《COMPUTERS and EDUCATION》：Trace-Based Measurement of Self-regulated Learning in Primary Mathematics: Implementation and Validation within an Adaptive Learning Platform
编辑推荐：
•在TALP中为小学数学开发了一套基于行为轨迹的自我调节学习系统。•通过行为轨迹数据聚类，识别出三种自我调节学习学习者画像。•更广泛地使用TALP模块与更强的自我调节学习行为相关联。•基于轨迹数据的自我调节学习与自我报告的自我调节学习高度相关（r = 0.59）。•行为轨迹数
- •
在TALP中为小学数学开发了一套基于行为轨迹的自我调节学习系统。
- •
通过行为轨迹数据聚类，识别出三种自我调节学习学习者画像。
- •
更广泛地使用TALP模块与更强的自我调节学习行为相关联。
- •
基于轨迹数据的自我调节学习与自我报告的自我调节学习高度相关（r = 0.59）。
- •
行为轨迹数据在小学数学中提供了有效、可扩展且无干扰的自我调节学习测量方法。
引言
自我调节学习是指学习者规划、监控和反思自身学习的能力，是学业表现的关键决定因素，也是终身学习能力的养成关键（Pintrich, 2000; Zimmerman, 2000; Raemy 等, 2026; Heikkinen 等, 2025）。自我调节学习传统上通过自评问卷进行测量，因其高效且易于部署而仍被广泛使用。然而，这些测量方法存在固有的局限性——易受回忆偏差和社会赞许效应的影响，且仅能提供自我调节学习的静态表征，无法捕捉其在学习过程中动态展开且依赖情境的本质（Winne, 2022a; Rovers 等, 2019）。
学习分析的出现使行为轨迹数据成为一种颇具前景的替代方案。行为轨迹数据不依赖学习者的回忆或感知，而是在数字环境中实时捕捉行为交互，提供了一种生态学上有效的途径，同时带来最小的认知负担——这一点在基础教育中尤为重要（Ga?evi? 等, 2017; Matcha 等, 2020; Rovers 等, 2019）。以 MetaTutor 和 FLoRA 为代表的 AI 驱动平台已展示了如何通过分析行为日志来揭示认知和元认知调节策略（Azevedo 等, 2022; T. Li 等, 2024; Fan 等, 2022; Lim 等, 2023; Molenaar 等, 2023）。然而，大多数基于行为轨迹的自我调节学习研究聚焦于高等教育和读写领域（Matcha 等, 2020; Azevedo 等, 2022），对基础教育环境，尤其是数学领域的关注十分有限。数学需要特定领域的调节策略，元认知调节在支持多步骤推理中发挥着核心作用（DiGiacomo, 2014; Hitt, 2023）。诸如 FLoRA 等工具提供了可迁移的行为框架，但其动作库是在其他学科领域开发的，无法捕捉数学学习特有的调节行为。
尽管基于行为轨迹的自我调节学习指标日益受到推崇，自评问卷在教育实践中仍占主导地位，而行为轨迹数据的更广泛采用则取决于证明其相对于这些成熟工具的有效性。文献中存在两种主要验证方法。第一种评估行为轨迹数据在真实学习任务中反映真实学习行为的程度，最常用的是出声思维协议（Hadwin 等, 2007; Fan 等, 2022; Lim 等, 2023）。第二种根植于心理测量学传统，以经过验证的问卷作为效标测量工具，来评估基于行为轨迹的自我调节学习指标的结构效度（Hosseini Ravesh 等, 2022）。虽然一些研究发现这两种方法之间存在有意义的重叠，尤其是在捕捉数字环境中的策略使用方面（Kizilcec 等, 2017; van Halem 等, 2020; Du 等, 2023），但基于行为轨迹的自我调节学习指标在多大程度上与经过验证的自评工具相对应，仍是一个悬而未决的问题。
为弥补这一空白，本研究采用专为数字学习环境设计的自我调节学习综合问卷（SRLIQ）（Anonymous）作为效标测量工具，来评估基于行为轨迹的自我调节学习指标的结构效度。尽管基于行为轨迹的自评和自评的自我调节学习测量均显示出与学业成就的关联，但同时考察三者的研究极为稀缺（Rodrigues 等, 2019; Du 等, 2023）。因此，本研究考察基于行为轨迹的自我调节学习指标是否像自评工具一样能有效地预测数学成绩。
本研究在台湾适应性学习平台（TALP）中嵌入了一套专门构建的自我调节学习检测系统，该 K-12 数字环境在台湾被广泛用于提供标准化的数学课程教学。参考 FLoRA 的行为框架（T. Li 等, 2024; Fan 等, 2022），构建了一个面向数学领域的特定学科动作库和学习过程库，以捕捉学生在使用平台时的调节行为。这些基于行为轨迹的
自我调节学习指标随后与 SRLIQ 的回答以及全国数学评估的成绩进行了比较。本研究围绕以下研究问题展开：
RQ1
在数字环境中进行数学学习任务时，能在多大程度上通过收集到的行为轨迹数据识别出具有理论依据的自我调节学习策略？
RQ2
从行为轨迹数据中推导出的自我调节学习策略与学生的自评自我调节学习措施是否有任何关联？
RQ3
从行为轨迹数据中推导出的自我调节学习策略与学生的数学成绩是否有任何关联？
RQ4
两种自我调节学习测量指标之间的关联程度如何，以及每种指标各自与数学成绩的独立关联如何？
章节摘要
自我调节学习：理论视角与策略框架
自我调节学习被定义为学习者为实现学业目标而主动管理自身认知、动机和行为过程的能力（Pintrich, 2000; Zimmerman, 2000），其与学业成就（Leite 等, 2022; Raemy 等, 2026）、深度学习的投入以及终身学习素养的养成始终密切相关（Heikkinen 等, 2025）。各大理论框架对于构成认知的核心策略存在广泛共识
方法论
本研究旨在在 TALP 中实施一套行为轨迹数据系统，以记录学生的学习序列并通过预设编码方案检测其自我调节学习行为。随后根据学生行为模式的相似性对其进行分组，并在各群组中考察自我调节学习策略，以探索不同的参与度画像如何反映出数学学习中不同的自我调节方式，借鉴了 L?ms? 等（2025）等研究确立的方法
通过 TALP 中的学习序列探索不同群体的自我调节学习策略画像 – RQ1
对学生在 TALP 中数学活动的编码后学习序列进行聚类分析，得到了三个学习者群体，轮廓系数确认三聚类为最优方案（图4）。图5展示了各群体内每个学习者的序列展开情况，捕捉了所经历的步骤数及总耗时。研究采用颜色编码方案以区分学习模块：红色代表课程概览和任务分配（A类），绿色代表
讨论
本研究通过考察利用行为轨迹数据测量小学数学中自我调节学习策略的可行性，填补了学习分析文献中的一个显著空白。基于 Bannert（2007）的理论框架，在 TALP 中开发了特定学科的动作库和过程库，以捕捉学习展开过程中的自我调节学习模式。研究结果表明，行为轨迹数据在评估学生自我调节学习方面与自评测量手段表现相当，对新兴的第三波
结论
本研究推进了自我调节学习的研究，证明了行为轨迹数据可用于检测和识别小学数学中具有理论依据的自我调节学习策略。通过在 TALP 中开发的特定学科动作库和过程库，根据行为序列识别出三个不同的学习者群体：练习导向型、策略型和学习型，每个群体反映出不同程度的自我调节学习参与度。本研究聚焦于小学数学，填补了一个显著的
CRediT 作者贡献声明
Dragan Ga?evi?：撰写—审阅与编辑，撰写—初稿，指导，项目管理，方法论，概念设计。林轩兆（Linxuan Zhao）：可视化，调查研究，数据整理。李心雨（Xinyu Li）：撰写—审阅与编辑，撰写—初稿，软件，数据整理。杨至维（Chih-Wei Yang）：指导，方法论，经费获取。李东广（Tongguang Li）：撰写—审阅与编辑，撰写—初稿，验证，数据整理。Mladen Rakovi?：撰写—审阅与编辑，
未引用参考文献
Lin 等, 2026; 中华民国内政部, 2025。
数据和材料的可获得性
支持本研究结果的数据可向通讯作者申请获取。由于隐私或伦理限制，数据不予公开。
资金
本研究部分获得台湾科技部的支持，合同编号为科技部 111-2410-H-142-031-MY3，以及中华民国数字学习提升计划支持的第教育部第1至12年级的推广办公室。
致谢
本研究的成功完成，衷心感谢中华民国教育部支持的"第1-12年级学生数字学习提升计划"和"台湾适应性学习平台"提供的宝贵数据与协助。使用本数据发表的学术论文仅代表作者观点，不反映教育部部的意见、观点或立场。作者承担相关事项的全部责任。
Borchen Kuo|Chiahua Lin|Frederic Taoyi Chang|Chihwei Yang|Xinyu Li|Mladen Rakovi?|Tongguang Li|Linxuan Zhao|Dragan Ga?evi?
