殷寶媛　武法提

[摘? ?要] 作業(yè)習(xí)慣與學(xué)習(xí)者的學(xué)業(yè)成就緊密相關(guān)，作業(yè)習(xí)慣的建模是智能學(xué)習(xí)系統(tǒng)設(shè)計(jì)中亟待解決的問(wèn)題。本研究應(yīng)用混合式研究方法，依據(jù)多層次作業(yè)模型，確定“學(xué)業(yè)拖延”和“學(xué)業(yè)勤奮”作為兩個(gè)重要且可以測(cè)量的作業(yè)習(xí)慣的維度，分別表征作業(yè)時(shí)間和作業(yè)努力這兩類(lèi)核心的作業(yè)行為。構(gòu)建了包括做題拖延和提交拖延的學(xué)業(yè)拖延習(xí)慣子模型，應(yīng)用聚類(lèi)實(shí)現(xiàn)了對(duì)學(xué)業(yè)拖延習(xí)慣的診斷，定義了“無(wú)拖延習(xí)慣者”“嚴(yán)重拖延習(xí)慣者”“提交作業(yè)拖延者”“做作業(yè)拖延者”四類(lèi)學(xué)習(xí)者。以時(shí)間投入—專(zhuān)注度模型為理論框架，構(gòu)建了包括時(shí)間投入和專(zhuān)注度的學(xué)業(yè)勤奮習(xí)慣子模型，應(yīng)用人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)學(xué)業(yè)勤奮習(xí)慣進(jìn)行診斷，診斷出五種勤奮度的級(jí)別，并驗(yàn)證了模型的有效性。

[關(guān)鍵詞] 學(xué)習(xí)習(xí)慣; 作業(yè)習(xí)慣; 學(xué)業(yè)拖延; 學(xué)業(yè)勤奮; 智能學(xué)習(xí)系統(tǒng); 建模

[中圖分類(lèi)號(hào)] G434? ? ? ? ? ? [文獻(xiàn)標(biāo)志碼] A

[作者簡(jiǎn)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(xué)習(xí)分析、數(shù)字化學(xué)習(xí)資源與學(xué)習(xí)環(huán)境設(shè)計(jì)研究。E-mail：ybyuan2000@163.com。武法提為通訊作者，E-mail：wft@bnu.edu.cn。

一、引? ?言

作業(yè)是連接教與學(xué)的重要環(huán)節(jié)，體現(xiàn)了教育的價(jià)值取向和課程改革的理念。作業(yè)在K-12教育中具有重要的地位[1]，作業(yè)可以補(bǔ)充和鞏固學(xué)生在學(xué)校的學(xué)習(xí)，完善學(xué)生的知識(shí)和技能[2]。因此，培養(yǎng)學(xué)生良好的作業(yè)習(xí)慣，對(duì)于學(xué)生的學(xué)業(yè)表現(xiàn)具有重要的意義。隨著信息技術(shù)的發(fā)展，學(xué)生做作業(yè)的方式也從傳統(tǒng)的紙和筆作業(yè)發(fā)展到在線作業(yè)以及線上線下混合的作業(yè)形式，與傳統(tǒng)作業(yè)相比，在線作業(yè)可以使學(xué)生得到即時(shí)的反饋與輔導(dǎo)，能帶來(lái)更好的學(xué)習(xí)結(jié)果[3]。學(xué)生在線作業(yè)的過(guò)程會(huì)以數(shù)據(jù)的形式存儲(chǔ)在學(xué)習(xí)系統(tǒng)中，如何通過(guò)這些海量的作業(yè)行為數(shù)據(jù)，分析學(xué)生的作業(yè)習(xí)慣，為學(xué)生的個(gè)性化學(xué)習(xí)提供支持和服務(wù)，是智能學(xué)習(xí)系統(tǒng)設(shè)計(jì)中亟待解決的問(wèn)題。

二、智能學(xué)習(xí)系統(tǒng)中作業(yè)習(xí)慣模型的構(gòu)建

智能學(xué)習(xí)系統(tǒng)中作業(yè)習(xí)慣的建?？梢詰?yīng)用學(xué)習(xí)習(xí)慣的建模方法，可采用自上而下的理論經(jīng)驗(yàn)法和自下而上的數(shù)據(jù)挖掘法相結(jié)合的混合式思路，重點(diǎn)解決學(xué)習(xí)習(xí)慣測(cè)量模型的維度和學(xué)習(xí)習(xí)慣模型的測(cè)量指標(biāo)等問(wèn)題[4]。

（一）智能學(xué)習(xí)系統(tǒng)中作業(yè)習(xí)慣模型維度的確定

在智能學(xué)習(xí)系統(tǒng)中，學(xué)生的作業(yè)習(xí)慣是通過(guò)其作業(yè)行為表現(xiàn)出來(lái)的。關(guān)于學(xué)生作業(yè)行為的研究， Flunger B認(rèn)為作業(yè)時(shí)間是作業(yè)行為的一個(gè)重要特征[5];Dettmers認(rèn)為學(xué)生在作業(yè)中投入的努力程度可以表征其作業(yè)行為[6];Trautwein U的研究表明，作業(yè)對(duì)學(xué)業(yè)成就的積極效果并不能僅由“作業(yè)時(shí)間”測(cè)量，還與作業(yè)的完成質(zhì)量（專(zhuān)注/效率、按時(shí)、正確）有關(guān)[7]，并提出多層次作業(yè)模型，該模型認(rèn)為作業(yè)時(shí)間（即花費(fèi)在作業(yè)上的時(shí)間）和作業(yè)努力（即學(xué)習(xí)者認(rèn)真對(duì)待作業(yè)的程度）可以用來(lái)表征學(xué)生作業(yè)行為的兩個(gè)中心方面[8]。本研究以多層次作業(yè)模型為基礎(chǔ)，探討作業(yè)時(shí)間和作業(yè)努力這兩類(lèi)作業(yè)行為與哪些教育領(lǐng)域常識(shí)性的學(xué)習(xí)習(xí)慣概念相對(duì)應(yīng)，以確定作業(yè)習(xí)慣模型的維度。

1. 通過(guò)文獻(xiàn)分析提取模型維度的關(guān)鍵詞

作業(yè)模型維度關(guān)鍵詞篩選的原則有兩個(gè)，一是從價(jià)值性的角度出發(fā)，選擇需要測(cè)量的作業(yè)習(xí)慣，即教育學(xué)領(lǐng)域認(rèn)為應(yīng)該測(cè)量的作業(yè)習(xí)慣，對(duì)學(xué)習(xí)者的學(xué)習(xí)和發(fā)展會(huì)有重要影響的作業(yè)習(xí)慣;二是從實(shí)用性的角度出發(fā)，選擇能夠測(cè)量的作業(yè)習(xí)慣，即當(dāng)前技術(shù)手段等可以實(shí)現(xiàn)量化的作業(yè)習(xí)慣。通過(guò)收集和整理國(guó)內(nèi)外關(guān)于學(xué)習(xí)習(xí)慣的文獻(xiàn)，分析、總結(jié)和提取作業(yè)學(xué)習(xí)習(xí)慣維度的關(guān)鍵詞。共提取出學(xué)習(xí)習(xí)慣維度的關(guān)鍵詞76個(gè)，其中在線教育維度關(guān)鍵詞23個(gè)，混合學(xué)習(xí)環(huán)境關(guān)鍵詞53個(gè)，篩選出與作業(yè)有關(guān)的關(guān)鍵詞48個(gè)。按照篩選的兩個(gè)原則（一是需要測(cè)量的;二是能夠測(cè)量的），對(duì)這48個(gè)關(guān)鍵詞進(jìn)行篩選。得到學(xué)業(yè)拖延、時(shí)間管理、目標(biāo)計(jì)劃、學(xué)習(xí)環(huán)境、主動(dòng)學(xué)習(xí)、協(xié)作、學(xué)業(yè)勤奮、獨(dú)立思考等8個(gè)關(guān)鍵詞。

2. 通過(guò)專(zhuān)家訪談補(bǔ)充和修改模型維度的關(guān)鍵詞

訪談6位具有在線教學(xué)和研究經(jīng)驗(yàn)的專(zhuān)家，了解在線學(xué)習(xí)環(huán)境下專(zhuān)家對(duì)作業(yè)習(xí)慣關(guān)注的要點(diǎn)，經(jīng)過(guò)速記轉(zhuǎn)錄與整理，形成了訪談文本資料。使用NVivo軟件對(duì)訪談資料進(jìn)行編碼，提取出教師和專(zhuān)家關(guān)注的作業(yè)習(xí)慣關(guān)鍵詞6個(gè)（拖延、勤奮、努力、主動(dòng)、投入、專(zhuān)注）。將文獻(xiàn)分析的8個(gè)關(guān)鍵詞與訪談挖掘的關(guān)鍵詞進(jìn)行整合，形成德?tīng)柗品ㄕ{(diào)查問(wèn)卷的關(guān)鍵詞集。

3. 通過(guò)德?tīng)柗品ù_定模型維度

有16位專(zhuān)家（其中包括5位高校教師、5位研究人員和6位中學(xué)教師）參與了本研究的德?tīng)柗普{(diào)查。調(diào)查以問(wèn)卷形式進(jìn)行，征詢專(zhuān)家對(duì)作業(yè)習(xí)慣模型維度的意見(jiàn)。根據(jù)兩輪意見(jiàn)征詢和修訂，確定將學(xué)業(yè)拖延、學(xué)業(yè)勤奮作為兩個(gè)重要且可以測(cè)量的作業(yè)習(xí)慣的維度，分別表征作業(yè)時(shí)間、作業(yè)努力兩個(gè)方面作業(yè)行為的頻繁程度對(duì)學(xué)習(xí)的影響。

（二）維度1：學(xué)業(yè)拖延習(xí)慣的測(cè)量

作業(yè)模型中的學(xué)業(yè)拖延習(xí)慣是指當(dāng)學(xué)生面對(duì)與作業(yè)（學(xué)業(yè)任務(wù)）有關(guān)的事件刺激所呈現(xiàn)的延遲行為。學(xué)業(yè)拖延習(xí)慣是一種常見(jiàn)的不良學(xué)習(xí)習(xí)慣。研究發(fā)現(xiàn)，大約30%至60%的學(xué)習(xí)者報(bào)告了自己在準(zhǔn)備考試、寫(xiě)學(xué)期論文等學(xué)習(xí)任務(wù)時(shí)具有拖延習(xí)慣[9]。學(xué)業(yè)拖延習(xí)慣會(huì)影響學(xué)習(xí)者的學(xué)習(xí)表現(xiàn)，阻礙其學(xué)習(xí)進(jìn)步，增加其壓力，并降低生活的質(zhì)量，對(duì)學(xué)習(xí)者的身心健康產(chǎn)生消極影響[10]。由于學(xué)業(yè)拖延習(xí)慣對(duì)學(xué)業(yè)成就的影響最為直接，因此也是許多研究者和教師關(guān)注的問(wèn)題。

1. 學(xué)業(yè)拖延習(xí)慣子模型構(gòu)建

在學(xué)業(yè)拖延習(xí)慣的測(cè)量上，大多數(shù)采用調(diào)查問(wèn)卷或量表，通過(guò)學(xué)習(xí)者自我報(bào)告的形式來(lái)測(cè)量拖延習(xí)慣，如Tuckman拖延傾向量表（TPS[11]）、Solomon等學(xué)業(yè)拖延量表（PASS[12]）等;此外，還有教師評(píng)定的方式（如出勤等）測(cè)量拖延習(xí)慣，如Miligram 等的學(xué)業(yè)拖延量表（APS[13]）等。學(xué)業(yè)拖延習(xí)慣通常表現(xiàn)為放棄和推遲完成作業(yè)。用行為數(shù)據(jù)來(lái)測(cè)量拖延，一般都是判斷行為是否在截止時(shí)間前完成，用在作業(yè)拖延的測(cè)量，通常都是單一維度的判斷提交作業(yè)的截止時(shí)間[14]。然而拖延作為從時(shí)間角度表征作業(yè)行為頻率對(duì)學(xué)習(xí)影響的變量，不應(yīng)該僅從“完成的時(shí)間”進(jìn)行單一維度的判斷，還應(yīng)該包括“做的時(shí)間”維度，做作業(yè)的時(shí)間長(zhǎng)短不僅是學(xué)習(xí)者知識(shí)能力的表現(xiàn)，更是專(zhuān)注力等方面的外顯。因此，本研究構(gòu)建了包括“做的時(shí)間”和“完成的時(shí)間”兩個(gè)維度的學(xué)業(yè)拖延習(xí)慣模型，即做題拖延和提交拖延二維模型。

2. 學(xué)業(yè)拖延習(xí)慣測(cè)量的算法設(shè)計(jì)

研究假設(shè)：超出規(guī)定做作業(yè)時(shí)間的次數(shù)越多，拖延度越高;超出規(guī)定提交作業(yè)時(shí)間的次數(shù)越多，拖延度越高。拖延度表達(dá)為：Pr=f（T，N）。其中，f（）是函數(shù)關(guān)系，Pr表示作業(yè)的學(xué)業(yè)拖延度，T表示作業(yè)學(xué)習(xí)行為中與時(shí)間相關(guān)的參數(shù)，N表示作業(yè)學(xué)習(xí)行為中與拖延次數(shù)相關(guān)的參數(shù)。

（1）做作業(yè)時(shí)的拖延次數(shù)Nd的計(jì)算

設(shè)Tst表示開(kāi)始做作業(yè)的時(shí)間、Tsb表示提交作業(yè)的時(shí)間、Tlt表示規(guī)定的做作業(yè)的時(shí)長(zhǎng)、Nd表示做作業(yè)時(shí)的拖延次數(shù)。則第i次做作業(yè)的時(shí)長(zhǎng)Tdu（i）=Tsb（i）-Tst（i）;第i次做作業(yè)拖延的時(shí)長(zhǎng)Tpd（i）=Tdu（i）-Tlt（i）。做作業(yè)時(shí)的拖延次數(shù)Nd的計(jì)算公式為：Tpd（i）>0？Nd=Nd+1。其中i=1…n，n為正整數(shù)。

（2）提交作業(yè)的拖延次數(shù)Ns的計(jì)算

設(shè)Tdl規(guī)定最晚提交作業(yè)的時(shí)間，則第i次提交作業(yè)拖延的時(shí)長(zhǎng)Tps（i）=Tsb（i）-Tdl（i）。提交作業(yè)的拖延次數(shù)Ns的計(jì)算公式為：Tps（i）>0？Ns=Ns+1。其中i=1…n，n為正整數(shù)。

（3）學(xué)業(yè)拖延度Pr的計(jì)算

研究的目的是診斷出具有不同拖延習(xí)慣的學(xué)習(xí)者，即把學(xué)業(yè)拖延度Pr的計(jì)算看成一個(gè)分類(lèi)問(wèn)題。聚類(lèi)分析是解決分類(lèi)問(wèn)題的有效方法，因此可以根據(jù)數(shù)據(jù)的特點(diǎn)，選用不同的聚類(lèi)算法，對(duì)Pr進(jìn)行分類(lèi)，實(shí)現(xiàn)對(duì)學(xué)業(yè)拖延度的計(jì)算。

（三）維度2：學(xué)業(yè)勤奮習(xí)慣模型的測(cè)量

學(xué)業(yè)勤奮習(xí)慣用于表征作業(yè)行為中的努力行為的頻繁程度。學(xué)業(yè)勤奮是指學(xué)習(xí)者自覺(jué)地卷入學(xué)習(xí)任務(wù)，并不懈地追求學(xué)習(xí)目標(biāo)的惜時(shí)表現(xiàn)[15]。研究表明，學(xué)業(yè)勤奮習(xí)慣對(duì)于學(xué)業(yè)成就具有預(yù)測(cè)作用。在線學(xué)習(xí)環(huán)境下，學(xué)習(xí)者面臨更多的誘惑，這會(huì)導(dǎo)致學(xué)習(xí)者的注意力分散，因此學(xué)習(xí)者保持學(xué)業(yè)勤奮習(xí)慣對(duì)其學(xué)業(yè)表現(xiàn)具有重要的作用。

1. 學(xué)業(yè)勤奮習(xí)慣子模型構(gòu)建

關(guān)于學(xué)業(yè)勤奮習(xí)慣的測(cè)量，常采用問(wèn)卷調(diào)查法，如Bernard 等編制的基礎(chǔ)教育勤奮調(diào)查問(wèn)卷DI-HS和高等教育勤奮調(diào)查問(wèn)卷DI-HE[16]等。但是問(wèn)卷測(cè)量受到許多眾所周知的限制，尤其是自我報(bào)告式問(wèn)卷，存在社會(huì)期望偏差和其他的限制，特別是當(dāng)存在激勵(lì)因素時(shí)。有研究者認(rèn)為，用學(xué)習(xí)行為測(cè)量學(xué)業(yè)勤奮可能比問(wèn)卷更適合，因?yàn)樾袨椴灰蕾囉谥饔^判斷，直接對(duì)行為進(jìn)行分析，可以消除參考偏倚、社會(huì)期望偏倚和造假相關(guān)的局限性[17]。

關(guān)于學(xué)業(yè)勤奮習(xí)慣維度的研究主要有兩種取向。第一種是學(xué)習(xí)時(shí)間（行為）投入的取向。該取向主要從學(xué)習(xí)者投入學(xué)習(xí)中的時(shí)間或行為的多少來(lái)考察學(xué)業(yè)勤奮度，認(rèn)為個(gè)體在學(xué)習(xí)中投入的時(shí)間或行為越多，個(gè)體的學(xué)業(yè)勤奮水平就越高[18]。第二種是學(xué)習(xí)專(zhuān)注度的取向。該取向強(qiáng)調(diào)從認(rèn)知和情感投入角度來(lái)探究學(xué)業(yè)勤奮度，偏重于從專(zhuān)注程度的視角來(lái)考察學(xué)業(yè)勤奮度[19]。但時(shí)間投入和專(zhuān)注度是不可分離的，專(zhuān)注度是通過(guò)學(xué)習(xí)時(shí)間投入表現(xiàn)出來(lái)的，學(xué)習(xí)時(shí)間投入是專(zhuān)注度的載體。因此，單維取向不能夠有效地對(duì)學(xué)習(xí)者的學(xué)業(yè)勤奮度水平進(jìn)行合理的評(píng)估。為避免單維水平評(píng)估學(xué)習(xí)者的學(xué)業(yè)勤奮的不足，雷浩等綜合了時(shí)間投入和專(zhuān)注度兩種取向，提出了學(xué)業(yè)勤奮度的“時(shí)間投入—專(zhuān)注度雙維核心模型”，并檢驗(yàn)了該模型應(yīng)用的有效性[15]。但是該研究是通過(guò)自編的《中學(xué)生學(xué)業(yè)勤奮度問(wèn)卷》來(lái)獲得的數(shù)據(jù)，仍然存在問(wèn)卷調(diào)查法的弊端。因此，本研究以“時(shí)間投入—專(zhuān)注度雙維核心模型”為理論框架，探索基于學(xué)生學(xué)習(xí)行為的學(xué)業(yè)勤奮習(xí)慣測(cè)量模型。

2. 學(xué)業(yè)勤奮習(xí)慣測(cè)量的算法設(shè)計(jì)

學(xué)業(yè)勤奮習(xí)慣的測(cè)量假設(shè)是學(xué)業(yè)勤奮習(xí)慣與作業(yè)學(xué)習(xí)行為是相關(guān)的。這里主要包括以下兩個(gè)問(wèn)題：一是學(xué)業(yè)勤奮習(xí)慣水平與哪些在線作業(yè)行為相關(guān)？二是在線作業(yè)行為與學(xué)業(yè)勤奮習(xí)慣水平的關(guān)系是否可以描述為數(shù)學(xué)模型？

由于不同學(xué)習(xí)平臺(tái)開(kāi)發(fā)的目的不同，所提供的工具不同，會(huì)導(dǎo)致學(xué)習(xí)行為指標(biāo)選擇的不同。因此，在確定兩個(gè)維度學(xué)習(xí)行為的量化指標(biāo)時(shí)，需要考慮學(xué)習(xí)平臺(tái)本身的特點(diǎn)，以及數(shù)據(jù)采集的可行性。一般來(lái)說(shuō)，學(xué)業(yè)勤奮習(xí)慣主要表現(xiàn)在做作業(yè)、觀看微視頻答題、作業(yè)互動(dòng)、資源瀏覽等多種行為，各種行為對(duì)學(xué)業(yè)勤奮習(xí)慣貢獻(xiàn)的程度也不同，這就導(dǎo)致學(xué)業(yè)勤奮習(xí)慣的輸入和輸出是一種復(fù)雜的非線性關(guān)系。因此，勤奮習(xí)慣的診斷是一個(gè)多層次、多目標(biāo)的問(wèn)題，難以建立合理、準(zhǔn)確的數(shù)學(xué)公式。對(duì)于多指標(biāo)的預(yù)測(cè)和分類(lèi)問(wèn)題，通常采用多元線性回歸、logistic回歸等回歸方法，但這些方法是基于線性關(guān)系來(lái)進(jìn)行評(píng)價(jià)，無(wú)法對(duì)非線性問(wèn)題進(jìn)行很好的逼近。人工神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)恰好體現(xiàn)在處理非線性問(wèn)題上，相對(duì)于其他非線性回歸方法，人工神經(jīng)網(wǎng)絡(luò)避免了選取何種非線性函數(shù)的困擾，因此本研究根據(jù)數(shù)據(jù)之間的非線性特點(diǎn)，以及需要解決問(wèn)題的性質(zhì)，選擇人工神經(jīng)網(wǎng)絡(luò)方法對(duì)勤奮習(xí)慣進(jìn)行診斷。

本研究的輸入數(shù)據(jù)為學(xué)習(xí)者歸一化后的特征向量，輸出數(shù)據(jù)為勤奮度（勤奮學(xué)習(xí)習(xí)慣的標(biāo)度）數(shù)值，分為1～5類(lèi)（1類(lèi)勤奮度最低，5類(lèi)勤奮度最高）。具體建模步驟包括：第一步，根據(jù)“時(shí)間投入—專(zhuān)注度雙維核心模型”的理論框架，以及在線平臺(tái)可收集到的學(xué)習(xí)行為數(shù)據(jù)，設(shè)計(jì)學(xué)業(yè)勤奮習(xí)慣數(shù)字化表征的指標(biāo)體系。第二步，根據(jù)學(xué)習(xí)行為指標(biāo)體系確定輸入層神經(jīng)元的個(gè)數(shù)，模型的輸出為學(xué)業(yè)勤奮習(xí)慣評(píng)價(jià)的等級(jí)，確定模型的拓?fù)浣Y(jié)構(gòu)。第三步，歸一化處理各指標(biāo)數(shù)據(jù)。第四步，采用神經(jīng)網(wǎng)絡(luò)對(duì)樣本進(jìn)行訓(xùn)練，建立學(xué)業(yè)勤奮習(xí)慣的測(cè)量模型。第五步，應(yīng)用學(xué)業(yè)勤奮習(xí)慣測(cè)量模型對(duì)學(xué)習(xí)者進(jìn)行診斷，并輸出診斷結(jié)果，對(duì)模型性能進(jìn)行分析。

三、智能學(xué)習(xí)系統(tǒng)中作業(yè)習(xí)慣模型實(shí)驗(yàn)

本研究的實(shí)驗(yàn)平臺(tái)為“Cloudbag教育云平臺(tái)”，實(shí)驗(yàn)數(shù)據(jù)來(lái)源為L(zhǎng)中學(xué)654名學(xué)習(xí)者使用智能學(xué)習(xí)系統(tǒng)進(jìn)行常態(tài)化學(xué)習(xí)的作業(yè)行為數(shù)據(jù)。首先進(jìn)行數(shù)據(jù)清洗，過(guò)濾掉因轉(zhuǎn)學(xué)等各種原因未參與的學(xué)習(xí)者數(shù)據(jù)，以及由于誤操作的多次提交行為、多次做作業(yè)的行為（一個(gè)作業(yè)在不同的時(shí)間做了多次）等數(shù)據(jù)，得到有效記錄。其次，處理缺失值和歸一化數(shù)據(jù)，應(yīng)用極差變換對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，將數(shù)據(jù)進(jìn)行歸一化，縮放到從0到1的閉區(qū)間。

（一）維度1：學(xué)業(yè)拖延習(xí)慣子模型實(shí)驗(yàn)

根據(jù)智能學(xué)習(xí)系統(tǒng)中收集的學(xué)業(yè)拖延習(xí)慣數(shù)據(jù)特征選擇算法。由于數(shù)據(jù)是連續(xù)型數(shù)值數(shù)據(jù)，因此選用覆蓋型數(shù)值劃分聚類(lèi)算法。K-Means聚類(lèi)是比較成熟的覆蓋型數(shù)值劃分聚類(lèi)算法之一，本實(shí)驗(yàn)應(yīng)用K-Means聚類(lèi)來(lái)實(shí)現(xiàn)學(xué)業(yè)拖延度Pr的分類(lèi)。

1. 數(shù)據(jù)分析

本實(shí)驗(yàn)聚類(lèi)分析的因變量是學(xué)業(yè)拖延習(xí)慣診斷結(jié)果，自變量是做作業(yè)時(shí)的拖延次數(shù)Nd、提交作業(yè)的拖延次數(shù)Ns。當(dāng)K為4時(shí)，聚類(lèi)效果具有最好的解釋力，因此聚類(lèi)數(shù)量選擇為4。實(shí)驗(yàn)結(jié)果如圖1所示，四種拖延類(lèi)別具有明顯的分區(qū)，類(lèi)別1在Nd和Ns上的數(shù)值均較小;類(lèi)別2在Nd和Ns上的數(shù)值均較大;類(lèi)別3在Nd上的數(shù)值較小，在Ns上的數(shù)值較大;類(lèi)別4在Ns上的數(shù)值較小，在Nd上的數(shù)值較大。在所有統(tǒng)計(jì)量中，類(lèi)別1有398個(gè)，占60.9%，Nd的中心點(diǎn)是0.49，Ns的中心點(diǎn)是0.69;類(lèi)別2有45個(gè)，占6.9%，Nd的中心點(diǎn)是10.48，Ns的中心點(diǎn)是9.57;類(lèi)別3有124個(gè)，占19.0%，Nd的中心點(diǎn)是2.69，Ns的中心點(diǎn)是8.41;類(lèi)別4有87個(gè)，占13.3%，Nd的中心點(diǎn)是7.8，Ns的中心點(diǎn)是2.39。方差分析結(jié)果顯示，Nd、Ns兩個(gè)變量能很好地區(qū)分各類(lèi)（Sig.=0.000），各類(lèi)別間的差異較大。類(lèi)別1占了整體的60.9%，說(shuō)明大部分學(xué)習(xí)者在作業(yè)方面沒(méi)有拖延習(xí)慣，這與中國(guó)當(dāng)前的中學(xué)教育現(xiàn)狀有關(guān)，在現(xiàn)有的中學(xué)教育中，因?yàn)楦呖嫉闹赶蛐裕虒W(xué)模式以教師為主導(dǎo)，對(duì)于教師安排的作業(yè)，大部分學(xué)習(xí)者都能在提交時(shí)間前完成，隨著時(shí)間的臨近，數(shù)據(jù)量逐步增加，導(dǎo)致類(lèi)別1數(shù)值偏大。

聚類(lèi)質(zhì)量的評(píng)價(jià)采用輪廓測(cè)量和Silhouette指數(shù)。本研究的Silhouette指數(shù)達(dá)到0.8，聚類(lèi)輪廓測(cè)量也達(dá)到了“好”的水平，說(shuō)明本研究應(yīng)用K-Means聚類(lèi)分析對(duì)學(xué)業(yè)拖延習(xí)慣的分類(lèi)具有較好的聚類(lèi)質(zhì)量。

2. 具有不同程度學(xué)業(yè)拖延習(xí)慣的學(xué)習(xí)者特征

從不同類(lèi)型的學(xué)習(xí)者中選擇特定的受訪者，進(jìn)行訪談，并結(jié)合這類(lèi)受訪者在行為數(shù)據(jù)中體現(xiàn)出來(lái)的行為模式特點(diǎn)，分析學(xué)習(xí)者的特征。通過(guò)對(duì)四類(lèi)不同學(xué)習(xí)者進(jìn)行訪談和觀察，發(fā)現(xiàn)四類(lèi)學(xué)習(xí)者在學(xué)習(xí)上具有不同的特征?！盁o(wú)拖延習(xí)慣者”即類(lèi)別為1的學(xué)習(xí)者，統(tǒng)計(jì)數(shù)據(jù)上表現(xiàn)為：Nd和Ns均較小。在學(xué)習(xí)行為上表現(xiàn)為：基本沒(méi)有做題拖延行為和提交拖延行為，能夠提前或按時(shí)完成作業(yè)，做作業(yè)時(shí)注意力較為集中，被視為無(wú)拖延學(xué)習(xí)習(xí)慣?！皣?yán)重拖延習(xí)慣者”即類(lèi)別為2的學(xué)習(xí)者，統(tǒng)計(jì)數(shù)據(jù)上表現(xiàn)為：Nd和Ns均較大。在學(xué)習(xí)行為上表現(xiàn)為：經(jīng)常出現(xiàn)做題拖延行為和提交拖延行為，通常表現(xiàn)為學(xué)習(xí)時(shí)間安排不合理，經(jīng)常忘記做作業(yè)，喜歡把作業(yè)拖后完成或者不完成，而且做作業(yè)時(shí)注意力不集中，經(jīng)常被其他事情打擾，導(dǎo)致做作業(yè)的時(shí)間很長(zhǎng)，效率較低?！疤峤蛔鳂I(yè)拖延者”即類(lèi)別為3的學(xué)習(xí)者，統(tǒng)計(jì)數(shù)據(jù)上表現(xiàn)為：Nd較小，Ns較大。在學(xué)習(xí)行為上表現(xiàn)為：經(jīng)常出現(xiàn)提交拖延行為，但很少出現(xiàn)做題拖延行為，這類(lèi)學(xué)習(xí)者通常表現(xiàn)為經(jīng)常忘記做作業(yè)，喜歡把作業(yè)拖后完成或者不完成，學(xué)習(xí)時(shí)間安排不合理，但做作業(yè)時(shí)能夠集中注意力，效率較高?！白鲎鳂I(yè)拖延者”即類(lèi)別為4的學(xué)習(xí)者，統(tǒng)計(jì)數(shù)據(jù)上表現(xiàn)為：Ns較小，Nd較大;在學(xué)習(xí)行為上表現(xiàn)為：經(jīng)常出現(xiàn)做題拖延行為，但很少出現(xiàn)提交拖延行為，這類(lèi)學(xué)習(xí)者通常表現(xiàn)為能夠按時(shí)完成作業(yè)，看似在努力學(xué)習(xí)，但學(xué)習(xí)效率不高，在做作業(yè)時(shí)，經(jīng)常注意力分散、溜號(hào)，甚至迷航。以上四類(lèi)學(xué)習(xí)者，“無(wú)拖延習(xí)慣者”是具有良好學(xué)習(xí)習(xí)慣的學(xué)習(xí)者，“嚴(yán)重拖延習(xí)慣者”“提交作業(yè)拖延者”“做作業(yè)拖延者”三類(lèi)學(xué)習(xí)者都是具有不良學(xué)習(xí)習(xí)慣的學(xué)習(xí)者，需要根據(jù)其習(xí)慣形成的動(dòng)力因素設(shè)計(jì)教學(xué)干預(yù)，改善其不良的作業(yè)習(xí)慣[20]。

3. 模型診斷結(jié)果與人工診斷結(jié)果的對(duì)比

將模型診斷結(jié)果與人工診斷結(jié)果進(jìn)行對(duì)比，可以幫助完善模型，為后續(xù)研究做準(zhǔn)備。隨機(jī)抽取20位學(xué)習(xí)者，由兩位該班授課教師研究者背對(duì)背對(duì)20位學(xué)習(xí)者的拖延類(lèi)型進(jìn)行診斷，對(duì)于不一致的結(jié)果，與第三位教師商討后確定最終值，兩位教師評(píng)價(jià)的Cohen's Kappa一致性檢驗(yàn)結(jié)果為0.821，具有一致性。模型的診斷結(jié)果與教師診斷結(jié)果在類(lèi)型1、類(lèi)型2和類(lèi)型3上具有較好的一致性，而類(lèi)型4的判斷上有一些不一致，模型診斷出類(lèi)型4的數(shù)量要少，說(shuō)明模型的判斷標(biāo)準(zhǔn)比教師的判斷標(biāo)準(zhǔn)寬松，原因在于，在判定“規(guī)定的做作業(yè)的時(shí)長(zhǎng)”的時(shí)候，教師是按照班級(jí)大多數(shù)同學(xué)能夠做完的時(shí)長(zhǎng)，但當(dāng)對(duì)學(xué)習(xí)者個(gè)人進(jìn)行評(píng)價(jià)時(shí)，教師通常會(huì)從自己的經(jīng)驗(yàn)和預(yù)期出發(fā)，根據(jù)學(xué)習(xí)者個(gè)人的知識(shí)能力來(lái)進(jìn)行判斷。如在某次作業(yè)中，教師認(rèn)為大多數(shù)學(xué)習(xí)者45分鐘能夠完成，對(duì)于甲同學(xué)（學(xué)習(xí)基礎(chǔ)比較差），如果甲45分鐘寫(xiě)完，教師認(rèn)為其沒(méi)有拖延，但對(duì)于乙同學(xué)（學(xué)習(xí)基礎(chǔ)比較好），如果也是45分鐘寫(xiě)完，教師認(rèn)為其有拖延，原因是教師對(duì)他的預(yù)期應(yīng)該是35分鐘之內(nèi)。因此，模型的后續(xù)完善可以考慮增加學(xué)習(xí)者的知識(shí)能力因素。

（二）維度2：學(xué)業(yè)勤奮習(xí)慣子模型實(shí)驗(yàn)

1. 提煉學(xué)習(xí)行為測(cè)量指標(biāo)

通過(guò)對(duì)Cloudbag云平臺(tái)可收集到的作業(yè)學(xué)習(xí)行為進(jìn)行分析，同時(shí)參考已有文獻(xiàn)的量化指標(biāo)，提煉出基于Cloudbag教育云平臺(tái)的學(xué)業(yè)勤奮習(xí)慣的具體測(cè)量指標(biāo)，共得到兩個(gè)維度下的8項(xiàng)行為指標(biāo)，15項(xiàng)量化指標(biāo)，本研究的假設(shè)框架見(jiàn)表1。這15項(xiàng)量化指標(biāo)與輸出均有關(guān)系，但沒(méi)有直接的線性關(guān)系。基于此框架進(jìn)行數(shù)據(jù)收集和分析，并修訂形成最終的學(xué)業(yè)勤奮習(xí)慣子模型。

2. 構(gòu)建專(zhuān)家樣本

建模的目的是將教師經(jīng)驗(yàn)中的學(xué)習(xí)習(xí)慣與學(xué)習(xí)者的學(xué)習(xí)行為建立聯(lián)系。本實(shí)驗(yàn)的因變量是學(xué)業(yè)勤奮習(xí)慣，其數(shù)據(jù)來(lái)自于各種作業(yè)行為;自變量是專(zhuān)家樣本，來(lái)自于教師研究者的人工標(biāo)注。人工標(biāo)注勤奮度數(shù)值分為1～5類(lèi)（1類(lèi)勤奮度最低，5類(lèi)勤奮度最高）;編碼的一致性檢驗(yàn)結(jié)果Cohens Kappa系數(shù)為0.712，對(duì)于不一致的編碼，加入第三個(gè)研究者，共同協(xié)商決定編碼的類(lèi)別。

3. 模型實(shí)驗(yàn)

隨機(jī)選取60%作為訓(xùn)練集、20%作為校驗(yàn)集、20%作為測(cè)試集。模型選擇BP神經(jīng)網(wǎng)絡(luò)的多層感知器MLP模型，使用訓(xùn)練集對(duì)模型進(jìn)行訓(xùn)練，網(wǎng)絡(luò)結(jié)構(gòu)為：輸入層為15個(gè)神經(jīng)元（歸一化后的15維的特征向量），輸出層5個(gè)神經(jīng)元作為分類(lèi)結(jié)果（1類(lèi)勤奮度最低，5類(lèi)勤奮度最高），隱藏層為5層。如圖2，多層感知器MLP模型對(duì)于學(xué)業(yè)勤奮分類(lèi)的精度，在類(lèi)別1和5上均超過(guò)了98%，達(dá)到了較高的值，說(shuō)明模型在1和5類(lèi)型上具有較高的識(shí)別能力，即對(duì)于“特別勤奮”和“特別懶惰”的兩類(lèi)極端學(xué)習(xí)者具有較好的診斷能力，這符合后續(xù)研究的需要，即對(duì)勤奮度不高學(xué)習(xí)者干預(yù)的前提是對(duì)其精確的診斷，尤其是診斷為“懶惰”的學(xué)習(xí)者是重點(diǎn)干預(yù)對(duì)象。模型在類(lèi)別2和4上的精度在85%左右，雖沒(méi)有達(dá)到特別高的值，但符合實(shí)際情況，對(duì)于介于“特別勤奮”和“一般勤奮”，“特別懶惰”和“有點(diǎn)懶惰”之間的學(xué)習(xí)者，實(shí)踐證明，人工標(biāo)準(zhǔn)也會(huì)出現(xiàn)±1級(jí)別的誤差（在人工標(biāo)注時(shí)，需加入第三個(gè)研究者對(duì)于不一致的編碼進(jìn)行協(xié)商的情況，也是大多出現(xiàn)在對(duì)第2類(lèi)和第4類(lèi)的辨別上）。

4. 基于不同算法的模型比較分析

對(duì)于不同的分類(lèi)問(wèn)題，高精度的算法具有更好的識(shí)別能力。下面，將本實(shí)驗(yàn)應(yīng)用的算法與機(jī)器學(xué)習(xí)的主流分類(lèi)算法進(jìn)行比較。收益圖提供了一種評(píng)估和比較多個(gè)預(yù)測(cè)模型并選擇最合適的預(yù)測(cè)模型的方法。如圖2所示，多層感知器MLP取得了最好的預(yù)測(cè)效果，支持向量機(jī)SVM和TAN貝葉斯網(wǎng)絡(luò)也取得較好的預(yù)測(cè)效果，決策樹(shù)DecisionTree次之，徑向基函數(shù)RBF最差，可見(jiàn)多層感知器MLP算法的評(píng)估指標(biāo)是五種模型中最高的，對(duì)勤奮度分類(lèi)結(jié)果是最優(yōu)的。因此，本文提出的基于多層感知器MLP的學(xué)業(yè)勤奮模型，通過(guò)輸入的15維特征向量能夠較為準(zhǔn)確地診斷出學(xué)習(xí)者的勤奮度級(jí)別。

對(duì)于診斷出學(xué)習(xí)者的勤奮度級(jí)別的教育意義說(shuō)明：勤奮度級(jí)別（1、2、3、4、5）分別代表特別不同級(jí)別的勤奮習(xí)慣（懶惰、有點(diǎn)懶惰、一般、勤奮、特別勤奮）。本研究認(rèn)為被診斷為4級(jí)和5級(jí)的學(xué)習(xí)者是具有良好作業(yè)習(xí)慣的，而被診斷為1級(jí)和2級(jí)的學(xué)習(xí)者是具有不良作業(yè)習(xí)慣的，分別被定義為“勤奮嚴(yán)重不足者”和“勤奮不足者”類(lèi)別，對(duì)于不良作業(yè)習(xí)慣的學(xué)習(xí)者要采取相應(yīng)的教育干預(yù)，幫助其改善作業(yè)習(xí)慣。

四、結(jié)? ?語(yǔ)

本研究提出了學(xué)業(yè)拖延習(xí)慣和學(xué)業(yè)勤奮習(xí)慣的二維作業(yè)習(xí)慣模型，分別表征作業(yè)時(shí)間、作業(yè)努力兩個(gè)方面作業(yè)行為的頻繁程度對(duì)學(xué)習(xí)的影響。以往學(xué)業(yè)拖延的測(cè)量，通常都是單一維度的對(duì)作業(yè)提交的截止時(shí)間的判斷，缺乏對(duì)做作業(yè)拖延的描述。本研究構(gòu)建了包括“做的時(shí)間”和“完成的時(shí)間”兩個(gè)維度的學(xué)業(yè)拖延習(xí)慣子模型，使學(xué)業(yè)拖延習(xí)慣的研究更加深入。學(xué)業(yè)勤奮習(xí)慣對(duì)于學(xué)習(xí)者的學(xué)業(yè)成就具有很好預(yù)測(cè)作用，但學(xué)業(yè)勤奮與其他可以用學(xué)習(xí)行為來(lái)測(cè)量的概念（如學(xué)習(xí)行為投入）相比，研究成果卻相當(dāng)有限，學(xué)業(yè)勤奮的測(cè)量也僅是通過(guò)一些調(diào)查問(wèn)卷法。本研究提出學(xué)業(yè)勤奮習(xí)慣子模型包括時(shí)間投入和專(zhuān)注度兩個(gè)維度，并根據(jù)數(shù)據(jù)的特點(diǎn)，選擇應(yīng)用人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)勤奮習(xí)慣的表征，診斷出五個(gè)級(jí)別的勤奮度，從而實(shí)現(xiàn)了通過(guò)學(xué)習(xí)行為來(lái)測(cè)量學(xué)業(yè)勤奮習(xí)慣，改進(jìn)了學(xué)業(yè)勤奮習(xí)慣的測(cè)量方法。

由于學(xué)習(xí)習(xí)慣具有多場(chǎng)景、多學(xué)段的特征，未來(lái)需要將本研究提出的作業(yè)習(xí)慣二維模型在不同應(yīng)用場(chǎng)景、不同年齡段群體、不同類(lèi)型的數(shù)據(jù)結(jié)構(gòu)表現(xiàn)形式上，作進(jìn)一步的驗(yàn)證，使作業(yè)習(xí)慣測(cè)量模型進(jìn)行多次迭代，不斷提高模型的效度。

[參考文獻(xiàn)]

[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(xué)（上）[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.智能學(xué)習(xí)系統(tǒng)中學(xué)習(xí)習(xí)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， L？譈DTKE O， 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， L？譈DTKE， 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(qiáng).基于時(shí)間投入——專(zhuān)注度雙維核心模型的高中生學(xué)業(yè)勤奮度研究[J].心理發(fā)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(xué)習(xí)習(xí)慣在線干預(yù)的原理與模型設(shè)計(jì)[J].電化教育研究，2019，40（12）：72-79.