超越可及性：会话式人工智能（AI）辅助反馈的参与塑造数字游戏化学习（DGBL）中的认知负荷

《Computers in Human Behavior》：Beyond Access: Engagement with Conversational AI-Assisted Feedback Shapes Cognitive Load in Digital Game-Based Learning

　　

• 会话式人工智能（conversational AI）辅助反馈在数字游戏化学习（digital game-based learning, DGBL）中对认知负荷表现出条件性而非一致性效应。
• 会话式AI辅助反馈与外在认知负荷（extraneous cognitive load, ECL）之间的关联随参与度、感知任务复杂性和模拟进程而变化。
• 更高的关联认知负荷（germane cognitive load, GCL）与对会话式AI辅助反馈的规律性参与相关，而不是仅与可获得性相关。
• 学习者参与、个体特征和时间动态塑造人–AI（human–AI）交互的认知后果。
• 结合个体内（within-person）与个体间（between-person）分析可为认知负荷动态提供互补性见解。

研究背景与问题：数字游戏化学习（digital game-based learning, DGBL）具有高互动性、迭代反馈与动态决策特征，会对工作记忆造成较高要求。认知负荷理论（Cognitive Load Theory, CLT）区分内在认知负荷（intrinsic cognitive load, ICL）、外在认知负荷（extraneous cognitive load, ECL）和关联认知负荷（germane cognitive load, GCL）；当外在负荷过高或负荷超过工作记忆容量时，会妨碍图式建构与关联加工。反馈被视为复杂数字学习环境中的重要支持，但其效果受反馈特征、学习者参与和情境调节。会话式人工智能（conversational artificial intelligence, AI）辅助反馈可提供按需、互动和适应性支持，但既有研究多集中于短期干预与学习结果，对真实纵向环境中“可获得性”与“实际参与”的区分，以及ICL、元认知自我调节学习（metacognitive self-regulated learning, SRL）和模拟进程的调节作用认识不足。因此，研究人员在五周商业模拟游戏中考察会话式AI辅助反馈与ECL、GCL的关系，并检验上述调节因素；该论文发表于《Computers in Human Behavior》，作者包括Anna Wenzel、Jan-Martin Geiger与Andreas Liening。

方法概述：该研究为五周纵向组间现场研究，样本来自德国大学创业相关课程，共234名学生（116名控制组、118名实验组；平均年龄23.1岁；40%女性；53%本科生），组成48个4—6人团队，并分入本科与研究生两个并行商业模拟游戏。控制组接受模拟内置静态反馈，实验组额外获得会话式AI辅助反馈。研究每周测量ICL、ECL、GCL与SRL，并以系统日志记录反馈检索频率；采用线性混合效应模型（linear mixed-effects models, LMMs）进行意向治疗（intention-to-treat, ITT）与基于使用分析，并在实验组开展个体内探索分析，控制滞后投资回报率（return on investment, ROI）ROI_t?1及随机效应。

研究结果：
3.1 初步分析：通过ITT基线比较与基于使用的亚组比较发现，控制组与实验组在年龄、性别、学习阶段和先前创业教育经验上无显著差异；实验组内非使用者49名、非规律使用者36名、规律使用者33名，且使用亚组在人口学与教育背景上无显著差异；第3周危机轮次中会话式AI辅助反馈检索率最高。结论为组间基线同质，实际参与未系统关联于基线特征。
3.2 主分析结果：通过LMM对1147个观测的ECL与GCL分别建模，并区分ITT与基于使用模型。
3.2.1 外在认知负荷：通过ITT与基于使用LMM发现，会话式AI辅助反馈的可获得性或实际参与均未显著影响ECL，H1A与H1U未获支持。ICL与ECL呈强正相关；ICL×组别总体交互不显著，仅规律使用者与控制组比较显著（β=.236, p=.012），提示规律使用者中ICL与ECL关系较弱，但仅对H3构成有限支持。SRL与ECL无显著主效应或交互，H5未获支持。时间显著预测ECL，ECL随模拟进程下降；ITT模型中时间×条件显著，基于使用模型总体交互未显著，对H7构成部分支持。
3.2.2 关联认知负荷：通过ITT模型发现，仅提供会话式AI辅助反馈可获得性未显著提高GCL，H2A未获支持；基于使用模型显示，规律使用者GCL显著高于非使用者和控制组，对H2U构成部分支持。ECL与GCL显著负相关，滞后ROI与GCL显著正相关。ICL与GCL无显著主效应或交互，H4未获支持。SRL与GCL呈强正相关，但SRL×反馈条件不显著，H6未获支持。时间显著预测GCL下降，时间×条件不显著，H8未获支持；仅第4轮非使用者与规律使用者比较出现孤立显著结果。
3.2.3 探索性个体内分析结果：通过实验组内572个观测的个体内分析发现，每周聊天机器人使用未显著预测ECL；使用×SRL交互显著，使用周中SRL与ECL的负关联更强。每周使用显著正向预测GCL；使用×ICL交互显著，使用周中ICL与GCL的关联更正向；使用×SRL及使用×时间交互不显著。结论为实际使用与GCL的即时升高相关，并调节ICL与GCL及SRL与ECL的关系。

讨论与结论：讨论部分强调，会话式AI辅助反馈的认知效应是条件性的，取决于实际参与、干预进程和学习者特征，而非仅取决于技术可获得性；规律参与与更高GCL相关，但未一致降低ECL，ECL效应随模拟进程和ICL变化。理论层面，研究将CLT与互动—建构—主动—被动框架（Interactive-Constructive-Active-Passive, ICAP）结合，强调应将参与视为动态过程；实践层面，应提供使用指导并区分“可获得”与“实际参与”，学习分析应监测参与行为。局限包括使用自愿、主观负荷测量、团队共享反馈及单一样本情境。

研究结论（译文）：本研究通过整合ITT、基于使用和探索性个体内分析，考察会话式AI辅助反馈在较长商业模拟游戏中与认知负荷的关联。通过将纵向现场研究设计与真实商业模拟中重复测量的认知负荷相结合，本研究提供了关于会话式AI辅助反馈如何随时间塑造认知加工的生态效度证据。总体而言，研究结果表明，会话式AI辅助反馈的认知效应较少取决于其单纯可获得性，而更多取决于学习者对技术的实际参与、学习干预的进程以及个体学习过程特征。虽然规律性参与会话式AI辅助反馈未一致降低ECL，但其效应取决于模拟进程和学习者ICL；此外，持续参与与更高GCL相关。除展示会话式AI作为教学支持工具的潜力外，本研究通过强调将参与概念化为动态过程而非静态处理特征，为CLT和AI支持学习研究作出贡献。在方法上，研究结果说明结合个体间与个体内视角有助于捕捉真实教育干预中学习者–AI交互的演变性质。随着会话式AI日益融入教育，理解学习者不仅是否能够获得AI辅助反馈，而且如何、何时以及在何种条件下参与其中，对于设计有效促进生产性认知加工和学习的教学支持至关重要。