php函数支持的功能有什么（自我调节学习中的认知和元认知）PHP函数 / PHP函数在算法中的实践...

图片来源：北京大学公众号，2024资料来源：Philip H. Winne (Faculty of Education, Simon Fraser University, Burnaby, British Columbia, Canada),

Cognition and metacognition within self-regulated learning, In Dale H. Schunk and Jeffrey A. Greene, Handbook of Self-Regulation of Learning and Performance, Second Edition, Routledge, 2017

阅读难度：2 （阅读难度为5级，第5级为最难目前等级设定完全是主观的）本章描述了自我调节学习（SRL，self-regulated learning）的认知（cognition）、元认知（metacognition）和动机（motivation）的复杂融合，并确定了未来研究和实践的重点。

在对认知和元认知进行选择性回顾之后，使用两个视角来表征SRL：Winne和Hadwin（1998年，Winne，2001年）松散序列化（loosely sequenced）的、递归（recursive）的四阶段模型和Winne（1997）的COPES模型，该模型识别学习者在其中进行SRL的任务的方面。

学习者面临的关键挑战是发展SRL管理的学习技巧（study tactics）和学习策略（learning strategies），并阐明动机在SRL中的作用在这些主题作为背景的基础上，为未来的研究确定了三个目标：使用来自多个渠道的数据，追踪动机作为任务时间线上的动态变量，以及追踪。

元认知监控和控制的关键需要强烈建议以支持学习者作为学习科学家的方式重新构想实践，他们在自主调节学习过程中尝试“有效的方法”THEORETICAL LENSES FOR VIEWING SELF-REGULATED LEARNING。

理论视角观察自我调节学习认知"认知"一词的起源是拉丁语的"cognoscere"，基本上意味着"来认识"认识是一个接收信息（输入）并产生信息（输出）的过程在认知中处理的信息种类多种多样从根本上讲，它们对应于人类感官可获得的信息种类以及一种人类发明的信息种类——。

符号系统（symbol systems）在学校中，最主要的符号系统是文本、数学和各种图示表示对信息进行操作的认知过程通常以操作结果命名：编码创建信息的编码形式；检索将先前编码的信息从长期记忆中提取到工作记忆中，以便进一步操作。

常见的认知过程包括：理解、预测、解决问题、推理和想象在学校和生活中，许多认知活动涉及学习的算法（algorithms）或启发式（heuristics），旨在实现人们的目标例如，长除法、学习策略和记忆技巧（例如，首字母缩写、字母歌）以及规则（例如，i 在 c 之前除外）。

在隐喻上，大脑是可编程的许多操作需要信息处于准备好的形式例如，使用书的目录和使用一系列先前建立的定理和公理证明几何定理学习的过程具有典型的发展轨迹（developmental trajectory）最初，它们是相当可观察且非常费力的。

通常，学习者在执行每个组成部分或步骤之前会口头或次声地描述在学习的早期阶段，跨步骤或多步骤过程的转换是暂时的，步骤的预期结果不可靠通过实践，步骤可靠地导致预期结果，从而为将它们融合成平滑序列奠定了基础随着这种情况的发生，相邻的步骤形成子单元，这些子单元变得越来越难分解。

经过大量练习，学习的过程变得自动化自动化的过程执行速度快，可靠地产生预期的结果，通常在人们不注意的情况下进行如果试图分解一个自动化的过程，该过程通常会以明显的速度减慢甚至产生错误与通过学习的自动化程序对信息进行操作的认知相反，其他认知操作是基本的或"原始"的。

这些可能是人类认知系统的先天特征，它们抵制分析成更简单的形式尽管如此，学习者可以有目的地、有意识地参与学习和基本操作我提出了一组五个基本认知操作：搜索（searching）、监控（monitoring）、组合（assembling）、排练（rehearsing）和转换（translating）

。表3.1定义了这五种基本认知操作并提供了示例。如果我应用我所知道的一个学习的认知策略，例如组装一个首字母缩写，这一组认知操作可以用缩写SMART来概括。表3.1 基本认知过程

对于学生（以及其他思考者）来说，彻底和可靠地观察他们的认知操作通常是具有挑战性的当有关认知的信息不直接可得或缺失时，人们通常会对认知操作进行推断推断的要素主要包括：（a）输出与输入之间的性质变化，（b）输入事件和输出事件之间的时间（即延迟），以及（c）通过补充记忆和个人感知印象的仪器来使行为可观察：眼动跟踪设备可以记录视觉搜索，突出显示工具可以永久标识被监测并判断具有特定属性的文本（例如，“那很重要”），视频可以记录在使用书的索引或将数字翻译为用延伸的手指表示的计数时搜索信息的过程。

元认知转向元认知，meta源自希腊语，主要意为“之后（after）”或“超越（beyond）”在英语中，它的使用通常表示“关于”被“meta”修改的类别Meta-X 是关于 X 的信息在这个意义上，元认知是关于输入到认知中或由认知输出的信息，以及关于操作作用于信息的信息的认知

元认知的一个重要特征是，与认知不同的是，参与其中的操作并不是其区别的关键我认为，认知和元认知中使用的是相同的基本认知过程换句话说，元认知的主题是思想（thoughts）和思维（thinking）的特性以下是元认知在一种学习型认知，即基本学习策略中的表现的例子。

当学习者学习一个指定的章节时，每当一个术语以斜体形式出现时，通过监测这种排版线索，学习者搜索文本以寻找与定义的常见形式匹配的信息（例如，监测像“...被定义为”或“...，意味着”的提示），将由提示信息提供的特征转换为例子，通过调用（即搜索）先前的知识，并检查（即监视）每个关键特征是否在构建的例子中表示。

完成这个学习策略后，学习者进行元认知思考：“这在最近几次中效果不错”在这里，学习者正在监控学习策略产生的产品的特性这些特性可能描述了该策略：（a）可靠地完成；（b）不需要太多的努力；（c）可以快速执行；以及（d）增加对对材料理解程度的判断的信心。

学习者补充了这些想法：“...我对它在考试中有所帮助感到相当自信”这涉及回忆关于测试项目和测试经验的元特征，例如：（a）通常需要知道定义；（b）对于要求定义的项目，如果这些定义使用该策略进行学习，则对测试答案的信心更高。

像认知理论一样，关于元认知的理论也是多样的研究已经调查了元记忆（metamemory）——学习者对记忆如何工作以及影响信息可检索性的因素的了解（参见 Thiede & de Bruin，2018 / 本文）；元认知——学习者对认知事件的了解，包括它们产生成功产品的概率，特定形式的认知的典型速度，影响认知的因素，例如负载和警觉性；以及元情绪（meta-emotion）——一个人对特定情绪体验的感受（参见 Efklides、Schwartz 和 Brown，2018 / 本文）。

Nelson和 Narens（1990）提供了对元认知的精确描述：原则1. 认知过程被分为两个或更多特定相互关联的级别......元级别（meta-level）和对象级别（object-level）原则2. 元级别包含对象级别的动态模型（例如，一种心理模拟）。

原则3. 有两种称为“控制”和“监测”的优势关系，这些关系是根据信息在元级别和对象级别之间的流动方向来定义的（pp.126-127）Nelson和 Narens 的第三个原则可以有益地以制作系统的形式表示：IF-THEN。

例如，如果根据属性配置文件监视对象级别的信息，并且确定与元级别配置文件有足够的差异，则执行代理以通过搜索被判断为在元级别上更为有效的认知形式来修改对象级别的认知认知与元认知之间的这种相互作用是自我调节学习（自我调节学习）（SRL）理论和研究的焦点

（Winne，1995a，1995b，1997，2001，2010a）自我调节学习（自主学习）自主调节学习者研究已经活跃了大约40年（参见 Winne，未发表）Hadwin和我（Winne & Hadwin, 1998; 另见Dimmitt & McCormick, 2012）提出了一个自我调节学习模型，该模型分为四个。

松散顺序和递归（loosely sequential and recursive）的阶段在第一阶段，学习者搜索外部环境以及她的记忆，以确定可能与她即将开始的任务有关的条件这些信息代表了学习者感知的上下文。

在第二阶段，学习者为处理任务制定目标并起草计划第三阶段是工作开始的阶段在这三个阶段的整个过程中，自主调节学习者监控有关以下信息：（a）如何使用认知操作（例如，SMART 过程）、学习技巧和学习策略进行学习；以及（b）内部和外部条件与各种标准的匹配程度的变化。

例如，在绘制外部条件之后，学习者可能判断她的功效性只是中等，预测她需要帮助搜索她的知识存储，并判断她对这项任务准备得不太好；她变得略感焦虑，并设定了一个目标，即寻求他人的帮助制定一个计划来寻求帮助，可以是“以防万一”，例如，给朋友发短信，询问他下午学习时是否会在图书馆；或“正好”，例如，在需要帮助的时候立即给朋友发短信。

尚未实施的每个计划都会被监控，以确定它是否足以缓解她的焦虑如果不是，可能会制定适应性措施Winne和 Hadwin 的自主调节学习者模型的第四阶段是学习者决定对未来任务的方法进行重大变化这个过程反映了 Salomon 和 Perkins（1989）所称的。

前向迁移（forward-reaching transfer）学习者可以进行的变化主要有两种形式：在特定情境中使用的元认知监控标准的大幅度转变，以及在元认知监控结果和采取的行动之间的联系（即学习策略和学习策略）的重大重新安排，这取决于元认知监控的结果。

就制作系统而言，这将 IF A, THEN B 修改为 IF A, THEN C编译者注："Forward-reaching transfer"（前向迁移）是指在机器学习领域中的一种迁移学习方法迁移学习旨在利用一个任务中学到的知识来改善另一个相关任务的学习效果。

在前向迁移中，模型从已经学习过的任务中提取知识，并将这些知识应用于解决新的任务具体来说，前向迁移将在源领域学到的知识直接应用于目标领域，而不需要对源领域的知识进行进一步的调整或重新训练（来源：ChatGPT 3.5）。

SRL中的任务要素：COPES模型Facets of Tasks in SRL: The COPES Model在自我调节学习的每个阶段，学习者参与微观（micro）、中观（meso）或宏观（macro）任务。

每个任务都可以使用一个五部分模式进行建模，标记条件（marks conditions）、操作（operations）、产品（products）、标准（standards）和评估（evaluations）——COPES 模型

（Winne, 1997）条件是学习者认为可能影响任务工作的因素内部条件是学习者带到任务中的特征，例如关于主题的知识、学习策略和学习策略、动机取向和认识论信念（参见 Muis & Singh, 2018/本文）。

外部条件是学习者认为可能影响任务操作和标准的内部条件的周围环境特征操作处理信息，如基本的 SMART 操作和组合操作，例如学习策略和学习策略每个操作都会生成产品一些产品与任务目标有关，例如，按照文艺复兴时期的法国君主的日期排序或找到二次函数的截距。

其他产品是元认知的结果，例如判断是否值得为锕系元素中的元素构建一个记忆方法，而不仅仅是记忆它们产品使用标准进行评估标准集体现了执行操作以产生特定产品的目标例如，一个高质量的首字母缩写（a）包括要识别的每个项目的一个字母；（b）可以发音；（c）易于记忆（例如，“A SMART student COPES well with tasks”）。

自我调节学习的特质Qualities of SRL在自我调节学习的所有阶段，学习者的动机和情绪都具有影响力（参见 Efklides、Schwartz 和Brown，2018/本文）这些情绪在学习者参与认知和元认知过程时自动产生（Buck, 1985; Zajonc, 1980）。

动机和情绪状态起着三个重要的作用首先，它们是学习者在自主工作的第一阶段中调查的内部条件其次，元认知监控中使用的标准可以涉及动机和情绪的存在或水平第三，学习者可以设置目标来调节动机和情绪，方式与调节认知相同。

在这种情况下，动机和情绪成为学习者通过元认知控制运用策略和战略时操纵的对象关于自我调节学习的另一个重要理论问题涉及自我调节的本质（the essence of self-regulation）学习者处于主导地位。

无论外部条件存在何种支持或限制，无论旨在促进自我调节学习元素的干预措施的性质如何，学习者都是决策者和行动者否则，根据定义，调节将不是自我调节，而是他人调节（参见 Hadwin、Jarvela 和Miller，2018/本文；Winne，2015）。

这一原则的一个推论是，参与自我调节学习的学习者是个人研究计划的首要调查员他们调查并动员越来越有效的策略和战略，以帮助实现目标重要的是，他们用于评判策略和策略有效性的标准是他们自己的，以及他们设定的目标这些目标可能与教师、导师或同伴的目标相匹配，也可能不匹配

每一个自我调节学习事件都是一个潜在的实验从这个角度来看，学习者是学习科学家像“认证的”学习科学家一样，学习者收集和分析数据，以满足关于他们的学习方法成功与否的演进理论由于学习环境的多变性以及人们在科学推理中遇到的困难，这是一项具有挑战性的科学工作（Winne，1997，2010a）。

学习者需要在至少三个主要任务上获得帮助：（a）收集关于他们如何实施学习的可靠数据，并将这些数据与效果联系起来，（b）获取可以供元认知控制的学习策略和战略，（c）有机会练习更新的技巧（tactics）和策略（strategies），将其提升为自动化技能。

在所有这些工作中，学习者需要帮助将科学方法应用于发展关于他们学习实验的有效解释RESEARCH ON COGNITIVE AND METACOGNITIVE PROCESSES认知和元认知过程的研究由于自我调节学习在元级别上调节对象级别的知识、技能、动机和情绪，因此本章无法充分涵盖自我调节学习中认知和元认知过程的研究范围。

这里选择了一些关于有效学习策略和影响学习者元认知的因素的主题和研究学习策略是否有效？Are Study Strategies Effective?元记忆指的是学习者对涉及学习和记忆的过程的了解，包括学习技巧和策略的信念。

看起来，至少大学生在这些方面的了解相当有限针对一个关于学习策略的开放性问题，Karpicke、Butler 和Roediger（2009）报告说，被引用最多的学习策略是阅读自己的笔记或教科书McCabe（2011）调查了学习者对影响学习的六个因素的实用性的预测，这些因素在学习科学中具有一般经验支持：双重编码（即，通常最好学习以多种形式呈现的材料而不是单一形式）、动画过载（即，通常最好学习静态材料）、诱人的细节（即，高度吸引人但与学习关键内容无关的细节可能会消耗学习主要内容的资源）、测试效应（即，通过测试知识相对于重新学习它，记忆通常会得到改善）、间隔效应（即，学习会话在时间上分布比挤压学习时记忆通常更好）和生成效应（即，通常通过创建个人内容表现来改善记忆）。

对于生成效应，有50%的本科生正确认可对于这组中前五个项目中更有效的学习方法的认可率范围在10%到38%之间虽然大学生可能对学习科学中推荐的学习方法了解甚少，但这是可以纠正的大量研究表明，学习者可以通过教授或“自学”，在实验室和真实环境中获益的一系列具体学习技巧和学习策略（例如，Dunlosky、Rawson、Marsh、Nathan 和 Willingham，2013）。

也许其中最真实的研究之一是 Tuckman 和 Kennedy 的研究（2011）他们在美国中西部一所大型大学中教授了一群多样化的本科生一套通用的策略，用于管理自己的学习、对学习负责、规划并提出关于学习活动和作业的问题，以及寻求并利用关于学习的反馈，这些内容与进行元认知监控和元认知控制有关。

这项研究的两个显着特点是，课程时间较长（一个学期），而且干预措施直接涉及本科生作为学习者的动机和认知特征与这个准实验的精心匹配的比较组相比，参加学习策略课程的学生取得了成功参加学习策略课程的学生继续注册（即保持）的几率是其他学生的六倍多。

学习策略课程的平均成绩点虽然在各个学期都有所下降，但学习策略课程的学生在统计上被确定为比一般学生的平均成绩点更高Tuckman 和 Kennedy 的研究引发了乐观情绪这一领域工作的平衡表明，教授学习技巧和策略的学习者经历了相当多样但适度积极的结果（Donker、de Boer、Kostons、van Ewijk 和 van der Werf，2014；Winne，2013）。

策略指导的两个特点增加了获益的机会：增加元认知监控的机会，使用关注认知过程和产品的标准，并增强反馈，不仅解决产品问题，而且直接解决认知和元认知问题（Schraw & Gutierrez，2015；Winne，1985）。

但学习者需要额外的支持为了获益而设计的对象级认知过程引发了学习者经常误解的元认知体验，而基于这些误解的学习者的元认知控制可能会破坏学习元认知知识和对元认知体验的解释是重要的下一节将探讨这个话题影响学习者对技巧和策略的元认知的因素

Factors Bearing on Learners’ Metacognition About Tactics and Strategies为了简化过程和产品的复杂递归展开，这些过程和产品推动了任务时间轴上的更新，考虑在某一时刻的工作状态的快照。

学习者在工作状态中可用的资源是工作记忆的内容以及关于外部环境的任何信息重要的是，学习者内部和外部扫描的因素基本上也受到记忆及其内容，即元认知知识的塑造影响（参见 Muis & Singh，2018/本章）。

每个人，包括学习者，都面临记忆方面的挑战这些挑战有时会占据主导地位通常，学习者对自己所知道的内容过于自信因此，他们经常选择不再重新学习内容，即使这对他们有利Bjork、Dunlosky 和Kornell（2013）所述，有几个因素在起作用。

首先，当材料看起来容易理解时，这种编码的流畅性似乎会误导学习者预测，所学材料将容易记忆不幸的是，编码的流畅性与回忆之间的相关性很小其次，对材料进行感知强调（例如，通过关键词激活记忆或通过设置斜体字体风格来强调术语）会被认为更容易学习但事实并非如此。

第三，诱导关系（inducing relationships），例如艺术特征和艺术家的名字，当内容以阻塞方式（blocked fashion）呈现时可能会被感知为更容易，【编译者注：例如，当人们在艺术展览中看到一幅画时，如果展示信息（比如艺术特征或艺术家的姓名以分块的形式呈现，他们可能会更容易地将这些信息联系起来，并在大脑中形成更清晰的印象。

这种分块的呈现方式可以帮助观众更好地理解和欣赏艺术作品】例如一个艺术家的所有艺术品，然后是下一个艺术家的所有艺术品与编码流畅性的虚假感觉一样，当内容以阻塞方式呈现时，诱导关系的容易性也会导致学习者认为他们学得更好。

混合呈现产生更好的结果这里的故事实际上是元的学习者观察他们学习的内容以及学习过程中的元特征关于学习质量的“明显”线索不是本质上具有证明力的（参见Koriat, 2016）有一些解决方法，通常被归类为理想困难（

desirable difficulty）（Bjork & Bjork, 2011）理想困难的一般形式是让学习者参与到一种对象级认知处理（object-level cognitive processing）中，这种处理通常被学习者认为是不必要的困难。

但有些情况下，短期内出现的性能障碍实际上有助于更长期的回忆一个典型的例子是分散练习，其中回顾先前学习内容的时间安排分散在时间轴上，而不是在第一次学习后立即或非常接近的时间内进行回顾努力回忆不在手边的先前材料可以增强对该内容的记忆（例如，Roediger & Butler, 2011）。

但学习者更喜欢材料被分组或集中，这为过度自信的检索可能性提供了舞台，因为他们在一个学习会话中重复学习的材料是被认出的，而不是必须被检索的识别材料更容易但不够高效总的来说，理想的困难使学习者参与了SMART、针对对象层次的处理，否则他们在元认知上可能选择不进行。

虽然学习者在监控学习经验方面积极参与元认知，但他们所行使的元认知控制，也就是他们选择做什么，通常是次优的编译者注：理想困难（Desirable difficulties）是指在学习过程中特意引入的一些挑战或困难，尽管它们可能会增加学习的感知难度，但实际上可以促进更有效的学习和长期记忆。

这个概念最初由心理学家Bjork和Bjork在2011年提出理想困难的概念主要是指，通过让学习者面对一些看似困难或挑战性的学习任务，可以增加他们对学习内容的深度处理，从而提高记忆和理解的效果这种困难可能包括：。

1. 分散练习：将学习内容的复习时间分散在一段时间内，而不是在短时间内进行大量重复学习这种方式可能看起来更困难，但实际上可以增加长期记忆的效果2. 制造间隔：在学习的过程中，有意识地将学习过的知识与新学习的知识相结合，以促进对知识的深层理解和记忆。

3. 深层加工：鼓励学习者采用更深层次的学习策略，例如理解概念的含义、与现有知识联系、将信息与个人经验结合等，而不是简单地记忆事实或表面特征通过引入这些理想的困难，学习者可以更深入地处理学习内容，从而提高学习效果和长期记忆。

除了简单地倾向于避免被认为是不必要的工作之外，还存在着一些动机因素关键可能是事后偏见（hindsight bias）以及几个相关的动机因素（参见 Bernstein、ABfalg、Kumar 和Ackerman，2015）。

事后偏见的要点是一种倾向，即在某个状态发生时，判断此前的状态相对是可预测的，而在此前状态发生时，它实际上是不可预测的；反之亦然事后偏见很好地反映了一个较不正式的标签，即“我一直知道”的效应例如，一个学习者元认知地选择使用费力的对象级别过程来学习材料。

在后来得到低分时，学习者推理道：“无论我怎么努力学习，这个考试都太难了，我注定会失败”这种元认知偏见的归因于后来被视为不可控因素的考试，是一种保护自尊心的解释但这是一个错误，因为在学习时，考试的糟糕结果并不是一个可靠的预测。

从动机的角度来看，学习者无需在学习阶段接受对于无效的自我调节学习的责备而且，存在的责备也被转嫁给了一个外部无法控制的因素，即教师设置的过于困难的考试（Weiner，2010）其结果是，在未来的学习中，对于激活费力的对象级别过程的元认知控制，将减少动力。

总之，元认知过程受到元认知知识（metacognitive knowledge）的指导和限制（Winne，1995b）这里的知识是广义地解释，指的是记忆的内容，为元认知监控提供标准：结果的信念和动机解释，以及误解。

（例如，Winne & Marx，1989），以及学习的技巧和策略，将SMART与如何在对象级别上操作信息的其他知识融合在一起一个重要的含义是，参与有成效的自我调节学习的学习者需要广泛的元认知知识，这些知识在他们多样化的学习活动的情境中既有效又有用。

VECTORS FOR FUTURE RESEARCH ON SRL未来自我调节学习研究的发展方向多种观察自我调节学习的渠道Multiple Channels for Observing SRL初学阅读者在解码多音节单词时会表现出明显的方法论，特别是当面对一串“令人困惑”的辅音簇时，比如“highway”。

经过大量练习，这个过程变得自动化熟练的阅读者几乎不会意识到解码过程元认知过程也是如此对于一个特定的学习者来说，元认知监控和元认知控制的实例通常“潜藏”在学习者的即时检查之外，因为学习者已经形成了自动识别某一特征组合是否符合标准特征组合的习惯。

同样，由元认知监控产生的判断与由元认知控制确定的选择之间的联系也可能是自动化的，因此逃脱了检查近几十年来，开发能够揭示自动化自我调节学习过程的仪器已经蓬勃发展最新的工作致力于在多种渠道上收集实时数据，以此综合呈现自我调节学习的“整体画面”，这些渠道包括：现场的思想记录报告（Greene、Deekens、Copeland和 Yu，2018/本卷）、学习者在软件中使用功能时生成的点击流数据（即后退按钮、搜索框；Biswas、Baker 和Paquette，2018/本卷），以及眼球注视数据和生理指标（Azevedo，2015；Azevedo、Taub 和 Mudrich，2018/本卷）。

令人困惑的挑战包括：将不同时间尺度的数据合并，确定对象级别和元级别认知的强有力指标，以及驯服任务时间轴和任务之间出现的显著变异性关于教育数据挖掘的最新工作（参见Winne 和 Baker，2013；Biswas、Baker 和Paquette，2018/本卷）将对这项工作产生重要价值。

在自我调节学习研究的这一方法论领域取得成功是至关重要的，因为这将建立一个学习科学的平台，不仅推动该领域的发展，还能够进行严格的测试，从而负责任地指导实践动机与选择Motivation and Options

当今的动机理论领域充满活力，多样性丰富（Schunk、Meece 和Pintrich，2014）每种理论都提供了关于行动和情感如何产生以及后果如何塑造未来选择的视角正如前面所指出的，自我调节学习中的认知和元认知过程基本上是审慎的；这就是元认知监控的目的。

作为行动者，学习者会做出选择即使是自动化的例行程序也蕴含着在早期阶段进行审慎考虑的动机特征，当例行程序正在自动化时，这些特征就被嵌入其中了自我调节学习研究面临的一个重要挑战是在任务工作时间轴和跨任务中表征动机作为动态变量。

绝大多数动机研究仅对任务进行了非常非常少的状态抽样，并在状态之间绘制了非常突兀的流动提供时间尺度的动机测量的研究捕捉到的是粗粒度的动机痕迹方法（Winne，2010b；参见Bernacki，2018/本卷）可能提供了一个适合自我调节学习研究的方法。

痕迹是环境数据（例如与计算机的交互日志），是学习者进行正常工作时产生的痕迹为对诸如元认知和动机等底层构建进行推断提供了坚实的基础例如，将感叹号（！）或问号（？）添加到文本中的学习者是在根据特定的元认知标准对文本进行监控，这些痕迹本质上反映了动机在行动中的表现。

Zhou和 Winne（2012）的研究就是一个例子除了学习在线文本的其他特征外，他们邀请学习者点击链接这些链接是与成就目标取向的形式相匹配的短语（例如，“查找更多关于此的信息”作为掌握取向目标的表征）。

他们的数据显示了两个重要发现：动机状态的痕迹与目标取向的自我报告不同，并且痕迹更好地预测了成就需要进一步研究的是将动机不仅作为结果而且作为学习者在元认知监控中使用的标准的概念化追踪代表动机立场的标准将是具有挑战性的，因为这些标准很可能在学习过程中以及跨学习过程中波动。

提供元认知监控和元认知控制的机会Providing Opportunity for Metacognitive Monitoring and Metacognitive Control正如本卷中所描述的，自我调节学习是复杂的。

在其核心是两种元认知的表达：监控和控制（Winne，2001）对元认知监控进行操作性定义可以采取两种一般形式第一种更简单的形式是观察元认知控制的环境表达，并基于此推断元认知监控已经发生关于元认知监控的更完整推断需要有关状态监控时使用的标准的额外证据。

假设一个学习者通过（a）在一页纸的边缘画一条跨越一个段落中的几行的垂直线，并（b）在这条线旁边写上“证据？”作为标签这个由两个部分组成的痕迹操作性地反映了一个元认知控制的实例它为推断学习者正在使用论证模式监控文本，并将标记的行识别为未达到该模式的证据特征提供了坚实的基础。

自我调节学习的研究必须为学习者提供通过痕迹揭示他们进行元认知控制的场合的机会理想情况下，痕迹应该标识出监控了哪些信息以及学习者在监控时使用的标准第二种更具挑战性的操作性定义元认知监控的方法在成本方面对参与者进行了更丰富的自我调节学习表征，并对参与者的时间、精力以及可能的志愿参与研究的兴趣进行了衡量。

这就是训练学习者掌握几套标准，例如，论证模式和解释模式然后，研究人员将观察元认知控制的实例，并检查标签的差异，例如，“证据？”与“范围？”之间的差异在自我调节学习中，学习者通过学习任务开始时的条件或随着任务进行过程中条件的更新，变化其使用学习策略的情况，这表明学习者进行了元认知控制的活动。

收集有关自我调节学习中元认知控制的变异的证据，首先需要学习者具有大致相等的技能来使用多种学习策略，其次，外部条件应该为学习者提供近似相等的机会来使用任何一种策略如果其中任何一个特征不存在或者存在偏差（即，学习者在几种学习策略中的技能不均或者环境偏向于设置元认知监控的产品），研究人员对自我调节学习的证据将会被截断或偏倚。

这并不是一个缺陷，但在报告研究结果时需要加以承认IMPLICATIONS FOR PRACTICE实践的启示由于自我调节学习中的元认知表达是复杂的，因此基于其进行实践的研究可能呈现零碎化的状态，无法描绘一个完整的图景。

我建议教师和教学设计师将单个研究理解为提供实践启发而不是死板的、必须遵循的规则（Winne，2017b）如果这是一个合理的观点，适用于为学习者设计教学的教师，那么对于自我调节学习中设计学习的学习者而言，也是如此。

其结果是，学习更有效地学习，即自我调节学习的目标，将需要学习者和教师之间的双向尊重每个人都必须进行实验，每个人都应该对善意但不完美的成功保持容忍好消息是，有一些有前途的学习策略和自我调节学习的启发一个例子是Michalsky（2013）对学习科学文本的多组分方法的研究，以提高科学素养。

除了对照组外，十年级的学习者在研究文本时提供了关于学习的问题问题涉及到工作的四个方面中的认知元认知或动机因素：理解文本、将观点与先前经验联系起来、工作策略和反思行使元认知控制的结果一个组只接收认知和元认知问题，第二组只接收动机问题，第三组同时接收两种类型的问题。

除了成绩数据外，研究人员还收集了反映与自我调节学习相关的能力和事件相关的认知、元认知和动机特征的问卷数据和口头思考数据为学习者提供处理学习的元认知方面的机会（即认知、元认知和动机）相对于对照组而言提高了科学素养。

Michalsky研究的一个重要发现是只有接收了所有三种嵌入式问题——认知、元认知和动机问题的组才提升了对自我调节学习的状态式观点正如Panadero、Klug和Jarvela（2016）所提出的，当学生有更多机会意识到他们的处理过程时，他们就有更多机会进行调整。

简而言之，明确邀请学习者考虑他们如何学习的技术可以有助于提高成绩但是，正如本章中讨论的那样，自我调节学习是动机和认知元认知特征的融合Michalsky研究中的学生在这种融合成为他们工作的一部分时改变了他们对自我调节学习的看法。

如果如前所述，学习者是学习科学家，那么支持他们研究项目的教学设计将需要不仅仅是启发性有用的干预措施，正如Michalsky的研究所示他们还需要关于他们学习方式的数据，这些数据能够揭示他们的学习过程，并且他们需要摆脱应对过于庞大课程内容的压力，以及在每一部分都取得成功的压力，以便有机会在学习中进行实验而不受惩罚。

我提出几点未经测试的建议首先，利用软件技术收集关于学习事件的数据（Winne，2017a）其次，提供学习分析，即利用追踪和其他传统数据（例如人口统计数据、自我报告、累积成就等）生成的报告，说明学习者如何学习以及他们学习了什么，并提供关于如何有效调整学习例行程序的建议（Winne，2017b）。

以鼓励学习者“尝试”调整学习策略和方法的方式传达学习分析（Roll＆Winne，2015；Winne，2017b）当（a）尝试学习成为一项被接受的课程内容本身，（b）学习者有动力并感到安全地尝试学习（例如，Marzouk等，2016），以及（c）过于拥挤的课程内容被修剪，以腾出空间进行学习实验时，“每个人都需要知道所有这些”的课程，我预测，有效的自我调节学习将有更好的机会蓬勃发展。

参考文献Azevedo, R. (2015). Defining and measuring engagement and learning in science: Conceptual, theoretical, methodological, and analytical issues.

Educational Psychologist, 50(1), 84-94.Azevedo, R., Taub, M., & Mudrick, N. V. (2018/this volume). Understanding and reasoning about real-time cognitive, affective, and metacognitive processes to foster self-regulation with advanced learning technologies. In D. H. Schunk & J. A. Greene (Eds.),

Handbook of self-regulation of learning and performance (2nd ed.). New York: Routledge.Bell, B. S., & Kozlowski, S. W. J. (2008). Active learning: Effects of core training design elements on self-regulatory processes, learning, and adaptability.

Journal of Applied Psychology, 93(2), 296-316.Bernacki, M. (2018/this volume). Examining the cyclical, loosely sequenced, and contingent features of self-regulated learning: Trace data and their analysis. In D. H. Schunk & J. A. Greene (Eds.),

Handbook of self-regulation of learning and performance(2nd ed.). New York: Routledge.Bernstein, D. M., ABfalg, A., Kumar, R., & Ackerman, R. (2015). Looking backward and forward on hindsight bias. In J. Dunlosky & S. K. Tauber (Eds.),

The Oxford handbook of metamemory (pp. 289-304). Oxford: Oxford University Press.Biswas, G., Baker, R. S., & Paquette, L. (2018/this volume). Data mining methods for assessing self-regulated learning. In D. H. Schunk & J. A. Greene (Eds.),

Handbook of self-regulation of learning and performance (2nd ed.). New York: Routledge.Bjork, E. L., & Bjork, R. A. (2011). Making things hard on yourself, but in a good way: Creating desirable difficulties to enhance learning. In M. A. Gernsbacher, R. W. Pew, L. M. Hough, & J. R. Pomerantz (Eds.),

Psychology and the real world: Essays illustrating fundamental contributions to society (pp. 56-64). New York: Worth.

Bjork, R. A., Dunlosky, J., & Kornell, N. (2013). Self-regulated learning: Beliefs, techniques, and illusions.

Annual Review of Psychology, 64, 417-444.Buck, R. (1985). Prime theory: An integrated view of motivation and emotion.

Psychological Review, 92, 389-413.Dimmitt, C., & McCormick, C. B. (2012). Metacognition in education. In K. R. Harris, S. Graham, & T. Urdan (Eds.),

APA educational psychology handbook. Vol 1: Theories, constructs, and critical issues (pp. 157-187). Washington, DC, US: American Psychological Association.

Donker, A. S., De Boer, H., Kostons, D., van Ewijk, C. D., & Van der Werf, M. P. C. (2014). Effectiveness of learning strategy instruction on academic performance: A meta-analysis.

Educational Research Review, 11, 1-26.Dunlosky, J., Rawson, K. A., Marsh, E. J., Nathan, M. J., & Willingham, D. T. (2013). Improving students’ learning with effective learning techniques promising directions from cognitive and educational psychology.

Psychological Science in the Public Interest, 14(1), 4-58.Efklides, A. (2011). Interactions of metacognition with motivation and affect in self-regulated learning: The MASRL model.

Educational Psychologist, 46(1), 6-25.Efklides, A., Schwartz, B. L., & Brown, V. (2018/this volume). Motivation and affect in self-regulated learning: Does metacognition play a role? In D. H. Schunk & J. A. Greene (Eds.),

Handbook of self-regulation of learning and performance (2nd ed.). New York: Routledge.Greene, J. A., Deekens, V. M., Copeland, D. Z., & Yu, S. (2018/this volume). Capturing and modeling self-regulated learning using think-aloud protocols. In D. H. Schunk & J. A. Greene (Eds.),

Handbook of self- regulation of learning and performance (2nd ed.). New York: Routledge.Hadwin, A., Jarvela, S., & Miller, M. (2018/this volume). Self-regulation, co-regulation, and shared regulation in collaborative learning environments. In D. H. Schunk & J. A. Greene (Eds.),

Handbook of self-regulation of learning and performance (2nd ed.). New York: Routledge.Karpicke, J. D., Butler, A. C., & Roediger, H. L. (2009). Metacognitive strategies in student learning: Do students practise retrieval when they study on their own?

Memory,17, 471-479.Koriat, A. (2016). Processes in self-monitoring and self-regulation. In The Wiley Blackwell Handbook of judgment and decision making

. Malden, MA: Wiley Blackwell.Marzouk, Z., Rakovic, M., Liaqat, A., Vytasek, J., Samadi, D., Stewart-Alonso, J., Ram, I., Woloshen, S., Winne, P. H., & Nesbit, J. C. (2016). What if learning analytics were based on learning science?

Australasian Journal of Educational Technology, 32(6). https://ajet.org.au/index.php/AJET/article/view/3058/1433

.McCabe, J. (2011). Metacognitive awareness of learning strategies in undergraduates. M emory & Cognition

, 39(3), 462-476.Michalsky, T. (2013). Integrating skills and wills instruction in self-regulated science text reading for secondary students.

International Journal of Science Education, 35(11), 1846-1873.Muis, K. R., & Singh, C. (2018/this volume). The three faces of epistemic thinking in self-regulated learning. In D. H. Schunk & J. A. Greene (Eds.),

Handbook of self-regulation of learning and performance (2nd ed.). New York: Routledge.Nelson, T. O., & Narens, L. (1990). Metamemory: A theoretical framework and new findings. In G. H. Bower (Ed.),

The Psychology of Learning and Motivation,26, 125-141.Panadero, E., Klug, J., & Jarvela, S. (2016). Third wave of measurement in the self-regulated learning field: When measurement and intervention come hand in hand.

Scandinavian Journal of Educational Research, 60, 723-735.Roediger, H. L., & Butler, A. C. (2011). The critical role of retrieval practice in long-term retention.

Trends in Cognitive Science, 15, 20-27.Roll, I., & Winne, P. H. (2015). Understanding, evaluating, and supporting self-regulated learning using learning analytics.

Journal of Learning Analytics, 2(1), 7-12.Salomon, G., & Perkins, D. N. (1989). Rocky roads to transfer: Rethinking mechanisms of a neglected phenomenon.

Educational Psychologist, 24, 113-142.Schraw, G., & Gutierrez, A. P. (2015). Metacognitive strategy instruction that highlights the role of monitoring and control processes. In A. Pena-Ayala (Ed.),

Metacognition: Fundaments, Applications and Trends, Intelligent Systems Reference Library 76, 3-16. doi: 10.1007/978-3-319-11062-2_1

Schunk, D. H., Meece, J. R., & Pintrich, P. R. (2014). Motivation in education: Theory, research, and applications

(4th ed.). Boston: Pearson.Thiede, K. W., & de Bruin, A. B. H. (2018/this volume). Self-regulated learning in reading. In D. H. Schunk & J. A. Greene (Eds.),

Handbook of self-regulation of learning and performance (2nd ed.). New York: Routledge.Tuckman, B. W., & Kennedy, G. J. (2011). Teaching learning strategies to increase success of first-term college students.

The Journal of Experimental Education, 79(4), 478-504.Weiner, B. (2010). The development of an attribution-based theory of motivation: A history of ideas.

Educational Psychologist, 45(1), 28-36.Winne, P. H. (1985). Steps toward promoting cognitive achievements.

Elementary School Journal, 85, 673-693.Winne, P. H. (1995a). Inherent details in self-regulated learning.

Educational Psychologist, 30, 173-187.Winne, P. H. (1995b). Self-regulation is ubiquitous but its forms vary with knowledge.

Educational Psychologist, 30, 223-228.Winne, P. H. (1997). Experimenting to bootstrap self-regulated learning.

Journal of Educational Psychology, 89, 397-410.Winne, P. H. (2001). Self-regulated learning viewed from models of information processing. In B. J. Zimmerman & D. H. Schunk (Eds.),

Self-regulated learning and academic achievement: Theoretical perspectives (2nd ed., pp. 153-189). Mahwah, NJ: Lawrence Erlbaum Associates.

Winne, P. H. (2010a). Bootstrapping learner’s self-regulated learning. Psychological Test and Assessment Modeling

, 52, 472-490.Winne, P. H. (2010b). Improving measurements of self-regulated learning. Educational Psychologist

, 45, 267-276.Winne, P. H. (2011). A cognitive and metacognitive analysis of self-regulated learning. In B. J. Zimmerman and D. H. Schunk (Eds.),

Handbook of self-regulation of learning and performance (pp. 15-32). New York: Routledge.Winne, P. H. (2013). Learning strategies, study skills and self-regulated learning in postsecondary education. In M. B. Paulsen (Ed.),

Higher education: Handbook of theory and research (Vol. 28, pp. 377-403). Dordrecht: Springer.Winne, P. H. (2015). What is the state of the art in self-, co- and socially shared regulation in CSCL?

Computers in Human Behavior, 52, 628-631.Winne, P. H. (in press). The trajectory of research on self-regulated learning. In T. Michalsky (Ed.),

Yearbook of the National Society for the Study of Education. Vol. 116: Self-regulated learning: Conceptualizations, contributions, and empirically based models for teaching and learning

. Chicago, IL: National Society for the Study of Education.Winne, P. H. (2017a). Leveraging big data to help each learner upgrade learning and accelerate learning science.

Teachers College Record, 118(13), 1-24.Winne, P. H. (2017b). Learning analytics for self-regulated learning. In G. Siemens & C. Lang (Eds.),

Handbook of learning analytics (pp. 241-249). Beaumont, AB: Society for Learning Analytics Research.Winne, P. H., & Baker, R. S. (2013). The potentials of educational data mining for researching metacognition, motivation and self-regulated learning.

JEDM-Journal of Educational Data Mining, 5(1), 1-8.Winne, P. H., & Hadwin, A. F. (1998). Studying as self-regulated learning. In D. J. Hacker, J. Dunlosky, & A. C. Graesser (Eds.),

Metacognition in educational theory and practice (pp. 277-304). Mahwah, NJ: Lawrence Erlbaum Associates.

Winne, P. H., & Marx, R. W. (1989). A cognitive processing analysis of motivation within classroom tasks. In C. Ames and R. Ames (Eds.),

Research on motivation in education (Vol. 3, pp. 223-257). Orlando, FL: Academic Press.Zajonc, R. (1980). Feeling and thinking: Preferences need no inferences.

American Psychologist, 35, 151-175.Zhou, M., & Winne, P. H. (2012). Modeling academic achievement by self-reported versus traced goal orientation.