殷寶媛¹， 武法提²

(1.哈爾濱師範大學 教育科學學院， 黑(hēi)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(běi)京 100875)

作業是連接教與學的重要環節，體現了教育的價值取向和課程改革的理念。作業在K-12教育中具有重要的地位^[1]，作業可以補充和鞏固學生(shēng)在學校的學習，完善學生(shēng)的知識和技(jì)能(néng)^[2]。因此，培養學生(shēng)良好的作業習慣，對于學生(shēng)的學業表現具有重要的意義。随著(zhe)信息技(jì)術的發展，學生(shēng)做作業的方式也從傳統的紙和筆作業發展到(dào)在線作業以及線上(shàng)線下(xià)混合的作業形式，與傳統作業相(xiàng)比，在線作業可以使學生(shēng)得到(dào)即時的反饋與輔導，能(néng)帶來更好的學習結果^[3]。學生(shēng)在線作業的過程會以數據的形式存儲在學習系統中，如何通(tōng)過這些海量的作業行爲數據，分析學生(shēng)的作業習慣，爲學生(shēng)的個性化學習提供支持和服務，是智能(néng)學習系統設計中亟待解決的問題。

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

(一(yī))智能(néng)學習系統中作業習慣模型維度的确定

在智能(néng)學習系統中，學生(shēng)的作業習慣是通(tōng)過其作業行爲表現出來的。關于學生(shēng)作業行爲的研究， Flunger B認爲作業時間是作業行爲的一(yī)個重要特征^[5];Dettmers認爲學生(shēng)在作業中投入的努力程度可以表征其作業行爲^[6];Trautwein U的研究表明，作業對學業成就(jiù)的積極效果并不能(néng)僅由“作業時間”測量，還與作業的完成質量(專注/效率、按時、正确)有關^[7]，并提出多(duō)層次作業模型，該模型認爲作業時間(即花費在作業上(shàng)的時間)和作業努力(即學習者認真對待作業的程度)可以用來表征學生(shēng)作業行爲的兩個中心方面^[8]。本研究以多(duō)層次作業模型爲基礎，探讨作業時間和作業努力這兩類作業行爲與哪些教育領域常識性的學習習慣概念相(xiàng)對應，以确定作業習慣模型的維度。

1. 通(tōng)過文獻分析提取模型維度的關鍵詞

作業模型維度關鍵詞篩選的原則有兩個，一(yī)是從價值性的角度出發，選擇需要測量的作業習慣，即教育學領域認爲應該測量的作業習慣，對學習者的學習和發展會有重要影響的作業習慣;二是從實用性的角度出發，選擇能(néng)夠測量的作業習慣，即當前技(jì)術手段等可以實現量化的作業習慣。通(tōng)過收集和整理國内外關于學習習慣的文獻，分析、總結和提取作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，篩選出與作業有關的關鍵詞48個。按照(zhào)篩選的兩個原則(一(yī)是需要測量的;二是能(néng)夠測量的)，對這48個關鍵詞進行篩選。得到(dào)學業拖延、時間管理、目标計劃、學習環境、主動學習、協作、學業勤奮、獨立思考等8個關鍵詞。

2. 通(tōng)過專家訪談補充和修改模型維度的關鍵詞

訪談6位具有在線教學和研究經驗的專家，了解在線學習環境下(xià)專家對作業習慣關注的要點，經過速記轉錄與整理，形成了訪談文本資料。使用NVivo軟件(jiàn)對訪談資料進行編碼，提取出教師和專家關注的作業習慣關鍵詞6個(拖延、勤奮、努力、主動、投入、專注)。将文獻分析的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(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位研究人員和6位中學教師)參與了本研究的德爾菲調查。調查以問卷形式進行，征詢專家對作業習慣模型維度的意見。根據兩輪意見征詢和修訂，确定将學業拖延、學業勤奮作爲兩個重要且可以測量的作業習慣的維度，分别表征作業時間、作業努力兩個方面作業行爲的頻繁程度對學習的影響。

(二)維度1：學業拖延習慣的測量

作業模型中的學業拖延習慣是指當學生(shēng)面對與作業(學業任務)有關的事(shì)件(jiàn)刺激所呈現的延遲行爲。學業拖延習慣是一(yī)種常見的不良學習習慣。研究發現，大約30%至60%的學習者報告了自(zì)己在準備考試、寫學期論文等學習任務時具有拖延習慣^[9]。學業拖延習慣會影響學習者的學習表現，阻礙其學習進步，增加其壓力，并降低(dī)生(shēng)活的質量，對學習者的身心健康産生(shēng)消極影響^[10]。由于學業拖延習慣對學業成就(jiù)的影響最爲直接，因此也是許多(duō)研究者和教師關注的問題。

1. 學業拖延習慣子模型構建

在學業拖延習慣的測量上(shàng)，大多(duō)數采用調查問卷或量表，通(tōng)過學習者自(zì)我報告的形式來測量拖延習慣，如Tuckman拖延傾向量表(TPS^[11])、Solomon等學業拖延量表(PASS^[12])等;此外，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(tōng)常表現爲放(fàng)棄和推遲完成作業。用行爲數據來測量拖延，一(yī)般都是判斷行爲是否在截止時間前完成，用在作業拖延的測量，通(tōng)常都是單一(yī)維度的判斷提交作業的截止時間^[14]。然而拖延作爲從時間角度表征作業行爲頻率對學習影響的變量，不應該僅從“完成的時間”進行單一(yī)維度的判斷，還應該包括“做的時間”維度，做作業的時間長短不僅是學習者知識能(néng)力的表現，更是專注力等方面的外顯。因此，本研究構建了包括“做的時間”和“完成的時間”兩個維度的學業拖延習慣模型，即做題拖延和提交拖延二維模型。

2. 學業拖延習慣測量的算(suàn)法設計

研究假設：超出規定做作業時間的次數越多(duō)，拖延度越高(gāo);超出規定提交作業時間的次數越多(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表示作業的學業拖延度，T表示作業學習行爲中與時間相(xiàng)關的參數，N表示作業學習行爲中與拖延次數相(xiàng)關的參數。

(1)做作業時的拖延次數Nd的計算(suàn)

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

(2)提交作業的拖延次數Ns的計算(suàn)

設Tdl規定最晚提交作業的時間，則第i次提交作業拖延的時長Tps(i)=Tsb(i)-Tdl(i)。提交作業的拖延次數Ns的計算(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的計算(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的計算(suàn)看(kàn)成一(yī)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，選用不同的聚類算(suàn)法，對Pr進行分類，實現對學業拖延度的計算(suàn)。

(三)維度2：學業勤奮習慣模型的測量

學業勤奮習慣用于表征作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表現^[15]。研究表明，學業勤奮習慣對于學業成就(jiù)具有預測作用。在線學習環境下(xià)，學習者面臨更多(duō)的誘惑，這會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其學業表現具有重要的作用。

1. 學業勤奮習慣子模型構建

關于學業勤奮習慣的測量，常采用問卷調查法，如Bernard 等編制的基礎教育勤奮調查問卷DI-HS和高(gāo)等教育勤奮調查問卷DI-HE^[16]等。但是問卷測量受到(dào)許多(duō)衆所周知的限制，尤其是自(zì)我報告式問卷，存在社會期望偏差和其他的限制，特别是當存在激勵因素時。有研究者認爲，用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，直接對行爲進行分析，可以消除參考偏倚、社會期望偏倚和造假相(xiàng)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(yī)種是學習時間(行爲)投入的取向。該取向主要從學習者投入學習中的時間或行爲的多(duō)少來考察學業勤奮度，認爲個體在學習中投入的時間或行爲越多(duō)，個體的學業勤奮水(shuǐ)平就(jiù)越高(gāo)^[18]。第二種是學習專注度的取向。該取向強調從認知和情感投入角度來探究學業勤奮度，偏重于從專注程度的視角來考察學業勤奮度^[19]。但時間投入和專注度是不可分離的，專注度是通(tōng)過學習時間投入表現出來的，學習時間投入是專注度的載體。因此，單維取向不能(néng)夠有效地對學習者的學業勤奮度水(shuǐ)平進行合理的評估。爲避免單維水(shuǐ)平評估學習者的學業勤奮的不足，雷浩等綜合了時間投入和專注度兩種取向，提出了學業勤奮度的“時間投入—專注度雙維核心模型”，并檢驗了該模型應用的有效性^[15]。但是該研究是通(tōng)過自(zì)編的《中學生(shēng)學業勤奮度問卷》來獲得的數據，仍然存在問卷調查法的弊端。因此，本研究以“時間投入—專注度雙維核心模型”爲理論框架，探索基于學生(shēng)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

學業勤奮習慣的測量假設是學業勤奮習慣與作業學習行爲是相(xiàng)關的。這裏主要包括以下(xià)兩個問題：一(yī)是學業勤奮習慣水(shuǐ)平與哪些在線作業行爲相(xiàng)關?二是在線作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發的目的不同，所提供的工(gōng)具不同，會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，需要考慮學習平台本身的特點，以及數據采集的可行性。一(yī)般來說，學業勤奮習慣主要表現在做作業、觀看(kàn)微視頻答題、作業互動、資源浏覽等多(duō)種行爲，各種行爲對學業勤奮習慣貢獻的程度也不同，這就(jiù)導緻學業勤奮習慣的輸入和輸出是一(yī)種複雜的非線性關系。因此，勤奮習慣的診斷是一(yī)個多(duō)層次、多(duō)目标的問題，難以建立合理、準确的數學公式。對于多(duō)指标的預測和分類問題，通(tōng)常采用多(duō)元線性回歸、logistic回歸等回歸方法，但這些方法是基于線性關系來進行評價，無法對非線性問題進行很好的逼近。人工(gōng)神經網絡的優勢恰好體現在處理非線性問題上(shàng)，相(xiàng)對于其他非線性回歸方法，人工(gōng)神經網絡避免了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)神經網絡方法對勤奮習慣進行診斷。

本研究的輸入數據爲學習者歸一(yī)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(yī)步，根據“時間投入—專注度雙維核心模型”的理論框架，以及在線平台可收集到(dào)的學習行爲數據，設計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(yī)化處理各指标數據。第四步，采用神經網絡對樣本進行訓練，建立學業勤奮習慣的測量模型。第五步，應用學業勤奮習慣測量模型對學習者進行診斷，并輸出診斷結果，對模型性能(néng)進行分析。

本研究的實驗平台爲“Cloudbag教育雲平台”，實驗數據來源爲L中學654名學習者使用智能(néng)學習系統進行常态化學習的作業行爲數據。首先進行數據清洗，過濾掉因轉學等各種原因未參與的學習者數據，以及由于誤操作的多(duō)次提交行爲、多(duō)次做作業的行爲(一(yī)個作業在不同的時間做了多(duō)次)等數據，得到(dào)有效記錄。其次，處理缺失值和歸一(yī)化數據，應用極差變換對數據進行預處理，将數據進行歸一(yī)化，縮放(fàng)到(dào)從0到(dào)1的閉區間。

(一(yī))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(yī)，本實驗應用K-Means聚類來實現學業拖延度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)變量是做作業時的拖延次數Nd、提交作業的拖延次數Ns。當K爲4時，聚類效果具有最好的解釋力，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顯的分區，類别1在Nd和Ns上(shàng)的數值均較小(xiǎo);類别2在Nd和Ns上(shàng)的數值均較大;類别3在Nd上(shàng)的數值較小(xiǎo)，在Ns上(shàng)的數值較大;類别4在Ns上(shàng)的數值較小(xiǎo)，在Nd上(shàng)的數值較大。在所有統計量中，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)很好地區分各類(Sig.=0.000)，各類别間的差異較大。類别1占了整體的60.9%，說明大部分學習者在作業方面沒有拖延習慣，這與中國當前的中學教育現狀有關，在現有的中學教育中，因爲高(gāo)考的指向性，教學模式以教師爲主導，對于教師安排的作業，大部分學習者都能(néng)在提交時間前完成，随著(zhe)時間的臨近，數據量逐步增加，導緻類别1數值偏大。

圖1 四種拖延類别在Nd和Ns上(shàng)的聚類圖

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

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，并結合這類受訪者在行爲數據中體現出來的行爲模式特點，分析學習者的特征。通(tōng)過對四類不同學習者進行訪談和觀察，發現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，統計數據上(shàng)表現爲：Nd和Ns均較小(xiǎo)。在學習行爲上(shàng)表現爲：基本沒有做題拖延行爲和提交拖延行爲，能(néng)夠提前或按時完成作業，做作業時注意力較爲集中，被視爲無拖延學習習慣。“嚴重拖延習慣者”即類别爲2的學習者，統計數據上(shàng)表現爲：Nd和Ns均較大。在學習行爲上(shàng)表現爲：經常出現做題拖延行爲和提交拖延行爲，通(tōng)常表現爲學習時間安排不合理，經常忘記做作業，喜歡把作業拖後完成或者不完成，而且做作業時注意力不集中，經常被其他事(shì)情打擾，導緻做作業的時間很長，效率較低(dī)。“提交作業拖延者”即類别爲3的學習者，統計數據上(shàng)表現爲：Nd較小(xiǎo)，Ns較大。在學習行爲上(shàng)表現爲：經常出現提交拖延行爲，但很少出現做題拖延行爲，這類學習者通(tōng)常表現爲經常忘記做作業，喜歡把作業拖後完成或者不完成，學習時間安排不合理，但做作業時能(néng)夠集中注意力，效率較高(gāo)。“做作業拖延者”即類别爲4的學習者，統計數據上(shàng)表現爲：Ns較小(xiǎo)，Nd較大;在學習行爲上(shàng)表現爲：經常出現做題拖延行爲，但很少出現提交拖延行爲，這類學習者通(tōng)常表現爲能(néng)夠按時完成作業，看(kàn)似在努力學習，但學習效率不高(gāo)，在做作業時，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”是具有良好學習習慣的學習者，“嚴重拖延習慣者”“提交作業拖延者”“做作業拖延者”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教學幹預，改善其不良的作業習慣^[20]。

3. 模型診斷結果與人工(gōng)診斷結果的對比

将模型診斷結果與人工(gōng)診斷結果進行對比，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背對20位學習者的拖延類型進行診斷，對于不一(yī)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(yī)緻性檢驗結果爲0.821，具有一(yī)緻性。模型的診斷結果與教師診斷結果在類型1、類型2和類型3上(shàng)具有較好的一(yī)緻性，而類型4的判斷上(shàng)有一(yī)些不一(yī)緻，模型診斷出類型4的數量要少，說明模型的判斷标準比教師的判斷标準寬松，原因在于，在判定“規定的做作業的時長”的時候，教師是按照(zhào)班級大多(duō)數同學能(néng)夠做完的時長，但當對學習者個人進行評價時，教師通(tōng)常會從自(zì)己的經驗和預期出發，根據學習者個人的知識能(néng)力來進行判斷。如在某次作業中，教師認爲大多(duō)數學習者45分鍾能(néng)夠完成，對于甲同學(學習基礎比較差)，如果甲45分鍾寫完，教師認爲其沒有拖延，但對于乙同學(學習基礎比較好)，如果也是45分鍾寫完，教師認爲其有拖延，原因是教師對他的預期應該是35分鍾之内。因此，模型的後續完善可以考慮增加學習者的知識能(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(tōng)過對Cloudbag雲平台可收集到(dào)的作業學習行爲進行分析，同時參考已有文獻的量化指标，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15項量化指标與輸出均有關系，但沒有直接的線性關系。基于此框架進行數據收集和分析，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，其數據來自(zì)于各種作業行爲;自(zì)變量是專家樣本，來自(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(yī)緻性檢驗結果Cohen’s Kappa系數爲0.712，對于不一(yī)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神經網絡的多(duō)層感知器(qì)MLP模型，使用訓練集對模型進行訓練，網絡結構爲：輸入層爲15個神經元(歸一(yī)化後的15維的特征向量)，輸出層5個神經元作爲分類結果(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(duō)層感知器(qì)MLP模型對于學業勤奮分類的精度，在類别1和5上(shàng)均超過了98%，達到(dào)了較高(gāo)的值，說明模型在1和5類型上(shàng)具有較高(gāo)的識别能(néng)力，即對于“特别勤奮”和“特别懶惰”的兩類極端學習者具有較好的診斷能(néng)力，這符合後續研究的需要，即對勤奮度不高(gāo)學習者幹預的前提是對其精确的診斷，尤其是診斷爲“懶惰”的學習者是重點幹預對象。模型在類别2和4上(shàng)的精度在85%左右，雖沒有達到(dào)特别高(gāo)的值，但符合實際情況，對于介于“特别勤奮”和“一(yī)般勤奮”，“特别懶惰”和“有點懶惰”之間的學習者，實踐證明，人工(gōng)标準也會出現±1級别的誤差(在人工(gōng)标注時，需加入第三個研究者對于不一(yī)緻的編碼進行協商的情況，也是大多(duō)出現在對第2類和第4類的辨别上(shàng))。

4. 基于不同算(suàn)法的模型比較分析

對于不同的分類問題，高(gāo)精度的算(suàn)法具有更好的識别能(néng)力。下(xià)面，将本實驗應用的算(suàn)法與機器(qì)學習的主流分類算(suàn)法進行比較。收益圖提供了一(yī)種評估和比較多(duō)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(duō)層感知器(qì)MLP取得了最好的預測效果，支持向量機SVM和TAN貝葉斯網絡也取得較好的預測效果，決策樹DecisionTree次之，徑向基函數RBF最差，可見多(duō)層感知器(qì)MLP算(suàn)法的評估指标是五種模型中最高(gāo)的，對勤奮度分類結果是最優的。因此，本文提出的基于多(duō)層感知器(qì)MLP的學業勤奮模型，通(tōng)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(duō)層感知器(qì)MLP模型的混淆矩陣與多(duō)個預測模型的收益圖

對于診斷出學習者的勤奮度級别的教育意義說明：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(yī)般、勤奮、特别勤奮)。本研究認爲被診斷爲4級和5級的學習者是具有良好作業習慣的，而被診斷爲1級和2級的學習者是具有不良作業習慣的，分别被定義爲“勤奮嚴重不足者”和“勤奮不足者”類别，對于不良作業習慣的學習者要采取相(xiàng)應的教育幹預，幫助其改善作業習慣。

本研究提出了學業拖延習慣和學業勤奮習慣的二維作業習慣模型，分别表征作業時間、作業努力兩個方面作業行爲的頻繁程度對學習的影響。以往學業拖延的測量，通(tōng)常都是單一(yī)維度的對作業提交的截止時間的判斷，缺乏對做作業拖延的描述。本研究構建了包括“做的時間”和“完成的時間”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。學業勤奮習慣對于學習者的學業成就(jiù)具有很好預測作用，但學業勤奮與其他可以用學習行爲來測量的概念(如學習行爲投入)相(xiàng)比，研究成果卻相(xiàng)當有限，學業勤奮的測量也僅是通(tōng)過一(yī)些調查問卷法。本研究提出學業勤奮習慣子模型包括時間投入和專注度兩個維度，并根據數據的特點，選擇應用人工(gōng)神經網絡實現對勤奮習慣的表征，診斷出五個級别的勤奮度，從而實現了通(tōng)過學習行爲來測量學業勤奮習慣，改進了學業勤奮習慣的測量方法。

　　由于學習習慣具有多(duō)場景、多(duō)學段的特征，未來需要将本研究提出的作業習慣二維模型在不同應用場景、不同年(nián)齡段群體、不同類型的數據結構表現形式上(shàng)，作進一(yī)步的驗證，使作業習慣測量模型進行多(duō)次叠代，不斷提高(gāo)模型的效度。

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(shàng))[M].北(běi)京：人民(mín)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.基于時間投入——專注度雙維核心模型的高(gāo)中生(shēng)學業勤奮度研究[J].心理發展與教育，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與模型設計[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

基金項目：教育部人文社會科學研究青年(nián)基金項目“互聯網+教育背景下(xià)學生(shēng)學習習慣的測評模型研究”(項目編号：18YJC880109)

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