在线协作学习里，教师越来越容易看见数据：谁发言多、讨论持续多久、小组成员参与是否均衡、观点是否从“提出问题”走向“整合与解决”。但看见数据，并不等于学生会据此调整行动。学习分析反馈常常解决了“我现在表现怎样”，却未必解决“我为什么要继续投入”。
于是，一个颇具争议的问题出现了：如果在学习分析仪表盘上再加一张排行榜，会不会把数据反馈转化为持续行动？它促进的是更深的知识建构，还是仅仅让学生为了名次多发言？
本研究把认知投入拆成频率分布、关系模式与时间动态三个层面，并进一步检验学习成绩。研究发现：与只接收学习分析反馈相比，接收“学习分析+排行榜”反馈的学生表现出更多高阶认知行为、更强的高阶行为连接、更稳定的认知投入模式和更高的期末成绩；但这些结论需要结合小效应量、小样本和准实验设计谨慎理解。
一、文献信息
图 1 论文首页信息（来源：原文）
中文标题：一种基于学习分析的排行榜反馈方法：促进在线协作学习中的学生认知投入与学习表现
英文标题：A learning analytics-based leaderboard feedback approach for promoting student cognitive engagement and learning performance in online collaborative learning
作者：Shuang Yu，Junmin Ye，Xinghan Yin，Linjing Wu，Shufan Yu，Mengting Nan，Sheng Luo
DOI：10.1111/bjet.70028
发表信息：British Journal of Educational Technology，2025年（2024年11月8日收稿，2025年11月10日接收）
关键词：自动递归量化分析（aRQA）；认知投入；认知网络分析（ENA）；排行榜；学习分析反馈；在线协作学习
二、研究背景与问题
（一）为什么“只有学习分析反馈”可能还不够？
👉 在线协作学习的难点，不只是参与不足，更是高阶认知投入难以持续。
在线讨论可以支持共同建构知识，但学生的认知活动容易停留在提出问题和探索信息，随着时间推移还可能逐渐依赖低阶活动。若缺少针对性支持，讨论热闹并不必然意味着理解深入。
👉 学习分析能“照镜子”，却不一定能让学生持续行动。
仪表盘可以把认知、行为和社会互动转化为可视化反馈，但已有研究提示：仅提供小组反馈，学生未必主动采纳，也未必因此产生足够的外部激励。
👉 排行榜提供了比较与目标，但也伴随风险。
可见的名次能够形成同伴比较和竞争，帮助学生识别差距、设定目标；与此同时，过大的差距或过度强调外部评价，也可能带来挫败感并削弱自主性。因此，关键不是“要不要排名”，而是排名与什么数据、什么反馈方式结合。
（二）研究问题
RQ1：与传统学习分析反馈（LAF）相比，基于学习分析的排行榜反馈（LALF）如何影响学生的认知投入？
RQ1.1：两组认知投入行为编码的频率分布是否不同？
RQ1.2：两组认知投入行为之间的关系模式是否不同？
RQ1.3：两组认知投入在时间序列上的动态稳定性是否不同？
RQ2：与LAF相比，LALF是否影响学生的学习成绩？
三、理论框架与研究创新
（一）自我决定理论：排行榜既可能支持胜任感，也可能伤害自主性
自我决定理论强调自主、胜任和关系三种基本心理需要。排行榜把相对位置可视化，可能让学生获得清晰的胜任反馈，也可能通过小组共同目标增强归属感；但如果外部评价压过内在兴趣，学生的自主性和长期投入也可能受损。
🎯 在本研究中的作用：
解释排行榜为何可能激发投入，同时提醒设计者不能只追求竞争强度。
（二）社会比较理论：名次把“我做得怎样”转化为“我与他人差在哪里”
排行榜同时支持向上比较与向下比较。向上比较可能促使学生模仿领先小组、缩小差距；差距过大时也可能引发挫败。向下比较可能增强信心，却也可能降低继续投入的紧迫感。
🎯 在本研究中的作用：
解释学习分析数据为何在加入组间相对位置后，可能更容易转化为目标设定和行为调整。
（三）认知临场感：用“提出—探索—整合—解决”刻画认知投入
研究借鉴探究共同体框架中的认知临场感，将讨论话语编码为触发事件（Triggering event）、探索（Exploration）、整合（Integration）、解决（Resolution）和其他（Other）。其中，整合与解决被视为更高阶的认知投入行为。
💡 方法创新：
研究没有只比较“发言次数”，而是依次分析行为分布、行为之间的连接和行为随时间的稳定性，使认知投入从静态计数走向结构与动态。
四、研究方法
（一）参与者与准实验设计
参与者：中国某高校32名软件工程专业大三学生，参加2023年春季“面向对象软件工程”课程。
分组：学生先按真实课堂中的社交关系或兴趣自主组成8个协作小组，每组4人；随后将8个小组随机分入实验组和对照组，各4组、16人。
基线：研究以学生对本组任务完成能力的感知作为集体效能代理指标，两组差异不显著（p=0.301）。
过程：第1-5周两组均无干预；第6-10周每周在线讨论前，对照组接收学习分析反馈，实验组接收学习分析反馈与排行榜；实验结束后收集期末成绩，并访谈实验组学生。
协作平台：QQ同步群聊，系统自动保留全部讨论话语。
（二）LALF到底反馈什么？
研究基于协作分析框架，从三个维度刻画小组表现：认知维度使用BERT模型识别认知临场感阶段；行为维度统计发言总数与讨论时长；社会维度使用基尼系数衡量成员参与是否均衡。对照组在仪表盘中看到这些学习分析反馈。
图 2 学习分析仪表盘：认知、行为与社会指标（来源：原文图2）
实验组在相同学习分析反馈之外，还能看到以小组整体表现计算的周榜与总榜。周榜呈现当周各维度得分，总榜累积此前积分与本周积分。榜单只对实验组开放。
图 3 实验组的周榜与总榜（来源：原文图3）
（三）数据与分析方法
讨论数据：清洗第6-10周在线讨论话语后，使用团队既有分类模型自动编码，共获得6057条认知投入行为编码。
学习成绩：以期末考试衡量课程知识掌握；对照组1名学生缺考，因此成绩分析样本为31人。
访谈数据：访谈实验组学生，用于三角互证与解释量化结果。
1.卡方检验：比较五类认知投入编码在两组中的频率分布。
2.认知网络分析（ENA）：比较不同认知行为共同出现形成的连接模式。
3.自动递归量化分析（aRQA）：以递归率、熵、层流性和确定性描述行为序列的稳定性。
4.Mann-Whitney U检验：比较ENA投影、aRQA指标与期末成绩。
5.主题分析：解释实验组学生如何理解并使用排行榜反馈。
五、研究结果
📊 四类证据放在一起看
证据层面 | 观察到的差异 | 关键统计量 |
频率分布 | 高阶编码占比更高 | χ²=65.45，p<0.001；V=0.104（小效应） |
关系模式 | 高阶行为连接更强 | ENA横轴：U=330.50，p=0.02，r=0.43 |
时间动态 | 熵更低、模式更稳定 | Entropy：0.26 vs 0.31，p=0.04 |
学习成绩 | 实验组均分更高 | 84.81 vs 82.25，p=0.023 |
（一）频率分布：实验组出现更多高阶认知投入，但总体分布差异属于小效应
实验组在探索、整合和解决三类编码上的占比均高于对照组：探索为61.90%对59.71%，整合为13.97%对10.62%，解决为2.08%对1.43%；触发事件和“其他”的占比则更低。五类编码总体分布差异显著（χ²=65.45，df=4，p<0.001）。
📌 关键限定：
Cramer's V仅为0.104，按作者采用的标准属于小效应。实验组各类编码的绝对次数接近对照组的两倍，说明参与量明显更高，但“更多发言”与“更高质量”不能简单画等号；更可靠的判断要结合后面的关系模式与时间动态。
（二）关系模式：实验组更容易从探索走向整合与解决
ENA显示，两组都存在较强的“触发事件—探索”和“探索—整合”连接。与对照组相比，实验组在“探索—整合”“整合—解决”等高阶连接上更强；对照组则在“触发事件—整合”连接上更强。
图 4 实验组（红）与对照组（蓝）的认知网络比较（来源：原文图7）
两组在ENA横轴上的差异显著（U=330.50，p=0.02，r=0.43），纵轴差异不显著（U=213.5，p=0.68，r=0.08）。这意味着网络差异存在，但并非所有投影维度都支持组间分离。
（三）时间动态：显著差异集中在“熵”，其余三个稳定性指标未显著
实验组的熵显著低于对照组（0.26±0.06 vs 0.31±0.11；U=79，Z=-2.05，p=0.04）。在本研究的解释中，更低的熵意味着行为模式更集中、更可预测。实验组的递归率、层流性和确定性方向上略高，但均未达到显著水平。
图 5 实验组与对照组个体案例的递归图（来源：原文图8；仅用于示例）
📌 精读提醒：
作者据“更低熵+其余指标方向一致”概括实验组模式更稳定，但统计上只有熵显著。图5也只是每组选取一名学生的可视化示例，不能替代全部学生的组间推断。
（四）学习成绩：实验组均分更高，差异达到统计显著
实验组16人的期末成绩为84.81±5.91，对照组15人为82.25±2.73。Mann-Whitney U检验显示差异显著（U=62.50，Z=-2.275，p=0.023）。
📌 如何理解：
两组均分相差2.56分，结果支持LALF与更高学习表现相关；不过论文未报告该成绩差异的效应量，且没有标准化学业前测，因此仍应避免把它解释为已被充分确认的强因果效应。
（五）访谈解释：排行榜把数据变成了可追赶的目标
实验组学生提到，当小组排名落后时，会更频繁查看榜单、增加发言，并依据探索、触发事件等指标与领先小组比较，调整自己的认知策略。作者据此认为，榜单提供了清晰且具有挑战性的目标，使学习分析反馈更容易进入“比较—设定目标—调整行为”的循环。
⚠ 仍需注意：
论文同时承认，过度或不利的比较可能引发挫败、降低动机。排行榜真正有效的前提，是竞争与支持性反馈保持平衡。
六、研究局限与精读评价
（一）作者提出的五点局限
1.样本仅32名软件工程专业学生，结果的可推广性有限。
2.研究集中于单一专业和课程情境，需要在更多学科与课程中验证。
3.受隐私限制未收集GPA或标准化前测，只能以集体效能感知作为基线代理。
4.认知投入主要依据讨论话语，未来可加入行为观察、脑电或眼动等多源测量。
5.准实验中的非完全随机分配和潜在混淆变量限制了因果推断，未来可采用混合方法、更严格的统计控制或随机对照实验。
（二）进一步值得追问的三件事
🔎 分析单位是否充分处理了“小组嵌套”？
干预在小组层面分配，学生又嵌套在8个自然形成的小组中，但论文把个体作为全部统计检验的分析单位。由研究设计推断，同组成员的数据可能并非完全独立，未来研究可采用多层模型、群组稳健标准误或以更多小组为样本。
🔎 排行榜促进的是发言量，还是认知质量？
实验组编码总量明显更高，卡方分布差异却只有小效应。ENA与aRQA提供了比频数更深入的证据，但仍需要把任务质量、知识产出和话语内容的质性评价纳入同一证据链。
🔎 谁会被排行榜激励，谁可能被它劝退？
平均差异无法回答不同初始能力、竞争倾向或自我效能学生的反应。尤其需要追踪长期处于后位的小组，检验榜单是否放大挫败与不平等。
七、对教学设计与研究实践的启示
（一）排行榜不要只排“活跃度”，要排可解释的学习质量
•把认知指标、参与数量、讨论时长和成员参与均衡度结合，避免“刷发言”成为最优策略。
•每个分数都要能追溯到可改进的行为，让学生知道“为什么得分”和“下一步怎么做”。
•同时提供周榜与总榜：周榜给予短周期反馈，总榜保留长期进步轨迹。
（二）把竞争设计成“小组共同改进”，而不是公开羞辱个体
•优先展示小组层面的排名和进步，谨慎公开个体末位。
•给落后小组提供具体、私密且支持性的诊断，而不是只显示差距。
•监测连续低排名学生的情绪与参与变化，必要时淡化绝对名次、增加进步榜或分层目标。
（三）研究学习过程时，别只做“次数统计”
这篇论文最值得借鉴的方法论贡献，是把认知投入拆成“分布—模式—动态”三个视角：卡方检验回答哪些行为更多，ENA回答哪些行为彼此连接，aRQA回答这种行为结构是否随时间稳定。三者结合，比单独统计发言量更接近在线协作学习的真实过程。
💡 结语
排行榜并不是学习分析的装饰层，也不只是把课堂变成一场竞赛。它真正可能发挥作用的地方，是为学习分析反馈增加“相对位置”和“可追赶目标”，让学生从看见数据走向调整行动。
但这项研究同样提醒我们：显著不等于强效，更多发言不等于更深学习，更稳定也不能只由一项显著指标概括。教育技术设计既要看到排行榜带来的动机增益，也要处理比较压力、测量边界和因果证据的限制。
或许，真正值得追求的不是“让学生争第一”，而是让数据反馈足够清楚、目标足够可达、竞争足够友善，使每个小组都知道自己下一步可以怎样学得更深。
以上是本期内容，欢迎大家在评论区交流讨论，提出宝贵意见！
