一、导语
同样的AI工具，为什么有人越用越强、有人越用越废？这篇研究直接戳破真相：AI使用频率并不重要，什么时候用、跟什么行为一起用，才决定你是深度学习还是躺平依赖！而研究者用来“透视”学生与AI互动底层逻辑的秘密武器，就是认知网络分析（ENA）。它以动态网络视角，用网络图清晰呈现学习者如何将AI融入自我调节学习的完整轨迹，让看不见的思维与AI互动模式变得可观测、可对比、可解读。如果你也好奇，如何用严谨的过程分析方法理解人与AI的协同学习，这篇研究会给你带来全新启发！
二、方法基本信息
1.核心思想
认知网络分析（Epistemic Network Analysis, ENA）是一种面向过程数据的网络分析方法，能够捕捉学习行为在时间序列上的共现关系，通过构建网络图，展示不同学习行为（如使用AI、执行任务、反思等）之间的时间共现强度，将离散行为转化为结构化的关联网络，进而建模和可视化认知活动之间的共现关系，揭示学习者在完成任务时的认知结构与行为策略。
2.独特价值
（1）超越 “使用频率统计”，聚焦行为之间的时序关联，更贴近真实学习逻辑。
（2）可视化学习结构，让隐性认知过程可看、可比较、可解释。
（3）适配非线性、循环性的学习过程（典型如自我调节学习、AI辅助问题解决）。
（4）支持群体差异对比，能稳健识别不同动机、不同水平学习者的行为模式。
3.关键产出
（1）学习者行为关联网络图：直观展示不同群体在哪些行为连接上存在显著差异。节点表示不同类型的学习行为（如“执行”“监控”“使用AI”等）；边表示行为之间的共现关系，边越粗，表示两者越频繁地同时出现。质心表示某类学习者（如“掌握目标型学习者者”）整体网络结构的平均位置，便于群体间比较。
（2）统计显著性检验结果。
（3）不同目标导向类型学习者的AI使用策略与认知模式的对比结论。
三、方法的操作过程
1.应用原则
（1）时序共现优先于因果关系：ENA 不假设行为的顺序方向，只关注它们在短时间内是否共同出现。
（2）个体为分析单元：每个参与者的行为序列被独立建模。
（3）合理定义分析窗口：窗口大小（如连续3个行为）决定哪些行为被视为“共现”。
2.操作步骤
（1）行为编码：将学习日志按自我调节学习阶段，编码为固定行为：目标设定、执行、评估、初始决策、监控、最终决策、反思、AI使用。
（2）定义分析窗口：采用3个（可自行设置）连续行为为一个分析单元，判断行为是否共同出现。
（3）构建共现网络：对每个参与者，计算所有行为对在其窗口中的共现频次，生成共现向量。
（4）标准化与降维：对共现向量进行球面标准化，消除个体行为总数差异。然后使用奇异值分解（SVD）将高维共现空间降为二维（SVD1, SVD2），便于可视化与统计比较。
（5）网络可视化：绘制节点图，节点大小表示行为频率，边粗细表示共现强度。
（6）群体比较：使用Mann-Whitney U检验比较不同群体（如掌握目标/表现目标）在网络结构上的差异，并生成差异网络图。
3.数据分析方法
（1）描述：节点、连线颜色、连线粗细；
（2）降维：奇异值分解 SVD；
（3）组间比较：Mann-Whitney U检验；
（4）辅助分析：聚类、方差分析、卡方检验。
四、方法的应用启示
1.适用情境
（1）过程性数据的挖掘：适用于学习日志、眼动数据、口语报告等过程性数据的分析，揭示隐藏的行为结构与认知策略。
（2）动态与非线性学习场景：适合分析AI辅助学习、问题解决、协作学习等具有非线性、循环往复特征的动态学习过程。
（3）不同学习者的行为模式对比：可用于比较不同动机水平、不同能力水平学习者在行为组织方式上的差异。
（4）从频次分析到结构分析:当研究不再满足于“做了多少次”，而希望回答“行为之间如何组织、如何演变”时，ENA提供了一种强有力的结构分析工具。
2.个人思考
认知网络分析（ENA）为AI教育研究提供了从“行为频次计数”到“认知结构解读”的转向，突破了传统频次分析的表层局限。它以时序共现网络还原真实学习逻辑，让隐性的自我调节过程与AI使用策略变得可观测、可对比，尤其适配生成式AI辅助下非线性、高互动的学习场景。相较于简单统计使用次数，ENA更能揭示学习者何时用、为何用、如何联动认知活动用 AI的深层机制，为区分“深度协作”与“被动依赖”提供了科学依据。这种方法不仅提升研究的理论深度，也为设计更精准、更适配学习者动机的AI学习支架，提供了可落地的分析路径。
3.值得探讨的新问题
（1）不同学习任务类型中，ENA时序窗口大小如何设定（几个行为共现），才能更精准捕捉真实的认知联动规律。
（2）能否将ENA与语义分析、大模型编码结合，让方法更具实用性。
（3）纵向追踪研究里，能否用ENA刻画学习者AI使用策略的发展与变化轨迹，实现动态比较。
（4）ENA如何与过程数据、序列分析等方法互证，提高结论稳健性？
（5）如何将ENA分析结果转化为可落地的自适应学习支架，真正服务于AI赋能的个性化学习？
五、 论文基本信息
文章引用信息：Wang, T., Li, S., Li, S., Zhang, J., & Gao, J. (2026). Students’ use patterns of generative artificial intelligence during problem‐solving in an intelligent learning system: Achievement goal orientation matters. British Journal of Educational Technology.
标签：认知网络分析（ENA）；生成式人工智能；学习分析
诗蕙对ENA如何揭示AI使用与自我调节学习之间的时序共现模式进行了清晰梳理，尤其点出“何时用、与什么行为联动”比“用了多少次”更关键，这个视角很有价值。顺着这个思路，如果我们将ENA与过程性数据中的情感或认知负荷维度结合，是否会揭示不同目标导向学习者在AI使用中的情感-认知联动差异？例如，掌握目标者是否在遇到困难时更倾向同时触发“反思”与“AI使用”，而表现目标者则更多是“执行”与“AI使用”共现？这种情感-认知网络能否进一步预测学习持久性？
感谢老师的追问！将ENA与情感或认知负荷数据结合，确实可能揭示不同目标导向学习者在AI使用中的深层差异。掌握目标者遇到困难时，更可能触发“反思+AI使用”的情感、认知网络，体现出主动调节与深度加工的倾向；而表现目标者则更多表现为“执行+AI使用”的共现，反映出任务完成导向和潜在的认知卸载。这种网络结构若进一步分析其密度、稳定性，有助于预测学习持久性，掌握目标者的反思‑AI联结越强，长期学习投入与适应能力越优；反之，表现目标者如果不把AI使用与反思联结在一起，可能导致策略性依赖，削弱持续学习动机。如果真的要做，需要收集更多的数据，比如说多模态数据（日志+生理/自我报告），并且至少要两个时间点的数据。
我觉得这篇文章让我学习到了一个新的方法，帖子对于认知网络分析讲述的很详细，也很明了，特别是为AI教育研究提供了从“行为频次计数”到“认知结构解读”的转向，突破了传统频次分析的表层局限。我也有一个疑问，感觉ENA比较适过程性数据的分析而不是结果性数据，我们要怎么去更好的解读这个结果呢
感谢君洁的提问。ENA 确实更适配过程性数据，核心是通过行为共现网络呈现认知与行为的关联结构，而非单纯描述结果。解读时可三步走：先看节点大小判断行为频次，再看边的强弱识别关键关联，最后结合群体特征对比网络差异。它不直接给出结论，而是揭示何时、如何用 AI的模式，需结合研究问题与理论框架，把网络结构转化为学习机制的解释，避免脱离场景单纯看数值。
认知网络分析（ENA）方法聚焦在描述刻画相互出现的频次与相互关系，何时用，与什么行为联动等行为的刻画，更关注时序共现优先于因果关系，为AI使用深度学习还是依赖提供了数据，而如何解读与解释这些数据才是更值得去关注的。另外好奇，这样的分析方法啊是通过什么方式来实现？