殷寶媛¹， 武法提²

(1.哈爾濱師範大(dà)學 教育科學學院， 黑龍江 哈爾濱 150080;

2.數字學習與教育公共服務教育部工(gōng)程研究中心， 北京 100875)

作(zuò)業是連接教與學的重要環節，體現(xiàn)了(le)教育的價值取向和(hé)課程改革的理(lǐ)念。作(zuò)業在K-12教育中具有重要的地位^[1]，作(zuò)業可以補充和(hé)鞏固學生在學校的學習，完善學生的知(zhī)識和(hé)技能(néng)^[2]。因此，培養學生良好(hǎo)的作(zuò)業習慣，對(duì)于學生的學業表現(xiàn)具有重要的意義。随着信息技術的發展，學生做作(zuò)業的方式也(yě)從(cóng)傳統的紙(zhǐ)和(hé)筆(bǐ)作(zuò)業發展到(dào)在線作(zuò)業以及線上(shàng)線下(xià)混合的作(zuò)業形式，與傳統作(zuò)業相比，在線作(zuò)業可以使學生得到(dào)即時(shí)的反饋與輔導，能(néng)帶來(lái)更好(hǎo)的學習結果^[3]。學生在線作(zuò)業的過程會(huì)以數據的形式存儲在學習系統中，如何通過這(zhè)些(xiē)海量的作(zuò)業行爲數據，分析學生的作(zuò)業習慣，爲學生的個性化學習提供支持和(hé)服務，是智能(néng)學習系統設計(jì)中亟待解決的問題。

智能(néng)學習系統中作(zuò)業習慣的建模可以應用(yòng)學習習慣的建模方法，可采用(yòng)自(zì)上(shàng)而下(xià)的理(lǐ)論經驗法和(hé)自(zì)下(xià)而上(shàng)的數據挖掘法相結合的混合式思路，重點解決學習習慣測量模型的維度和(hé)學習習慣模型的測量指标等問題^[4]。

(一)智能(néng)學習系統中作(zuò)業習慣模型維度的确定

在智能(néng)學習系統中，學生的作(zuò)業習慣是通過其作(zuò)業行爲表現(xiàn)出來(lái)的。關于學生作(zuò)業行爲的研究， Flunger B認爲作(zuò)業時(shí)間是作(zuò)業行爲的一個重要特征^[5];Dettmers認爲學生在作(zuò)業中投入的努力程度可以表征其作(zuò)業行爲^[6];Trautwein U的研究表明(míng)，作(zuò)業對(duì)學業成就的積極效果并不能(néng)僅由“作(zuò)業時(shí)間”測量，還與作(zuò)業的完成質量(專注/效率、按時(shí)、正确)有關^[7]，并提出多層次作(zuò)業模型，該模型認爲作(zuò)業時(shí)間(即花(huā)費在作(zuò)業上(shàng)的時(shí)間)和(hé)作(zuò)業努力(即學習者認真對(duì)待作(zuò)業的程度)可以用(yòng)來(lái)表征學生作(zuò)業行爲的兩個中心方面^[8]。本研究以多層次作(zuò)業模型爲基礎，探讨作(zuò)業時(shí)間和(hé)作(zuò)業努力這(zhè)兩類作(zuò)業行爲與哪些(xiē)教育領域常識性的學習習慣概念相對(duì)應，以确定作(zuò)業習慣模型的維度。

1. 通過文(wén)獻分析提取模型維度的關鍵詞

作(zuò)業模型維度關鍵詞篩選的原則有兩個，一是從(cóng)價值性的角度出發，選擇需要測量的作(zuò)業習慣，即教育學領域認爲應該測量的作(zuò)業習慣，對(duì)學習者的學習和(hé)發展會(huì)有重要影響的作(zuò)業習慣;二是從(cóng)實用(yòng)性的角度出發，選擇能(néng)夠測量的作(zuò)業習慣，即當前技術手段等可以實現(xiàn)量化的作(zuò)業習慣。通過收集和(hé)整理(lǐ)國内外(wài)關于學習習慣的文(wén)獻，分析、總結和(hé)提取作(zuò)業學習習慣維度的關鍵詞。共提取出學習習慣維度的關鍵詞76個，其中在線教育維度關鍵詞23個，混合學習環境關鍵詞53個，篩選出與作(zuò)業有關的關鍵詞48個。按照篩選的兩個原則(一是需要測量的;二是能(néng)夠測量的)，對(duì)這(zhè)48個關鍵詞進行篩選。得到(dào)學業拖延、時(shí)間管理(lǐ)、目标計(jì)劃、學習環境、主動學習、協作(zuò)、學業勤奮、獨立思考等8個關鍵詞。

2. 通過專家訪談補充和(hé)修改模型維度的關鍵詞

訪談6位具有在線教學和(hé)研究經驗的專家，了(le)解在線學習環境下(xià)專家對(duì)作(zuò)業習慣關注的要點，經過速記轉錄與整理(lǐ)，形成了(le)訪談文(wén)本資料。使用(yòng)NVivo軟件對(duì)訪談資料進行編碼，提取出教師和(hé)專家關注的作(zuò)業習慣關鍵詞6個(拖延、勤奮、努力、主動、投入、專注)。将文(wén)獻分析的8個關鍵詞與訪談挖掘的關鍵詞進行整合，形成德爾菲法調查問卷的關鍵詞集。

3. 通過德爾菲法确定模型維度

有16位專家(其中包括5位高(gāo)校教師、5位研究人員和(hé)6位中學教師)參與了(le)本研究的德爾菲調查。調查以問卷形式進行，征詢專家對(duì)作(zuò)業習慣模型維度的意見。根據兩輪意見征詢和(hé)修訂，确定将學業拖延、學業勤奮作(zuò)爲兩個重要且可以測量的作(zuò)業習慣的維度，分别表征作(zuò)業時(shí)間、作(zuò)業努力兩個方面作(zuò)業行爲的頻繁程度對(duì)學習的影響。

(二)維度1：學業拖延習慣的測量

作(zuò)業模型中的學業拖延習慣是指當學生面對(duì)與作(zuò)業(學業任務)有關的事(shì)件刺激所呈現(xiàn)的延遲行爲。學業拖延習慣是一種常見的不良學習習慣。研究發現(xiàn)，大(dà)約30%至60%的學習者報(bào)告了(le)自(zì)己在準備考試、寫學期論文(wén)等學習任務時(shí)具有拖延習慣^[9]。學業拖延習慣會(huì)影響學習者的學習表現(xiàn)，阻礙其學習進步，增加其壓力，并降低(dī)生活的質量，對(duì)學習者的身心健康産生消極影響^[10]。由于學業拖延習慣對(duì)學業成就的影響最爲直接，因此也(yě)是許多研究者和(hé)教師關注的問題。

1. 學業拖延習慣子模型構建

在學業拖延習慣的測量上(shàng)，大(dà)多數采用(yòng)調查問卷或量表，通過學習者自(zì)我報(bào)告的形式來(lái)測量拖延習慣，如Tuckman拖延傾向量表(TPS^[11])、Solomon等學業拖延量表(PASS^[12])等;此外(wài)，還有教師評定的方式(如出勤等)測量拖延習慣，如Miligram 等的學業拖延量表(APS^[13])等。學業拖延習慣通常表現(xiàn)爲放(fàng)棄和(hé)推遲完成作(zuò)業。用(yòng)行爲數據來(lái)測量拖延，一般都是判斷行爲是否在截止時(shí)間前完成，用(yòng)在作(zuò)業拖延的測量，通常都是單一維度的判斷提交作(zuò)業的截止時(shí)間^[14]。然而拖延作(zuò)爲從(cóng)時(shí)間角度表征作(zuò)業行爲頻率對(duì)學習影響的變量，不應該僅從(cóng)“完成的時(shí)間”進行單一維度的判斷，還應該包括“做的時(shí)間”維度，做作(zuò)業的時(shí)間長短不僅是學習者知(zhī)識能(néng)力的表現(xiàn)，更是專注力等方面的外(wài)顯。因此，本研究構建了(le)包括“做的時(shí)間”和(hé)“完成的時(shí)間”兩個維度的學業拖延習慣模型，即做題拖延和(hé)提交拖延二維模型。

2. 學業拖延習慣測量的算(suàn)法設計(jì)

研究假設：超出規定做作(zuò)業時(shí)間的次數越多，拖延度越高(gāo);超出規定提交作(zuò)業時(shí)間的次數越多，拖延度越高(gāo)。拖延度表達爲：Pr=f(T，N)。其中，f()是函數關系，Pr表示作(zuò)業的學業拖延度，T表示作(zuò)業學習行爲中與時(shí)間相關的參數，N表示作(zuò)業學習行爲中與拖延次數相關的參數。

(1)做作(zuò)業時(shí)的拖延次數Nd的計(jì)算(suàn)

設Tst表示開(kāi)始做作(zuò)業的時(shí)間、Tsb表示提交作(zuò)業的時(shí)間、Tlt表示規定的做作(zuò)業的時(shí)長、Nd表示做作(zuò)業時(shí)的拖延次數。則第i次做作(zuò)業的時(shí)長Tdu(i)=Tsb(i)-Tst(i);第i次做作(zuò)業拖延的時(shí)長Tpd(i)=Tdu(i)-Tlt(i)。做作(zuò)業時(shí)的拖延次數Nd的計(jì)算(suàn)公式爲：Tpd(i)>0?Nd=Nd+1。其中i=1…n，n爲正整數。

(2)提交作(zuò)業的拖延次數Ns的計(jì)算(suàn)

設Tdl規定最晚提交作(zuò)業的時(shí)間，則第i次提交作(zuò)業拖延的時(shí)長Tps(i)=Tsb(i)-Tdl(i)。提交作(zuò)業的拖延次數Ns的計(jì)算(suàn)公式爲：Tps(i)>0?Ns=Ns+1。其中i=1…n，n爲正整數。

(3)學業拖延度Pr的計(jì)算(suàn)

研究的目的是診斷出具有不同拖延習慣的學習者，即把學業拖延度Pr的計(jì)算(suàn)看(kàn)成一個分類問題。聚類分析是解決分類問題的有效方法，因此可以根據數據的特點，選用(yòng)不同的聚類算(suàn)法，對(duì)Pr進行分類，實現(xiàn)對(duì)學業拖延度的計(jì)算(suàn)。

(三)維度2：學業勤奮習慣模型的測量

學業勤奮習慣用(yòng)于表征作(zuò)業行爲中的努力行爲的頻繁程度。學業勤奮是指學習者自(zì)覺地卷入學習任務，并不懈地追求學習目标的惜時(shí)表現(xiàn)^[15]。研究表明(míng)，學業勤奮習慣對(duì)于學業成就具有預測作(zuò)用(yòng)。在線學習環境下(xià)，學習者面臨更多的誘惑，這(zhè)會(huì)導緻學習者的注意力分散，因此學習者保持學業勤奮習慣對(duì)其學業表現(xiàn)具有重要的作(zuò)用(yòng)。

1. 學業勤奮習慣子模型構建

關于學業勤奮習慣的測量，常采用(yòng)問卷調查法，如Bernard 等編制的基礎教育勤奮調查問卷DI-HS和(hé)高(gāo)等教育勤奮調查問卷DI-HE^[16]等。但(dàn)是問卷測量受到(dào)許多衆所周知(zhī)的限制，尤其是自(zì)我報(bào)告式問卷，存在社會(huì)期望偏差和(hé)其他(tā)的限制，特别是當存在激勵因素時(shí)。有研究者認爲，用(yòng)學習行爲測量學業勤奮可能(néng)比問卷更适合，因爲行爲不依賴于主觀判斷，直接對(duì)行爲進行分析，可以消除參考偏倚、社會(huì)期望偏倚和(hé)造假相關的局限性^[17]。

關于學業勤奮習慣維度的研究主要有兩種取向。第一種是學習時(shí)間(行爲)投入的取向。該取向主要從(cóng)學習者投入學習中的時(shí)間或行爲的多少來(lái)考察學業勤奮度，認爲個體在學習中投入的時(shí)間或行爲越多，個體的學業勤奮水(shuǐ)平就越高(gāo)^[18]。第二種是學習專注度的取向。該取向強調從(cóng)認知(zhī)和(hé)情感投入角度來(lái)探究學業勤奮度，偏重于從(cóng)專注程度的視(shì)角來(lái)考察學業勤奮度^[19]。但(dàn)時(shí)間投入和(hé)專注度是不可分離的，專注度是通過學習時(shí)間投入表現(xiàn)出來(lái)的，學習時(shí)間投入是專注度的載體。因此，單維取向不能(néng)夠有效地對(duì)學習者的學業勤奮度水(shuǐ)平進行合理(lǐ)的評估。爲避免單維水(shuǐ)平評估學習者的學業勤奮的不足，雷浩等綜合了(le)時(shí)間投入和(hé)專注度兩種取向，提出了(le)學業勤奮度的“時(shí)間投入—專注度雙維核心模型”，并檢驗了(le)該模型應用(yòng)的有效性^[15]。但(dàn)是該研究是通過自(zì)編的《中學生學業勤奮度問卷》來(lái)獲得的數據，仍然存在問卷調查法的弊端。因此，本研究以“時(shí)間投入—專注度雙維核心模型”爲理(lǐ)論框架，探索基于學生學習行爲的學業勤奮習慣測量模型。

2. 學業勤奮習慣測量的算(suàn)法設計(jì)

學業勤奮習慣的測量假設是學業勤奮習慣與作(zuò)業學習行爲是相關的。這(zhè)裏主要包括以下(xià)兩個問題：一是學業勤奮習慣水(shuǐ)平與哪些(xiē)在線作(zuò)業行爲相關?二是在線作(zuò)業行爲與學業勤奮習慣水(shuǐ)平的關系是否可以描述爲數學模型?

由于不同學習平台開(kāi)發的目的不同，所提供的工(gōng)具不同，會(huì)導緻學習行爲指标選擇的不同。因此，在确定兩個維度學習行爲的量化指标時(shí)，需要考慮學習平台本身的特點，以及數據采集的可行性。一般來(lái)說，學業勤奮習慣主要表現(xiàn)在做作(zuò)業、觀看(kàn)微視(shì)頻答(dá)題、作(zuò)業互動、資源浏覽等多種行爲，各種行爲對(duì)學業勤奮習慣貢獻的程度也(yě)不同，這(zhè)就導緻學業勤奮習慣的輸入和(hé)輸出是一種複雜(zá)的非線性關系。因此，勤奮習慣的診斷是一個多層次、多目标的問題，難以建立合理(lǐ)、準确的數學公式。對(duì)于多指标的預測和(hé)分類問題，通常采用(yòng)多元線性回歸、logistic回歸等回歸方法，但(dàn)這(zhè)些(xiē)方法是基于線性關系來(lái)進行評價，無法對(duì)非線性問題進行很(hěn)好(hǎo)的逼近。人工(gōng)神經網絡的優勢恰好(hǎo)體現(xiàn)在處理(lǐ)非線性問題上(shàng)，相對(duì)于其他(tā)非線性回歸方法，人工(gōng)神經網絡避免了(le)選取何種非線性函數的困擾，因此本研究根據數據之間的非線性特點，以及需要解決問題的性質，選擇人工(gōng)神經網絡方法對(duì)勤奮習慣進行診斷。

本研究的輸入數據爲學習者歸一化後的特征向量，輸出數據爲勤奮度(勤奮學習習慣的标度)數值，分爲1~5類(1類勤奮度最低(dī)，5類勤奮度最高(gāo))。具體建模步驟包括：第一步，根據“時(shí)間投入—專注度雙維核心模型”的理(lǐ)論框架，以及在線平台可收集到(dào)的學習行爲數據，設計(jì)學業勤奮習慣數字化表征的指标體系。第二步，根據學習行爲指标體系确定輸入層神經元的個數，模型的輸出爲學業勤奮習慣評價的等級，确定模型的拓撲結構。第三步，歸一化處理(lǐ)各指标數據。第四步，采用(yòng)神經網絡對(duì)樣本進行訓練，建立學業勤奮習慣的測量模型。第五步，應用(yòng)學業勤奮習慣測量模型對(duì)學習者進行診斷，并輸出診斷結果，對(duì)模型性能(néng)進行分析。

本研究的實驗平台爲“Cloudbag教育雲平台”，實驗數據來(lái)源爲L中學654名學習者使用(yòng)智能(néng)學習系統進行常态化學習的作(zuò)業行爲數據。首先進行數據清洗，過濾掉因轉學等各種原因未參與的學習者數據，以及由于誤操作(zuò)的多次提交行爲、多次做作(zuò)業的行爲(一個作(zuò)業在不同的時(shí)間做了(le)多次)等數據，得到(dào)有效記錄。其次，處理(lǐ)缺失值和(hé)歸一化數據，應用(yòng)極差變換對(duì)數據進行預處理(lǐ)，将數據進行歸一化，縮放(fàng)到(dào)從(cóng)0到(dào)1的閉區(qū)間。

(一)維度1：學業拖延習慣子模型實驗

根據智能(néng)學習系統中收集的學業拖延習慣數據特征選擇算(suàn)法。由于數據是連續型數值數據，因此選用(yòng)覆蓋型數值劃分聚類算(suàn)法。K-Means聚類是比較成熟的覆蓋型數值劃分聚類算(suàn)法之一，本實驗應用(yòng)K-Means聚類來(lái)實現(xiàn)學業拖延度Pr的分類。

1. 數據分析

本實驗聚類分析的因變量是學業拖延習慣診斷結果，自(zì)變量是做作(zuò)業時(shí)的拖延次數Nd、提交作(zuò)業的拖延次數Ns。當K爲4時(shí)，聚類效果具有最好(hǎo)的解釋力，因此聚類數量選擇爲4。實驗結果如圖1所示，四種拖延類别具有明(míng)顯的分區(qū)，類别1在Nd和(hé)Ns上(shàng)的數值均較小(xiǎo);類别2在Nd和(hé)Ns上(shàng)的數值均較大(dà);類别3在Nd上(shàng)的數值較小(xiǎo)，在Ns上(shàng)的數值較大(dà);類别4在Ns上(shàng)的數值較小(xiǎo)，在Nd上(shàng)的數值較大(dà)。在所有統計(jì)量中，類别1有398個，占60.9%，Nd的中心點是0.49，Ns的中心點是0.69;類别2有45個，占6.9%，Nd的中心點是10.48，Ns的中心點是9.57;類别3有124個，占19.0%，Nd的中心點是2.69，Ns的中心點是8.41;類别4有87個，占13.3%，Nd的中心點是7.8，Ns的中心點是2.39。方差分析結果顯示，Nd、Ns兩個變量能(néng)很(hěn)好(hǎo)地區(qū)分各類(Sig.=0.000)，各類别間的差異較大(dà)。類别1占了(le)整體的60.9%，說明(míng)大(dà)部分學習者在作(zuò)業方面沒有拖延習慣，這(zhè)與中國當前的中學教育現(xiàn)狀有關，在現(xiàn)有的中學教育中，因爲高(gāo)考的指向性，教學模式以教師爲主導，對(duì)于教師安排的作(zuò)業，大(dà)部分學習者都能(néng)在提交時(shí)間前完成，随着時(shí)間的臨近，數據量逐步增加，導緻類别1數值偏大(dà)。

圖1 四種拖延類别在Nd和(hé)Ns上(shàng)的聚類圖

聚類質量的評價采用(yòng)輪廓測量和(hé)Silhouette指數。本研究的Silhouette指數達到(dào)0.8，聚類輪廓測量也(yě)達到(dào)了(le)“好(hǎo)”的水(shuǐ)平，說明(míng)本研究應用(yòng)K-Means聚類分析對(duì)學業拖延習慣的分類具有較好(hǎo)的聚類質量。

2. 具有不同程度學業拖延習慣的學習者特征

從(cóng)不同類型的學習者中選擇特定的受訪者，進行訪談，并結合這(zhè)類受訪者在行爲數據中體現(xiàn)出來(lái)的行爲模式特點，分析學習者的特征。通過對(duì)四類不同學習者進行訪談和(hé)觀察，發現(xiàn)四類學習者在學習上(shàng)具有不同的特征。“無拖延習慣者”即類别爲1的學習者，統計(jì)數據上(shàng)表現(xiàn)爲：Nd和(hé)Ns均較小(xiǎo)。在學習行爲上(shàng)表現(xiàn)爲：基本沒有做題拖延行爲和(hé)提交拖延行爲，能(néng)夠提前或按時(shí)完成作(zuò)業，做作(zuò)業時(shí)注意力較爲集中，被視(shì)爲無拖延學習習慣。“嚴重拖延習慣者”即類别爲2的學習者，統計(jì)數據上(shàng)表現(xiàn)爲：Nd和(hé)Ns均較大(dà)。在學習行爲上(shàng)表現(xiàn)爲：經常出現(xiàn)做題拖延行爲和(hé)提交拖延行爲，通常表現(xiàn)爲學習時(shí)間安排不合理(lǐ)，經常忘記做作(zuò)業，喜歡把作(zuò)業拖後完成或者不完成，而且做作(zuò)業時(shí)注意力不集中，經常被其他(tā)事(shì)情打擾，導緻做作(zuò)業的時(shí)間很(hěn)長，效率較低(dī)。“提交作(zuò)業拖延者”即類别爲3的學習者，統計(jì)數據上(shàng)表現(xiàn)爲：Nd較小(xiǎo)，Ns較大(dà)。在學習行爲上(shàng)表現(xiàn)爲：經常出現(xiàn)提交拖延行爲，但(dàn)很(hěn)少出現(xiàn)做題拖延行爲，這(zhè)類學習者通常表現(xiàn)爲經常忘記做作(zuò)業，喜歡把作(zuò)業拖後完成或者不完成，學習時(shí)間安排不合理(lǐ)，但(dàn)做作(zuò)業時(shí)能(néng)夠集中注意力，效率較高(gāo)。“做作(zuò)業拖延者”即類别爲4的學習者，統計(jì)數據上(shàng)表現(xiàn)爲：Ns較小(xiǎo)，Nd較大(dà);在學習行爲上(shàng)表現(xiàn)爲：經常出現(xiàn)做題拖延行爲，但(dàn)很(hěn)少出現(xiàn)提交拖延行爲，這(zhè)類學習者通常表現(xiàn)爲能(néng)夠按時(shí)完成作(zuò)業，看(kàn)似在努力學習，但(dàn)學習效率不高(gāo)，在做作(zuò)業時(shí)，經常注意力分散、溜号，甚至迷航。以上(shàng)四類學習者，“無拖延習慣者”是具有良好(hǎo)學習習慣的學習者，“嚴重拖延習慣者”“提交作(zuò)業拖延者”“做作(zuò)業拖延者”三類學習者都是具有不良學習習慣的學習者，需要根據其習慣形成的動力因素設計(jì)教學幹預，改善其不良的作(zuò)業習慣^[20]。

3. 模型診斷結果與人工(gōng)診斷結果的對(duì)比

将模型診斷結果與人工(gōng)診斷結果進行對(duì)比，可以幫助完善模型，爲後續研究做準備。随機抽取20位學習者，由兩位該班授課教師研究者背對(duì)背對(duì)20位學習者的拖延類型進行診斷，對(duì)于不一緻的結果，與第三位教師商讨後确定最終值，兩位教師評價的Cohen's Kappa一緻性檢驗結果爲0.821，具有一緻性。模型的診斷結果與教師診斷結果在類型1、類型2和(hé)類型3上(shàng)具有較好(hǎo)的一緻性，而類型4的判斷上(shàng)有一些(xiē)不一緻，模型診斷出類型4的數量要少，說明(míng)模型的判斷标準比教師的判斷标準寬松，原因在于，在判定“規定的做作(zuò)業的時(shí)長”的時(shí)候，教師是按照班級大(dà)多數同學能(néng)夠做完的時(shí)長，但(dàn)當對(duì)學習者個人進行評價時(shí)，教師通常會(huì)從(cóng)自(zì)己的經驗和(hé)預期出發，根據學習者個人的知(zhī)識能(néng)力來(lái)進行判斷。如在某次作(zuò)業中，教師認爲大(dà)多數學習者45分鐘(zhōng)能(néng)夠完成，對(duì)于甲同學(學習基礎比較差)，如果甲45分鐘(zhōng)寫完，教師認爲其沒有拖延，但(dàn)對(duì)于乙同學(學習基礎比較好(hǎo))，如果也(yě)是45分鐘(zhōng)寫完，教師認爲其有拖延，原因是教師對(duì)他(tā)的預期應該是35分鐘(zhōng)之内。因此，模型的後續完善可以考慮增加學習者的知(zhī)識能(néng)力因素。　

(二)維度2：學業勤奮習慣子模型實驗

1. 提煉學習行爲測量指标

通過對(duì)Cloudbag雲平台可收集到(dào)的作(zuò)業學習行爲進行分析，同時(shí)參考已有文(wén)獻的量化指标，提煉出基于Cloudbag教育雲平台的學業勤奮習慣的具體測量指标，共得到(dào)兩個維度下(xià)的8項行爲指标，15項量化指标，本研究的假設框架見表1。這(zhè)15項量化指标與輸出均有關系，但(dàn)沒有直接的線性關系。基于此框架進行數據收集和(hé)分析，并修訂形成最終的學業勤奮習慣子模型。

表1 學業勤奮習慣子模型的假設框架

2. 構建專家樣本

建模的目的是将教師經驗中的學習習慣與學習者的學習行爲建立聯系。本實驗的因變量是學業勤奮習慣，其數據來(lái)自(zì)于各種作(zuò)業行爲;自(zì)變量是專家樣本，來(lái)自(zì)于教師研究者的人工(gōng)标注。人工(gōng)标注勤奮度數值分爲1~5類(1類勤奮度最低(dī)，5類勤奮度最高(gāo));編碼的一緻性檢驗結果Cohen’s Kappa系數爲0.712，對(duì)于不一緻的編碼，加入第三個研究者，共同協商決定編碼的類别。

3. 模型實驗

随機選取60%作(zuò)爲訓練集、20%作(zuò)爲校驗集、20%作(zuò)爲測試集。模型選擇BP神經網絡的多層感知(zhī)器MLP模型，使用(yòng)訓練集對(duì)模型進行訓練，網絡結構爲：輸入層爲15個神經元(歸一化後的15維的特征向量)，輸出層5個神經元作(zuò)爲分類結果(1類勤奮度最低(dī)，5類勤奮度最高(gāo))，隐藏層爲5層。如圖2，多層感知(zhī)器MLP模型對(duì)于學業勤奮分類的精度，在類别1和(hé)5上(shàng)均超過了(le)98%，達到(dào)了(le)較高(gāo)的值，說明(míng)模型在1和(hé)5類型上(shàng)具有較高(gāo)的識别能(néng)力，即對(duì)于“特别勤奮”和(hé)“特别懶惰”的兩類極端學習者具有較好(hǎo)的診斷能(néng)力，這(zhè)符合後續研究的需要，即對(duì)勤奮度不高(gāo)學習者幹預的前提是對(duì)其精确的診斷，尤其是診斷爲“懶惰”的學習者是重點幹預對(duì)象。模型在類别2和(hé)4上(shàng)的精度在85%左右，雖沒有達到(dào)特别高(gāo)的值，但(dàn)符合實際情況，對(duì)于介于“特别勤奮”和(hé)“一般勤奮”，“特别懶惰”和(hé)“有點懶惰”之間的學習者，實踐證明(míng)，人工(gōng)标準也(yě)會(huì)出現(xiàn)±1級别的誤差(在人工(gōng)标注時(shí)，需加入第三個研究者對(duì)于不一緻的編碼進行協商的情況，也(yě)是大(dà)多出現(xiàn)在對(duì)第2類和(hé)第4類的辨别上(shàng))。

4. 基于不同算(suàn)法的模型比較分析

對(duì)于不同的分類問題，高(gāo)精度的算(suàn)法具有更好(hǎo)的識别能(néng)力。下(xià)面，将本實驗應用(yòng)的算(suàn)法與機器學習的主流分類算(suàn)法進行比較。收益圖提供了(le)一種評估和(hé)比較多個預測模型并選擇最合适的預測模型的方法。如圖2所示，多層感知(zhī)器MLP取得了(le)最好(hǎo)的預測效果，支持向量機SVM和(hé)TAN貝葉斯網絡也(yě)取得較好(hǎo)的預測效果，決策樹DecisionTree次之，徑向基函數RBF最差，可見多層感知(zhī)器MLP算(suàn)法的評估指标是五種模型中最高(gāo)的，對(duì)勤奮度分類結果是最優的。因此，本文(wén)提出的基于多層感知(zhī)器MLP的學業勤奮模型，通過輸入的15維特征向量能(néng)夠較爲準确地診斷出學習者的勤奮度級别。

圖 2 多層感知(zhī)器MLP模型的混淆矩陣與多個預測模型的收益圖

對(duì)于診斷出學習者的勤奮度級别的教育意義說明(míng)：勤奮度級别(1、2、3、4、5)分别代表特别不同級别的勤奮習慣(懶惰、有點懶惰、一般、勤奮、特别勤奮)。本研究認爲被診斷爲4級和(hé)5級的學習者是具有良好(hǎo)作(zuò)業習慣的，而被診斷爲1級和(hé)2級的學習者是具有不良作(zuò)業習慣的，分别被定義爲“勤奮嚴重不足者”和(hé)“勤奮不足者”類别，對(duì)于不良作(zuò)業習慣的學習者要采取相應的教育幹預，幫助其改善作(zuò)業習慣。

本研究提出了(le)學業拖延習慣和(hé)學業勤奮習慣的二維作(zuò)業習慣模型，分别表征作(zuò)業時(shí)間、作(zuò)業努力兩個方面作(zuò)業行爲的頻繁程度對(duì)學習的影響。以往學業拖延的測量，通常都是單一維度的對(duì)作(zuò)業提交的截止時(shí)間的判斷，缺乏對(duì)做作(zuò)業拖延的描述。本研究構建了(le)包括“做的時(shí)間”和(hé)“完成的時(shí)間”兩個維度的學業拖延習慣子模型，使學業拖延習慣的研究更加深入。學業勤奮習慣對(duì)于學習者的學業成就具有很(hěn)好(hǎo)預測作(zuò)用(yòng)，但(dàn)學業勤奮與其他(tā)可以用(yòng)學習行爲來(lái)測量的概念(如學習行爲投入)相比，研究成果卻相當有限，學業勤奮的測量也(yě)僅是通過一些(xiē)調查問卷法。本研究提出學業勤奮習慣子模型包括時(shí)間投入和(hé)專注度兩個維度，并根據數據的特點，選擇應用(yòng)人工(gōng)神經網絡實現(xiàn)對(duì)勤奮習慣的表征，診斷出五個級别的勤奮度，從(cóng)而實現(xiàn)了(le)通過學習行爲來(lái)測量學業勤奮習慣，改進了(le)學業勤奮習慣的測量方法。

　　由于學習習慣具有多場景、多學段的特征，未來(lái)需要将本研究提出的作(zuò)業習慣二維模型在不同應用(yòng)場景、不同年齡段群體、不同類型的數據結構表現(xiàn)形式上(shàng)，作(zuò)進一步的驗證，使作(zuò)業習慣測量模型進行多次叠代，不斷提高(gāo)模型的效度。

責任編輯：甄   暾

【參考文(wén)獻】

[1] GILL B P， SCHLOSSMAN S L. Villain or Savior? The American discourse on homework， 1850-2003[J]. Theory into practice， 2004， 43(3)：174-181.

[2] 凱洛夫.教育學(上(shàng))[M].北京：人民教育出版社，1951：151.

[3] SINGH R, SALEEM M, PRADHAN P， et al. Feedback during web-based homework: the role of hints[C]// International Conference on Artificial Intelligence in Education. Auckland：Springer-Verlag， 2011：328-336.

[4] 殷寶媛，武法提.智能(néng)學習系統中學習習慣建模的方法研究[J].電化教育研究，2020，41(4)：55-61.

[5] FLUNGER B， TRAUTWEIN U， NAGENGAST B， et al. A person-centered approach to homework behavior：students' characteristics predict their homework learning type[J]. Contemporary educational psychology， 2017， 48(7)：1-15.

[6] DETTMERS S， TRAUTWEIN U， ， et al. Students' emotions during homework in mathematics：testing a theoretical model of antecedents and achievement outcomes[J]. Contemporary educational psychology， 2011， 36(1)：25-35.

[7] TRAUTWEIN U. The homework–achievement relation reconsidered：differentiating homework time， homework frequency， and homework effort[J]. Learning & instruction， 2007，17(3)：372-388.

[8] DETTMERS S， TRAUTWEIN U，， OLIVER， et al. Homework works if homework quality is high：using multilevel modeling to predict the development of achievement in mathematics [J]. Journal of educational psychology， 2010，102(2)：467-482.

[9] RABIN L A， FOGEL J， NUTTER-UPHAM K E. Academic procrastination in college students：the role of self-reported executive function[J]. Journal of clinical & experimental neuropsychology， 2011， 33(3)：344-357.

[10] STAINTON M， LAY C H， FLETT G L. Trait procrastinators and behavior/trait-specific cognitions[J]. Journal of social behavior & personality， 2000， 15(5)：297-312.

[11] TUCKMAN B W. The Development and concurrent validity of the procrastination scale[J]. Educational & psychological measurement， 1991， 51(2)：473-480.

[12] SOLOMON L J， ROTHBLUM E D. Academic procrastination：frequency and cognitive-behavioral correlates[J].Journal of counseling psychology，1984，31(4)：503-509.

[13] MILGRAM N A， BATORI G， MOWRER D. Correlates of academic procrastination[J]. Journal of school psychology， 1993， 31(4)：487-500.

[14] LEVY Y， RAMIM M M. A Study of online exams procrastination using data analytics techniques[J]. Interdisciplinary journal of e-Learning and learning objects， 2012， 8(1)：97-113.

[15] 雷浩，劉衍玲，魏錦，田瀾，王鑫強.基于時(shí)間投入——專注度雙維核心模型的高(gāo)中生學業勤奮度研究[J].心理(lǐ)發展與教育，2012，28(4)：384-391.

[16] BERNARD H， SCHUTTENBERG E M. Development of the diligence inventory-higher education form[J]. Journal of research & development in education， 1995(28)：91-100.

[17] GALLA B M， PLUMMER B D， WHITE R E， et al. The Academic Diligence Task (ADT)：assessing individual differences in effort on tedious but important schoolwork[J]. Contemporary educational psychology， 2014， 39(4)：314-325.

[18] LOVAT T， CLEMENT N， DALLY K， et al. The impact of values education on school ambience and academic diligence[J]. International journal of educational research， 2011， 50(3)：166-170.

[19] JASINEVICIUS T R， BERNARD H， SCHUTTENBERG E M. Application of the diligence inventory in dental education[J]. Journal of dental education， 1998， 62(4)：294-301.

[20] 殷寶媛，武法提.學習習慣在線幹預的原理(lǐ)與模型設計(jì)[J].電化教育研究，2019，40(12)：72-79.

Study on Modeling of Homework Habits in Intelligent Learning System

YIN Baoyuan¹， WU Fati²

(1.School of Educational Science, Harbin Normal University, Harbin Heilongjiang 150080;

2.Engineering Research Center of Digital Learning and Education Public Service Ministry of Education, Beijing 100875)

[Abstract] Homework habits are closely related to learners' academic achievement and the modeling of homework habits is an urgent problem in the design of intelligent learning system. Based on a multi-level homework model, this study adopts a hybrid research approach to identify "academic procrastination" and "academic diligence" as two important and measurable dimensions of homework habits, which represent the two core types of homework behaviors: homework time and homework effort. A sub-model of academic procrastination habits is constructed, including procrastination in doing and submitting. Clustering is applied to diagnose the habit of academic procrastination, and four types of learners are defined as "non-procrastinators", "severe procrastinators", "procrastinators in submitting" and " procrastinators in doing". Based on the theoretical framework of time investment and focus model, a sub-model of academic diligence habits including time investment and focus is constructed. The artificial neural network is used to diagnose the academic diligence habits, as a result, five levels of diligence are diagnosed, and the validity of the model is verified.

[Keywords] Studying Habit; Homework Habit; Academic Procrastination; Academic Diligence; Intelligent Learning System; Modeling

基金(jīn)項目：教育部人文(wén)社會(huì)科學研究青年基金(jīn)項目“互聯網+教育背景下(xià)學生學習習慣的測評模型研究”(項目編号：18YJC880109)

[作(zuò)者簡介] 殷寶媛(1980—)，女，黑龍江哈爾濱人。副教授，博士，主要從(cóng)事(shì)智能(néng)教育、學習分析、數字化學習資源與學習環境設計(jì)研究。E-mail：ybyuan2000@163.com。武法提爲通訊作(zuò)者，E-mail：wft@bnu.edu.cn。