ARTICLE DETAIL

资讯详情

深耕郑州网站建设与运营推广的一线实战洞察。

一种基于 ARCS 框架的机器人辅助多模态小学健康教育模式

一种基于 ARCS 框架的机器人辅助多模态小学健康教育模式 原文引用Chang, CC., Su, YN., Hwang, GJ. et al. A robot-assisted multimodal health education model for primary school students based on the ARCS framework. Education Tech Research Dev (2026).下载链接https://doi.org/10.1007/s11423-026-10667-2一种基于 ARCS 框架的机器人辅助多模态小学健康教育模式一.概念解析1.ARCS 动机设计模型ARCS 是约翰・凯勒John M. Keller提出的学习动机设计框架多用于教学设计、课件开发、培训课程设计核心目标激发并维持学习者的学习动机。ARCS 是四个英文单词首字母缩写A-Attention 即注意吸引注意力先抓住学习者的兴趣与好奇心引发求知欲。例如开课抛出真实难题用短视频引入主题。R-Relevance 即关联建立相关性让学习者明白学这个对我有什么用和我的需求、目标相关。例如“学会这个工具你下周工作就能直接用上”。C-Confidence 信心即建立成功预期让学习者相信自己有能力学好降低畏难情绪。例如拆解复杂任务设置阶梯练习告诉学员做到什么就算达标。S-Satisfaction 满足即获得成就感学习之后获得内外奖励维持长期动机。例如及时正向反馈提供机会应用所学展示学员成果。图1 ARCS模型R-ARCS 多模式学习环境的具体描述如下注意通过使用对话训练室和编程实验室教师能够编辑机器人的多种交互元素包括语音、图像和手势。通过这些功能机器人可以与孩子们互动并通过游戏如石头剪刀布来吸引他们的注意力如图 2。图2关联通过使用内容编辑器和对话训练室教师将关于哮喘药物的健康教育内容融入了实际生活中的例子之中从而设计了与孩子们之间的互动对话。这样一来内容就更加贴近小学生们的日常生活了。例如机器人可以讲解正确的哮喘药物使用方法并说明接触尘螨、二手烟以及宠物毛发是如何引发哮喘发作的从而增强内容与小学生们实际生活经验的联系如图 3。图3信心教师们在机器人中设计了各种测验题目例如“患有哮喘的人可以锻炼吗”以及“在没有症状的情况下跳过用药是否可行”当孩子们回答正确时机器人会通过灯光、欢呼声和舞蹈动作来给予即时反馈从而帮助孩子们建立自信心见图 4。图4满意度在完成相关学习活动后教师对小学学生的表现进行了评估。例如学生们需要展示如何使用吸入器。那些正确完成任务的学生获得了文具奖励这进一步提升了他们的满意度见图 5。图52.皮亚杰认知发展理论基本观点皮亚杰认为儿童认知发展的实质是个体通过同化和顺应达到机体与环境的平衡不断建构内部心理图式。图式个体对世界的知觉、理解和思考的心理结构。同化将新刺激纳入已有图式不改变原有图式。顺应改变原有图式适应新刺激。平衡同化与顺应之间的均衡状态是认知发展的动力。认知发展四阶段感知运动阶段0‑2 岁依靠感知和动作认识世界获得客体永久性9‑12 个月。前运算阶段2‑7 岁使用表象、语言符号特点自我中心三山实验、泛灵论、思维不可逆、不守恒、集中化。具体运算阶段7‑11 岁具备逻辑思维但需要具体事物支持获得守恒、可逆性、去自我中心。形式运算阶段11 岁以后可进行抽象逻辑思维、假设‑演绎推理能处理命题、假设问题。3.多模态学习理论多模态学习理论指的是通过多种感官渠道如视觉、听觉、触觉以及生理信号同时接收信息并利用融合算法将这些信息整合起来从而制定更符合现实世界情境的决策或行动策略。该理论认为来自不同感官的输入可以通过多种途径共同促进知识的构建使学习者能够选择最适合自己的策略这些策略符合他们的偏好和学习风格。多模态学习强调将图像、文本、声音和动作等多种元素融入教学设计中以提高学习者的参与度和积极性。模态不同信息通道如文字、图片、声音、动画、手势、视频等不同感官输入。多模态学习学习者同时通过多种感官通道接收信息整合不同模态的信息建构知识。基础假设梅耶双通道假设人有视觉通道、听觉通道两个独立信息加工通道两个通道同时工作。视觉处理图像动画听觉处理语音。有限容量假设每个通道加工容量有限不能同时处理过多信息。主动加工假设学习者主动选择、组织、整合信息构建心理模型不是被动接收。梅耶多模态教学原则多媒体原则文字 图像组合学习效果优于纯文字。空间邻近原则相关文字和图片在空间上放得靠近。时间邻近原则对应的解说语音和画面同步呈现。一致性原则去掉无关文字、图片、背景音乐减少干扰。通道原则图片配语音讲解比图片配屏幕文字效果好。冗余原则不要同时出现动画 语音 大段屏幕文字避免信息冗余过载。分段原则复杂内容拆分小段给学习者加工时间。预训练原则提前学习关键概念降低认知负荷。二、摘要1.研究目的本研究发现当下针对哮喘小学生的健康教育资料大多面向成人编写内容抽象难懂不仅难以调动孩子的学习积极性还容易加重他们对自身病症的焦虑情绪此外依托教育机器人开展多模态健康教育的相关实证研究也较为稀缺。基于皮亚杰认知发展理论、多模态学习理论与ARCS学习动机框架本文搭建了机器人辅助哮喘健康教育R-ARCS教学模型并配套开发完整课程采用对照实验对比该模型与传统C-ARCS课堂教学的实施效果重点考察这两种教学方式对学生哮喘知识掌握程度、学习动机及疾病焦虑情绪的影响。2.研究对象中国台湾北部某医疗中心6–12 岁确诊哮喘小学生共 60 名无认知、行为障碍无机器人恐惧随机均分两组每组 30 人。实验组R-ARCS平均年龄 10.70 岁采用机器人多模态 ARCS 教学对照组C-ARCS平均年龄 9.82 岁采用传统 PPT 纸笔课堂 ARCS 教学。两组都由同一位教师进行哮喘健康教育指导。3.实验结论实验结果显示采用R-ARCS模型的实验组学生哮喘知识成绩、学习动机显著高于使用传统课堂C-ARCS教学的对照组哮喘焦虑水平显著更低质性访谈表明机器人多模态互动能够有效提升学生学习兴趣、具象化知识以加深理解、温和正向反馈缓解疾病焦虑两种教学模式均能提升学习效果并提供实操训练但机器人辅助教学优势更突出同时该模型短期教学效果良好不过存在新颖效应干扰、仅能反映短期记忆等局限后续仍需扩大样本、增设亲子协同学习模块、延长追踪周期进一步验证长效作用。三、研究问题本研究提出了一种基于机器人的 ARCSR-ARCS学习模型。为了评估其有效性专门为小学生设计了一门关于哮喘的健康教育课程并探讨了以下研究问题1.与传统的 ARCSC-ARCS学习模型相比R-ARCS 学习模型能否提升小学学生在哮喘健康教育方面的学习成绩2.与 C-ARCS 学习模型相比R-ARCS 学习模型能否提升小学学生在哮喘健康教育中的学习动机3.与 C-ARCS 学习模型相比R-ARCS 学习模型能否降低小学学生的哮喘焦虑症状4.小学生对于这种学习模式有什么看法呢四、研究设计1.实验工具教学工具台湾Kebbi Air S 教学机器人搭载对话训练室、可视化编程、内容编辑系统可呈现语音、灯光、动作、动画等多模态交互内容用于开展 R-ARCS 干预教学对照组采用 PPT、纸质习题、常规短视频开展传统 C-ARCS 课堂教学。图6 系统结构量化测评工具1哮喘学习成就测试卷这项关于哮喘知识掌握情况的测试旨在评估参与者对哮喘的认知理解程度测试内容基于课程的教学大纲。前后两次测试均由两位拥有 10 年以上专业经验的临床护理教育专家共同设计。测试共包含 20 道判断题满分为 100 分。例如一个测试题是“哮喘是一种由感染引起的呼吸系统疾病。”另一个测试题是“吸入型皮质类固醇主要用于治疗急性哮喘发作。”2学习动机量表共包含 14 个条目采用 5 级 Likert 量表进行评分。其中 7 个条目的表述较为积极而其余 7 个条目的表述则较为消极。例如“我喜欢学习有关健康促进和健康教育的知识”以及“我愿意在未来更多地参与健康促进和健康教育的活动”。较高的平均得分表明参与者对机器人辅助的多模式学习课程具有更强的学习动机。3哮喘焦虑问卷改编自VAS-I用于测量自我报告的焦虑水平。该问卷包含一个 10 厘米的水平线线两端分别代表焦虑的极端状态。孩子们需要在这条线上标记一个点该点应对应他们感知到的焦虑程度。0 分表示没有焦虑而 10 分则代表极度焦虑。从零点到孩子标记点的距离以厘米为单位进行测量每厘米对应一个分数。分数越高表示焦虑程度越严重。质性研究工具半结构化访谈提纲设置 3 道核心问题访谈学生并录音转录依托扎根理论完成编码分析收集学生对两种教学模式的主观体验与评价。哮喘健康教育课程旨在为小学生提供一套结构化的哮喘自我管理计划。该课程分为三个模块了解哮喘、了解哮喘药物以及预防与生活方式管理。2.实验对象中国台湾北部某医疗中心6–12 岁确诊哮喘小学生共 60 名无认知、行为障碍无机器人恐惧随机均分两组每组 30 人。实验组R-ARCS平均年龄 10.70 岁采用机器人多模态 ARCS 教学对照组C-ARCS平均年龄 9.82 岁采用传统 PPT 纸笔课堂 ARCS 教学。两组都由同一位教师进行哮喘健康教育指导。3.实验过程在这项研究中学生们首先被介绍了这个学习系统。之后他们进行了哮喘相关知识的学习能力测试以及关于学习动机和哮喘相关焦虑的问卷调查。所有参与者随后都参加了哮喘健康教育课程。之后这些孩子被随机分配到实验组30 人和对照组30 人中。在 30 分钟的学习活动中实验组采用了 R-ARCS 学习模型进行教学。另一方面对照组则采用 C-ARCS 学习模型进行学习即教师通过传统的课堂教学方式传授相同的哮喘健康教育内容。为了强调学习的动机性要素教师首先播放了一些短视频并提出一些引导性问题来吸引学生的注意力注意力。通过PPT展示与哮喘管理相关的实际案例以提高学习内容的相关性相关性。课堂小测验和工作表练习则用于提供实践机会和反馈从而增强学生的自信心自信心。最后教师通过口头鼓励来提升学生在完成学习任务后的满意度满意度。在干预之后两组参与者都完成了哮喘相关知识的学习测试同时还接受了关于学习动机和哮喘焦虑情况的问卷调查。此外还分别对每组中的 10 名参与者进行了焦点小组访谈以了解他们对学习模式的看法和感受。每次访谈大约持续 10-15 分钟。实验流程如图 7 所示。图7 实验流程五、实验结果1.学习成就分析根据正态性检验的结果我们可以看出实验组和对照组的P值均大于0.05所以我们认为两组数据是满足正态分布的。根据独立样本T检验结果中莱文方差等同性检验实验组和对照组前测的P值均大于0.05所以我们认为学习成就前测的数据是满足方差齐性条件的。根据独立样本T检验结果两组P值也大于0.05所以我们认为实验组与对照组之间的学习成就前测是没有显著差异的说明两组的先验知识没有显著差异。以学习成就前测为协变量进行协方差分析Levene 检验结果显示方差齐性F1.049p0.3100.05。结果表明学习成就前测对学习成就后测存在显著预测作用控制前测水平后不同组别学习成就后测存在显著差异。表1 学习成就后测协方差分析结果组别NMSDF实验组R-ARCS3093.235.565.83对照组C-ARCS3088.336.75表1展示了测试后分数的 ANCOVA 分析结果。实验组的调整后平均得分分别为 93.23标准差为 5.56而对照组的相应数值分别为 88.33 和 6.75。两组在测试表现上存在显著差异p 0.007p 0.05。结果表明与 C-ARCS 学习模型相比R-ARCS 学习模型在提升小学生的哮喘相关知识掌握能力方面更为有效。2.学习动机分析​​根据正态性检验的结果我们可以看出实验组和对照组的P值均大于0.05所以我们认为两组数据是满足正态分布的。根据独立样本T检验结果中莱文方差等同性检验实验组和对照组前测的P值均大于0.05所以我们认为学习动机前测的数据是满足方差齐性条件的。根据独立样本T检验结果两组P值也大于0.05所以我们认为实验组与对照组之间的学习动机前测是没有显著差异的说明两组的先验知识没有显著差异。以学习动机前测为协变量进行协方差分析Levene 检验结果显示方差齐性F0.830p0.3660.05。结果表明学习动机前测对学习动机后测存在显著预测作用控制前测水平后不同组别学习动机后测存在显著差异。表2 学习动机后测协方差分析结果组别NMSDF实验组R-ARCS304.100.659.79对照组C-ARCS303.630.60表2展示了问卷调查后得分的 ANCOVA 分析结果。实验组的调整后平均得分为 4.10标准差为 0.65而对照组的相应数值分别为 3.63 和 0.60两组之间的问卷调查后得分存在显著差异。结果表明与 C-ARCS 学习模型相比R-ARCS 学习模型在提升小学生的学习动机方面更为有效。3.哮喘焦虑分析​​根据正态性检验的结果我们可以看出实验组和对照组的P值均大于0.05所以我们认为两组数据是满足正态分布的。根据独立样本T检验结果中莱文方差等同性检验实验组和对照组前测的P值均大于0.05所以我们认为哮喘焦虑前测的数据是满足方差齐性条件的。根据独立样本T检验结果两组P值也大于0.05所以我们认为实验组与对照组之间的哮喘焦虑前测是没有显著差异的说明两组的先验知识没有显著差异。以哮喘焦虑前测为协变量进行协方差分析Levene 检验结果显示方差齐性F0.447p0.5060.05。结果表明哮喘焦虑前测对哮喘焦虑后测存在显著预测作用控制前测水平后不同组别哮喘焦虑后测存在显著差异。表3 哮喘焦虑后测协方差分析结果组别NMSDF实验组R-ARCS301.401.0112.47对照组C-ARCS301.791.00表3展示了问卷调查后得分的 ANCOVA 分析结果。实验组的调整后平均得分和标准差分别为 1.40 和 1.01而对照组的相应数值分别为 1.79和 1.00两组在问卷调查后的得分上存在显著差异。结果表明与 C-ARCS 学习模型相比R-ARCS 学习模型在减轻小学生哮喘焦虑方面更为有效。4.访谈结果实验结束后研究人员从每组中随机选取了 10 名儿童进行访谈。访谈流程包括三个问题1这种学习方法与您之前的经验相比有什么不同2总体而言这种学习模式的优缺点是什么请说明你的理由。3您是否希望将来再次使用这种学习方法呢关于 R-ARCS 学习模型的优点访谈结果显示孩子们普遍认为该模型有三个主要优势提高学习动力、促进理解能力提升以及降低焦虑感参见图 8。图8 R-ARCS 学习模型的优势关于“提高学习动机”这个问题大多数孩子都将当前的的学习模式与以往的学习经历进行了比较结果表明R-ARCS 学习模式能够激发他们的兴趣并提升学习热情。例如E-06 说“机器人真的很有趣它会和我对话、互动当我回答错误时还会亮起灯光。这比教科书有趣多了因此我的学习动机得到了提升。”此外还有一些孩子表示这种学习模式让他们对学习的看法和动力都得到了改善。E-09 说“使用机器人学习非常有趣几分钟后我也没有失去兴趣。”这些发现表明R-ARCS 学习模式确实提升了小学生的学习动机并让他们对哮喘健康教育持有积极的态度。这一发现与 ARCS 模型中的“注意力”和“满意度”成分相对应说明一种新颖且互动性的设计能够帮助学生集中注意力并持续激发他们的学习兴趣。在“促进理解”方面R-ARCS 的使用提升了学习过程中的互动性从而增加了小学生的兴趣和理解能力。例如E-02 说“在学习哮喘机制时机器人结合了语音、面部表情以及音效使得学习过程更加生动有趣让我能更快地理解为什么会出现哮喘发作。”孩子们还表示所提供的学习资料帮助他们更好地理解了相关知识。正如 E-04 所说“机器人提供了许多学习资料比如关于哮喘的信息以及如何管理哮喘的方法这对我的学习非常有帮助。”这些反馈表明互动式学习工具和策略能够鼓励孩子们积极参与思考并在整个学习过程中不断验证自己的理解程度。这一现象也符合 ARCS 模型中的“相关性”和“信心”两个要素。因为当教学内容能够与学生们的实际经验联系起来并且能够帮助他们更好地理解时学生们就更容易产生学习上的信心。至于“减少焦虑”通过使用 R-ARCS 模型许多孩子能够通过互动来感到放松。E-01 说“即使我的回答错了机器人也会给我展示一些可爱的图片让我了解正确的应对方式这让学习过程变得轻松也消除了我的压力。”学习材料还包含了与日常生活相关的互动内容这有助于孩子们逐渐放松下来并在学习过程中降低与疾病相关的焦虑感。例如E-03 说“通过这门课程我对哮喘有了更清晰的理解也学会了如何管理它。现在面对自己的病情时我感到更加安心了。”这一结果进一步证明了 ARCS 模型中“信心与满意”组件的积极作用表明当学生在支持性的学习环境中获得积极反馈时他们的焦虑可以有效降低。在这两种学习模式中受访者认为有两个共同的好处一是提升了学习效果二是提供了实践操作的机会参见图 9。图9 两种学习模式共有的学习优势关于“提高学习效果”的问题两种学习模式都被认为能够帮助孩子们提升学习效果。采用 R-ARCS 学习模式的实验组强调该模式在增强记忆力方面的有效性。例如E-01 说道“机器人的教学方式有助于改善我的记忆力而且更加互动。”相比之下采用 C-ARCS 学习模式的对照组则认为该模式在提高学习效率方面具有效果。例如C-03 评论说“与使用健康教育手册相比这种模式让学习变得更加高效。”这些反馈表明这两种学习模式都能帮助孩子们提高整体的学习效果。从 ARCS 模型的角度来看这一发现与“信心”这一要素是一致的。成功完成学习任务并提高表现有助于增强学生对自己学习能力的信心。此外学习效率和记忆能力的提升也会让学生感到满意从而强化他们对学习过程的积极看法。在“实践操作机会”方面这两种学习模式都为孩子们提供了参与实际练习的机会。采用 R-ARCS 学习模式的实验组指出体验式学习得到了显著提升。例如E-05 说“最让我印象深刻的是使用吸入器的步骤。机器人的演示非常有趣我能够亲自练习。”相比之下采用 C-ARCS 学习模式的对照组则认为这种学习模式有助于加深他们对知识的理解。例如C-01 报告说“课程中的实践部分给我留下了深刻的印象。”这些经验符合 ARCS 模型中的相关性组成部分因为教学内容与现实生活中的健康管理情境紧密相连。同时成功完成学习任务有助于提升学生的自信心从而增强他们自我管理哮喘的能力。六、结论这项研究提出了 R-ARCS 学习模型旨在探讨该模型对小学生学习成绩、学习动机以及哮喘健康教育中的哮喘焦虑状况的影响。研究结果表明采用 R-ARCS 学习模型的儿童在学习成绩和学习动机方面取得了更好的改善同时他们的哮喘焦虑水平也有所降低。在学习成果方面与 C-ARCS 方法相比R-ARCS 方法在哮喘健康教育中对小学学生的学习成果产生了更好的影响孩子们表示R-ARCS 学习模型改善了他们的学习效果增加了哮喘健康教育过程中的互动性从而提升了他们的兴趣和理解能力在学习动机方面与 C-ARCS 方法相比R-ARCS 方法在哮喘健康教育中对小学生的学习动机产生了更好的促进作用基于多模态学习设计的机器人辅助学习方式能够显著提升学习者的积极性与参与度以及认知投入方面的工作至于哮喘焦虑问题与 C-ARCS 相比在哮喘健康教育过程中使用 R-ARCS 能够显著降低儿童的哮喘焦虑水平。虽然 R-ARCS 学习模型在小学学生的哮喘健康教育中取得了良好的学习效果但该研究的设计仍存在一些局限性如案例数量有限、数据收集时间较短以及课程内容可能会给孩子带来负担等同时指出在应用人工智能技术时必须充分关注数据隐私、伦理治理以及知情同意等问题以确保其能够负责任且可持续地实施。
返回列表