基于在線行為數據對學習者學業拖延的研究

熊潞穎 郭幸君 蔣琪 鄭勤華

[摘? ?要] 拖延行為可以反映學生的自我管理情況。研究基于“365大學”平臺的課程數據，定義并分析了在線學習者在學業拖延方面的行為表現，并結合K-means聚類算法和社會網絡分析方法對學習者學業行為類型和學習行為變化進行分析。研究結果顯示，在課程中存在七種不同類型的學習行為，其中有一種為惡性拖延行為。同時，學習行為之間的轉化可以劃分為三個子群，分別為嘗試性行為集中子群、連續性行為集中子群和優秀成績行為子群，這三個子群分別顯示出不同的行為變化規律。研究對該在線課程提出了課程內容和平臺設計兩方面的建議，以改進平臺的學習支持服務，提高課程質量。

[關鍵詞] 學業拖延; 學習分析; 聚類; 社會網絡分析

[中圖分類號] G434? ? ? ? ? ? [文獻標志碼] A

[作者簡介] 熊潞穎（1996—），女，四川眉山人。碩士研究生，主要從事學習分析方面的研究。E-mail：xiongluying@outlook.com。

一、引? ?言

學業拖延是指學生在學習活動中將一件必須要完成的工作推遲延后的行為傾向。學業拖延是反映學習者自我管理能力的重要指標，對學習者的學業結果有著重要影響。研究表明，學業拖延與學業自我效能感、學業情緒、學習結果等多種學業表現之間存在相關關系[1-2]。關注學習者的學業拖延，對于緩解學習者的學業焦慮、提高自我效能感和學習體驗、保證良好的學習結果具有重要的意義。

當前，以MOOC為代表的靈活開放的在線學習方式，已經在全球范圍內產生了深遠的影響。這類學習方式往往具有自定步調、自主學習的特點，對學習者的自我管理能力提出了更高的挑戰。然而，許多學習者通常難以達到相應的自我管理要求，導致在線課程的輟學率居高不下，這是當前在線教育所面臨的難題之一。所以，如何幫助學習者更有效地進行時間規劃和學習管理，是在線教育教師和管理者需要關注的問題。提供有效學習支持服務的前提，是剖析學習者的學習困難，了解學習者的學習特點。因此，本研究結合學習表現和學習結果綜合診斷和分析學業拖延，以此來刻畫學習者的學習特點，支持改進教學和平臺設計，從而為學習者提供更有效的學習支持服務，提高教學質量。

二、文獻綜述

學業拖延的相關研究開始于20世紀80年代。在早期，研究者傾向于將學業拖延看作一種自我調節失敗的結果，認為學業拖延會導致學業失敗，并且會因此帶來疲倦、內疚、焦慮等負面心理體驗[3]。后來，一些研究者發現，學業拖延也可以作為一種積極的自我調節策略：在時間的壓力下，學習者能更好地激發自我學習動力[4]。當前主要通過時間控制、自我效能感、學習準備以及學業成果等心理和行為表現來區分積極拖延學習者和消極拖延學習者。積極拖延學習者往往表現出更高的自我效能感水平，有更好的學業準備，同時普遍對學業結果感到滿意[4]。不過，積極拖延和消極拖延對學習本身的影響目前還存有爭議。有學者認為，只有在認知能力較低的任務上，積極拖延能夠激勵學習者，而在高認知能力要求的任務上還難以對學習產生促進作用[5]。

在線學習通常需要學習者自定步調，因此，對自我管理能力提出了更高的要求，這使得對在線學習者的拖延分析變得更為復雜：一方面，來自工作和學習雙重的壓力可能會使得在線學習具有更明顯的拖延傾向;另一方面，在線學習者往往具有很強的外部動機，需要將學習成果應用到工作或者其他方面，所以，他們可能會盡可能更快地去完成學業要求[6]。Klingsieck等人使用一般拖延性量表測量了1253名遠程學習者的拖延程度，發現高拖延學習行為更容易在學習過程中表現出低頻率的認知策略，并更容易導致低學習表現和低滿意度[7]。國內學者楊雪等人使用Moodle平臺的數據，將未在七天之內完成相應學習任務的學習行為定義為拖延行為，并使用個人拖延水平與班級平均水平對比的方法來定義學習者的拖延程度，以此發現在線學習過程中的拖延學習者[8]?？偟膩碚f，當前在線學習領域中對學業拖延的關注較少，并且對學業拖延的定義較為簡單，缺少與學業拖延相關的學習行為及學習結果的綜合分析。

三、研究數據

本研究的數據來源于“365大學”平臺開設的“資治通鑒”課程，該課程分為15個單元，每個單元由若干個視頻和一個測試組成。如果學習者所有測試的加權平均分超過60分，則通過本次課程，而其他學習行為記錄不作為衡量課程通過的標準。在2015年秋季學期中，一共有355名學習者加入了學習并留下了學習記錄，這355名學習者為本研究的研究對象。

作為研究對象的學習者被記錄在網絡教學平臺中的過程行為數據，是本研究的原始數據。經過整理，本研究的原始數據一共包括四個維度。（1）課程注冊記錄：學習者選課和退課情況記錄，包括學習者注冊或者注銷的課程信息、操作時間;（2）視頻瀏覽記錄：學習者課程視頻瀏覽情況記錄，包括學習者觀看視頻的時間、時長，以及每個視頻的學習比例和復習比例;（3）測試完成記錄：學習者所有測試完成情況記錄，包括學習者所有單元測試完成時間和最終成績;（4）論壇討論記錄：學習論壇討論情況記錄，包括發帖者、發帖時間、發帖內容以及相關回復帖信息。

四、在線學習行為拖延類型的聚類分析

（一）聚類變量的篩選

測量拖延程度常用的方式包括兩種：一種是測試在規定時間完成的任務量，另一種是測試完成規定任務量所需要的時間。由于課程中學習者加入的時間較為分散，所以本研究選擇第二種測量方式，即測試完成規定任務量所需要的時間來表征拖延程度[9]。除時間以外，學業準備情況是反映學習者自我管理能力的重要指標，在一定程度上能夠對拖延與自我管理能力進行說明[5]。課程準備情況主要表現為學習者在各個學習活動上的完成情況，而在本課程中相關的學習活動和學習材料較為單一，所以，本研究直接以學習者觀看視頻的情況作為衡量學習者學業準備情況的指標，以此表征學習者的自我管理水平。成績可以看作拖延導致的直接結果，在過去的研究中常被視為區分積極拖延和消極拖延的重要指標之一，因此，在本研究中將學習者的測試成績作為衡量拖延直接影響結果的指標。

最終，本研究使用準備程度、拖延程度、學業成績三個指標作為描述學業拖延的聚類變量，其具體定義分別是：（1）準備程度，即觀看視頻的比例;（2）拖延程度，即完成測試的延遲時間;（3）學業成績，即學生的平均測試成績。

（二）聚類變量的整合計算

在聚類變量對應到行為數據的過程中，同時涉及對變量的整合計算。在進行整合計算時，本研究考慮了兩個影響因素：一是不同學習者學習單元順序可能不同。因此，本研究先根據學習時間得到學習者的真實學習序列，再計算出學習者單元之間提交作業的間隔時間。二是視頻本身時長對學習所需花費時長的影響。一般而言，視頻長度越長，學習者需要花費的時間越多，單元之間學習時間間隔越長。因此，本研究用所得的間隔除以該單元視頻長度，計算學習者平均在每分鐘視頻上所需花費的學習時間，從而消除視頻長度的影響。

同時，平臺中存在一些中途退學的學習者，這些學習者對于研究拖延行為有重要意義，所以不能簡單地進行刪除。這些中途退學的學習者往往只有部分課程單元的學習記錄，所以，在對學習序列進行重新排序后，對于中途退學的學習者未學習的單元，準備程度和學業成績用0進行填充，而拖延程度用一年作為時間間隔進行填充。

（三）聚類算法與聚類過程的描述

本研究采用K均值（K-means）聚類算法得到課程中的主要行為類型，并根據具體行為表現進行定義，分析行為是否屬于拖延行為。聚類分析是一種通過對象屬性的相似性進行分類的無監督算法，K-means是其中一種被廣泛使用的聚類算法，其優點在于時間復雜度和空間復雜度低，對于非大型數據集的分類效果較好。使用K-means算法進行聚類主要包括兩個步驟：第一步，初始化聚類數量K，然后隨機選取初始作為聚類中心;第二步，計算相似度對每個樣本進行歸類，并根據歸類結果重新計算聚類中心，直到聚類中心不變[10]。本研究使用了SPSS modeler 工具來運行聚類算法。

（四）在線學習行為類型劃分及其典型特征

通過聚類，本研究最終得到了七種不同的行為類型（見表1），其中占比最高的行為類型為44.2%，占比最低的行為類型為3%。從拖延程度來看，大部分學習行為中的拖延程度都非常小，說明學習者提交測試的時間間隔較短，在短時間內連續完成多個單元測試的可能性比較高;從準備程度來看，學習者存在不看視頻直接完成測試的行為傾向，主要集中在天才型和盲目型兩類學習行為上，其他類型學習者的學習行為均觀看了一半以上的視頻內容;從學業成績來看，學業成績分層比較明顯，并呈現出兩極化的特點，處于良好和及格的中間水平學業成績占比較小。

從各個聚類結果來看，平臺中的學習行為可以分為以下五大類：

1. 天才型學習行為——聚類1

天才型學習行為表現為學習者事先幾乎不需要觀看視頻內容便可以完成單元測試，并取得了良好的成績。這類行為說明學習者可能課前已經掌握了學習內容，只需要完成相應的單元任務。這類學習行為在整個課程中占到了最大的比例，為44.2%，說明課程整體的測試難度對于學習者來說并不高，學習者可以根據自己以往的知識經驗輕松地完成課程中大約一半的測試。

2. 規律型學習行為——聚類3

規律型學習行為表現為學習者會在一段時間間隔內按照“上一單元測試—下一單元視頻學習—下一單元視頻測試”的順序進行學習，這樣的順序型學習方式在面對面授課中是一種“既定的學習方式”，很多在線課程也會按照這種學習方式進行設計。然而，從結果來看，這樣的學習行為在課程中所占的比例并不高，說明按照課程既定順序進行學習的學習方式在該門課程中并不占據主導地位。

3. 連續型學習行為——聚類2/聚類4/聚類6

連續型學習行為表現為學習者會連續完成多個單元的測試，且中間間隔時間很短。這種學習行為和天才型學習行為的區別在于準備程度，天才型學習行為中的學習者幾乎不會看視頻，而連續型學習行為中的學習者看了大部分的視頻。連續型學習行為有兩種可能的學習模式：一種是先連續觀看多個單元視頻，再連續完成多個單元測試;另一種是先連續完成多個單元測試，再補看已完成單元的視頻。這兩種學習模式的特點，都表明學習者對學習單位的劃分很可能并不是按照課程單元，而是按照學習內容類型（視頻或者測試）來進行的。而聚類2、聚類4、聚類6之間的區別，主要在于成績的差異。根據成績的不同，這三種聚類類型可以分為優秀成績連續型學習行為、中等成績連續型學習行為、危險成績連續型學習行為。

4. 盲目型學習行為——聚類5

盲目型學習行為表現為學習者在不看視頻的情況下就進行單元測試，成績也不太理想。盲目型學習行為和天才型學習行為在行為模式上的特點是相同的，都是不看視頻就直接進行單元測試，主要的區別在于成績的高低。盲目型學習行為說明學習者并沒有掌握該單元的課程內容，需要在測試前進行必要的內容學習。

5. 惡性拖延型學習行為——聚類7

惡性拖延型學習行為表現為學習者有長時間的拖延，同時，沒有完成測試或者測試成績不佳。從準備程度來看，該課程中的惡性拖延行為并不意味著學習者完全不學習，相反學習者會觀看大部分的視頻內容。因此，造成惡性拖延學習行為的原因，很有可能在于學習者沒有良好的自我管理能力而導致無法完成測試內容或者成績不理想。惡性拖延型學習行為在整個課程所占比例較小，只有3%，說明這不是一種普遍學習行為。

五、在線學習行為拖延變化的社會網絡分析

聚類分析只能得到行為類型以及拖延行為在其中的比例，但是對于學習行為類型之間的轉化關系無法進行進一步挖掘。在單看某個單元的學習行為時，由于缺少與前溯學習行為的關聯，只能對這一單元的行為類型進行簡單的是非判斷，無法深入理解學習行為發生的原因。因此，本研究使用社會網絡分析的方法，對課程中行為的變化情況進行探究。實現軟件為Gephi。

社會網絡分析是一種基于圖論對某一社群中的社會關系結構進行分析的方法，它以不同的行動者所構成的關系作為主要研究對象，在教育領域已經開始受到了較為廣泛的關注和應用[11]。在描述社會網絡時，需要定義三個分析單位：（1）行動者，即網絡中的節點;（2）關系，即網絡中節點的連線;（3）聯結，即關系的集合[12]。

為了表示學習者在整個課程中的學習行為變化過程，本研究將學習者連續兩個單元之間的學習類型變化作為網絡中的節點。例如，節點1_2代表學習者在學習課程時出現了從聚類1變成聚類2的轉化。節點與節點之間的連線方向表示學習順序，連線的權重表示出現該轉化關系的學習者數量。通過這種方式，可以表現多個章節之間學習行為類型的轉化關系。

（一）整體社會網絡結構分析

圖 1為本研究使用Gephi軟件繪制的社群圖。通過整體社會網絡分析可知：（1）網絡密度僅為0.103，說明網絡是一個稀疏網絡，各個節點之間的聯系不緊密，結合節點所代表的含義，說明課程中行為類型穩定性較強，變化較少;（2）網絡的模塊化系數為0.37，說明該社區可以進行劃分，存在子群。

（二）子群結構分析

子群是指網絡中存在的子結構，通過對子群的分析，可以分析網絡中哪些學習行為類型之間的轉化關系更加緊密，從而了解課程中學習行為的變化規律。根據Gephi提供的模塊化功能，本課程中存在三個子群，如圖 2所示。

對子群的分析主要通過對子群節點的中心性分析來實現，中心性衡量的是個體與網絡中心的遠近程度，常用的中心性概念包括點度中心性、接近中心性、中介中心性[13]。點度中心性（Degree Centrality）是測量節點中心性最常用的方法，用與某個節點直接連接的其他節點數目來表示，點度中心性越高，說明這個節點越靠近網絡中心。中間中心性（Betweenness Centrality）測量的是其他點以最短路徑通過該節點的次數，通常用于說明節點對網絡資源的控制程度。接近中心性（Closeness Centralization）測量的是該點到圖中所有其他點的最短距離之和，通常用于說明節點與其他節點的接近程度。

本研究主要采用點度中心性作為衡量節點中心性的方法，并且在點度中心性的基礎上再結合中介中心性和接近中心性進行分析。

1. 子群1分析——嘗試性行為的轉化關系

子群1主要描述的是聚類1、聚類3、聚類5和聚類7，即天才型學習行為、規律型學習行為、盲目型學習行為和惡性拖延型學習行為之間的轉化關系（見表2）。根據表2，可以總結出以下三點：

（1）根據三個中心性指標來看，處于核心位置的是聚類1和聚類5之間的轉化，且轉化關系沒有差異，說明學習者在課程中的學習行為帶有很強的嘗試性，學習者沒有提前了解單元內容是否已經是自身所掌握的內容，往往在不了解課程的情況下就直接嘗試完成測試內容。

（2）從聚類7到聚類1的接近中心性和中介中心性明顯高于附近其他的轉化關系，說明在子群1中暫時性的惡性拖延行為比較常見，并且這種惡性拖延行為導致學習者只能用最短的時間去完成課程任務。

（3）該子群中，沒有出現聚類3和聚類7的直接轉化的關系節點，說明在該子群描述的行為關系中，規律型學習行為難以直接變成惡性拖延型學習行為。

2. 子群2分析——連續性行為的轉化關系

由于子群2的節點個數較多，本研究選取點度中心性為兩位數的節點作為研究對象。子群2主要描述的是聚類3、聚類4、聚類6，即規律型學習行為、中等成績連續型學習行為、危險成績連續型學習行為之間的轉化關系（見表3）。

（1）聚類3和聚類6轉化為聚類4要明顯比聚類3和聚類6之間的直接轉化更處于核心位置，說明在課程中穩定型學習者變成規律型學習者時，往往不會直接導致成績的驟然下降，而更有可能是成績的逐漸下降，反之亦然。

（2）與聚類7有關的轉化關系中，最突出的是聚類6向聚類7的轉化，說明當出現連續型學習行為且成績較差時，學習者出現惡性拖延型學習行為的可能性最高。

3. 子群3分析——優秀成績行為的轉化關系

子群3主要描述的是聚類1、聚類2、聚類3、聚類7之間的轉化關系，即天才型學習行為、優秀成績連續型學習行為、規律型學習行為和惡性拖延型學習行為之間的轉化關系（見表4）。根據表4，可以總結出：

（1）聚類2和聚類3之間轉化比聚類2和聚類1之間的轉化更處于核心位置，說明前兩種學習行為之間的轉化更頻繁。

（2）該子群中，沒有出現聚類1和聚類7直接轉化的關系節點，說明在該子群中描述的行為關系中出現的天才型學習行為，難以直接變成惡性拖延型學習行為，這和子群1所描述行為關系出現了差異，這可能與子群3中的節點主要集中于成績較好的學習行為有關。

六、研究總結與討論

（一）研究結果討論

由于在線課程的開放性，所呈現出的學習行為的多樣性和變化性要遠遠大于面授課程。同時，課程的自主性使得學習過程管理幾乎完全交給了學習者，這對學習者的自我管理能力提出了很高的要求，但是學習者往往無法達到這樣的自我管理要求，所以，平臺提供的學習支持具有重要的意義。

1. 相較于拖延行為，平臺中“趕作業”的現象更明顯

由于完成率低是MOOC被詬病的現象之一，所以本研究最初的研究假設認為其中的拖延現象應該十分嚴重。然而，從行為聚類結果來看，平臺中的拖延行為只占到了很小的比例;相反，那些學習時間遠遠短于正常學習時間的學習行為占到了相當一部分比例。在該課程中，相較于拖延行為，平臺中“趕作業”的現象更明顯，學習者更傾向于在較短的時間內完成更多的課程學習（這里的學習指的是以完成考試為目的學習行為）。這一現象與在線學習者拖延矛盾現象相符合：現實生活的壓力和高外部動機導致學習者，一方面沒有過多的時間投入在線學習，另一方面期望盡快獲得課程認證結果[7]。從研究結果來看，大部分學習者會選擇在短時間內完成多個單元任務，并且部分學習者會放棄學習視頻內容，直接完成測試，導致存在較多試錯行為和連續行為。

2. 試錯更容易出現拖延行為

試錯是指學習者在不了解課程內容是否為自己已掌握的知識點的基礎上，就直接完成單元測試，有很強的嘗試性。對應的學習行為包括天才型學習行為（聚類1）和盲目型學習行為（聚類5）。如果在課程中出現頻繁的試錯行為，并且成績不穩定，那么出現拖延的概率較高。其原因可能與在線學習高外部動機水平有關，許多學習者參與在線學習的目的是以完成課程、獲得證書為主，對得分的要求不高。這種對課程內容本身的低興趣度，使得學習者并不想對課程投入過多的精力，包括對課程學習的規劃，導致行為的隨意性較大。

3. 課程中存在暫時性拖延行為

暫時性拖延行為是指在某一章節中表現出惡性拖延行為（聚類7），但是在接下來的章節中又表現為其他學習行為（其他聚類類型）的學習行為，在網絡圖中表現為出現聚類7轉化關系的節點指向其他聚類轉化關系的節點。暫時性拖延說明拖延行為的出現并不完全代表學習者放棄了課程學習，而可能是因為學習者在自我管理中出現調節波動。這一現象說明學習者的自我調節水平并不是持續穩定的，而是會出現起伏。同時，如果調整及時，這種拖延行為所造成的結果完全可以在后續的學習中得到彌補。所以，除了在課前給予提醒，幫助學習者做好時間規劃以外，還可以在發現暫時性拖延行為之后，通過一些教學干預手段幫助學習者趕上已有的學習進度。

4. 成績的差異與拖延行為的差異

從子群分析結果來看，幾乎所有學習行為之后都會有一定概率出現惡性拖延行為，所以，很難說明有哪些行為更容易出現拖延行為。但是值得注意的是，成績表現優秀的學習行為（聚類1、聚類2、聚類3）部分轉化為了惡性拖延行為的同時，也有相當一部分的惡性拖延行為轉化為這幾類學習行為;相較而言，成績表現較差的學習行為（聚類6、聚類5）向惡性拖延行為的轉化遠遠多于惡性拖延行為向這幾類學習行為的轉化。這個特點說明，課程中的拖延行為不能一概而論：當學習者取得較好的學習成績時，拖延行為更有可能是暫時性的，更多地說明是學習者自我調節上的波動;當學習者取得較差的學習成績時，拖延行為更有可能是持續性的，學習者可能會放棄課程。

（二）課程和平臺改進建議

1. 增加測試題目的數量、類型和層次，與單元學習內容對應

從課程設計來看，天才型學習行為所占比例較高的原因主要在于課程測試題設置較為簡單，測試題型只有選擇題，且題量較少，學習者能夠輕易地以較低的學習成本完成測試。這樣的課程設計很難知道學習者的實際學習情況，導致最終整體課程質量較差。所以，在測試題目上應該加以改進，增加測試題目的數量、類型和層次，保證單元所要求的知識點在測試中都能得到對應，進而保證學習者能真正掌握課程所要求的內容。

2. 將學習任務分解，幫助學習者規劃時間

該課程在課程開始之初就一次性開放了所有單元的學習視頻和測試題目，這種做法一方面增加了學習者自主選擇學習方式的權利，但另一方面也削弱了平臺對學習進度的引導性。從研究結果來看，課程中學習者的學習節奏較為混亂，一次性大量內容的開放可能會導致他們追求在短時間內完成更多的測試。所以，課程方面可以制訂課程時間表，根據課程時間表分批開放課程內容，將單位時間內的學習任務明確化、具體化，從而引導學習者進行時間規劃和自我管理。

3. 針對不同的拖延特點給予不同的教學干預

對于暫時性拖延和持續性拖延，平臺應該采用不同的教學干預手段。暫時性拖延學習者往往是由于在時間管理上一時出現了問題而導致了拖延，所以對于這樣的拖延行為，可以通過增加學習管理工具如日歷等方式，幫助學習者做好時間規劃;也可以在拖延行為發生之后重新對該節課程內容進行推送，達到及時彌補的效果。持續性拖延行為除了存在時間管理問題以外，較差的成績也是導致這類學習者失去課程學習興趣、形成拖延的原因之一。因此，對于這類拖延行為，最重要的是幫助學習者解決課程學習上的困難，提高學習自信和學習體驗，從而改善拖延現象。

（三）研究總結與反思

本研究以學業拖延為視角，探究了在線學習課程中存在的學習行為類型與變化情況。通過聚類分析和社會網絡分析相結合的方法，本研究發現該課程中主要存在七種學習行為類型，其中有一種為惡性拖延型學習行為;在拖延行為的關系轉化中存在三個學習行為比較密切的子群，這三個子群描述了不同的學習行為的轉化關系和特點;三個子群中都出現了與惡性拖延型學習行為有關的轉化，但是都沒有處于核心位置，這可能與惡性拖延型行為本身所占比例較小有關，但是在不同的子群中，與惡性的拖延行為相關的轉化關系也呈現出不同的特點。

除了觀看視頻以外，平臺登錄情況、過去課程學習情況都是進行學習分析的重要指標，然而由于當前平臺數據庫提供的學習行為數據字段有限，這些數據都沒有記錄到當前數據庫中，導致對研究深入挖掘學習者的學習行為特點產生了限制。同時，對于在線學習者而言，出現惡性拖延行為的主導原因可能是課程之外的家庭和社會因素，單純地對在線學習行為進行分析難以發現這些課外因素對學習行為的影響。因此，未來可以在完善學習行為數據的基礎上，加入對學習者人口學數據的收集和分析，從而更深刻地理解學習者的拖延行為。同時，在研究的過程中發現，不同類型的學習者學習時間間隔分布上有明顯的不同，并且在不同的學習階段學習頻次也存在較大差異，這是一個在本研究中沒有深入探究但是又非常有趣的現象?，F階段許多學習分析研究中，往往簡單地用某段時間內學習行為發生的頻次來概括學生的學習情況，這種方法默認學習行為在時間維度上均勻分布，這明顯不符合實際的學習情況。在人類行為動力學領域，已經有大量的研究證明，人類行為的分布存在冪律分布的現象，有長時間的靜默和短期內高頻率爆發的特點[14]。如果引入相關理論研究學習者學習分布規律，也許可以為當前學習行為的研究帶來全新的視角。

[參考文獻]

[1] 陳秋珠.初中生學業拖延與學業自我效能感關系研究[J].華東師范大學學報（教育科學版），2016，34（3）：100-106，123.

[2] 高春輝.小學生學業拖延與學業情緒的關系[D].天津：天津師范大學，2017.

[3] FERRARI J R. Procrastination as self-regulation failure of performance： effects of cognitive load， self-awareness， and time limits on' working best under pressure'[J]. European journal of personality， 2010， 15（5）：391-406.

[4] CORKIN D M， YU S L， LTINDT S F. Comparing active delay and procrastination from a self-regulated learning perspective[J]. Learning & individual differences， 2011， 21（5）：602-606.

[5] 丁婷婷，余秀蘭，龔雪.大學生學業拖延類型的比較研究——自我調節學習理論視角[J].教育學術月刊，2015（10）：87-92.

[6] 包翠秋，張志杰.拖延現象的相關研究[J].中國組織工程研究，2006，10（34）：129-132.

[7] KLINGSIECK K B， FRIES S， HORZ C， et al. Procrastination in a distance university setting[J]. Distance education， 2012， 33（3）：295-310.

[8] 楊雪，姜強，趙蔚，李勇帆，李松.大數據時代基于學習分析的在線學習拖延診斷與干預研究[J].電化教育研究，2017，38（7）：51-57.

[9] SCHER S J， FERRARI J R. The recall of completed and noncompleted tasks through daily logs to measure procrastination[J]. Journal of social behavior & personality， 2000， 15（5）：255-265.

[10] 王曉晨.基于移動學習感知變量的遠程學習者聚類研究及其對學習支持的啟示[J].電化教育研究，2013，34（5）：43-47.

[11] 鐘柏昌，李藝.社會網絡分析在教育研究領域的應用——基于教育類核心期刊刊文的評述[J].教育研究，2013，34（9）：25-32.

[12] 王陸.虛擬學習社區的社會網絡分析[J].中國電化教育，2009（2）：5-11.

[13] 胡勇.在線協作學習過程中社會臨場感的社會網絡分析[J].現代遠程教育研究，2013（1）：69-77.

[14] 樊超，郭進利，韓筱璞，汪秉宏.人類行為動力學研究綜述[J].復雜系統與復雜性科學，2011，8（2）：1-17.