张 玥 姚璐静

(南京大学信息管理学院，江苏 南京 210023)

技术赋能是信息资源建设的重要思路。随着元宇宙时代的来临与发展，基于数字孪生和仿真模拟的技术逐渐成熟[1]，这为技术赋能带来了新的可能。其中，AR作为一种可以实现用户、虚拟与现实三元交互的技术，是未来几年技术行业的重要发展方向之一[2]。AR技术的基本思想是通过在现实环境中嵌入虚拟组件来增强人类的感知，具有创建真实和虚拟对象相结合的交互环境的独特能力[3]，其所具备的优势使得AR技术赋能趋于流行化与商业化[4]。技术赋能强调以用户为核心，通过技术为用户提供支持。研究发现，AR技术赋能为用户的知识获取提供了新途径，在支持用户的知识获取行为中体现出了巨大潜力[5]。但值得注意的是，有研究者指出，在AR技术与用户知识获取行为交互时，可能存在着认知负荷过高的风险[6]。

认知负荷被认为是用户在处理特定任务时其认知系统上的负荷的多维结构[7]。认知负荷理论揭示了在信息处理过程中发生的认知限制，认为人类的认知结构只允许处理有限数量的信息[8]。当认知负荷总量超过人类认知结构所能承受的极限时，就会造成认知超载，从而影响信息利用的效率。认知负荷是衡量用户行为的重要指标[9]，用户的认知负荷水平代表了所采用的信息技术的功效[8]，对认知负荷的探究有助于更全面、更深刻地评价用户知识获取行为中AR赋能的效益。但相关研究中，就AR技术赋能对用户认知负荷的影响尚未达成统一结论。部分研究指出，AR技术赋能可以有效降低用户的认知负荷[10-12]，但也有研究表明，AR技术赋能对用户认知负荷产生的影响并不显著[13-15]，更有甚者认为AR技术赋能会增加用户的认知负荷水平，造成认知超载[16-17]。AR技术赋能究竟会对用户的认知负荷产生怎样的影响是亟待回答的重要问题[18]。

元分析是一个有价值的工具，与质性综述相比更具客观性与判断性。元分析严格遵循一定的标准与程序进行系统分析，将个体研究的效应量转化为通用指标以进行有意义的比较。通过对个体数据的合并可以扩大数据量，提供更高的统计效力，从而对某一特定因素或干预方案的效果作出更有力的估计，产生更可靠的结果证据。元分析能帮助研究人员解决研究结果中的不一致，并可以通过调节分析确定解释这些差异的调节变量或中介变量[19]。鉴于此，本研究采用元分析的方法进一步梳理用户知识获取行为中AR技术赋能与认知负荷的关系，以期扩大对AR技术赋能的认识。本文采用PICO框架来确定研究目标。PICO框架包含人口(Population,P)、干预(Intervention,I)、比较(Comparison,C)、结果(Outcomes,O)[20]。基于此框架，选择AR用户作为人口，以AR赋能作为干预，与非AR应用做比较，最终衡量用户的认知负荷水平。

1 文献综述

1.1 AR与知识获取的相关研究

AR技术出现在20世纪50年代，随着技术壁垒的不断突破，越来越多的研究者投入到对AR技术的探索之中。AR技术也逐渐从实验室的理论研究阶段转向了大众和工业应用阶段，并在多个领域取得了发展。自2010年以来，AR技术在知识获取中的应用稳步增加，成为日益流行和重要的研究课题。学者们已从多维度出发考察AR赋能知识获取所取得的效果。一方面，AR技术的应用可以提升知识获取效益。Altmeyer K等[21]使用一种基于平板电脑的程序，创建了一个AR环境来支持有关电路实验的知识获取，发现AR提供的信息呈现模式可以增强知识理解。Zumbach J等[22]的研究表明，在有关飞机涡轮的知识获取过程中，AR体验比起纸质或视频体验更容易给用户留下深刻的知识记忆，产生更高的知识留存率；另一方面，AR技术对知识获取的支持有利于提升用户的情感表现。Khan T等[23]研究了用户在健康科学主题下的知识获取，结果表明，AR能提高用户的知识获取动机。Cheng K H[24]揭示了用户在AR阅读过程中的积极态度，用户认为AR对其自身的知识获取有益。在Wojciechowski R等[25]的研究中，同样强调了用户的感知有用性。这意味着，AR可以有效激励用户积极参与知识获取。在大量研究成果证明了AR作为支持技术具备可行性和有效性的同时，也有研究指出AR技术所面临的挑战。如Akçayr M等[17]表明，AR用户可能会遇到技术可用性和稳定性等问题。Wu H K等[16]指出，现实和虚拟对象的交叉可能会导致用户产生混淆和迷失感。此外，Buchner J等[6]指出，认知负荷也是与AR技术交互时需重点考虑的问题。

1.2 AR对认知负荷影响的相关研究

用户的认知负荷是体现技术使用效果的重要因素之一。越来越多的学者关注到了AR技术赋能对用户认知负荷的影响。部分学者认为，AR技术赋能可以为用户创造出具有高度真实感的交互式环境，实现抽象信息的可视化、复杂信息的结构化，促进用户对知识的理解，减轻用户为之所付出的认知努力[26]。也有学者认为，AR技术可以在时间和空间上更为连贯地呈现信息[27]，提高用户的专注度，帮助其唤醒与知识密切相关的认知过程，减少其他无关信息所占用的有限认知资源[28]，从而降低用户的认知负荷水平。但也有不同的声音出现，如Dunleavy M等[29]指出，当用户使用AR系统时，需要学习操作流程、熟悉系统界面，这可能会增加用户的认知负担。

从方法论的角度来看，二者关系研究中采用实验设计的定量研究方法占主导地位。同样，相关定量研究中就AR对用户认知负荷的影响关系呈现出矛盾结论。部分实证研究已证实了在用户的知识获取行为中，AR技术赋能对认知负荷具有降低效果。如Singh G等[30]通过实验发现，AR技术赋能有效降低了用户在获取设备操作信息时的认知负荷。Turan Z等[10]研究了用户获取地理知识时使用AR技术对认知负荷水平的影响，发现AR组的认知负荷水平显著低于对照组。但也有研究表明，AR技术赋能对认知负荷没有显著影响，甚至会增加用户的认知负荷。如Mao C C等[15]在用户的军事知识获取中比较了AR组与非AR组，发现两组用户的认知负荷并无显著差异。Chou Y Y等[31]发现，使用AR技术获取科学知识的用户认知负荷更高。已有学者进行了叙述性的系统综述，对研究二者关系的文献进行了质性总结与梳理[6,32]，但这些研究只描述了对定性变量的发现，没有考虑定量变量来衡量AR技术对认知负荷的影响。

综上所述，目前AR技术在用户的知识获取行为中受到了广泛的应用，学者们致力于研究AR技术赋能知识获取的应用效果，认知负荷也是研究者们关注的重点。但就研究结果而言，尚未达成统一结论。针对目前有关AR技术赋能对用户认知负荷影响的研究存在大量争议，本研究试图从个别研究中收集大量实验数据进行统计分析，以整合研究结果，综合探讨知识获取行为中AR技术赋能与用户认知负荷的关系。

2 研究方法

元分析是社会科学中最常见的定量方法之一[33]，研究采用元分析的方法，严格遵循系统综述的程序，通过一定的标准搜索、筛选符合本研究研究目标的文献后从对相关文献进行编码，从文献中提取相应信息及相关效应量，使用CMA 3.0软件导入数据后进行综合分析及调节分析。同时对研究的异质性及发表偏移进行检验，确保研究结论的有效性。

2.1 文献检索

本研究使用两种主要的策略来搜索文献，以提高查全率。首先，对各大数据库进行了搜索。中文数据库有知网、万方、维普等，外文数据库有Web of Science、Google Scholar、PubMed、ProQuest、Elsevier、Springer等，中文检索词设置为“增强现实”“认知负荷”“认知负荷理论”“知识获取”等；外文检索词设置为：“Augmented Reality”“Augmented Reality AR”“Cognitive Load”“Cognitive Overload”“Study Effect”等。检索词使用布尔运算符进行结合，检索时间截至2022年8月。此外，如果只使用数据库搜索结果，部分文献可能会被遗漏[34]，故手动搜索相关研究的参考文献列表，以寻找其他符合条件的研究。将所有文献导入EndNote后去除重复文献，最终获得378篇文献。

2.2 文献纳入与排除

文献筛选的流程如图1所示。首先浏览了所有潜在相关论文的标题及关键词，排除内容明显不相关的文献350篇。然后阅读每项研究的摘要，排除综述性研究、质性研究以及未涉及本文研究问题的研究，由于语言限制，除中文和英文之外的文献也被排除。该阶段共排除文献5篇。接下来对全文进行细致阅读，纳入符合以下标准的文献：①研究旨在评估AR技术赋能对用户认知负荷的影响，且报告了认知负荷的总体效应值；②研究必须是对照实验，即含有实验组和对照组。其中，实验组需通过AR赋能获取知识，对照组使用相对应的非AR手段获取知识；③研究需报告完整的统计信息(均值、标准差、样本量)来计算效应量；④研究可以查阅全文。最终，有15项研究被纳入了荟萃分析，包含16个效应量以及1 049个被试，使用AR赋能的被试有527名，非AR赋能的被试有522名。所有的纳入文献都经过了同行评议。

图1 文献筛选流程图

2.3 文献编码

研究设计了文献编码表，参考已有文献，通过两个部分对所有纳入研究信息进行编码。第一部分为该文献的背景特征，包括文献信息、出版年份；第二部分为该文献的内容特征，包括研究被试的教育背景、样本量、技术应用领域、实验干预时间。如表1的编码结果所示，用户教育背景可分为两个子类别：基础教育(学前生、小学生或中学生)及高等教育(本科生或研究生)。技术应用领域的编码类型分布较广，涉及科学、医学、工程、艺术、语言等多个领域。实验干预时间与被试使用AR技术的时间相对应，不计算实验中用于介绍或测试的时间，可分为两个子类别：长期干预(多次使用)与短期干预(单次使用)。

表1 文献编码表

2.4 数据分析

如前所述，元分析的目的是综合从不同研究中收集到的定量信息。考虑到实验材料内容、参与者年龄、主题领域等的可变性，本研究采用随机效应模型进行分析[35]，该模型假设效应量由于随机误差而相互不同。效应量的估计主要基于原始的描述性数据(平均值、标准差和样本量)，最终转化为Hedges’g值作为效应值，Borenstein M等[36]认为Hedges’g值可以减少小样本量偏差。负向的效应值说明AR技术赋能对用户的认知负荷有降低效果。针对研究中出现的多个实验组和对照组配对的情况，本研究参考以往研究，将每一对数据视为独立样本纳入元分析[37]，随后进行调节分析，以评估其总体影响是否可能受到某些特征的制约。

已有研究指出，相似的信息环境也会导致用户产生不同水平的认知负荷[38]，认知负荷水平会受用户特征和在知识获取中呈现的任务的影响[39]。故本研究结合文献梳理，从用户特征、任务特征、实验特征3个维度出发，选取用户教育背景、技术应用领域、实验干预时间作为调节变量，检验不同条件下AR技术赋能对认知负荷的影响是否存在差异。

本研究使用I2值与Q检验进行异质性检验。若Q检验显著，则代表研究具有异质性。I2统计量变化范围为0%到100%，代表着研究间的真实方差在总方差中的比例。根据Higgins J P T等[40]的研究，I2值为0时，说明没有异质性；I2值为25%代表轻度异质性；I2值为50%之间代表中等异质性；I2值为75%代表高度异质性。

发表偏移是指结果显著的研究更容易被发表，而未被发表的结果可能会对元分析综合后得到的研究结论产生影响[41]。漏斗图是一种通过视觉检查来评估发表偏移的方法，具有一定的主观性。故本文采用量化的失安全系数及Egger’s检验来检测发表偏移，用剪贴法来评估发表偏倚对结果的影响[42]。

3 研究结果

3.1 纳入文献特征

就发表时间而言，纳入文献发表于2013—2022年；就作者来源而言，被纳入文献的第一作者大多来自中国(10篇文章)，其余来自土耳其、印度、美国、荷兰；就出版语言而言，包含2篇中文文章和13篇英文文章。

3.2 检验结果

Q检验的结果显著，Q值为298.963，自由度为13，p<0.0001，I2=94.983大于50%，该结果表明各研究之间是异质的，异质性检验的结果表明采用随机效应模型是正确的，也说明有必要进行进一步的调节分析。

本文使用失安全系数及Egger’s检验来检测研究的发表偏移。本研究的失安全系数为297，大于5k+10(k为研究个数)，从失安全系数的结果来看，不存在明显的发表偏差，代表着未发表研究的结果不太可能影响整体研究结论。但Egger’s检验的结果显示t值为1.78，df为14，p值为0.097，这表明研究存在一定的发表偏移。根据Borenstein M等[36]的研究结果，检验发表偏移的主要目的是为了确定出版偏差对研究结论有效性的影响，因此，本研究进一步采用剪贴法来确定发表偏移带来的影响。剪贴法使用现有的效应量及其分布来估计缺失的出版文献的数量，并推断其影响程度。剪贴文献后发现，采用随机效应模型得到的总效应仍然显著。综合以上结果可以得出结论，虽然研究可能存在一定的发表偏移，但是元分析的主要结论还是有效的。

3.3 主效应分析

如图2所示，通过元分析综合后得到的效应值为-0.901，置信区间为[-1.509,-0.294]，p=0.004，达到统计显著水平，结果显示，AR技术赋能可以降低用户的认知负荷水平。

3.4 调节效应分析

本研究基于调节变量进行了亚组分析，亚组分析的结果如表2所示。

表2 调节效应分析结果

就用户教育背景而言，AR技术赋能对高等教育背景用户[g=-1.301,95%CI=(-2.060,-0.003),p=0.043]和基础教育背景用户[g=-0.801,95%CI=(-1.576,-0.026),p=0.049]的认知负荷水平都能产生显著影响，有明显降低效果。组间差异不显著(p=0.726)。

根据技术应用领域的调节效果分析显示，组间差异显著(p<0.0001)，AR赋能在科学[g=-0.911,95%CI=(-1.720,-0.102),p=0.028]、工程[g=-0.497,95%CI=(-0.802,-0.193),p=0.001]、语言[g=-1.800,95%CI=(-3.326,-0.275),p=0.021]、艺术[g=-4.388,95%CI=(-5.251,-3.526),p<0.0001]中均能显著降低认知负荷水平。但对医学领域[g=1.050,95%CI=(-1.576,2.541),p=0.642]而言没有显著影响。

就实验干预时间而言，长期干预与短期干预组间差异不显著(p=0.301)，长期干预[g=-1.565,95%CI=(-3.162,0.033),p=0.033]对认知负荷的降低效果并不显著，短期干预[g=-0.666,95%CI=(-1.258,-0.075),p=0.027]的效果显著。

4 研究结论

本研究通过元分析的方法，系统梳理了在用户知识获取行为中AR技术赋能对认知负荷的影响，研究发现，总效应值为-0.901，表明AR技术赋能可以有效降低用户的认知负荷。个体的认知架构由工作记忆和长期记忆构成[43]，而工作记忆是有限的，只允许用户在同一时间段内处理有限数量的信息。认知负荷有一个关键因素，即个体处理信息的认知能力，也被描述为工作记忆的有效性。工作记忆并不是一个单一的结构，先前研究表明，它是由多个通道或处理器组成，包含处理图像的视觉处理器和处理语言信息的听觉处理器[44]，这两个系统以一定程度的独立性处理不同形式的信息。而用户在应用AR支持知识获取的过程中，受到了多感官刺激，同时使用视觉和听觉通道处理信息，就出现了模态效应，可以扩大有限的工作记忆容量，降低工作记忆的负载[45]。此外，AR技术赋能有助于用户产生心流体验。心流体验是一种人们享受和专注于一项活动的现象[46]。AR带来的沉浸感能让人们过滤外界的干扰、专注于知识获取、减少其他信息对认知资源的占用，而其带来的愉悦感也可在一定程度上减轻用户所感受到的心理压力。因此，在知识获取中，AR技术赋能可以对用户的认知负荷产生积极影响。在纳入研究中，部分研究发现，AR技术赋能对用户的认知负荷并没有显著影响[13-15]，甚至在Chou Y Y等[31]的实验中，AR组的认知负荷更高。Chou Y Y等认为，原因可能是用户在AR技术赋能时面对多任务的处理，花费了较多精力来理解对AR系统的操作，导致了额外的认知负荷。因此，在AR赋能中仔细设计信息系统和程序是至关重要的。

研究人员一致认为，用户特征和信息特征是在设计信息环境时需要考虑的重要因素[47]。故本元分析同时分析了AR技术赋能对用户认知负荷的影响是否会随用户教育背景、技术应用领域、实验干预时间的不同而产生差异。

用户教育背景的调节分析显示，AR技术赋能对不同教育背景用户的认知负荷影响不存在显著差异，使用AR技术赋能均能降低认知负荷。对比之下，高等教育背景用户的使用效果更优。在用户处理不熟悉的信息时，工作记忆的极限远低于认知任务的要求，易引起较高的认知负荷水平[48]。高龄段的用户比低龄段的用户对信息技术系统的使用更具经验，诸如数字系统复杂性和多任务处理等问题更容易对低龄段用户产生影响[29]。此外，在工作记忆利用长期记忆中的认知图式处理信息时，可以在一定程度上提升其极限。对于知识更丰富的高等教育用户而言，其长期记忆中存储有更多的认知图式，可以协助其工作记忆提升处理效率，减轻工作记忆的负担。

技术应用领域的调节分析显示，AR技术赋能结合不同应用领域会导致认知负荷水平的显著差异。在科学、工程、语言和艺术等应用领域都能有效降低用户的认知负荷，然而在医学领域，AR技术赋能对用户认知负荷的影响并不显著。认知负荷是一个复杂结构，基于认知负荷理论可以划分为内在认知负荷和外在认知负荷[49]。内在认知负荷是指处理具有复杂性的信息时所付出的心理努力程度，是由学习任务的内在本质所决定的，与特定的知识领域难度相关；外部的认知负荷来自于信息的呈现与组织方式[50]。应用领域的知识难度不同导致内在认知负荷会有所差异。在知识信息量更大、信息处理更复杂、认知要求更高的应用领域中，用户的内在认知负荷会处于较高水平。

对实验干预时间的调节分析显示，不同的干预时间下用户的认知负荷水平无显著组间差异，AR技术进行短期干预的情况下认知负荷显著降低，而长期干预的降低效果并不显著。这一结果也印证了AR技术赋能对认知负荷的降低效果可能受新奇效应的影响。人机交互研究中，新奇效应被定义为用户对一项技术的主观第一反应[51]。当一种交互技术为用户带来新奇感的时候，其认知负荷水平会受影响。有证据表明，在新奇效应的作用下，海马区的记忆和代谢活动会增强[52]。海马体在长期记忆中起着至关重要的作用[53]，对海马区的有效刺激利于认知图式的激活与利用，从而为工作记忆带来有利帮助，降低用户的认知负荷水平。

5 研究启示与展望

5.1 研究启示

AR技术赋能在未来的开发与建设中需要注意以下关键内容：

1)加强AR技术赋能，构建多层次信息资源体系。综合效应分析表明，AR技术赋能可以显著降低用户的认知负荷水平，进一步验证了AR技术赋能具备广阔的发展和应用前景。技术赋能可以扩展信息资源传播渠道、提升信息资源利用的整体效度。相关文化产业可以加强AR技术的引入与建设，用AR技术赋能推进信息资源建设。调节分析表明，不同的用户及内容特征会影响AR技术赋能的效果。相关机构及平台需重视用户多元化背景，构建基于内容多样化的多层次AR资源体系，匹配不同的用户特征与需求，提供个性化精准资源推送，均衡认知负荷，实现AR技术赋能的最佳效益。对负效应样本的分析表明，用户对AR系统与程序操作的不熟悉会引起较高水平的认知负荷，相关机构及平台可以提供技术咨询服务，减少因技术使用给用户带来的困扰，推动AR技术赋能与用户的深度融合。

2)加大AR创新力度，设计优质AR产品。结合纳入样本分析，目前AR技术赋能多集中于科学、工程等领域，在许多领域中缺乏应用。在已有研究中多是针对专有内容开发的AR产品，难以进行整合和推广。且AR赋能的技术应用手段相对单一，多是通过移动式设备(如手机、平板等)实现。相关研发及出版业可以加大对AR产品的不断创新，在内容上丰富AR应用场景，在技术上使用智能眼镜、头戴式设备等，满足多元需求，为用户带去更多新奇体验。同时，质量是AR技术赋能的核心保障。内容设计不良、程序复杂繁琐、技术呈现不佳的AR产品会增加用户的认知负荷[54]，影响AR赋能效果。故在研发相关AR资源时需注意应对认知负荷带来的挑战，在AR信息系统中仔细设计材料和任务的演示与呈现，适当集成多种信息源，减少认知工作量[55]。

3)辩证看待技术赋能，加强用户信息素养。AR技术赋能不是用户取得成功的绝对保证，对新兴技术和数字资源的使用不当会导致较差的结果，如引起认知超载。用户需结合自身情况，充分发挥主观能动性，在知识获取和技术赋能提供的支持之间建立平衡，适当结合相应策略，对AR技术赋能带来的问题做出有效管理，提升知识获取绩效。而对使用AR技术赋能效果不明显的应用领域，可考虑VR、MR等数字技术的辅助。此外，具备更多的技术知识与经验的用户更有可能在技术赋能中获得良好收益，用户需加强自身的信息技术素养，提升信息利用能力，才能在高速发展的信息时代中不断成长，将技术化为利于自身发展的宝剑。

5.2 研究展望

AR的出现为技术赋能创建了新的可能，AR技术赋能也在支持用户的知识获取行为中展现出了极大潜力。然而，AR技术赋能会对用户在知识获取中的认知负荷产生怎样的影响是一个持续争论的焦点。本元分析整合了不同研究的结果，进行了系统梳理，发现AR技术赋能可以有效降低用户的认知负荷，且通过对调节变量的分析，得出在未来的研究中需要考虑的重要结论。对于技术赋能，不能以片面化的眼光看待，需要从多维度、多层次考察AR技术带来的影响。本文的研究为AR技术赋能的深化发展、AR技术产品的优化升级、AR用户的认知提升提供了理论参考。同时，作为元宇宙的支持基础技术，对AR技术的了解和研究，更是对未来具备无限可能的元宇宙进一步地探索。

本文的局限性主要有以下3个方面：第一，由于作者的语言限制，目前只包含已发表的中文和英文文献，对其他语言的研究未予采纳。第二，搜索策略不包括灰色文献。这类研究的结果可能与已发表的研究有明显的不同。第三，由于纳入文献所提供数据的限制，本文没有对其他调节变量进行分析，如AR技术的类型、用户对AR技术的态度等，对这些变量的分析对于深入理解AR技术赋能的影响很重要。因此，未来的研究应着重于丰富调节变量，深入调查异质性的来源，并使文献检索多样化，减少发表偏倚的风险，加强结论的有效性。

此外，目前有关AR技术赋能对认知负荷影响的研究多集中于对基础教育背景和高等教育背景用户的探究，对学前教育阶段的用户缺乏关注。且尽管在大多数知识领域都存在研究，但多集中于科学领域，在部分领域仍存空白。未来可以扩大对AR技术赋能的探索，重点关注目前缺失的用户群体和应用领域，在不同的教育背景及应用领域上进行新的研究，以提供对AR技术赋能更全面的理解。在本文纳入的研究中，大部分只进行了单次实验，故未来也需要进行更多的纵向研究来识别长期认知负荷的变化。