评估沉浸式技术学习设计中的认知复杂性与知识增益

《Behaviour & Information Technology》：Evaluating cognitive complexity and knowledge gain on learning designs with immersive technology

　　

在实践型电子学习中，沉浸式和混合数字技术的日益普及引发了关于认知复杂性及其对学习成果影响的思考。尽管虚拟现实（VR）、增强现实（AR）和人工智能（AI）支持的模拟等沉浸式技术提供了丰富的体验可供性，但当多种设计元素组合时，也可能引入认知超载。本研究将沉浸式学习概念化为一个从完全沉浸式扩展现实（XR）到混合式和半沉浸式模拟的连续谱。研究人员提出了一个用于评估实践型学习设计中认知复杂性的多维框架。该框架将认知复杂性操作化为四个维度：学习目标与能力、问题空间中的交互、社会学习以及问题情境的呈现。该框架被经验性地应用于“电子文凭社交创业”原型的学习模块，该原型集成了VR、AI聊天机器人、严肃游戏和协作数字工具。通过对260名学习者的前后测，研究人员考察了不同的复杂性特征如何与知识增益相关。结果表明，学习成果并非仅由沉浸感决定，而是取决于体验式学习阶段、问题解决需求、感官参与和社会组织之间的协调一致。研究结果强调了在沉浸式实践型学习设计中，有意识地编排认知复杂性的重要性。

本研究针对一个关键领域，即在实践型电子学习中广泛应用沉浸式技术时，如何理解和管理伴随而来的认知需求。人工智能和沉浸式学习技术的快速发展，如虚拟现实（VR）、增强现实（AR）和扩展现实（XR），正在改变实践型电子学习环境。这些技术使学习者能够接触复杂、动态、类似真实职业实践的问题情境。然而，它们也常常同时激活多个感觉通道、交互模式和社会参与形式，这可能显著增加学习者的认知需求。从认知工效学（cognitive ergonomics）的角度看，学习的有效性取决于学习环境与人类认知能力和局限性的匹配程度。认知工效学关注复杂动态情境下的知觉、注意、记忆和决策，强调注意和工作记忆是有限的资源。当学习环境要求学习者同时处理多个信息源时，就可能发生认知超载（cognitive overload），导致表现下降和学习成果减弱。这些问题在沉浸式和混合式学习环境中尤为突出，因为这里常常结合了多感官输入、具身交互（embodied interaction）和社会协调。
尽管先前的研究考察了沉浸式学习环境中的沉浸感（immersion）、存在感（presence）和参与度（engagement），但对于不同设计元素如何共同作用形成认知复杂性，以及这种复杂性在实践场景中如何与学习成果相关联，关注较少。实践型学习通常要求学习者激活认知、元认知、情感、心理运动和具身过程，使得认知复杂性的管理尤为关键。本研究通过提出并经验性地应用一个评估涉及沉浸式和混合技术的实践型学习设计中的认知复杂性的框架来填补这一空白。研究受两个研究问题引导：在涉及沉浸式和混合数字技术的实践型学习场景中，如何评估认知复杂性？此类学习设计中的认知复杂性如何影响知识增益？
经验上，本研究利用了“电子文凭社交创业”原型的数据，该原型由五个学习模块组成，集成了VR、AI聊天机器人、严肃游戏和协作数字平台。本研究做出了三项贡献。首先，它提出了一个用于分析跨越沉浸式和混合技术的实践型学习设计中认知复杂性的多维框架。其次，它通过五个对比鲜明的学习模块，实证展示了不同的认知复杂性配置如何与知识增益相关。第三，它提供了与设计相关的见解，表明学习的有效性取决于体验、感官、社会和问题解决要素的协调编排，而不仅仅是技术沉浸感。
研究人员首先阐述了实践型电子学习与沉浸式环境的基础。实践型学习将学习概念化为参与有意义的活动，知识通过行动、反思和社会互动而非被动内容消费来构建。此类情境中的学习涉及多个学习领域的协调发展，包括认知、情感、元认知、心理运动和具身维度。关于沉浸式技术，本研究将其视为一个连续谱，而不仅仅是虚拟或增强现实。VR、AR和XR代表了完全沉浸式的技术实例，但沉浸式学习越来越多地被概念化为一个连续谱，也包括混合式和半沉浸式环境，这些环境结合了模拟、严肃游戏、AI支持的交互和协作数字工具。这些环境的共同点不在于所使用的具体技术，而在于它们通过互动的、体验丰富的、需要主动决策和情境参与的问题空间来中介学习。
为了建立概念清晰度，研究人员区分了实践组件和问题组件。实践组件指学习如何被执行和组织，包括学习目标、学习者行动、工具和技术以及社会组织。问题组件指学习者必须参与的认知结构，包括情境表征、可能行动、约束和目标。在提出的模型中，实践型学习环境中的问题解决被理解为四个相互关联组件的动态协调：(1) 问题和可能解决方案的表征（心理的和外部的），(2) 学习者为转化这些表征而采取的行动，(3) 定义理想最终状态的目标，以及 (4) 限定可能行动和表征间转换的约束。在沉浸式和混合式学习环境中，约束可能由技术本身（如界面、时间限制）或教学设计（如任务规则、协作要求）引入。
此外，研究人员强调了多感官和具身交互以及社会学习与支架（scaffolding）的作用。在沉浸式和混合式学习设计中，具身参与通常通过与模拟代理交互、空间导航或时间压力下的决策来中介。多感官沉浸指多个感觉通道（包括视觉、听觉、触觉、前庭觉和本体感觉）的同步激活。具身交互强调通过环境内的物理或模拟身体动作进行学习。社会学习包括与促进者、同伴或AI聊天机器人的交互，引入了人际元素，增加了概念性知识的复杂性。支架类型包括概念性支架、元认知支架、程序性支架、策略性支架和情感性支架。
基于上述概念基础，认知复杂性被操作化为四个相互关联的维度：学习目标与能力（基于Bloom的认知目标分类法）、问题空间中的交互（包括问题解决类型、体验式学习阶段和学习者交互性）、社会学习（包括交互形式和支架类型）以及问题情境的呈现（包括感觉通道和多媒体类型与模式）。这些维度通过11个设计指标进行操作化，每个指标在0-4的序数量表上评分，代表不断增加的认知需求。该量表旨在进行比较分析，而非精确测量，以便在异质学习设计之间对比其整体认知复杂性。
本研究的知识增益测量方法基于“电子文凭社交创业”原型。该原型是一个实践型学习环境，由五个模块化学习场景组成，涉及社会创业的关键方面。所有模块根据共享的教学意图设计，但有意在学习设计复杂性上有所变化，使其成为使用所提框架进行比较分析的合适案例。每个模块由来自爱沙尼亚、匈牙利和意大利的52名学习者测试。为测量知识增益，为每个模块开发了前后测试问卷。每个问卷包含与该模块内容相关的知识问题，总分10分。通过计算前后测的平均成功率（%）并计算差值（后测-前测）来确定知识增益。使用单因素方差分析（one-way ANOVA）比较不同模块的平均知识增益。研究人员测量了每个认知复杂性要素在各模块中对平均知识增益差异的影响。
研究结果展示了社会创业原型模块中的认知复杂性与知识增益。研究人员展示了五个不同的模块：1. 模块1“灯塔（Lodestars）”：一款沉浸式VR游戏，需要使用许多感觉通道与代表社会创业者等角色的AI聊天机器人交谈。问题呈现模糊，基于规则的问题解决，学习者交互性低，处于具体经验阶段，分析滞后于游戏阶段。2. 模块2“英雄（Heroes）”：一款多人VR游戏，教授动态集体决策，需要控制和监控仪表盘，主动实验应用抽象概念，涉及分析和评估，交互性高。3. 模块3“画家（Painters）”：一项团队协作设计练习，使用商业模式画布（BMC），学生在虚拟教室中协作，通过MS Teams讨论，咨询四个AI角色。该模块交互性高，但时间有限，工具生态碎片化。4. 模块4“盟友（Allies）”：一款单人桌面决策游戏，玩家需同时进行招聘和管理，与由大型语言模型（LLM）扮演的应聘者面试，监控仪表盘，需要多任务处理。5. 模块5“天使（Angels）”：一款由四名学生参与的竞争性卡牌游戏，重点在于战略市场定位。
关于模块的学习增益分析显示，不同模块间存在统计学上显著差异（p > 0.002）。模块3的知识增益最低（甚至为负），这可能由于程序性过强、时间有限的设计以及在线协作格式引入的协调开销和分心所致，可能导致了认知超载。模块2和4的知识增益最高，尽管它们在技术沉浸度上有所不同，但两者都强调主动实验、持续反馈和可控的多媒体复杂性，使学习者能够迭代应用概念并观察结果。模块1和5的知识增益中等或几乎无变化，可能与分析阶段延迟或学习过于隐性有关。
单因素韦尔奇方差分析（One-Way Welch's ANOVA）结果表明，知识增益（前后测分数差）受到某些设计方面的显著影响，包括：预期的学习效果数量、问题解决类型、体验式学习阶段中的交互类型、同时呈现的多媒体类型数量、学习模式以及需要激活的感觉通道数量。值得注意的是，“待学习概念数量”、“学习场景目的”和“支架类型数量”等因素本身似乎没有产生显著影响。此外，研究人员发现知识增益与教育水平显著相关（p > 0.003），但与年龄或先前使用沉浸式技术的经验无关。
在讨论部分，研究人员回应了研究问题。针对研究问题1，框架能够系统比较具有不同技术实现的学习设计，揭示了不同模块间独特的认知复杂性特征。研究支持的观点是，沉浸式和混合式学习环境中的认知复杂性不能归因于单一设计特征（如VR的存在或概念数量）。相反，复杂性源于多个设计维度的交互，包括问题解决需求、学习者交互性、体验式学习阶段、感官参与和社会组织。这符合实践型和情境学习理论。针对研究问题2，结果表明，知识增益与沉浸水平本身无关，而是与问题解决需求、体验式学习阶段和多媒体复杂性之间的协调一致有关。较高的技术沉浸度并不自动带来更好的学习成果。研究还阐明了社会学习在沉浸式和混合环境中的双重作用，协作模式通常与更高的知识增益相关，但如模块3所示，当结合高程序性需求、严格时间约束和碎片化工具生态系统时，协作可能适得其反。从设计角度看，研究结果表明认知复杂性应被有意识地编排，而非最大化。平衡问题复杂性、感官参与和交互需求的学习设计似乎比试图同时利用所有技术可供性的设计更有效。
最终结论指出，本研究贡献了一个用于分析涉及沉浸式和混合技术的实践型学习设计中认知复杂性的多维框架。实证结果表明，学习有效性并非取决于沉浸感本身，而是取决于体验、认知、社会和感官设计要素的协调一致。该框架为设计者和研究人员提供了一个实用的工具，用于诊断和平衡复杂学习环境中的认知需求。研究存在局限性，包括每个模块的参与者数量相对较少，分析侧重于短期知识增益而非长期学习或迁移，且认知复杂性使用序数量表操作化，捕捉的是相对差异。未来研究应在更广泛的领域验证该框架，并考察具有不同先验知识、教育背景和自我调节能力的学习者如何对不同的复杂性特征做出反应。进一步的工作可以整合认知负荷、主观努力和情感体验的直接测量，将现有的认知工效学方法扩展到沉浸式学习环境。