学习判断与学习时间分配的关系，本文主要内容关键词为：分配论文,关系论文,时间论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
分类号 B842；G44
学习判断(judgment of learning，简称JOL)与学习时间分配(allocation of study time)的关系是元认知领域的重要问题。自20世纪80年代末90年代初以来，学习时间分配决策的内部心理机制的探讨成为研究者们关注的热点，一般认为学习主体的记忆监测指导其学习时间分配的决策。但也有例外的情况，有时学习者的元认知信念与实际行为出现分离(dissociation)的现象(Kornell & Son，2009)，这说明元认知判断有时是不准确的。同样的，学习判断有时会因为错觉导致出现偏差(如：Koriat & Bjork，2005；Koriat & Bjork，2006a；Metcalfe & Finn，2008)，然而，学习判断的准确性是非常关键的，因为如果学习判断不准确，那么随后学习时间的分配会比最佳学习时间分配策略效果差(Nelson & Dunlosky，1991)。因此，无论在哪种情况下，学习判断与学习时间分配均存在相关关系。而且目前国外有些研究结果表明，学习时间具有双重功能，既表现监测功能又表现控制功能，这对学习判断产生了不同的影响。文章先简略介绍学习判断与学习时间分配，之后将尝试对相关理论模型及研究进展进行说明，最后指出未来研究的趋势。
1 学习判断与学习时间分配
1.1 学习判断
学习判断是元记忆监测中预见性监测的一种形式。该概念由Arbuckle和Cuddy(1969)最早提出，是指个体对已经学过的项目在以后的回忆测验中成绩的预见性判断。换言之，是学习者在呈现线索词的情况下预测自己能正确回忆目标词的把握有多大。学习判断按其判断项目的多少可分为逐项(item by item)学习判断和总项(overall item)学习判断，按其发生时间的不同可分为即时学习判断(Immediate-JOL)和延迟学习判断(Delayed-JOL)。自学习判断(JOL)概念被提出以后，研究者纷纷对其产生机制进行研究并提出许多相关理论。在总结前人研究的基础上，Koriat(1997)提出了一个较为完整的理论框架——线索模型(Cue-Utilization)，该模型基本上概括了以往影响学习判断的各种因素。国内学者陈功香和傅小兰(2004)已对学习判断众理论和线索模型及所面临的挑战进行了详细的阐述，本文在此不再赘述。
学习判断的研究范式大体可以分为两类。一类是学习判断经典研究范式：“学习-判断-回忆”(Learning-Judgment-Recall，LJR)范式，这也是使用最广泛的一种研究范式。整个研究程序即：学习阶段-JOL阶段-干扰阶段-回忆阶段。一类是Nelson，Narens和Dunlosky(2004)提出的关于元记忆判断的一种修正方法——PRAM(prejudgment recall and monitoring)研究范式。根据Nelson等人(2004)的研究，比起LJR范式，PRAM范式在其范式中加入了一个加工过程：判断前回忆(Pre-Judgment recall)，让学习者在做JOLs前先尝试对学习过的项目进行回忆，即只呈现线索词，让被试尝试回忆相应的目标词。回忆后再进行JOL阶段，结束后给予干扰任务，最后进入测试阶段。整个研究程序可以归纳为：学习阶段—判断前回忆(Pre-JOL recall)-JOL阶段—干扰阶段—回忆阶段。
比较这两种范式，在LJR范式中，根据陈启山(2008)的研究分析，被试在JOL前是否有认知操作(如是否尝试回忆过词对)及其结果(尝试回忆的正误)是不能直接观测和控制的。由于被试在JOL前有无认知操作会影响其做出的JOL，若能控制或观测被试在JOL前的认知活动，则能深化对JOL精确性及其影响因素的探讨。针对此问题PRAM范式产生，它在学习判断前插入了一个“判断前回忆”(Pre-JOL recall)阶段，即插入了一个回忆任务，贾宁、白学军和沈德立(2006)指出，这种任务使研究者可以实际观察到被试在做学习判断之前的回忆情况，尽管这只是一个微小的变化，但是却为数据分析提供基础，使学习判断准确性更具有分析性，这在传统方法是不能实现的；传统方法没有“判断前回忆”这一阶段，研究者只能通过假想或理论推测来探讨被试JOL前的回忆存在与否，这样就大大降低了实验的客观性和可验证性。目前这种修正范式在国内使用甚少，但在国外已有研究采用，如Koriat等人(Koriat & Ma'ayan，2005；Koriat，Ma'ayan，& Nussinson，2006；Koriat，Ackerman，Lockl，& Schneider，2009a)的研究报告。
1.2 学习时间分配
在学习过程中，一般认为与学习判断相应的控制作用最主要体现为学习时间分配。学习时间分配是指学习者对自己的注意和主观努力进行分配的一种指标，反映了学习者对任务的理解和选择性参与的能力(Perfect & Schwartz，2002)。学习时间分配属于元记忆控制的范畴，是自我调整策略的主要表现。Koriat等人(2006)提出，自我调整策略驱动形式有两种，一种为目标驱动(goal-driven)，如项目的有趣性或重要程度等；另一种为数据驱动(data-driven)，如学习者学习中所投入的努力程度或所花的学习时间等。当自我调整策略是目标驱动时，监测影响控制过程，所以增加努力的程度或增加学习时间能够加强胜任感与知晓感；当自我调整策略是数据驱动时，监测可能是根据从控制操作得到的反馈来进行的，因此增加努力程度或学习时间可能会出现胜任感降低的情况(Koriat et al.，2006)。由此这里认为，学习时间分配策略的驱动形式有两种，分别是目标驱动与数据驱动。当驱动形式为目标驱动时，学习时间分配表现控制功能；当驱动形式为数据驱动时，学习时间分配表现监测功能。
关于学习时间分配策略的理论模型，刘希平、方格和杨小冬(2004)对其决策机制进行了探讨，特别是对最新的理论模型——学习层次模型和最近学习区假设进行了详细的介绍。贾宁、白学军、臧传丽和闫国利(2008)利用眼动记录技术，通过分析在有无时间压力时，个体对不同难度词对的学习时间分配，结果支持了最近学习区假设。在此主要介绍学习时间分配的几个条件。学习中学习时间分配的条件大致有三种：一是自定步调学习(self-paced study)，即学习时间由学习者自己分配；二是他定步调学习(other-paced study)，即学习者根据自定步调学习的学习者在每个项目上的平均学习时间来学习；三是固定步调学习(fixed-rate Study)，即项目呈现的时间是实验者事先设置好的或以学习者自己的平均学习时间分配给每个项目。在最近关于学习中监测与控制的关系研究中，研究者主要采用自定步调学习条件来进行实验(如：Koriat，2008；Koriat & Nussinson，2009；Koriat et al.，2009a等等)。
2 学习中监测与控制的理论模型及研究进展
2.1 监测与控制的单向作用模型——MC模型和CM模型
国外研究者经常用学习判断与学习时间分配策略的关系来说明元记忆监测与控制之间的关系，Koriat等人(2006)从分析情绪行为出发，并将其中逻辑引用到元记忆监控的研究中。例如，当遇到一只熊，人们是因为感到害怕而逃离，还是因为逃离而感到害怕。他们从害怕的强度和逃离的速度来分析存在的两种假设。第一种假设根据拉扎鲁斯(Lazarus)的认知-评价理论：人们首先会根据各种线索有意识或无意识地对这个情境进行评估，随着产生害怕的感觉，然后导致逃离的行为，这时逃离的速度越快，意味着更可能脱离危险情境，因此在逃离后害怕感便越小；第二种假设根据詹姆斯(Willian James，1842-1910)和兰格(Carl Lange)的情绪理论：一个令人兴奋或威胁的事件都会引起某些生理和行为反应，主观的情绪体验作为对这些行为的反馈出现。那么，人们逃离是对特定情境的直接反应，可能是外部环境自动触发的，也可能是人们本身要逃避威胁情境的反应。根据这种观点，人们从逃离中得到反馈，然后产生主观害怕的感觉，这时逃离的速度越快，害怕感就越强。
Koriat等人(2006)利用这种逻辑来分析学习时间分配与学习判断之间的关系。结合以往的研究，并围绕学习时间的双重功能，他们认为元记忆监测与控制至少存在两种模型，一个为“监测(Monitor)→控制(Control)”，简称MC模型；另一个为“监测(Monitor)←控制(Control)”，简称CM模型。目前MC模型已经得到许多实证研究的支持，并得到广泛认同，文章将着重介绍CM模型及其主要证据。
2.1.1 监测影响控制——MC模型
关于元记忆监测与控制的理论假设，目前最著名的观点是Nelson和Narens在1988年提出的“监测影响控制”假设，即MC模型(Koriat et al.，2006)。其基本逻辑为：在学习项目后，学习者做学习判断，然后根据所给的评估值重新分配学习时间或挑选需要重新学习的项目。例如，Metcalfe(2002)考察反馈与练习对学习时间分配的影响，发现一开始学习者倾向于将学习时间分配到容易和中等难度的项目上，但随着试验的循环进行，学习者倾向于分配更多时间去学习困难项目。可见，学习者在学习中使用了自我调整策略。因此，当学习一个材料，学习者首先监测需要学习到何种程度才能掌握，接着根据监测的结果调整学习时间分配(或学习努力程度)(Koriat et al.，2006)。此时，学习判断是学习时间分配的基础。
MC模型强调控制的目标导向功能，换言之，在MC模型中，学习时间分配是目标驱动调整，强调了学习时间的控制功能——作为调整学习的战略性工具(Koriat et al.，2006)。这与Dunlosky和Herzog 1988年提出的差异减少模型(discrepancy-reduction model)中所描述的目标导向是一致的：为了达到理想水平，学习者会分配更多的时间去学习困难项目，以缩小学习程度和理想水平的差距。根据这种观点，在MC模型中，JOLs随着学习时间的增多而提高，学习判断与学习时间分配之间呈正相关关系。
图1 MC模型：ST的控制功能
(资料来源：Koriat et al.，2006；Metcalfe，2002等)
总的来说，MC模型的假设适用于各种元认知判断(Koriat et al.，2009a)，在学习判断的许多实证研究中，支持这种单向作用假设的研究很多。如Tiede和Leboe(2009)根据Koriat，Sheffer和Ma'ayan(2002)提出的UWP效应，将重复学习作为一个影响回忆成绩的因素，发现反复学习同一种材料能够使相关元认知知识更加突出，提高了真实回忆和预测回忆的一致性，这表明学习者对自己学习情况的监测和学习策略的调整可能对记忆成绩有明显的影响。又如Finn(2008)的实验先让被试做JOLs，对项目以“可能记住”或“可能忘记”两种形式进行评估，结果发现在重学时被试选择了那些标记为“可能忘记”的项目进行重学；在自定步调学习条件下，Son和Metcalfe(2000)发现学习者通常会分配更多的时间去学习那些低JOLs的项目；同样，Metcalfe和Finn(2008)研究中也发现，如果给予一个重学的机会，大部分被试会选择重学那些低JOLs的项目。
2.1.2 控制影响监测——CM模型
尽管一般认为监测影响控制，但1983年Koriat发现了一个与MC模型相反的结果：研究发现被试花更多的时间去学习难度较大的项目，以为花更多的时间便能够弥补项目的难度。然而，尽管花了更多的时间在难度较大的项目上，不论是为了弥补项目本身固有的难度还是要达到一个预定的学习标准，结果表明被试仍认为这些项目在回忆测试中比容易项目更难被回忆起(Koriat et al.，2006)。这类似于“徒劳效应(labor-in-vain effort)”(Nelson & Leonesio，1988)，并与1993年Mazzoni和Cornoldi提出的“项目徒劳效应(item labor-in-vain effort)”一致(Nelson，1993)：花更多时间学习的项目并没有得到更高的JOL值。Koriat等人(2006)发现，即使学习者意识到这一点，他们并没有放弃调整学习时间分配策略，而仍继续在不同难度项目上分配不同的学习时间，并将学习时间以目标驱动调整转为以数据驱动调整。据此，他们提出了CM模型。
图2 CM模型：ST的监测功能
(资料来源：Koriat et al.，2006；Koriat et al.，2009a；Koriat & Ackerman，2010等)
CM模型认为，元记忆监测有时根据从控制操作中得到的反馈来进行，是跟随着控制过程进行而不是发生在控制过程之前。在自定步调学习条件下，学习时间分配受学习者和项目内在特质之间相互作用的影响，这源于1973年Kahneman的注意—努力理论(Koriat et al.，2006)。Kahneman发现当分配给被试一个中等难度的任务时，被试并没有像完成困难任务时努力，于是他推断被试所花费的努力是由任务的内在难度所决定的，人们通常不会在容易任务中像在困难任务中那么努力。类此地，在学习中，学习者只花他们主观认为项目所需要的学习时间量去学习该项目(Koriat et al.，2009a；Koriat & Ackerman，2010)。可以看出，学习者根据成功发现线索与目标之间联系的快慢来衡量将一个项目记住的难易(Koriat et al.，2006)。因此，学习者会根据学习时间来进行学习判断。CM模型还假设，在自定步调学习中，每个学习试验的学习判断随着学习时间的增加而降低，学习判断与学习时间分配之间呈负相关关系，并且，有时回忆成绩也与学习时间分配呈负相关关系(在Koriat et al.，2006；Koriat，2008；Koriat et al.，2009a已得到证明)，即较长的学习时间意味着将会得到更差的回忆成绩。
这尽管也强调监测与控制之间的单向作用，但与公认的MC模型相反。文章结合目前已有的关于该模型的实证研究，从以下两方面来说明支持该模型的主要证据：
第一，学习判断是根据学习时间分配来进行的，此时，学习时间成为学习判断的基础。学习时间受学习者和项目间相互作用这种数据驱动调整，表现监测功能。这主要体现在自定步调学习中，学习者根据学习时间来判断项目的编码流畅性，将学习时间视为学习判断一种粗略的记忆线索(mnemonic cues)——尝试记住启发式(the memorizing effort heuristic)(Koriat et al.，2006；Koriat et al.，2009a)与ELER原则(Easy Learning Easy Remember Principle)(Koriat，2008)，实质上反映了编码流畅性与加工流畅性(Koriat & Ma'ayan，2005)。尝试记住启发式是假设学习者使用学习时间(或记住的努力程度)作为记忆线索，在很短的学习时间内掌握的项目意味着在回忆测试中能更好被回忆起，而那些需要很长的学习时间才能够掌握的项目则意味着在回忆测试中更难被回忆起。即是说，不是因为学习者有意花费更大的努力去学习困难项目，而是他们知道那些项目是困难的从而认为需要花费更大的努力去学习(Koriat & Ackerman，2010)。Koriat等人(2009a)使用尝试记住启发式从发展的角度来考察MC模型与CM模型将哪个年龄阶段作为分界线，结果发现能根据记忆线索来进行JOLs的年龄发展阶段发生在小学二三年级之间。
ELER原则是Koriat(2008)为了说明潜藏着某种内在启发式作为JOLs的基础而提出的，意思是学习者认为容易学习的项目则容易被记住。基本逻辑可以认为是由于容易学习的项目可能与学习者原记忆系统中储存的信息存在自上而下或自下而上的加工关系，使得编码流畅性加强，于是容易被记住，反过来，容易被记住的项目一般是容易项目，在回忆测试中更可能被回忆起，使检索流畅性提高。Herzog，Dunlosky,Robinson和Kidder(2003)研究发现，在学习配对词对时，当线索和目标形成互动影像的速度提高时，学习判断值随着提高，这支持了ELER启发式作为学习判断的基础。
简言之，当学习者在学习过程中运用到此类记忆线索时，学习时间表现为监测功能，学习判断是根据学习时间来进行的。另外，Koriat等人(2006)的研究结果还表明即使是在固定学习时间条件下，学习者也能够意识到此类记忆线索。
另外，对学习次数(Trials to Acquisition,简称TTA)进行操纵的研究也体现了学习判断以数据驱动形式调整为基础。如Koriat(2008)研究表明学习次数多的项目在回忆测试中更小可能被回忆起；Koriat，Ackerman，Lockl和Scheider(2009b)研究表明学习者的JOLs看似是根据对ELER原则来进行的，项目学习次数越少，更有可能在回忆测试中被提取。
第二，学习判断与学习时间分配呈负相关关系，这是CM模型的主要特征。如Koriat和Nussinson(2009)根据面部反馈假说(the facial feedback hypothesis)，通过诱导被试表现出一种努力程度很高的表情以产生项目很难或项目很重要必须认真学习的心理暗示，结果发现JOLs和学习时间呈负相关关系，支持了CM模型；Koriat和Bjork(2006a)的研究结果也为CM模型提供了证据：在自定步调学习中，每个学习试验的JOLs随学习时间的增加而降低，这表明了学习者根据尝试记住启发式来进行JOLs；而Koriat等人(2009b)的研究表明不仅JOLs和学习时间呈负相关关系，而且学习时间和回忆成绩也呈负相关关系，这种现象甚至在9岁儿童身上也能发现。Koriat等人(Koriat，2008；Koriat & Ackerman，2010)的研究也得到了学习判断和学习时间呈负相关关系的结果，但Koriat和Ackerman(2010)第二个实验结果并不支持学习时间与回忆成绩之间的负相关关系。
2.1.3 MC模型与CM模型的区别与联系
MC模型和CM模型是学习判断与学习时间分配的两种不同理论假设，围绕学习时间的双重功能来展开分析的。MC模型的主要特征是JOL-ST呈正相关关系：假设JOLs反映了学习的理想水平，学习者通过调整学习时间来达到这种水平。因此，JOLs随着学习时间的增加而提高(Koriat & Ackerman，2010)。如难的项目所分配的学习时间多，以此来弥补项目的内在难度对学习程度的影响。学习者认为，增加项目的学习时间，能使项目在回忆测试中能更好被回忆起。CM模型的主要特征是JOL-ST呈负相关关系：分配更多时间的项目，JOLs反而更低。这表明学习者是根据编码和检索的流畅性来衡量一个项目的难易，这主要是从自身的经验(项目学习时间的长或短)出发做判断。如尽管容易项目所花时间少，但其内在特质导致项目容易被记住，反过来，所花时间少的项目是容易项目，在回忆测试中能更好被回忆起。而且，CM模型认为有时学习时间与回忆成绩呈负相关关系。
以往研究认为，在自定步调学习条件下，时间压力是学习时间分配从数据驱动调整向目标驱动调整转变的根本原因(Koriat et al.，2006；Koriat & Nussinson，2009)，意味着CM模型与MC模型之间在不同时间压力条件下能发生转移。例如，在时间压力下，学习者快速监测到项目难度，然后决定是否投入更多的时间去学习该项目(Metcalfe，2002；Son & Metcalfe，2000)，对于动机水平相等(奖励点分一样)的项目，结果是JOLs与学习时间呈正相关；当撤去时间压力时，结果则相反。
在此将这两种模型与Koriat(1997)的线索模型结合起来考虑，正如前文所述，线索模型是目前关于学习判断研究中最为完整的一个理论模型，该模型认为：人们在做判断时应用了不同的线索进行推论，包括内部线索(intrinsic cues)、外部线索(extrinsic cues)和记忆线索。这些线索概括起来对学习判断的影响分为两种：内外部线索直接地影响学习判断，为基于理论的分析性推论，是精细的、有意识的，此时，JOLs反映了学习水平间的差距，是学习者达到学习水平的目标导向，这与MC模型中强调目标驱动调整的自我调整策略相一致；内外部线索也可以通过记忆线索间接地影响学习判断，为基于经验的非分析性推论，是无意识的、内隐的，此时，JOLs可能会根据项目编码的流畅性来进行的(Koriat & Ma'ayan，2005)，与CM模型中强调JOLs是根据记忆线索来进行的相一致。不论是基于理论的学习判断还是基于经验的学习判断，这两种加工方式的准确性受到不同因素的影响。基于理论的推论准确性受所用的信念或理论正确与否的影响，而基于经验基础上的推论准确性则依赖于内在经验的效度，并且，基于经验的推论比基于理论的推论能更有效地提高个体的控制能力，而且更容易利用和提取(陈功香，傅小兰，2004)。但Koriat和Bjork(2006b)的研究表明，基于经验的非分析性推论难以推广到新的情境中，而基于理论的分析性推论有这种推广作用。因此。为了得到一种更为有效的理论，目前最新的研究考察学习者将基于经验的推论向基于理论的推论转移的能力(如Koriat & Ackerman，2010)。文章认为，这在某个程度上可以认为是对实现两模型间发生转移的一种范式。
2.2 监测与控制的合并动态模型——波浪连续型模式和同时发生模型
以上介绍了学习判断与学习时间分配关系的MC模型和CM模型。特别是CM模型的提出，对学习中监测与控制关系的研究做出了重大的理论贡献。但仅靠CM模型很难解释所有的实验数据，并且在现实生活中，两种模型的相互作用显得尤为重要。Koriat等人(2006)提出这两种模型非但不互斥也不矛盾，在现实中更多的是以合并的形式发生的，于是他们尝试将这两个模型合并起来，形成两种新的理论模型——波浪连续型模式(The Sequential and Cascaded Mode)和同时发生模型(The Simultaneous Mode)。
2.2.1 波浪连续型模式
在波浪连续型模式中，监测紧跟着被唤醒的控制并操作，接着从控制操作中得到的反馈作为下一次监测的根据，监测和控制功能在波浪线中轮流替代，形成了以监测为基础的控制与以控制为基础的监测的波浪连续型模式。体现为监测跟随着控制作用几乎同时发生，而不是发生在控制作用之前。Koriat和Levy-Sadot(2001)的研究证明了该模型的观点。他们的研究表明当出现一个问题，问题的熟悉感可能会产生一个初步积极的FOK，这可以缩小检索目标的记忆范围，并推动此范围内的记忆搜寻(以监测为基础的控制)，学习者从搜寻中得到的反馈，继续进行FOK判断(以控制为基础的监测)。目前围绕学习判断与学习时间分配来证明该模型的实证研究很少，Son和Metcalfe(2005)提出的关于JOLs的两阶段模型类似此模式。他们提出JOLs根据线索熟悉性进入快速提取前(Pre-retrieval)阶段，从中得出的结果可能会激励随后的提取阶段，而一旦提取发生了，JOLs是根据尝试提取的效度来进行的。
尽管没有更多的实证来支持该模型，但学习时间的两种功能很多时候是相继发生的(Koriat et al.，2006)，换言之，目标驱动调整与数据驱动调整表现为连续交替作用，此时监测与控制产生双向作用。
2.2.2 同时发生模型
在同时发生模型中，假设MC模型与CM模型是在同一种情境下发生的，此时自我调整战略既是目标驱动调整又是数据驱动调整，表现出自我调整战略的协同作用。
该模型的提出符合理论的发展趋势，但目前用来支持该模型的实证研究少之甚少。Koriat等人(2006)对此做出尝试性检验，但并不足以证明该模型的假设。在他们的实验中，将同个学习材料中不同项目给予不同的动机水平(以点分奖励)，结果表明总体上学习时间和学习判断呈正相关关系，学习者分配了更多时间去学习高点分奖励的项目，并认为这些项目会回忆得更好，这符合自我调整战略中目标驱动的特征；而在每个动机水平上，学习时间和学习判断呈负相关关系，这与相同动机水平间学习时间分配是数据驱动调整的假设相一致。
尽管支持同时发生模型的证据目前显得十分薄弱，但该模型在现实生活中更为真实与形象。例如，一个学生准备一次考试，可能会花相当长的时间去学习复习材料中一部分特定的内容，一半可能是因为这部分材料本身固有较难掌握的特性导致需要花更多时间学习(数据驱动)，一半也可能是因为这部分材料特别有趣或特别重要(目标驱动)(Koriat et al.，2006)。当这两部分不平衡时，即出现数据驱动调整占主导地位或目标驱动调整占主导地位，这个学生可能不花更多的时间去记住一个容易的项目或者几乎不花时间去学习一个难懂的项目，也可能是花更多的时间到某些主观认为重要或某些具有奖励性质的项目上；当这两部分平衡时，表现为数据驱动调整与目标驱动调整这两种调节方式同时起作用：数据驱动调整导致JOLs随着学习时间的增加而减低(难记的项目难懂，因此所花的学习时间少或者干脆放弃)，目标驱动调整导致JOLs随着学习时间的增加而提高(难懂项目的得分可用来拉开与其他学生的分数距离，因此花更多时间去学习)，特别是在不同时间压力条件下，这种现象尤为真实。其中可能存在一个归因选择过程(Koriat et al.，2006)，这个过程具体解释有待于以后更进一步的实证发现。
3 未来研究趋势
学习判断与学习时间分配策略关系的研究大多集中于MC模型，即“监测影响控制”假设的实证研究。近期的研究，出现了检验CM模型即“控制影响监测”假设以及两模型相互作用的趋势，而对元记忆监测与控制之间关系的研究主要是围绕学习判断与学习时间分配之间的关系来说明。因此，在学习过程中，学习判断对记忆控制产生直接的作用，这在未来几年内将依然是这一领域研究的重要方向。
综上，本文对未来的研究展望如下：
第一，继续验证MC模型。
尽管MC模型已得到许多前人研究的证明，但模型的科学性、丰富性还需要在未来的研究中进一步体现。首先，从进一步改善研究方法和研究思路上进行验证。目前关于MC模型的研究范式大多集中于JOLs的经典研究范式，虽然提出了PRAM修正研究范式，但该范式仍甚少使用。在以后的研究当中，应尽可能地采用PRAM研究范式，以提高实验的客观性和可分析性。除此，希望在今后的研究过程中，能够借助更科学的方法如ERP、fMRI等脑成像技术。最近已出现将学习判断结合ERP的研究报告(Skavhaug，Wilding，& Donaldson，2010)，该研究报告考察学习判断是如何发生的，采用事件相关电位(ERP)来比较JOLs和成功的记忆编码之间的神经关联，ERP数据表明学习判断不会简化为预测记忆判断准确性的编码过程。结果与以往的不一致，显然这为学习判断与学习时间分配的研究提供了一个新的视角。其次，从改变实验材料入手。目前关于学习判断的研究大多以词对(关联性强弱不同)为研究材料，那么，如果采用文本材料，甚至是图片、声音或视频、外语听力等等作为研究材料，那么MC模型的假设是否还能够成立呢？除此，在不同动机引诱下和诱导不同情绪情况下，学习判断与学习时间分配是否仍符合MC模型的假设呢？
第二，力图完善CM模型。
首先，CM模型自被提出的几年内相关的研究报告较少，支持这个观点的证据目前显得很薄弱，因为这必须依赖于相关的资料，而且模型的科学性、合理性、可行性十分需要进一步的实证检验。如CM模型提出学习时间不仅与学习判断呈负相关关系，而且与回忆成绩也呈负相关关系，但Koriat和Ackerman(2010)的研究结果并不支持学习时间对回忆成绩预测的有效性。可见，学习时间有时可能并不是回忆成绩的一种有效预测工具。同样地，事实上很难判定学习判断是根据何种基础来进行的，如学习者在做学习判断时是否真的根据学习时间进行呢？如果说，学习时间暗示了学习经验提供给学习者关于未来回忆成绩可能性的记忆线索，这是否真的允许学习者调整学习时间(Koriat et al.，2006)，是否有更科学的方法来证明目标驱动与数据驱动这两种自我调整策略方式是学习时间分配的根据呢？
其次，Koriat等人(2006，2009)提出的一些术语也有待于进一步的验证，如是否确实存在尝试记住启发式和ELER原则等记忆线索使得学习者可以根据经验来进行学习判断呢？Koriat(2008)实验表明被试在学习中监测自己元认知知识时是以经验为依据的，尽管JOLs可能是从学习经验中获得反馈进行的，特别是学习中流畅性或努力程度，但这种反馈会根据工作性质的不同而不同，突出了归因过程的重要性。因此，监测准确性不仅根据普遍有效的元认知判断启发式，也根据符合自己记忆系统中储存资源的流畅性与努力程度的归因方式。但文章猜想可能还存在另外一些影响因素。
再次，关于学习者做学习判断时是偏向基于信息或理论还是基于经验，这个问题有待于在未来实证中进一步说明。Koriat和Nussinson(2009)研究表明了大学生被试及成人被试更侧重根据经验来进行JOLs，而最近有研究表明当学习者对自己做JOLs时基于经验，而当对他人做JOLs时基于理论(Koriat et al.，2009a；Koriat & Ackerman，2010)。
第三，尝试对这两个模型的合并模型波浪连续型模式和同时发生模型进行检验说明。
事实上，这两个新模型在现实生活情境中尤为常见与真实，学习中监测与控制的双向影响过程对学习者造成了归因的挑战。但相关实证几乎没有，而且目前的研究结果仅借用归因假设来说明人们学习中的监测能力，这是远远不足的，对结果的解释也停留在相关分析上，带有很强的主观性，可能还存在其它一些解释，因此，这个问题非常需要深入探讨。但要验证这两个新模型，首先是要在MC模型和CM模型足够完善的基础上进行的。目前MC模型已得到广泛认同，而CM模型正处于验证与完善期间，因此，对CM模型的验证应当成为目前该领域关注的重点。而关于新模型产生机制的探索，显然才刚刚开始，有待于出现更多相关研究的支持。