大家好。我是耿学旺。
在这篇文章中，我将介绍最近在英语文献研讨会上阅读的一篇论文及其感想。
论文标题： Unveiling joint attention dynamics: Examining multimodal engagement in an immersive collaborative astronomy simulation
期刊：Computers & Education
卷号：213
页码：1-15
出版年份：2024
作者：Jina Kang, Yiqiu Zhou, Robin Jephthah Rajarathinam, Yuanru Tan, David Williamson Shaffer
https://doi.org/10.1016/j.compedu.2024.105002
以下是论文内容的概要。
近年来，随着增强现实（AR）和虚拟现实（VR）等技术的发展，计算机支持的协作学习（CSCL）环境发生了巨大变化。特别是沉浸式学习环境，为学习者提供了3D虚拟空间，作为新的协作学习场所备受关注。共同注意被定义为将注意力调整到成员共同关注的对象上，在协作学习中发挥着重要作用。从社会建构主义的角度来看，共同注意通过促进参与者之间共享意义的构建、确立共享问题的解决空间并促进互动，能够有效地提升共同解决问题的能力。
然而，尽管许多先行研究利用眼动追踪数据探讨了共同注意的影响，但对于在3D世界中可以自由导航的沉浸式协作学习环境中的共同注意，尚未得到充分调查。对此，从多个传感器收集的多模态学习数据为更好地理解协作学习活动提供了可能性。多模态数据是对整合了沟通、意义构建的语言、行为、空间及生理层面等多个数据源的分析，不仅可以分析学习活动的语言行为，还可以分析手势等非语言学习行为。因此，本研究旨在多角度分析沉浸式天文学模拟协作学习环境中的共同注意与概念性讨论。具体而言，设定了以下三个研究问题（RQ）：
1. 沉浸式天文学模拟中的共同注意与学习成果之间有何关系？
2. 协作活动中的共同注意、手势和轮流发言如何影响小组的概念性讨论？
3. 共同注意和概念性讨论在不同学习成果的小组之间是如何随活动进程变化的？
为了调查上述RQ，本研究以美国某大学修读入门天文学课程的16个小组共77名本科生为对象进行了实验。参与者参与了名为“Lost at Sea”的多阶段问题解决任务。在该任务中，为了确定坠落在未知海洋中的太空舱位置，参与者需要进行星座识别和经纬度计算等。数据收集使用了语音和视频录制、日志文件、设备屏幕录制以及课前和课后评估。共同注意的测量评估了参与者的头部运动、模拟中的视角以及设备间视野的重叠。由此确定了从共同注意等级1（非活动）到等级5（屏幕重叠并停留在最后一个任务场景）的5个共同注意等级。此外，为了测量概念性互动，开发了专注于语言和非语言互动的编码方案。这包括引入新知识、知识修正、知识确认、困惑等要素。为了阐明共同注意和概念性讨论的变化，使用了有序网络分析（ONA）。ONA是一种考虑事件时间顺序并对学习过程进行建模的方法。
分析结果得出了以下发现。首先，在任务完成所花费的时间和共同注意的持续时间上，学习成果低分组和高分组之间未确认到显著差异。学习成果高分组在问题解决过程中倾向于参与更高水平的共同注意（特别是等级4和等级5），但与低分组相比未发现显著差异。此外，研究表明不同水平的共同注意与小组的概念性互动之间存在不同的关系。例如，共同注意等级4（学习者在同一场景中，但关注点不同）与引入新知识呈正相关，与知识困惑呈负相关；而共同注意等级5（在同一场景中关注同一处）与知识确认呈正相关。此外，在展示知识构建过程的片段分析结果中，高分组的共同注意与概念性讨论更有效地互动，促进了共享理解和新观点的采纳。低分组则确认到较多共同注意的缺失、学习者的独立活动以及知识与意见的不一致。ONA的分析结果显示，随着任务的推进，高分组比低分组更多地参与了高水平的共同注意（等级5）和概念性讨论。这些结果暗示了在协作学习中任务设计、工具利用、多数据源整合以及不同粒度分析的重要性。例如，研究表明，设计能够促进初期阶段个体探索和多样化视角整合的任务，以及提供支持从个体探索向小组讨论过渡的资源和提示是非常重要的。
以下是阅读这篇论文的感想。本研究采用了结合ONA学习过程分析与定性分析的混合研究方法，内容非常有趣。特别是宏观层面（包含所有任务的学习过程）、中观层面（每个任务）、微观层面（片段等每个情节）等不同粒度的分析方法，让我感到可以应用于其他研究。例如，我之前的研究分析了整体的动词学习活动，参考本研究的方法，我认为可以应用到更详细的复合动词与简单动词的学习行为，以及各单词间不同粒度的分析中。另一方面，虽然本研究为如何阐明增强现实和虚拟现实协作学习环境中的共同注意提供了重要见解，但我感到关于CSCL及共同注意的具体发现稍显不足。期待在未来的研究中，能够通过更大规模的样本进行验证，应用于不同的学习情境，并为协作学习的设计和支持提供具体的启示。
