殷寶媛¹， 武法提²

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

2.數字學習(xí)與教育公共服務教育部工程研究中心， 北(běi)京 100875)

作業是連接教與學的(de)重要環節，體現了(le)教育的(de)價值取向和(hé)課程改革的(de)理(lǐ)念。作業在K-12教育中具有重要的(de)地位^[1]，作業可(kě)以補充和(hé)鞏固學生在學校的(de)學習(xí)，完善學生的(de)知識和(hé)技能^[2]。因此，培養學生良好的(de)作業習(xí)慣，對(duì)于學生的(de)學業表現具有重要的(de)意義。随著(zhe)信息技術的(de)發展，學生做(zuò)作業的(de)方式也(yě)從傳統的(de)紙和(hé)筆作業發展到在線作業以及線上線下(xià)混合的(de)作業形式，與傳統作業相比，在線作業可(kě)以使學生得(de)到即時(shí)的(de)反饋與輔導，能帶來(lái)更好的(de)學習(xí)結果^[3]。學生在線作業的(de)過程會以數據的(de)形式存儲在學習(xí)系統中，如何通(tōng)過這(zhè)些海量的(de)作業行爲數據，分(fēn)析學生的(de)作業習(xí)慣，爲學生的(de)個(gè)性化(huà)學習(xí)提供支持和(hé)服務，是智能學習(xí)系統設計中亟待解決的(de)問題。

智能學習(xí)系統中作業習(xí)慣的(de)建模可(kě)以應用(yòng)學習(xí)習(xí)慣的(de)建模方法，可(kě)采用(yòng)自上而下(xià)的(de)理(lǐ)論經驗法和(hé)自下(xià)而上的(de)數據挖掘法相結合的(de)混合式思路，重點解決學習(xí)習(xí)慣測量模型的(de)維度和(hé)學習(xí)習(xí)慣模型的(de)測量指标等問題^[4]。

(一)智能學習(xí)系統中作業習(xí)慣模型維度的(de)确定

在智能學習(xí)系統中，學生的(de)作業習(xí)慣是通(tōng)過其作業行爲表現出來(lái)的(de)。關于學生作業行爲的(de)研究， Flunger B認爲作業時(shí)間是作業行爲的(de)一個(gè)重要特征^[5];Dettmers認爲學生在作業中投入的(de)努力程度可(kě)以表征其作業行爲^[6];Trautwein U的(de)研究表明(míng)，作業對(duì)學業成就的(de)積極效果并不能僅由“作業時(shí)間”測量，還(hái)與作業的(de)完成質量(專注/效率、按時(shí)、正确)有關^[7]，并提出多(duō)層次作業模型，該模型認爲作業時(shí)間(即花費在作業上的(de)時(shí)間)和(hé)作業努力(即學習(xí)者認真對(duì)待作業的(de)程度)可(kě)以用(yòng)來(lái)表征學生作業行爲的(de)兩個(gè)中心方面^[8]。本研究以多(duō)層次作業模型爲基礎，探討(tǎo)作業時(shí)間和(hé)作業努力這(zhè)兩類作業行爲與哪些教育領域常識性的(de)學習(xí)習(xí)慣概念相對(duì)應，以确定作業習(xí)慣模型的(de)維度。

1. 通(tōng)過文獻分(fēn)析提取模型維度的(de)關鍵詞

作業模型維度關鍵詞篩選的(de)原則有兩個(gè)，一是從價值性的(de)角度出發，選擇需要測量的(de)作業習(xí)慣，即教育學領域認爲應該測量的(de)作業習(xí)慣，對(duì)學習(xí)者的(de)學習(xí)和(hé)發展會有重要影(yǐng)響的(de)作業習(xí)慣;二是從實用(yòng)性的(de)角度出發，選擇能夠測量的(de)作業習(xí)慣，即當前技術手段等可(kě)以實現量化(huà)的(de)作業習(xí)慣。通(tōng)過收集和(hé)整理(lǐ)國内外關于學習(xí)習(xí)慣的(de)文獻，分(fēn)析、總結和(hé)提取作業學習(xí)習(xí)慣維度的(de)關鍵詞。共提取出學習(xí)習(xí)慣維度的(de)關鍵詞76個(gè)，其中在線教育維度關鍵詞23個(gè)，混合學習(xí)環境關鍵詞53個(gè)，篩選出與作業有關的(de)關鍵詞48個(gè)。按照(zhào)篩選的(de)兩個(gè)原則(一是需要測量的(de);二是能夠測量的(de))，對(duì)這(zhè)48個(gè)關鍵詞進行篩選。得(de)到學業拖延、時(shí)間管理(lǐ)、目标計劃、學習(xí)環境、主動學習(xí)、協作、學業勤奮、獨立思考等8個(gè)關鍵詞。

2. 通(tōng)過專家訪談補充和(hé)修改模型維度的(de)關鍵詞

訪談6位具有在線教學和(hé)研究經驗的(de)專家，了(le)解在線學習(xí)環境下(xià)專家對(duì)作業習(xí)慣關注的(de)要點，經過速記轉錄與整理(lǐ)，形成了(le)訪談文本資料。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(de)作業習(xí)慣關鍵詞6個(gè)(拖延、勤奮、努力、主動、投入、專注)。将文獻分(fēn)析的(de)8個(gè)關鍵詞與訪談挖掘的(de)關鍵詞進行整合，形成德爾菲法調查問卷的(de)關鍵詞集。

3. 通(tōng)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(rén)員(yuán)和(hé)6位中學教師)參與了(le)本研究的(de)德爾菲調查。調查以問卷形式進行，征詢專家對(duì)作業習(xí)慣模型維度的(de)意見。根據兩輪意見征詢和(hé)修訂，确定将學業拖延、學業勤奮作爲兩個(gè)重要且可(kě)以測量的(de)作業習(xí)慣的(de)維度，分(fēn)别表征作業時(shí)間、作業努力兩個(gè)方面作業行爲的(de)頻(pín)繁程度對(duì)學習(xí)的(de)影(yǐng)響。

(二)維度1：學業拖延習(xí)慣的(de)測量

作業模型中的(de)學業拖延習(xí)慣是指當學生面對(duì)與作業(學業任務)有關的(de)事件刺激所呈現的(de)延遲行爲。學業拖延習(xí)慣是一種常見的(de)不良學習(xí)習(xí)慣。研究發現，大(dà)約30%至60%的(de)學習(xí)者報告了(le)自己在準備考試、寫學期論文等學習(xí)任務時(shí)具有拖延習(xí)慣^[9]。學業拖延習(xí)慣會影(yǐng)響學習(xí)者的(de)學習(xí)表現，阻礙其學習(xí)進步，增加其壓力，并降低生活的(de)質量，對(duì)學習(xí)者的(de)身心健康産生消極影(yǐng)響^[10]。由于學業拖延習(xí)慣對(duì)學業成就的(de)影(yǐng)響最爲直接，因此也(yě)是許多(duō)研究者和(hé)教師關注的(de)問題。

1. 學業拖延習(xí)慣子模型構建

在學業拖延習(xí)慣的(de)測量上，大(dà)多(duō)數采用(yòng)調查問卷或量表，通(tōng)過學習(xí)者自我報告的(de)形式來(lái)測量拖延習(xí)慣，如Tuckman拖延傾向量表(TPS^[11])、Solomon等學業拖延量表(PASS^[12])等;此外，還(hái)有教師評定的(de)方式(如出勤等)測量拖延習(xí)慣，如Miligram 等的(de)學業拖延量表(APS^[13])等。學業拖延習(xí)慣通(tōng)常表現爲放棄和(hé)推遲完成作業。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)在作業拖延的(de)測量，通(tōng)常都是單一維度的(de)判斷提交作業的(de)截止時(shí)間^[14]。然而拖延作爲從時(shí)間角度表征作業行爲頻(pín)率對(duì)學習(xí)影(yǐng)響的(de)變量，不應該僅從“完成的(de)時(shí)間”進行單一維度的(de)判斷，還(hái)應該包括“做(zuò)的(de)時(shí)間”維度，做(zuò)作業的(de)時(shí)間長(cháng)短不僅是學習(xí)者知識能力的(de)表現，更是專注力等方面的(de)外顯。因此，本研究構建了(le)包括“做(zuò)的(de)時(shí)間”和(hé)“完成的(de)時(shí)間”兩個(gè)維度的(de)學業拖延習(xí)慣模型，即做(zuò)題拖延和(hé)提交拖延二維模型。

2. 學業拖延習(xí)慣測量的(de)算(suàn)法設計

研究假設：超出規定做(zuò)作業時(shí)間的(de)次數越多(duō)，拖延度越高(gāo);超出規定提交作業時(shí)間的(de)次數越多(duō)，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表示作業的(de)學業拖延度，T表示作業學習(xí)行爲中與時(shí)間相關的(de)參數，N表示作業學習(xí)行爲中與拖延次數相關的(de)參數。

(1)做(zuò)作業時(shí)的(de)拖延次數Nd的(de)計算(suàn)

設Tst表示開始做(zuò)作業的(de)時(shí)間、Tsb表示提交作業的(de)時(shí)間、Tlt表示規定的(de)做(zuò)作業的(de)時(shí)長(cháng)、Nd表示做(zuò)作業時(shí)的(de)拖延次數。則第i次做(zuò)作業的(de)時(shí)長(cháng)Tdu(i)=Tsb(i)-Tst(i);第i次做(zuò)作業拖延的(de)時(shí)長(cháng)Tpd(i)=Tdu(i)-Tlt(i)。做(zuò)作業時(shí)的(de)拖延次數Nd的(de)計算(suàn)公式爲：Tpd(i)>0?Nd=Nd+1。其中i=1…n，n爲正整數。

(2)提交作業的(de)拖延次數Ns的(de)計算(suàn)

設Tdl規定最晚提交作業的(de)時(shí)間，則第i次提交作業拖延的(de)時(shí)長(cháng)Tps(i)=Tsb(i)-Tdl(i)。提交作業的(de)拖延次數Ns的(de)計算(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(de)計算(suàn)

研究的(de)目的(de)是診斷出具有不同拖延習(xí)慣的(de)學習(xí)者，即把學業拖延度Pr的(de)計算(suàn)看成一個(gè)分(fēn)類問題。聚類分(fēn)析是解決分(fēn)類問題的(de)有效方法，因此可(kě)以根據數據的(de)特點，選用(yòng)不同的(de)聚類算(suàn)法，對(duì)Pr進行分(fēn)類，實現對(duì)學業拖延度的(de)計算(suàn)。

(三)維度2：學業勤奮習(xí)慣模型的(de)測量

學業勤奮習(xí)慣用(yòng)于表征作業行爲中的(de)努力行爲的(de)頻(pín)繁程度。學業勤奮是指學習(xí)者自覺地卷入學習(xí)任務，并不懈地追求學習(xí)目标的(de)惜時(shí)表現^[15]。研究表明(míng)，學業勤奮習(xí)慣對(duì)于學業成就具有預測作用(yòng)。在線學習(xí)環境下(xià)，學習(xí)者面臨更多(duō)的(de)誘惑，這(zhè)會導緻學習(xí)者的(de)注意力分(fēn)散，因此學習(xí)者保持學業勤奮習(xí)慣對(duì)其學業表現具有重要的(de)作用(yòng)。

1. 學業勤奮習(xí)慣子模型構建

關于學業勤奮習(xí)慣的(de)測量，常采用(yòng)問卷調查法，如Bernard 等編制的(de)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。但是問卷測量受到許多(duō)衆所周知的(de)限制，尤其是自我報告式問卷，存在社會期望偏差和(hé)其他(tā)的(de)限制，特别是當存在激勵因素時(shí)。有研究者認爲，用(yòng)學習(xí)行爲測量學業勤奮可(kě)能比問卷更适合，因爲行爲不依賴于主觀判斷，直接對(duì)行爲進行分(fēn)析，可(kě)以消除參考偏倚、社會期望偏倚和(hé)造假相關的(de)局限性^[17]。

關于學業勤奮習(xí)慣維度的(de)研究主要有兩種取向。第一種是學習(xí)時(shí)間(行爲)投入的(de)取向。該取向主要從學習(xí)者投入學習(xí)中的(de)時(shí)間或行爲的(de)多(duō)少來(lái)考察學業勤奮度，認爲個(gè)體在學習(xí)中投入的(de)時(shí)間或行爲越多(duō)，個(gè)體的(de)學業勤奮水(shuǐ)平就越高(gāo)^[18]。第二種是學習(xí)專注度的(de)取向。該取向強調從認知和(hé)情感投入角度來(lái)探究學業勤奮度，偏重于從專注程度的(de)視角來(lái)考察學業勤奮度^[19]。但時(shí)間投入和(hé)專注度是不可(kě)分(fēn)離的(de)，專注度是通(tōng)過學習(xí)時(shí)間投入表現出來(lái)的(de)，學習(xí)時(shí)間投入是專注度的(de)載體。因此，單維取向不能夠有效地對(duì)學習(xí)者的(de)學業勤奮度水(shuǐ)平進行合理(lǐ)的(de)評估。爲避免單維水(shuǐ)平評估學習(xí)者的(de)學業勤奮的(de)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(de)“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(de)有效性^[15]。但是該研究是通(tōng)過自編的(de)《中學生學業勤奮度問卷》來(lái)獲得(de)的(de)數據，仍然存在問卷調查法的(de)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(xí)行爲的(de)學業勤奮習(xí)慣測量模型。

2. 學業勤奮習(xí)慣測量的(de)算(suàn)法設計

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

由于不同學習(xí)平台開發的(de)目的(de)不同，所提供的(de)工具不同，會導緻學習(xí)行爲指标選擇的(de)不同。因此，在确定兩個(gè)維度學習(xí)行爲的(de)量化(huà)指标時(shí)，需要考慮學習(xí)平台本身的(de)特點，以及數據采集的(de)可(kě)行性。一般來(lái)說，學業勤奮習(xí)慣主要表現在做(zuò)作業、觀看微視頻(pín)答(dá)題、作業互動、資源浏覽等多(duō)種行爲，各種行爲對(duì)學業勤奮習(xí)慣貢獻的(de)程度也(yě)不同，這(zhè)就導緻學業勤奮習(xí)慣的(de)輸入和(hé)輸出是一種複雜(zá)的(de)非線性關系。因此，勤奮習(xí)慣的(de)診斷是一個(gè)多(duō)層次、多(duō)目标的(de)問題，難以建立合理(lǐ)、準确的(de)數學公式。對(duì)于多(duō)指标的(de)預測和(hé)分(fēn)類問題，通(tōng)常采用(yòng)多(duō)元線性回歸、logistic回歸等回歸方法，但這(zhè)些方法是基于線性關系來(lái)進行評價，無法對(duì)非線性問題進行很好的(de)逼近。人(rén)工神經網絡的(de)優勢恰好體現在處理(lǐ)非線性問題上，相對(duì)于其他(tā)非線性回歸方法，人(rén)工神經網絡避免了(le)選取何種非線性函數的(de)困擾，因此本研究根據數據之間的(de)非線性特點，以及需要解決問題的(de)性質，選擇人(rén)工神經網絡方法對(duì)勤奮習(xí)慣進行診斷。

本研究的(de)輸入數據爲學習(xí)者歸一化(huà)後的(de)特征向量，輸出數據爲勤奮度(勤奮學習(xí)習(xí)慣的(de)标度)數值，分(fēn)爲1~5類(1類勤奮度最低，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(de)理(lǐ)論框架，以及在線平台可(kě)收集到的(de)學習(xí)行爲數據，設計學業勤奮習(xí)慣數字化(huà)表征的(de)指标體系。第二步，根據學習(xí)行爲指标體系确定輸入層神經元的(de)個(gè)數，模型的(de)輸出爲學業勤奮習(xí)慣評價的(de)等級，确定模型的(de)拓撲結構。第三步，歸一化(huà)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(xí)慣的(de)測量模型。第五步，應用(yòng)學業勤奮習(xí)慣測量模型對(duì)學習(xí)者進行診斷，并輸出診斷結果，對(duì)模型性能進行分(fēn)析。

本研究的(de)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(xí)者使用(yòng)智能學習(xí)系統進行常态化(huà)學習(xí)的(de)作業行爲數據。首先進行數據清洗，過濾掉因轉學等各種原因未參與的(de)學習(xí)者數據，以及由于誤操作的(de)多(duō)次提交行爲、多(duō)次做(zuò)作業的(de)行爲(一個(gè)作業在不同的(de)時(shí)間做(zuò)了(le)多(duō)次)等數據，得(de)到有效記錄。其次，處理(lǐ)缺失值和(hé)歸一化(huà)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(huà)，縮放到從0到1的(de)閉區(qū)間。

(一)維度1：學業拖延習(xí)慣子模型實驗

根據智能學習(xí)系統中收集的(de)學業拖延習(xí)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(fēn)聚類算(suàn)法。K-Means聚類是比較成熟的(de)覆蓋型數值劃分(fēn)聚類算(suàn)法之一，本實驗應用(yòng)K-Means聚類來(lái)實現學業拖延度Pr的(de)分(fēn)類。

1. 數據分(fēn)析

本實驗聚類分(fēn)析的(de)因變量是學業拖延習(xí)慣診斷結果，自變量是做(zuò)作業時(shí)的(de)拖延次數Nd、提交作業的(de)拖延次數Ns。當K爲4時(shí)，聚類效果具有最好的(de)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(de)分(fēn)區(qū)，類别1在Nd和(hé)Ns上的(de)數值均較小;類别2在Nd和(hé)Ns上的(de)數值均較大(dà);類别3在Nd上的(de)數值較小，在Ns上的(de)數值較大(dà);類别4在Ns上的(de)數值較小，在Nd上的(de)數值較大(dà)。在所有統計量中，類别1有398個(gè)，占60.9%，Nd的(de)中心點是0.49，Ns的(de)中心點是0.69;類别2有45個(gè)，占6.9%，Nd的(de)中心點是10.48，Ns的(de)中心點是9.57;類别3有124個(gè)，占19.0%，Nd的(de)中心點是2.69，Ns的(de)中心點是8.41;類别4有87個(gè)，占13.3%，Nd的(de)中心點是7.8，Ns的(de)中心點是2.39。方差分(fēn)析結果顯示，Nd、Ns兩個(gè)變量能很好地區(qū)分(fēn)各類(Sig.=0.000)，各類别間的(de)差異較大(dà)。類别1占了(le)整體的(de)60.9%，說明(míng)大(dà)部分(fēn)學習(xí)者在作業方面沒有拖延習(xí)慣，這(zhè)與中國當前的(de)中學教育現狀有關，在現有的(de)中學教育中，因爲高(gāo)考的(de)指向性，教學模式以教師爲主導，對(duì)于教師安排的(de)作業，大(dà)部分(fēn)學習(xí)者都能在提交時(shí)間前完成，随著(zhe)時(shí)間的(de)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上的(de)聚類圖

聚類質量的(de)評價采用(yòng)輪廓測量和(hé)Silhouette指數。本研究的(de)Silhouette指數達到0.8，聚類輪廓測量也(yě)達到了(le)“好”的(de)水(shuǐ)平，說明(míng)本研究應用(yòng)K-Means聚類分(fēn)析對(duì)學業拖延習(xí)慣的(de)分(fēn)類具有較好的(de)聚類質量。

2. 具有不同程度學業拖延習(xí)慣的(de)學習(xí)者特征

從不同類型的(de)學習(xí)者中選擇特定的(de)受訪者，進行訪談，并結合這(zhè)類受訪者在行爲數據中體現出來(lái)的(de)行爲模式特點，分(fēn)析學習(xí)者的(de)特征。通(tōng)過對(duì)四類不同學習(xí)者進行訪談和(hé)觀察，發現四類學習(xí)者在學習(xí)上具有不同的(de)特征。“無拖延習(xí)慣者”即類别爲1的(de)學習(xí)者，統計數據上表現爲：Nd和(hé)Ns均較小。在學習(xí)行爲上表現爲：基本沒有做(zuò)題拖延行爲和(hé)提交拖延行爲，能夠提前或按時(shí)完成作業，做(zuò)作業時(shí)注意力較爲集中，被視爲無拖延學習(xí)習(xí)慣。“嚴重拖延習(xí)慣者”即類别爲2的(de)學習(xí)者，統計數據上表現爲：Nd和(hé)Ns均較大(dà)。在學習(xí)行爲上表現爲：經常出現做(zuò)題拖延行爲和(hé)提交拖延行爲，通(tōng)常表現爲學習(xí)時(shí)間安排不合理(lǐ)，經常忘記做(zuò)作業，喜歡把作業拖後完成或者不完成，而且做(zuò)作業時(shí)注意力不集中，經常被其他(tā)事情打擾，導緻做(zuò)作業的(de)時(shí)間很長(cháng)，效率較低。“提交作業拖延者”即類别爲3的(de)學習(xí)者，統計數據上表現爲：Nd較小，Ns較大(dà)。在學習(xí)行爲上表現爲：經常出現提交拖延行爲，但很少出現做(zuò)題拖延行爲，這(zhè)類學習(xí)者通(tōng)常表現爲經常忘記做(zuò)作業，喜歡把作業拖後完成或者不完成，學習(xí)時(shí)間安排不合理(lǐ)，但做(zuò)作業時(shí)能夠集中注意力，效率較高(gāo)。“做(zuò)作業拖延者”即類别爲4的(de)學習(xí)者，統計數據上表現爲：Ns較小，Nd較大(dà);在學習(xí)行爲上表現爲：經常出現做(zuò)題拖延行爲，但很少出現提交拖延行爲，這(zhè)類學習(xí)者通(tōng)常表現爲能夠按時(shí)完成作業，看似在努力學習(xí)，但學習(xí)效率不高(gāo)，在做(zuò)作業時(shí)，經常注意力分(fēn)散、溜号，甚至迷航。以上四類學習(xí)者，“無拖延習(xí)慣者”是具有良好學習(xí)習(xí)慣的(de)學習(xí)者，“嚴重拖延習(xí)慣者”“提交作業拖延者”“做(zuò)作業拖延者”三類學習(xí)者都是具有不良學習(xí)習(xí)慣的(de)學習(xí)者，需要根據其習(xí)慣形成的(de)動力因素設計教學幹預，改善其不良的(de)作業習(xí)慣^[20]。

3. 模型診斷結果與人(rén)工診斷結果的(de)對(duì)比

将模型診斷結果與人(rén)工診斷結果進行對(duì)比，可(kě)以幫助完善模型，爲後續研究做(zuò)準備。随機抽取20位學習(xí)者，由兩位該班授課教師研究者背對(duì)背對(duì)20位學習(xí)者的(de)拖延類型進行診斷，對(duì)于不一緻的(de)結果，與第三位教師商討(tǎo)後确定最終值，兩位教師評價的(de)Cohen's Kappa一緻性檢驗結果爲0.821，具有一緻性。模型的(de)診斷結果與教師診斷結果在類型1、類型2和(hé)類型3上具有較好的(de)一緻性，而類型4的(de)判斷上有一些不一緻，模型診斷出類型4的(de)數量要少，說明(míng)模型的(de)判斷标準比教師的(de)判斷标準寬松，原因在于，在判定“規定的(de)做(zuò)作業的(de)時(shí)長(cháng)”的(de)時(shí)候，教師是按照(zhào)班級大(dà)多(duō)數同學能夠做(zuò)完的(de)時(shí)長(cháng)，但當對(duì)學習(xí)者個(gè)人(rén)進行評價時(shí)，教師通(tōng)常會從自己的(de)經驗和(hé)預期出發，根據學習(xí)者個(gè)人(rén)的(de)知識能力來(lái)進行判斷。如在某次作業中，教師認爲大(dà)多(duō)數學習(xí)者45分(fēn)鐘(zhōng)能夠完成，對(duì)于甲同學(學習(xí)基礎比較差)，如果甲45分(fēn)鐘(zhōng)寫完，教師認爲其沒有拖延，但對(duì)于乙同學(學習(xí)基礎比較好)，如果也(yě)是45分(fēn)鐘(zhōng)寫完，教師認爲其有拖延，原因是教師對(duì)他(tā)的(de)預期應該是35分(fēn)鐘(zhōng)之内。因此，模型的(de)後續完善可(kě)以考慮增加學習(xí)者的(de)知識能力因素。　

(二)維度2：學業勤奮習(xí)慣子模型實驗

1. 提煉學習(xí)行爲測量指标

通(tōng)過對(duì)Cloudbag雲平台可(kě)收集到的(de)作業學習(xí)行爲進行分(fēn)析，同時(shí)參考已有文獻的(de)量化(huà)指标，提煉出基于Cloudbag教育雲平台的(de)學業勤奮習(xí)慣的(de)具體測量指标，共得(de)到兩個(gè)維度下(xià)的(de)8項行爲指标，15項量化(huà)指标，本研究的(de)假設框架見表1。這(zhè)15項量化(huà)指标與輸出均有關系，但沒有直接的(de)線性關系。基于此框架進行數據收集和(hé)分(fēn)析，并修訂形成最終的(de)學業勤奮習(xí)慣子模型。

表1 學業勤奮習(xí)慣子模型的(de)假設框架

2. 構建專家樣本

建模的(de)目的(de)是将教師經驗中的(de)學習(xí)習(xí)慣與學習(xí)者的(de)學習(xí)行爲建立聯系。本實驗的(de)因變量是學業勤奮習(xí)慣，其數據來(lái)自于各種作業行爲;自變量是專家樣本，來(lái)自于教師研究者的(de)人(rén)工标注。人(rén)工标注勤奮度數值分(fēn)爲1~5類(1類勤奮度最低，5類勤奮度最高(gāo));編碼的(de)一緻性檢驗結果Cohen’s Kappa系數爲0.712，對(duì)于不一緻的(de)編碼，加入第三個(gè)研究者，共同協商決定編碼的(de)類别。

3. 模型實驗

随機選取60%作爲訓練集、20%作爲校驗集、20%作爲測試集。模型選擇BP神經網絡的(de)多(duō)層感知器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(gè)神經元(歸一化(huà)後的(de)15維的(de)特征向量)，輸出層5個(gè)神經元作爲分(fēn)類結果(1類勤奮度最低，5類勤奮度最高(gāo))，隐藏層爲5層。如圖2，多(duō)層感知器MLP模型對(duì)于學業勤奮分(fēn)類的(de)精度，在類别1和(hé)5上均超過了(le)98%，達到了(le)較高(gāo)的(de)值，說明(míng)模型在1和(hé)5類型上具有較高(gāo)的(de)識别能力，即對(duì)于“特别勤奮”和(hé)“特别懶惰”的(de)兩類極端學習(xí)者具有較好的(de)診斷能力，這(zhè)符合後續研究的(de)需要，即對(duì)勤奮度不高(gāo)學習(xí)者幹預的(de)前提是對(duì)其精确的(de)診斷，尤其是診斷爲“懶惰”的(de)學習(xí)者是重點幹預對(duì)象。模型在類别2和(hé)4上的(de)精度在85%左右，雖沒有達到特别高(gāo)的(de)值，但符合實際情況，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(de)學習(xí)者，實踐證明(míng)，人(rén)工标準也(yě)會出現±1級别的(de)誤差(在人(rén)工标注時(shí)，需加入第三個(gè)研究者對(duì)于不一緻的(de)編碼進行協商的(de)情況，也(yě)是大(dà)多(duō)出現在對(duì)第2類和(hé)第4類的(de)辨别上)。

4. 基于不同算(suàn)法的(de)模型比較分(fēn)析

對(duì)于不同的(de)分(fēn)類問題，高(gāo)精度的(de)算(suàn)法具有更好的(de)識别能力。下(xià)面，将本實驗應用(yòng)的(de)算(suàn)法與機器學習(xí)的(de)主流分(fēn)類算(suàn)法進行比較。收益圖提供了(le)一種評估和(hé)比較多(duō)個(gè)預測模型并選擇最合适的(de)預測模型的(de)方法。如圖2所示，多(duō)層感知器MLP取得(de)了(le)最好的(de)預測效果，支持向量機SVM和(hé)TAN貝葉斯網絡也(yě)取得(de)較好的(de)預測效果，決策樹DecisionTree次之，徑向基函數RBF最差，可(kě)見多(duō)層感知器MLP算(suàn)法的(de)評估指标是五種模型中最高(gāo)的(de)，對(duì)勤奮度分(fēn)類結果是最優的(de)。因此，本文提出的(de)基于多(duō)層感知器MLP的(de)學業勤奮模型，通(tōng)過輸入的(de)15維特征向量能夠較爲準确地診斷出學習(xí)者的(de)勤奮度級别。

圖 2 多(duō)層感知器MLP模型的(de)混淆矩陣與多(duō)個(gè)預測模型的(de)收益圖

對(duì)于診斷出學習(xí)者的(de)勤奮度級别的(de)教育意義說明(míng)：勤奮度級别(1、2、3、4、5)分(fēn)别代表特别不同級别的(de)勤奮習(xí)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(de)學習(xí)者是具有良好作業習(xí)慣的(de)，而被診斷爲1級和(hé)2級的(de)學習(xí)者是具有不良作業習(xí)慣的(de)，分(fēn)别被定義爲“勤奮嚴重不足者”和(hé)“勤奮不足者”類别，對(duì)于不良作業習(xí)慣的(de)學習(xí)者要采取相應的(de)教育幹預，幫助其改善作業習(xí)慣。

本研究提出了(le)學業拖延習(xí)慣和(hé)學業勤奮習(xí)慣的(de)二維作業習(xí)慣模型，分(fēn)别表征作業時(shí)間、作業努力兩個(gè)方面作業行爲的(de)頻(pín)繁程度對(duì)學習(xí)的(de)影(yǐng)響。以往學業拖延的(de)測量，通(tōng)常都是單一維度的(de)對(duì)作業提交的(de)截止時(shí)間的(de)判斷，缺乏對(duì)做(zuò)作業拖延的(de)描述。本研究構建了(le)包括“做(zuò)的(de)時(shí)間”和(hé)“完成的(de)時(shí)間”兩個(gè)維度的(de)學業拖延習(xí)慣子模型，使學業拖延習(xí)慣的(de)研究更加深入。學業勤奮習(xí)慣對(duì)于學習(xí)者的(de)學業成就具有很好預測作用(yòng)，但學業勤奮與其他(tā)可(kě)以用(yòng)學習(xí)行爲來(lái)測量的(de)概念(如學習(xí)行爲投入)相比，研究成果卻相當有限，學業勤奮的(de)測量也(yě)僅是通(tōng)過一些調查問卷法。本研究提出學業勤奮習(xí)慣子模型包括時(shí)間投入和(hé)專注度兩個(gè)維度，并根據數據的(de)特點，選擇應用(yòng)人(rén)工神經網絡實現對(duì)勤奮習(xí)慣的(de)表征，診斷出五個(gè)級别的(de)勤奮度，從而實現了(le)通(tōng)過學習(xí)行爲來(lái)測量學業勤奮習(xí)慣，改進了(le)學業勤奮習(xí)慣的(de)測量方法。

　　由于學習(xí)習(xí)慣具有多(duō)場(chǎng)景、多(duō)學段的(de)特征，未來(lái)需要将本研究提出的(de)作業習(xí)慣二維模型在不同應用(yòng)場(chǎng)景、不同年齡段群體、不同類型的(de)數據結構表現形式上，作進一步的(de)驗證，使作業習(xí)慣測量模型進行多(duō)次叠代，不斷提高(gāo)模型的(de)效度。

責任編輯：甄   暾

【參考文獻】

[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)[M].北(běi)京：人(rén)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.智能學習(xí)系統中學習(xí)習(xí)慣建模的(de)方法研究[J].電化(huà)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(de)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(xí)習(xí)慣在線幹預的(de)原理(lǐ)與模型設計[J].電化(huà)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

基金項目：教育部人(rén)文社會科學研究青年基金項目“互聯網+教育背景下(xià)學生學習(xí)習(xí)慣的(de)測評模型研究”(項目編号：18YJC880109)

[作者簡介] 殷寶媛(1980—)，女(nǚ)，黑(hēi)龍江哈爾濱人(rén)。副教授，博士，主要從事智能教育、學習(xí)分(fēn)析、數字化(huà)學習(xí)資源與學習(xí)環境設計研究。E-mail：ybyuan2000@163.com。武法提爲通(tōng)訊作者，E-mail：wft@bnu.edu.cn。