《Acta Psychologica》：Tracing the learning path: Revealing skill acquisition phases in a virtual environment through behavioral tracking
编辑推荐：
本文针对虚拟环境培训(VET)中如何实现个性化、适应性教学的关键问题，开展了一项基于行为追踪的研究。研究人员开发并评估了一种基于ACT-R理论和Fitts & Posner三阶段模型，通过“查阅指令次数”和“错误动作数量”两项行为指标，在虚拟现实中实时、无干扰地识别学习者所处阶段（认知、联想、自主）的方法。研究在VR环境中让参与者重复完成索玛立方体组装任务，证实了该方法可有效区分不同学习阶段，表现为性能提升和心智负荷(NASA-TLX)降低。该研究为开发自适应虚拟培训系统提供了理论基础和实践方法，具有优化技能习得和康复训练的潜力。
想象一下，你正在学习一项新的复杂技能，比如组装一台精密仪器或进行一场外科手术。传统的培训往往采用“一刀切”的方式，忽略了每位学习者独特的进度和需求。在航空、医疗等高风险领域，实地训练既昂贵又危险，而虚拟环境(Virtual Environments, VE)培训为此提供了安全、可重复的替代方案。然而，尽管技术先进，大多数虚拟培训环境仍使用固定的教学方案，未能根据学习者实时的学习状态进行动态调整。那么，能否在虚拟培训中，像一位经验丰富的教练那样，实时“读懂”学习者正处于哪个学习阶段，从而提供恰到好处的支持呢？这正是发表在《Acta Psychologica》上的一项研究所要解决的核心问题。研究人员旨在开发一种方法，能够无干扰、实时地识别学习者在虚拟环境中掌握一项新技能时所经历的三个经典阶段，从而为实现真正个性化的适应性培训铺平道路。
为了回答这个问题，研究人员开展了一项严谨的实验。他们招募了63名参与者，要求他们在虚拟现实(VR)环境中，通过处理图形化指令，重复完成索玛立方体(Soma cube)的组装任务。实验分为两个阶段，间隔一周，以评估学习的长时保持效果。研究的关键在于，虚拟环境能够自动、持续地记录大量行为数据，例如查阅指令的次数、错误动作数量、任务完成时间、操作时间、规划时间等。同时，每次尝试后，参与者都需要填写NASA任务负荷指数量表(NASA-TLX)来评估其主观心智负荷。研究人员基于安德森的ACT-R（思维的自适应控制-理性）理论和Fitts & Posner的三阶段模型（认知、联想、自主阶段），提出了一种“行为规则法”。该方法核心是利用“查阅指令次数”和“错误动作数量”这两个易于实时获取的指标，为每个参与者个体化地定义其从依赖外部指导（认知阶段），到形成内部规则（联想阶段），最终达到自动化执行（自主阶段）的转变节点。通过分析活动日志和NASA-TLX数据，他们验证了学习确实发生，并评估了这种基于行为指标的阶段识别方法的有效性。
3. 结果
3.1. 程序性学习的评估
数据分析显示，随着任务重复，参与者的表现呈现出典型的学习曲线。任务总用时、规划时间、操作时间和查阅指令时间均显著下降并最终趋于稳定。在非计时指标上，查阅指令次数、错误动作数量和操作次数也显著减少。主观的心智负荷指数同样在初始阶段较高，随后显著下降并进入平台期。这些结果证实了重复练习带来了技能提升和认知负荷降低。在一周后的第二次会话中，参与者的初始表现相较第一次会话末期略有下降（需要“热身”），但很快恢复到熟练水平，表明程序性知识已被存储到长时记忆中。
3.2. 三个阶段的分界
应用提出的行为规则法对第一次会话的数据进行分析，成功将每位参与者的每次尝试划分到三个学习阶段之一。所有参与者在第一次尝试时都处于认知阶段，随后逐步向联想阶段和自主阶段过渡，到第五次尝试时，超过半数的参与者进入了自主阶段，显示了学习进度的个体差异性。
3.2.1. 任务表现数据
对不同学习阶段的平均行为数据进行分析发现，各阶段呈现出显著差异的行为模式。从认知阶段到联想阶段，再到自主阶段，任务总用时、操作时间、查阅指令时间均显著减少。尤为重要的是，规划时间在三个阶段之间均存在显著差异，这意味着随着学习深入，内部的认知加工（如思考、计划）时间持续缩短。这支持了所划分的阶段确实对应了不同的认知加工强度和行为效率。
3.2.2. 工作负荷数据
主观心智负荷数据为阶段划分提供了进一步佐证。NASA-TLX量表中的心理需求、努力程度、自我绩效感知等核心指标，以及计算得到的总工作负荷指数和心智负荷指数，均在三个阶段间呈现出显著的阶梯式下降。具体而言，认知阶段的负荷最高，联想阶段次之，自主阶段最低。这表明学习者感知到的认知成本与行为指标所揭示的学习阶段完全吻合。
4. 讨论与结论
本研究的核心贡献在于，它开发并初步验证了一种基于行为指标、能够实时、无干扰地识别虚拟环境中程序性学习三阶段的方法。这种方法根植于坚实的认知理论（ACT-R），并利用虚拟环境天然的数据收集优势。研究结果表明，通过简单的行为指标（查阅指令和错误动作）定义的规则，能够有效区分出具有不同行为模式和心智负荷特征的学习阶段。这验证了在虚拟环境中，学习者的技能习得过程同样遵循经典的认知理论模型。
这项研究的意义深远。首先，它在方法论上提供了一种有别于依赖事后平均学习曲线或昂贵神经影像技术的、更为实用和可扩展的阶段识别方案。其次，它强调了结合行为与主观负荷数据进行多维度评估的重要性，特别是联想阶段在行为上可能兼具认知和自主阶段特征，而心智负荷指标能更敏感地捕捉其过渡。最后，也是最具应用前景的一点，实时阶段识别为实现自适应虚拟培训环境(VET)提供了关键技术支持。系统可以根据学习者当前所处的阶段，动态调整任务难度、反馈类型和教学支持。例如，在认知阶段提供详尽的指引和提示，在联想阶段减少支持以鼓励规则内化，在自主阶段则移除冗余信息以促进自动化。这对于手术、航空、工业操作等高危高技能领域的培训个性化与效率提升具有重大价值。未来，通过整合眼球追踪、生理信号等更多元的数据，以及采用双任务范式等方法进行交叉验证，可以进一步优化和扩展该方法的准确性与普适性。总之，这项研究是连接认知学习理论、行为分析与虚拟现实技术应用的一座桥梁，为开发真正“智能化”的下一代培训系统奠定了重要基石。
