马志强 岳芸竹

[摘   要] 在在线与混合式学习投入研究中，如何采集学习过程中产生的即时投入数据，刻画不同群体的投入特征，探索认知、行为与情感投入之间的复杂关系是研究者面临的重要挑战。研究提出面向即时过程数据的学习投入动态分析框架，其包含即时性、持续性、多维性，并据此提出学习投入纵向研究设计思路，综合采用经验取样法、交叉滞后分析与聚类分析法对混合式学习投入进行分析。研究发现，基于认知、情感与行为子投入水平可将学习者聚类成四类群体：浅层投入、中等投入、深层投入与愉悦投入，学习者在认知、行为与情感维度的投入是不均衡的。认知、情感与行为子投入之间的预测关系很可能受到时间、学习环境等因素的影响。研究结果也进一步表明：面向即时数据采集与分析的纵向研究设计为精准刻画学习者投入特征提供有效路径，也为深入揭示学习投入子维度之间的预测关系及中介因素提供了可能。

[关键词] 学习投入; 学习分析; 经验取样法; 交叉滞后分析; 纵向研究

[中图分类号] G434            [文献标志码] A

[作者简介] 马志强（1983—），男，内蒙古呼和浩特人。副教授，博士，主要从事计算机支持的协作学习、学习分析与评价的研究。E-mail：mzq1213@jiangnan.edu.cn。岳芸竹为通讯作者，E-mail：Yyz19960114@163.com。

一、引   言

随着在线学习与混合式学习的“高辍课率”“低参与度”等质量危机逐渐得到重视，促进学习者有效投入学习过程中被认为是提升在线与混合式学习质量的关键，因此，众多学者开始关注学习投入研究[1]。学习投入能够将认知、情感与行为等与学习相关的独立因素整合到一个概念框架中，从而为预测学习绩效提供整合的框架与思路[2-3]。当前，在线与混合式学习投入研究面临即时投入数据收集、动态投入趋势分析、多维投入关系挖掘等方面的挑战。如从即时投入数据收集来讲，线上数据记录、自我报告等传统投入获取方式难以收集认知、情感等多维度的即时投入数据[4-5];从动态投入趋势分析来讲，已有研究基本都是横断面研究（Cross-sectional Study），即采集并描述特定时间点被试的学习投入状态数据，忽视投入的滞后效应，同时难以反映学习投入的动态变化过程[6-7];从多维投入关系挖掘来看，已有研究主要采用描述性統计或回归分析，仅能表征简单的线性关系，缺少对不同阶段认知、行为与情感投入之间纵向影响关系的深入描述[8]。综上所述，在线与混合式学习投入研究亟须探索新的设计与方法来改善研究质量。

对此，本研究提出了面向即时数据采集与分析的学习投入研究框架，提出纵向研究的设计思路。运用经验取样法收集混合式学习过程中的即时性投入数据，采用交叉滞后分析法、聚类分析法等方法分析学习投入的纵深数据，深入探讨认知、行为及情感投入状态在不同时间阶段的特征与相互关系。研究通过纵向研究设计、即时性数据采集、纵深过程数据分析等研究设计与方法来精准刻画学习者投入特征，深入挖掘学习投入子维度之间的相互预测关系，以期提升学习投入量化分析与建模研究的质量。

二、面向即时数据采集与分析的投入纵向研究

（一）面向即时数据采集的学习投入分析理论框架

学习投入分析理论框架试图将当前对学习投入状态分析的静态横断面研究转向动态的纵向研究。静态横断面研究仅仅采集特定时间点的数据，难以精确反映学习投入的动态变化。纵向研究（Longitudinal Study）也称作追踪研究，是指在一段相对长的时间内对同一个或同一批被试进行重复的研究。纵向研究的价值在于，能够较为完整地获取投入状态数据，发现学习投入的变化趋势。框架主要包含三部分，如图1所示。

1. 即时性—变量滞后效应

学习投入已有的数据收集方法大多采用自陈测验法对学习投入进行回溯[9]，即全部学习活动结束后让学习者报告学习投入情况。该方法便于采集多维度的大规模投入数据，但数据依赖学生对自我投入的主观判断，数据的可信度不高[10]。此外，这种传统的数据采集方法具有一定程度的滞后性和延迟性，不能保证采集到的数据能够准确代表学习过程中学习者的行为或主观感知，这些数据分析出来的因果关系和影响因素关系可能是偶发的。因此，在研究中应采集即时的投入数据，获取被试的第一反应。

2. 持续性—投入动态效应

学习是一个复杂的过程，学习者在学习过程中的认知、行为和情感的表现可能随着学习时间和情境不断发生变化。此外，个体的认知和情感极易受到环境影响[11]。为了全面分析整个学习过程中投入的状态，需要保证数据收集的持续性。即在学习过程中多次采集数据，比如分阶段在特定的时间或者特定的事件进行数据的收集。这样能够更为有效地分析个体投入随时间和情境的变化趋势或学习投入子维度之间的关系及其影响因素。因此，学习投入纵向研究应保证持续采集整个学习过程中不同时间点的学习投入数据。

3. 多维性—投入内在效应

多维性指的是从多维度挖掘投入状态信息，如关注时间、学习环境等维度，也指学习投入子维度之间的相互预测关系。已有研究的多维分析主要为简单的线性分析，多数研究只关注线上学习，无法揭示投入子维度在时间和空间序列上的复杂关系。学习投入是多维度的复杂概念体系，厘清学习投入的内部结构关系有助于区分学习投入内外部变量的影响效应。采用多维交叉分析方法，可以从学习投入子维度、学习不同阶段以及线上线下学习环境等方面交叉进行数据分析与挖掘，有助于深度识别学习投入子维度之间的关系以及学习者投入特征。尽管已有研究也探索了学习投入子维度之间的预测关系，但只验证了单一方向的假设关系，后续研究需要考虑竞争假设方法的应用，从多方向、多角度探究学习投入子维度的关系。

（二）面向即时过程数据采集的纵向研究设计

为了保证学习投入研究数据收集与分析的即时性、多维性和持续性，本研究提出了学习投入纵向研究设计思路，主要体现在被试筛选、工具开发、数据采样和数据分析方面，如图2所示。

1. 样本质量保证

无论采用何种数据收集方法，被试必须都是自愿参与研究的，并且尽量保证完整参与整个研究过程。而即时性过程数据的收集周期较长、抽样次数多，被试的任务相对繁重，考验其耐心和注意力，所以更要重视被试的参与意愿和意愿维持，这样才能保证数据的信效度并避免数据大量缺失的问题。鉴于此，可以采取一定奖励措施吸引和维持被试，如采用实物奖励，建立稳固的研究关系。另外，也可以在研究进展过程中与被试深度交流，维系被试参与的积极性。

2. 工具开发

学习投入即时数据的收集需要借助两种工具：时间提醒工具和数据收集工具。时间提醒工具即在指定的时间点通知被试即时参与投入的评估。传统取样法借助辅助工具，使被试在学习过程中的多个瞬间进行自我报告，从而达到自然情境下采集即时数据的目的[11]。在移动互联环境中，时间提醒工具可以为通信软件弹窗、APP等。数据收集工具主要为电子量表或纸质量表。被试在收到作答信号后，需要立即回答测量问题。由于需要多次测量，所以量表的题目不宜过多，作答时长应控制在1—2分钟之内[12]。如果被试在收到信号后没有立即作答，可通过再次发送或者发送其他信号进行多次提醒[13]。根据实际情境，如果被试超过一定时间没有反应，则该数据作废[14]。

个体对自我在学习过程中的投入报告，是获取学习投入状态的最直接的方式，通常采用量表对个体的情况进行评分，如采用五点里克特量表[5]。已有评价量表如全美大学生学习投入调查（NSSE）、学生学校投入问卷（SSES）等，但多为自陈测验形式的量表[4，15]，即只能在学习结束时填写一次，不具有重复填写的属性。国外关于即时数据采集的量表较多[16-17]，但如要迁移到国内，还需要结合研究情境和学习者个体的情况对问卷的题目进行处理。

3. 数据采样

学习投入纵向研究需要获取即时数据和过程性的数据。经验取样法（Experience Sampling Method， ESM）是一种旨在获取日常学习或工作状态下个体的真实行为、感受和思想的即时数据收集方法[18-19]。在一段时间内，研究者借助辅助工具提醒被试，让被试在诸多瞬间回答问题，从而达到收集即时数据的目的。常见的取样方法有四种，分别为随机取样、固定采样、基于事件的采样和情境感知经验取样[11]，具体介绍如图2所示。其中，随机取样易引起被试疲劳，且不易把握情境的动态变化，因此，抽样时间间隔最少为10分钟[20]。固定取样的时间划分必须符合当下的研究情境，以保证抽样频率与所研究的对象特征匹配[21]。

4. 数据分析

针对学习投入子维度和学习阶段进行多维数据分析，可以采用交叉滞后分析法建立两个或两个以上的竞争性模型，探究认知、行为和情感投入在不同学习阶段的预测关系。交叉滞后分析法（Cross-lagged Panel Analysis）是处理纵向数据的方法，可以用来探究一段时间内变量之间的预测关系，为未来时间段内的某变量找到预测指标，有利于揭示某些变量在纵向时间序列上的因果關系，如探讨青少年心理弹性变化的内在机制[22]。另外，也可基于子投入的水平进行聚类分析，考察学习投入在不同群体中的状态，依据各类群体的特征来评估学习投入情况。

综上所述，面向即时过程数据采集与分析的纵向研究设计关键在于运用经验取样法收集学习过程中的即时性投入数据，并从投入子维度和学习阶段两个方面交叉分析子投入的相互预测关系。在数据收集中，应维持被试的参与意愿来保证样本质量，开发时间提醒工具和具有重测信度的数据收集工具，在多个特定时间点或事件点收集学习者数据。在数据处理与分析中，考虑学习投入内在的多维结构以及学习过程的多个阶段。通过上述设计与方法来提升学习投入量化研究的质量与精度。

三、学习投入纵向研究设计与实施

为了精准测量与评估混合式学习投入状态，深入探讨认知、行为和情感投入在学习过程不同阶段的特征与相互关系，本研究采用纵向研究设计，综合经验取样法、相关分析、交叉滞后分析等方法，用即时数据来精准描述群体的投入状态以及各阶段子维度之间的相互预测关系。研究问题如下：

（1）研究涉及的整个混合式学习过程中，学习者根据投入特征可以聚类成几种群体，各类群体的特征是什么？

（2）不同学习阶段总投入、子投入水平是否相关，相关关系如何？

（3）不同阶段学习投入的子投入之间是否存在预测关系，预测关系如何？

（一）研究对象

研究对象为某东南高校教育技术学专业参与混合式课程学习的大学生。研究者从专业课中选取三门开展课堂面授与线上教学相结合的混合式学习课程，每门课参与学习的人数分别为55人、70人、62人。在混合式课程中，教师在课堂讲解主要知识点，学生利用网络学习平台参与线上学习活动或任务，每门课程均持续16周时间。

（二）研究方法

本研究取样方法为固定取样，即按特定的时间间隔对学习者进行学习投入状态评测。为了获得学习者在混合式学习过程中不同阶段的学习投入状态，在一学期的混合式课程中共发放三次问卷，即在学期初、学期中和学期末三个阶段各收集一次数据。每阶段活动结束时，向学生发放电子问卷，并通过通信软件弹窗工具及时提醒学生完成问卷调查，保证问卷调查是在课程结束后或活动结束后一小时内完成。如果超过该时间，则为无效问卷。上述数据收集方法可以保障数据能够代表学生的即时学习投入状态[13]。

（三）研究工具

围绕学习投入的三个结构要素，结合混合式学习课程的实际情况，参考李爽等开发的已有学习投入量表[15]，编制《混合式学习投入调查问卷》，主要调查大学生在混合式学习过程中的学习投入程度。该量表共43道题，涉及“认知投入”“情感投入”“行为投入”三个维度，每个题项均采用里克特五点量表。其中，认知维度主要测量学习者在完成混合式学习任务时为了达到认知目标而制定的策略，如元认知策略和资源管理策略等，共16项;情感维度主要测量学习者对混合式学习的积极、消极和困惑的态度或情感，共13项;行为维度主要测量学习者在混合式学习过程中的参与、坚持、交互和专注的程度，共14项。

学习投入三个维度及整体信度的克隆巴赫系数分别为0.90、0.92、0.88、0.96，结果都大于0.85，说明问卷有可接受的稳定性和内部一致性。此外，在其他相关研究中也证实该量表的原型具有较高的信效度[15]。

四、数据分析与讨论

（一）不同投入特征群体的聚类分析

基于整个混合式学习过程的认知、行为和情感投入数据进行K-Means聚类，共得到四类学习者群体，如图3所示。（1）浅层投入型，该群体的人数比例为13.33%，且三个子投入水平都偏低（2.98～3.38），说明他们在学习过程中处于消极投入的状态;（2）中等投入型，该群体人数比例为37.50%，三个子投入处于中等水平（3.38～3.68），且在四類群体中人数占比最大，说明大部分学习者对学习的投入程度属于中等水平;（3）深层投入型，该群体的人数比例为7.50%，三个子投入处于高水平（3.95～4.39），且在四类群体中人数占比最小，说明只有很少部分的学习者能够在学习过程中保持全身心投入的状态;（4）愉悦投入型，该群体的人数比例为41.67%，三个子投入水平均比中等投入型的水平高（3.73～4.01），并且情感投入相较于其他投入更高，说明接近一半的学习者在学习过程中的情感反应或体验比较好。

（二）不同阶段投入水平相关性分析

对不同阶段的总体学习投入进行相关分析的结果如图4所示。学期初（LE1）和学期中（LE2）的总投入水平没有显著相关性（r = 0.169，p > 0.05），学期初LE1）和学期末（LE3）的总投入水平没有显著相关性（r= 0.073，p> 0.05），只有学期中（LE2）和学期末（LE3） 的总投入有低度的相关性（r = 0.187，p < 0.05）。

不同阶段子投入的平均值、标准差以及相关系数见表1。可知，同一时间段内的认知投入、行为投入和情感投入之间呈现出显著的正相关关系（r值均在0.65以上，p值均小于0.01）。另外，学期初的行为投入（BE1）和情感投入（EE1）分别与学期中的行为投入（BE2）存在低度的正相关关系（r = 0.22 ，p < 0.05;r = 0.24，p< 0.01），学期末的认知投入（CE3）和学期末的情感投入（EE3）分别与学期中的情感投入（EE2）存在低度的相关关系（r=0.22，p<0.05;r=0.20，p<0.05）。由此可见，在同一学习阶段里，子投入之间会有显著的相关性。但不同学习阶段的总体投入之间基本不存在相关关系，只有个别子投入之间存在低度的相关关系。

（三）不同阶段子投入预测关系探究

已有研究显示，学习投入子维度之间的预测关系是不稳定的。因此，本研究通过建立多种假设来检验子投入之间的预测关系。在不同学习阶段投入数据的基础上采用交叉滞后的分析方法，建立关于学期初、学期中和学期末阶段的三个竞争性模型，分别为行为与认知投入模型M1、行为与情感投入模型M2、认知与情感投入模型M3。首先采用层级回归分析数据，通过控制其他相关变量的影响，得到学习过程中认知、行为和情感投入之间的影响关系，最终形成交叉滞后模型。以模型M1中学期初的认知投入与学期中的行为投入的关系为例：（1）将学期初的行为投入和情感投入作为第一层变量引入回归方程;（2）将学期中的行为投入作为第二层变量引入回归方程;（3）将学期中的行为投入作为因变量引入回归方程。考察控制了学期初的行为投入和情感投入的影响后，认知投入对学期中的行为投入的独立影响。另外两个模型同理可得。

竞争性模型结果显示：在模型M1中，行为投入不能显著预测认知投入（β1=0.24，p1>0.05;β2=0.14，p2>0.05），认知投入也不能显著预测行为投入（β1=-0.14，p1>0.05;β2=0.09，p2>0.05）。在模型M2中，行为投入不能显著预测情感投入（β1=0.28，p1>0.05;β2=0.14，p2>0.05），情感投入也不能显著预测行为投入（β1=0.21，p1>0.05;β2=0.18，p2>0.05）。在模型M3中，学期初的认知投入显著负向影响学期中的情感投入（β=-0.27，p<0.05），而学期中和学期末的认知投入和情感投入不存在预测关系（β1=0.05，p1>0.05;β2=0.31，p2>0.05）。因此，在模型M1和模型M2三个阶段中都未发现预测关系，只有在模型M3中得出认知投入与情感投入之间存在预测关系。

（四）讨论

1. 基于即时和多维投入数据能够精准刻画学习者的投入特征

本研究基于不同学习阶段采集即时、多维投入数据进行的聚类分析，将学习者分为四个群体：浅层投入、中等投入、深层投入与愉悦投入。其中，愉悦投入与深层投入学习者整体的投入水平较高，但愉悦投入者的情感投入水平比认知和行为投入水平更高。已有研究通常采用整体投入水平来刻画群体投入特征[15，23]，如有研究者发现有部分学生的情感投入显著高于认知和行为投入，但未识别出这类群体，并且未曾进行深入的描述[15]。本研究通过多时间点即时采集的多维投入数据，扩大了数据的采集范围与深度，发现不同群体在子投入维度上的差异，从而更为精准地刻画出学习者的投入特征。在国际相关研究中，Schmidt等采用事件取样法，依据子投入水平将整体学习投入水平聚类成六个群体[17]，其中包括勉强投入型和理性投入型，这两个群体的行为投入及认知投入显著高于其他两个投入的群体。这说明各类群体在认知、情感与行为三者之间的投入是不均衡的，仅仅采用整体投入水平来刻画学习者的投入特征是不够的，学习投入分析还需要进一步刻画群体在不同维度中的投入差异。因此，在学习投入研究中，基于多维量表对学习投入状态进行即时的捕捉，持续采集多个学习阶段的学习投入数据，对于识别群体投入差异、精准刻画投入特征具有重要意义。

2. 学习投入子维度的关系预测研究需要考虑时间、环境等因素的影响

由相关分析的结果可见，相同阶段的子投入之间存在顯著相关性，不同阶段子投入之间的相关性则比较弱。基于多个交叉滞后模型建立的竞争性模型结果显示，只在某一阶段存在认知对情感投入的负向预测关系，其他阶段投入子维度之间相互预测关系是不成立的。国内一项关于投入关系的研究中得出，行为投入受到认知投入、情感投入等的正向影响，认知投入对行为投入有直接正向的影响[24]。本研究产生的结果与上述研究结果存在差异，造成研究结果差异可能的原因在于：上述研究主要是基于单一时间点采集的线上投入数据建立影响模型;而本研究是基于线上和线下混合式学习环境中持续产生的投入数据建立竞争性模型。这可能说明学习投入子维度之间的影响关系会受到时间、学习环境（线上、线下）等因素的影响。正如张思等人的建议，学习投入具有时间、空间特征，加入这两个维度分析的投入能够更精确地反映结果[23]。在国际研究中，Manwaring等人采用密集纵向数据收集方法，获取了参加六种课程的学生投入数据，发现情感投入与认知投入之间无预测关系[13]。该研究提出了学习经验等因素可能会对学习投入子维度之间的预测关系产生影响。因此，后续在探索学习投入子维度关系的研究中，研究者应注重控制时间、学习环境、学习经验等变量，并探索这些变量对学习投入的影响机制。

本研究的结果也进一步表明，面向即时数据采集与分析的纵向研究设计能够收集多个时间点的多维投入数据，同时也为在混合式学习中同时收集线上与线下投入数据提供了可能。该研究设计能够在不同时间阶段，纵向挖掘认知、情感与行为投入之间的复杂关系，为深入揭示学习投入子维度之间的关系提供了可能性。

五、总结与展望

本研究提出了学习投入纵向研究的理论框架，强调学习投入研究应注重三个设计要点：即时性、持续性和多维性，在此框架下采用纵向研究设计，综合经验取样法追踪学习者的学习投入状态。研究发现：相对已有的横截面研究设计，采用纵向研究设计能够反映学习投入的动态性特征，为精准刻画学习者投入特征、深入挖掘学习投入子维度之间的复杂关系提供可能。相较传统的自陈测验，经验取样法可以采集个体在学习情境中即时的学习投入状态数据，为精准识别个体、群体的投入特征提供了数据保障。交叉滞后分析在不同学习阶段对认知、行为与情感投入的影响及预测关系做了假设与验证，有助于研究者深入理解其复杂关系，并识别可能的中介因素。

本研究仍存在一些局限，首先，研究最终匹配的样本量较少，样本流失率较高。导致这种情况发生的原因可能是数据收集时间过短、密集过高，高重复性对被试答案效度会有一定影响。其次，本研究仅仅对学习投入内部因素进行了分析，未考虑学习环境、学习者经验等因素对学习投入的影响。未来的研究应该加入学习投入结构要素之外的其他影响因素，比如课程设计、教师指导、学习者个体差异等因素，以建立更高质量的学习投入解释模型。最后，随着人工智能与学习分析技术的发展，学习投入研究应注重多模态投入数据的采集与分析，以便更为精准地反映学习者在不同学习环境中的投入状态[25]。

[参考文献]

[1] 尹睿， 徐欢云. 国外在线学习投入的研究进展与前瞻[J]. 开放教育研究， 2016， 22（3）：89-97.

[2] 倪士光， 伍新春. 学习投入：概念、测量与相关变量[J]. 心理研究， 2011， 4（1）：81-87.

[3] 马志强.从相互依赖到协同认知——信息化环境下的协作学习研究[M].北京：中国社会科学出版社， 2019： 253-255.

[4] 李爽， 王增贤， 喻忱，等. 在线学习行为投入分析框架与测量指标研究——基于LMS数据的学习分析[J]. 开放教育研究， 2016， 22（2）：77-78.

[5] SCHWARZ N. Why researchers should think "real-time"： a cognitive rationale[M]. New York， NY， US： The Guilford Press. 2012：22-42.

[6] 姜强， 潘星竹， 赵蔚，等. 网络学习空间中教师激励风格对学习投入的影响研究——SDT中内部动机的中介效应[J]. 中国电化教育， 2018， 380（9）：13-22.

[7] 高洁， 李明军， 张文兰. 主动性人格与网络学习投入的关系——自我决定动机理论的视角[J]. 电化教育研究， 2015（8）：18-22.

[8] 舒忠梅， 徐晓东， 屈琼斐.基于数据挖掘的学生投入模型与学习分析[J]. 远程教育杂志，2015（1）： 39-47.

[9] HOORENS V， STONE A A， TURKKAN J S， et al. The science of self-report. implications for research andpractice[J]. Experimental psychology， 2003， 50（3）：231-232.

[10] 张娜. 国内外学习投入及其学校影响因素研究综述[J]. 心理研究， 2012， 5（2）：83-92.

[11] 卢国庆，谢魁，张文超，刘清堂，张妮，梅镭.面向即时数据采集的经验取样法：应用、价值与展望[J].电化教育研究，2019，40（6）：19-26.

[12] 段锦云， 陈文平. 基于动态评估的取样法：经验取样法[J]. 心理科学进展， 2012， 20（7）：166-176.

[13] MANWARING K C， LARSEN R， GRAHAM C R， et al. Investigating student engagement in blended learning settings using experience sampling and structural equation modeling[J]. The internet and higher education， 2017， 35：21-33.

[14] DIMOTAKIS N， SCOTT B A， KOOPMAN J. An experience sampling investigation of workplace interactions， affective states， and employee well-being[J]. Journal of organizational behavior， 2010， 32：572-588.

[15] 李爽，喻忱.远程学生学习投入评价量表编制与应用[J].开放教育研究，2015，21（6）：62-70，103.

[16] XIE K， HEDDY B C， GREENE B A. Affordances of using mobile technology to support experience-sampling method in examining college students' engagement[J]. Computers & education， 2019， 128：183-198.

[17] SCHMIDT J A， ROSENBERG J M， BEYMER P N. A person -in -context approach to student engagement in science： examining learning activities and choice[J]. Journal of research in science teaching， 2018， 55（1）：19-43.

[18] 张银普， 骆南峰， 石伟. 经验取样法——一种收集“真实”数据的新方法[J]. 心理科学进展， 2016， 24（2）：305-316.

[19] LARSON R， CSIKSZENTMIHALYI M. The experience sampling method[J]. New directions for methodology of social & behavioral science， 1983， 15：41-56.

[20] CARSTENSEN L L， BULEN T， SUSANNE S， et al. Emotional experience improves with age： evidence based on over 10 years of experience sampling[J]. Psychology & aging， 2011， 26（1）：21.

[21] EBNERORIEMER U W， TRULL T J. Ambulatory assessment： an innovative and promising approach for clinical psychology[J]. European psychologist， 2009， 9（2）：151-176.

[22] 蔡丹， 王凤娟， 赵佳林. 青少年的心理弹性及自我概念：一年跟踪的交叉滞后分析[J]. 心理科学， 2018（4）：856-861.

[23] 张思， 刘清堂， 雷诗捷， 等. 网络学习空间中学习者学习投入的研究——网络学习行为的大数据分析[J]. 中国电化教育， 2017（4）：24-30，40.

[24] 尹睿， 徐欢云. 在线学习投入结构模型构建——基于结构方程模型的实证分析[J]. 开放教育研究， 2017（4）：101-111.

[25] 張琪，王红梅.学习投入的多模态数据表征：支撑理论、研究框架与关键技术[J].电化教育研究，2019，40（12）：21-28.

[Abstract] In the study of online and blended learning engagement， it is an important challenge for researchers to collect the data of real-time engagement generated in the process of learning， analyze the characteristics of engagement of different groups， and explores the complex relationship between cognition， emotion and affective engagement. This study proposes a dynamic analysis framework of learning input for real-time process data， including immediacy， sustainability and multi-dimension. Based on this， a design idea of longitudinal study on learning engagement is put forward. This study adopts empirical sampling method， cross-lag analysis and cluster analysis to analyze the blended learning engagement. It is found that learners can be grouped into four groups based on their cognitive， emotional and behavioral levels， namely shallow engagement， medium engagement， deep engagement and cheerful engagement， and learners' cognitive， behavioral and emotional engagement is not balanced. The predictive relationship between cognition， emotion and behavioral engagement is likely to be influenced by time， learning environment and other factors. The research results further indicate that the longitudinal study for real-time data acquisition and analysis provides an effective way to accurately describe the characteristics of learners' engagement， and also provides a possibility to reveal the predictive relationship between sub-dimensions of learning engagement and the mediating factors.

[Keywords]  Learning Engagement; Learning Analytics; Empirical Sampling; Cross-lag Analysis; Longitudinal Study