刘菲菲

摘   要：异步SPOC教学的时空非约束状态成为学习者自主学习能力的巨大考验，与学习时间相关的各类行为是学习者学习状态的外在体现。文章以异步SPOC教学中的学习行为数据为基础，通过构建学习成效的多元回归模型、横向成绩组间方差分析、纵向各周次组内方差分析以及学习时间点的可视化分析，结果发现：课件拖延、测试拖延两项指标与其他指标及学习成效负相关;通过课件观看页数、课件时长可以较好地预测学习成效;优秀组学习者的各项行为表现明显优于其他组群;学习者的学习拖延会随着课程时间的推进明显增加，各周次之间学习行为差异明显;多数学生无固定学习时间，自我约束力不足，时间管理能力欠缺等，以期为同行研究提供参考。

关键词：异步SPOC;学习时间;学习拖延;学习成效

中图分类号：G642.0 文献标志码：B 文章编号：1673-8454（2021）16-0014-08

一、引言

在经历了2020年新冠肺炎疫情期间的各种线上教学实践之后，异步SPOC教学得到大量实践应用。相比于人数庞大的MOOC、SPOC教学，其更能够关注到学习者的个体需求。相比于线上直播的同步教学，异步教学可以有效实现弹性学习时间安排，并避免因集中访问造成的网络拥堵。但异步SPOC教学在突破时空限制的同时，缺少了传统线下学习中的课堂管理和即时互动，甚至也没有线上同步教学中的时间约束，学习过程也更容易因外界各种因素干扰而中断。在没有了必要的“学习场”[1]束缚之后，这一教学形式对学习者的自主学习能力、教师的教学管理能力都是极大的考验。

在异步SPOC教学的非约束状态下，学习者会如何安排自身的学习时间？其学习行为表现究竟如何？在众多看似无意识的线上学习行为中，哪些与学习成效密切相关？随着异步SPOC学习进程的推进，学习者的学习行为会有怎样的动态变化？在异步SPOC教学过程中，平台产生了大量与时间相关的行为记录，从这些学习活动信息流中，可以抓取到关键行为数据并解析出学习者个性学习行为特征[2]，从而进一步了解学习者的自主学习状况。

二、文献综述

把学习时间作为影响学习结果的变量开展研究始于20世纪初，并于20世纪70年代开始进行二者之间相关程度的实证研究。[3]张志杰从心理学角度出发，认为时间监控行为既可以通过时间管理效能来影响自尊、自我效能和学习满意度，也可以直接影响自我效能和学习满意度。[4]陈昌盛等通过对400名大学生的调查发现，时间管理的关键之处在于优化每天的活动，能否很好地管理时间在很大程度上决定着学习的有效性。[5]蒋卓轩等通过6门MOOC的海量数据研究发现：与时间相关的行为与学习效果之间存在一定关联。[6]时间管理能力的缺乏往往会导致学习拖延，即学习者有意而无必要地推迟启动或推迟完成学习任务的行为。[7]毕重增等通过对233名大学生进行相关分析发现，拖延和时间管理倾向之间存在显著的负相关，是时间管理不良的一种后果。[8]

但国内关于学习拖延的研究大多基于自陈量表所形成的数据，难以体现具体情境下的学习拖延的真实状况。[9]杨雪等从学习分析的角度，基于线上过程性数据提出具体的学习拖延干预措施的研究并不多。[10]学习时间管理是学习者的一项重要学习策略和学习能力[11]，学习时间分配不仅影响个体对学习任务的理解，还表征心理资源的管理和控制水平，能够体现学习者行为决策和努力管理的内在关联。[12]因此，学习者时间管理能力的高低和是否进行了有计划的学习时间安排，对其线上异步学习的成效有重要影响。[13]

综上所述，学习时间管理及学习拖延与学习成效之间存在着内部关联。后疫情时代，在传统线下教学基础上融入线上教学的“双线混融教学”将成为新的发展趋势。[14]因此，即便是常规的校内教学，教师也仍然需要掌握学生线上学习行为特征、时间分配特点，以便开展更为有效的教学活动。本研究将通过多元回归分析构建学习成效预测模型，通过成绩横向组间方差分析、时间纵向组内方差分析以及学习时间点的可视化，深入展示异步SPOC教学中学习者的学习时间特征，从而为教师进行相关教学设计和教学干预提供决策支持。

三、研究样本与方法

本研究选取酒店管理与数字化运营专业选修课《咖啡》中150名选课学生的学习行为数据作为研究基础。该课程借助雨课堂平台在校内开展为期8周的线上异步自学，教师每周根据课表时间定时推送一体化雨课件和章节测试，要求学生在7天之内完成课件学习、提交测试。而课表授课时间设置为微信群答疑时间，教师实时在线回复学生学习中遇到的各种问题，并就前一周学习情况进行数据反馈，督促学生线上学习。

1.指标选取

观看总页数：学习者雨课件观看总页数。雨课件是课程内容的主要载体，不仅有文本、图片，还在每页课件中嵌入讲解语音、微课二维码、拓展视频和习题。教师在教学周期内共发布课件341页，课件观看页数代表了学习者课程知识学习的完成情况。

课件时长（分钟）：学习者观看课件所用的总时长，代表了学习者课程学习的时间投入情况。大量研究证实，学习时间对学业成绩有显著影响[15][16]，是研究学习者学习投入的一项重要指标。

课件完成时间：学习者完成课件学习的时间点，代表了学习者课程学习时间安排情况。通过分析学习者课程学习完成的时间节点，可以了解学习者学习任务提交是否及时，以及一天中的学习时段选择偏好，为教师进行线上即时互动、资源推送等活动的实施提供重要参考。

测试用时（分钟）：每周测试时间均设定为15分钟，共10道選择题。学习者实际用时过短可能意味着对待测试不够认真，敷衍了事;用时过长，可能意味着知识掌握不到位。

测试完成时间：学习者提交测试的时间点，代表学习者线上测试的时间安排情况。与“课件完成时间”类似，教师通过这一指标可以了解学习者测试的行为规律。

公告阅读比例：每位学习者阅读课程公告的比例，即阅读公告数/全部公告数，代表学习者对课程的关注程度。课程公告主要用于发布课程动态及各类教学活动的学习说明，从其数值的高低可以折射出学习者对课程的关注程度，体现学习态度。

总分：课件得分与测试得分之和，满分241分，代表学习者线上学习成效。“课件得分”来自雨课件中穿插的习题总分，主要用于督促学生进行深度学习，避免异步学习中易出现的“挂机”刷时长行为;“测试”得分即8次章节测试总分。

此外，线上异步学习为学习者自主安排学习时间提供了较大的灵活性，但也容易造成时间随意分配，而学业拖延行为更是妨碍学习的主要因素，对学生的学业成绩甚至是身心健康均产生消极影响。[10]因此，为探究学习者在一天中的学习时段倾向和学习任务完成的及时程度，本研究在原数据指标的基础上，进一步转换为学习时段、课件拖延和测试拖延三项指标，具体解释如下：

学习时段：将课件学习完成时间中的日期剔除，只保留一天中具体的时间点。

课件拖延（天）：课件完成时间-课件发布时间。例如，教师周一13时发布课件，同时设定课件学习截至时间为周日23时55分，学习者课件学习拖延在0～6.45天之间。数值越小，说明学习拖延度越低。

测试拖延（天）：测试完成时间-测试发布时间。

2.数据处理

为便于数据分析，将课件学习中“未学习”者的课件时长设置为0，“未完成学习”者的课件时长为实际时长，二者的课件完成时间均设置为当周课件学习截止时间。在周测试中，完成测试但未提交试卷者的测试时长设置为15分钟，未打开试卷者的测试时长设置为0，二者的交卷时间均设置为测试截止时间。

3.研究方法

本研究基于SPSS Modeler 18.0软件，使用多元回归的定量研究方法。采用基于成绩的横向比较与基于时间的纵向比较相结合的方式，其中，横向研究主要采用多元回归分析和组间方差分析探究学习时间分配行为与课程总分之间的关联;纵向研究主要通过对比各周次学习行为的变化，探究学习者在课程周期内的学习动态变化情况，最后利用散点图形象地展示学习者个体的学习时间安排情况。横向纵向结合、整体个体结合，更便于深入探究学习者在非控制状态下的真实学习特征，并为教师异步SPOC教学的课程设计和适当的学习干预提供依据。

四、研究结果分析

1.多元回归分析

整体上如表1所示，150名学习者的平均课件观看总页数为311.6页（M=311.57，SD=68.85），课件学习完成率为91.37%。人均课件时长超过500分钟（M=502.61，SD=245.11），平均课件拖延接近3天（M=2.99，SD=1.90），公告阅读比例不足70%（M=0.68，SD=0.21），平均测试用时不到6分钟（M=5.94，SD=3.38），测试拖延超过3天（M=3.06，SD=1.77），平均得分187.38，得分率为77.75%。

相关分析结果表明（见表2），所有行为指标与总分之间的相关系数（0.31<∣r∣<0.866）均达到了统计学上0.1%的显著水平。具体而言，“平均课件拖延”与“平均测试拖延”之间相关系数达到0.914，二者呈现紧密正相关，表明学习者如果课件学习出现拖延，其测试也会出现相应拖延。结合日常学习行为，学习者需要先完成课件学习，掌握相关知识后才能进行相应测试，这也说明二者存在一定的共线性。“平均课件拖延”与“平均测试拖延”两个指标与其他各指标之间呈现出中度负相关（-0.500

将总分（课件习题+章节测试）作为目标变量，将“观看总页数”“课件时长”“平均课件拖延”“公告阅读比例”“测试时长”“平均测试拖延”共6个指标作为预测变量，建立回归模型，探讨6个行为变量是否能够预测总分。为避免所建立回归模型存在多重共线性问题，采用步进法进行多元线性回归分析。在最终建模结果中，只有“观看总页数”和“课件时长”两个变量进入回归模型，重要性分别为0.73和0.27。

从表3可知，构建的两个多元回归模型均是显著的，选取解释力较好第二个模型（调整R2=0.766，可以解释学习成绩的76.6%变异），F（1，147）=11.654，p=0.001<0.01，该模型包含的两个变量“观看总页数”和“课件时长”均正向影响学习成绩（见表4）。基于β系数值，可以得出标准化回归方程模型为：学习成绩=0.769×观看总页数+0.167×课件时长。其他四个变量未进入回归模型，说明其与学习成绩虽然相关，但线性关系并不显著。

2.成绩分组横向比较

为进一步探究其他行为变量在不同学习成绩群体中的差异，了解不同组群的行为特征，按照得分率（總分/满分241分）划分为优秀（90%及以上，40人）、良好（80%及以上，小于90%，59人）、中等（60%及以上，小于80%，32人）、不及格（低于60%，19人）四组。

对学习者六项行为指标进行组间方差分析和F检验，结果如表5所示，六项行为指标在组间均具有显著差异，具体如下：

（1）优秀组

学习者观看总页数均值达到339.5，标准差6.76，整体课件学习完成率接近100%;课件时长（M=648，SD=181.981）达到10小时以上;平均课件拖延2.285天，平均测试拖延2.479天，能够较为及时完成学习任务;公告阅读比例达到74%，说明学习者较为关注课程相关动态;测试时长7.3分钟，为四组中用时最长，在一定程度上说明学习者对待测试最为谨慎认真。

（2）良好组

学习者平均观看总页数（M=336.559）仅低于优秀组3页，但组内离散程度较大（SD=15.55）;课件时长（M=560.78）低于优秀组87分钟;平均课件拖延（M=2.649天）多于优秀组0.364天，测试拖延（M=2.949）也多于优秀组0.47天;公告阅读比例（M=0.707）略低于优秀组，且离散程度略高（SD=0.206）;测试平均时长6.751分钟，略低于优秀组，但离散程度（SD=3.252）较大。

（3）中等组

此组学习者在观看总页数、课件时长、测试时长三项行为指标上均值均低于良好组，平均课件拖延、平均测试拖延两项指标均值高于良好组，说明学习拖延程度较良好组进一步加重。

（4）不及格组

此组各项指标的均值与中等组的差异均十分明显，平均课件观看页数近158页，仅占全部课件的46%;课件时长均值157分钟，但标准差达到204分钟，组内差异巨大;平均课件拖延达到5天以上;公告阅读比例不足50%（M=0.447，SD=0.167）;平均测试时长不足2分钟（M=1.854，SD=1.062），对待测试不够认真，敷衍现象严重。

值得关注的是，中等组和不及格组的平均测试拖延（3.149，4.468）均小于平均课件拖延（3.284，5.006），这意味着有部分学习者在完成课件学习之前就提交了测试，或者先完成測试后再进行课件学习，“先测试后学习”的情况在这两组中较为明显，尤其是不及格组，这与“先学习后测试”学习行为期望不符，值得进一步研究。

3.各周次纵向比较

为更精准地刻画出学习者在课程不同时期内行为动态变化情况，本研究按周次进行学习行为的纵向比较分析。由于每周发布的课件页数、内容难度、穿插的习题数量均存在差异，为更为合理地比较各周学习投入程度，将各变量做如下变换：

将每周“课件时长”这一变量更改为“课件时长比例”，即课件实际学习时长/（课件语音时长+视频时长）。如果课件时长比例>1，说明可能存在反复听语音讲解、观看视频，或是长时间对照课件页面记笔记等深度学习行为;如果课件时长比例<1，则说明学生未完整听完所有语音讲解或观看视频，学习时间投入不足。

将“观看总页数”这一变量更改为“课件完成率”，即周观看总页数/周课件总页数;因每周习题、测试的满分有差异，为便于比较，将“总分”变量改为“得分率”，即（周习题得分+周测试得分）/（周习题满分+周测试满分）。

由表6可知，随着课程学习的推进，“课件完成率”“测试时长”两项指标在各周中无明显差异;“课件拖延”“课件时长比例”“得分率”“测试拖延”四项指标则差异显著，因此重点比较这四项指标在各周之间的变化。

根据四项指标的均值折线图可以看出（见图1），第一周和第二周为课程初期。其中，第一周是师生初步磨合阶段，教学内容主要为课程整体安排介绍和上学期相关知识的温故知新，学习者在课程初期有很高的学习热情和好奇心（课程拖延M=2.119，SD=2.368），能够及时完成学习任务，但还未掌握课程线上学习的方式、方法，对课程平台操作比较陌生，故而课件时长比例较低（M=0.861，SD=0.661），学习得分率为0.744。课件拖延高于测试拖延0.226天，说明很多学习者在课件学习还未完成时就已经提交了测试，或者先测试后进行课件学习。第二周开始课程正式教学，学习者将全新的线上学习方式付诸实践，学习积极性最高，因而在本周的课件学习时长比例达到1.339，得分率0.831，均为八周中最高值，同时课件拖延达到最低（M=2.036，SD=2.456），学习者整体学习表现最佳。同时“先测试后学习”的状况有所好转，课件拖延与测试拖延间的差值由0.226天降低为0.077天。

从第三周到第五周，属于课程教学中期。在适应了线上异步学习方式之后，课件时长比例虽然也有波动，但逐步接近于1，即实际课件学习时长接近于应有时长。这主要是因为教师每次都会在课程公告和微信群中注明本周课件所包含的语音时长、视频时长，提醒学生注意合理的学习时长。在反复多次之后，学习者逐渐适应了课程学习方式，掌握了行为要点，所以实际课件时长逐步回归到理论时长，同时课件拖延均低于测试拖延，说明此时学习者已经能够较好地“先学习后测试”，整体接近于教学的理想预期。但课件拖延、测试拖延从之前的2天增长到3天以上，标准差也略有增加，离散程度开始加重，说明有部分学习者随着线上学习时间的加长，学习开始逐渐放松，学习拖延逐渐加重，尤其是在线上异步居家学习的情况下，易受外界因素干扰，自我约束力不足。在此期间，每周得分率由第二周的0.831下降到0.707～0.735之间，标准差（0.284、0.294、0.256）也较课程初期有所增加，成绩离散程度开始加重。

第六周到第八周是课程教学后期。在此阶段，课件拖延较学习中期又增加了0.5天左右（M=3.574、3.282、3.51）进一步加重;课件时长比例呈现平稳状态（第六、七、八周之间均值差异不显著），依然维持在1左右，无明显变化;学习得分率在后期的三周内从0.768下降到0.702，呈现递减状态，同时这三周的标准差（0.287、0.309、0.288）较中期整体又有所上升，而在课程初期，得分率的标准差仅有0.209，说明学习者的学习成效随着线上学习时间的增长，差距逐步增大。

4.学习时间分析

（1）学习时段

由图2可知，学习时段主要集中在12∶00—22∶00之间，其中13∶00—18∶00这一时段最为密集。这虽然与课件发布的时间段有一定关系（13时左右），但在异步SPOC学习的非控制状态下，学习者可以在近一周的时间内任意选择学习时段。在此前提下，仍然仅有少数学习者会在上午时段进行课程学习，这对教师安排课程线上答疑等实时互动提供了重要的时间参考。此外，还有个别学习者在凌晨0∶00—2∶00间完成学习任务，值得关注。

（2）课件拖延

按照总分由高到低排序，为学习者编制序号。根据前文成绩分组方式，1—40号为优秀组，41—99号为良好组，100—131为中等组，132—150为不及格组，之后绘制所有学习者的课件拖延散点图（见图3、图4）。

从中可知，少部分学习者（如18号、34号、50号、79号等）课件拖延天数仅为0.2天左右，说明其每次都能够在课件发布的第一时间开始并完成课程学习，而总分均为良好以上;还有部分学习者（如85号、104号、111号、118号、119号、139号、140号、141号、142号）的所有课件学习均是在课件发布两天之后才完成，课件拖延天数达到6天左右，几乎在截至的最后一刻才完成课件学习;多数学习者无固定学习时间，课件拖延呈分散状分布，说明学习者有时在课件发布当天及完成学习，有时则在最后课件截止时间之前才勉强完成。简言之，就是“什么时候有空什么时候学”“什么时候想起来就什么时候学”，在学习时间安排上缺少自我约束。

此外，图4显示不及格组在课件拖延程度上尤其严重，很多学习者的多次课件学习拖延到了最后截至时间。事实上，由于在数据处理时，将“未完成学习”和“未学习”的学习者的课件完成时间设定为课件截止时间，其课件拖延自然为最大值。这就意味着在课件拖延严重的学生中，还有很多学生出现了多次“未完成课件学习”或“未打开课件”的情况，实际情况更加不容乐观。

（3）“课件—测试”时间差

为进一步探究前文发现的“先测试后学习”的行为，此处将着重比较每周课件完成时间和测试提交时间，并将二者差值定义为“课件—测试”时间差，即每周课件完成时间—每周测试提交时间。若差值<0，说明课件提交时间早于测试完成时间，即学习者先进行课件学习，后完成测试，符合课程教学预期;若差值>0，说明課件提交时间晚于测试完成时间，学习者先完成测试，后进行课件学习，或在课件学习还未完成时便提交了测试，不符合课程教学预期。

从根据结果绘制出的散点图（图5）可见：首先，多数情况下差值都为0，即学习者在完成课件学习的同时能够立刻完成相应测试，符合课程教学期望。其次，部分学习者差值为负，甚至达到-6，说明这些学习者在完成课件学习之后未立即进行测试，而是拖延了几天。这也可能是因为学习者对仅有的一次测试机会比较珍惜，倾向于在自身准备充分，尤其是网络状态较好的条件下完成测试。最后，个别学习者差值为正，虽然人次不多，但值得关注。

仔细查看这部分学生的学习数据发现，共有50名学生出现84次拖延时间差大于0的情况，即三分之一的学习者都出现过此类状况。其中，37名学习者仅出现1次，且多集中在第一周，原因在于课程之初对课程学习方式不明确或后期偶尔出现操作失误导致;出现3次及以上的学习者有9名，属于较为明显的绩效偏爱者。这9名学习者共出现39次差值>0的情况，但其中有17次差值仅在0.00～0.01天之间，即课件学习完成时间仅晚于测试提交不足15分钟，这意味着学生很可能是边测试，边学习课件。就其成绩而言，1人优秀，5人良好，2人中等，1人不及格，整体成绩尚可。个别学生出现两次以上时间差值>1，这些学生虽然在测试之前未进行或未完成课件学习，但根据原有的知识积累和运气也能够获得一定的分数，最终课程总分属于良好或中等。

五、研究结论与建议

1.结论

本研究以一门依托雨课堂开展的异步SPOC教学课程的学习行为数据为分析对象，通过回归分析、方差分析、散点图等方法进行探究分析，得出以下结论：

（1）观看总页数、课件时长与总分线性相关，其构建的成绩多元回归模型可以解释学习成绩76.6%的变异。

（2）平均课件拖延、公告阅读比例、测试时长、平均测试拖延四项指标虽然未进入成绩多元回归模型，相关分析表明公告阅读比例、测试时长均与成绩中度正相关，而课件拖延、测试拖延与成绩及其他各个变量负相关。

（3）不同成绩组群之间各个行为指标差异显著，优秀组对课程关注度最高，学习时间投入最多，能够较为及时、认真地完成学习任务;良好组、中等组在各方面的表现均有所下降，学习时间投入依次降低，学习拖延逐渐加重;不及格组对课程关注不足，课程完成率最低，学习时间投入严重不足，学习拖延最为严重。

（4）课件拖延、课件时长比例、得分率、测试拖延四项指标随着课程教学时间的推进，在各周次之间差异显著。尤其是课程前期，“先测试后学习”现象突出，课程中后期学习拖延现象逐步加重，课件时长逐步回归到应有时长，但学习者的学习成绩差距开始增大。

（5）学习者的线上学习时段主要集中在下午和晚上，绝大多数学习者呈现无规律学习，在学习时间安排上缺少自我约束，时间管理能力欠缺;关注偶尔出现的“先测试后学习”现象，以帮助学习者建立合理的学习行为习惯。

2.建议

在异步SPOC教学中，很多学习者的注意力难以集中，出现无意识学习拖延，导致学习时间、精力投入不足的情况。因此，若要取得较好的学习成效，学习者需要在以下三方面做出改进：

（1）增强自我约束，加强时间管理。良好的时间管理能力、有规律的学习安排，是学生学习态度、学习能力的体现，能够帮助学习者取得更好的学习成效。

（2）及时完成学习任务，避免拖延遗忘。虽然课程设置了较为宽松的学习时间，但学习者应尽量提早完成学习任务，避免因长期拖延导致的学习遗忘，影响最终成绩。

（3）增加学习时间投入，提升学习成效。本研究表明课件完成情况、课件学习时长与总成绩关系最为密切，而课件是课程知识的全部载体，因此必须增加在课件学习方面的时间投入，并避免“先测试后学习”的投机行为，在认真完成所有课件学习之后再进行测试。

对教师而言，则需要做到：

（1）定期查看学生学习行为数据，设置任务临期提醒，督促学生按时提交学习任务，强化学习干预，帮助学生建立良好的学习习惯。

（2）在课程之初，明确课程学习方式、考核要求，加强学习指导，降低学生对新课程的陌生感和不适度，从而避免本研究中第一周因操作不当而大量出现的 “先测试后学习”的行为。

（3）优化教学设计，重点关注课程中后期的教学激励。学习者在经历了课程之初的新鲜感之后，在课程中后期容易出现懈怠，因此教师需要加强中后期的教学激励，优化教学设计，激发学习者的学习热情。

（4）合理设置任务期限。开课之初，为避免平台网络拥堵，课程设置任务提交期限为7天。但过长的任务期限会使得学生过度放松，感受不到课程压力，经常出现拖延遗忘的情况，不利于课程教学。教师在进行第二轮课程教学时，尝试将任务期限由7天缩短为3天，发现学生在1天之内完成学习任务的比例明显增加，而正确率并未降低。因此，可适当缩短任务期限，加强学生学习紧迫感，提升学习效率。

参考文献：

[1]钟启泉.“学习场”的生成与教师角色[J].上海教育科研，2004（9）：4-8.

[2]Ed Tech Developer's Guide：A primer for software developers，startup，and entrepreneurs[DB/OL].https：//tech.ed.gov/files/2015/04/Developer-Toolkit.pdf .

[3]白益民.学习时间与学习结果关系模型研究述评[J].外国教育研究，1999（6）：1-7.

[4]张志杰.时间管理倾向与自尊、自我效能、学习满意度：中介作用分析[J].心理科学，2005（3）：566-568.

[5]陈昌盛，周屏.大学生自主学习、时间管理和一般自我效能感的关系研究[J].徐州师范大学学报（哲学社会科学版），2009，35（3）：131-136.

[6]蒋卓轩，张岩，李晓明.基于MOOC数据的学习行为分析与预测[J].计算机研究与发展，2015，52（3）：614-628.

[7]庞维国，韩贵宁.我国大学生学习拖延的现状与成因研究[J].清华大学教育研究，2009，30（6）：59-65+94.

[8]毕重增，彭香萍.拖延：时间管理倾向量表的区分效度[J].西南师范大学学报（人文社会科学版），2005（6）：10-13.

[9]钱兵.学习拖延研究的文献计量学分析[J].江苏高教，2016（4）：61-63.

[10]杨雪，姜强，赵蔚，等.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.

[11]王永輝.支持远程学习者时间管理的策略——以网络课程“学生支持服务”为例[J].中国远程教育，2012（5）：51-57+96.

[12]陈长胜，孟祥增，刘俊晓，等.学习分析视域下慕课学习者学习时间分配[J].现代远程教育研究，2020，32（3）：81-93.

[13]Rachel Baker， Brent Evans， Thomas Dee. A Randomized Experiment Testing the Efficacy of a Scheduling Nudge in a Massive Open Online Course （MOOC）[J]. AERA Open，2016（4）：93-108.

[14]李政涛.基础教育的后疫情时代，是“双线混融教学”的新时代[J].中国教育学刊，2020（5）：5.

[15]Barbara Grave. The effect of student time allocation on academic achievement[J].Education Economics， 2011，19（3）：291-310.

[16]Stinebrickner Ralph， Stinebrickner Todd R. The causal effect of studying on academic performance[J].The B.E.journal of Economic Analysis & Policy，2008，8（1）：1-55.

（编辑：李晓萍）