作者：张 琪 杨玲玉
“日益关注学习测量”已成为教育变革的重要趋势，e-Learning环境学习测量的研究正日益突显多维整体、真实境脉、实时连续的特征。该文通过眼动应用视角透析e-Learning环境学习测量研究的进展与趋势。基于信息加工论、“直接假说”和“眼脑假说”，阐释眼动在信息提取、加工、整合以及意义建构中的重要作用。此外，围绕多媒体界面有效性、多媒体学习效果、数字阅读、信息加工过程和学习分析五个方面，对研究内容、研究结果和发展趋势进行梳理与分析。研究认为眼动技术有助于获取具备“大数量、全样本、实时性、微观指向”特性的学习数据，可以深入评估多媒体学习效果和阅读过程，量化注意力、认知过程和学习结果之间的关系，为拓展教育技术的研究手段和应用领域提供了方向指引。
关键词：e-Learning；数据驱动教学；学习测量；眼动范式
中图分类号：G434 文献标识码：A
一引言
在个性化教学、移动学习、学习分析的渗透与融合下，技术助力教育领域日益形成一个新研究范式——以学习测量为核心的“数据驱动教学”。《地平线报告》(2016高等教育版)也指出，未来教育变革的重要趋势之一是“日益关注学习测量”[1]。e-Learning环境学习测量的研究强调在对学习过程全面、深刻理解的基础上，基于“自下而上”和“自上而下”的整合分析，将特定数据即时、多维、直观、全面地呈示与介入教学过程。其中，对学习行为和认知过程数据的获取和量化是起始点。相对于LMS系统以及MOOC平台中的学习行为数据表征，未来学习测量中的“数据”更突显多维整体、真实境脉、实时连续的特征，能够量化学习者认知状态、注意力水平、信息加工过程的眼动技术在该领域的应用具有巨大的潜能。
过去十年中，眼动技术在认知心理学、消费市场、人机交互界面、阅读、人类行为认知、工业设计等领域得到了广泛运用[2]。国际上，尤其欧美国家和我国台湾地区，眼动研究已成为一种相对成熟的研究范式，从初期对媒体界面有效性的测量转向对e-Learning环境学习行为以及认知过程的研究，其研究涵盖多媒体学习效果、数字阅读、信息加工过程以及学习分析领域。本文旨在基于眼动视角透析e-learning环境学习测量研究的相关进展，力求勾勒其研究脉络、研究结果和发展趋势，以拓展教育技术的研究手段和应用领域，助推我国教育技术学科引领地位。
二眼动与学习行为及认知过程的关系
众所周知，学习者的信息加工在很大程度上依赖于视觉通道。我们搜寻需要的信息(“追随”)，将注意的目光集中在兴趣点上(“注视”)，从一个兴趣点转移到另一个兴趣点(“眼跳”)，对同一个兴趣点进行来回比较(“回视”)，并随着外界刺激的变换调整视线轨迹。中国自古素有“眼睛是心灵的窗口”之说，“目不转睛”“别具慧眼”“怒目而视”等成语亦揭示了视觉和心理活动的密切相关性。《证治准绳》记载：“目用于心”；《素问：灵兰秘典论》言：“心者，君主之官也，神明出焉。”通过眼睛这扇窗口，能够洞见心理活动的本质以及诸多思维变化的客观规律。
“信息加工论”“直接假说”和“眼脑假说”深刻揭示了视觉在信息提取、加工和意义建构中的重要作用。尤其是“直接假说”和“眼脑假说”直接指向眼动与认知的关系，揭示了眼动在阅读等信息整合过程中的关键作用。
(一)信息加工论
信息加工论描述了信息在记忆系统中的转移过程[3][4]。其中，Atkinson等提出了包含两类记忆的记忆模型[5]，即包括短时记忆和长时记忆。Paivio扩展了一般的信息加工理论[6]，认为信息分别被编码在言语记忆和视觉记忆存储器中，并且可以相互激活，该理论也被称为双重编码理论(Dual Coding Theory)。两类编码通过表征式、联合式以及参照式三种方式运作，若两类编码在时间和空间上一致，则在编码的过程中就会形成言语表征和视觉表征的连接，从而增加学习者提取信息的路径。Mayer等依据知识建构的“选择—组织—整合”模型和双通道、容量有限、主动加工假设原则提出了多媒体学习认知理论[7]。该理论认为学习是将所选择的文字组织成连贯清晰的语言心理表征(或者将图像组织成图像表征)，进而将言语模型、图像模型与先前知识进行整合的过程[8]。
(二)“直接假说”和“眼脑假说”
根据“直接假说”(Immediacy Assumption)，信息加工是及时的过程，发生于学习者看到信息的每一个瞬间。学习者学习时，对所学内容在各水平上的加工是及时进行的，因此有可能对词语意思进行误判。眼睛的移动发生在信息加工(即字符解码、选择意思、指出词语在语境中的指代等)之后。“眼脑假说”(Eye-mind Assumption)认为，只要学习者大脑正在加工指定词语，就会注视这个词。因此注视时间揭示了注意的过程(即产生信息编码的认知过程)，对某个词语的信息加工时间等于对该词的总注视时间。
综上所述，有充分的理论依据证明眼动为行为和认知过程提供了非常重要的线索。这意味着，至少在自发以及任务相关的活动中，学习者的视线与注意力以及认知过程有着紧密的联系。因此，眼动技术可以被广泛应用于认知活动以及阅读的词法访问与句法分析中[9]。尤为难得的是，眼动技术可以量化“真实”的学习过程，即在各类紧凑设计的眼动仪支持下，研究者可以在学习者熟悉的静脉中，通过分析注视次数(Fixation Count)、注视时间(Fixation Duration)、回视(Regression)、眼跳(Saccade)和眼动轨迹图(Fixation Track)等测量指标，在不干预学习者的情境下研究学习者的认知过程。
三基于眼动视角的学习测量研究
眼动技术被较早地应用于多媒体界面效性以及学习效果的测量，聚焦学习者对媒体界面的反应，量化学习者对不同图文组合、色彩编码以及图形组织下的注意力分配和信息选择行为。近年来，随着移动学习的日益深入，研究者开始利用眼动技术进行移动学习终端的信息设计。眼动技术在学习测量的另一个成熟的范例是数字阅读，该类研究围绕“眼动指标与阅读状态、学习者的心理活之间的联系”展开探索。随着认知科学、脑科学、学习科学的日益深入，眼动技术也被应用到分析不同学科领域的信息加工过程，并作为生物数据分析的有效手段，整合到智能教学系统中，通过实时记录认知过程的数据，基于科学量化的方法分析学习发生的原理和机制，解释学习结果产生的原因。
(一)多媒体界面有效性
该类研究旨在通过量化学习者的注意力分布以及视觉反应，建构“标准用户行为”(Standard User Behavior)，从而将页面关键要素放置到特定的区域。Djamasbia等对“Y一代”的网页偏好进行了眼动分析[10]。研究要求所有学习者在线浏览实验材料，对每个页面材料进行打分，完成后填写人口学变量相关信息。研究发现，网页的Logo图案通常会有开始几秒获得眼跳，之后会获得持续的注视，证明第一印象形成的前几秒中，学习者捕获的注意元素会对其网页感知产生重要的影响。导航条常会得到密切的注视，在缺少大图页面时，学习者注视集中在导航链接、列表和较大信息量的文本上。密集的注视点证实了名人效应。
眼动技术已开始被应用到提升仪表盘的信息设计方面。Laqua等采用“焦点隐喻”(Focus Metaphor)方法进行学习分析仪表盘界面设计[11]。焦点隐喻法结合了脑科学、设计思想和教育理论以创造更自然的界面交互方式。研究设计了3个版本的仪表盘原型，利用眼动实验分析主聚焦模块花费的时间、不同模块的视觉驻留时间、从一个模块切换到另一个模块前几帧的注视时间变化，并通过在线评估揭示了参与者对界面原型的感受。研究验证了焦点隐喻法在设计动态和适应性强交互界面上的优势。Kunhee等利用眼动技术量化学习者对学习分析仪表盘的反应[12]，以提升其感知有用性(Perceived Usefulness)。研究者通过问卷和访谈了解学习者的理解，根据反馈对设计原型进行修订。对仪表盘各子模块的总注视时间、注视次数、平均注视时间进行了记录和分析。研究发现，多数学生对在线活动的记录数据感兴趣，学习者对自己和班级平均分对照方面的信息具备较高的关注度。
(二)多媒体学习效果
该类研究利用眼动技术评价学习者对不同学习材料的学习效果，解释怎样将认知资源应用到多媒体信息的理解中。部分研究进一步验证了多媒体学习认知原则，如时空临近原则、一致性原则、多通道原则和冗余原则，探究不同多媒体组合方式和数量可能引起的认知模式变化。Chien等采用眼动技术衡量学生做物理实验的专注度和认知过程，分析了高中生在仿真实验室(利用计算机模拟实验过程与处理数据)和传统实验室(真实实验器材并用计算机处理数据)中学习时的眼动信息[13]。被试分别在实验室中完成波义耳定律实验，并完成物理概念题的前后测，对注视时间和注视百分比(某注视区域内的注视次数/注视总次数)进行分析。研究发现，仿真实验室组的学生呈现出更高比例的长时注视，更倾向于一开始就做实验，同时思考学习单上的问题，这意味着学生对于实验更专注且认知过程更加深入。Mayer团队利用眼动技术研究了学习辅助(如高亮显示和图形组织技术)对认知过程的影响[14]。研究选取了总计注视时间、注视次数、从上到下的注视时间以及从左到右的注视时间4个眼动指标。研究发现，高亮文字仅强化了认知过程的选择行为，图像组织技术强化了认知过程的选择、组织和整合行为，从根本上影响了他们对文本的注视和眼跳过程。
通过眼动数据，可了解学习者关注的色彩组合与关键内容信息，有助于实现有意义的学习。Ozcelik等的研究对评估多媒体学习中如何使用颜色编码提供了实验支持[15]。研究认为色彩编码可帮助学习者发现图文中的相关信息，学习环境应该根据学习者选择的信息、整合语言和文字通道的特点进行设计。该研究拓展了学习者在特定多媒体环境中的学习效果，对多媒体环境设计具有较强指导作用。
(三)数字阅读
研究可分为两类：一是考察不同技能和速度学习者的阅读过程；二是聚焦在与阅读文本直接相关的认知过程、影响文本变量的因素以及话语因素方面。Leinenger等调查了不同阅读水平听障学习者中央凹视觉区的字形和音韵编码[16]。研究采用边界范式(Boundary Paradigm)，对发生在眼跳过程中何种信息得到加工进行研究。研究发现慢速阅读者有更短的眼跳、更长的平均注视时间以及更多的回视。这进一步佐证了Jared等的观点，即娴熟阅读者通常显示出更短的注视时间和聚焦到搜寻单词的时间[17]。此外，MVD Schoot等基于小学生的研究也表明，相对于娴熟阅读者，慢速阅读者存在更长的注视时间，但重要信息上，娴熟阅读者的注意时间更长[18]。
过去的十年中，阅读中的眼动行为得到了系统的研究，提出了诸多眼动阅读模型，包括：IA模型[19]，SWIFT模型[20]和E-Z reader模型[21]等。各模型整合了视觉处理、字符确认、注意力转移和眼球控制等过程，以揭示眼动和注意力、单词辨认、阅读之间的直接的联系。根据以上模型的观点，词语辨析是阅读中眼部运动的核心驱动力，包括驱动眼球运动的熟悉检查以及词汇接通过程。此外，理解单词在上下文中的意思以及整合学习者在长时记忆中的相关知识会影响学习者的回视[22]。
(四)信息加工过程
该类研究主要对学科认知机制、概念图学习与学习建模过程展开探索。Hegarty等利用眼动技术分析了数学学习中理解过程的相关策略[23]。研究发现，学习者对解决问题的关键因素(数字及变量名)拥有更长的注视时间，高精度(High-accuracy)学生更多地倾向使用问题建模策略(Problem-model Strategy)，而低精度(Low-accuracy)的学生更多地使用直接转变策略(Direct-translation Strategy)。Berrin等研究了专家和新手在概念图学习过程中的认知过程[24]。结果表明，对于专家学习者，虽然可能未有预设想遵循某种策略，但实际操作过程会运用各种演绎策略。新手在整个学习过程以及特殊点的注视时间上高于专家。再次佐证了注视次数的增加意味着认知过程的线索提取不够或对某一区域感兴趣这一观点。
Yu-chu Yeh等聚焦在多媒体环境下注意力以及工作记忆容量如何影响顿悟问题解决(Insight Problem Solving)[25]。研究发现，学习者工作记忆越高，具备更多的注视时间和次数。此外，反应正确的学习者会在目标区域拥有更多的注意时间及注视次数。研究构建了工作记忆能力对顿悟问题解决的影响过程模型，如图1所示。由该模型可知，当与洞察力问题相关的刺激吸引眼球时，会引起工作记忆互动，从而进一步影响工作记忆的表现能力。具有更好工作记忆容量的学习者会采用自上而下的搜索流程并关注关键信息，从而更有效地解决顿悟问题。相反，那些具有较差工作记忆容量的学习者很难积极地选择相关信息，多采用更耗时间的自下而上搜索进程，导致低效率的顿悟问题解决能力。
(五)学习分析
该类研究主要聚焦于搜集学生学习过程产生的眼动数据，建立分析模型以改善学习过程及环境。Pivec等致力于应用眼动技术提升对认知过程的理解，提出了基于眼动的学习分析和自适应的“AdeLE”理论框架[26]。该框架阐明了基于眼动系统实时动态捕捉用户的行为，据此分析学习者的个性特征，为其提供实时的教学策略、教学内容等。眼动指标(眨眼、眼跳、注视、瞳孔直径)可用于辨别学生的学习行为，包括浏览文本、简单的阅读文本、学习的文本内容、在文本中寻找信息等，进而从学习者的注视行为中抽取学习风格和认知风格，该框架能够整合到学习管理和知识管理系统，为学习者提供个性化的自适应解决方案。
Chen等探索了眼动指标与不同多媒体呈现形式(文本、图像)的考试成绩之间的关系[27]，眼动指标包括平均注视时间(MFD)、平均眼跳距离(MSD)和重复阅读的时间比例(RRTp)。研究发现眼动指标可预测考试成绩，在图像呈现形式下，三者均有显著的预测作用，MFD预测力最大、RRTp次之，MSD具有显著负向预测作用。在文本呈现形式下，MFD具有最显著的预测作用、RRTp次之，MSD没有显著预测作用。研究进一步探究发现眼动注视顺序、注视时间、重复注视点的频次对学生的答题准确性有显著的影响。图2给出了图形呈现形式的考试中，回答正确(A图)和错误的学生(B图)第5次注视热点图。由图2可见，回答正确的学习者落在上方滑轮上的停留时间显著高于回答错误的学习者，而在重物上的停留时间显著低于回答错误的学习者。研究还发现眼跳时间负向预测知识成功检索的可能性。因此在设计图文表征内容时，重要的概念与内容应被突出描述并紧凑排列，以产生较短的视觉移动从而增加信息提取的精确性。该研究对未来实时人机接口的预警设计具有借鉴价值，对设计有效图文表征提供了方向指引。
四研究分析与趋势
眼动技术可以深入评估多媒体学习效果和阅读过程，量化注意力、认知过程和学习结果之间的关系。丰富的眼动指标使得描述学习行为更具有时空的立体性。为了更真实地还原学习者的认知和学习行为，一般将眼动研究与访谈、问卷等分析结果相互结合。根据研究流程，眼动在学习测量的应用可以分为前测阶段、记录(干预阶段)和后测阶段三部分。前测阶段主要了解被试人口学特征与已有知识掌握情况。国际通常的做法是根据知识体系，通过5点打分的形式获取相关信息；记录阶段，呈现刺激材料，眼动系统记录学习者眼动过程。考虑学习者在“自然条件下”做出反应和判断以及研究场景相对稳定两方面的要求，通常会采用包含一定数量学生和教师的实验室来模拟真实课堂，提供PC与移动学习终端、“应用型”与“高精度型”眼动设备以体现优势互补；后测阶段则会进行信息留存度、知识迁移水平、技术接受度、认知负荷、学习动机等测试，通过选择题、半结构化问卷以及开放性问题展开。
学习测量的关键在于测量指标的获取和筛选。先前阐述的研究均考虑了较基本的眼动指标，例如注视次数、注视时间、兴趣区的过度时间等。通常来讲，眼动注视位置反映了注意力分布情况，注意时间反映了信息处理的难度以及注意的次数。两者共同揭示了个体阅读策略以及原有的知识和经历。越多的视觉注视(注视次数、总计注视时长以及平均注视时间)表明学习者对概念的理解程度越高，小范围内注视次数还反映了注意力以及有效信息的搜集能力[28]。对眼跳路径的归类分析可以揭示不同学习者信息加工模式的类型，眼跳次数和长度可反映信息整合或信息搜索能力。此外，根据研究文献[29-32]，对于学习个体，同一学习者在不同难度、题型的问题解决过程存在不同的眼动模式；对于学习群体，不同学习成绩群体在表征“关键信息”(数字、符号或语句)和注意力分配上存在差异。
从研究趋势上看，迄今还鲜有系统讨论e-Learning环境(尤其是移动学习环境和智慧学习环境)不同学习特质、文化、情绪、认知水平、归纳推理能力学习个体的眼动模式差异。有限的研究围绕眼动指标与注意力、信息加工能力、学习表现之间展开分析，限于样本数量、学科内容的限制，以及缺乏聚类分析、回归预测、中介变量等定量统计方法，其结果的信效度还有待进一步检验。个别研究尝试将眼动技术与自适应教学系统整合，用于记录学生在学习和考试过程中的眼动指标，并通过学习分析技术挖掘学习者的个性特征(学习策略、学习风格、学习偏好等)。对于这类前瞻性的研究，如何能突破理论层面的讨论，在实践中落地需要后续的尝试与验证。此外，未来的研究应加强对眼动“过渡指标”(Eye Movement Transitions)和“细粒度”(Finer-grained Indices)指标的运用，以从更加微观的层面阐释问题、对比数据、发现新规律。其中，眼动“过渡指标”通常被用来反应不同兴趣区域之间的信息整合程度，或利用图文之间眼跳路径、注视时间与次数的比较等揭示学习者整合文字和图片内容的认知过程；眼动“细粒度指标”包括第n次注视时间、从左(上)到右(下)的注视时间以及重新阅读某个片段上的回视时间等。
未来研究的另一个重点是探索e-Learning环境表征关键信息的眼动指标，尤其是何种眼动指标可以正(负)向预测学习者的学习能力、应答正确性，以及如何构建眼动指标与学习结果之间的预测模型。此类研究不仅对设计有效的e-learning评估系统具有借鉴价值，而且对有效学习环境创设具有指导意义，应重点关注。可根据研究需要将眼动指标分类为注视指标(某个区域的时间与次数、总时间与总次数等)和轨迹指标(眼跳、回视等)两类，其中注视指标为定长数据，轨迹指标是由位置和时间组成的变长序列数据。利用机器学习算法对眼动数据进行学习与建模，可以预测不同眼动特征学习者的学习行为。例如，随机森林和支持向量机可分析定长记录数据，隐马尔科夫模型擅长分析以“位置”形式表征的变长序列数据。此外，国内的相关研究应尽快突破传统“媒体界面”的禁锢，在移动终端与信息可视化方面寻找新的增长点。例如，学习分析仪表盘的数据可视化设计以及移动学习终端的有效信息设计等。
五结束语
相对于LMS系统中行为数据抽取与鼠标移动记录方法，眼动数据能够精确量化学习者的认知过程与注意力分配情况，眼动数据与LMS系统的结合有助于获取具备“大数量、全样本、实时性、微观指向”特性的教育大数据，可以深化对学习行为与认知规律的理解，并有可能形成基于生物数据驱动学习与评价的研究新领域。后续，研究团队将围绕不同学习阶段及个体差异（特质、学习风格、已有知识水平等）的眼动模式展开研究，尝试建立混合眼动数据的学习者个性化学习与预测模型，以推动“数据驱动教学”的深入应用，提升e-Learning环境设计的有效性。
参考文献：
[1]Johnson,L.,Adams Becker,S.,et al.NMC Horizon Report:2016 Higher Education Edition[R].Austin,Texas:The New Media Consortium,2016.
[2]Ana I.Molina,Miguel A.Redondo,Carmen Lacave,Manuel Ortega.Assessing the effectiveness of new devices for accessing learning materials:An empirical analysis based on eye tracking and learner subjective perception[J].Computers in Human Behavior,2014,(31):475-490.
[3]Berry,D.C.,Broadbent,D.E..On the relationship between task performance and associated verbalizable knowledge[J].The Quarterly Journal of Experimental Psychology,1984,(36A),209-231.
[4]Daniel G.Bobrow,Donald A.Norman.On Data-limited and Resource-limited Processes[J].Congnitive Psychology,1975,(7):44-64.
[5]Atkinson,R.C.,Shiffrin,R.M..Human memory:A proposed system and its control processes[A].K.W.,Spence,J.T..The psychology of learning and motivation[C].New York:Academic Press,1968.89-195.
[6]Paivio,A..Dual coding theory:retrospect and current status[J].Canadian Journal of Psychology,1991,(3):255-287.
[7]Richard E.Mayer.The Cambridge handbook of multimedia learning[M].Cambridge:Cambridge University Press,2005.
[8]贾义敏.多媒体学习的科学探索——Richard E.Mayer学术思想研究[J].现代教育技术,2009,(11):5-9.
[9]Rayner,Keith.Eye movements and attention in reading,scene perception,and visual search[J].The Quarterly Journal of Experimental Psychology,2009,(62):1457-1506.
[10]Soussan Djamasbi,Marisa Siegel,Tom Tullis.Generation Y,web design,and eye tracking[J].International Journal of Human-Computer Studies,2014,(5):307-323.
[11]S Laqua,P Brna.The Focus-Metaphor Approach:A Novel Concept for the Design of Adaptive and User-Centric Interfaces[J].Lecture Notes in Computer Science,2005,(3585):295-308.
[12]Kunhee Ha,Hyun Jo,Sohye Lim.Tracking Students’Eye-Movements on Visual Dashboard Presenting Their Online Learning Behavior Patterns[A].G.Chen et al.Emerging Issues in Smart Learning,Lecture Notes in Educational Technology[C].Berlin Heidelberg:Springer Verlag,2015.371-376.
[13]Chien K P,Tsai C Y,Chen H L,et al.Learning differences and eye fixation patterns in virtual and physical science laboratories[J].Computers&Education,2015,(3):191-201.
[14]Hector R.Ponce,Richard E.Mayer.Qualitatively different cognitive processing during online reading primed by different study activities[J].Computers in Human Behavior,2014,(1):121-130
[15]Erol Ozcelik,Turkan Karakus,Engin Kursun,Kursat Cagiltay.An eye-tracking study of how color coding affects multimedia learning[J].Computers&Education,2009,(2):445-453.
[16]Mallorie Leinenger,Keith Rayner.Eye Movements while Reading Biased Homographs:Effects of Prior Encounter and Biasing Context on Reducing the Subordinate Bias Effect[J].Journal of cognitive psychology.2013,(6):665–681.
[17]Jared,D.,Levy,B.A.,Rayner,K..The role of phonology in the activation
of word meanings during reading:evidence from proofreading and eye movements[J].Journal of Experimental Psychology:Learning,Memory,and Cognition,1999,(3):219-264.
[18]MVD Schoot,Alain L.Vasbinder,Tako M.Horsley.The role of two reading strategies in text comprehension:An eye fixation study in primary school children[J].Journal of Research in Reading,2008,(2):203-223.
[19]McClelland,J.L.,Rumelhart,D.E..An Interactive Activation Model of Context Effects in Letter Perception:Part 1.An Account of Basic Findings[J].Psychological Review,1981,(9),375-407.
[20]Engbert,R.,Longtin,A.,Kliegl,R..A dynamical model of saccade generation in reading based on spatially distributed lexical processing[J].Vision Research,2002,(5):621-636.
[21]Reichle,E.D.,Warren,T.,McConnell,K..Using E-Z reader to model effects of higher-level language processing on eye movements during reading[J].Psychonomic Bulletin&Review,2009,(1):1-21.
[22]Reichle ED,Pollatsek A,Rayner K.Using E-Z Reader to simulate eye
movements in non-reading tasks:A unified framework for understanding the eye-mind link[J].Psychological Review,2012,(1):155-185.
[23][30]M Hegarty,RE Mayer,CA Monk.Comprehension of Arithmetic Word Problems:A Comparison of Successful and Unsuccessful Problem Solvers.Journal of Educational Psychology,1995,(1):18-32.
[24][31]Berrin Dogusoy-Taylan,Kursat Cagiltay.Cognitive analysis of experts’and novices’concept mapping processes:An eye tracking study[J].Computers in Human Behavior,2014,(7):82-93.
[25][32]Yu-chu Yeh,Jie-Li Tsai,Wei-Chin Hsu,Chun Fu Lin.A model of how working memory capacity influences insight problem solving in situations with multiple visual representations:An eye tracking analysis[J].Thinking Skills and Creativity,2014,(9):153-167.
[26]Pivec M,Trummer C,Pripfl J.Eye-Tracking Adaptable e-Learning and Content Authoring Support[J].Informatica,2006,(1):1-6.
[27]Chen S C,She H C,Chuang M H,et al.Eye movements predict students’computer-based assessment performance of physics concepts in different presentation modalities[J].Computers&Education,2014,(5):61-72.
[28]Cowen,L.,Ball,L.J.,Delin,J..An Eye Movement Analysis of Webpage Usability[A].Xristine Faulkner,Janet Finlay,Francoise Detienne.People and Computers XVI-memorable yet invisible[C].London:Springer Verlag Ltd.,2002.317-335.
[29]Fang-Ying Yang,Chun-Yen Chang,Wan-Ru Chien.Tracking learners’visual attention during a multimedia presentation in a real classroom[J].Computers&Education,2013,(3):208-220.
作者简介：
联系客服
