关于流动体验，使用Csikszentmihalyi（1977）提出的问卷来测量动态流动状态，该问卷测量了每个游戏任务的儿童流动状态。完成每一个游戏任务的挑战和技能都是按照Likert的五分制评分的，从“非常高”到“非常低”。每个游戏任务的流量状态被称为流量距离数量（Pearce，2005）。单人游戏和多人游戏的克朗巴赫阿尔法值分别为0.78和0.86。

在线学习的兴衰

(The ebb and flow of online learning)

Computers in Human Behavior 21 (2005) 745–771

doi:10.1016/j.chb.2004.02.019

一、摘要

研究目的：过去的研究表明，Csikszentmihalyi的流动理论描述了一种应该支持学生学习的状态。本文报告了使用心流的结构来探索在线环境中的学习的研究。进行了一项实验，学生们在物理领域完成了一个具有不同程度互动性的学习序列。在整个学习任务中，对他们的互动和流动状态进行监测。

实验结果：实验数据表明，流动可以更有效地被视为一个过程，而不仅仅是一个整体状态。这一过程由流程图来表示，流程图描绘了每个学生在挑战技能空间中的进步。确定了一些与学生学习成果相关的流动模式。虽然这种流程表示和流量的结果测量之间存在一些冲突，但这种流量路径描述为在线学习环境中的学生互动提供了新的见解。

采用一种非常不同的方法:关注的是心流的过程，而不是心流的状态。为了了解在线学习过程中发生在学生身上的复杂变化。基于整体状态测量的方法在教育环境中几乎没有价值，因为人们可能想要了解学生在相对较短的时间内对学习材料的反应。根据之前的研究，我们推测，在这样的课程中，学生将根据所呈现的材料的性质、他们对材料的兴趣以及他们自己处理任务的能力来进入和退出流。然而，过去的研究很少关注这一过程，尤其是关注随着任务的进展，心流的测量方法是如何变化的。

二、心流模型和测量技术

（一）心流

1995年，Csikszentmihalyi创造了“流”一词来指代最佳体验事件（Csikszantmihaly,1975）。关于心流的最早著述表明，心流在教育环境中尤为重要。心流描述的是一种完全专注于某项活动的状态。这个词是通过研究参与攀岩、跳舞、下棋等常见活动的人而引入的(Csikszentmihalyi, 1975)。

“心流活动”是指大脑毫不费力地集中注意力并投入到一项活动中，而不是成为分心的牺牲品。流并不是一种“全有或全无”的状态，而是可以被认为是形成一个从无流到最大流的连续体。

（二）心流模型

1、整体状态模型

心流状态可以表示为挑战与技能情节上的通道，分离焦虑和无聊状态(图1)。如果任务的挑战性降低，它可能会变得无聊；如果挑战增加，但一个人的技能没有提高以应对挑战，那么一个人可能会陷入焦虑状态。随着新技能的学习和锻炼这些技能的更大挑战的寻求，学习活动可能会在流动通道中产生进步（Csikszentmihalyi，1975）。

该模型表明，只有挑战和技能的相对平衡与心流相关，而不是绝对值。也就是说，一项活动可能提供的挑战很小，但如果一个人的技能相对较低，仍然可以产生流量。该模型已被细化为包括4个、8个甚至16个不同的状态，通常仍被称为通道（Massimin&Carli，1988）。

图1 Csikszentmihalyi的原始心流模型

一种补充方法是构建一个模型，表示特定变量如何影响流心流。

——Ghani等人（1991）使用了一个模型，将心流定义为享受和参与的二维结构。他们发现，流量的两个预测因素是感知控制和感知挑战。

——Trevino和Webster（1992）使用了控制、注意力集中、好奇心和认知享受的四维模型。

——Novak、Hoffman和Yung（1997）仅基于技能和挑战的测量，就得出了流量的简单概念。

2、整体状态方法的局限性

基于整体状态方法的流模型已经证明了控制、技能和挑战作为流研究的重要因素的重要性。相反，我们关注的是心流的过程，探索心流在学习过程中是如何变化的，以及哪些因素可能与这些变化有关。我们所谓的过程方法假设没有一个单一的措施可以充分描述学生在学习任务中经历的情绪变化。Ainley的研究在学习过程中只测量了两次学生的情绪，结果表明，在这两次之间，一些情绪经常发生显著变化。这表明，在整个任务过程中进行更精细的测量，将进一步阐明任务与学生参与任务之间的相互作用。

3、四通道与八通道模型

Csikszentmihalyi的早期工作预测心流是一个单一通道，将焦虑和无聊两种状态分开，如图1所示(Csikszentmihalyi, 1975)。现在，研究人员普遍使用具有3个以上通道的模型，并将挑战技能图归一化为个体在长期研究期间的平均挑战-技能值。图2显示了一个四通道模型，图3显示了一个八通道模型以及定义它们的规则。在这种模型中，挑战和技能都应该高于心流发生的阈值(平均值)(Massimini & Carli, 1988)。

图2四通道心流模型

图3八通道心流模型

（三）心流的过程度量

1、测量挑战和技能

我们使用变量技能和挑战作为我们在学习任务中反复测量心流的主要数据。然后将过程测量与基于控制、享受和参与的任务结束测量进行比较。

采用了描述个人在活动中的挑战和技能方面的进步的方法。参与者完成了一个由七个活动组成的学习任务，总共持续约一个小时。在这七项活动的每一项结束时，研究人员都会用李克特5分量表来记录他们对挑战和技能的看法。

如图4所示，探针在屏幕上的位置一个高于另一个，以增加参与者在两个尺度上使用一致的参考物的可能性。来自这些探针的数据被用来绘制每个学生在与活动互动期间通过二维挑战技能空间的运动图。这与Csikszentmihalyi的模型是一致的，即学习者在学习过程中向上移动心流通道。

在从这些挑战技能测量中对学生心流状态进行分类时，使用了Csikszentmihalyi的三通道心流模型。当5分李克特量表上的挑战和技能得分相等时，学生被认为处于心流状态;当挑战大于技能时，学生感到焦虑;当挑战低于技能时，学生感到无聊。

图4 用来衡量挑战和技能的探针

2、心流的整体状态度量

在学习练习结束时，使用一项11项的调查获得了另一种流动的整体状态测量。使用李克特5分量表收集了参与、享受和感知控制的评级。

三、实验描述

（一）实验目的

1、通过在线学习任务探索学生挑战-技能认知的变化性质。

2、比较使用挑战技能比率测量的心流与测量自调查后数据的心流。

（二）在线学习练习

在这个学习练习中，学生们要完成一系列展示速度和加速度的物理概念的页面，就像一辆车的运动一样。一共有七项活动，首先是学生观察一个运动的动画，然后在纸上画出他们对运动的速度-时间和加速度-时间图的预测。对于这七种运动中的每一种，学生们都有一个页面，指导他们探索运动，并在必要时根据他们所探索的内容修正他们预测的图形。

这项研究的一个目的是探索学生对环境控制程度的变化所产生的影响。

模拟组：使用了一个真正的模拟，使他们能够自由地操纵模拟：拖动并释放推车，使其移动；改变轨道的坡度；将风扇添加到推车以产生加速度；并更改图形的比例。

电影组：进行了相同的活动，只是模拟被三到四个视频片段取代，这些视频片段展示了模拟的动画屏幕截图，显示了与每个特定活动相关的推车运动。参与者可以随心所欲地播放这些片段。

（三）方法

1、参与者

澳大利亚一所顶尖大学的42名信息系统（IS）一年级学生和17名物理一年级学生。45%的参与者是男生，55%是女生。所有参与者都是有偿志愿者，在计算机实验室里花了大约一个小时完成设定的练习。所有参与者在中学最后两年的某个时候都学习过物理；今年早些时候，作为大学课程的一部分，物理专业的学生也接触了实验材料所展示的物理领域。

2、过程

如图5所示，首先向他们展示一个屏幕，要求提供关于他们自己的一般背景信息，然后进行预测试，以确定他们在这一物理领域的先验知识（19个多选项）。在介绍屏幕后，他们浏览了七个物理学习页面，每个页面紧接着是挑战-技能调查，要求他们用5分的Likert量表对最后一项活动的挑战性和应对挑战的感知技能进行评分。最后，他们接受了一项后调查，该调查收集了他们经历的情感方面的信息（见附录），以及一项后测试，该测试使用与前测试相同的问题项目来衡量学习成绩。

图5

四、实验分析

这里报告的两组分析涉及到在任务结束时收集的更传统的调查数据，以及在整个任务过程中跟踪挑战技能数据。前者提供了参与者心流体验的整体状态感知，而后者提供了过程视角。

1、将挑战和技能映射到心流空间

绘制挑战和技能等级的第一步是将59名参与者的所有七对回答交叉表。结果模式如表1所示，其排列方便与图2的挑战技能图的象限进行比较。一些参与者没有完成所有的评分。然后，挑战和技能评级对被分类为焦虑、心流或无聊的指标，由3通道心流模型定义(见图7)。如图7所示，在399次记录的体验中，心流约占四分之一。也有大量的焦虑经历报告。(超过三分之一)。

图6心流体验的频率

2、结论1：整体状态视角下的心流

使用方差分析来测试学习条件和学习课程是否与期末流显著相关。对享受和控制这两个组成因素进行了类似的分析。与学习条件或参与者的学习课程相关的最终心流没有显著差异，这些设计变量之间也没有显著的相互作用。

当分别对享受和控制因素得分进行分析时，发现控制因素得分与参与者学习课程有关。IS组的标准化平均因子得分为-0.19，明显低于物理组的平均因子得分0.46（F（1，56）=5.53，p < 0.05）。由于物理专业的学生比信息科学专业的学生更熟悉物理领域，所以他们会感到更有控制力。研究人员还预计，模拟条件下的参与者比电影条件下的参与者报告的控制感更强。尽管这两组的对照组平均值在预测方向上存在差异(模拟:0.12;电影:0.13)这个差异在统计上不显著。各组之间的享受因素没有显著差异，但这些项目的平均李克特量表得分为3.61 (s.d.0.75)，表明参与者享受这一体验。

3、结论2：过程视角下的心流

（1）个体参与者的心流路径

图7和图8显示了两名参与者的曲线图。每个正方形表示由表1所示的两个5点李克特量表定义的25种可能状态中的一种。

第一幅图，图7，显示了在学习结果方面表现出色的参与者的挑战-技能路径。它向我们表明，该参与者在开始练习时技能相对较低，并认为第一项活动相对具有挑战性。在第二项活动中，她发现这项活动更具挑战性，但也认为自己的技能在应对挑战方面有所提高。第三项活动的挑战较小，她仍然认为自己的技能在不断提高。最后两项活动带来了更大的挑战，这位参与者觉得自己的技能越来越不足以完成任务。

图7

图8

第二个图(图8)显示了在预测试中获得近乎完美分数的参与者的路径，但在测试过程中表现出一定程度的无聊。事实上，这个参与者在后测中得到的分数比前测要低。图8显示，参与者开始和结束时都很无聊。

对59名参与者的队列进行检查，并没有显示出任何将这些流动路径与任何调查后的流动措施联系起来的清晰模式。例如，通过将享受和控制因素(最终流)的百分比值相加来计算流评级值，图7中的参与者的流值为71%，图8中的参与者的流值为57%。我们可以找到一些参与者的例子，他们确实花了大部分时间在流线上，但总体流得分仍然相对较低。同样，一些在这个流测量中得分很高的参与者在流图的焦虑或无聊区域花费了大量时间。这些情节的一个有趣特征是，参与者在整个挑战技能空间中表现出相当大的移动。参与者很少停留在空间的一个单元格或停留在流线上。这表明，在活动结束时记录的单个流度量不能很好地与作为一个过程的整体体验联系起来。在后面，我们提出了一种新的替代措施，可以更好地捕获会话期间的流体验。

（2）学生群体的心流路径

在确定了特定的参与者群体后，我们为他们计算了七个活动中每个活动的平均群体流路径点，并以两种方式显示:(i)挑战技能空间的平均流路径图，以及(ii)挑战和技能与活动数量的关系图(图9和10)。两种可视化呈现相同的信息，但每个都提供了略微不同的视角。

我们为这项练习确定的三组参与者是由10名极端学生组成的小组，他们的测试前和测试后成绩如下：

1.学习者：通过将最多的错误答案改为正确答案而学习最多的人。

2.改变者：那些改变思维最多的人，但通过将错误答案改变为不同的错误答案。

3.失学者：那些通过将正确答案改为错误答案而忘得最多的人。

图9显示了10名学习者的平均挑战和技能数据，挑战和技能一开始都是以相似的方式出现的，然后在最后的活动中，技能往往会从挑战中消失。图10中，参与者从底部向上移动路径。这些图的第一部分展示了人们对参与任务的参与者的理想期望，并发现他们非常适合自己的技能。在三个连续的活动页面中，他们的技能得到了提高，以适应所呈现的挑战。在第四页(关于情节的第5页)，尽管他们没有认为任务更具挑战性，但他们认为自己的技能不够充分。这将他们推向焦虑区域。从那时起，任务的挑战性似乎增加了，他们的感知技能似乎下降了。他们一开始的心流特征转向了焦虑。

图9

图10

是什么导致了第四页技能感知的改变?那一页上的任务介绍了许多参与者面临的一个物理情况，即，小车在一个方向上移动，同时在相反的方向上加速。这个页面为所有参与者提供了最高的平均挑战分数。这种物理情况是反直觉的，经常给物理专业的学生带来困难。

图11和图12显示了10个改变者的表现——他们在测试前和测试后改变了许多答案，但仍然是错误的。这群人一直认为挑战很大，技能相对较低，导致他们处于焦虑区域。挑战和技能平均值都没有太大变化。这一点通过检查他们各自的流动路径得到了回应，显示大多数人在情节上的大部分时间都花在了同一空间。这些参与者显然受到了超出他们能力范围的挑战。他们没有报告经历了越来越大的挑战，也没有报告技能的变化。

图11

图12

图13和图14是10种不学习者。当他们开始时，他们认为自己的技能高于任务挑战，这是一种无聊的模式。然而，随着活动的进行，他们报告的挑战增加了，但他们的技能没有变化。在这一点上，他们的挑战和技能比例得到了很好的平衡。尽管他们最终进入了我们所说的心流区域，但他们在测试前的许多正确反应在测试后变成了错误反应。同样，他们的挑战技能评级却没有变化显著，不像学习者。他们的预试成绩相对较高，其中两人在19分中分别取得了17分和18分的优异成绩。然而，即使是这些非常有能力的学生，在测试后的分数也有所下降。他们在活动的早期有点无聊，没有从中获得任何好处。

图13

图14

这里需要注意的是，这些图是10名参与者的平均值。尽管它们表现出稳定的行为，但个体会在空间中显著移动。例如，有助于图14的个人流动路径显示了三名参与者，他们在流动线的焦虑一侧花费了大量时间，尽管小组平均值显示出无聊。当然，其他参与者花更多的时间在无聊的地方，这是平衡的。然而，这些平均图有助于确定趋势，并提出有待进一步研究的假设。

4、量化挑战-技能映射

为了对这两种测量方法进行统计比较，我们需要量化挑战技能图。这是通过将“离流距离”定义为衡量个体挑战技能比率与流线的距离(挑战/技能=1)而实现的。从两方面探讨了流距测量的结果。首先，它被用作无符号量，其中0代表最大流，1代表距离流最远的距离，即最大焦虑(挑战=5，技能=1)或最大无聊(挑战=1，技能=5)。第二种形式的from-flow-distance涉及到使用带符号的值，例如最大焦虑用-1表示，最大无聊用+1表示。在下面描述的分析中，离流距离的两种表示都给出了相似的结果。这是因为这些图中的大部分数据来自IS学生，他们通常处于焦虑区域。这里报告的其他分析使用带符号的离流距离量。

这个量的表达式来源于5×5挑战技能空间的几何形状，表达式如下:

from-flow-distance=0.25×(skill-challenge)

为每个参与者的七项活动中的每一项计算出离流距离的值，并为个人的整个体验计算出平均值。每个参与者的七个个体活动值与其整体状态流值相关，以检查影响该流值的近期效应的证据。我们选择使用的流量值是流量的最终值，以帮助我们理解它与整个任务的关系。对于七页练习中的每一页，计算两组学生的起始流距离和最终流得分之间的相关值；这些值如图16所示。第2、5、7和8页的相关值高于临界值。

图15

该图分别在第2页和第8页（第2页包含第一个学习活动，第8页包含最后一个活动）上显示了强大的前序和后序效应。这表明，调查测量的最终心流（总体状态）可能会受到参与者在任务最后一页的体验的影响。第5页的尖峰很有趣。这就是上一节中讨论的导致学习者出现困难并脱离流畅的对峙任务。我们认为，这种特殊的挑战性活动对参与者的调查项目判断产生了不成比例的影响。

重新计算这些相关性，只针对那些在流动最终得分中得分较低的人(忽略那些流量最终值高于平均值的)给出了更强的相关性。这组人在无聊焦虑维度上表现出更大的焦虑。这个小组有更强的相关性，这与更焦虑的参与者是对相关性贡献最大的人是一致的，而不是那些处于无聊状态的少数参与者。最终心流值的有符号值和无符号值给出了类似的相关性，这一事实也支持了这一点。使用Novak的挑战+技能流定义进行的检查显示，页面心流值和心流最终值之间没有显著相关性。显然，这些措施有许多细微差别，需要进一步调查。