2022年5月31日，国际教育技术顶级期刊《Educational Technology Research and Development》（SSCI，5年IF 5.580）刊发了陈栩茜团队的研究论文：Corroborating a sorting task measure of individual and of local collective knowledge structure（https://doi.org/10.1007/s11423-022-10123-x）。证实了一种知识结构排序任务方法，该方法在阅读时能够更充分地解释先验知识。Roy B. Clariana（宾夕法尼亚大学州立大学教授，曾为陈栩茜访学时的导师）为文章的第一作者，陈栩茜副教授为文章的共同通讯作者，本实验室为第三完成单位。
本研究以潜在语义分析（LSA）网络中的概念联结网络为参照，探讨分类任务(sorting task)和概念网络分析(concept network analysis)用于检验先行知识对阅读产生作用的有效性。研究将205名汉-英双语被试随机分配到四个处理组中 (汉英-阅读-汉英 / 汉英-阅读-英汉 / 英汉-阅读-汉英 / 英汉-阅读-英汉)，被试首先根据自己对词汇的理解，在不同的语言顺序条件下，对与目标文本内容相关的关键词进行分类 (i.e., 阅读前分类任务)，然后阅读目标文本，并在不同的语言顺序条件下，再次对关键词进行分类 (i.e., 阅读后分类任务)。分类任务基于被试对关键词之间的联系紧密度展开。即，若被试认为两个词关系紧密，则将其置放于分类任务界面中较近的位置，否则，则将两者置于分类任务界面中较远的距离。所有阅读前和阅读后的分类任务数据均转换为Pathfinder网络，并与LSA网络中的多词聚类网络进行比较，获得网络之间的重合度 (overlap)。结果发现，不同语言环境下，对关键
词的形成的概念结构不同，且概念结构的产出受阅读前分类任务的语言顺序、阅读任务和阅读后分类任务的语言的多重影响。研究者认为，基于分类任务进行的概念网络分析可以作为检验阅读中知识理解、整合特点的有效指标。同时，因其操作简单、客观，分类任务和概念网络分析可作为检验阅读理解效果的重要辅助手段，并应用于实际教学中。