殷寶媛　武法提

[摘? ?要] 作業(yè)習慣與學習者的學業(yè)成就緊密相關，作業(yè)習慣的建模是智能學習系統(tǒng)設計中亟待解決的問題。本研究應用混合式研究方法，依據多層次作業(yè)模型，確定“學業(yè)拖延”和“學業(yè)勤奮”作為兩個重要且可以測量的作業(yè)習慣的維度，分別表征作業(yè)時間和作業(yè)努力這兩類核心的作業(yè)行為。構建了包括做題拖延和提交拖延的學業(yè)拖延習慣子模型，應用聚類實現了對學業(yè)拖延習慣的診斷，定義了“無拖延習慣者”“嚴重拖延習慣者”“提交作業(yè)拖延者”“做作業(yè)拖延者”四類學習者。以時間投入—專注度模型為理論框架，構建了包括時間投入和專注度的學業(yè)勤奮習慣子模型，應用人工神經網絡實現對學業(yè)勤奮習慣進行診斷，診斷出五種勤奮度的級別，并驗證了模型的有效性。

[關鍵詞] 學習習慣; 作業(yè)習慣; 學業(yè)拖延; 學業(yè)勤奮; 智能學習系統(tǒng); 建模

[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、引? ?言

作業(yè)是連接教與學的重要環(huán)節(jié)，體現了教育的價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)可以補充和鞏固學生在學校的學習，完善學生的知識和技能[2]。因此，培養(yǎng)學生良好的作業(yè)習慣，對于學生的學業(yè)表現具有重要的意義。隨著信息技術的發(fā)展，學生做作業(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)可以使學生得到即時的反饋與輔導，能帶來更好的學習結果[3]。學生在線作業(yè)的過程會以數據的形式存儲在學習系統(tǒng)中，如何通過這些海量的作業(yè)行為數據，分析學生的作業(yè)習慣，為學生的個性化學習提供支持和服務，是智能學習系統(tǒng)設計中亟待解決的問題。

二、智能學習系統(tǒng)中作業(yè)習慣模型的構建

智能學習系統(tǒng)中作業(yè)習慣的建模可以應用學習習慣的建模方法，可采用自上而下的理論經驗法和自下而上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學習習慣模型的測量指標等問題[4]。

（一）智能學習系統(tǒng)中作業(yè)習慣模型維度的確定

在智能學習系統(tǒng)中，學生的作業(yè)習慣是通過其作業(yè)行為表現出來的。關于學生作業(yè)行為的研究， Flunger B認為作業(yè)時間是作業(yè)行為的一個重要特征[5];Dettmers認為學生在作業(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)對學業(yè)成就的積極效果并不能僅由“作業(yè)時間”測量，還與作業(yè)的完成質量（專注/效率、按時、正確）有關[7]，并提出多層次作業(yè)模型，該模型認為作業(yè)時間（即花費在作業(yè)上的時間）和作業(yè)努力（即學習者認真對待作業(yè)的程度）可以用來表征學生作業(yè)行為的兩個中心方面[8]。本研究以多層次作業(yè)模型為基礎，探討作業(yè)時間和作業(yè)努力這兩類作業(yè)行為與哪些教育領域常識性的學習習慣概念相對應，以確定作業(yè)習慣模型的維度。

1. 通過文獻分析提取模型維度的關鍵詞

作業(yè)模型維度關鍵詞篩選的原則有兩個，一是從價值性的角度出發(fā)，選擇需要測量的作業(yè)習慣，即教育學領域認為應該測量的作業(yè)習慣，對學習者的學習和發(fā)展會有重要影響的作業(yè)習慣;二是從實用性的角度出發(fā)，選擇能夠測量的作業(yè)習慣，即當前技術手段等可以實現量化的作業(yè)習慣。通過收集和整理國內外關于學習習慣的文獻，分析、總結和提取作業(yè)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(huán)境關鍵詞53個，篩選出與作業(yè)有關的關鍵詞48個。按照篩選的兩個原則（一是需要測量的;二是能夠測量的），對這48個關鍵詞進行篩選。得到學業(yè)拖延、時間管理、目標計劃、學習環(huán)境、主動學習、協作、學業(yè)勤奮、獨立思考等8個關鍵詞。

2. 通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(huán)境下專家對作業(yè)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軟件對訪談資料進行編碼，提取出教師和專家關注的作業(yè)習慣關鍵詞6個（拖延、勤奮、努力、主動、投入、專注）。將文獻分析的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. 通過德爾菲法確定模型維度

有16位專家（其中包括5位高校教師、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(yè)習慣模型維度的意見。根據兩輪意見征詢和修訂，確定將學業(yè)拖延、學業(yè)勤奮作為兩個重要且可以測量的作業(yè)習慣的維度，分別表征作業(yè)時間、作業(yè)努力兩個方面作業(yè)行為的頻繁程度對學習的影響。

（二）維度1：學業(yè)拖延習慣的測量

作業(yè)模型中的學業(yè)拖延習慣是指當學生面對與作業(yè)（學業(yè)任務）有關的事件刺激所呈現的延遲行為。學業(yè)拖延習慣是一種常見的不良學習習慣。研究發(fā)現，大約30%至60%的學習者報告了自己在準備考試、寫學期論文等學習任務時具有拖延習慣[9]。學業(yè)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，并降低生活的質量，對學習者的身心健康產生消極影響[10]。由于學業(yè)拖延習慣對學業(yè)成就的影響最為直接，因此也是許多研究者和教師關注的問題。

1. 學業(yè)拖延習慣子模型構建

在學業(yè)拖延習慣的測量上，大多數采用調查問卷或量表，通過學習者自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(yè)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(yè)拖延量表（APS[13]）等。學業(yè)拖延習慣通常表現為放棄和推遲完成作業(yè)。用行為數據來測量拖延，一般都是判斷行為是否在截止時間前完成，用在作業(yè)拖延的測量，通常都是單一維度的判斷提交作業(yè)的截止時間[14]。然而拖延作為從時間角度表征作業(yè)行為頻率對學習影響的變量，不應該僅從“完成的時間”進行單一維度的判斷，還應該包括“做的時間”維度，做作業(yè)的時間長短不僅是學習者知識能力的表現，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(yè)拖延習慣模型，即做題拖延和提交拖延二維模型。

2. 學業(yè)拖延習慣測量的算法設計

研究假設：超出規(guī)定做作業(yè)時間的次數越多，拖延度越高;超出規(guī)定提交作業(yè)時間的次數越多，拖延度越高。拖延度表達為：Pr=f（T，N）。其中，f（）是函數關系，Pr表示作業(yè)的學業(yè)拖延度，T表示作業(yè)學習行為中與時間相關的參數，N表示作業(yè)學習行為中與拖延次數相關的參數。

（1）做作業(yè)時的拖延次數Nd的計算

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

（2）提交作業(yè)的拖延次數Ns的計算

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

（3）學業(yè)拖延度Pr的計算

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(yè)拖延度Pr的計算看成一個分類問題。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，選用不同的聚類算法，對Pr進行分類，實現對學業(yè)拖延度的計算。

（三）維度2：學業(yè)勤奮習慣模型的測量

學業(yè)勤奮習慣用于表征作業(yè)行為中的努力行為的頻繁程度。學業(yè)勤奮是指學習者自覺地卷入學習任務，并不懈地追求學習目標的惜時表現[15]。研究表明，學業(yè)勤奮習慣對于學業(yè)成就具有預測作用。在線學習環(huán)境下，學習者面臨更多的誘惑，這會導致學習者的注意力分散，因此學習者保持學業(yè)勤奮習慣對其學業(yè)表現具有重要的作用。

1. 學業(yè)勤奮習慣子模型構建

關于學業(yè)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和高等教育勤奮調查問卷DI-HE[16]等。但是問卷測量受到許多眾所周知的限制，尤其是自我報告式問卷，存在社會期望偏差和其他的限制，特別是當存在激勵因素時。有研究者認為，用學習行為測量學業(yè)勤奮可能比問卷更適合，因為行為不依賴于主觀判斷，直接對行為進行分析，可以消除參考偏倚、社會期望偏倚和造假相關的局限性[17]。

關于學業(yè)勤奮習慣維度的研究主要有兩種取向。第一種是學習時間（行為）投入的取向。該取向主要從學習者投入學習中的時間或行為的多少來考察學業(yè)勤奮度，認為個體在學習中投入的時間或行為越多，個體的學業(yè)勤奮水平就越高[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(yè)勤奮度，偏重于從專注程度的視角來考察學業(yè)勤奮度[19]。但時間投入和專注度是不可分離的，專注度是通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，單維取向不能夠有效地對學習者的學業(yè)勤奮度水平進行合理的評估。為避免單維水平評估學習者的學業(yè)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(yè)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]。但是該研究是通過自編的《中學生學業(yè)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”為理論框架，探索基于學生學習行為的學業(yè)勤奮習慣測量模型。

2. 學業(yè)勤奮習慣測量的算法設計

學業(yè)勤奮習慣的測量假設是學業(yè)勤奮習慣與作業(yè)學習行為是相關的。這里主要包括以下兩個問題：一是學業(yè)勤奮習慣水平與哪些在線作業(yè)行為相關？二是在線作業(yè)行為與學業(yè)勤奮習慣水平的關系是否可以描述為數學模型？

由于不同學習平臺開發(fā)的目的不同，所提供的工具不同，會導致學習行為指標選擇的不同。因此，在確定兩個維度學習行為的量化指標時，需要考慮學習平臺本身的特點，以及數據采集的可行性。一般來說，學業(yè)勤奮習慣主要表現在做作業(yè)、觀看微視頻答題、作業(yè)互動、資源瀏覽等多種行為，各種行為對學業(yè)勤奮習慣貢獻的程度也不同，這就導致學業(yè)勤奮習慣的輸入和輸出是一種復雜的非線性關系。因此，勤奮習慣的診斷是一個多層次、多目標的問題，難以建立合理、準確的數學公式。對于多指標的預測和分類問題，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系來進行評價，無法對非線性問題進行很好的逼近。人工神經網絡的優(yōu)勢恰好體現在處理非線性問題上，相對于其他非線性回歸方法，人工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，選擇人工神經網絡方法對勤奮習慣進行診斷。

本研究的輸入數據為學習者歸一化后的特征向量，輸出數據為勤奮度（勤奮學習習慣的標度）數值，分為1～5類（1類勤奮度最低，5類勤奮度最高）。具體建模步驟包括：第一步，根據“時間投入—專注度雙維核心模型”的理論框架，以及在線平臺可收集到的學習行為數據，設計學業(yè)勤奮習慣數字化表征的指標體系。第二步，根據學習行為指標體系確定輸入層神經元的個數，模型的輸出為學業(yè)勤奮習慣評價的等級，確定模型的拓撲結構。第三步，歸一化處理各指標數據。第四步，采用神經網絡對樣本進行訓練，建立學業(yè)勤奮習慣的測量模型。第五步，應用學業(yè)勤奮習慣測量模型對學習者進行診斷，并輸出診斷結果，對模型性能進行分析。

三、智能學習系統(tǒng)中作業(yè)習慣模型實驗

本研究的實驗平臺為“Cloudbag教育云平臺”，實驗數據來源為L中學654名學習者使用智能學習系統(tǒng)進行常態(tài)化學習的作業(yè)行為數據。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次提交行為、多次做作業(yè)的行為（一個作業(yè)在不同的時間做了多次）等數據，得到有效記錄。其次，處理缺失值和歸一化數據，應用極差變換對數據進行預處理，將數據進行歸一化，縮放到從0到1的閉區(qū)間。

（一）維度1：學業(yè)拖延習慣子模型實驗

根據智能學習系統(tǒng)中收集的學業(yè)拖延習慣數據特征選擇算法。由于數據是連續(xù)型數值數據，因此選用覆蓋型數值劃分聚類算法。K-Means聚類是比較成熟的覆蓋型數值劃分聚類算法之一，本實驗應用K-Means聚類來實現學業(yè)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(yè)拖延習慣診斷結果，自變量是做作業(yè)時的拖延次數Nd、提交作業(yè)的拖延次數Ns。當K為4時，聚類效果具有最好的解釋力，因此聚類數量選擇為4。實驗結果如圖1所示，四種拖延類別具有明顯的分區(qū)，類別1在Nd和Ns上的數值均較小;類別2在Nd和Ns上的數值均較大;類別3在Nd上的數值較小，在Ns上的數值較大;類別4在Ns上的數值較小，在Nd上的數值較大。在所有統(tǒng)計量中，類別1有398個，占60.9%，Nd的中心點是0.49，Ns的中心點是0.69;類別2有45個，占6.9%，Nd的中心點是10.48，Ns的中心點是9.57;類別3有124個，占19.0%，Nd的中心點是2.69，Ns的中心點是8.41;類別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兩個變量能很好地區(qū)分各類（Sig.=0.000），各類別間的差異較大。類別1占了整體的60.9%，說明大部分學習者在作業(yè)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，因為高考的指向性，教學模式以教師為主導，對于教師安排的作業(yè)，大部分學習者都能在提交時間前完成，隨著時間的臨近，數據量逐步增加，導致類別1數值偏大。

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0.8，聚類輪廓測量也達到了“好”的水平，說明本研究應用K-Means聚類分析對學業(yè)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(yè)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為數據中體現出來的行為模式特點，分析學習者的特征。通過對四類不同學習者進行訪談和觀察，發(fā)現四類學習者在學習上具有不同的特征。“無拖延習慣者”即類別為1的學習者，統(tǒng)計數據上表現為：Nd和Ns均較小。在學習行為上表現為：基本沒有做題拖延行為和提交拖延行為，能夠提前或按時完成作業(yè)，做作業(yè)時注意力較為集中，被視為無拖延學習習慣?！皣乐赝涎恿晳T者”即類別為2的學習者，統(tǒng)計數據上表現為：Nd和Ns均較大。在學習行為上表現為：經常出現做題拖延行為和提交拖延行為，通常表現為學習時間安排不合理，經常忘記做作業(yè)，喜歡把作業(yè)拖后完成或者不完成，而且做作業(yè)時注意力不集中，經常被其他事情打擾，導致做作業(yè)的時間很長，效率較低?！疤峤蛔鳂I(yè)拖延者”即類別為3的學習者，統(tǒng)計數據上表現為：Nd較小，Ns較大。在學習行為上表現為：經常出現提交拖延行為，但很少出現做題拖延行為，這類學習者通常表現為經常忘記做作業(yè)，喜歡把作業(yè)拖后完成或者不完成，學習時間安排不合理，但做作業(yè)時能夠集中注意力，效率較高?！白鲎鳂I(yè)拖延者”即類別為4的學習者，統(tǒng)計數據上表現為：Ns較小，Nd較大;在學習行為上表現為：經常出現做題拖延行為，但很少出現提交拖延行為，這類學習者通常表現為能夠按時完成作業(yè)，看似在努力學習，但學習效率不高，在做作業(yè)時，經常注意力分散、溜號，甚至迷航。以上四類學習者，“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(yè)拖延者”“做作業(yè)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干預，改善其不良的作業(yè)習慣[20]。

3. 模型診斷結果與人工診斷結果的對比

將模型診斷結果與人工診斷結果進行對比，可以幫助完善模型，為后續(xù)研究做準備。隨機抽取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，對于不一致的結果，與第三位教師商討后確定最終值，兩位教師評價的Cohen's Kappa一致性檢驗結果為0.821，具有一致性。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上具有較好的一致性，而類型4的判斷上有一些不一致，模型診斷出類型4的數量要少，說明模型的判斷標準比教師的判斷標準寬松，原因在于，在判定“規(guī)定的做作業(yè)的時長”的時候，教師是按照班級大多數同學能夠做完的時長，但當對學習者個人進行評價時，教師通常會從自己的經驗和預期出發(fā)，根據學習者個人的知識能力來進行判斷。如在某次作業(yè)中，教師認為大多數學習者45分鐘能夠完成，對于甲同學（學習基礎比較差），如果甲45分鐘寫完，教師認為其沒有拖延，但對于乙同學（學習基礎比較好），如果也是45分鐘寫完，教師認為其有拖延，原因是教師對他的預期應該是35分鐘之內。因此，模型的后續(xù)完善可以考慮增加學習者的知識能力因素。

（二）維度2：學業(yè)勤奮習慣子模型實驗

1. 提煉學習行為測量指標

通過對Cloudbag云平臺可收集到的作業(yè)學習行為進行分析，同時參考已有文獻的量化指標，提煉出基于Cloudbag教育云平臺的學業(yè)勤奮習慣的具體測量指標，共得到兩個維度下的8項行為指標，15項量化指標，本研究的假設框架見表1。這15項量化指標與輸出均有關系，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(yè)勤奮習慣子模型。

2. 構建專家樣本

建模的目的是將教師經驗中的學習習慣與學習者的學習行為建立聯系。本實驗的因變量是學業(yè)勤奮習慣，其數據來自于各種作業(yè)行為;自變量是專家樣本，來自于教師研究者的人工標注。人工標注勤奮度數值分為1～5類（1類勤奮度最低，5類勤奮度最高）;編碼的一致性檢驗結果Cohens Kappa系數為0.712，對于不一致的編碼，加入第三個研究者，共同協商決定編碼的類別。

3. 模型實驗

隨機選取60%作為訓練集、20%作為校驗集、20%作為測試集。模型選擇BP神經網絡的多層感知器MLP模型，使用訓練集對模型進行訓練，網絡結構為：輸入層為15個神經元（歸一化后的15維的特征向量），輸出層5個神經元作為分類結果（1類勤奮度最低，5類勤奮度最高），隱藏層為5層。如圖2，多層感知器MLP模型對于學業(yè)勤奮分類的精度，在類別1和5上均超過了98%，達到了較高的值，說明模型在1和5類型上具有較高的識別能力，即對于“特別勤奮”和“特別懶惰”的兩類極端學習者具有較好的診斷能力，這符合后續(xù)研究的需要，即對勤奮度不高學習者干預的前提是對其精確的診斷，尤其是診斷為“懶惰”的學習者是重點干預對象。模型在類別2和4上的精度在85%左右，雖沒有達到特別高的值，但符合實際情況，對于介于“特別勤奮”和“一般勤奮”，“特別懶惰”和“有點懶惰”之間的學習者，實踐證明，人工標準也會出現±1級別的誤差（在人工標注時，需加入第三個研究者對于不一致的編碼進行協商的情況，也是大多出現在對第2類和第4類的辨別上）。

4. 基于不同算法的模型比較分析

對于不同的分類問題，高精度的算法具有更好的識別能力。下面，將本實驗應用的算法與機器學習的主流分類算法進行比較。收益圖提供了一種評估和比較多個預測模型并選擇最合適的預測模型的方法。如圖2所示，多層感知器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，可見多層感知器MLP算法的評估指標是五種模型中最高的，對勤奮度分類結果是最優(yōu)的。因此，本文提出的基于多層感知器MLP的學業(yè)勤奮模型，通過輸入的15維特征向量能夠較為準確地診斷出學習者的勤奮度級別。

對于診斷出學習者的勤奮度級別的教育意義說明：勤奮度級別（1、2、3、4、5）分別代表特別不同級別的勤奮習慣（懶惰、有點懶惰、一般、勤奮、特別勤奮）。本研究認為被診斷為4級和5級的學習者是具有良好作業(yè)習慣的，而被診斷為1級和2級的學習者是具有不良作業(yè)習慣的，分別被定義為“勤奮嚴重不足者”和“勤奮不足者”類別，對于不良作業(yè)習慣的學習者要采取相應的教育干預，幫助其改善作業(yè)習慣。

四、結? ?語

本研究提出了學業(yè)拖延習慣和學業(yè)勤奮習慣的二維作業(yè)習慣模型，分別表征作業(yè)時間、作業(yè)努力兩個方面作業(yè)行為的頻繁程度對學習的影響。以往學業(yè)拖延的測量，通常都是單一維度的對作業(yè)提交的截止時間的判斷，缺乏對做作業(yè)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(yè)拖延習慣子模型，使學業(yè)拖延習慣的研究更加深入。學業(yè)勤奮習慣對于學習者的學業(yè)成就具有很好預測作用，但學業(yè)勤奮與其他可以用學習行為來測量的概念（如學習行為投入）相比，研究成果卻相當有限，學業(yè)勤奮的測量也僅是通過一些調查問卷法。本研究提出學業(yè)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，選擇應用人工神經網絡實現對勤奮習慣的表征，診斷出五個級別的勤奮度，從而實現了通過學習行為來測量學業(yè)勤奮習慣，改進了學業(yè)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，未來需要將本研究提出的作業(yè)習慣二維模型在不同應用場景、不同年齡段群體、不同類型的數據結構表現形式上，作進一步的驗證，使作業(yè)習慣測量模型進行多次迭代，不斷提高模型的效度。

[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.智能學習系統(tǒng)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， 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.基于時間投入——專注度雙維核心模型的高中生學業(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.