熊潞颖 郭幸君 蒋琪 郑勤华

[摘   要] 拖延行为可以反映学生的自我管理情况。研究基于“365大学”平台的课程数据，定义并分析了在线学习者在学业拖延方面的行为表现，并结合K-means聚类算法和社会网络分析方法对学习者学业行为类型和学习行为变化进行分析。研究结果显示，在课程中存在七种不同类型的学习行为，其中有一种为恶性拖延行为。同时，学习行为之间的转化可以划分为三个子群，分别为尝试性行为集中子群、连续性行为集中子群和优秀成绩行为子群，这三个子群分别显示出不同的行为变化规律。研究对该在线课程提出了课程内容和平台设计两方面的建议，以改进平台的学习支持服务，提高课程质量。

[关键词] 学业拖延; 学习分析; 聚类; 社会网络分析

[中图分类号] G434            [文献标志码] A

[作者简介] 熊潞颖（1996—），女，四川眉山人。硕士研究生，主要从事学习分析方面的研究。E-mail：xiongluying@outlook.com。

一、引   言

学业拖延是指学生在学习活动中将一件必须要完成的工作推迟延后的行为倾向。学业拖延是反映学习者自我管理能力的重要指标，对学习者的学业结果有着重要影响。研究表明，学业拖延与学业自我效能感、学业情绪、学习结果等多种学业表现之间存在相关关系[1-2]。关注学习者的学业拖延，对于缓解学习者的学业焦虑、提高自我效能感和学习体验、保证良好的学习结果具有重要的意义。

当前，以MOOC为代表的灵活开放的在线学习方式，已经在全球范围内产生了深远的影响。这类学习方式往往具有自定步调、自主学习的特点，对学习者的自我管理能力提出了更高的挑战。然而，许多学习者通常难以达到相应的自我管理要求，导致在线课程的辍学率居高不下，这是当前在线教育所面临的难题之一。所以，如何帮助学习者更有效地进行时间规划和学习管理，是在线教育教师和管理者需要关注的问题。提供有效学习支持服务的前提，是剖析学习者的学习困难，了解学习者的学习特点。因此，本研究结合学习表现和学习结果综合诊断和分析学业拖延，以此来刻画学习者的学习特点，支持改进教学和平台设计，从而为学习者提供更有效的学习支持服务，提高教学质量。

二、文献综述

学业拖延的相关研究开始于20世纪80年代。在早期，研究者倾向于将学业拖延看作一种自我调节失败的结果，认为学业拖延会导致学业失败，并且会因此带来疲倦、内疚、焦虑等负面心理体验[3]。后来，一些研究者发现，学业拖延也可以作为一种积极的自我调节策略：在时间的压力下，学习者能更好地激发自我学习动力[4]。当前主要通过时间控制、自我效能感、学习准备以及学业成果等心理和行为表现来区分积极拖延学习者和消极拖延学习者。积极拖延学习者往往表现出更高的自我效能感水平，有更好的学业准备，同时普遍对学业结果感到满意[4]。不过，积极拖延和消极拖延对学习本身的影响目前还存有争议。有学者认为，只有在认知能力较低的任务上，积极拖延能够激励学习者，而在高认知能力要求的任务上还难以对学习产生促进作用[5]。

在线学习通常需要学习者自定步调，因此，对自我管理能力提出了更高的要求，这使得对在线学习者的拖延分析变得更为复杂：一方面，來自工作和学习双重的压力可能会使得在线学习具有更明显的拖延倾向;另一方面，在线学习者往往具有很强的外部动机，需要将学习成果应用到工作或者其他方面，所以，他们可能会尽可能更快地去完成学业要求[6]。Klingsieck等人使用一般拖延性量表测量了1253名远程学习者的拖延程度，发现高拖延学习行为更容易在学习过程中表现出低频率的认知策略，并更容易导致低学习表现和低满意度[7]。国内学者杨雪等人使用Moodle平台的数据，将未在七天之内完成相应学习任务的学习行为定义为拖延行为，并使用个人拖延水平与班级平均水平对比的方法来定义学习者的拖延程度，以此发现在线学习过程中的拖延学习者[8]。总的来说，当前在线学习领域中对学业拖延的关注较少，并且对学业拖延的定义较为简单，缺少与学业拖延相关的学习行为及学习结果的综合分析。

三、研究数据

本研究的数据来源于“365大学”平台开设的“资治通鉴”课程，该课程分为15个单元，每个单元由若干个视频和一个测试组成。如果学习者所有测试的加权平均分超过60分，则通过本次课程，而其他学习行为记录不作为衡量课程通过的标准。在2015年秋季学期中，一共有355名学习者加入了学习并留下了学习记录，这355名学习者为本研究的研究对象。

作为研究对象的学习者被记录在网络教学平台中的过程行为数据，是本研究的原始数据。经过整理，本研究的原始数据一共包括四个维度。（1）课程注册记录：学习者选课和退课情况记录，包括学习者注册或者注销的课程信息、操作时间;（2）视频浏览记录：学习者课程视频浏览情况记录，包括学习者观看视频的时间、时长，以及每个视频的学习比例和复习比例;（3）测试完成记录：学习者所有测试完成情况记录，包括学习者所有单元测试完成时间和最终成绩;（4）论坛讨论记录：学习论坛讨论情况记录，包括发帖者、发帖时间、发帖内容以及相关回复帖信息。

四、在线学习行为拖延类型的聚类分析

（一）聚类变量的筛选

测量拖延程度常用的方式包括两种：一种是测试在规定时间完成的任务量，另一种是测试完成规定任务量所需要的时间。由于课程中学习者加入的时间较为分散，所以本研究选择第二种测量方式，即测试完成规定任务量所需要的时间来表征拖延程度[9]。除时间以外，学业准备情况是反映学习者自我管理能力的重要指标，在一定程度上能够对拖延与自我管理能力进行说明[5]。课程准备情况主要表现为学习者在各个学习活动上的完成情况，而在本课程中相关的学习活动和学习材料较为单一，所以，本研究直接以学习者观看视频的情况作为衡量学习者学业准备情况的指标，以此表征学习者的自我管理水平。成绩可以看作拖延导致的直接结果，在过去的研究中常被视为区分积极拖延和消极拖延的重要指标之一，因此，在本研究中将学习者的测试成绩作为衡量拖延直接影响结果的指标。

最终，本研究使用准备程度、拖延程度、学业成绩三个指标作为描述学业拖延的聚类变量，其具体定义分别是：（1）准备程度，即观看视频的比例;（2）拖延程度，即完成测试的延迟时间;（3）学业成绩，即学生的平均测试成绩。

（二）聚类变量的整合计算

在聚类变量对应到行为数据的过程中，同时涉及对变量的整合计算。在进行整合计算时，本研究考虑了两个影响因素：一是不同学习者学习单元顺序可能不同。因此，本研究先根据学习时间得到学习者的真实学习序列，再计算出学习者单元之间提交作业的间隔时间。二是视频本身时长对学习所需花费时长的影响。一般而言，视频长度越长，学习者需要花费的时间越多，单元之间学习时间间隔越长。因此，本研究用所得的间隔除以该单元视频长度，计算学习者平均在每分钟视频上所需花费的学习时间，从而消除视频长度的影响。

同时，平台中存在一些中途退学的学习者，这些学习者对于研究拖延行为有重要意义，所以不能简单地进行删除。这些中途退学的学习者往往只有部分课程单元的学习记录，所以，在对学习序列进行重新排序后，对于中途退学的学习者未学习的单元，准备程度和学业成绩用0进行填充，而拖延程度用一年作为时间间隔进行填充。

（三）聚类算法与聚类过程的描述

本研究采用K均值（K-means）聚类算法得到课程中的主要行为类型，并根据具体行为表现进行定义，分析行为是否属于拖延行为。聚类分析是一种通过对象属性的相似性进行分类的无监督算法，K-means是其中一种被广泛使用的聚类算法，其优点在于时间复杂度和空间复杂度低，对于非大型数据集的分类效果较好。使用K-means算法进行聚类主要包括两个步骤：第一步，初始化聚类数量K，然后随机选取初始作为聚类中心;第二步，计算相似度对每个样本进行归类，并根据归类结果重新计算聚类中心，直到聚类中心不变[10]。本研究使用了SPSS modeler 工具来运行聚类算法。

（四）在线学习行为类型划分及其典型特征

通過聚类，本研究最终得到了七种不同的行为类型（见表1），其中占比最高的行为类型为44.2%，占比最低的行为类型为3%。从拖延程度来看，大部分学习行为中的拖延程度都非常小，说明学习者提交测试的时间间隔较短，在短时间内连续完成多个单元测试的可能性比较高;从准备程度来看，学习者存在不看视频直接完成测试的行为倾向，主要集中在天才型和盲目型两类学习行为上，其他类型学习者的学习行为均观看了一半以上的视频内容;从学业成绩来看，学业成绩分层比较明显，并呈现出两极化的特点，处于良好和及格的中间水平学业成绩占比较小。

从各个聚类结果来看，平台中的学习行为可以分为以下五大类：

1. 天才型学习行为——聚类1

天才型学习行为表现为学习者事先几乎不需要观看视频内容便可以完成单元测试，并取得了良好的成绩。这类行为说明学习者可能课前已经掌握了学习内容，只需要完成相应的单元任务。这类学习行为在整个课程中占到了最大的比例，为44.2%，说明课程整体的测试难度对于学习者来说并不高，学习者可以根据自己以往的知识经验轻松地完成课程中大约一半的测试。

2. 规律型学习行为——聚类3

规律型学习行为表现为学习者会在一段时间间隔内按照“上一单元测试—下一单元视频学习—下一单元视频测试”的顺序进行学习，这样的顺序型学习方式在面对面授课中是一种“既定的学习方式”，很多在线课程也会按照这种学习方式进行设计。然而，从结果来看，这样的学习行为在课程中所占的比例并不高，说明按照课程既定顺序进行学习的学习方式在该门课程中并不占据主导地位。

3. 连续型学习行为——聚类2/聚类4/聚类6

连续型学习行为表现为学习者会连续完成多个单元的测试，且中间间隔时间很短。这种学习行为和天才型学习行为的区别在于准备程度，天才型学习行为中的学习者几乎不会看视频，而连续型学习行为中的学习者看了大部分的视频。连续型学习行为有两种可能的学习模式：一种是先连续观看多个单元视频，再连续完成多个单元测试;另一种是先连续完成多个单元测试，再补看已完成单元的视频。这两种学习模式的特点，都表明学习者对学习单位的划分很可能并不是按照课程单元，而是按照学习内容类型（视频或者测试）来进行的。而聚类2、聚类4、聚类6之间的区别，主要在于成绩的差异。根据成绩的不同，这三种聚类类型可以分为优秀成绩连续型学习行为、中等成绩连续型学习行为、危险成绩连续型学习行为。

4. 盲目型学习行为——聚类5

盲目型学习行为表现为学习者在不看视频的情况下就进行单元测试，成绩也不太理想。盲目型学习行为和天才型学习行为在行为模式上的特点是相同的，都是不看视频就直接进行单元测试，主要的区别在于成绩的高低。盲目型学习行为说明学习者并没有掌握该单元的课程内容，需要在测试前进行必要的内容学习。

5. 恶性拖延型学习行为——聚类7

恶性拖延型学习行为表现为学习者有长时间的拖延，同时，没有完成测试或者测试成绩不佳。从准备程度来看，该课程中的恶性拖延行为并不意味着学习者完全不学习，相反学习者会观看大部分的视频内容。因此，造成恶性拖延学习行为的原因，很有可能在于学习者没有良好的自我管理能力而导致无法完成测试内容或者成绩不理想。恶性拖延型学习行为在整个课程所占比例较小，只有3%，说明这不是一种普遍学习行为。

五、在线学习行为拖延变化的社会网络分析

聚类分析只能得到行为类型以及拖延行为在其中的比例，但是对于学习行为类型之间的转化关系无法进行进一步挖掘。在单看某个单元的学习行为时，由于缺少与前溯学习行为的关联，只能对这一单元的行为类型进行简单的是非判断，无法深入理解学习行为发生的原因。因此，本研究使用社会网络分析的方法，对课程中行为的变化情况进行探究。实现软件为Gephi。

社会网络分析是一种基于图论对某一社群中的社会关系结构进行分析的方法，它以不同的行动者所构成的关系作为主要研究对象，在教育领域已经开始受到了较为广泛的关注和应用[11]。在描述社会网络时，需要定义三个分析单位：（1）行动者，即网络中的节点;（2）关系，即网络中节点的连线;（3）联结，即关系的集合[12]。

为了表示学习者在整个课程中的学习行为变化过程，本研究将学习者连续两个单元之间的学习类型变化作为网络中的节点。例如，节点1_2代表学习者在学习课程时出现了从聚类1变成聚类2的转化。节点与节点之间的连线方向表示学习顺序，连线的权重表示出现该转化关系的学习者数量。通过这种方式，可以表现多个章节之间学习行为类型的转化关系。

（一）整体社会网络结构分析

图 1为本研究使用Gephi软件绘制的社群图。通过整体社会网络分析可知：（1）网络密度仅为0.103，说明网络是一个稀疏网络，各个节点之间的联系不紧密，结合节点所代表的含义，说明课程中行为类型稳定性较强，变化较少;（2）网络的模块化系数为0.37，说明该社区可以进行划分，存在子群。

（二）子群结构分析

子群是指网络中存在的子结构，通过对子群的分析，可以分析网络中哪些学习行为类型之间的转化关系更加紧密，从而了解课程中学习行为的变化规律。根据Gephi提供的模块化功能，本课程中存在三个子群，如图 2所示。

对子群的分析主要通过对子群节点的中心性分析来实现，中心性衡量的是个体与网络中心的远近程度，常用的中心性概念包括点度中心性、接近中心性、中介中心性[13]。点度中心性（Degree Centrality）是测量节点中心性最常用的方法，用与某个节点直接连接的其他节点数目来表示，点度中心性越高，说明这个节点越靠近网络中心。中间中心性（Betweenness Centrality）测量的是其他点以最短路径通过该节点的次数，通常用于说明节点对网络资源的控制程度。接近中心性（Closeness Centralization）测量的是该点到图中所有其他点的最短距离之和，通常用于说明节点与其他节点的接近程度。

本研究主要采用点度中心性作为衡量节点中心性的方法，并且在點度中心性的基础上再结合中介中心性和接近中心性进行分析。

1. 子群1分析——尝试性行为的转化关系

子群1主要描述的是聚类1、聚类3、聚类5和聚类7，即天才型学习行为、规律型学习行为、盲目型学习行为和恶性拖延型学习行为之间的转化关系（见表2）。根据表2，可以总结出以下三点：

（1）根据三个中心性指标来看，处于核心位置的是聚类1和聚类5之间的转化，且转化关系没有差异，说明学习者在课程中的学习行为带有很强的尝试性，学习者没有提前了解单元内容是否已经是自身所掌握的内容，往往在不了解课程的情况下就直接尝试完成测试内容。

（2）从聚类7到聚类1的接近中心性和中介中心性明显高于附近其他的转化关系，说明在子群1中暂时性的恶性拖延行为比较常见，并且这种恶性拖延行为导致学习者只能用最短的时间去完成课程任务。

（3）该子群中，没有出现聚类3和聚类7的直接转化的关系节点，说明在该子群描述的行为关系中，规律型学习行为难以直接变成恶性拖延型学习行为。

2. 子群2分析——连续性行为的转化关系

由于子群2的节点个数较多，本研究选取点度中心性为两位数的节点作为研究对象。子群2主要描述的是聚类3、聚类4、聚类6，即规律型学习行为、中等成绩连续型学习行为、危险成绩连续型学习行为之间的转化关系（见表3）。

（1）聚类3和聚类6转化为聚类4要明显比聚类3和聚类6之间的直接转化更处于核心位置，说明在课程中稳定型学习者变成规律型学习者时，往往不会直接导致成绩的骤然下降，而更有可能是成绩的逐渐下降，反之亦然。

（2）与聚类7有关的转化关系中，最突出的是聚类6向聚类7的转化，说明当出现连续型学习行为且成绩较差时，学习者出现恶性拖延型学习行为的可能性最高。

3. 子群3分析——优秀成绩行为的转化关系

子群3主要描述的是聚类1、聚类2、聚类3、聚类7之间的转化关系，即天才型学习行为、优秀成绩连续型学习行为、规律型学习行为和恶性拖延型学习行为之间的转化关系（见表4）。根据表4，可以总结出：

（1）聚类2和聚类3之间转化比聚类2和聚类1之间的转化更处于核心位置，说明前两种学习行为之间的转化更频繁。

（2）该子群中，没有出现聚类1和聚类7直接转化的关系节点，说明在该子群中描述的行为关系中出现的天才型学习行为，难以直接变成恶性拖延型学习行为，这和子群1所描述行为关系出现了差异，这可能与子群3中的节点主要集中于成绩较好的学习行为有关。

六、研究总结与讨论

（一）研究结果讨论

由于在线课程的开放性，所呈现出的学习行为的多样性和变化性要远远大于面授课程。同时，课程的自主性使得学习过程管理几乎完全交给了学习者，这对学习者的自我管理能力提出了很高的要求，但是学习者往往无法达到这样的自我管理要求，所以，平台提供的学习支持具有重要的意义。

1. 相较于拖延行为，平台中“赶作业”的现象更明显

由于完成率低是MOOC被诟病的现象之一，所以本研究最初的研究假设认为其中的拖延现象应该十分严重。然而，从行为聚类结果来看，平台中的拖延行为只占到了很小的比例;相反，那些学习时间远远短于正常学习时间的学习行为占到了相当一部分比例。在该课程中，相较于拖延行为，平台中“赶作业”的现象更明显，学习者更倾向于在较短的时间内完成更多的课程学习（这里的学习指的是以完成考试为目的学习行为）。这一现象与在线学习者拖延矛盾现象相符合：现实生活的压力和高外部动机导致学习者，一方面没有过多的时间投入在线学习，另一方面期望尽快获得课程认证结果[7]。从研究结果来看，大部分学习者会选择在短时间内完成多个单元任务，并且部分学习者会放弃学习视频内容，直接完成测试，导致存在较多试错行为和连续行为。

2. 试错更容易出现拖延行为

试错是指学习者在不了解课程内容是否为自己已掌握的知识点的基础上，就直接完成单元测试，有很强的尝试性。对应的学习行为包括天才型学习行为（聚类1）和盲目型学习行为（聚类5）。如果在课程中出现频繁的试错行为，并且成绩不稳定，那么出现拖延的概率较高。其原因可能与在线学习高外部动机水平有关，许多学习者参与在线学习的目的是以完成课程、获得证书为主，对得分的要求不高。这种对课程内容本身的低兴趣度，使得学习者并不想对课程投入过多的精力，包括对课程学习的规划，导致行为的随意性较大。

3. 课程中存在暂时性拖延行为

暂时性拖延行为是指在某一章节中表现出恶性拖延行为（聚类7），但是在接下来的章节中又表现为其他学习行为（其他聚类类型）的学习行为，在网络图中表现为出现聚类7转化关系的节点指向其他聚类转化关系的节点。暂时性拖延说明拖延行为的出现并不完全代表学习者放弃了课程学习，而可能是因为学习者在自我管理中出现调节波动。这一现象说明学习者的自我调节水平并不是持续稳定的，而是会出现起伏。同时，如果调整及时，这种拖延行为所造成的结果完全可以在后续的学习中得到弥补。所以，除了在课前给予提醒，帮助学习者做好时间规划以外，还可以在发现暂时性拖延行为之后，通过一些教学干预手段帮助学习者赶上已有的学习进度。

4. 成绩的差异与拖延行为的差异

从子群分析结果来看，几乎所有学习行为之后都会有一定概率出现恶性拖延行为，所以，很难说明有哪些行为更容易出现拖延行为。但是值得注意的是，成绩表现优秀的学习行为（聚类1、聚类2、聚类3）部分转化为了恶性拖延行为的同时，也有相当一部分的恶性拖延行为转化为这几类学习行为;相较而言，成绩表现较差的学习行为（聚类6、聚类5）向恶性拖延行为的转化远远多于恶性拖延行为向这几类学习行为的转化。这个特点说明，课程中的拖延行为不能一概而论：当学习者取得较好的学习成绩时，拖延行为更有可能是暂时性的，更多地说明是学习者自我调节上的波动;当学习者取得较差的学习成绩时，拖延行为更有可能是持续性的，学习者可能会放弃课程。

（二）课程和平台改进建议

1. 增加测试题目的数量、类型和层次，与单元学习内容对应

从课程设计来看，天才型学习行为所占比例较高的原因主要在于课程测试题设置较为简单，测试题型只有选择题，且题量较少，学习者能够轻易地以较低的学习成本完成测试。这样的课程设计很难知道学习者的实际学习情况，导致最终整体课程质量较差。所以，在测试题目上应该加以改进，增加测试题目的数量、类型和层次，保证单元所要求的知识点在测试中都能得到对应，进而保证学习者能真正掌握课程所要求的内容。

2. 将学习任务分解，帮助学习者规划时间

该课程在课程开始之初就一次性开放了所有单元的学习视频和测试题目，这种做法一方面增加了学习者自主选择学习方式的权利，但另一方面也削弱了平台对学习进度的引导性。从研究结果来看，课程中学习者的学习节奏较为混乱，一次性大量内容的开放可能会导致他们追求在短时间内完成更多的测试。所以，课程方面可以制订课程时间表，根据课程时间表分批开放课程内容，将单位时间内的学习任务明确化、具体化，从而引导学习者进行时间规划和自我管理。

3. 针对不同的拖延特点给予不同的教学干预

对于暂时性拖延和持续性拖延，平台应该采用不同的教学干预手段。暂时性拖延学习者往往是由于在时间管理上一时出现了问题而导致了拖延，所以对于这样的拖延行为，可以通过增加学习管理工具如日历等方式，帮助学习者做好时间规划;也可以在拖延行为发生之后重新对该节课程内容进行推送，达到及时弥补的效果。持续性拖延行为除了存在时间管理问题以外，较差的成绩也是导致这类学习者失去课程学习兴趣、形成拖延的原因之一。因此，对于这类拖延行为，最重要的是帮助学习者解决课程学习上的困难，提高学习自信和学习体验，从而改善拖延现象。

（三）研究总结与反思

本研究以学业拖延为视角，探究了在线学习课程中存在的学习行为类型与变化情况。通过聚类分析和社会网络分析相结合的方法，本研究发现该课程中主要存在七种学习行为类型，其中有一种为恶性拖延型学习行为;在拖延行为的关系转化中存在三个学习行为比较密切的子群，这三个子群描述了不同的学习行为的转化关系和特点;三個子群中都出现了与恶性拖延型学习行为有关的转化，但是都没有处于核心位置，这可能与恶性拖延型行为本身所占比例较小有关，但是在不同的子群中，与恶性的拖延行为相关的转化关系也呈现出不同的特点。

除了观看视频以外，平台登录情况、过去课程学习情况都是进行学习分析的重要指标，然而由于当前平台数据库提供的学习行为数据字段有限，这些数据都没有记录到当前数据库中，导致对研究深入挖掘学习者的学习行为特点产生了限制。同时，对于在线学习者而言，出现恶性拖延行为的主导原因可能是课程之外的家庭和社会因素，单纯地对在线学习行为进行分析难以发现这些课外因素对学习行为的影响。因此，未来可以在完善学习行为数据的基础上，加入对学习者人口学数据的收集和分析，从而更深刻地理解学习者的拖延行为。同时，在研究的过程中发现，不同类型的学习者学习时间间隔分布上有明显的不同，并且在不同的学习阶段学习频次也存在较大差异，这是一个在本研究中没有深入探究但是又非常有趣的现象。现阶段许多学习分析研究中，往往简单地用某段时间内学习行为发生的频次来概括学生的学习情况，这种方法默认学习行为在时间维度上均匀分布，这明显不符合实际的学习情况。在人类行为动力学领域，已经有大量的研究证明，人类行为的分布存在幂律分布的现象，有长时间的静默和短期内高频率爆发的特点[14]。如果引入相关理论研究学习者学习分布规律，也许可以为当前学习行为的研究带来全新的视角。

[参考文献]

[1] 陈秋珠.初中生学业拖延与学业自我效能感关系研究[J].华东师范大学学报（教育科学版），2016，34（3）：100-106，123.

[2] 高春辉.小学生学业拖延与学业情绪的关系[D].天津：天津师范大学，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，余秀兰，龚雪.大学生学业拖延类型的比较研究——自我调节学习理论视角[J].教育学术月刊，2015（10）：87-92.

[6] 包翠秋，张志杰.拖延现象的相关研究[J].中国组织工程研究，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] 杨雪，姜强，赵蔚，李勇帆，李松.大数据时代基于学习分析的在线学习拖延诊断与干预研究[J].电化教育研究，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.基于移动学习感知变量的远程学习者聚类研究及其对学习支持的启示[J].电化教育研究，2013，34（5）：43-47.

[11] 钟柏昌，李艺.社会网络分析在教育研究领域的应用——基于教育类核心期刊刊文的评述[J].教育研究，2013，34（9）：25-32.

[12] 王陆.虚拟学习社区的社会网络分析[J].中国电化教育，2009（2）：5-11.

[13] 胡勇.在线协作学习过程中社会临场感的社会网络分析[J].现代远程教育研究，2013（1）：69-77.

[14] 樊超，郭进利，韩筱璞，汪秉宏.人类行为动力学研究综述[J].复杂系统与复杂性科学，2011，8（2）：1-17.