復雜動態系統理論視角下課堂認知投入評測模型的構建及應用

摘要：認知投入是影響課堂學習質量的重要因素，在教學干預、學情監測和課堂評價等方面具有重要價值。然而，認知投入自身具有復雜性、內隱性和動態性等特點，導致真實復雜課堂情境中的認知投入精準評測極其困難。此外，傳統的評測技術主觀性強，而自動化評測的準確性和可靠性又難以保證。為此，文章從復雜動態系統理論視角出發，以交互、建構、主動、被動（Interactive， Constructive， Active， Passive，ICAP）框架、Pekrun模型和Bloom分類體系為基礎，建立三維認知投入外顯表征指標，設計雙模態認知投入識別方法，形成了課堂認知投入評測層次模型。同時，文章將該模型應用于真實課堂分析，結果驗證了其有效性并表明認知投入具有多維性、動態性和個體差異性。文章通過研究，旨在為感知課堂認知投入狀態、洞悉認知投入本質和揭示認知投入演化規律提供理論指導和技術支撐。

關鍵詞：復雜動態系統；課堂認知投入；多模態數據；評測模型；深度學習

【中圖分類號】G40-057 【文獻標識碼】A 【論文編號】1009—8097（2024）12—0065—11 【DOI】10.3969/j.issn.1009-8097.2024.12.007

引言

課堂是教育教學的主陣地，是學生獲取知識和掌握技能的重要場所^[1]。認知投入作為一種實質性的心理投入，對課堂有效學習的發生起著重要作用。因此，課堂認知投入評測作為理解有效學習過程機制、改善學業表現、評估課堂教學質量的重要依據，備受研究者的關注^[2][3]。然而，由于課堂認知投入具有復雜性、內隱性和動態性等特點，導致其精準評測極具挑戰性，其中認知投入的復雜性既體現為內隱認知的難以表征，也體現為外顯行為的動態變化^[4]。此外，傳統認知投入評測研究以自我報告、訪談或課堂觀察等人工方法為主，但這類方法具有主觀性、滯后性和規模受限等不足，難以大規模實時追蹤復雜課堂情境下認知投入的動態變化^[5][6]。相比之下，基于機器學習的自動評測方法具有更客觀、更省時和易推廣等優勢，更符合真實課堂認知投入評測的現實需求，但是目前該類方法仍沿用單維評測框架，并未真正反映課堂認知投入的內涵，導致評測結果的準確性和可靠性難以保證，從而不能直接服務于課堂教學。可見，課堂認知投入自動評測在情境關聯、多維表征、多模態感知等方面亟待突破。

基于此，本研究從復雜動態系統理論的視角出發，深刻剖析真實課堂情景和認知投入的復雜性，構建了課堂認知投入評測層次模型。在該模型的構建過程中，本研究基于ICAP框架、Pekrun模型和Bloom分類體系，建立了融合學生行為、情感和言語的認知投入表征指標，設計了基于深度學習的雙模態認知投入識別方法，旨在為感知課堂認知投入狀態、洞悉認知投入本質和揭示認知投入演化規律提供理論指導和技術支撐。

一 課堂認知投入評測理論基礎

1 復雜動態系統理論

復雜動態系統理論（Complex Dynamic Systems Theory，CDST）是一種跨學科的研究領域，旨在理解自然和人造系統中出現的復雜、非線性、動態的行為，其核心理念是通過研究系統內部各組成部分之間的相互作用，以及這些相互作用所導致的整體行為，來理解系統的演化^[7]。Crick^[8]首次使用CDST來解釋學習投入，認為學習投入的發生和演化受時間與情境的影響。該理論還強調測量方法的非線性特征，這符合深度學習算法的本質。認知投入作為學習投入的重要成分，其內部的相互作用機制可能存在于認知行為、認知情感和認知策略等認知成分之間，這些認知成分所構成的復雜網絡結構符合復雜動態系統的顯著特征^[9]。同時，CDST所強調的情境作用、非線性測量等特點可以深化研究者對認知投入動態和內隱過程的理解。因此，在CDST的視角下，可實現從物理場域、信息流、內外聯動和非線性測量等方面來洞察認知投入的演化與動因。

2 認知投入相關理論

認知投入可以從行為、情感和言語等方面進行洞察，與之相關的理論包括ICAP框架、Pekrun模型和Bloom分類體系：

①ICAP框架用于解釋行為與認知投入的關系^[10]。該框架定義并描述了個體外顯行為以及認知加工情況，涵蓋被動、主動、建構和交互四種行為模式，分別對應學生注意、操作、生成和協作的認知過程。該順序也可以說明認知投入的復雜程度依次遞增，雖然該框架并未納入脫離行為模式，但也強調了脫離狀態可以作為認知投入發生的界限，這為課堂認知投入的行為表征提供了依據。

②Pekrun模型用于解釋情感和認知投入之間的關系^[11]。該模型建立了情感喚醒與認知沖突之間的假設關系，認為學生在注意和接收信息、產生認知沖突和達到認知一致的過程中，會出現積極情感（如對知識呈現的驚訝、對知識充滿興趣的好奇、問題解決時的愉悅等）或消極情感（如嚴重干擾原有認知結構時的困惑和焦慮、無法完成任務時的沮喪、脫離任務時的無聊等），這與課堂情境的認知情感發生條件高度契合，但其表征的有效性仍待考究。

③Bloom分類體系用于解釋言語和認知投入之間的關系^[12]。Bloom根據教學目標將認知過程劃分為記憶、理解、應用、分析、評價和創造六個層次，論述了簡單陳述性言語、探索建設性言語與淺層認知、深層認知之間的對應關系。Bloom分類體系既考慮了思維與認知目標之間的連接，也結合了認知目標與策略性言語之間的關系，可以作為認知投入在言語維度的表征，檢驗學生認知投入的言語水平。

二 基于CDST的課堂認知投入評測層次模型

本研究將CDST所強調的情境作用、非線性測量等特點應用于認知投入建模，構建了基于CDST的課堂認知投入評測層次模型，如圖1所示。該模型通過四層結構、三維表征和雙模態數據將學生認知投入的發生、保持、轉移和脫離的全過程動態連接起來。其中，“四層”是指情境層、激活層、表征層和識別層，“三維”是指認知行為、認知情感和認知言語，“雙模態”是指圖像和文本兩個模態。

1 課堂認知投入評測的層次結構

情境層是認知投入的外部牽引，其中發生的學習活動是學生信息加工的主要來源，結合真實課堂的特征，本研究將情境層中的學習活動分為課堂導入、學習指導、促進遷移和課堂總結四個環節，以契合學生的認知發展動態規律。激活層用于體現外部活動所激活的內部認知加工階段。表征層根據ICAP框架、Pekrun模型和Bloom分類體系建立了行為、情感、言語與認知投入之間的聯系，將內部激活外顯化，既考慮了認知投入的“投入-脫離”動態性，又考慮了其外顯化。識別層對外顯表征指標進行量化，采用深度學習方法提取多模態非線性認知投入特征。

2 三維認知投入外顯表征指標

由于認知投入與行為、情感和言語之間具有復雜的關系，且單維數據表征易造成偏差，因此認知投入的多維表征是提升其評測準確性的關鍵。接下來，本研究將從三個維度描述認知投入外顯表征指標，如表1所示。

①認知行為由身體動作來表征。根據ICAP框架將認知行為劃分為被動、主動、建構、交互和脫離五種類別：被動行為是學生面向教學材料接收信息的過程；主動行為是積極加工處理信息的行為，包括思考問題、查找資料等過程；建構行為表示學生表達新的觀點和想法的過程；交互行為是指在建構知識過程中發起輪流對話；脫離行為表示學生行為沒有認真投入課堂活動。

②認知情感由面部表情來表征。基于Pekrun模型將認知情感劃分為積極、消極和脫離三類：積極情感是面對新知識或問題解決時的愉悅感，如享受；消極情感是由于問題未解決所引起的認知不一致的挫折感，如沮喪；脫離情感表示與學習活動無關的情感，如無聊。

③認知言語由學生話語來表征。基于Bloom分類體系和言語與課堂活動的相關性，將認知言語劃分為低階、高階和脫離三類水平：低階言語涉及對知識的理解和辨認過程；高階言語是對抽象概念和知識的深度加工結果；脫離言語表示與課堂無關的言語。

3 雙模態認知投入識別方法

雙模態認知投入識別方法是識別層的核心內容，其中圖像模態涉及的識別方法包括面向認知行為的YOLOv8模型和面向認知情感的Efficient模型；文本模態涉及的識別方法是面向認知言語的TextCNN模型^[13][14][15]。具體的雙模態認知投入識別方法如圖2所示，圖中面向認知行為的YOLOv8模型由骨干層、瓶頸層和檢測層三部分組成：骨干層用于提取動作淺層特征，瓶頸層用于融合動作深度特征，檢測層用于檢測學生在課堂中的位置和行為。面向認知情感的Efficient模型由卷積激活層、主干網絡、特征金字塔網絡、池化層和全連接層組成：卷積激活層用于提取面部低級特征，主干網絡通過深度、寬度和縮放因子等參數調整提取的表情高級特征，特征金字塔網絡用于融合不同層級的表情特征圖，池化層將整個特征圖轉化為一個固定長度的向量，全連接層用于確定圖像所屬情感類別的概率分布。面向認知言語的TextCNN模型由詞嵌入層、卷積層、池化層和全連接層組成：詞嵌入層將認知文本映射為連續的低維向量表示，卷積層用于捕捉文本局部特征，池化層用于減少文本特征圖的維度以保留最重要的信息，全連接層將文本特征映射為認知類別的概率分布。

三 研究設計

為了驗證基于CDST的課堂認知投入評測層次模型的有效性，本研究通過案例設計來提供真實的課堂情境，并構建數據集以滿足課堂認知投入評測的數據需求，然后進行實驗設置以指導課堂認知投入識別的實施過程，上述設計將用于支撐課堂認知投入評測結果的解讀和討論。

1 研究案例

本研究共采集了云南省大理市D小學一年級19名學生（含10名女生、9名男生）的兩節數學課的音視頻數據，授課內容為“7以內的加減法運算”。數據時長共計86分鐘，視頻幀率為30幀/秒，音頻采樣頻率為44.1kHz。用于案例分析的數據總時長為40分鐘，其中情境層和激活層的創設如下：

①課堂導入（約3分鐘）。教師引導學生回憶已學數字，通過數字比較的方式呈現學習材料，進入動機階段和領會階段。

②學習指導（約26分鐘）。教師通過案例、視頻等形式來呈現教學內容，根據學生的提問、回答、復述和演示等學習反饋實時調整教學活動，進入習得階段和保持階段。

③促進遷移（約8分鐘）。通過開展數字算式挑戰賽，促進學生對數字加減法的遷移應用，加強學生在新場景下對數字計算的認知，進入回憶階段和概括階段。

④課堂總結（約3分鐘）。教師總結課堂知識點，進入作業階段和反饋階段。

2 數據集構建

從研究案例中挑選完整的授課記錄（總時長為46分鐘）用于模型訓練，首先按照3秒/次的規律自動提取課堂視頻幀，共得到925張全體學生圖像，由經過培訓的3名教育技術學專業的研究生標注每位學生的認知行為，不一致的部分由3名研究生討論決定（下同），得到認知行為數據集（被動行為9539張、主動行為1956張、建構行為2017張、交互行為349張、行為脫離2750張）。然后，采用OpenCV庫從925張圖像中自動截取20013張人臉數據，經過數據清洗和歸一化后，得到并標注18296張認知情感圖像，形成認知情感數據集（積極情感10870張、消極情感6031張、情感脫離1395張）。最后，將音頻轉錄為文本，通過聲紋識別自動提取學生的文本數據，并以句子單元進行切割，得到168條文本數據，經標注獲得認知言語數據集（低階言語119條、高階言語39條、言語脫離10條）。

3 環境設置

在本研究中，訓練集、驗證集和測試集的比例均設置為6：2：2，YOLOv8模型和EfficienctNet模型的epochs=100，batch_size=16。由于言語樣本較少，設置TextCNN模型的參數為epochs=50，batch_size=8。此外，硬件環境設置為：CPU采用Intel（R）Core（TM）i7-10700，GPU采用NVIDIA GeForce RTX 3080。軟件環境設置為：操作系統采用Win10，Python版本為3.9.12，深度學習框架采用PyTorch 1.8.0。

四 研究結果

1 識別精度分析

本研究采用準確率（ACC）、精確率（P）、召回率（R）和F1值評價模型性能，其中P、R和F1值的結果如表2所示。本研究所采用的YOLOv8模型、EfficientNet模型和TextCNN模型識別的ACC分別為82.5%、94.2%和75%，達到了較高的識別精度。研究結果表明，YOLOv8模型能較好地區分五類行為模式，說明使用身體動作表征認知行為具有可靠性，但“主動行為”的識別精度較低，可能是主動行為類內差異大導致的。EfficientNet模型實現了三類課堂認知情感自動識別，表明使用面部表情來表征認知情感的可靠性較高，且“積極情感”的識別精度最高。TextCNN模型可以區分不同的言語類型，基于文本數據的認知言語表征可靠性較高，但是學生的課堂言語多以短句短詞的形式出現，更多復雜的言語文本建模有待挖掘。

2 三維可視化分析

本研究以認知行為均值為x軸（脫離行為=0，被動行為=1，主動行為=2，建構行為=3，交互行為=4），認知情感均值為y軸（脫離情感=0，消極情感=1，積極情感=2），認知言語均值為z軸（脫離言語=0，低階言語=1，高階言語=2），分析群體課堂認知投入隨時間變化的三維可視化情況，如圖3所示。圖中頻繁的凸起曲面表明群體的認知投入在時間維度上存在較大的差異，向上的凸起比向下的凹陷更加密集，說明在認知言語維度上，更高階的言語表達伴隨的認知行為和認知情感的差異更大，出現得更頻繁。深入分析后可以發現，認知行為和認知情感維度呈現弱正相關性（r=0.119，p＜0.01），說明學生在更高階的行為模式上可能也會伴隨出現更加愉悅的情感；但認知情感和認知言語維度呈現負相關性（r=-0.025，p=0.436），可以推測更高階的言語表達和更消極的情感可能會同時出現。

3 認知投入動態演化分析

本研究以時間為橫軸，以課堂認知行為均值、認知情感均值和認知言語類別為縱軸，統計學生課堂認知投入演化情況，如圖4所示。其中，認知行為在學習指導階段的起伏最大，此階段也出現了高頻的高階言語和積極情感，可推測在學生認知發展的習得階段和保持階段，師生的密切交互有助于群體進一步加工和組織知識，以構成新的認知結構。學習脫離的跡象在課堂總結階段最明顯，可推測此階段的課堂氛圍較混亂，學生的學習積極性正逐漸下降。綜上，群體的認知行為頻率差異大，但總體偏被動學習的狀態，積極情感是課堂的主導情感，課堂較活躍，認知言語起伏逐漸頻繁，課堂交流的狀態逐漸從淺層走向深層。

4 個群對比分析

本研究從班級中隨機選擇一名學生，統計該個體與群體的課堂認知投入頻率占比，如圖5所示。由圖5可知，該生的認知脫離平均占比（13.63%）高于群體水平（10.04%）。具體地，該生的主動、建構和交互行為比例均高于群體平均水平，這與回溯視頻觀察的結果一致——該生的肢體行為表現豐富。此外，該生的消極情感和脫離情感占比也高于群體，可推測該生的情緒管理能力不強，容易出現情緒低落甚至脫離的狀態。在認知言語方面，低階言語是個體和群體的主要認知言語水平，這也與回溯視頻觀察結果一致——雖然師生言語交互頻繁，但言語交互仍停留于淺層，難以促進學生進行深層認知加工。

五 研究結論與啟示

認知投入的本質與動機和自我調節的整合、心理性投入、學習策略等有關，但其概念的界定并未達成一致結論^[16]。實質上，認知與行為、情感有重疊之處，因此本研究采用一種綜合性的視角來理解認知投入^[17]。認知投入之于課堂，具有情境性、復雜性和動態性的特征。基于上述特征，本研究提出基于雙模態數據的課堂認知投入測量方法，該方法體現了對教育主體的計算、認知投入成分的可測量性、多模態數據測量的全面性和非線性算法的適切性^[18][19]。結合案例，本研究得到的具體結論與啟示如下：

1 認知投入具有多維性

案例在復雜動態系統、認知投入等相關理論的指導下，使用基于CDST的課堂認知投入評測層次模型，將認知投入概念化為認知行為、情感與言語的三維外顯結構，強調認知投入的復雜性。除結構之外，根據投入的完整性原則，投入是一種從完全脫離到完全沉浸的連續過程^[20]。因此，在課堂情境中，更多與課堂有關的脫離行為（如注意力不集中、睡覺等）、脫離情感（如無聊）以及脫離言語（如未經允許大聲講話、哭鬧等）指標也是構成其復雜系統的重要成分，這為刻畫完整的認知脫離至投入提供了視覺、文本等多模態感知信息，并為認知投入的多維機理研究提供了借鑒。

建議未來在更復雜的學習情境下，挖掘更多維度（如社交的）、使用更多模態（如生理的）數據來評測認知投入，這可能會進一步完善認知投入復雜動態系統的研究。實踐上，建議教師通過開展小組討論、游戲化教學、項目式學習等形式，強化學生的積極行為、言語和情感表達，讓學生不僅理解知識，還要勇于表達情感，進行主動學習。對于具體的維度，教師可以考慮個性化的教學指令，如請學生動手操作、鼓勵或夸贊學生的回答等。

2 認知投入具有動態性

案例證實了認知投入的動態性：首先，認知行為在學習指導階段大幅度起伏的現象與Chi等^[21]的發現一致，無論教師如何指導學習，中小學生都傾向于做出積極的反應。其次，認知行為在總體上呈現被動的趨勢，這符合小學數學教學的特點，即教師常見的數學教學活動是要求學生在其解釋新內容或解決數學時注意傾聽等^[22]。此外，認知脫離在課堂總結階段最明顯，這是由于教師并未提出新概念，學生沒有感知到新信息，導致其信息加工過程未被完全激活，從而演變為自由散漫的狀態，這也為教師在教學事件和時間尺度上的干預提供了指導。此外，案例還發現認知情感的波動并不大，且以積極情感為主導，這與Dubovi^[23]的結論一致，也就是說即使存在多種活動，學生仍會在所有活動中獲得更多快樂的情緒，并通過面部表情體現出來。

挖掘認知投入的動態規律，需要在研究范式上實現從橫斷式研究到縱向研究的思維轉變，這種轉變的核心是建立基于連續時間線的多模態數據采集和分析流程，對于揭示課堂認知投入的演化趨勢具有重要意義。具體到實踐上，建議教師在學習指導階段采取多種行為激活措施來促進學生對信息的編碼，包括時常停頓、反復強調、及時糾正學生反饋的錯誤信息。進一步地，建議教師在課堂總結階段持續營造積極向上的課堂氛圍，提高學生的注意力，使他們保持積極的投入狀態。此外，積極的情感有助于保持學生的專注力，教師在后續的課堂中仍需繼續施加以學生為中心的活動來促進學生擁有更積極的情感體驗。

3 認知投入具有個體差異性

首先，案例揭示了個體認知投入水平的差異性，趙春等^[24]也得出了類似的結果，這為面向學生的認知投入診斷和個性化發展提供了決策支持。其次，案例個體的認知脫離頻率較高，且以認知情感脫離最為嚴重，這可能是由于情感脫離阻礙了投入的發生。此外，案例還表明無聊情感極大地抑制了行為與言語，從而呈現出整體脫離的狀態。也有研究強調了認知情感的復雜性，當學生處理多種情緒時，會增加認知負荷，從而對學習產生負面影響^[25]。由此來看，脫離的復雜性和認知情感的作用都回應了認知投入成分的復雜特性。進一步地，案例個體頻繁的低階言語和活躍的認知行為現象，與回溯視頻觀察的結果一致，活躍的行為也意味著案例個體在非言語表達和交互方面的潛能，這很可能成為提升其認知投入水平的重要因素。

由于個體遮擋、學生密集和光照變化等問題，面向課堂的自動識別往往僅報告群體的結果，而忽視個體追蹤，這不利于教師的個性化指導。關注個體差異性對于促進教學反思、提高教學質量等均具有重要意義。因此，建議未來研究引入個性化的建模方法，加強關注面向個體的數據采集和認知監測，實現針對性教學設計和個體化學習路徑規劃。此外，個體統計結果為教師開展個性化教學提供了指導，如教師有必要開展分層教學，區分投入與脫離的學生，并分別采取挑戰性活動、激勵引導措施來提升其認知投入；教師還可以應用個性化的學習系統與工具，實時檢測和反饋學生狀態，促進學生的自我調節。

六 總結與展望

課堂認知投入評測對于挖掘認知演化規律、生成認知投入畫像和實施教學干預等具有重要價值。為此，本研究首先從復雜動態系統理論視角出發，提出了基于CDST的課堂認知投入評測層次模型。該模型以ICAP框架、Pekrun模型和Bloom分類體系為基礎，通過四層結構、三維表征和雙模態數據，將學生認知投入的發生、保持、轉移與脫離全過程動態連接起來，為揭示認知投入演化規律提供了理論指導和技術支撐。然后，本研究在真實課堂情境中開展評測應用，驗證了所提出的模型的有效性，表明認知投入具有多維性、動態性和個體差異性。最后，本研究根據發現的問題和規律提出了教與學的相關建議，為調節學生的投入水平和教師的教學質量提供了指導。但本研究仍存在樣本少、模態少、規模小等局限性，未來將繼續優化評測模型、擴大數據規模、更新識別方法，以期提升學生認知投入評測性能，賦能課堂學習質量提升。

參考文獻

[1]教育部.教育部關于加強“三個課堂”應用的指導意見[OL].lt;http：//www.moe.gov.cn/srcsite/A16/s3342/202003/t20200316_431659.htmlgt;

[2][5]王夢倩.行為-認知-情感多層網絡視角下在線學習共同體互動分析模型與應用[J].電化教育研究，2022，（12）：86-92、113.

[3][6]劉玲，汪瓊.混合教學模式下學生學習投入的特點及影響因素研究[J].現代教育技術，2021，（11）：80-86.

[4][17]Fredricks J A， Blumenfeld P C， Paris A H. School engagement： Potential of the concept， state of the evidence[J]. Review of Educational Research， 2004，（1）：59-109.

[7]Ushioda E. Context and complex dynamic systems theory[J]. Motivational Dynamics in Language Learning， 2015，（6）：47-54.

[8]Christenson S L， Reschly A L， Wylie C. Handbook of research on student engagement[M]. Switzerland： Springer US， 2012：675-694.

[9][19][20]López-Pernas S， Saqr M. How the dynamics of engagement explain the momentum of achievement and the inertia of disengagement： A complex systems theory approach[J]. Computers in Human Behavior， 2024，153：108126.

[10]Chi M T， Wylie R. The ICAP framework： Linking cognitive engagement to active learning outcomes[J]. Educational Psychologist， 2014，（4）：219-243.

[11]Pekrun R， Vogl E， Muis K R， et al. Measuring emotions during epistemic activities： The epistemically-related emotion scales[J]. Cognition and Emotion， 2017，（6）：1268-1276.

[12]Bloom B S， Engelhart M D， Furst E J， 等著.黎輝，丁證霖譯.教育目標分類學：（第一分冊）認知領域[M].上海：華東師范大學出版社，1986：8-9.

[13]Jocher G， Chaurasia， A， Qiu， J. “YOLO by Ultralytics.”[OL]. lt;https：//github.com/ultralytics/ultralyticsgt;

[14]Tan M， Le Q V. EfficientNet： Rethinking model scaling for Convolutional Neural Networks[OL].lt;https：//arxiv.org/pdf/1905.11946gt;.

[15]Kim Y. Convolutional neural networks for sentence classification[A]. Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing[C]. Doha， Qatar： Association for Computational Linguistics， 2014：1746-1751.

[16]Christenson S L， Reschly A L， Wylie C. Handbook of research on student engagement[M]. Berlin： Springer Science， 2022：171-571.

[18]劉三女牙，周子荷，李卿.再論“計算教育學”：人工智能何以改變教育研究[J].教育研究，2022，（4）：18-27.

[21]Chi M T H， Adams J， Bogusch E B， et al. Translating the ICAP theory of cognitive engagement into practice[J]. Cognitive Science， 2018，（6）：1777-1832.

[22]Clerkin A， Perkins R， Chubb E. Inside the primary classroom： What happens in Fourth Class？[M]. Dublin： Educational Research Centre， 2017：4-23.

[23]Dubovi I. Cognitive and emotional engagement while learning with VR： The perspective of multimodal methodology[J]. Computers amp; Education， 2022，183：104495.

[24]趙春，舒杭，顧小清.基于計算機視覺技術的學生課堂學習行為投入度測量與分析[J].現代教育技術，2021，（6）：96-103.

[25]Dever D A， Wiedbusch M D， Cloude E B， et al. Emotions and the comprehension of single versus multiple texts during game-based learning[J]. Discourse Processes， 2022，（59）：94-115.

Construction and Application of Classroom Cognitive Engagement Assessment Model from the Perspective of Complex Dynamic Systems Theory

WEI Yan-Tao^1，2""" XU Qi^{1，2[Corresponding Author]}""" SANG Zhi-Qiang^1，2""" SHI Ya-Fei³

（1. Hubei Key Laboratory of Digital Education， Central China Normal University， Wuhan， Hubei， China 430079;

2. Faculty of Artificial Intelligence in Education， Central China Normal University， Wuhan， Hubei， China 430079;

3. Faculty of Education， Henan Normal University， Xinxiang， Henan， China 453007）

Abstract： Cognitive engagement is an important factor influencing the quality of classroom learning， with significant value in teaching interventions， learning monitoring， and classroom assessment. However， cognitive engagement itself presents the characteristics such as complexity， implicitness， and dynamism， making precise assessment of cognitive engagement in real complex classroom situations extremely challenging. Moreover， traditional assessment techniques are often subjective， while the accuracy and reliability of automated assessments are difficult to guarantee. Therefore， from the perspective of complex dynamic systems theory and based on the Interactive Constructive Active Passive （ICAP） framework， Pekrun model， and Bloom taxonomy， this paper established a three-dimensional explicit representation index system for cognitive engagement， designed a dual-mode cognitive engagement recognition method， and formed a hierarchical model for classroom cognitive engagement assessment. At the same time， this model was applied to the analyis of real classrooms. Results verified the effectiveness of this model and showed that cognitive engagement had multidimensionality， dynamism and individual differences. Through research， this paper was expected to provide theoretical guidance and technical support for perceiving the cognitive engagement status in classrooms， understanding the essence of cognitive engagement， and revealing the evolutionary patterns of cognitive engagement.

Keywords： complex dynamic systems theory; classroom cognitive engagement; multimodal data; assessment model; deep learning

*基金項目：本研究為國家自然科學基金“面向同步直播課堂的可解釋學習投入自動評測方法研究”（項目編號：62277029）、教育部人文社科項目“基于人工智能的在線學習參與度識別研究”（項目編號：20YJC880100）、華中師范大學交叉團隊項目“融合多模態數據的教師教學能力智能評價技術及應用研究”（項目編號：CCNU22JC011）的階段性研究成果。

作者簡介：魏艷濤，華中師范大學人工智能教育學部教授，數字教育湖北省重點實驗室副主任，博士，研究方向為智能教育，郵箱為yantaowei@mail.ccnu.edu.cn。

編輯：余弦