一项关于中国数学学习困难儿童数学缺陷的元分析研究

《Acta Psychologica》：A meta-analysis on mathematical deficits among Chinese children with mathematical learning difficulties

　　王彦娇|马艳艳|王佩
内蒙古师范大学心理学院，呼和浩特，010000，中国

**摘要**
先前的研究发现，有数学学习困难（MLD）的儿童表现出与认知缺陷理论一致的数学缺陷。然而，目前还没有研究对这些儿童的数学缺陷进行过检验和量化。本研究旨在使用元分析方法，综合中国MLD儿童在数字认知、计算、分数/小数、几何和应用题方面的缺陷情况。共有77项研究被纳入分析，其中包括505个效应量。研究结果表明，中国MLD儿童的数学缺陷严重程度依次为：计算（g = ?1.70）、分数/小数（g = ?1.45）、应用题（g = ?1.33）和数字认知（g = ?1.25），以及几何（g = ?0.79）。未来的研究应重点区分具体的数学技能，以评估和明确MLD儿童的主要和次要缺陷，从而提高教育干预的针对性，最终帮助这些儿童提高数学能力。

**1. 引言**
1.1. 数学学习困难：理论视角
数学学习困难（MLD），也称为计算障碍或计算障碍，其特征是在具有正常智力和充足教育机会的儿童中，特定领域的认知能力（如数字认知和算术）存在显著缺陷（Butterworth, 2010; Kroesbergen et al., 2023）。然而，中国研究人员发现，自2005年以来，学龄儿童中MLD的发病率上限从6%上升到了13.8%（Dong et al., 2004; Yang et al., 2018）。与正常发展的同龄人相比，MLD儿童通常表现出较低的自信心（Nelson & Powell, 2018）、较高的数学焦虑水平（Barroso et al., 2021; Namkung et al., 2019）、更高的辍学风险（Wakeman et al., 2022），以及成年后的较低社会经济地位（Margolis et al., 2025），这引起了心理学、教育和神经科学领域研究人员的关注。
重要的是，MLD并非由单一的认知缺陷引起，而是反映了多种认知机制的困难。特定领域缺陷理论认为，MLD儿童在某些数学领域（如数字处理、计算和问题解决）存在缺陷（Lu et al., 2025; Vanbinst et al., 2014）。数字处理缺陷假说强调符号和非符号数字表示系统的损伤（Decarli et al., 2023），而多重缺陷模型则强调数字、计算和问题解决技能及其相互作用的广泛缺陷（Chan & Wong, 2020; Kroesbergen et al., 2023）。这表明MLD儿童的数学缺陷并非由单一损伤导致，而是在不同数学领域中表现出差异。然而，MLD儿童的数学缺陷结构尚不明确，部分原因是数学本身是一个包含多种子技能的多维概念。因此，有必要检查这些缺陷是否在不同数学子技能之间存在差异，并对其特征进行描述。

1.2. 不同数学技能中的特定领域缺陷
数学是一个多维概念，包括几个相互关联但部分不同的子技能，如数字认知、整数计算、分数/小数、几何和应用题解决（Peng et al., 2020）。这些子技能依赖于不同的认知处理路径。例如，数字认知涉及符号数字与非符号数量之间的映射（Chan & Wong, 2020）；整数计算依赖于算术事实的检索以及对位值结构和进位规则的理解；应用题解决则需要整合语言理解和数学推理等多个过程（Peng et al., 2016）。由于这些子技能在认知需求和信息整合水平上存在差异，MLD儿童在不同数学领域可能表现出不同程度的缺陷。
越来越多的研究关注MLD儿童在特定数学领域（包括数字认知、整数计算和应用题解决）的缺陷（Mu?ez et al., 2023; Rojo et al., 2024）。例如，数字认知已被确定为早期识别MLD的重要指标（Peng et al., 2018）。在数字线估计等任务中，MLD儿童的准确性低于正常发展的同龄人，并且在数字大小的表示方式上也存在差异（Han et al., 2010）。同样，使用算术和应用题任务的研究一致发现MLD儿童在整数计算和数学问题解决方面存在显著困难（Myers et al., 2022）。然而，大多数先前的研究都集中在单个数学领域，不同领域之间缺陷严重程度的系统比较相对有限。例如，Schwenk等人（2017）的元分析发现MLD儿童在数字认知方面存在显著缺陷，其中符号大小处理的损伤比非符号数量处理的损伤更为严重。这种模式可能与任务复杂性的差异有关。非符号数量可以通过视觉数组或具体对象直接表示，而处理阿拉伯数字则需要从抽象符号中提取数量意义并建立符号与数量之间的映射。根据认知负荷理论，处理步骤的数量和元素交互的复杂性会影响完成任务所需的认知资源（Paas et al., 2010）。因此，涉及更高处理需求或更复杂信息整合的任务可能会给MLD儿童带来更大的认知负荷。从这个角度来看，与基本数字认知相比，更复杂的数学能力（如整数计算、分数/小数和应用题解决）可能与MLD儿童更明显的缺陷相关（Peng et al., 2016; Swanson et al., 2018）。需要注意的是，现有的大部分证据都来自西方样本（Haberstroh & Schulte-K?rne, 2022）。鉴于语言结构和教育系统可能影响数学学习过程，MLD儿童的数学缺陷表现可能因文化背景而异。因此，有必要在不同文化和教育环境中研究MLD儿童的数学缺陷特征。

1.3. 语言嵌入机制和跨文化背景
最近的元分析表明，语言能力，特别是语音处理能力，与数学表现显著相关（Peng et al., 2020; Yang et al., 2022）。在跨语言背景下，这种关系可能受到语言结构的影响：中文具有高度规则的十进制数字-单词系统，大多数数字词为单音节，有利于数字编码和算术事实的存储（Geary et al., 1993, Geary et al., 1996）。此外，与西方早期教育（例如美国）强调概念理解不同，中国教育强调大量练习和程序流畅性，这可能影响数学知识提取的自动化程度，意味着在西方MLD样本中观察到的缺陷模式可能不完全适用于中国儿童。因此，有必要研究中国MLD儿童的数学缺陷特征。然而，关于这一问题的系统定量证据仍然有限。

1.4. 本研究
基于特定领域和多重缺陷的MLD解释，并借鉴认知负荷理论（Paas et al., 2010），本元分析旨在系统地研究中国MLD儿童在不同数学子技能中的缺陷情况。特别是，认知负荷理论认为，涉及更多处理步骤和更大元素交互性的数学任务可能带来更高的认知需求，因此可能与MLD儿童更明显的缺陷相关。据此，本研究提出了以下研究问题：
Q1：中国MLD儿童在不同数学子技能（包括数字认知、计算、分数/小数、几何和应用题）中是否表现出显著缺陷？
Q2：这些缺陷的严重程度在不同数学子技能之间是否存在差异？
Q3：与认知负荷理论一致，那些通常需要更多认知资源和更复杂信息整合的数学领域（如计算、分数/小数和应用题）的缺陷是否比基本数字认知更严重？
基于这些问题，我们提出了两个假设：
**假设1**：中国MLD儿童在不同数学子技能中表现出显著缺陷，且不同领域的缺陷程度不同。
**假设2**：与认知负荷理论一致，MLD儿童在需要更多认知资源的数学能力（如计算、分数/小数和应用题解决）方面的缺陷比基本数字认知更严重。

**2. 方法**
本研究遵循PRISMA 2020声明（Page et al., 2021）的指南进行了元分析。元分析方案已在PROSPERO平台上预先注册，注册号为CRD42023428575。由于本研究是元分析，它系统地整合和分析了先前发表研究的摘要数据，不涉及新参与者的招募或原始个体数据的收集，因此不属于人类受试者研究，通常不需要伦理委员会批准。

2.1. 文献搜索和筛选
图1展示了本研究的文献筛选过程。文献搜索的时间范围是从2002年1月到2022年12月。选择2002年1月是因为这一年中国基础教育进行了重大改革。2001年，中国正式实施了《义务教育数学课程标准》，这是新世纪首个全国性的数学课程框架，标志着义务教育（小学和初中）数学教育的新阶段。将2002年作为起始年份，可以系统地覆盖这一课程改革后的研究，确保文献反映相关的教育背景并适用于当前实践。最初在三个中文数据库（CNKI、Wanfang和VIP）和四个英文数据库（APA PsycInfo、APA PsycArticles、Medline和ERIC）中进行了搜索，使用了关键词“math*” OR “discalcul*”、“difficult*” OR “disabilit*” 和 “China*” OR “Chinese*” 的组合。搜索目标是在标题、摘要或关键词中出现这些术语的研究。此外，还通过在中国主要搜索引擎（包括百度（市场份额：58.01%）和360搜索（Haosou；市场份额：17.88%）中进行了补充搜索。为了进一步确保搜索的全面性，还进行了反向引用筛选（即筛选相关元分析和目标文章的参考列表）和正向引用跟踪（即识别引用关键文章的研究）。最终共有77项研究被纳入元分析。

**下载：** 下载高分辨率图片（218KB）
**下载：** 下载全尺寸图片
图1. 本综述研究的纳入流程图。
纳入标准如下：
(1) 以中文或英文撰写；
(2) 以中国MLD儿童为对象的实证研究，对象包括幼儿园、小学（1-6年级）或初中（7-9年级）；
(3) 报告了足够的数据以计算数学能力的一个或多个方面；
(4) 有明确的MLD儿童识别标准（基于ICD-10或DSM-5），并设有正常发展儿童的对照组；
(5) 在数据重复发表的情况下，仅保留一项研究。
为了确保样本独立性，所有纳入的研究都检查了潜在的参与者重叠情况（Borenstein et al., 2009; Card, 2012）。特别关注了由同一研究团队或同一第一作者进行的研究。当样本大小、招募来源或参与者特征完全相同时，会审查原始文章以确定是否使用了相同的参与者。如果发现重复样本，只保留提供最全面信息或样本量最大的研究。

2.2. 数据编码
根据以下特征提取和编码每项研究的数据：第一作者、发表年份、MLD儿童和TD儿童（正常发展儿童）的样本量，以及两组特定数学技能得分的均值和标准差，或允许计算效应量的t值和F值。
在数学能力编码方面，本研究采用了Peng等人（2020）提出的定义和分类标准，将数学技能分为六个方面（表1）：
(a) 数字认知；
(b) 计算；
(c) 分数/小数和百分比；
(d) 代数；
(e) 几何；
(f) 应用题。
考虑到数字认知可以进一步细分为符号大小和非符号大小，且MLD儿童在这两种类型的数字认知中可能表现出不同的缺陷程度（Schwenk et al., 2017），我们将数字认知进一步分为符号大小（A1）和非符号大小（A2）。一些研究没有分别报告符号大小和非符号大小的性能，而是提供了合并结果；此类数据被编码为（A3）合并大小。在本元分析中，计算类别仅限于涉及整数的算术运算（如加法、减法、乘法和除法），不包括负整数的运算。

表1.不同数学能力的概念及示例任务。空白单元格
概念示例范式
数值认知
符号数字：基数词、基数词与序数词之间的关系以及数词。
计数；排序；数字分类；数字比较；比较物体对；数量估计；数轴；数字识别/命名；位值；阿拉伯数字与口头数字之间的转换和编码。
非符号数字（例如，点阵比较）。
整数运算
单位数或多位数加法、减法、乘法和除法。
加法（例如，2 + 1 = 3；20 + 60 = 60）；减法（例如，6 – 4 = 2；20 – 5 = 15）；除法（例如，6 ÷ 2 = 3；20 ÷ 10 = 2）；乘法（例如，2 × 4 = 8；20 × 12 = 240）；伍德科克-约翰逊数学流利度测试；CBM计算；广范围成就测试IV数学；WIAT算术。
分数、小数、百分比
涉及理解部分与整体的关系、解释分数的意义以及解决与分数相关的数学问题。
例如，分数计算（1/4 + 1/2 = 3/4）；分数比较（1/4 < 1/2）；与分数相关的应用题；分数估计。
代数
可以使用预先学习的符号操作算法解决的问题。
例如，如果x + 2 = 3，那么x = 1；例如，3y + 2 = 20；y = 6。
几何
涉及图形的形状、大小、位置和空间属性的任务。
例如，适合每个年级水平的几何知识和测试。
应用题
通过关注相关信息、忽略无关细节、识别缺失的数字信息来解决问题的能力。
WISC应用题；算术应用题（例如，小明有9本书，又买了3本。他总共有多少本书？）；关键数学问题解决（即，年级水平的应用问题）。

在编码过程中，每项研究的具体内容都被编码到相应的数学技能类别中。对于纵向研究，只提取了基线数据。编码工作由第一作者和第二作者独立完成。结果显示，所有感兴趣变量的评分者间一致性为98.64%。最终包含的研究信息可公开获取（https://osf.io/8uew/）。

2.3. 模型选择
本元分析采用了随机效应模型来计算汇总效应量。该模型假设真实效应可能因研究而异，观察到的效应量代表效应的分布而非单一的共同效应（Borenstein等人，2009年）。在数学学习困难的研究中，这种变异性是预期之中的，因为所包含的研究在参与者特征、评估任务和研究设置上存在差异。通过结合研究内抽样误差和研究间方差，随机效应模型能够更适当地估计跨异质研究的总体效应（Borenstein等人，2009年；Card，2012年）。为了确定适当的模型，本研究使用了异质性检验，包括Q检验和I2检验。Q检验假设效应量遵循卡方分布；如果p < 0.05，则表明研究之间存在异质性。I2衡量的是由于异质性而非偶然性导致的总变异百分比；25%、50%和75%的阈值分别代表低、中、高异质性（Higgins等人，2003年）。如果Q检验显著且I2表明存在异质性，则应选择随机效应模型；否则，应选择固定效应模型。

2.4. 发表偏倚检验
发表偏倚是指已发表的研究未能完全反映某一领域所有已完成的研究的现象（Rothstein等人，2005年）。本研究使用漏斗图、Egger回归检验和失败安全数（fail-safe N）来检验发表偏倚。漏斗图的对称性表明没有显著的发表偏倚（Sterne & Egger，2001年）。如果Egger回归检验的p值大于0.05，则表示没有显著的发表偏倚（Egger & Smith，1997年）。当检测到显著的发表偏倚时，失败安全数进一步进行检验；如果失败安全数大于5K（效应量数量）+ 10，则表示没有显著的发表偏倚（Orwin，1983年）。

2.5. 数据分析
数据分析使用Comprehensive Meta-Analysis Version 3.3软件进行，显著性水平设定为0.05。效应量可以校正偏倚，使用Hedges' g来评估MLD儿童的数值认知等领域的缺陷（Field & Gillett，2010年）。根据Cohen的分类标准，效应量为0.2被认为是小的，0.5是中等的，0.8是大的（Cohen，2013年）。基于这些标准，我们检查了MLD儿童的数学缺陷严重程度。为了回答研究问题并检验MLD儿童的数学缺陷特征是否与认知负荷理论一致，我们进行了主要效应分析和数学子技能之间的成对比较。具体来说，我们研究了MLD儿童是否在所有子技能上都表现出显著缺陷，以及更复杂的数学能力（如整数计算）是否比基本数值认知表现出更大的缺陷。

3. 结果
3.1. 研究特征
本研究最终纳入了77篇文章（表2），其中71篇为中文文章，6篇为英文文章。共得出505个效应量，涉及3649名MLD儿童和4043名正常发育（TD）儿童。参与者的平均年龄为9.73岁（范围从5.60岁到13.92岁）。在单项研究中，效应量的数量从1到29不等。不同数学能力方面的效应量数量如下：数值认知（166个）、整数计算（129个）、分数/小数及百分比（10个）、几何（38个）和应用题（162个）。没有研究发现涉及代数的研究。

表2. 分析中包含的原始研究的基本信息
第一作者，年份
KNMDN
TDS
具体数学能力
效应量范围
年级范围
Ba, 2012
14
0
20
W
?3.78, ?2.02
3–4年级
Bai, 2020
6
30
30
C
?1.19, ?0.44
5–6年级
Cai, 2013
3
55
56
G
?2.73, ?0.05
7–9年级
Chen, 2014
16
0
60
C
?0.97, ?0.24
3–4年级
Chen, 2009
2
60
30
C
?0.91, 0.08
3–4年级
Chu, 2019
2
57
23
W
?3.73, 0.17
3–4年级
Deng, 2007
2
60
30
G
?1.61, ?0.84
–Ding, 2020
4
12
21
C
?3.70, ?1.28
5–6年级
Du, 2015
13
43
4
C
?5.59, ?3.76
3–4年级
Guo, 2020
18
18
0
W
?3.93, ?2.96
7–9年级
Han, 2010
18
48
4
N
?0.87, ?0.26
3–4年级
He, 2009
3
31
31
C/G
?1.82, 0.18
3–4年级
Hua, 2013
2
21
20
C
?1.86, ?0.91
5–6年级
Jiang, 2011
3
57
29
W
?3.68, ?1.43
3–4年级
Jiao, 2011
14
54
5
G
?1.21, ?0.36
3–4年级
Kang, 2014
7
64
64
N/C
?0.90, ?0.24
幼儿园
Lai, 2014
16
22
9
22
9
G
?0.73, ?0.50
3–4年级
Lai, 2015
24
61
51
W
?0.95, ?0.18
3–4年级
Li, 2002
2
20
20
W
?1.79, ?0.82
3–4年级
Li, 2004
18
30
15
W
?1.99, ?1.20
3–4年级
Li, 2009a
12
41
2
W
?1.38, 0.01
1–2年级
Li, 2009b
2
0
61
3
1
N/W
?2.20, ?1.38
3–4年级
Li, 2015
4
10
0
10
C
?0.63, ?0.35
3–4年级
Li, 2017
6
80
88
N/G
?2.99, ?0.78
3–4年级
Lin, 2006
4
34
30
N/C
?1.45, ?0.50
幼儿园
Lin, 2019
6
81
43
C/W
?3.20, ?0.76
3–4年级
Liu, 2000
4
29
29
N/C
?1.83, ?0.34
3–4年级
Liu, 2004
2
21
12
1
N/C
?1.49, 0.29
5–6年级
Liu, 2013
2
93
63
6
N
?4.12, ?3.13
3–4年级
Liu, 2017
2
39
39
N
?1.16, ?0.08
3–4年级
Liu, 2018
2
0
57
30
W
?1.07, ?0.57
3–4年级
Lu, 2012
4
12
12
W
?2.64, ?1.40
5–6年级
Lv, 2015
6
20
43
C
?1.40, ?0.70
5–6年级
Peng, 2012
4
38
30
C/W
?3.24, ?2.37
5–6年级
Qi, 2007
2
16
18
C
?1.89, ?0.85
7–9年级
Ren, 2011
11
45
45
W
?3.54, ?1.78
7–9年级
Shan, 2016
6
22
22
W
?0.73, ?0.02
5–6年级
Shi, 2014
7
14
14
N
?0.59, ?0.04
1–2年级
Si, 2006
3
20
20
F/C
?2.75, ?0.84
5–6年级
Wang, 2010
11
51
5
N
?0.90, 0.20
3–4年级
Wang, 2012
8
18
0
90
W
?1.13, ?0.77
5–6年级
Wang, 2015
12
0
20
C
?3.01, ?1.45
7–9年级
Wang, 2016
3
30
30
C
?2.54, ?1.81
5–6年级
Wang, 2017
6
33
14
0
N/C/G/W
?0.96, ?0.41
1–2年级
Wang, 2018
2
53
31
C
?4.31, ?3.11
5–6年级
Wang, 2018a
6
50
47
G/W
?1.03, ?0.26
3–4年级
Wang, 2018b
14
67
68
W
?0.95, ?0.67
3–4年级
Wu, 2011
10
48
48
N/C
?1.85, ?1.29
3–4年级
Wu, 2012
12
55
27
W
?1.52, ?1.05
3–4年级
Xiang, 2008
2
30
57
4
W
?1.18, ?0.66
5–6年级
Xiao, 2009
3
24
24
N
?1.61, ?0.62
3–4年级
Wang, 2006
11
21
20
W
?1.94, ?0.28
3–4年级
Wang, 2008a
6
55
28
N/G
?2.10, ?1.42
7–9年级
Xing, 2011
12
48
48
W
?1.08, ?0.45
5–6年级
Xu, 2008
4
38
19
W
?1.34, 0.10
3–4年级
Xu, 2012
4
30
30
C
?1.22, ?0.53
5–6年级
Xu, 2015
8
12
12
N/C
?0.72, ?0.16
1–2年级
Yang, 2018
13
36
38
C
?2.20, ?0.91
5–6年级
Ye, 2018
17
74
74
N/C
?2.03, ?0.86
3–4年级
Yu, 2003
3
30
31
W
?1.84, ?0.18
5–6年级
Zhang, 2005
12
20
20
F/C
?1.58, ?1.10
5–6年级
Zhang, 2009a
2
64
95
0
N/C/G
?2.21, ?1.41
3–4年级
Zhang, 2010
11
46
46
N/C
?1.85, ?1.24
3–4年级
Zhang, 2012
8
38
38
N
?0.66, ?0.32
1–2年级
Zhang, 2013
21
0
51
63
C
?2.50, ?1.65
3–4年级
Zhang, 2013
12
55
55
N
?0.69, ?0.04
5–6年级
Zhang, 2016
12
36
38
C
?2.41, ?1.63
5–6年级
Zhang, 2018
8
19
26
N
?0.38, 0.03
1–2年级
Zhang, 2019
12
14
18
6
N
?0.63, ?0.40
3–4年级
Zhang, 2022
44
71
8
W
?1.41, ?0.77
5–6年级
Zhao, 2004
12
65
2
C
?0.87, 0.07
7–9年级
Zheng, 2007
13
0
30
W
?1.16, ?0.13
3–4年级
Zheng, 2008
26
26
0
N/C
?2.94, ?0.19
3–4年级
Zhou, 2006
31
61
7
N
?0.57, 0.19
5–6年级
Zhou, 2007
8
47
23
N/C
?0.70, ?0.26
5–6年级
Zhu, 2014
23
11
相反，它可能会通过使那些严重依赖于程序准确性、符号操作和流畅计算的领域（如计算和分数/小数）的弱点更加突出，从而影响缺陷的相对分布。从这个意义上说，教育环境可能会影响数学子技能中缺陷的分布，而不仅仅是增加全面数学学习障碍（MLD）的严重程度。这些发现也对教育实践具有启示意义。在整数计算和分数/小数方面观察到的显著缺陷表明，这些领域在教学和干预中可能需要特别关注。加强计算策略、促进对分数和小数的概念理解，以及强化不同数字表示之间的联系，可能有助于发展基础的数学能力（Barbieri等人，2020年；Lin和Powell，2021年）。同时，结果突显了MLD的异质性。个别儿童在数学技能上可能表现出不同的优势和劣势组合（Kwok等人，2023年；Myers等人，2025年；Park等人，2025年）。因此，虽然群体层面的发现可以为教学设计提供一般性指导，但有效的干预还应依赖于系统的个体评估，以确定学生的具体学习需求并提供有针对性的支持（Park等人，2025年；Powell等人，2021年）。

5. 限制与未来方向
我们的发现应结合一些限制来进行解读。首先，数学技能是一个多维的构念，不同的研究并没有达成统一的分类标准。为了最大限度地研究中国MLD儿童的数学缺陷，本研究将数学能力分为六个方面，包括数字认知。研究发现，中国很少有研究针对MLD儿童（特别是初中生）的代数能力进行过探讨。因此，本研究并未揭示这些儿童的代数能力。此外，本研究也没有进一步探索特定数学技能的组成部分（例如几何中的认知和应用技能）以及其他数学技能（例如统计和概率）。其次，本研究选用的文献基于横断面研究或干预研究的基线值。虽然研究发现MLD儿童在计算和分数/小数方面的缺陷相当，但它无法描绘这些缺陷之间的动态发展模式。未来的研究应侧重于纵向研究，从发展的角度探讨中国MLD儿童各种数学缺陷之间的因果关系。第三，数学各个方面的效应量分布不均。例如，混合数字方面的效应量只有五个。这种不均匀的分布可能在一定程度上影响了研究结果。最后，Egger回归检验显示截距为-5.29，p<0.001，95%置信区间不包括零，这表明可能存在发表偏倚。然而，对漏斗图的视觉检查和修剪-填充方法并未显示出明显的偏倚。我们还进行了留一法敏感性分析，结果没有显著变化。此外，根据以往的研究，相关系数的元分析通常比基于干预的元分析更不容易受到发表偏倚的影响（例如Chow和Ekholm，2018年；Lipsey和Wilson，2001年；Liu等人，2025年）。因此，发表偏倚不太可能对本研究的结果产生显著影响。

6. 结论
总体而言，这项元分析综合了中国MLD儿童在不同数学子技能方面的缺陷证据。结果表明，整数计算和分数/小数方面的缺陷最为明显，其次是应用题和数字认知，而几何方面的缺陷相对较小。这些发现支持了领域特定性和多重缺陷模型的观点，并部分支持了认知负荷理论。具体来说，涉及更多处理步骤和更大符号整合的数学任务（例如整数计算和分数/小数）显示出更大的缺陷，与基本数字认知相比。然而，缺陷的分布不能仅用任务复杂性来完全解释；教育环境和文化因素也可能起着重要作用。因此，未来的研究应进一步探讨认知负荷理论在不同教育背景下解释MLD儿童数学缺陷结构的适用性。

**作者贡献声明**
王彦娇：撰写——原始草稿、软件、方法论、研究、资金获取、概念化。
马彦彦：撰写——原始草稿、验证、软件、方法论、数据管理、概念化。
王佩：撰写——审稿与编辑、监督、软件、资源、方法论、研究、资金获取、概念化。

**伦理**
未涉及伦理问题。

**资助**
本研究得到了中国国家社会科学青年项目（教育领域）（CQA250332）的支持。