马云飞 郑旭东 刘慧 赵冉

[摘   要] 数字时代，以多感官表征设计与呈现的视频已成为常见的数字化学习资源。相关理论表明，当学习者视频学习时运用线索与自我解释策略，可能会产生积极的学习效果。为此，文章采用2（图像线索vs.文本线索）×2（预测提示vs.反省提示）的被试间实验设计，以检验线索与自我解释策略对学习者注意力分配、自我解释质量、学习成绩和认知负荷的影响。通过对48名学习者的眼动数据、编码数据、学习成绩和量表数據分析发现：（1）图像线索与反省提示结合使用，显著利于学习者的注意力投入和进行目标驱动的自我解释;（2）文本线索比图像线索更利于提高学习者的视频学习成绩;（3）反省提示对学习者的认知负荷影响要显著高于预测提示，主要表现在时间需求和受挫程度两方面。未来在学习视频设计与应用时，应综合考虑学习内容类型和学习者年龄认知差异，灵活采用线索策略，合理使用反省提示，以平衡学习者的注意力投入与认知负荷。

[关键词] 视频学习; 线索; 自我解释; 眼动追踪; 深度学习

[中图分类号] G434            [文献标志码] A

[作者简介] 马云飞（1997—），女，江苏常州人。硕士研究生，主要从事学习科学与技术研究。E-mail：2997952124@qq.com。郑旭东为通讯作者，E-mail：zhengxudong1102@163.com。

一、引   言

当前，学习视频已成为数字化学习中常见的资源形态，特别是时长较短、多感官表征、生动活泼的学习视频，备受各个年龄段学习者的喜爱。De Koning等人认为，视频可以提供有关复杂动态系统工作的现实表现，非常适用于呈现动态变化的学习信息，并帮助学习者构建完整的心理模型，以及准确理解动画表征中的对象、知识及因果关系[1]。然而，学习者视频学习时，也会由于视频信息内容繁杂或缺乏必要的支架支持，而容易出现学习认知超负荷、学习投入难专注、认知偏差及学习结果浅层化等问题[2-3]。如Bayraktar等人发现，太多的动态化视频信息会导致学生偏重全局内容的变化，忽略细节信息，从而造成变化盲视（Change Blindness），影响学习效果[4]。如何合理设计与编排视频的学习内容并灵活添加学习支架以提升学习效果，已然成为广大教育研究者关注的焦点。另外，教学处理理论（Instructional Transaction Theory）也指出，合格的视频资源不仅需要提供丰富多彩的学习内容，更应引导学生注意视频中关键信息并主动进行认知建构[5]。为此，本研究尝试在学习者的视频学习中，引入两种教学支架（线索与自我解释策略），并通过实验检验对学习效果的影响，以期为未来的视频资源设计与应用提供借鉴与支持。

二、文献综述与研究问题

（一）视频资源中的线索及其效应

线索（Cue）是一种指导性的非内容信息[6]，其主要通过多种方式吸引学习者对重点学习内容或关键信息的关注。多媒体学习理论认为，线索具有促进学习者对材料的选择（Selection）、组织（Organization）和整合（Integration）的功能，在辅助学生进行内部认知加工的同时，在一定程度上降低了认知负荷[7]。例如：Ozcelik通过分析学习者的眼动数据和测试成绩发现，线索能促进学习者对学习材料的识记和理解效果[8]。另外，图文整合假说（Text-diagram Integration Hypothesis）也认为，合理地在学习材料里添加线索，可以帮助学生实现更深层次的知识建构和更深入的认知加工[9]。

线索对提升学习效果的有效影响被称为线索效应（Cueing Effect）[10]。但也有研究表明，线索效应存在边界条件，如线索类型、知识类型、先验知识水平等[9]，例如：杨九民等人通过眼动实验，探究线索类型及先前知识经验对提升视频学习效果的影响[11]。就线索类型而言，Mayer在《多媒体学习》（Multimedia Learning）一书中，将线索划分为文本线索（Textual Cues）、图像线索（Visual Cues）及图文线索（Combined Textual-&-Visual Cues）[12]。文本线索较为灵活，主要由插入学习材料中的句子组成，目的是将注意力引到关键位置，或调整解说语调来突出关键内容。而图像线索主要利用方向箭头、颜色、“探照灯”、动态手势等，引导学习者注意关键内容。例如：Lin等人在动画材料中添加红色箭头作为线索，发现其能提高被试的学习效果、缩短学习时间[13]。De Koning在有关心血管系统的动画中加入图像线索，结果表明，被试对学习内容的理解更为深入[14]。

（二）自我解释策略对内在认知的影响

1989年，Chi通过实验研究“优生”和“差生”在物理问题解决中的表现时提出了自我解释（Self-explanation）概念[15]。有研究者认为，自我解释是“一种建设性或生成性的学习活动，通过反思、产生推论和修正心理模型来促进深入而有力的学习”[16-18]。自我解释作为一种认知策略，倡导学习者在学习过程中主动地解释知识内容或学习信息，包括将新信息与现有知识整合、自发进行知识建构、生成新旧知识联结以及监控和修复错误知识等四个关键机制，从而实现有效的知识内化和意义建构。自我解释策略对学习者内在认知的影响，在物理电磁原理学习、数学等价问题解决、复杂文章阅读等方面均得到验证[19-21]。遗憾的是，自我解释通常由学习者大脑自发地加工，在未得到外界要求或条件支持时很难外显。

为此，在促进学习者进行自我解释时，通常会引入提示（Prompts）作为诱发策略[22]。促进学习者进行自我解释的提示策略有不同类型。例如：Nokes针对自我解释机制假说提出了填空提示（Gap-filling Prompts）和心理模型修正提示（Mental-model Revision Prompts）[23]。Wylie和Chi提出的自我解释提示包括开放式、聚焦式、资源式、基于资源和基于选项等类型[18]。另外，有研究表明，问题提示的呈现形式有可能影响自我解释的诱发程度，进而对学习者的深度认知加工形成影响[24-26]。值得关注的是，提示在学习过程中的呈现顺序有可能会对学习者的学习注意力和认知加工过程产生不同影响。而当前关于何时呈现自我解释提示的研究较少。为此，本研究将在学习者采用嵌有不同线索的视频学习时，引入两种自我解释策略，即置于学习内容前的自我解释提示（预测提示）和置于学习内容后的自我解释提示（反省提示），并通过实验研究检验其对学习效果的影响。9D542F70-8B72-43FA-AC1B-7361AE4AC83A

（三）研究问题

本研究在视频中引入线索类型和自我解释策略，并设计了线索类型（图像线索vs.文本线索）和自我解释策略（预测提示vs.反省提示）的2×2被试间实验，以检验这两种教学支架是否会对学习者的注意力分配、自我解释质量、学习测验和认知负荷产生显著影响。本研究的结论有助于多媒体工作者依据研究结果在设计学习资源时合理有效设计关键知识内容和提示信息，增强学习者的内部认知加工和意义建构，促进深度学习的有效发生。

三、研究设计与实施

（一）实验设计

本研究采用2（图像线索vs.文本线索）×2（预测提示vs.反省提示）被试间实验设计，并根据分组条件将48名学习者随机分配到4个实验条件组（图像线索—预测提示组、图像线索—反省提示组、文本线索—预测提示组、文本线索—反省提示组）中，每组12人。

（二）实验对象

实验对象是在江苏师范大学随机招募的48名大学生，他们主要来自教育技术学和软件工程专业。根据人口调查问卷采集到的信息显示，研究对象的年龄均大于18岁，平均年龄为23岁（SD=2.2）。通过先验知识测试分析未发现学习者之间存在显著差异（p>0.05），并且都有着正常或经矫正后正常的视力水平。

（三）实验材料

实验学习材料选自融合学院（Fuse School）中“臭氧是如何形成”的动画视频，时长为4分10秒，伴随男性声音讲述教学内容。该动画主要涉及以下四个方面的学习内容：平流层和对流层中臭氧的不同特性、天然臭氧的形成过程、臭氧在大气层中分布不均的原因、对流层中臭氧会变成污染物的原因。视频中分别设计了图像线索（11次黑色箭头）和文本线索（11次解释性文字），具体见表1。视频内容前后还设置了相关的自我解释问题。

（四）研究工具

1. Tobii pro x3-120眼动仪

实验采用了Tobii pro x3-120眼动仪，以对学习者的注意力分配数据进行采集。实验主要采集学习者学习时的总注意次数和平均注视时间两个指标。其中，总注意次数是学习者在一组兴趣区内注视次数的总和，可以反映他们对学习材料的熟悉及注意程度。而平均注视时间是学习者在一组兴趣区内的平均注意持续时长，能反映参与者对学习材料的加工程度和注意投入程度[27]。

2. 基本信息与先验知识问卷

本问卷主要为了获得学习者的基本信息，并测试他们对臭氧知识的了解程度，以剔除对臭氧知識有深度了解的对象，以免他们的先验知识干扰实验结果。先验知识试题为多份环保知识竞赛题中择优选择的20道题目，主要测试臭氧的分布、特性和作用等，包括5道填空题、8道选择题和7道判断题，每题5分，共100分。研究人员在编写问卷时将难度设置为中等偏上（P=0.404），学生若测试分数超过65分，则判定学习者对实验知识了解较多，并从学习者名单中剔除。

3. 自我解释质量编码

研究者按视频所涉内容主题，共设计了4个需要学习者自我解释的问题。例如：请解释为什么对流层的大部分臭氧会成为一种污染物。并根据De Koning等人开发的自我解释协议（Self-explanation Protocols）对学习者的解释文字进行编码[1]。此编码协议分为释义、目标驱动解释、精细解释、监控性解释和错误解释，具体见表2。

4. 学习测验

学习测验与先验测验的题型及数量一致，每题5分，共100分。学习测验主要测试学习者对陈述性知识的掌握与记忆保留程度。测试知识点均来自视频中被重点突出或要求学生自我解释的相关内容。

5. 认知负荷量表

此量表以李克特8点形式呈现，主要改编自广泛使用的NASA-TLX量表[28]，从1到8依次代表“非常不同意”到“非常同意”。认知负荷量表主要考察学习者在视频学习中的脑力需求、时间需求、表现水平、努力及受挫程度，共计5题，效应值α=0.75，表明此量表具有较高的可信度与可靠性。

（五）实验流程

在实验正式开始前，学习者按照要求进入学习科学与认知实验室，签到后依次坐在电脑前，由研究人员向其简要介绍实验过程及注意事项，学习者自愿签署同意书，填写基本信息问卷。随后，学习者填写先验知识问卷，并被研究人员随机分配到一个实验组中。学习者在研究人员的指导下，按照九点校准方法调整坐姿，并要求他们在设备校正后不要大幅度挪动身体，以保证眼动仪有效跟踪和采集眼动行为。之后，为了让学习者熟悉眼动仪器，要求他们进行时长为5分钟的练习性学习，学习内容与实验内容无关。学习对象在完成练习并休息一分钟后，正式开始视频学习，并对呈现的自我解释问题进行回答。正式学习时长由学习者根据学习进度来控制动画的播放和暂停，但要求不超过10分钟。最后，学习者独立完成学习测验、填写认知负荷量表。实验的具体流程如图1所示。

四、数据分析结果

（一）先验知识测试分析

研究者利用单因素方差分析对学习者的先验知识水平进行了差异性检验，四组学习者的先验水平之间不存在显著性差异[F（3，44）=0.021，p=0.996，η2=0.001]，得分平均值为40.00到41.25之间。即四组学习者的先验知识水平相似，不会对数据分析结果产生显著的干扰与影响。

（二）注意力分配

学习者在学习材料兴趣区内的总注意次数和平均注视时长，能够反映他们对学习材料及内容的选择、注意和加工等情况。为此，研究者将视频中线索所在的区域标记为兴趣区，并通过眼动仪采集学习者在兴趣区内的总注意次数和平均注视时间，以有效评估他们的学习注意力投入与分配情况。本研究以自我解释策略和线索类型为自变量，以眼动仪采集到的兴趣区总注视次数和平均注视时长为因变量，采用SPSS软件进行二因素方差分析。9D542F70-8B72-43FA-AC1B-7361AE4AC83A

在兴趣区总注视次数方面，线索类型[F（1，44）=0.408，p=0.526，η2=0.009]和自我解释策略[F（1，44）=1.141，p=0.291，η2=0.025]的主效应均不存在显著性差异，但存在显著的交互效应[F（1，44）=6.211，p=0.017，η2=0.124]，表明线索类型和自我解释策略交互作用和共同影响学习者在兴趣区的注视次数和认知加工过程。进一步分析发现，当学习者通过嵌入图像线索的视频学习时，他们采用反省提示（M=83.58，SD=27.89）的兴趣区平均注视次数显著低于采用预测提示（M=109.83，SD=23.73）。

在兴趣区平均注视时间方面，自我解释策略类型的主效应[F（1，44）=13.616，p=0.001，η2=0.236]以及线索类型与自我解释策略的交互效应[F（1，44）=6.753，p=0.013，η2=0.133]存在显著性差异。进一步分析发现，当学习者通过嵌入图像线索的视频学习时，他们采用反省提示（M=0.39，SD=0.12）的兴趣区平均注视时长显著高于采用预测提示（M=0.22，SD=0.06）。而当学习者通过文本图像线索的视频学习时，采用这两类自我解释策略的学生之间不存在显著性差异，如图2所示。

（三）自我解释质量

根据De Koning的自我解释编码协议将自我解释质量划分为5类，并由两名研究人员对相关文本进行编码。研究人员在完成一半的编码工作之后进行了Kappa检验，检验系数为0.88，表明两名研究人员的编码结果具有高度一致性，剩余一半的编码工作由其中一位研究者继续完成。随后，以线索类型和自我解释策略为自变量，自我解释质量类型频次为因变量，进行多元方差分析。

多元方差分析显示，不同的自我解释策略在释义[F（1，44）=8.866，p=0.005，η2=0.168]和目标驱动解释[F（1，44）=8.212，p=0.006，η2=0.157]方面的主效应存在显著差异。即采用预测提示的学习者更倾向对视频内容进行释义，而采用反省提示的学习者则更倾向解释视频学习内容，并对知识目标或功能进行推断。另外，线索类型和自我解释策略在目标驱动解释[F（1，44）=4.968，p=0.031，η2=0.101]与精细解释[F（1，44）=5.280，p=0.026，η2=0.107]方面存在交互效应。特别是学习者通过嵌入图像线索的视频学习时，采用不同自我解释策略的学习者在目标驱动解释和精细解释方面呈现显著性差异。具体而言，相较于采用预测提示的参与者（M=0.58，SD=0.79），采用反省提示的学习者（M=1.92，SD=0.67）更倾向于目标驱动解释。而相较于采用反省提示策略的学习者（M=0.75，SD=0.62），采用預测提示策略的学习者（M=1.58，SD=0.99）更倾向于精细解释，如图3所示。

（四）学习成绩

通过配对样本t检验分析发现，先验知识和学习成绩之间存在显著性差异（t=5.990，p<0.001），且各组学习者的学习成绩均高于先验成绩，如图4所示。而方差分析显示，线索类型对学习成绩的主效应显著[F（1，44）=11.722，p=0.001，η2=0.210]，而自我解释策略的主效应[F（1，44）=0.897，p=0.349，η2=0.020]及其与线索类型的交互效应[F（1，44）=0.642，p=0.427，η2=0.014]均不显著。进一步分析发现，采用嵌入文本线索的视频进行学习的学习者，其成绩表现（M=59.58，SD=10.73）要好于那些采用视频嵌入图像线索的学习者（M=49.79，SD=8.91）。

（五）认知负荷

方差分析结果显示，自我解释策略类型在认知负荷方面的主效应显著[F（1，44）=8.417，p=0.006，η2=0.161]，而线索类型的主效应[F（1，44）=2.318，p=0.135，η2=0.050]及其与自我解释策略的交互效应[F（1，44）=0.793，p=0.378，η2=0.018]均不显著。进一步分析发现，学习者在视频学习中，那些采用预测提示的学习者（M=15.42，SD=4.67）的认知负荷，要显著低于采用反省提示的学习者（M=18.86，SD=6.01）的认知负荷。

此外，研究者进一步以自我解释策略为自变量，心理需求、时间需求、努力程度、表现和受挫程度为因变量，采用多元方差分析来探究自我解释策略对认知负荷子维度的潜在效应。分析发现，学习者采用不同的自我解释策略会使他们的时间需求[F（1，44）=7.977，p=0.007，η2=0.148]和受挫程度[F（1，44）=6.819，p=0.017，η2=0.118]产生显著性差异。即在时间需求方面，那些采用预测提示的学习者（M=3.08，SD=1.38）要显著低于那些采用反省提示的学习者（M=4.38，SD=1.77）;在受挫程度方面亦如此（M=2.75，SD=1.22;M=3.88，SD=1.85）。

五、分析讨论

本研究采用2（图像线索vs.文本线索）×2（预测提示vs.反省提示）被试间实验设计，检验了线索类型与自我解释策略对视频动画学习效果（注意力分配、自我解释质量、学习成绩、认知负荷）的影响。以下就实验数据分析结果进行逐一讨论。

（一）线索类型和自我解释策略对学习者注意力分配的影响

分析眼动数据（兴趣区总注视次数和平均注视时间）发现，当学习者通过视频学习时，线索类型和解释策略对学习者注意力分配的影响存在显著交互效应，即在嵌入图像线索的视频学习中，采用反省提示的学习者，其平均注视时间显著高于采用预测提示的学习者，而注视次数则相反。这说明图像线索与反省提示结合，更有利于学习者投入学习注意力，促进深层次认知加工的有效发展。究其原因，可能是采用预测提示的学习者倾向于关注和自我解释问题相关的内容，而采用反省提示的学习者则倾向于关注内容整体并思考其内在关联性，这通常需要学习者投入更多的注意力和更长的内容观看时间。以上研究结果为自我解释效应、线索原则（Cuing Principle，也称为信号原则），以及以往有关视频设计的实证研究提供了新证据[22，29]。因此，在未来的视频学习资源的开发与应用中，建议将图像线索与反省提示问题结合使用，以引导学生开展认知投入和加工程度更高的深度学习。9D542F70-8B72-43FA-AC1B-7361AE4AC83A

（二）线索类型和自我解释策略对学习者自我解释质量的影响

通过数据编码分析发现，采用预测提示的学习者更倾向于对视频内容进行释义，而采用反省提示的学习者则更倾向于解释视频学习内容，并对知识目标或功能进行推断。这一研究发现与De Koning等人以往的研究结果相一致[1]。特别值得关注的是，线索类型和自我解释策略在目标驱动解释与精细解释方面均存在交互效应。具体而言，学习者通过嵌入图像线索的视频学习时，那些采用反省提示的学习者更倾向于解释视频学习内容，以及推断知识目标或功能;而采用预测提示策略的学习者则更倾向于用细致的语言详细解释内容。根据自我解释质量编码协议和Lin等人的研究发现推测[30]，由于外部图像刺激会促进学习者内在心理模型的构建过程，加之反省提示策略会促进学习者的获取与内化程序性知识，而预测提示策略则促进学习者使用陈述性知识进行问题解答，当这两种自我解释策略分别与图像线索作用于学习者自我解释质量时，便会存在差异性影响。

（三）线索类型和自我解释策略对学习者学习成绩的影响

总体而言，在视频学习中使用线索和自我解释策略，能促进学习者对知识内容的深度学习，并显著提高他们的学习成绩。但进一步分析发现，主要是嵌入视频的线索对这一结果的产生形成了显著影响。此结果与以往的相关研究结论和多媒体学习理论相一致[11，31-32]。本研究还发现，学习者通过视频学习时，视频嵌入文本线索比嵌入图像线索更有助于他们提高学习成绩，而此发现与早先部分研究的发现不一致[33-34]。究其原因，多媒体学习理论指出，文本线索更能体现信息组织功能，而且文本线索可能更符合大学生的年龄认知特点与学习习惯。李文昊则认为，学习材料中插入的提示性短词短句，可以帮助学生关注内容框架，聚焦关键之处[35]。

本研究并未发现自我解释策略在学习成绩方面的显著性主效应。究其原因，有研究者通过实验研究发现，学习者看视频时进行自我解释会增加认知负荷，从而有可能影响学习效果[1]。这一结论在本研究的认知负荷分析中也已证明。另外，学习者进行自我解释的开放性问题也可能是影响学习效果的成因。如Johnson等曾在教育游戏实验中指出，开放性问题形式会影响学生知识加工，难以有效促进学习者的自我解释[36]。研究者通过实验观察和实验对象访谈还发现，未能及时对他们的错误解释提供支架性引导与修复，也可能影响他们的知识加工过程，但这需要通过后续的实验研究进一步验证。

（四）线索类型和自我解释策略对学习者认知负荷的影响

研究发现，自我解释策略对认知负荷存在显著性差异影响，这与相关实验的结论是一致的[22，37-38]。进一步通过多元方差分析发现，差异影响主要表现在时间需求和受挫程度两方面。即学习者通过视频学习时，采用预测提示策略要比反省提示策略的学习时间更少，受挫程度也更低。通过访谈发现，预测提示条件下的问题是在学习内容之前呈现，学习者认为这些问题会在后续学习中解答，因而对时间需求相对较低。而反省提示条件下的问题是在学习内容之后呈现，若学习者要很好地解答这些问题，则需投入更多的时间和认知回忆内容并进行思考，也会对未能顺畅提取记忆和正确作答存在较强烈的挫败感。以上关于注意力分配的眼动数据也表明，采用反省提示策略的学习者，其平均注视时间要显著高于采用预测提示的学习者。这也意味着反省提示策略虽能促进学习者深度的信息处理加工过程，但也会导致学习者产生较高的认知负荷及可能存在的心理压力。另外，由于本实验中的图像线索与文本线索均属于静态嵌入型，若多次重复出现，学习者则不会在此方面投入较多的认知，眼动仪捕捉到的学习者兴趣区热点图也证明了这一点，研究发现学习者视线集中于动画内容本身，对线索并未投入较多关注。

六、结论与展望

本研究采用2（图像线索vs.文本线索）×2（预测提示vs.反省提示）的被试间实验设计，检验了线索与自我解释提示对学习者的注意力分配、自我解释质量、学习成绩和认知负荷的影响。研究发现，图像线索与反省提示结合使用，能显著提高学习者的注意力投入和促进目标驱动的自我解释;文本线索比图像线索更利于提高学习者的视频学习成绩;反省提示对学习者的认知负荷影响要显著高于预测提示，主要表现在时间需求和受挫程度两方面。基于以上发现，建议在设计与应用学习视频时，将图像线索与反省提示结合使用，但也要合理嵌入更加突出的解释性文本，以引导学生开展认知投入和加工程度更高的深度学习。同时也建议向学习者提供必要的认知工具或缩短视频时长，避免高认知负荷的产生。

此外，本研究主要存在如下局限：其一，虽然随机分配进行学习者分组，但不同实验条件下的男女学习者数量分布不均衡，且男女学生对图像色彩设计方面的偏好不同，学习者的性别有可能会对实验结果产生轻微影响。建议未来开展的相关研究，将性别作为自变量，探究性别、線索与自我解释提示对视频学习效果的影响。其二，参与实验的学习者数量较少，每个实验条件组中均为12名学习者，建议未来的相关研究可以适度增加实验对象人数。其三，视频呈现的学习内容为“臭氧是如何形成”科普类动画，未来还需验证研究结论是否适用于其他科目内容的设计与学习。

[参考文献]

[1] DE KONING B B， TABBERS H K， RIKERS R M J P， et al. Learning by generating vs. receiving instructional explanations： two approaches to enhance attention cueing in animations[J]. Computers & education， 2010， 55（2）： 681-691.

[2] PAAS F， RENKL A， SWELLER J. Cognitive load theory and instructional design： recent developments[J]. Educational psychologist， 2003， 38（1）： 1-4.9D542F70-8B72-43FA-AC1B-7361AE4AC83A

[3] 晉欣泉，姜强，梁芮铭，赵蔚.深度学习视域下认知偏差对知识建构的影响机制研究[J].电化教育研究，2021，42（7）：75-82.

[4] BAYRAKTAR D M， BAYRAM S. Effects of cueing and signalling on change blindness in multimedia learning environment[J]. World journal on educational technology： current issues， 2019， 11（1）： 128-139.

[5] MERRILL M D. Instructional transaction theory： an instructional design model based on knowledge objects[M]//DIJKSTRA S， SCHOTT F， SEEL N， et al. Instructional design： international perspectives. New York： Routledge， 2012： 381.

[6] MEYER B J F. The organization of prose and its effects on memory[M]. Amsterdam： North-Holland Publishing Company， 1975.

[7] MAUTONE P D， MAYER R E. Signaling as a cognitive guide in multimedia learning[J]. Journal of educational psychology， 2001， 93（2）： 377-389.

[8] OZCELIK E， KARAKUS T， KURSUN E， et al. An eye-tracking study of how color coding affects multimedia learning[J]. Computers & education， 2009， 53（2）： 445-453.

[9] SCHEITER K， EITEL A. Signals foster multimedia learning by supporting integration of highlighted text and diagram elements[J]. Learning and instruction， 2015， 36： 11-26.

[10] MAYER R E. The Cambridge handbook of multimedia learning[M]. New York： Cambridge University Press， 2005： 183-200.

[11] 杨九民，徐珂，韩佳雪，焦新月，皮忠玲.教学视频中线索类型与学习者先前知识经验对学习的交互影响[J].现代远程教育研究，2020，32（1）：93-101.

[12] MAYER R E. Multimedia learning[M]. 2nd ed. New York： Cambridge University Press， 2009.

[13] LIN L， ATKINSON R K. Using animations and visual cueing to support learning of scientific concepts and processes[J]. Computers & education， 2011， 56（3）： 650-658.

[14] DE KONING B B， TABBERS H K， RIKERS R M J P， et al. Improved effectiveness of cueing by self-explanations when learning from a complex animation[J]. Applied cognitive psychology， 2011， 25（2）： 183-194.

[15] CHI M T H， BASSOK M， LEWIS M W， et al. Self-explanations： how students study and use examples in learning to solve problems[J]. Cognitive science， 1989， 13（2）： 145-182.

[16] CHI M T H， De Leeuw N， CHIU M H， et al. Eliciting self-explanations improves understanding[J]. Cognitive science， 1994， 18（3）： 439-477.

[17] CHI M T H. Self-explaining expository texts： the dual processes of generating inferences and repairing mental models[M]//GLASER R. Advances in instructional psychology. New York： Routledge， 2000： 78-88.

[18] WYLIE R， CHI M T H. The self-explanation principle in multimedia learning[M]//MAYER R E. The Cambridge handbook of multimedia learning. 2nd ed. New York： Cambridge University Press， 2014： 413.9D542F70-8B72-43FA-AC1B-7361AE4AC83A

[19] SAVELSBERGH E R， De Jong T， FERGUSON-HESSLER M G M. Learning physics with a computer algebra system[J]. Journal of computer assisted learning， 2000， 16（3）： 229-242.

[20] RITTLE-JOHNSON B. Promoting transfer： effects of self-explanation and direct instruction[J]. Child development， 2006， 77（1）： 1-15.

[21] MCNAMARA D S， O'REILLY T， ROWE M， et al. iSTART： a web-based tutor that teaches self-explanation and metacognitive reading strategies[M]//MCNAMARA D S. Reading comprehension strategies： theories， interventions， and technologies. London： Psychology Press， 2007： 397-421.

[22] LIN L， ATKINSON R K， SAVENYE W C， et al. Effects of visual cues and self-explanation prompts： empirical evidence in a multimedia environment[J]. Interactive learning environments， 2016， 24（4）： 799-813.

[23] NOKES T J， HAUSMANN R G M， VANLEHN K， et al. Testing the instructional fit hypothesis： the case of self-explanation prompts[J]. Instructional science， 2011， 39（5）： 645-666.

[24] ATKINSON R K， RENKL A， MERRILL M M. Transitioning from studying examples to solving problems： effects of self-explanation prompts and fading worked-out steps[J]. Journal of educational psychology， 2003， 95（4）： 774-783.

[25] CRIPPEN K J， EARL B L. The impact of web-based worked examples and self-explanation on performance， problem solving， and self-efficacy[J]. Computers & education， 2007， 49（3）： 809-821.

[26] YEH Y F， CHEN M C， HUNG P H， et al. Optimal self-explanation prompt design in dynamic multi-representational learning environments[J]. Computers & education， 2010， 54（4）：1089-1100.

[27] 皮忠玲，劉晓莉，杨九民.社会比较对视频课程学习的影响[J].电化教育研究，2021，42（9）：56-61.

[28] HART S G， STAVELAND L E. Development of NASA-TLX（task load index）： results of empirical and theoretical research[J]. Advances in psychology， 1988， 52（6）：139-183.

[29] HSU C Y， TSAI C C. Examining the effects of combining self-explanation principles with an educational game on learning science concepts[J]. Interactive learning environments， 2013， 21（2）： 104-115.

[30] LIN L， ATKINSON R K. Enhancing learning from different visualizations by self-explanation prompts[J]. Journal of educational computing research， 2013， 49（1）： 83-110.

[31] STARK L， BRNKEN R， PARK B. Emotional text design in multimedia learning： a mixed-methods study using eye tracking[J]. Computers & education， 2018， 120： 185-196.

[32] WANG X， LIN L， HAN M， et al. Impacts of cues on learning： using eye-tracking technologies to examine the functions and designs of added cues in short instructional videos[J]. Computers in human behavior， 2020， 107： 106279.9D542F70-8B72-43FA-AC1B-7361AE4AC83A

[33] CANHAM M， HEGARTY M. Effects of knowledge and display design on comprehension of complex graphics[J]. Learning and instruction， 2010， 20（2）： 155-166.

[34] BOUCHEIX J M， LOWE R K. An eye tracking comparison of external pointing cues and internal continuous cues in learning with complex animations[J]. Learning and instruction， 2010， 20（2）： 123-135.

[35] 李文昊.多媒體学习十讲[M].南京：南京师范大学出版社，2015：70.

[36] JOHNSON C I， MAYER R E. Applying the self-explanation principle to multimedia learning in a computer-based game-like environment[J]. Computers in human behavior， 2010， 26（6）：1246-1252.

[37] JOO H， PARK J， KIM D. Visual representation fidelity and self-explanation prompts in multi-representational adaptive learning[J]. Journal of computer assisted learning， 2021， 37（4）： 1091-1106.

[38] WANG Z， ADESOPE O. Do focused self-explanation prompts overcome seductive details？ A multimedia study[J]. Journal of educational technology & society， 2017， 20（4）：47-57.9D542F70-8B72-43FA-AC1B-7361AE4AC83A