需实证。研究结论翻译:本研究回应了三个缺口:理论—操作整合、数字孪生领域应用和情境缺失。AMERT-D框架与仿真系统是面向高等教育的情境化元认知仿真的首批步骤之一。基于智能体的仿真为检验教育理论、建模学习动力学和生成实践指导提供了强大能力。研究人员希望本研究标志着教育科学中更广泛采用仿真方法的开端,为理论发展、教学设计和循证政策制定开辟新视野。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号