智能學(xué)習(xí)系統(tǒng)中學(xué)習(xí)習(xí)慣建模的方法研究

殷寶媛 武法提

[摘? ?要] 學(xué)習(xí)習(xí)慣建模是精準(zhǔn)描繪學(xué)習(xí)者肖像的重要部分，是設(shè)計(jì)智能學(xué)習(xí)系統(tǒng)亟須解決的問題。然而，由于學(xué)習(xí)習(xí)慣的形成具有多源性，其應(yīng)用具有多層面性，導(dǎo)致學(xué)習(xí)習(xí)慣測量模型具有多場景、多學(xué)段的特征，以及面向?qū)嵺`的理論選擇的特征。基于這些特征，單一學(xué)科的方法都無法系統(tǒng)地解決學(xué)習(xí)習(xí)慣建模的問題，研究通過探索教育的常識性概念與學(xué)習(xí)行為數(shù)據(jù)建立關(guān)聯(lián)的可行路徑，采用混合式研究思路設(shè)計(jì)了一套可行的、可復(fù)用的學(xué)習(xí)習(xí)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(gòu)建學(xué)習(xí)習(xí)慣測量模型，從而實(shí)現(xiàn)計(jì)算機(jī)的自動診斷。學(xué)習(xí)習(xí)慣綜合建模方法將教育學(xué)領(lǐng)域的觀察法和問卷調(diào)查法、心理學(xué)領(lǐng)域的反應(yīng)頻率法以及計(jì)算機(jī)領(lǐng)域的數(shù)據(jù)挖掘法相結(jié)合，包括測量模型維度的構(gòu)建、測量模型指標(biāo)的選擇、模型特征值的計(jì)算、模型的生成四個過程。

[關(guān)鍵詞] 智能學(xué)習(xí)系統(tǒng); 學(xué)習(xí)習(xí)慣; 建模; 方法

[中圖分類號] G434? ? ? ? ? ? [文獻(xiàn)標(biāo)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(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、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(xué)習(xí)習(xí)慣是學(xué)習(xí)者的個性化標(biāo)簽，實(shí)現(xiàn)學(xué)習(xí)者學(xué)習(xí)習(xí)慣的數(shù)字化表征，對于實(shí)現(xiàn)從規(guī)模化教育向規(guī)模個性化教育轉(zhuǎn)變具有重要的意義[1]。學(xué)習(xí)習(xí)慣建模不僅是學(xué)習(xí)習(xí)慣的數(shù)字化表征的核心部分，而且是精準(zhǔn)描繪學(xué)習(xí)者肖像的重要部分，是在智能學(xué)習(xí)系統(tǒng)中構(gòu)建個性化學(xué)習(xí)支持服務(wù)的基礎(chǔ)。智能學(xué)習(xí)系統(tǒng)強(qiáng)調(diào)對學(xué)習(xí)者精準(zhǔn)的診斷和評價，通過挖掘?qū)W習(xí)者日常學(xué)習(xí)行為數(shù)據(jù)，無干預(yù)地發(fā)現(xiàn)真實(shí)的學(xué)習(xí)者，理解、分析、預(yù)測學(xué)習(xí)者的學(xué)習(xí)習(xí)慣，有利于發(fā)現(xiàn)個體學(xué)習(xí)的規(guī)律，全面把握學(xué)習(xí)者的特點(diǎn)和需求，從而為具有不同學(xué)習(xí)習(xí)慣的學(xué)習(xí)者提供各自所需的學(xué)習(xí)資源、學(xué)習(xí)路徑和其他的學(xué)習(xí)支持服務(wù)奠定了基礎(chǔ)[2-3]。

然而，學(xué)習(xí)習(xí)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(lǐng)域的常識性概念轉(zhuǎn)變成計(jì)算機(jī)可理解的算法，讓計(jì)算機(jī)自動診斷這一概念，是設(shè)計(jì)智能學(xué)習(xí)系統(tǒng)時面臨的一個挑戰(zhàn)。以往學(xué)習(xí)習(xí)慣的研究，定性研究范式一直占據(jù)著主導(dǎo)地位，傳統(tǒng)學(xué)習(xí)習(xí)慣的研究方法難以準(zhǔn)確描述學(xué)習(xí)者學(xué)習(xí)習(xí)慣的狀態(tài)，也難以發(fā)掘智能學(xué)習(xí)環(huán)境下學(xué)習(xí)者學(xué)習(xí)習(xí)慣的變化。因此，探尋科學(xué)有效的學(xué)習(xí)習(xí)慣建模方法，以描述學(xué)習(xí)者學(xué)習(xí)習(xí)慣的動態(tài)變化，是智能學(xué)習(xí)系統(tǒng)設(shè)計(jì)研究中亟須解決的問題。

二、學(xué)習(xí)習(xí)慣建模文獻(xiàn)綜述

雖然學(xué)習(xí)習(xí)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(xué)習(xí)習(xí)慣好壞的判斷更多的是依據(jù)經(jīng)驗(yàn)和直覺，學(xué)習(xí)習(xí)慣的研究更多的是定性的研究范式。關(guān)于學(xué)習(xí)習(xí)慣建模的文獻(xiàn)主要有以下兩類。

（一）學(xué)習(xí)習(xí)慣測量維度的研究

關(guān)于學(xué)習(xí)習(xí)慣測量維度的劃分，可以總結(jié)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(xué)習(xí)者學(xué)習(xí)的階段（通常是在學(xué)校學(xué)習(xí)）進(jìn)行分類。例如：趙麗霞將小學(xué)生的學(xué)習(xí)習(xí)慣分成課前準(zhǔn)備學(xué)習(xí)用品、上課聽講和思考、按時完成作業(yè)、預(yù)習(xí)和復(fù)習(xí)、整理學(xué)習(xí)用品等習(xí)慣[4]。

2. 多層次分類法

多層次分類法通常先將學(xué)習(xí)習(xí)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(xué)習(xí)習(xí)慣分成三個層次：基本性學(xué)習(xí)習(xí)慣、個性學(xué)習(xí)習(xí)慣和拓展性學(xué)習(xí)習(xí)慣。基本性學(xué)習(xí)習(xí)慣側(cè)重于行為習(xí)慣方面，如課前預(yù)習(xí)和課后復(fù)習(xí)習(xí)慣;拓展性習(xí)慣分為獲取處理信息、思考探究、實(shí)踐檢驗(yàn)三種;個性學(xué)習(xí)習(xí)慣是指具有明顯個性特征的學(xué)習(xí)習(xí)慣[5]。

3. 經(jīng)驗(yàn)分類法

經(jīng)驗(yàn)分類法通常基于研究者或者教師的觀察經(jīng)驗(yàn)對學(xué)習(xí)習(xí)慣進(jìn)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(xué)生在線學(xué)習(xí)習(xí)慣分成家庭環(huán)境、目標(biāo)計(jì)劃、專注習(xí)慣、準(zhǔn)備考試、通常的習(xí)慣和態(tài)度、學(xué)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(diào)查的數(shù)據(jù)進(jìn)行探索性因素分析和驗(yàn)證性因素分析，得出學(xué)習(xí)習(xí)慣的維度。例如：劉露萍通過探索性因素分析，將高職院校學(xué)生的學(xué)習(xí)習(xí)慣分成課堂習(xí)慣、課外學(xué)習(xí)、閱讀習(xí)慣、實(shí)驗(yàn)實(shí)訓(xùn)習(xí)慣、復(fù)習(xí)習(xí)慣五類[7]。

綜上所述，以往學(xué)習(xí)習(xí)慣維度分類的研究，大多是基于傳統(tǒng)的課堂教學(xué)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(yīng)用情境，難以移植到中國基礎(chǔ)教育的學(xué)習(xí)情境中。另外，以往學(xué)習(xí)習(xí)慣維度分類的研究大多集中于教育學(xué)領(lǐng)域，定性研究范式一直占據(jù)著主導(dǎo)地位，而且定量方法僅是通過自編問卷來測量學(xué)習(xí)習(xí)慣。

（二）學(xué)習(xí)習(xí)慣測量方法的研究

1. 教育學(xué)領(lǐng)域中學(xué)習(xí)習(xí)慣的測量方法

在教育學(xué)領(lǐng)域，對于學(xué)習(xí)習(xí)慣的測量主要采用觀察法和問卷調(diào)查法。

（1）觀察法。觀察法是一種質(zhì)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(jìn)行有目的、有計(jì)劃的調(diào)查研究的一種方法。在傳統(tǒng)的教育學(xué)中，學(xué)習(xí)習(xí)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(xué)習(xí)習(xí)慣的判斷大多基于教師的主觀經(jīng)驗(yàn)，觀察法是教師對學(xué)生學(xué)習(xí)習(xí)慣判斷最常用的一種方法。

（2）問卷調(diào)查法。問卷調(diào)查法是以問卷為工具進(jìn)行數(shù)據(jù)收集的一種調(diào)查方法，這種方法可以很容易地獲得有關(guān)事實(shí)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(xué)習(xí)者學(xué)習(xí)習(xí)慣的信息。問卷調(diào)查法是當(dāng)前教育學(xué)領(lǐng)域?qū)W(xué)習(xí)習(xí)慣定量描述的主要方法，研究者開發(fā)出了種類繁多的學(xué)習(xí)習(xí)慣問卷，常用的問卷包括學(xué)習(xí)習(xí)慣與學(xué)習(xí)態(tài)度調(diào)查問卷（SSHA）、學(xué)習(xí)習(xí)慣和學(xué)習(xí)技術(shù)問卷（SHATQ）[8]、學(xué)習(xí)習(xí)慣問卷（SHI）、小學(xué)生學(xué)習(xí)習(xí)慣問卷[9]等。

2. 心理學(xué)領(lǐng)域中習(xí)慣的測量方法

心理學(xué)領(lǐng)域?qū)τ诹?xí)慣的測量主要采用自我報告法和反應(yīng)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(xí)慣性行為的頻率，以此確定每個習(xí)慣性行為的強(qiáng)度。包括自我報告習(xí)慣頻率（SRHF）、自我報告習(xí)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(xí)慣，并用過去的行為頻率預(yù)測未來的行為表現(xiàn)[10]等。

（2）反應(yīng)頻率法。心理學(xué)認(rèn)為，重復(fù)、環(huán)境線索的穩(wěn)定與自動化是習(xí)慣的特征，可以通過反應(yīng)頻率來測量習(xí)慣。反應(yīng)頻率法是一種間接的測量方法，通常是先給被試隨機(jī)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(jì)每種選擇頻率，從而確定習(xí)慣及強(qiáng)度。

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

3. 計(jì)算機(jī)領(lǐng)域中學(xué)習(xí)習(xí)慣的測量方法

計(jì)算機(jī)領(lǐng)域?qū)α?xí)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(xí)慣，但計(jì)算機(jī)領(lǐng)域研究重點(diǎn)在于技術(shù)方法、算法的設(shè)計(jì)和驗(yàn)證，沒有或很少對習(xí)慣進(jìn)行說明，挖掘的習(xí)慣具有較強(qiáng)的情境性。

計(jì)算機(jī)領(lǐng)域用數(shù)據(jù)挖掘法對學(xué)習(xí)習(xí)慣進(jìn)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(xué)習(xí)行為習(xí)慣。如Moreno J等開發(fā)插件來自動檢測學(xué)習(xí)者在Scratch編程中的不良的編程習(xí)慣[11]等。這類研究對我們從數(shù)據(jù)中挖掘到學(xué)習(xí)者的某些學(xué)習(xí)行為習(xí)慣很有啟發(fā)，但這些學(xué)習(xí)行為習(xí)慣同樣具有較強(qiáng)的情境性，與教育學(xué)范疇中描述的學(xué)習(xí)習(xí)慣有一些區(qū)別，還需要將這些具體的學(xué)習(xí)行為習(xí)慣與教育學(xué)中的學(xué)習(xí)習(xí)慣建立聯(lián)系，形成更上位的教育學(xué)范式的學(xué)習(xí)習(xí)慣概念。

綜上所述，教育學(xué)、心理學(xué)、計(jì)算機(jī)領(lǐng)域的方法都適用于特定的研究情境，但智能時代學(xué)習(xí)習(xí)慣的建模研究具有跨學(xué)科特點(diǎn)，僅選擇單一學(xué)科的方法無法系統(tǒng)地解決問題。因此，應(yīng)探索將教育學(xué)研究的觀察法和問卷調(diào)查法、心理學(xué)研究的反應(yīng)頻率法以及計(jì)算機(jī)研究的數(shù)據(jù)挖掘法相結(jié)合的學(xué)習(xí)習(xí)慣測量方法。

三、學(xué)習(xí)習(xí)慣測量模型的特征

由于學(xué)習(xí)活動的復(fù)雜多樣性，以及學(xué)習(xí)習(xí)慣形成的多源性，導(dǎo)致學(xué)習(xí)習(xí)慣具有多層次性和情境性，這就決定了學(xué)習(xí)習(xí)慣測量模型具有一些獨(dú)有的特征，又由于目前基于教育學(xué)、心理學(xué)等學(xué)科的研究結(jié)論，還沒有對學(xué)習(xí)者的學(xué)習(xí)習(xí)慣進(jìn)行完備的描述、解釋和預(yù)測，因此，很難建立一個全面的學(xué)習(xí)習(xí)慣測量模型。一般來說，根據(jù)理論假設(shè)，每個學(xué)習(xí)習(xí)慣測量模型只反映一個或幾個特征。因此，在構(gòu)建學(xué)習(xí)習(xí)慣的測量模型時，應(yīng)重點(diǎn)從一個方面進(jìn)行設(shè)計(jì)。

（一）學(xué)習(xí)習(xí)慣測量模型具有多場景、多學(xué)段特征

不同學(xué)段的學(xué)習(xí)者具有不同的特點(diǎn)，教育關(guān)注的重點(diǎn)也不同，因此，應(yīng)用于不同學(xué)段的學(xué)習(xí)習(xí)慣測量模型也表現(xiàn)出不同的關(guān)注維度。如小學(xué)階段比較關(guān)注作業(yè)承諾、課堂守紀(jì)、課外閱讀、聽講專注等學(xué)習(xí)基本知識技能的良好學(xué)習(xí)習(xí)慣[9]，這與小學(xué)階段的培養(yǎng)目標(biāo)有關(guān)，我國《九年義務(wù)教育全日制小學(xué)、初級中學(xué)課程計(jì)劃》規(guī)定：小學(xué)階段的目標(biāo)是“具有閱讀、書寫、表達(dá)、計(jì)算的基本知識和基本技能……養(yǎng)成良好的學(xué)習(xí)習(xí)慣”;中學(xué)階段比較關(guān)注主動學(xué)習(xí)、學(xué)業(yè)勤奮、學(xué)業(yè)拖延、學(xué)業(yè)自信心等與學(xué)習(xí)者的學(xué)業(yè)成就有關(guān)的習(xí)慣[12]，這與中學(xué)階段的培養(yǎng)目標(biāo)有關(guān)，初中階段的目標(biāo)是“掌握必要的文化科學(xué)技術(shù)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(xué)階段比較關(guān)注與學(xué)習(xí)者的學(xué)業(yè)成就有關(guān)的學(xué)習(xí)習(xí)慣的原因;大學(xué)階段比較關(guān)注投入在學(xué)習(xí)上的時間、協(xié)作、學(xué)習(xí)計(jì)劃等與自主學(xué)習(xí)和目標(biāo)計(jì)劃相關(guān)的學(xué)習(xí)習(xí)慣。因此，學(xué)習(xí)習(xí)慣測量模型應(yīng)基于不同學(xué)段的教育需求進(jìn)行設(shè)計(jì)。

另外，在不同的學(xué)習(xí)場景下，由于學(xué)習(xí)環(huán)境和學(xué)習(xí)目標(biāo)的不同，學(xué)習(xí)者會產(chǎn)生不同的學(xué)習(xí)行為，學(xué)習(xí)習(xí)慣也呈現(xiàn)出不同的特征，因此，在不同的學(xué)習(xí)場景下，學(xué)習(xí)習(xí)慣測量模型關(guān)注的維度也是不同的。學(xué)習(xí)習(xí)慣維度測量指標(biāo)的確立要指向目標(biāo)達(dá)成，即在不同的學(xué)習(xí)場景，為有效達(dá)成目標(biāo)，會選擇不同的指標(biāo)構(gòu)建模型。例如：混合環(huán)境下的課堂學(xué)習(xí)場景，會關(guān)注課堂聽講、參與活動、勤奮等學(xué)習(xí)習(xí)慣;在線自主學(xué)習(xí)場景，會關(guān)注主動性和時間管理等學(xué)習(xí)習(xí)慣。因此，建立基于多場景、多學(xué)段的學(xué)習(xí)習(xí)慣測量模型，可以使學(xué)習(xí)習(xí)慣的描述更為準(zhǔn)確。

（二）學(xué)習(xí)習(xí)慣測量模型具有面向?qū)嵺`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(jìn)行解釋，因?yàn)楦鶕?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(gòu)造其背后的概念，以及它與其他概念的相關(guān)性是什么，因?yàn)闆]有這樣的解釋，測量本身就沒有任何意義[13]。學(xué)習(xí)習(xí)慣測量模型就是要建立學(xué)習(xí)行為測量數(shù)據(jù)與學(xué)習(xí)習(xí)慣這一教育常識性概念之間的關(guān)聯(lián)，理論假設(shè)是學(xué)習(xí)習(xí)慣概念的具體的、理論化的表征。

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

從實(shí)踐角度看，學(xué)習(xí)習(xí)慣測量模型構(gòu)建的目的是為了準(zhǔn)確描述學(xué)習(xí)者的學(xué)習(xí)習(xí)慣特征，然而在不同的學(xué)習(xí)場景下，由于不同的理論對學(xué)習(xí)習(xí)慣解讀的視角不同，會導(dǎo)致研究的重點(diǎn)存在差異，因此，學(xué)習(xí)習(xí)慣測量模型的構(gòu)建會存在不同的結(jié)果。我們要根據(jù)實(shí)踐需要選擇或建立合適的理論假設(shè)，這導(dǎo)致學(xué)習(xí)習(xí)慣測量模型具有理論假設(shè)的實(shí)踐性特征，即面向?qū)嵺`的理論選擇的特征。

四、學(xué)習(xí)習(xí)慣建模方法設(shè)計(jì)的混合式研究思路

從研究思路上看，測量模型的構(gòu)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(yàn)）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(biāo)。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(yàn)調(diào)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(shù)，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(jié)合，進(jìn)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(jié)合，通過挖掘?qū)W習(xí)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(xué)習(xí)習(xí)慣建模方法的設(shè)計(jì)思路也是應(yīng)用這種混合式的研究思路。丁小浩教授認(rèn)為，教育領(lǐng)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(gòu)的（如智商）。學(xué)習(xí)習(xí)慣屬于需要建構(gòu)的類型，對于需要建構(gòu)的事物，需要根據(jù)實(shí)際目標(biāo)整合應(yīng)用多種研究方法。因此，對于學(xué)習(xí)習(xí)慣的數(shù)字化表征的方法，本研究嘗試將教育學(xué)領(lǐng)域的觀察法和問卷調(diào)查法、心理學(xué)領(lǐng)域的反應(yīng)頻率法以及計(jì)算機(jī)領(lǐng)域的數(shù)據(jù)挖掘法相結(jié)合，通過將觀察現(xiàn)象的經(jīng)驗(yàn)與反應(yīng)頻率的數(shù)據(jù)建立聯(lián)系，挖掘?qū)W習(xí)行為數(shù)據(jù)，嘗試將教師的觀察經(jīng)驗(yàn)變成計(jì)算機(jī)可理解的算法，探索計(jì)算機(jī)自動診斷學(xué)習(xí)者的學(xué)習(xí)習(xí)慣的方法。

五、學(xué)習(xí)習(xí)慣綜合建模的方法設(shè)計(jì)

如何來描述學(xué)習(xí)習(xí)慣的狀態(tài)，需要給學(xué)習(xí)習(xí)慣設(shè)定屬性，即變量，通過可測量的變量，用數(shù)值來描述學(xué)習(xí)習(xí)慣的狀態(tài)。學(xué)習(xí)習(xí)慣的數(shù)字化表征需要建立學(xué)習(xí)習(xí)慣的測量模型，這是描繪學(xué)習(xí)習(xí)慣動態(tài)變化的基礎(chǔ)，是對學(xué)習(xí)習(xí)慣進(jìn)行干預(yù)的前提。學(xué)習(xí)習(xí)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(jié)果的價值判斷（診斷）。即形成學(xué)習(xí)習(xí)慣測量模型的構(gòu)建方法的三個關(guān)鍵問題：學(xué)習(xí)習(xí)慣測量模型的維度、學(xué)習(xí)習(xí)慣模型的測量指標(biāo)、學(xué)習(xí)習(xí)慣測量模型的特征值，這三部分是學(xué)習(xí)習(xí)慣建模的重要組成部分。如圖1所示，學(xué)習(xí)習(xí)慣建模研究分為以下四個環(huán)節(jié)：

（一）學(xué)習(xí)習(xí)慣測量模型維度的構(gòu)建

表征對象的確定是學(xué)習(xí)習(xí)慣的數(shù)字化表征的起點(diǎn)。學(xué)習(xí)習(xí)慣的測量模型通過定義一些屬性即維度來進(jìn)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(yù)是否準(zhǔn)確。學(xué)習(xí)習(xí)慣測量模型維度的構(gòu)建可總結(jié)為以下三類方法：

1. 理論構(gòu)建法

理論構(gòu)建法即學(xué)習(xí)習(xí)慣測量模型的維度分類源于已有的理論模型。學(xué)習(xí)習(xí)慣測量模型的構(gòu)建需要合適的理論來進(jìn)行宏觀層面的指導(dǎo)，分析系統(tǒng)要素及要素之間的關(guān)系，基于理論來構(gòu)建模型的維度。通過收集和分析國內(nèi)外關(guān)于教育學(xué)、心理學(xué)等方面的文獻(xiàn)，尋找理論支撐。這類方法適合需要描述的學(xué)習(xí)習(xí)慣已具有大量研究的支撐，可以找到相關(guān)的文獻(xiàn)。但學(xué)習(xí)習(xí)慣是一個常識性的概念，對學(xué)習(xí)習(xí)慣的認(rèn)識更多來源于教學(xué)的實(shí)踐經(jīng)驗(yàn)，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(yàn)分析法

經(jīng)驗(yàn)分析法即通過分析研究者、專家和教師關(guān)于學(xué)習(xí)習(xí)慣的經(jīng)驗(yàn)，確定學(xué)習(xí)習(xí)慣測量模型的維度。首先，通過收集和分析國內(nèi)外關(guān)于學(xué)習(xí)習(xí)慣維度分類的文獻(xiàn)，收集具有一定價值取向（學(xué)習(xí)者的發(fā)展和學(xué)業(yè)成就）的學(xué)習(xí)習(xí)慣維度信息，初步確定學(xué)習(xí)習(xí)慣維度的關(guān)鍵詞，再通過訪談法，補(bǔ)充學(xué)習(xí)習(xí)慣維度的關(guān)鍵詞，建立學(xué)習(xí)習(xí)慣維度的關(guān)鍵詞集。然后，通過文本分析法或?qū)＜业聽柗品ǎ醪酱_定具有一定價值取向的學(xué)習(xí)習(xí)慣維度，并用數(shù)據(jù)進(jìn)行檢驗(yàn)。

第一類方法通過已有的理論構(gòu)建模型的維度，第二類方法通過分析大量文獻(xiàn)，總結(jié)人類以往的研究經(jīng)驗(yàn)，構(gòu)建模型的維度，這兩種方法可以分別使用，也可以結(jié)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(xué)習(xí)習(xí)慣測量模型。但此方法對具體應(yīng)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(yùn)用數(shù)據(jù)挖掘技術(shù)對大量的學(xué)習(xí)行為數(shù)據(jù)進(jìn)行特征提取，發(fā)現(xiàn)學(xué)習(xí)行為數(shù)據(jù)的規(guī)律，找到數(shù)據(jù)之間的關(guān)聯(lián)，并將數(shù)據(jù)的規(guī)律和關(guān)聯(lián)現(xiàn)象與學(xué)習(xí)習(xí)慣的概念建立聯(lián)系，對特征的意義進(jìn)行解讀，從而獲得學(xué)習(xí)習(xí)慣的某一維度。常用的數(shù)據(jù)挖掘技術(shù)有探索性分析、聚類分析、相關(guān)分析、行為序列分析等。數(shù)據(jù)挖掘法對某一具體應(yīng)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(bǔ)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(gòu)建法和經(jīng)驗(yàn)分析法擅長構(gòu)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(bǔ)充，保證模型的情境性和發(fā)展性。在學(xué)習(xí)習(xí)慣的建模時，應(yīng)根據(jù)具體的情況，將三類方法結(jié)合應(yīng)用，選擇三類方法之一或組合使用。

（二）學(xué)習(xí)習(xí)慣模型測量指標(biāo)的選擇

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

1. 測量指標(biāo)的設(shè)計(jì)

下面要對第一部分確定的模型的每一個維度的測量指標(biāo)進(jìn)行設(shè)計(jì)。主要有以下兩種方法：

第一種方法是理論建構(gòu)法。根據(jù)維度關(guān)鍵詞的教育意義來選擇測量指標(biāo)。如學(xué)業(yè)拖延習(xí)慣的教育學(xué)含義在于學(xué)習(xí)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(biāo)。這種方法適合學(xué)習(xí)習(xí)慣的教育意義與測量指標(biāo)的關(guān)系比較明確的情況。

第二種方法是經(jīng)驗(yàn)分析法。對于已構(gòu)建的學(xué)習(xí)習(xí)慣模型的維度進(jìn)行文獻(xiàn)分析，找到已有研究設(shè)計(jì)的測量指標(biāo)，再根據(jù)當(dāng)前學(xué)習(xí)平臺系統(tǒng)可測的行為數(shù)據(jù)進(jìn)行篩選。如果相關(guān)文獻(xiàn)較少，可通過對每一個維度指標(biāo)的訪談和調(diào)研分析，根據(jù)教育領(lǐng)域的觀察法，找到某一維度的學(xué)習(xí)習(xí)慣與學(xué)習(xí)行為（一個學(xué)習(xí)行為或一組學(xué)習(xí)行為）數(shù)據(jù)之間的聯(lián)系（如作業(yè)維度中的學(xué)業(yè)勤奮習(xí)慣常與學(xué)習(xí)者做作業(yè)的時長、登錄次數(shù)、觀看視頻次數(shù)等學(xué)習(xí)行為密切相關(guān)），初步確定維度的測量指標(biāo)集。

2. 測量指標(biāo)的篩選

測量指標(biāo)篩選的目的是優(yōu)化模型的測量效力，通常應(yīng)用于測量指標(biāo)較多的情況。測量指標(biāo)較多會影響模型的計(jì)算速度，使模型中的重要特征難以表達(dá)，這可能導(dǎo)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(jìn)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(jìn)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(biāo)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(guān)系數(shù)、方差和卡方檢驗(yàn)等指標(biāo)對特征進(jìn)行篩選;打包通常采用遞歸特征消除法，通常用于實(shí)驗(yàn)過程中的特征篩選和消除;嵌入也是在實(shí)驗(yàn)過程中選擇特征，但與打包不同，在一次實(shí)驗(yàn)中要對所有特征進(jìn)行檢測。

（三）學(xué)習(xí)習(xí)慣模型維度特征值的計(jì)算

學(xué)習(xí)習(xí)慣模型維度特征值的計(jì)算是根據(jù)診斷結(jié)果的需求（結(jié)果為分類變量或者連續(xù)變量）以及測量指標(biāo)數(shù)據(jù)集的特點(diǎn)，選擇或設(shè)計(jì)合適的算法，對每一個維度的測量指標(biāo)集進(jìn)行計(jì)算，得到該維度的特征值，用特征值來表征某一學(xué)習(xí)習(xí)慣。在進(jìn)行計(jì)算前，要將測量指標(biāo)集從學(xué)習(xí)習(xí)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(xué)習(xí)習(xí)慣模型維度特征值的計(jì)算有兩個關(guān)鍵的技術(shù)問題：第一，學(xué)習(xí)習(xí)慣維度特征值的計(jì)算方法;第二，學(xué)習(xí)習(xí)慣強(qiáng)度閾值的確定。通過維度特征值的計(jì)算實(shí)現(xiàn)學(xué)習(xí)習(xí)慣的定量化描述，通過學(xué)習(xí)習(xí)慣強(qiáng)度閾值的劃分實(shí)現(xiàn)學(xué)習(xí)習(xí)慣好壞的診斷，從而得到各個維度的特征結(jié)果集。通過各個維度的特征結(jié)果集可以得到學(xué)習(xí)習(xí)慣的測量模型。

1. 特征值的計(jì)算

學(xué)習(xí)習(xí)慣維度特征值的計(jì)算，要根據(jù)測量指標(biāo)數(shù)據(jù)集的特點(diǎn)選擇和設(shè)計(jì)相應(yīng)的算法。

對于測量指標(biāo)簡單且教育意義明確的指標(biāo)集，可根據(jù)其教育意義設(shè)計(jì)算法。如學(xué)業(yè)拖延習(xí)慣的提交作業(yè)拖延維度，可測量單位時間內(nèi)提交時間比規(guī)定截止時間晚的次數(shù)。

對于測量指標(biāo)比較多，但指標(biāo)之間具有一定結(jié)構(gòu)，或者自變量與因變量具有一定的關(guān)系（如線性關(guān)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(jì)方法。對于測量指標(biāo)比較多，但指標(biāo)之間結(jié)構(gòu)不明顯，或者自變量與因變量之間并不具有明顯的關(guān)系，可采用機(jī)器學(xué)習(xí)的方法，根據(jù)診斷結(jié)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(jī)森林、SVM、神經(jīng)網(wǎng)絡(luò)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(qiáng)度閾值的計(jì)算

學(xué)習(xí)習(xí)慣強(qiáng)度閾值的確定，要根據(jù)輸入數(shù)據(jù)的特點(diǎn)和實(shí)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(xué)習(xí)習(xí)慣強(qiáng)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(biāo)準(zhǔn)差）處，具體要根據(jù)實(shí)際意義來選擇;第二種方法是根據(jù)專家經(jīng)驗(yàn)或已有研究規(guī)定的閾值，如研究規(guī)定每周運(yùn)動達(dá)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(yùn)動習(xí)慣;第三種方法是機(jī)器學(xué)習(xí)的方法，根據(jù)數(shù)據(jù)的訓(xùn)練集、驗(yàn)證集和測試集，不斷地訓(xùn)練模型，由模型自動地計(jì)算閾值。

（四）學(xué)習(xí)習(xí)慣測量模型的生成

通過對各個維度指標(biāo)的計(jì)算，得到各維度的特征結(jié)果集，每一維度的結(jié)果集即該維度學(xué)習(xí)習(xí)慣的數(shù)字化表征結(jié)果，多個維度的特征結(jié)果集的總和構(gòu)成了某一學(xué)習(xí)習(xí)慣模型。對于生成的學(xué)習(xí)習(xí)慣測量模型，要在實(shí)踐中進(jìn)行檢驗(yàn)和修正。由于應(yīng)用情境的復(fù)雜性，一個規(guī)范的學(xué)習(xí)習(xí)慣模型的構(gòu)建往往不能一蹴而就，需要上述四個階段不斷反復(fù)和迭代。

上面描述了學(xué)習(xí)習(xí)慣測量模型構(gòu)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(shí)際的應(yīng)用過程中，要根據(jù)應(yīng)用情境的數(shù)據(jù)特征、學(xué)習(xí)平臺的情況等因素，選擇應(yīng)用這些具體方法（部分或全部）。

六、結(jié)? ?語

動態(tài)描述學(xué)習(xí)者的學(xué)習(xí)習(xí)慣是破解個性化教育難題的重要內(nèi)容，探尋科學(xué)有效的學(xué)習(xí)習(xí)慣建模方法是智能學(xué)習(xí)系統(tǒng)設(shè)計(jì)研究中亟須解決的問題。從方法論層面看，運(yùn)用綜合建模描繪學(xué)習(xí)習(xí)慣發(fā)展的動態(tài)變化，與傳統(tǒng)基于經(jīng)驗(yàn)的定性研究范式相比，該方法具有更高的精確性。學(xué)習(xí)習(xí)慣的建模有利于建立學(xué)習(xí)習(xí)慣與其他學(xué)習(xí)變量之間的數(shù)據(jù)關(guān)系，探索學(xué)習(xí)的規(guī)律，從而使教育研究走向數(shù)據(jù)驅(qū)動的精確化。如判斷學(xué)習(xí)者的學(xué)業(yè)勤奮的習(xí)慣，經(jīng)驗(yàn)主義的研究范式是基于觀察學(xué)習(xí)者的學(xué)習(xí)時長，其判斷結(jié)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(zhuǎn)化為可測量的指標(biāo)，計(jì)算其勤奮度，運(yùn)用數(shù)據(jù)建模和挖掘方法，構(gòu)建一個能動態(tài)表征學(xué)習(xí)者學(xué)習(xí)習(xí)慣狀態(tài)的測量模型，并與其學(xué)習(xí)結(jié)果等變量建立聯(lián)系，使得分析結(jié)果更為準(zhǔn)確。

學(xué)習(xí)習(xí)慣的測量模型能夠?qū)崿F(xiàn)對學(xué)習(xí)者學(xué)習(xí)習(xí)慣的診斷，針對診斷出的個體具有的不良學(xué)習(xí)習(xí)慣提出干預(yù)策略，這具有重要的教育意義。通過分析學(xué)習(xí)者的學(xué)習(xí)行為數(shù)據(jù)，發(fā)現(xiàn)學(xué)習(xí)者學(xué)習(xí)的個性化規(guī)律，診斷出學(xué)習(xí)者個體的不良學(xué)習(xí)習(xí)慣，對學(xué)習(xí)習(xí)慣的形成進(jìn)行個性化的分析;通過實(shí)驗(yàn)干預(yù)和平臺干預(yù)來矯正學(xué)習(xí)者的不良學(xué)習(xí)習(xí)慣，可以提高學(xué)習(xí)者的學(xué)業(yè)成就。如通過記錄學(xué)習(xí)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(xué)習(xí)者做作業(yè)方面的學(xué)業(yè)拖延習(xí)慣，并設(shè)計(jì)相應(yīng)的干預(yù)策略，改善學(xué)習(xí)者的學(xué)業(yè)拖延習(xí)慣，從而實(shí)現(xiàn)學(xué)業(yè)拖延習(xí)慣的診斷和干預(yù)。

[參考文獻(xiàn)]

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

[2] 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.

[3] 武法提，殷寶媛，黃石華.學(xué)習(xí)習(xí)慣動力學(xué)研究范式及其創(chuàng)新價值[J].現(xiàn)代遠(yuǎn)程教育研究，2019（1）：46-52.

[4] 趙麗霞.小學(xué)生學(xué)習(xí)習(xí)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(diǎn)金指：立足于小學(xué)習(xí)者發(fā)展的學(xué)習(xí)習(xí)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(xué)習(xí)者學(xué)習(xí)習(xí)慣對學(xué)習(xí)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(xué)習(xí)者樣本的實(shí)證分析[J].西南師范大學(xué)學(xué)報（自然科學(xué)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(xué)習(xí)者學(xué)習(xí)習(xí)慣問卷的編制[J].心理學(xué)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(xué)習(xí)習(xí)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