Adaptive Repetition: A Control Strategy for Active Exploration and Long-Term Memory Retention
本文提出并验证了一种用于3D虚拟学习环境的自适应重复模型，该模型根据学习者表现动态减少认知辅助，以促进主动探索，并与传统方法相比显著提高长期记忆留存率。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
学习一项新技能往往感觉就像是在一个手电筒永不熄灭的迷宫中穿行。在教育领域，特别是在沉浸式数字环境中，这种手电筒被称为“认知辅助”（cognitive aid）。这些是提供帮助的提示——视觉箭头、口头指令或书面步骤——它们引导学习者完成一项复杂的任务。多年来，教育工作者一直依赖这些辅助工具来减轻理解新概念所需的脑力负担，让学生能够专注于任务本身，而不是迷失在细节之中。然而，一个持久的问题一直萦绕在研究人员的心头：如果学生始终受到引导，他们是否真的学会了如何寻找自己的路？人们担心，持续的协助可能会产生依赖性，即学习者表现出色仅仅是因为系统在牵着他们的手，但一旦支持被移除，他们就会陷入困境。这一困境处于虚拟现实技术与人类记忆的交汇点，探讨我们如何利用数字工具来构建那些在屏幕关闭后依然持久存在的技能。
来自马拉坎德大学（University of Malakand）和萨尔福德大学（University of Salford）的一个研究小组致力于通过测试一种称为“自适应重复”（adaptive repetition）的新方法来解决这个问题。他们在三维虚拟化学实验室中进行实验，这是一个学生可以操作虚拟设备（如烧杯和天平）来执行实验的数字空间。研究人员并没有为每一次尝试提供相同程度的帮助，而是设计了一个根据学生表现改变引导水平的系统。该研究涉及八十名十年级学生，他们被分为两组。一组使用传统方法，即对于他们完成的每一次试验，都会收到一套完全相同的视觉、音频和文本指令。另一组则使用自适应系统，该系统就像一位响应迅速的导师。
该自适应系统通过观察学生在每次尝试后的表现来运作。它测量任务耗时、错误次数以及学生在快速理解度检查中的表现。基于这些数据，系统会自动调整下一轮的支持力度。如果学生遇到困难，系统会保持所有辅助工具开启，以防止挫败感。如果学生表现良好，系统则开始移除额外的帮助，仅留下一个视觉箭头或简单的提示。最终，对于最精通的学生，系统会移除几乎所有的外部线索，迫使他们依靠自己的记忆来完成步骤。其目标是创造一种“必要的难度”（desirable difficulty），即让学习者处于一种恰到好处的挑战状态，既能强化记忆连接，又不会感到不堪重负。
实验结果清晰且可衡量。当学生从虚拟环境转移到真实的物理化学实验室执行同样的实验时，使用自适应系统的组别表现明显更好。他们犯错更少，平均错误数为五个，而接受持续、不变帮助的一组平均错误数为八个。他们完成物理任务的速度也更快，平均用时八分钟，而传统组则用了十三分钟。这些差异不仅仅是微小的进步；它们在统计学上是显著的，表明自适应方法确实改变了学生学习和保留程序的方式。
或许最重要的发现涉及长期记忆。研究人员测试了学生在没有任何提示下回忆实验步骤的能力，这种方法被称为“线索回忆”（cued recall）。经历过自适应系统逐渐减少支持的学生，比那些依赖持续指令的学生能更好地记住程序步骤和安全指南。他们在记忆测试中的得分大幅提高，这表明逐步移除辅助工具的过程迫使他们的大脑主动检索信息，从而将其巩固进长期记忆中。相比之下，那些始终拥有全套指令的学生似乎依赖于提示而非内化步骤，导致在辅助工具消失后留存能力较弱。
学生反馈也支持了这些数据。绝大多数自适应组的学生表示，帮助的逐渐移除并未阻碍他们的表现，反而鼓励他们进行更深入的思考并自主探索环境。他们对将虚拟世界所学知识迁移到现实世界的能力感到更加自信。这项研究表明，虽然认知辅助对于入门至关重要，但如果从不关闭，其价值就会递减。通过动态调整支持水平，教育工作者可以帮助学习者从被动跟随转向主动掌握，确保在数字模拟中习得的技能足够强大，能够经受住物理世界的考验。研究表明，持久学习的关键不仅在于提供帮助，更在于准确知道何时撤走帮助。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。