自我调节学习与学习时间分配研究(2)
(二)模型结构及运作机制
为解释学习者如何分配学习时间，ABR模型将议程建构与执行融入了Cowan[7]的信息加工模型中(见下页图2)。该模型描述了选择性注意如何受到记忆系统本身特征以及中央执行系统的有限加工容量的限制。如果受到注意，那些在长时记忆中的刺激表征可以在短时记忆(STS)中得到激活，而且中央执行系统可以选择一部分激活的记忆继续集中注意。然而，中央执行系统在容量上是有限的，在任何时候，一个人只能意识到极其有限的信息量。当与目标无关的刺激进入注意范围时，中央执行系统必须抑制无关刺激，并重新激活目标相关的信息。
为了执行任何一个特定的议程，在学习者自主控制行为来选择那些要学习的恰当材料期间，他们需要对议程标准保持注意(如，“选择可能被测试的最容易的材料”)。于是，学习者一直将注意维持在议程标准和要学习的材料上，并使用这一信息来控制项目选择。如果议程包括每个材料单元学习多久的标准(如，教师说，掌握那些较有可能被测试的材料，而对于其他材料略读一遍即可)，那么学习者就需要在自定步调的学习期间维持这些标准的激活。
, http://www.100md.com
考虑到议程建构和执行均需要注意资源，注意容量的有限性会影响议程的有效使用，所以，有中央执行过程缺陷的学习者可能会在议程建构和执行上有困难。当学习者不能抑制与任务无关的思维或当相关的任务限制和议程标准超出了其注意容量时，这些执行困难将会出现，从而会危及到目标实现[8]。当与目标无关的信息从内部(如，走神或心智游移)或环境中出现时，即使是一个相当简单的议程(如，“选择最容易的材料学习”)执行起来也会变得困难[9]。当超出了中央执行的容量限制时，习惯反应将会主宰对学习时间分配的控制[4]。此时，学习者会忘记自己的议程或学习目标，转而进行习惯反应。
最后，关于实时监测和控制问题，学习者可以监测自己的学习状态以达到对项目选择和自定步调学习的调节和控制。监测是为了评估当前目标是否已经实现；如果已经实现了，学习者将会转向下一个要学习的材料或任务。如果这些目标还没有实现，学习者可以作许多控制性决定：继续学习，改变当前项目学习的策略，改变当前目标，等等。因为监测部分用来控制学习时间分配，监测的准确性与控制的有效性有关[10]：对自己的学习监测越准确的学习者，其学习时间分配也越有效，而且获得的测试成绩水平也越高，提高监测准确性的技术也会产生更好的分配和学习[11]。ABR模型假设学习者可以使用不同的监测方式来控制项目选择和自定步调的学习。例如，当制定学习步调时，学习者可以使用监测来评估当前学习状态或学习进度。
, http://www.100md.com
四、与学习时间分配的学说对比
ABR模型的出现是用来解释学习者如何分配他们的学习时间，以及他们成功(或失败)完成学习目标的原因。另外两个学说也可解释上述问题。其中，最近学习区模型用来解释学习时间分配，而Winne和Hadwin[12]的COPES模型则是用来更通俗地解释SRL的。
(一)最近学习区模型
RPL模型(Region of Proximal Learning)假设学习者首先“尝试减少已经学得很好的材料”[13]，这类材料通常是能够从记忆中回忆出的。这一假设与当前流行的证据是一致的：学习者较少选择已经学会的项目(或之前回忆出来的项目)，他们花费更多的时间来学习尚未学会的项目。学习者的确会选择重学一些之前回忆出来的项目，但他们的决策是基于之前回忆出来的项目并未学好的信念而作出的。
学习者对学习那些掌握不熟练的项目的偏差已经由ABR模型给予解释，ABR模型预测在一些条件下，学习者将会选择已经学会的项目重学。只要在学习者力图将之前学过的信息保持较长时间的条件下，这一预测都是成立的。例如，有时学习者会优先学习一些信息，并因此而形成一个议程来对其过度学习。
, http://www.100md.com
RPL模型涵盖了jROL机制。jROL描述了学习的停止规则。根据jROL，当感知到的学习率接近零时，人们就会停止学习一个项目[13]。对于自定步调的学习来说，ABR模型并不预先假设任何特定的停止规则。学习者可以采取许多策略来终止学习：一旦人们认为没有进步时就终止学习(如，当时间有限时)；但人们也可能会继续学习，即使他们并不确定继续学习会有进步(如，所有学习项目都具有高重要性，而且时间充裕)。
(二)COPES模型
如果学ABR模型是用来解释学习时间分配的，那么Winne和Hadwin的COPES模型则是用来更广泛地解释SRL的。SRL包括以下阶段：任务界定，目标设定和计划，实施和调适。学生们决定要学习的任务，设定目标，并计划如何完成它。这些阶段涉及ABR模型中与议程建构相关的过程(见上页图2)。当学生们将来自任务体验的反馈用于随后的学习控制中时，议程执行方面的实施和调适将会发生。对于COPES模型，学生们可以通过指出常见条件和执行目标实现的相关操作(策略)来处理C-O-P-E 的任何阶段。对于ABR模型，这些功能大部分都是受中央执行系统的控制，并经常涉及基本监测和控制过程[12]。
, 百拇医药
COPES模型和ABR模型间最大的差异就是通过将ABR模型植入到Cowan的信息加工系统中，ABR模型强调系统局限(如，中央执行系统的容量局限)和习惯反应的作用，尤其是它们如何削弱SRL的有效性。由于COPES模型是基于信息加工平台，由此这些因素(系统局限和习惯反应)是可以融合在一起的。因此，COPES模型和ABR框架并非不相容，两者中任何一个都可以用于指导有关学习时间分配或任何其他的SRL活动方面的研究。
五、结论与未来研究展望
人们通过建构和执行有效实现目标的议程来减少感知差异。学生们使用这些议程来实现他们的目标具有直观可行性，并且议程使用可以立即解释有关学习时间分配的大部分证据。然而，很多证据都不是直接的，所以发展研究方法来直接测量ABR，对未来研究提出了一个重大挑战。这类方法对于探讨议程使用，比如“对于一个给定任务，学生们如何设定议程”、 在议程设定后是“什么因素导致了初始议程的变化”具有重大意义。, 百拇医药(王春红)
为解释学习者如何分配学习时间，ABR模型将议程建构与执行融入了Cowan[7]的信息加工模型中(见下页图2)。该模型描述了选择性注意如何受到记忆系统本身特征以及中央执行系统的有限加工容量的限制。如果受到注意，那些在长时记忆中的刺激表征可以在短时记忆(STS)中得到激活，而且中央执行系统可以选择一部分激活的记忆继续集中注意。然而，中央执行系统在容量上是有限的，在任何时候，一个人只能意识到极其有限的信息量。当与目标无关的刺激进入注意范围时，中央执行系统必须抑制无关刺激，并重新激活目标相关的信息。
为了执行任何一个特定的议程，在学习者自主控制行为来选择那些要学习的恰当材料期间，他们需要对议程标准保持注意(如，“选择可能被测试的最容易的材料”)。于是，学习者一直将注意维持在议程标准和要学习的材料上，并使用这一信息来控制项目选择。如果议程包括每个材料单元学习多久的标准(如，教师说，掌握那些较有可能被测试的材料，而对于其他材料略读一遍即可)，那么学习者就需要在自定步调的学习期间维持这些标准的激活。
, http://www.100md.com
考虑到议程建构和执行均需要注意资源，注意容量的有限性会影响议程的有效使用，所以，有中央执行过程缺陷的学习者可能会在议程建构和执行上有困难。当学习者不能抑制与任务无关的思维或当相关的任务限制和议程标准超出了其注意容量时，这些执行困难将会出现，从而会危及到目标实现[8]。当与目标无关的信息从内部(如，走神或心智游移)或环境中出现时，即使是一个相当简单的议程(如，“选择最容易的材料学习”)执行起来也会变得困难[9]。当超出了中央执行的容量限制时，习惯反应将会主宰对学习时间分配的控制[4]。此时，学习者会忘记自己的议程或学习目标，转而进行习惯反应。
最后，关于实时监测和控制问题，学习者可以监测自己的学习状态以达到对项目选择和自定步调学习的调节和控制。监测是为了评估当前目标是否已经实现；如果已经实现了，学习者将会转向下一个要学习的材料或任务。如果这些目标还没有实现，学习者可以作许多控制性决定：继续学习，改变当前项目学习的策略，改变当前目标，等等。因为监测部分用来控制学习时间分配，监测的准确性与控制的有效性有关[10]：对自己的学习监测越准确的学习者，其学习时间分配也越有效，而且获得的测试成绩水平也越高，提高监测准确性的技术也会产生更好的分配和学习[11]。ABR模型假设学习者可以使用不同的监测方式来控制项目选择和自定步调的学习。例如，当制定学习步调时，学习者可以使用监测来评估当前学习状态或学习进度。
, http://www.100md.com
四、与学习时间分配的学说对比
ABR模型的出现是用来解释学习者如何分配他们的学习时间，以及他们成功(或失败)完成学习目标的原因。另外两个学说也可解释上述问题。其中，最近学习区模型用来解释学习时间分配，而Winne和Hadwin[12]的COPES模型则是用来更通俗地解释SRL的。
(一)最近学习区模型
RPL模型(Region of Proximal Learning)假设学习者首先“尝试减少已经学得很好的材料”[13]，这类材料通常是能够从记忆中回忆出的。这一假设与当前流行的证据是一致的：学习者较少选择已经学会的项目(或之前回忆出来的项目)，他们花费更多的时间来学习尚未学会的项目。学习者的确会选择重学一些之前回忆出来的项目，但他们的决策是基于之前回忆出来的项目并未学好的信念而作出的。
学习者对学习那些掌握不熟练的项目的偏差已经由ABR模型给予解释，ABR模型预测在一些条件下，学习者将会选择已经学会的项目重学。只要在学习者力图将之前学过的信息保持较长时间的条件下，这一预测都是成立的。例如，有时学习者会优先学习一些信息，并因此而形成一个议程来对其过度学习。
, http://www.100md.com
RPL模型涵盖了jROL机制。jROL描述了学习的停止规则。根据jROL，当感知到的学习率接近零时，人们就会停止学习一个项目[13]。对于自定步调的学习来说，ABR模型并不预先假设任何特定的停止规则。学习者可以采取许多策略来终止学习：一旦人们认为没有进步时就终止学习(如，当时间有限时)；但人们也可能会继续学习，即使他们并不确定继续学习会有进步(如，所有学习项目都具有高重要性，而且时间充裕)。
(二)COPES模型
如果学ABR模型是用来解释学习时间分配的，那么Winne和Hadwin的COPES模型则是用来更广泛地解释SRL的。SRL包括以下阶段：任务界定，目标设定和计划，实施和调适。学生们决定要学习的任务，设定目标，并计划如何完成它。这些阶段涉及ABR模型中与议程建构相关的过程(见上页图2)。当学生们将来自任务体验的反馈用于随后的学习控制中时，议程执行方面的实施和调适将会发生。对于COPES模型，学生们可以通过指出常见条件和执行目标实现的相关操作(策略)来处理C-O-P-E 的任何阶段。对于ABR模型，这些功能大部分都是受中央执行系统的控制，并经常涉及基本监测和控制过程[12]。
, 百拇医药
COPES模型和ABR模型间最大的差异就是通过将ABR模型植入到Cowan的信息加工系统中，ABR模型强调系统局限(如，中央执行系统的容量局限)和习惯反应的作用，尤其是它们如何削弱SRL的有效性。由于COPES模型是基于信息加工平台，由此这些因素(系统局限和习惯反应)是可以融合在一起的。因此，COPES模型和ABR框架并非不相容，两者中任何一个都可以用于指导有关学习时间分配或任何其他的SRL活动方面的研究。
五、结论与未来研究展望
人们通过建构和执行有效实现目标的议程来减少感知差异。学生们使用这些议程来实现他们的目标具有直观可行性，并且议程使用可以立即解释有关学习时间分配的大部分证据。然而，很多证据都不是直接的，所以发展研究方法来直接测量ABR，对未来研究提出了一个重大挑战。这类方法对于探讨议程使用，比如“对于一个给定任务，学生们如何设定议程”、 在议程设定后是“什么因素导致了初始议程的变化”具有重大意义。, 百拇医药(王春红)