引言

生成式人工智能技术的迅猛发展，正深刻重构教育生态，推动学习模式从“人机辅助”向“人机协同”演进。在这一模式下，智能系统不再仅是信息传递工具，而是能够通过自然语言交互、内容动态生成与个性化反馈，充当学习者的协作伙伴，共同完成知识建构与问题解决（艾兴等，2020）。学习投入作为反映学生学习过程质量的核心指标，涵盖行为、认知与情感三个维度，是预测学习成效、诊断学习问题的重要依据（Kuh，2009）。然而，现有研究多聚焦于生成式人工智能的宏观教育应用或单一维度的学习效果，较少从多维投入视角系统考察其在真实学习情境中学生参与的内在机制（Bhatt & Muduli,2024；Lucas & Benjamin,2025）。鉴于此，本研究以大学生为对象，从学习投入这一关键视角切入，通过实证研究，系统考察生成式人工智能支持下人机协同学习中大学生的学习投入状况，深度剖析该模式下学习者的行为模式、认知过程及情感体验，以期为优化人机协同教学设计、提升学习质量提供参考。

一、文献综述

（一）生成式人工智能支持下的人机协同学习

人机协同学习指人类与智能体通过双向信息交换与相互适应，共同实现学习目标的过程（Wang et al.,2019）。其发展历程经历了从工具性辅助到协作性参与的范式转型：早期研究聚焦于如何利用传统智能系统的计算能力辅助人类完成预设任务（Kim,2015；Ren et al.,2023）。随着智能辅导系统等技术的成熟，智能体开始以导师或学伴等角色嵌入学习过程，形成更具交互性的协同关系（Jemielniak & Przegalinska,2020）。当前，生成式人工智能的兴起进一步拓展了人机协同的边界，使其在支持个性化学习、实时反馈与情感互动等方面展现出显著潜力。

在实践层面，生成式人工智能通过其内容生成与自然语言交互能力，正在重构人机协同学习的结构与效果。其一，它能够基于学习者的认知水平与兴趣偏好动态生成适配的学习材料，从而实现真正意义上的个性化内容供给，相关研究表明此类适配可有效提升学生的阅读理解能力与学习动机（毛刚等,2021; Aljanabi,2023）。其二，作为即时反馈工具，生成式人工智能能够对学习过程进行持续诊断与响应，帮助学生及时调整学习策略，实证显示此类反馈机制有助于提升学业表现与学习投入度（Kim et al.,2020; Chaitali et al.,2023）。其三，以虚拟学伴形态存在的生成式人工智能，通过自然语言对话增强学习者的情感参与和自主性，研究证实高频、拟人化的交互可促进学习自主性、批判性思维及课堂参与度（Chen et al.,2022；Kim et al.,2024）。

综上所述，生成式人工智能正推动人机协同学习向更深度融合、更具适应性的方向发展，为教育变革提供了新的动力。然而，目前国内有关在课程中应用人机协同学习的研究较少，与此同时，生成式人工智能融合后的人机协同学习模式的真实使用效果需要开展更为具体的实证研究，以更深入了解生成式人工智能在教育背景下的实际运用，为未来的人机协同教学和研究提供更有针对性的指导。

（二）人工智能技术支持下的学习投入度研究

人工智能技术在教育中的深度融合，正推动学习投入的内涵与测量方式发生重要变化。学习投入作为影响学习成效的关键中介变量，通常被划分为行为、认知与情感三个维度（Fredricks et al.,2004）。人工智能通过提供即时反馈、个性化支持和拟真交互，从多维度影响学生的学习投入：在行为层面，它支持持续的人机互动与任务执行，推动学习者从被动接受转向主动探究（Escalante et al.,2023）；在认知层面，借助生成性提问与动态认知支架，激发学习者进行分析、反思与策略调整（Zhang & Tur,2024）；在情感层面，则可通过支持性交互环境缓解学习焦虑，增强学习动机与自我效能感（Duong et al.,2023）。然而，当前研究多侧重于单一维度的影响分析，或仅依赖问卷、访谈等主观报告方法，缺乏对行为、认知与情感三维度之间动态关联的系统性考察，亦未能充分整合学习过程数据以客观验证投入的内在机制。

在测量方法上，当前研究仍以自我报告为主，虽能广泛收集数据，但存在滞后性与主观偏差（Bhatt & Muduli,2024）；学习日志分析虽能客观记录行为轨迹，却难以直接捕捉认知策略与情感体验；访谈法也只能聚焦于单一维度的投入情况，未能建立起与其他维度的关联（Lucas & Benjamin,2025）。这种测量上的单一化限制了我们对人机协同学习中投入机制的整体理解。因此，为了更全面、真实地揭示人工智能环境下学生的学习投入状态，本研究通过结合自我报告、深度访谈与平台日志等多源数据，深入揭示大学生使用生成式人工智能的实际行为、认知和情感投入情况。

二、研究设计

（一）研究对象

根据研究需要，本研究的研究对象为上海市某综合性大学参与通识选修课程“希腊神话与现代英语”的30名本科生。笔者以助教的身份协助授课教师开展课程，以期在实际教学环境中检验人机协同学习的可行性。

之所以选择参与该课程的学生作为研究对象，是因为：首先该课程作为融合神话文化与语言学习的通识选修课，其参与学生已具备一定的英语基础和自主学习能力，能够更好地适应生成式人工智能工具辅助下的学习模式，便于观察人机协同对学习投入的实际影响。其次，大二、大三学生正处于知识体系构建与综合应用能力提升的关键阶段，他们对跨学科学习和新兴技术应用的接受度较高，能更积极地参与到课程设计的“人机协同”学习活动中，为研究提供更丰富的行为数据和反馈信息。此外，这些学生在过往的学习经历中已接触过不同类型的教学方法，对传统学习模式与创新学习模式的差异有一定感知力，有助于在研究过程中更准确地表达自身在人机协同学习中的投入体验和需求。

（二）研究工具

1.生成式人工智能平台

本研究选取智能助手Kimi。Kimi不仅具备强大的深度对话能力和长文本处理能力，能有效支持大学生进行复杂问题的分析和学术内容的解读，且其引导式的对话逻辑也有助于激发学生的主动思考。此外，Kimi智能助手在中文语境下进行了大量的数据训练和优化，其对中文的理解和生成能力更加出色。

2. 学习投入问卷

问卷以Fredricks的三维理论为基础，共设21个题项，旨在测量人机协同学习模式中的投入水平。其中，行为投入参考Skinner（2009）及李爽（2015）的量表，测量学生使用生成式人工智能的主动性、时间投入、专注度及信息处理行为；认知投入依据Pintrich的动机策略问卷，考查学生在交互中的认知策略运用，包括提示词设计、信息评估、批判性思考及知识整合等；情感投入则结合汪雅霜（2015）及Skinner的量表，评估学生对工具的情感反应、接受度、学习体验中的情绪变化及成就感。各维度设计如下表1。

维度	编码	测量题项
行为投入	BE1	在课前，我有投入足够的时间用生成式人工智能工具学习课程内容知识
	BE2	在使用生成式人工智能工具时，我会主动发起对话，探索相关知识
	BE3	遇到不懂的课程内容问题时，我会使用生成式人工智能工具去努力弄清楚问题
	BE4	在使用生成式人工智能工具进行探究学习任务时，我会整理归纳其提供的信息
	BE5	我会直接使用生成式人工智能工具提供的答案，而不进行更多的思考，或进一步的归纳整理
	BE6	我在使用生成式人工智能工具进行自主学习时，容易分心，难以保持长时间的专注
	BE7	我在使用生成式人工智能工具搜集资料的过程中，能够专注地与生成式人工智能工具进行对话问答
认知投入	CE1	与生成式人工智能工具对话时，我会先对生成式人工智能工具进行角色定位，从而让其回答更符合我的需求
	CE2	在使用生成式人工智能工具进行信息资源的搜集前，我会先向生成式人工智能工具提问以确定大致提问思路
	CE3	在提问时，我会给生成式人工智能工具提供详细的上下文信息，让其更好地理解问题给出回答
	CE4	当生成式人工智能工具给出的信息不够准确时，我会主动向生成式人工智能工具进行追问，以寻求更好的解释
	CE5	在与生成式人工智能工具进行问答时，我会尝试切换多种提问方式，以获得更全面和准确的信息
	CE6	我会在借鉴生成式人工智能工具提供的信息基础上，通过自己的思考，构建自己的知识网络
	CE7	为获得更全面的信息，我会将一个复杂的问题拆分成多个小问题对生成式人工智能工具进行分步提问
	CE8	我会对生成式人工智能工具给出的答案进行批判性思考，不会盲目接受其提供的信息
情感投入	EE1	花费较长时间与生成式人工智能工具对话来解决学习问题不会让我感到疲惫
	EE2	我总是对生成式人工智能工具的回答充满期待，因为它总能带给我新的启发和思考
	EE3	当生成式人工智能工具为我解答疑惑时，我会感到由衷的喜悦，很享受与它对话的过程
	EE4	当生成式人工智能工具的回答总是与我的预期有偏差时，我会感到失望，甚至对它产生怀疑
	EE5	在与生成式人工智能工具对话的过程中，我总会学习到新的知识，这个过程是非常有趣的
	EE6	在通过生成式人工智能工具学习并掌握新知识的过程中，我体验到了成就感和满足感

3. 人机交互日志认知投入分析编码表

为进一步测量学生在人机协同学习中的认知投入，本研究基于Chi和Wylie的ICAP框架（盛群力等，2017），结合生成式人工智能的学习特点，构建了认知投入分析编码表。该表将认知投入划分为“被动—主动—建构—交互”四个递进层级：被动层级指单纯接收信息；主动层级表现为提问、强调或探究等深化处理行为；建构层级侧重于将AI输出与已有知识进行链接、应用与综合；交互层级则体现在通过验证与反馈实现双向协同。据此，研究确立了4个一级维度与9个可编码的二级子类别，具体编码系统如表2所示。

分类	子类别	定义	示例	编码
被动	接受	学生只接收生成式人工智能提供的信息，不做进一步处理	学生直接复制生成式人工智能的回复而不进行任何辨析	1
主动	提问	学生基于生成式人工智能的回答提出进一步的问题，以获取更多信息或澄清不理解的点	生成式人工智能提供了关于普罗米修斯的基本信息，学生提问“你能再解释一下盗火惠人的情节吗”	2a
	强调	学生选择性地关注生成式人工智能回答中的特定信息内容	在研究希腊神话中的英雄赫拉克勒斯时，特别关注生成式人工智能提供的关于赫拉克勒斯完成十二项劳动的描述	2b
	探究	学生对生成式人工智能提供的信息进行深入研究，寻求对学习内容更深层次的理解和掌握	在探索希腊神话中的特洛伊战争时，不仅询问生成式人工智能关于战争的起因和过程，还主动探索战争对现代文化的影响	2c
建构	链接	学生将生成式人工智能的信息与已有知识相联系	学生将生成式人工智能提供的与希腊神话故事相关的词根词缀与已学习的英语词汇联系起来	3a
	应用	学生将生成式人工智能的信息应用到新的情境中	使用生成式人工智能提供的神话故事解释现代英语词汇的起源	3b
	综合	学生整合多个信息源，构建更全面的理解	学生将从生成式人工智能和其他地方获得的知识进行整合，获取更全面的理解	3c
交互	验证	学生与生成式人工智能交互，验证自己的理解或答案	学生：“根据我对普罗米修斯故事的理解，他因为不满宙斯而偷火给人类，这个理解正确吗？”	4a
	反馈	学生对生成式人工智能的回答提供反馈或评价	学生：“我觉得你关于赫拉克勒斯的解释遗漏了一些关键点。”	4b

4. 半结构化访谈

基于问卷和交互日志的结果，访谈旨在深入探究学生使用生成式人工智能进行人机协同学习的真实体验与感受，并对问卷调查结果进行质性补充与互证。访谈包含开放式与结构化问题，例如：“你在使用生成式人工智能学习时的感受如何？”“如何评价自身学习效果？”以及“请描述你的具体学习流程”等，系统捕捉学生的情感反应、行为模式、认知策略及归因，从而揭示问卷未能反映的细微差异，并为理解学习投入的影响机制及后续教学优化提供依据。

（三）学习活动设计

本研究基于人机协同模式，设计了融合生成式人工智能的三阶段学习活动（流程见图1）。课前，学生以小组形式选定希腊神话主题，通过生成式人工智能平台Kimi进行资料搜集与整合，最终完成包含故事概述、文化分析与工具反思的结构化报告。课上，各小组展示成果，教师随后补充关键知识点，并引导学生开展跨主题比较与深度讨论。课后，学生需总结协作与展示效果，并系统反思自身在学习投入、工具使用与信息处理等方面的表现，以提升人机协同学习能力。

三、研究结果

（一）人机协同学习投入度问卷结果分析

学习投入度问卷从行为投入、认知投入、情感投入三个层面着手，第一阶段实验研究后，对参与课程的30名学生实施问卷调查，利用SPSS26.0作为统计软件，将30名学生样本的学习投入各维度的得分进行描述性统计，结果见表3。

	N	极小值	极大值	中位数	均值	标准差
行为投入	30	3.000	4.429	3.714	3.684	0.355
认知投入	30	3.143	5.000	4.071	4.194	0.423
情感投入	30	2.500	4.833	3.667	3.714	0.464
总学习投入	30	3.300	4.400	3.900	3.871	0.321

问卷回收数据表明，人机协同学习模式下大学生的学习投入总体均值为3.871，表明在该模式下大学生的整体学习投入水平处于中等偏上，反映出样本群体的整体学习参与度较为积极；同时，总学习投入的标准差最小（SD=0.321），说明样本在整体投入水平上的个体差异较小。在各维度中，认知投入维度得分最高（M=4.194），其次是情感投入（M=3.714），行为投入维度得分相对较低（M=3.684），三个维度的得分呈现出认知投入领先，情感投入与行为投入紧随其后且二者较为接近的态势。值得关注的是，各维度也存在明显的个体差异现象。情感投入的标准差最大（SD=0.464），说明在情感投入方面学生间的差异最为显著；认知投入的标准差为0.423，个体差异次之；行为投入的标准差为0.355，差异相对较小。这一现状分析结果表明，虽然大学生的整体学习投入状况良好，但仍需关注个体差异问题，尤其是情感投入方面存在较大提升空间。

（二）人机交互日志数据分析

依据ICAP框架对学生人机交互日志及作业成果进行编码分析（相关总体编码结果详见表4），发现学生在认知投入上呈现浅层化特征。在被动层级（25%），学生倾向于直接复制生成式人工智能提供的信息，未进行深度加工。主动层级虽提问频繁（67%），但多局限于事实性询问，强调（18%）与探究行为（13%）占比较低，反映深度探索能力不足。建构层级中，综合行为（16%）较多，但多为被动整合；应用（10%）与链接行为（7%）显著偏低，显示知识迁移与关联能力薄弱。交互层级中验证（6%）与反馈（5%）频次最低，表明学生普遍缺乏批判性思维及双向协同建构意识，多将人工智能视为信息工具而非认知伙伴。

整体上，学生认知投入仍停留于中低阶的信息接收与简单整合层面。

类别及主题		频率
被动
接受	学生直接使用生成式人工智能提供的信息，不做任何处理	98（25%）
主动
提问	学生与生成式人工智能进行简单的对话以获取更多信息	267（67%）
强调	学生选择性地关注生成式人工智能回答中的特定信息内容，并对其进行进一步探讨	74（18%）
探究	学生对生成式人工智能提供的信息进行进一步地研究，以寻求对学习内容更多层次的理解	54（13%）
建构
链接	学生将生成式人工智能提供的信息与自己的先前知识建立联系	27（7%）
应用	学生将生成式人工智能提供的信息应用到新的情境中	39（10%）
综合	学生整合来自生成式人工智能、网页等多个方面的信息，构建更完整全面的理解	79（20%）
交互
验证	学生与生成式人工智能交互，以确认或纠正自己的理解和答案	22（6%）
反馈	学生对生成式人工智能的回答提供反馈或评价	18（5%）

（三）访谈结果分析

在课程结束之后，选取了8名学生进行了半结构化访谈，访谈结果编码如图2。

在行为投入层面，学生存在显著的策略低阶化与行为被动化问题。具体而言，提示词设计过于简单，提问方式单一化现象突出（例如，学生3：“我都是想到什么问什么”；学生4：“我一般都是直接问，不会提前做什么设计”）。这与学生的人机交互日志中所表现的结果一样，学生多采用“定义式”“列举式”等基础提问模式（例如：“我需要有关狄俄尼索斯的书籍”“普罗米修斯象征的意义”）。这种浅层交互导致生成式人工智能的输出停留在事实性知识层面，难以促进深度学习（例如，学生1：“我提问的问题都比较简单，一般在生成式人工智能给出反馈后我就接着问下一个问题了”）。

在认知投入方面，学生面临两个关键挑战。首先，信息处理的浅层化限制了工具潜力的发挥。尽管学生肯定生成式人工智能在信息整合与逻辑梳理方面的优势，但其提问策略的不足导致输出内容趋于同质化（例如，学生1：“生成内容大差不差”；学生7：“回答的内容都比较简单，需要不停地进行追问才能获取到较完整的信息”）。这与交互日志中67%的提问停留在基础事实获取层面相互印证，形成恶性循环：浅层提问引发浅层回应，进而削弱深度探究动机。其次，信息可靠性与精准性问题加剧了认知负荷。学生需要额外投入精力验证内容真实性（例如，学生3：“回答与原版故事存在偏差”）并修正偏离主题的回应（例如，学生6：“都要再借助其他工具验证”）。这一发现与日志分析中验证理解（6%）和反馈评价（5%）行为严重缺失的现象完全吻合，显示学生尚未建立必要的质疑与验证机制。

在情感投入上，首先，交互过程中的挫败体验消耗情感资源。学生人机交互日志中存在的“提问—偏题—再提问”的无效循环模式，直接印证了学生的挫败体验（例如，学生3：“要问好几次才能得到想要的答案”）。这种无效交互的循环显著降低了学习动机。其次，内容可靠性问题引发持续担忧。内容可靠性问题导致学生在使用过程中始终处于警惕状态（例如，学生1：“需要仔细甄别，好几个工具互相验证”）。这种对信息真实性的持续质疑，在交互日志中也有体现（“狄俄尼索斯出生的时候塞默勒已经死了，你却说狄俄尼索斯长大回乡之后塞默勒否认他？”），导致学生对工具的依赖关系中掺杂着不信任感。最后，其语句结构程式化、模式化的表达也使许多学生表现出不满意的情绪。交互日志显示，学生与AI的对话轮次普遍偏短，且缺乏情感化表达用语。这与访谈中学生的感受完全吻合（例如，学生4：“回答都很死板”）。这种机械化的对话模式使学习者始终感知到强烈的“人机”界限，难以建立有效的情感连接。

综上所述，学生在使用生成式人工智能工具进行学习时，面临行为投入不足、认知负荷增加和情感投入受限的挑战。

四、讨论

本研究揭示了大学生在生成式人工智能支持的人机协同学习中，其行为、认知与情感投入呈现相互关联的深层特征。这些发现不仅印证了技术介入下学习投入的复杂性，也为理解人机协同的现状与瓶颈提供了依据。

首先，行为投入的浅层化与认知投入的低阶化构成了相互强化的循环。学生普遍采用简单提问策略，满足于事实性信息的获取，这与日志分析中主动提问占比高但探究行为低的发现一致。这种行为模式直接导致了认知加工停留在信息接收与简单复述层面，难以触及分析、评价与创造等高阶思维。这一现象表明，当前学生尚未充分掌握与智能体进行深度对话以促进认知发展的策略，工具使用尚处于“信息检索”阶段，而非“认知协作”阶段。

其次，认知投入中批判性思维的普遍缺失，与人机交互中情感连接的薄弱密切相关。学生将生成式人工智能主要定位为工具性信息源，而非可质疑、可对话的认知伙伴。这种工具性认知定位，削弱了学生进行验证、反馈的动机，也抑制了建立双向、信任的协同关系的可能性。同时，人工智能回应的程式化与情感反馈的缺失，进一步固化了这种单向、功能性的交互模式，使学习过程难以产生沉浸感和心流体验，从而影响了学习的持续性与深度。

最后，情感投入的不足进一步制约了学习的深度与持续性。学生普遍反映人工智能输出内容机械、情感表达匮乏，难以满足其情绪价值期待。长时间无效或低质交互易引发学习者的疲惫与挫败感，降低其持续投入的意愿。这种情感上的疏离，与行为上的浅层交互、认知上的被动接受相互交织，形成“情感疏离—交互浅层—认知低阶”的闭环，阻碍了人机协同学习效能的充分释放。

综上，当前的人机协同学习模式在提升访问性与互动效率的同时，也可能在不经意间助长了浅层学习策略。如何通过精心的教学设计，引导学生超越工具性使用，发展深度提问、批判整合与情感融入的协同能力，是实现人机协同从效率工具向认知伙伴转型的关键。

五、结论

本研究通过整合问卷、访谈与交互日志分析，系统探查了大学生在生成式人工智能支持的人机协同学习中的投入状况。核心结论表明：该模式下的学习投入呈现出行为活跃但策略浅表、认知参与但思维低阶以及情感互动缺失的复合特征。学生在行为上表现出对工具的依赖与交互的短促化；在认知上集中于信息获取而疏于批判整合；在情感上则难以与人工智能建立有效连接。这些因素共同制约了人机协同学习向深层次、建构性方向的发展。

基于此，未来研究与实践应着力于：设计能引导学生进行深度提问与多轮探究的学习任务；开发支持批判性验证与知识整合的认知支架；探索增强人机交互情感性与社交临场感的技术与交互设计。本研究受限于样本与情境，未来可在不同学科、更长周期内开展对比研究，以进一步验证并完善人机协同学习的理论与实践框架。

参考文献：

1. [1] 艾兴,赵瑞雪.人机协同视域下的智能学习：逻辑起点与表征形态[J].远程教育杂志,2020,38(01):69-75.
2. [2] Kuh G D. The national survey of student engagement: Conceptual and empirical foundations[J]. New Directions forInstitutional Research,2009(141):5-20.
3. [3] Bhatt P, Muduli A. AI learning intention, learning engagement and behavioral outcomes: an empirical study[J]. Journal of Management Development,2024,43(06):920-938.
4. [4] Lucas K, Benjamin L M. Enhancing the emotional aspects of language education through generative artificial intelligence (GenAI): A qualitative investigation[J].Computers in Human Behavior,2025(167):108600.
5. [5] Wang L, Gao R X, Váncza J, et al. Symbiotic human-robot collaborative assembly[J]. CIRP Annals,2019,68(02):701-726.
6. [6] Kim G J. Human-computer interaction: Fundamentals and practice[M].1st ed. New York: Auerbach Publications,2015.
7. [7] Ren M, Chen N, Qiu H. Human-machine collaborative decision-making: An evolutionary roadmap based on cognitive intelligence[J]. International Journal of Social Robotics,2023,15(07):1101-1114.
8. [8] Jemielniak D, Przegalinska A. Collaborative society[M]. Cambridge: The MIT Press,2020.
9. [9] 毛刚,王良辉.人机协同：理解并建构未来教育世界的方式[J].教育发展研究,2021,41(01):16-24.
10. [10] Aljanabi M. ChatGPT: Future directions and open possibilities[J]. Mesopotamian Journal of CyberSecurity,2023.
11. [11] Kim J, Park S, Lee H. Artificial intelligence-based personalized learning pathways: a study on effectiveness and student engagement[J]. Computers & Education,2020(151):103857.
12. [12] Chaitali D, Srinath S, Gandharv S, et al. AI-based learning content generation and learning pathway augmentation to increase learner engagement[J].Computers and Education: Artificial Intelligence,2023(04):100110.
13. [13] Chen Y, Liu X, Wang J. Chatbot-based learning: a study on student engagement and learning outcomes[J].International Journal of Computer-Supported Collaborative Learning,2022,17(03):1-20.
14. [14] Kim J, Yu S, Detrick R, et al. Exploring students’ perspectives on Generative AI-assisted academic writing[J]. Education and Information Technologies,2024,30(01):1265-1300.
15. [15] Fredricks J A, Blumenfeld P C, Paris A H. School Engagement: Potential of the Concept, State of the Evidence[J].Review of Educational Research,2004 (01):59-109.
16. [16] Escalante J, Pack A, Barrett A. AI-generated feedback on writing: Insights into efficacy and ENL student preference[J].International Journal of Educational Technology in Higher Education,2023,20(01):20-57.
17. [17] Zhang P, Tur G. A systematic review of ChatGPT use in K-12 education[J]. European Journal of Education,2024,59(02):1-22.
18. [18] Duong C D, Vu T N, Ngo T V N. Applying a modified technology acceptance model to explain higher education students’ usage of ChatGPT: A serial multiple mediation model with knowledge sharing as a moderator[J]. The International Journal of Management Education,2023,21(03):1-18.
19. [19] Skinner E A, Kindermann T A, Furrer C J. A motivational perspective on engagement and disaffection: Conceptualization and assessment of children's behavioral and emotional participation in academic activities in the classroom[J].Educational and Psychological Measurement,2009,69(03):493-525.
20. [20] 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(06):62-70+103.
21. [21] 汪雅霜.《我国大学生学习投入度调查问卷》设计与检验——基于“国家大学生学习情况调查”数据分析[J].河北科技大学学报(社会科学版),2015,15(03):101-106.
22. [22] 盛群力,丁旭,滕梅芳.参与就是能力——“ICAP学习方式分类学”研究述要与价值分析[J].开放教育研究,2017(02):46-54.