智能學習系統(tǒng)中學習習慣建模的方法研究

殷寶媛 武法提

[摘? ?要] 學習習慣建模是精準描繪學習者肖像的重要部分，是設計智能學習系統(tǒng)亟須解決的問題。然而，由于學習習慣的形成具有多源性，其應用具有多層面性，導致學習習慣測量模型具有多場景、多學段的特征，以及面向實踐的理論選擇的特征?；谶@些特征，單一學科的方法都無法系統(tǒng)地解決學習習慣建模的問題，研究通過探索教育的常識性概念與學習行為數(shù)據(jù)建立關聯(lián)的可行路徑，采用混合式研究思路設計了一套可行的、可復用的學習習慣綜合建模方法，該方法可以讓研究者根據(jù)自己的研究場景來構建學習習慣測量模型，從而實現(xiàn)計算機的自動診斷。學習習慣綜合建模方法將教育學領域的觀察法和問卷調查法、心理學領域的反應頻率法以及計算機領域的數(shù)據(jù)挖掘法相結合，包括測量模型維度的構建、測量模型指標的選擇、模型特征值的計算、模型的生成四個過程。

[關鍵詞] 智能學習系統(tǒng); 學習習慣; 建模; 方法

[中圖分類號] G434? ? ? ? ? ? [文獻標志碼] A

[作者簡介] 殷寶媛（1980—），女，黑龍江哈爾濱人。副教授，博士，主要從事智能教育、學習分析、數(shù)字化學習資源與學習環(huán)境設計研究。E-mail： ybyuan2000@163.com。武法提為通訊作者，E-mail：wft@bnu.edu.cn。

一、問題的提出

規(guī)模個性化教育是智能時代教育發(fā)展的核心訴求，學習習慣是學習者的個性化標簽，實現(xiàn)學習者學習習慣的數(shù)字化表征，對于實現(xiàn)從規(guī)模化教育向規(guī)模個性化教育轉變具有重要的意義[1]。學習習慣建模不僅是學習習慣的數(shù)字化表征的核心部分，而且是精準描繪學習者肖像的重要部分，是在智能學習系統(tǒng)中構建個性化學習支持服務的基礎。智能學習系統(tǒng)強調對學習者精準的診斷和評價，通過挖掘學習者日常學習行為數(shù)據(jù)，無干預地發(fā)現(xiàn)真實的學習者，理解、分析、預測學習者的學習習慣，有利于發(fā)現(xiàn)個體學習的規(guī)律，全面把握學習者的特點和需求，從而為具有不同學習習慣的學習者提供各自所需的學習資源、學習路徑和其他的學習支持服務奠定了基礎[2-3]。

然而，學習習慣是一個已經(jīng)被教師、家長和研究者廣泛使用的日常概念，如何將教育領域的常識性概念轉變成計算機可理解的算法，讓計算機自動診斷這一概念，是設計智能學習系統(tǒng)時面臨的一個挑戰(zhàn)。以往學習習慣的研究，定性研究范式一直占據(jù)著主導地位，傳統(tǒng)學習習慣的研究方法難以準確描述學習者學習習慣的狀態(tài)，也難以發(fā)掘智能學習環(huán)境下學習者學習習慣的變化。因此，探尋科學有效的學習習慣建模方法，以描述學習者學習習慣的動態(tài)變化，是智能學習系統(tǒng)設計研究中亟須解決的問題。

二、學習習慣建模文獻綜述

雖然學習習慣是一個被教師、家長和研究者廣泛使用的日常概念，但是對學習習慣好壞的判斷更多的是依據(jù)經(jīng)驗和直覺，學習習慣的研究更多的是定性的研究范式。關于學習習慣建模的文獻主要有以下兩類。

（一）學習習慣測量維度的研究

關于學習習慣測量維度的劃分，可以總結為以下四種分類方法：

1. 階段分類法

階段分類法通常是按照學習者學習的階段（通常是在學校學習）進行分類。例如：趙麗霞將小學生的學習習慣分成課前準備學習用品、上課聽講和思考、按時完成作業(yè)、預習和復習、整理學習用品等習慣[4]。

2. 多層次分類法

多層次分類法通常先將學習習慣分成幾個大的維度，每一個大維度下再分成幾個子維度。例如：沈國珍將學習習慣分成三個層次：基本性學習習慣、個性學習習慣和拓展性學習習慣?；拘詫W習習慣側重于行為習慣方面，如課前預習和課后復習習慣;拓展性習慣分為獲取處理信息、思考探究、實踐檢驗三種;個性學習習慣是指具有明顯個性特征的學習習慣[5]。

3. 經(jīng)驗分類法

經(jīng)驗分類法通?；谘芯空呋蛘呓處煹挠^察經(jīng)驗對學習習慣進行分類，這種分類方法具有一定的情境性，適合特定的教育場景。例如：？覶akiroglu等將大學生在線學習習慣分成家庭環(huán)境、目標計劃、專注習慣、準備考試、通常的習慣和態(tài)度、學校環(huán)境[6]。

4. 數(shù)據(jù)探索分類法

數(shù)據(jù)探索分類法是通過對問卷調查的數(shù)據(jù)進行探索性因素分析和驗證性因素分析，得出學習習慣的維度。例如：劉露萍通過探索性因素分析，將高職院校學生的學習習慣分成課堂習慣、課外學習、閱讀習慣、實驗實訓習慣、復習習慣五類[7]。

綜上所述，以往學習習慣維度分類的研究，大多是基于傳統(tǒng)的課堂教學環(huán)境，而基于混合環(huán)境和在線環(huán)境的研究較少，僅有的一些基于混合環(huán)境和在線環(huán)境的國外研究，常限定于具體的應用情境，難以移植到中國基礎教育的學習情境中。另外，以往學習習慣維度分類的研究大多集中于教育學領域，定性研究范式一直占據(jù)著主導地位，而且定量方法僅是通過自編問卷來測量學習習慣。

（二）學習習慣測量方法的研究

1. 教育學領域中學習習慣的測量方法

在教育學領域，對于學習習慣的測量主要采用觀察法和問卷調查法。

（1）觀察法。觀察法是一種質性研究方法，是研究者在教育活動的自然狀態(tài)下，利用自己的感覺器官和其他輔助工具對研究對象進行有目的、有計劃的調查研究的一種方法。在傳統(tǒng)的教育學中，學習習慣是一個已經(jīng)被教師、家長和研究者廣泛使用的概念，對于學習習慣的判斷大多基于教師的主觀經(jīng)驗，觀察法是教師對學生學習習慣判斷最常用的一種方法。

（2）問卷調查法。問卷調查法是以問卷為工具進行數(shù)據(jù)收集的一種調查方法，這種方法可以很容易地獲得有關事實和態(tài)度問題的信息，不受人數(shù)的限制，可以跨越地理范圍收集學習者學習習慣的信息。問卷調查法是當前教育學領域對學習習慣定量描述的主要方法，研究者開發(fā)出了種類繁多的學習習慣問卷，常用的問卷包括學習習慣與學習態(tài)度調查問卷（SSHA）、學習習慣和學習技術問卷（SHATQ）[8]、學習習慣問卷（SHI）、小學生學習習慣問卷[9]等。

2. 心理學領域中習慣的測量方法

心理學領域對于習慣的測量主要采用自我報告法和反應頻率法。

（1）自我報告法。自我報告法也稱為直接測量法，要求被試直接報告其習慣性行為的頻率，以此確定每個習慣性行為的強度。包括自我報告習慣頻率（SRHF）、自我報告習慣索引（SRHI）與自我報告過去行為頻率（SRF）三種方法。如Quellette等讓被試直接報告過去的行為頻率來測量習慣，并用過去的行為頻率預測未來的行為表現(xiàn)[10]等。

（2）反應頻率法。心理學認為，重復、環(huán)境線索的穩(wěn)定與自動化是習慣的特征，可以通過反應頻率來測量習慣。反應頻率法是一種間接的測量方法，通常是先給被試隨機呈現(xiàn)幾種目的，然后要求被試在看到每種選擇后，第一時間作出選擇，再統(tǒng)計每種選擇頻率，從而確定習慣及強度。

自我報告法和反應頻率法在習慣的測量上雖然得到了廣泛的應用，但其方法本身都存在一定的缺陷，從而會導致誤差的出現(xiàn)。例如：自我報告法容易受到近因效應或突出效應的影響，產(chǎn)生一定的回憶偏差;反應頻率法需要他人幫助測量被試的行為反應頻率，這不利于被試隨時、隨地檢測和管理自己的習慣。因此，習慣測量的研究需要進一步探索能夠自動記錄被試反應頻率的方法，計算機領域的數(shù)據(jù)挖掘法進入了研究者的視野。

3. 計算機領域中學習習慣的測量方法

計算機領域對習慣的測量主要是采用數(shù)據(jù)挖掘法，通過挖掘個體行為數(shù)據(jù)來分析人類的行為習慣，但計算機領域研究重點在于技術方法、算法的設計和驗證，沒有或很少對習慣進行說明，挖掘的習慣具有較強的情境性。

計算機領域用數(shù)據(jù)挖掘法對學習習慣進行深入挖掘的研究并不多見，有限的研究常是從數(shù)據(jù)中挖掘到某些學習行為習慣。如Moreno J等開發(fā)插件來自動檢測學習者在Scratch編程中的不良的編程習慣[11]等。這類研究對我們從數(shù)據(jù)中挖掘到學習者的某些學習行為習慣很有啟發(fā)，但這些學習行為習慣同樣具有較強的情境性，與教育學范疇中描述的學習習慣有一些區(qū)別，還需要將這些具體的學習行為習慣與教育學中的學習習慣建立聯(lián)系，形成更上位的教育學范式的學習習慣概念。

綜上所述，教育學、心理學、計算機領域的方法都適用于特定的研究情境，但智能時代學習習慣的建模研究具有跨學科特點，僅選擇單一學科的方法無法系統(tǒng)地解決問題。因此，應探索將教育學研究的觀察法和問卷調查法、心理學研究的反應頻率法以及計算機研究的數(shù)據(jù)挖掘法相結合的學習習慣測量方法。

三、學習習慣測量模型的特征

由于學習活動的復雜多樣性，以及學習習慣形成的多源性，導致學習習慣具有多層次性和情境性，這就決定了學習習慣測量模型具有一些獨有的特征，又由于目前基于教育學、心理學等學科的研究結論，還沒有對學習者的學習習慣進行完備的描述、解釋和預測，因此，很難建立一個全面的學習習慣測量模型。一般來說，根據(jù)理論假設，每個學習習慣測量模型只反映一個或幾個特征。因此，在構建學習習慣的測量模型時，應重點從一個方面進行設計。

（一）學習習慣測量模型具有多場景、多學段特征

不同學段的學習者具有不同的特點，教育關注的重點也不同，因此，應用于不同學段的學習習慣測量模型也表現(xiàn)出不同的關注維度。如小學階段比較關注作業(yè)承諾、課堂守紀、課外閱讀、聽講專注等學習基本知識技能的良好學習習慣[9]，這與小學階段的培養(yǎng)目標有關，我國《九年義務教育全日制小學、初級中學課程計劃》規(guī)定：小學階段的目標是“具有閱讀、書寫、表達、計算的基本知識和基本技能……養(yǎng)成良好的學習習慣”;中學階段比較關注主動學習、學業(yè)勤奮、學業(yè)拖延、學業(yè)自信心等與學習者的學業(yè)成就有關的習慣[12]，這與中學階段的培養(yǎng)目標有關，初中階段的目標是“掌握必要的文化科學技術知識和基本技能”，而且初中畢業(yè)面臨中考、高中畢業(yè)面臨高考的檢測，這也是中學階段比較關注與學習者的學業(yè)成就有關的學習習慣的原因;大學階段比較關注投入在學習上的時間、協(xié)作、學習計劃等與自主學習和目標計劃相關的學習習慣。因此，學習習慣測量模型應基于不同學段的教育需求進行設計。

另外，在不同的學習場景下，由于學習環(huán)境和學習目標的不同，學習者會產(chǎn)生不同的學習行為，學習習慣也呈現(xiàn)出不同的特征，因此，在不同的學習場景下，學習習慣測量模型關注的維度也是不同的。學習習慣維度測量指標的確立要指向目標達成，即在不同的學習場景，為有效達成目標，會選擇不同的指標構建模型。例如：混合環(huán)境下的課堂學習場景，會關注課堂聽講、參與活動、勤奮等學習習慣;在線自主學習場景，會關注主動性和時間管理等學習習慣。因此，建立基于多場景、多學段的學習習慣測量模型，可以使學習習慣的描述更為準確。

（二）學習習慣測量模型具有面向實踐的理論選擇特征

獲得數(shù)據(jù)不是測量的最終目的，我們需要對數(shù)據(jù)提供的信息的背后意義進行解釋，因為根據(jù)特定情境產(chǎn)生的數(shù)據(jù)，需要一個理論來解釋、分析、表征或構造其背后的概念，以及它與其他概念的相關性是什么，因為沒有這樣的解釋，測量本身就沒有任何意義[13]。學習習慣測量模型就是要建立學習行為測量數(shù)據(jù)與學習習慣這一教育常識性概念之間的關聯(lián)，理論假設是學習習慣概念的具體的、理論化的表征。

理論假設是對事物因果關系或規(guī)律性的一種假設性的解釋。一般來說，理論假設是在理論指導下，根據(jù)以往的經(jīng)驗，對研究對象和研究問題進行初步的描述和推測。學習習慣模型的構建需要有理論來進行宏觀的指導，描述和推測要素及要素之間的關系，幫助學習習慣測量模型通過收集學習者行為數(shù)據(jù)，對學習者學習習慣進行描述、解釋、預測，并闡釋學習者大量習慣性學習行為背后的規(guī)律。

從實踐角度看，學習習慣測量模型構建的目的是為了準確描述學習者的學習習慣特征，然而在不同的學習場景下，由于不同的理論對學習習慣解讀的視角不同，會導致研究的重點存在差異，因此，學習習慣測量模型的構建會存在不同的結果。我們要根據(jù)實踐需要選擇或建立合適的理論假設，這導致學習習慣測量模型具有理論假設的實踐性特征，即面向實踐的理論選擇的特征。

四、學習習慣建模方法設計的混合式研究思路

從研究思路上看，測量模型的構建方法大致可以分成演繹法和歸納法兩類，即自上而下的理論（或經(jīng)驗）分析方法和自下而上的數(shù)據(jù)挖掘方法。這兩類方法，都可以幫助研究者找到具有教育意義的模型維度和測量指標。在自上而下的研究中，研究者通常基于某一理論或者經(jīng)驗調查，提出教育概念的測量維度。在自下而上的研究中，研究者常借助數(shù)據(jù)挖掘的技術，從原始數(shù)據(jù)中提取并分析數(shù)據(jù)背后的意義。

這兩種研究思路各有所長，因此，一些研究者嘗試將這兩種研究思路相結合，進行混合式的研究。如Jorge等探討了如何將自下而上的行為挖掘方法，與自上而下的自我報告的方法相結合，通過挖掘學習者的行為軌跡數(shù)據(jù)，提取交互序列，確定交互作用序列模式[14]。學習習慣建模方法的設計思路也是應用這種混合式的研究思路。丁小浩教授認為，教育領域的測量有三類事物：可以直接觀察到的（如行為）、不能直接觀察到的（如民族）、需要建構的（如智商）。學習習慣屬于需要建構的類型，對于需要建構的事物，需要根據(jù)實際目標整合應用多種研究方法。因此，對于學習習慣的數(shù)字化表征的方法，本研究嘗試將教育學領域的觀察法和問卷調查法、心理學領域的反應頻率法以及計算機領域的數(shù)據(jù)挖掘法相結合，通過將觀察現(xiàn)象的經(jīng)驗與反應頻率的數(shù)據(jù)建立聯(lián)系，挖掘學習行為數(shù)據(jù)，嘗試將教師的觀察經(jīng)驗變成計算機可理解的算法，探索計算機自動診斷學習者的學習習慣的方法。

五、學習習慣綜合建模的方法設計

如何來描述學習習慣的狀態(tài)，需要給學習習慣設定屬性，即變量，通過可測量的變量，用數(shù)值來描述學習習慣的狀態(tài)。學習習慣的數(shù)字化表征需要建立學習習慣的測量模型，這是描繪學習習慣動態(tài)變化的基礎，是對學習習慣進行干預的前提。學習習慣的數(shù)字化表征主要涉及三個基本問題：第一，表征什么;第二，如何表征;第三，表征結果的價值判斷（診斷）。即形成學習習慣測量模型的構建方法的三個關鍵問題：學習習慣測量模型的維度、學習習慣模型的測量指標、學習習慣測量模型的特征值，這三部分是學習習慣建模的重要組成部分。如圖1所示，學習習慣建模研究分為以下四個環(huán)節(jié)：

（一）學習習慣測量模型維度的構建

表征對象的確定是學習習慣的數(shù)字化表征的起點。學習習慣的測量模型通過定義一些屬性即維度來進行表征，屬性定義的好壞直接決定了狀態(tài)的描述是否清晰，干預是否準確。學習習慣測量模型維度的構建可總結為以下三類方法：

1. 理論構建法

理論構建法即學習習慣測量模型的維度分類源于已有的理論模型。學習習慣測量模型的構建需要合適的理論來進行宏觀層面的指導，分析系統(tǒng)要素及要素之間的關系，基于理論來構建模型的維度。通過收集和分析國內外關于教育學、心理學等方面的文獻，尋找理論支撐。這類方法適合需要描述的學習習慣已具有大量研究的支撐，可以找到相關的文獻。但學習習慣是一個常識性的概念，對學習習慣的認識更多來源于教學的實踐經(jīng)驗，因此，對于無法找到理論支撐的模型，可采取第二類方法。

2. 經(jīng)驗分析法

經(jīng)驗分析法即通過分析研究者、專家和教師關于學習習慣的經(jīng)驗，確定學習習慣測量模型的維度。首先，通過收集和分析國內外關于學習習慣維度分類的文獻，收集具有一定價值取向（學習者的發(fā)展和學業(yè)成就）的學習習慣維度信息，初步確定學習習慣維度的關鍵詞，再通過訪談法，補充學習習慣維度的關鍵詞，建立學習習慣維度的關鍵詞集。然后，通過文本分析法或專家德爾菲法，初步確定具有一定價值取向的學習習慣維度，并用數(shù)據(jù)進行檢驗。

第一類方法通過已有的理論構建模型的維度，第二類方法通過分析大量文獻，總結人類以往的研究經(jīng)驗，構建模型的維度，這兩種方法可以分別使用，也可以結合使用，由于其考慮得較為宏觀，因此，可以得到具有普遍意義和維度相對完整的學習習慣測量模型。但此方法對具體應用情境的解釋力不如數(shù)據(jù)挖掘方法，另外，受人為因素影響較大。

3. 數(shù)據(jù)挖掘法

數(shù)據(jù)挖掘法是運用數(shù)據(jù)挖掘技術對大量的學習行為數(shù)據(jù)進行特征提取，發(fā)現(xiàn)學習行為數(shù)據(jù)的規(guī)律，找到數(shù)據(jù)之間的關聯(lián)，并將數(shù)據(jù)的規(guī)律和關聯(lián)現(xiàn)象與學習習慣的概念建立聯(lián)系，對特征的意義進行解讀，從而獲得學習習慣的某一維度。常用的數(shù)據(jù)挖掘技術有探索性分析、聚類分析、相關分析、行為序列分析等。數(shù)據(jù)挖掘法對某一具體應用情境的數(shù)據(jù)具有較好的解釋力，而且受人為因素影響較小，但難以得到具有普遍意義和維度相對完整的模型，通常作為模型后續(xù)的補充。用客觀數(shù)據(jù)挖掘來豐富模型的維度，可以保證模型的情境性和發(fā)展性。

以上三類方法各有所長，理論構建法和經(jīng)驗分析法擅長構建具有普遍意義和維度相對完整的模型，數(shù)據(jù)挖掘法可用于模型的后續(xù)補充，保證模型的情境性和發(fā)展性。在學習習慣的建模時，應根據(jù)具體的情況，將三類方法結合應用，選擇三類方法之一或組合使用。

（二）學習習慣模型測量指標的選擇

學習習慣模型測量指標的選擇是基于已構建的模型維度與學習行為數(shù)據(jù)，明確各個維度包括的具體測量指標，這是完成數(shù)字化表征的重要步驟。

1. 測量指標的設計

下面要對第一部分確定的模型的每一個維度的測量指標進行設計。主要有以下兩種方法：

第一種方法是理論建構法。根據(jù)維度關鍵詞的教育意義來選擇測量指標。如學業(yè)拖延習慣的教育學含義在于學習者經(jīng)常超過截止時間提交作業(yè)，因此，選擇提交時間與規(guī)定截止時間的比較作為測量指標。這種方法適合學習習慣的教育意義與測量指標的關系比較明確的情況。

第二種方法是經(jīng)驗分析法。對于已構建的學習習慣模型的維度進行文獻分析，找到已有研究設計的測量指標，再根據(jù)當前學習平臺系統(tǒng)可測的行為數(shù)據(jù)進行篩選。如果相關文獻較少，可通過對每一個維度指標的訪談和調研分析，根據(jù)教育領域的觀察法，找到某一維度的學習習慣與學習行為（一個學習行為或一組學習行為）數(shù)據(jù)之間的聯(lián)系（如作業(yè)維度中的學業(yè)勤奮習慣常與學習者做作業(yè)的時長、登錄次數(shù)、觀看視頻次數(shù)等學習行為密切相關），初步確定維度的測量指標集。

2. 測量指標的篩選

測量指標篩選的目的是優(yōu)化模型的測量效力，通常應用于測量指標較多的情況。測量指標較多會影響模型的計算速度，使模型中的重要特征難以表達，這可能導致模型無法收斂，影響整體效果。因此，根據(jù)模型速度和精度的要求，要對過高維度的特征進行降維，常用的降維處理方法有特征提取和特征選擇。特征提取主要利用映射方法對原始特征進行映射變換，常用的非線性降維方法是局部線性嵌入法，線性降維方法是線性判別分析法和主成分分析法。特征選擇主要選擇原始特征集的一個子集作為目標特征集。常用的方法有三種：過濾、打包和嵌入。過濾主要采用相關系數(shù)、方差和卡方檢驗等指標對特征進行篩選;打包通常采用遞歸特征消除法，通常用于實驗過程中的特征篩選和消除;嵌入也是在實驗過程中選擇特征，但與打包不同，在一次實驗中要對所有特征進行檢測。

（三）學習習慣模型維度特征值的計算

學習習慣模型維度特征值的計算是根據(jù)診斷結果的需求（結果為分類變量或者連續(xù)變量）以及測量指標數(shù)據(jù)集的特點，選擇或設計合適的算法，對每一個維度的測量指標集進行計算，得到該維度的特征值，用特征值來表征某一學習習慣。在進行計算前，要將測量指標集從學習習慣的規(guī)范化數(shù)據(jù)集中提取出來，生成各個維度的頻繁序列集。

學習習慣模型維度特征值的計算有兩個關鍵的技術問題：第一，學習習慣維度特征值的計算方法;第二，學習習慣強度閾值的確定。通過維度特征值的計算實現(xiàn)學習習慣的定量化描述，通過學習習慣強度閾值的劃分實現(xiàn)學習習慣好壞的診斷，從而得到各個維度的特征結果集。通過各個維度的特征結果集可以得到學習習慣的測量模型。

1. 特征值的計算

學習習慣維度特征值的計算，要根據(jù)測量指標數(shù)據(jù)集的特點選擇和設計相應的算法。

對于測量指標簡單且教育意義明確的指標集，可根據(jù)其教育意義設計算法。如學業(yè)拖延習慣的提交作業(yè)拖延維度，可測量單位時間內提交時間比規(guī)定截止時間晚的次數(shù)。

對于測量指標比較多，但指標之間具有一定結構，或者自變量與因變量具有一定的關系（如線性關系），可采用主成分分析、因子分析、線性回歸（一元或多元線性回歸、logistic回歸）等統(tǒng)計方法。對于測量指標比較多，但指標之間結構不明顯，或者自變量與因變量之間并不具有明顯的關系，可采用機器學習的方法，根據(jù)診斷結果的需求，選擇合適的算法。如對于分類問題，可選的算法有決策樹、隨機森林、SVM、神經(jīng)網(wǎng)絡等;對于回歸問題，可選的算法有線性回歸、多元回歸、非線性回歸等。

2. 強度閾值的計算

學習習慣強度閾值的確定，要根據(jù)輸入數(shù)據(jù)的特點和實際需求，選擇合適的方法，要注意閾值的教育意義。一般來看，學習習慣強度閾值的確定有三種方法：第一種方法是根據(jù)數(shù)據(jù)分布特征確定閾值，如對于符合正態(tài)分布的數(shù)據(jù)，可以將閾值定義在μ±sigma（均值加/減1或2個標準差）處，具體要根據(jù)實際意義來選擇;第二種方法是根據(jù)專家經(jīng)驗或已有研究規(guī)定的閾值，如研究規(guī)定每周運動達到三次以上，且持續(xù)時間在30分鐘以上，就診斷為具有良好的運動習慣;第三種方法是機器學習的方法，根據(jù)數(shù)據(jù)的訓練集、驗證集和測試集，不斷地訓練模型，由模型自動地計算閾值。

（四）學習習慣測量模型的生成

通過對各個維度指標的計算，得到各維度的特征結果集，每一維度的結果集即該維度學習習慣的數(shù)字化表征結果，多個維度的特征結果集的總和構成了某一學習習慣模型。對于生成的學習習慣測量模型，要在實踐中進行檢驗和修正。由于應用情境的復雜性，一個規(guī)范的學習習慣模型的構建往往不能一蹴而就，需要上述四個階段不斷反復和迭代。

上面描述了學習習慣測量模型構建方法的四個環(huán)節(jié)，這四個環(huán)節(jié)中又包含了一些具體的方法。在實際的應用過程中，要根據(jù)應用情境的數(shù)據(jù)特征、學習平臺的情況等因素，選擇應用這些具體方法（部分或全部）。

六、結? ?語

動態(tài)描述學習者的學習習慣是破解個性化教育難題的重要內容，探尋科學有效的學習習慣建模方法是智能學習系統(tǒng)設計研究中亟須解決的問題。從方法論層面看，運用綜合建模描繪學習習慣發(fā)展的動態(tài)變化，與傳統(tǒng)基于經(jīng)驗的定性研究范式相比，該方法具有更高的精確性。學習習慣的建模有利于建立學習習慣與其他學習變量之間的數(shù)據(jù)關系，探索學習的規(guī)律，從而使教育研究走向數(shù)據(jù)驅動的精確化。如判斷學習者的學業(yè)勤奮的習慣，經(jīng)驗主義的研究范式是基于觀察學習者的學習時長，其判斷結果無法表征勤奮性的動態(tài)變化，而基于定量的研究范式，通過將勤奮性轉化為可測量的指標，計算其勤奮度，運用數(shù)據(jù)建模和挖掘方法，構建一個能動態(tài)表征學習者學習習慣狀態(tài)的測量模型，并與其學習結果等變量建立聯(lián)系，使得分析結果更為準確。

學習習慣的測量模型能夠實現(xiàn)對學習者學習習慣的診斷，針對診斷出的個體具有的不良學習習慣提出干預策略，這具有重要的教育意義。通過分析學習者的學習行為數(shù)據(jù)，發(fā)現(xiàn)學習者學習的個性化規(guī)律，診斷出學習者個體的不良學習習慣，對學習習慣的形成進行個性化的分析;通過實驗干預和平臺干預來矯正學習者的不良學習習慣，可以提高學習者的學業(yè)成就。如通過記錄學習者做作業(yè)行為的起止時間，以及作業(yè)提交行為的數(shù)據(jù)分布規(guī)律，發(fā)現(xiàn)學習者做作業(yè)方面的學業(yè)拖延習慣，并設計相應的干預策略，改善學習者的學業(yè)拖延習慣，從而實現(xiàn)學業(yè)拖延習慣的診斷和干預。

[參考文獻]

[1] 武法提，殷寶媛，黃石華.基于教育大數(shù)據(jù)的學習習慣動力學研究框架[J].中國電化教育，2019（1）：70-76.

[2] 殷寶媛，武法提.學習習慣在線干預的原理與模型設計[J].電化教育研究，2019，40（12）：72-79.

[3] 武法提，殷寶媛，黃石華.學習習慣動力學研究范式及其創(chuàng)新價值[J].現(xiàn)代遠程教育研究，2019（1）：46-52.

[4] 趙麗霞.小學生學習習慣培養(yǎng)研究[J].教育探索，2009（5）：58-59.

[5] 沈國珍.給孩子一個點金指：立足于小學習者發(fā)展的學習習慣的培養(yǎng)[M].上海：上海教育出版社，2001.

[6] ？覶AKIROGLU ü. Analyzing the effect of learning styles and study habits of distance learners on learning performances：a case of an introductory programming course.[J]. International review of research in open & distance learning，2014，15（4）：161-185.

[7] 劉露萍.高職學習者學習習慣對學習成績影響程度的模型分析——基于重慶市5所高職院校2027名學習者樣本的實證分析[J].西南師范大學學報（自然科學版），2017，42（7）：175-179.

[8] ALUJAFABREGAT A，BLANCH A. Socialized personality，scholastic aptitudes， study habits， and academic achievement：exploring the link.[J]. European journal of psychological assessment，2004，20（3）：157-165.

[9] 田瀾.小學習者學習習慣問卷的編制[J].心理學探新，2010（5）：90-94.

[10] QUELLETTE J A，WOOD W. Habit and intention in everyday life：the multiple processes by which past behavior predicts future behavior[J]. Psychological bulletin，1998，124（1）：54-74.

[11] MORENO J，ROBLES G. Automatic detection of bad programming habits in scratch：a preliminary study[C]//Frontiers in Education Conference.Madrid，Spain：IEEE，2015：1-4.

[12] 崔玲玲.初中生學習習慣發(fā)展評價的研究[J].教育測量與評價（理論版），2014（5）：22-26.

[13] MESSICK S . Meaning and values in test validation：the science and ethics of assessment[J]. Educational researcher，1989，18（2）：5-11.

[14] MALDONADO-MAHAUAD J，PEREZ-SANAGUSTIN M，KIZILCEC R F，MORALES N，MUNOZ-GAMA J. Mining theory-based patterns from Big data：Identifying self-regulated learning strategies in Massive Open Online Courses[J].Computers in human behavior，2018，80（3）：179-196.

[Abstract] Constructing a model of learning habits is an important part of accurately portraying the learners， and an urgent problem to be solved in the design of intelligent learning system. However， since the formation of learning habits is multi-source and its application is multi-faceted， the measurement model of learning habits has the characteristics of multi-scene， multi-segment and practice-oriented theoretical selection. Based on these characteristics， a single disciplinary approach cannot solve the problem of modeling learning habits systematically. Through exploring the feasible ways to establish the association between commonsense concepts of education and the learning behavior data， this study adopts the hybrid research approach to design a set of feasible and reusable comprehensive methods to modeling learning habits. This method supports researchers to construct the model of learning habit measurement according to their own research scenarios， so as to realize the automatic diagnosis by computer. This method combines the observation method and questionnaire survey in the field of education， the response frequency method in the field of psychology with the data mining method in the field of computer. And it includes four processes of the construction of measurement model dimension， the selection of measurement model index， the calculation of model eigenvalue and the generation of model.

[Keywords] Intelligent Learning System; Learning Habits; Modeling; Methods