大学生“早起”和“借阅”行为与
学习绩效的关系研究
作者：杜 爽 飞云倩 何 牧 胡 航
摘 要
随着大数据分析技术的不断发展，教育学者不断采用学习分析技术挖掘教育大数据中学习行为特征和规律，但较少通过行为日志数据来探寻多种学习行为与学习绩效之间的关系。研究采集了833名 大学生的图书借阅和一卡通消费日志数据，构建学习绩效、借阅行为、早起行为特征指标，通过聚类和关联分析探究了两种学习行为对大学生学习绩效的影响和关系，结合元认知问卷建立群体学习行为与整体学习绩效和元认知之间的关联。研究结果显示：①两种行为均与学习绩效建立了相关关系，元认知发挥了中介作用；②早起行为主要反映出大学生元认知体验与计划水平，早起时间比早起规律更能反映与学习绩效的相关程度；③借阅行为主要反映大学生元认知思维活动监控和反思上的差异，阅读速度对学习绩效有显著影响，借阅量与阅读深度促进专业知识技能的掌握。根据研究结果建议：①打造深度学习环境，激发大学生自我学习能动性；②优化知识传播方式，满足大学生个性化阅读需求；③改变图书馆角色定位，为学科专业发展提供高质量服务。
【关键词】 大学生；早起行为；借阅行为；学习绩效；聚类分析；关联分析；元认知
一、问题提出
（一） 教育大数据在教育研究中的应用
我国教育大数据的研究与实践已经开始兴起，一 方面对掌握教育发展现状、制定科学教育政策、配置合理的教育资源等具有重要的现实意义；另一方面反映学习者个体及群体的学习现状与规律，为教育管理机构把握教育现状、及时科学地调整教育政策和科学决策提供现实依据 （胡航, 等, 2019）。学习分析作为教育大数据重要的分析技术，通过对学习者日志大数据进行解释和分析，用已知模型和方法评估学生的学习进程，并对未来的学习绩效进行预测并发现潜在的问题 （Johnson, et al., 2012）。学习行为分析是教育大数据分析中重要的应用场景，结合大数据技术与学习分析技术研究智能数字化教育服务支撑平台可以解 决 当 今 教 育 信 息 化 面 临 的 多 种 问 题 （冯 翔 , 等 , 2013）。我国一些高校通过学校业务系统中产生大量的业务数据和学习资源，形成学习、科研、借阅、消 费、活动等行为产生的动态数据源，实现智慧学习环境中“教、学、管”等相关数据分析，建立学习者行为模型 （林秀瑜, 等, 2019），为学习者、教师和教育管理者提供实时、可用的信息，并利用这些信息来提高学习者的学习成就 （李艳燕, 等, 2012）。近年来， 一些学者开始采用机器学习和人工智能等技术从已有的学习资源中发现学习过程中存在的规律和问题，以期通过学习分析技术进行解释和揭示各要素之间的关系和影响，从而解决教学活动中面临的问题，探究教育大数据中的实用价值 （胡钦太, 等, 2016）。如利用关联规则挖掘行为规律 （李宏运, 2009），通过聚类分析研究行为倾向 （吴志强, 2011），通过学习分析技术促进学习者元认知发展 （毛刚, 2018）。这些研究为教育大数据提供了基础的技术应用，增进了教育工作者对教学规律和学习特征的认识，但大数据技术在教育领域的应用还不够全面，一是以往用于学习行为与学习效果的研究数据来源较为单一，多以调查问卷、在线学习记录、校园网业务日志中某一数据源进行分析，而多类型数据综合分析的研究较少；二是传统统计研究方法或监督学习进行分析的较多，而基于教育大数据的机器学习技术，特别是对多类型数据采用非监督学习进行探究的较少；三是研究学习行为与学生思维发展之间的关系研究较少，学习行为特征背后所蕴含教育学、心理学意义的解释还不够全面。
（二） 选择早起行为与借阅行为的缘由
在学习行为研究的选择上，一些学者按照学习模式选择课堂学习行为和课外学习行为 （张艳, 2019）， 一些学者按照教与学行为的研究方法选择课堂教学行为分析阶段和广义学习行为 （黄荣怀, 等, 2020）。本文选择早起与借阅行为的缘由，一是基于行为属性的研究价值，早起行为是大学生为了完成学习任务在规定时间之前的自发性行为，是一种基础性的自律行为；借阅行为是大学生为了某种学习目的而获取学习资源的自主性行为，是一种基础性的自学行为。这两种行为在诸多学习行为中具有典型性和代表性，能体现大学生主动、力图解决问题的学习行为特征，通过对行为发生次数、频率和时间等行为属性的分析，能较好地反映大学生自我效能意识、自我认知调节等思维发展过程。二是从元认知分析的角度，元认知活动的调节主要通过监控和控制两种基本方式来实现，大学生通过认知活动将元认知技能运用到真实场景中， 早起与图书借阅运用元认知技能是有意识的行为，当大学生自身的元认知计划、监控、调节和反思得到充分体验后，将形成一种不为意识所察觉的元认知知识。三是基于数据分析方法，数字化校园一卡通系统能很好地存储学生的消费记录和图书馆借阅记录，是一种良好的结构化数据，易于后期根据数据属性将其 转换成可测量和计算的行为指标，以支持挖掘工具的数据处理和分析系统的智能计算。本文选择校园网业务日志数据、调查问卷、成绩 数据，采用非监督学习分析方法，探究早起与借阅两种学习行为与学习绩效之间的关系，以期为现有学习行为研究范式的建立和发展提供借鉴，主要研究以下三个问题：
1. 大学生借阅和早起行为与学习绩效分别有怎样的关系
2. 不同借阅和早起行为类型与学习绩效之间有怎样的关联？
3. 不同借阅和早起行为类型与元认知水平有怎样的关系？
二、研究基础
（一） 学习行为与学习绩效的关系
随着教育大数据分析技术的发展，不少学者通过学习分析技术建立不同类型的学习行为分析模型探究与学习绩效的关系，如采用数据挖掘技术对网络学习者的学习行为与成绩进行预测 （赵慧琼, 等, 2017），运用因子分析、回归分析等学习分析技术构建学生在线学习行为与学习绩效相关模型 （李小娟, 等, 2017），利用多元回归分析法判定在线学习行为影响学生学习绩效的预警因素 （王改花, 等, 2019）。这些研究从不同分析对象和分析方法建立了学习行为与学习效果之间的联系。相较于传统学习行为分析主要的不同体现在：一是依托在线学习平台作为研究对象的较多，对线下课程、校园活动场景的行为研究较少；二是分析的数据量从传统的小规模样本转变成多类型海量数据，其中蕴含更多的行为特征信息，在线学习平台能采集结构良好的存储数据，有利于后期进行处理和分析；三是分析手段多样，分析精度越来越高，不仅结合统计学研究方法，更多的是结合大数据分析、人工智能技术，从学习行为本身的属性、特征等维度建立与学习绩效的关系模型和预测模型；四是行为与学习绩效关系的解释，从数据的统计描述、可视化等方式，逐步深入到行为模式背后形成机制和形成动机的诠释。
（二） 早起和借阅行为与学习绩效的关系
本文所指的早起行为以大学生在校期间早上8点第一节课作为时间基点，主要分析大学生在早上6点 至 9 点之间进行一卡通消费的次数、频率和平均时间。目前关于早起行为如何影响学习绩效的研究较少，多从大学生睡眠质量、作息时间等维度进行调查研究，发现生活规律对大学生学业成绩的影响。önder等 （2014） 发现睡眠质量、早起时间与学习成绩存在密切关系，大学生的学业成绩对早起行为和睡眠质量有影响作用；宋玉婷等 （2017） 研究了大学生睡眠质量和学业成绩之间的关系，发现学业成绩越差的学生，其自控力越弱，睡眠质量越差，从中可以发现睡眠与学习绩效存在相关性。
借阅行为主要分析大学生在图书馆中借阅图书的数量、种类和时间。目前，借阅行为主要分析挖掘读者的阅读规律和阅读习惯等行为特征，为高校图书馆提供个性化和多样化服务 （Xiong, 2014）。随着信息化技术的不断发展，国内外高校图书馆都非常重视管理创新和服务意识的提高，特别是图书馆多元化融合对教学质量的影响 （Cruz, 2019），大学生图书馆利用程度和相应的学习绩效产出是衡量图书馆存在价值的重要标准 （Whitmire, 2002）。因此，近年来挖掘借阅行为与学习绩效的关系得到更多学者的关注。杨新涯等 （2013） 依托借阅数据对国贸、工管、机械、通信四个专业本科生的借阅数量、借阅文献类别数据展开统计分析，得出理工类专业学生借阅数量高于文科类且专业文献借阅较多的结论。潘颖等 （2019） 将专业分为理、工、文、管四个学科，开展本科生课 程成绩与借阅行为学科差异性的实证研究。
（三） 学习行为与元认知的关系
元认知是对认知的认知，是个体对自己认知状态与过程的意识和调节 （弗拉维尔, 等, 2002）。学习行 为与元认知相互影响，一些研究证明了元认知对学习 行为的影响。Hill等 （1997） 发现元认知知识、自我效能感和先前知识水平等因素对学习行为的影响，认为这些因素有助于学习者自我监控和增强定位感的提 升。后期一些学者在研究网络学习行为模式中也发现 元认知和自我效能感方面的投入会显著影响学习行为 （马志强, 等, 2017）。
还有一些研究从不同学习理论探究学习行为对元 认知的影响。查尔斯·库利 （Charles Cooley） 从社会学的角度探究认知与行为的关系，指出行为是对自我认识的一种反应，是在参与社会活动中产生的自我 评价过程。舒茨 （Alfred Schütz）从行为的群体化属 性中指出，学习行为不仅是学生的个体行为，群体在 学习活动中的相互比较、相互学习和影响，对个体的学习动机和能动性等认知发展起到了积极促进作用。姜强等 （2019） 利用学生行为和交互日志数据，采用开放学习者模型进行学习过程可视化，进而评价了学习者元认知水平，证明了学习行为对元认知技能的影响作用。鉴于以上讨论，本文对早起和借阅两种学习行为特征进行聚类分析和关联分析，对数据之间的逻辑联系和数据属性之间的深层关系进行剖析，建立群体学习行为与整体学习绩效和元认知之间的关联，探究两种学习行为与学习绩效的关系。
三、研究设计
（一） 研究对象与数据来源
研究以C市S高校2018级大学生作为研究对象， 采集数据的时间从 2018年 9月到 2019年 8月。图书 借阅数据来源于图书馆的业务日志，早起数据来源于学生在学校一卡通的消费日志，学习绩效数据来源于学校教务系统中课程信息和课程成绩数据。元认知测试问卷在2019年6月期末考试后向学生发放。在这些数据中，由于日志数据记录了所有学生的活动记录，需要对这些数据进行排查和清洗，发现问题数据并处理，如有部分学生在一天中多次借还或借阅时间已超过一学年，都将其处理为一次借阅行为。经过删除重复和无效数据，最终筛选汇总出833名大学生总计102,297条日志数据，同时对这833名大学生定向发放元认知调查问卷，共收集有效问卷 833 份，作为本次研究样本。
（二） 分析方法
在学习行为研究方法上，一是采用行为聚类方法分别研究早起和借阅行为特征与学习绩效之间的关系，目的是比较不同学习行为与学习绩效之间的差异；二是采用关联分析法探究这两种行为特征和学习绩效的关系，探究不同学习行为类型对学习绩效产生的共同作用；三是采用问卷调查法从元认知体验与计划、思维监控和思维反思三个维度进一步解释两种行为与大学生认知发展的影响，最终揭示外显行学习行为对学习绩效和内在思维的影响关系。
1. 聚类分析
聚类分析 （Clustering Analysis） 是一种无监督 学习方法，通过计算工具对考察对象按照某种特定 属性进行划分、探查数据结构，使同一个类的对象具有相似的属性特征，不同类的对象相异 （Soman, Diwakar, & Ajay, 2009）。其中，K 均值聚类算法 （K-means），因在时间复杂度和空间复杂度低，并析中被广泛采用。该算法在使用前需要设定簇数 K 值，初始聚类中心对后期聚类效果会产生重要影响 （乔璐, 等, 2020）。本文采用 SPSS 中 modeler 工具， 设定K值为3，将早起和借阅两种行为分别聚为3类， 结合学习绩效 F1 和 F2进行克鲁斯卡尔-沃利斯检测， 比较早起和借阅行为对学习绩效的影响。
2. 关联分析
关联分析 （Association Analysis） 也是一种无监 督学习方法，是一种通过寻找数据之间关联规则的过 程，关联规则是描述数据库中数据项 （属性、变量） 之间隐藏的 （潜在的） 相互关系 （储文静, 等, 2010）。本文采用怀卡托智能WeKa分析软件，将csv数据转换 为专属arff文件。arff文件格式中以每一名学生的早起、 借阅行为、学习绩效属性形成一行数据样本，在WeKa 环境中称为一个实例 （Instance），将行为特征和学习 绩效数据导入形成数据集 （Data information）。
Weka 分析环境是一个公开的数据挖掘工作平台，集合了大量能承担数据挖掘任务的机器学习算法。其中，Aprori是挖掘关联规则的经典算法，通过不断搜索频繁项集合来生成关联规则的频繁子集。关 联 挖 掘 中 支 持 度 （Support） 和 可 信 度 （Confi⁃ dence） 是寻找关联规则最重要的参数。支持度在本文中是指在数据集中包含二项集X^Y和Z的事务数与总事务数的比值 （其中，X、Y为早起和借阅行为特征集， Z为学生平均学习绩效AVG （F1，F2） 的等级集合）， 即support （（X^Y） ==>Z） =P （（X^Y） ∪Z）；可信度是指数据集中同时包含二项集 X^Y和 Z的事务数与 只 包 含 X^Y 的 事 务 数 的 比 值 ， 即 confidence （（X^Y） ==>Z） =P （Z| （X^Y））。通过关联分析探究早起和借阅行为特征对学习绩效的共同影响。
（三） 研究工具
1.学习绩效指标的构建
美国教育传播与技术协会 （AECT） 在 《教育传 播与技术研究手册》中将学习绩效定义为学习、应用知识技能的能力。本文主要依据学生期末测试成绩， 从所学课程的重要性和实际学习效果两个方面，将学分与测试成绩进行加权平均来构建学习绩效。学业成绩数据主要来自学校教务系统中学生专业必修课程和公共必修课程的各科成绩和学分，由于学生所在的院系不同，课程数量和课程内容不一致，因此构建专业必修和公共必修课程的学习绩效指标，除引入学生的学业成绩外，还引入了学分来计算绩效的权重，通过学分归一化求解，计算出第 i门科课程在所有课程的学分中所占的权重值，具体如公式 （1） 所示：
公式 （1） 计算出第 i 门科课程归一化后的权重Gi，其中 gi 是第 i 门课程的学分。之后通过以下公式（2） 计算出课程的学习绩效值：
其中Fm 为第m 个学生的学习绩效，Ki 为第i 门课程的成绩，通过与权重Gi 进行加权求和，分别得到该学生专业必修课绩效（F m） 和公共必修课程绩效（F m）。
2. 行为特征指标的构建
（1） 早起行为特征指标
早起行为特征集采用X 表示，其特征数据包括早起次数 （VX）、平均早起时段 （TX）、早起规律 （HX）三个属性。早起次数 （VX） 为学生每天早上在6~9 点之间的一卡通消费计数，如当天多次消费按一次早起 计算。
平均早起时段 （TX） 的计算如公式 （3） 所示：
其中，早起时段 ti 为学生第 i 天的早起时间段取值，如当天在 6∶30 消费则取值为 6.5，7 点为 7.0， 若当天多次消费按最早一次消费时间计算。
早起规律是根据早起次数的分布计算的熵值。熵是对不确定性的一种度量，根据熵的特性，早起次数的熵值可以用来判断早起行为的随机性与无序程度， 可反映学生一个阶段内早起次数的离散程度，离散程度越大规律性越佳，早起规律 HX 的值分布在 0~1 之间。计算分为两个步骤：一是统计学生样本时间内n 个月期间每个月的早起次数，计算出第 m 个学生第 j 月早起次数在n 月中早起总次数的比重 fjm；二是根据熵值公式 （4） 计算早起规律值，从而反映出学生早起次数的规律性，如公式 （4） 所示：
（2） 借阅行为特征指标
借阅行为特征集采用Y 表示，其特征数据包括借阅量 （VY）、平均借书时长 （TY） 和阅读深度 （CY） 三个属性，分别反映学生借阅量度、速度和深度。借阅量 （VY） 是一学年中该大学生在图书馆借阅的所有书籍的数量总和；平均借书时长 （TY） 是每本书借阅天数的总和 （D ） 除以借书量的值：T =D / V ；阅读深度是指借书种类算术平均值绝对偏差的平均值，是对借书种类变化性的度量，反映学生借阅图书类型的集中程度，数值越大说明该学生借阅类型越趋于集中， 如公式 （5） 所示：
其中cmj 是第m 个学生在第j 类图书的借书量，-cmn 是 第m 个学生在n类借书种类图书的平均借书量，图书种类数n按照《中国图书馆分类法》22个基本大类进行分类，最终将CY值进行归一化，使其值分布在0~1之间。
3. 元认知量表
元认知测试量表根据奥尼尔 （O’Neil & Abedi, 1996） 状态元认知和斯珀林等 （Sperling, et al., 2002） 意识元认知量表，将量表内容分为元认知体验与计划、思维活动的监控和思维活动的反思三个部分，每部分9 道题目，共计27 题，采用李克特5 级量表方式进行统计，得分越高代表大学生元认知水平越高。通过调查问卷数据的分析揭示早起和借阅行为对学生元认知发展的影响和联系。
四、数据分析
1. 借阅和早起行为与学习绩效的总体分析
首先对借阅和早起特征数据进行K-S 检测，渐进显著性P 值均小于0.05，数据不服从正态分布。通过描述性统计 （如表1 所示） 结合P-P 图观察，从早 起行为特征看，早起次数呈左偏分布，平均早起时间 和早起规律呈右偏分布，学生在一学年中早起次数平 均达到107 天，早起规律较高，早起后的平均消费时间为7∶21AM （0.35*60=21）。从借阅行为特征看， 三个借阅特征平均值均大于中位数，整体数据呈左偏 分布，学生在一学年中平均阅读图书超过8 本，平均
每本书的借阅时间大于1 个月，阅读深度较低，说明学生阅读种类较为分散。
其次计算两种特征数据与学习绩效的相关性， （如表2所示）。结果显示，学习绩效F1和F2与两种行为特征均存在较强的相关关系，其中平均早起时间与 平均借书时长呈负相关，说明早起越早或借阅时间越短的学生学习绩效越好。从两种行为特征值的相关度比较，借阅行为相关系数值低于早起，特别是阅读深度CY与F1和F2之间相关系数分别只有0.175和0.111。表2借阅和早起行为特征与学习绩效相关性分析
2. 早起行为类型与学习绩效的聚类分析
通过 K-means 均值算法将学生按早起次数、早 起规律和平均早起时间三个行为特征聚成三类，聚类轮廓值为 0.612，聚类效果较好。聚类后的三个特征属性如图 1所示。从图 1中可以看到从聚类1到聚类 3早起次数和早起规律值逐渐增加，而平均早起时间在减少；聚类 2 和聚类 3 的早起规律高于聚类 1，且聚类 3 的早起时间低于聚类 1 和聚类 2。我们将早起次数、规律性高且早起时间最早的聚类3命名为“早 起型”，简称“X3”；将早起次数、规律接近总体均值且早起时间较晚的聚类 2 命名为“规律型”，简称 “X2”；将早起次数、规律最低且早起时间最晚的聚类1命名为“晚起型”，简称“X1”。
采用克鲁斯卡尔-沃利斯检测来分析三类早起行为学生的学习绩效差异 （如表 3 所示）。三种早起行为类型在专业必修课绩效 （F1） 和公共必修课绩效（F2） 上均呈现显著差异。早起型 （X3） 的早起次数是晚起型 （X1） 的 4.7 倍，一方面 X2 与 X3 相较于 X1， 早起次数越高、规律性越强则学习绩效表现越好，这部分大学生的自我规划意识和自律能力较强，坚持早起使大学生养成健康的生活习惯；另一方面，X3 相较于X2 的平均早起时间最早且成绩更好，反映出在早起次数和规律差异不大的情况下，早起时间越早学习绩效越好。
3. 借阅行为类型与学习绩效的聚类分析
采用K-means 均值算法进一步分析借阅行为特
征与学生学习绩效的关系，将学生按借书量、阅读深度和平均借阅时长三个行为特征聚类成三类 （如图2 所示）， 聚类的轮廓值为 0.631， 聚类效果良好。
从图 2 中可以发现三个聚类在借书量和阅读深度两个特征值上差异明显， 且两者存在正向线性关系， 聚类图中各特征值呈较为明显的层次递进趋势。我们将借书量与阅读深度最低、平均借阅时间最长的聚类 1 命名为“ 少借慢读型”， 简称“Y1”； 将平均借阅时间最少、借阅量最高且阅读深度最高的聚类 3 命名为“多借专注型”，简称“Y3”；将介于两类之间、各特征值接近均值的聚类 2 命名为“普通阅读型”，简称“Y2”。
同样采用克鲁斯卡尔-沃利斯检测来分析三类借阅行为学生的学习绩效差异 （如表 4 所示）。三类借阅行为在专业必修课绩效 （F1） 上呈现显著差异，而在公共必修课绩效 （F2） 上没有显著差异。这说明，一 方面课外阅读对学生在专业知识的学习具有积极作用，通过阅读专业相关的书籍可以进一步提升专业知识的理解程度，促进学生学习绩效的提高，而公共必修课程中，包括计算机基础、体育这类培养学生操作能力和实践能力的课程，课外借阅图书并不能产生促进作用；另一方面，Y3的借阅量分别是 Y2 的 2.76 倍，是 Y1 的 9.7 倍，阅读深度也分别是 Y2的 2.71 倍，是 Y1的 10 倍，说明 Y3类学生有很好的借书习惯，会经常到图书馆中借阅图书，不仅借阅的数量较多，而且借阅的种类比较集中。
4. 借阅和早起行为与学习绩效之间关联分析
为进一步探究借阅和早起行为对学习绩效的共同作用，采用 Weka 软件建立各行为特征类型与学习绩效之间的关联。分析之前需要对数据进行离散化 （Discretize），将数据集中的一系列数字属性转换为名义属性。在聚类分析中已将两种行为分别划分成三种类型，因此主要是将学习绩效按照规则进行等级划分，通过 WeKa 中自带的实例过滤器将平均绩效 AVG （F1，F2） 小于等于 75 划分为 Z1 类、 76~85为 Z2类、大于 85为 Z3类，同时数据类型也从连 续 型 （numeric type） 转 换 成 离 散 型 （nominal type）。
关联规则算法选择Aprori进行关联分析，在寻找 关联规则过程中重点对学习绩效类进行关联挖掘， 而无须寻找全局关联规则，因此将 car 值设置为 True，最小支持度为 0.1，以可信度 （conf） 为度 量类型进行排序，最终得到关联规则 （rule）。表 5 列举三类学习绩效等级所对应的可信度最高的前三条规则。
从表5的关联规则中发现学习绩效Z1类中早起类型均为晚起型 （X1 ），借阅类型主要是少借慢读型（Y1） 和普通借阅型 （Y2 ），说明学习绩效与学生早上晚起、借阅书籍较少存在一定关系，但可信度太低 （均小于 0.2），属于弱关联关系。学习绩效 Z2类与两种行为类型存在较强的关联关系 （可信度均大于 0.6）， 学习绩效受到两种学习行为的相互作用， 从可信度最高的 （0.83） 规则上看，多借专注型 （Y3） 借阅类型且晚起型 （X1） 早起类型的大学生能获得较好的学习绩效。学习绩效 Z3类中可信度均大于 0.4，从规则中同样发现两种行为存在互补性，第一和第二条规则中包括多借专注型 （Y3 ），反映出这类借阅行为特征的大学生有更多的可能性获得好的学习绩效。
5. 借阅和早起行为与元认知水平关系
对比不同借阅和早起行为类型的元认知水平， 可反映出行为特征对认知思维层面的影响，表 6是对学生不同借阅行为类型的元认知水平得分统计和 ANONA检测结果。
结果显示，不同早起行为类型的学生在元认知体验与计划中有显著差异，早起型 （X3） 的分数最高（40.5），而在思维活动的监控和反思中却没有差异。这说明不同早起行为虽然在行动计划和学习习惯上不 同，但在思维方式和学习能力方面上未呈现较为明显的差异；早起型 （X3） 和规律型 （X2） 学生在各项元 认知水平上都显著高于 （X1 ），反映出学生学习规划 和自控力等因素对个体自主学习的影响。
借阅行为的元认知水平在三个方面都存在显著性差异，特别是在思维活动的监控上差异更加明显 （p =0.015），说明阅读图书对学习行为的影响不仅反映在学习计划和执行上，更多地体现在学生认识思维上的发展。多借专注型 （Y3） 和普通借阅型 （Y2） 学生的元认知水平显著高于少借慢读型 （Y1 ），借阅行为更多的是在思维层面上体现出对学生认知能力的提升，这部分学生在阅读过程中激发了更多的思维活动，这种思维能力的不断加深，进一步促使学生对学科知识的反思，随着借阅量的不断提高，学生在思维活动的自我意识和自我反思上都有所提升。
五、结果讨论与建议
（一） 结论与讨论
1. 早起和借阅行为背后的认知规律和关系
本文采用聚类和关联两种非监督学习分析方法， 将学生个体划分成最具代表性的行为数据集合，具有清晰的行为特征边界。相较于将整体作为研究对象的方法，这种边界带来的好处在于将不同类型行为极具价值的特征强化和凸显，在本文研究样本中虽然两种行为与学习绩效整体上均存在较强的相关关系，但通过聚类和关联分析后发现不同行为特征的表现有显著差异。在早起行为中整体的早起规律较高 （平均值达到 0.849）， 但晚起型 （X1） 类学生的早起规律值（0.605） 却显著低于早起型 （X3） 与规律型 （X2） 的值 （0.905 和0.924），专业必修和公共必修绩效 （F1 和 F2） 均低于后两类，这一方面说明养成良好的早起习惯对学习绩效的影响， 另一方面说明早起型（X3） 与规律型 （X2） 在早起规律值相差不大的基础上， 平均早起时间却存在显著差异 （7.43， 7.15）， 且学习绩效 F2 有显著差异，学习绩效最好的大学生表现出更好的早起规律和更早的早起时间，在元认知体 验与计划水平上体现出与平均早起时间相似的现象：早起 型 （X3） 与 规 律 型 （X2） 相 差 较 大 （36.69，40.50）。从元认知活动的角度来看，早起行为是一种伴随认知活动而产生的元认知体验，这种体验体现在大学生对将要采取的认知行动的计划、实施和评价活动中，有规律早起的大学生具有较强的计划性，同时更早的平均早起时间体现在实际行动中能进一步强化行为主体的认知体验。因此，大学生早起行为各属性与学习绩效存在的相关关系，是行为对元认知，进而对学习绩效影响的间接关系。
在借阅行为的借阅量、平均借书时间和阅读深度三个属性中，虽然在大学生借阅行为各属性行为特征的相关系数偏低 （均小于 0.3），但通过聚类和关联分析后发现三种类型均呈现逐次递增的趋势，且每种类型的差距较大，学习绩效较好的大学生表现出更多的借阅数量、更集中的借阅类型和更短的借阅时间。外显行为差异的背后是认知活动和认知体验过程的体现，在元认知水平上不同借阅类型学生也体现出在元认知体验与计划、元认知思维的监控和反思上的差异。大学生在认知活动中，元认知体验通过对认知活动效果所做的自我反馈和自我反思逐渐积累起关于借阅行为的影响因素及其影响方式的元认知知识，增强大学生自主学习和认知技能，进而促使其获得较好的学习绩效。因此，借阅行为与学习绩效的相关关系同样是行为与认知、认知与学习绩效的间接影响关系。
2. 早起行为与学习绩效的相关程度
从不同早起类型的比较和分析中发现， 早起次数越多且早起时段越早， 学习绩效越高， 早起型 （X3） 的早起次数显著高于晚起型 （X1）。同时，从平均早起时间上对学习绩效分析， 早起 18 分钟（7∶27AM-7∶09AM），F1 与 F2 的平均绩效提高2.5分左右，这从侧面反映出早起时间与学习绩效的相关程度。虽然早起次数可能是因为 8 点上课的被动安排，但早起时间是由大学生自己把控的。早起型的大学生不仅有更多时间用于学习活动的开展，提升元认知体验效果，还能促进自我认知的重新定位与评估， 增强元认知监控能力，这从早起型 （X3） 元认知思维活动监控得分中也能得到验证。根据 Bandura（1997） 提出的自律学习理论，学习行为动机取决于其自身的自我效能意识，而行为动机的维持则依靠学习者本人主动设定学习目标、进行自我评价与自我反思。早起行为是大学生学习规划、自我管控和约束能力的综合体现，在后期对部分学生的访谈中我们发现一些早起型 （X3） 学生不仅有晨读和晨跑的习惯，还有较好的早睡习惯，平时学习也较为积极，上课会主动坐靠前的位置，这类学生表现出较强的自律能力， 可以很好地控制及管理自身的学习和生活时间，早起 行为只是学习习惯和生活规律的一种体现。
3. 图书阅读速度与学习绩效的相关程度
借阅图书是学生个体进行的自主学习投入，是大 学生真实思维与行为特征的折射，能体现学生个体中细微而复杂的思维过程。多借专注型 （Y3） 相较于少借慢读型 （Y1） 与普通阅读型 （Y2） 的专业必修课绩 效 （F1） 均有显著差异，而Y3与Y1和Y2主要的区别在 于平均借书时长 （TY ），即平均借阅时间越少的大学 生学习绩效越好。Y3相较于 Y1平均借阅时间少 6 天 （37.68~31.39 天）。专业必修课绩效 （F1） 提高 2.2 分左右，元认知思维活动的监控和反思水平上也相差 5~6分。平均借阅时间少可能存在多种原因，其中一 种合理的解释是借阅时间越少阅读速度越快，而阅读速度较快的学生反映出对阅读内容的快速理解，比阅读总时间呈现出更丰富的内涵 （闫国利, 等, 2011）。根 据认知负荷理论，人的认知结构由短时记忆 （工作记 忆） 和长时记忆组成，长时记忆中以往知识不能对当前的行为活动产生影响，只有当元认知活动中不断激活相关元认知知识，使长时记忆被激活回到短时记忆中时才能发挥作用。加快这一进程速度，快速积累知识、推导过程、思考问题，把思维能力与信息处理、 推理、质疑、创造和评价等广泛的结构化经验紧密联系在一起，能显著提高解决复杂问题的能力（Robson & Mose⁃ lay, 2005），进而提升专业课程学习效果。
4. 借阅行为与学科专业发展的关系
阅读过程不仅是一种主动、积极获取知识的技能，也是对学习效果和效率的自我反馈。进行大量阅读的学生，无论是多借专注型 （Y3） 还是普通借阅型 （Y2 ），在元认知水平中表现出积极主动的自我监控和自我反思特征。少借慢读型 （Y1） 相较于Y2和Y3的借阅量与阅读深度显著高于 Y1，特别是 Y3比 Y1多 9 倍。在关联分析中，多借专注型 （Y3） 能直接建立与最高学习绩效等级 Z3类的关联关系，这充分表明借阅量和阅读深度与学习绩效之间 （尤其是学科专业之间） 的相关关系，在较少类型中大量阅读图书能有效促进大学生进行反思性的思考，激发相应的元认知体验， 这与潘颖等 （2019） 的研究结论基本一致，成绩较好的学生短期及超期借阅主要文献类别均为专业相关类文献，同时长期需求度相对较高。这类学生不仅阅读量较多且阅读内容与学科知识高度相关，体现出对所学专业的知识深度，增强自我完善学科知识结构的意识与能力 （李佳茜, 等, 2018）。
（二）策略与建议
1.打造深度学习环境，激发大学生自我学习能动性
优良的学习场所能促进大学生深度学习和深度思考，增强自我效能和元认知体验 （胡航, 等, 2020）。一是打造晨读空间。早在 20 世纪日本为了增加全民读书量，由日本读书推进协会联合文部省成立晨读推进协会，在全国所有学校推广“晨读”活动，不仅增加了学生的阅读量，同时也减少了青少年游戏和网络的成瘾性 （林超凡, 2013）。高校建设晨读空间不仅能为大学生提供一个良好的深度学习氛围，而且晨读活动也引领大学生养成规律的早起习惯，逐渐提高大学生自我规划能力和自我约束能力。二是提供智能化学习体验场所，激发大学生学习兴趣。如基于 AR技术的增强型学习空间，将传统的学习场景融合新型智能技术，为大学生提供全新的个性化学习体验场景， 提高学习体验的融入感；3D、4D创客空间也能培养大学生合作分享、动手创造和跨界协作能力，提升大学生深度学习和创新能力。
2. 优化知识传播方式，满足大学生个性化阅读需求
在良好的学习硬件环境基础上，进一步提升图书馆的服务能力和阅读推广能力。一是由于数字媒介的推广使大学生的借阅行为发生改变 （王福生, 杨洪勇, 2012），图书馆应提升数字化资源服务能力，推 出符合大学生学习习惯的多种借阅方式，顺应大学生阅读方式的改变。如按需提供数字资源推送服务，将大学生需要的电子图书发送至手机或平板电脑，或直接提供采用电子墨水屏的阅读器借阅服务，降低由长时间使用普通显示屏导致的近视发生风险。二是增强 阅读推广的传播效应，在高校开展形式多样、富有创意的读书推广活动和阅读交流活动，引导缺乏阅读意愿的大学生养成阅读习惯，为知识理解困难的大学生进行专业辅导，为阅读障碍的大学生提供特殊帮扶服务，逐步形成良好的阅读和学习风气。
3. 改变图书馆角色定位，为学科专业发展提供高质量服务
从教学与科研两个方面为学科专业发展提供服务，保障其研究的深度和力度。一是建立专业资料空间，由教师创建以课程为中心的课程资源库，订阅课程需要的文献资料和参考书目，根据往届学生借阅和检索行为数据的分析结果，自动将文献资源推送给不同的新生 （袁辉, 等, 2017）。二是图书馆在为高校广大师生提供丰富图书资源的同时，应结合高校自身发展需求，为不同学科提供相关专业图书和期刊资源， 特别是专业课程相关的特色教材和外文刊物。针对学科专业发展中开展的研究课题 （项目） 需求，提供专业发展前瞻性高、实践应用性强的参考文献，提升专业特色资源和数字资源的时效性和专业性。
六、结语
研究通过获取大学生日志数据，构建早起与借阅学习行为特征指标，采用非监督学习方法对行为数据进行有效的挖掘，建立两种学习行为与学习绩效的关联，并从元认知水平的角度分析了六种学习行为类型对大学生元认知发展的关系，较好地理解和解释了大学生内在的思维与认知发展规律，根据分析结果提出了改善学习活动和学习环境的建议。当然，研究还存在一定的局限性，限于数据本身的不足，仅通过现有的两类行为数据解释了学习绩效之间的相关关系，未能完全发掘其他影响大学生学习绩效的因素。在后续研究中，将继续采集大学生本科四年学习周期中产生的数据，采用更多学习分析技术，以期能进一步挖掘学习行为与学习绩效的深层关系，建立学习行为对学习绩效的预测与干预机制，从而为预测学生学习绩效、发现异常学习行为提供现实依据。
参考文献
储文静，奉国和 . 2010. 基于 Weka 读者借阅行为分析[J]. 情报科学 （03）：424-429.
冯翔，吴永和，祝智庭 . 2013. 智慧学习体验设计[J]. 中国电化教育 （12）：14-19.
弗拉维尔，米勒. 2002. 认知发展（第4版）[M]. 邓赐平，译. 上海：华 东师范大学出版社.
葛炳芳，洪莉 . 2018. 指向思维品质提升的英语阅读教学研究[J]. 课 程·教材·教法，38（11）：110-115.
胡航，李雅馨，曹一凡，赵秋华，郎启娥 . 2019. 脑机交互促进学习有 效发生的路径及实验研究——基于在线学习系统中的注意力干 预分析[J]. 远程教育杂志，37（04）：54-63.
胡航，李雅馨，郎启娥，杨海茹，赵秋华，曹一凡. 2020. 深度学习的发 生过程、设计模型与机理阐释[J]. 中国远程教育（01）：54-61，77.
胡钦太，郑凯，胡小勇，林南晖. 2016. 智慧教育的体系技术解构与融 合路径研究[J]. 中国电化教育（01）：49-55.
黄荣怀，高博俊，王欢欢，徐晶晶，杜静 . 2020. 基于教学过程感知的 行为计算[J]. 电化教育研究，41（06）：20-26.
江新. 2020. 美国高校图书馆技术增强型学习空间建设实践与思考[J]. 图书馆建设：1-9.
姜强，潘星竹，赵蔚，王朋娇. 2019. 学习者模型可视化认同感分析与 效能评测——基于社会比较理论的视角[J]. 电化教育研究，40 （05）：48-54，71.
李宏运. 2009. 关联规则挖掘在图书馆管理中的应用[D]. 上海华东师范大学.
李佳茜，吉久明，李楠，康健. 2018. 阅读影响下大学生学科知识结构 自我完善意识和能力[J]. 图书情报工作，62（07）：54-65.
李小娟，梁中锋，赵楠 . 2017. 在线学习行为对混合学习绩效的影响 研究[J]. 现代教育技术，27（02）：79-85.
李艳燕，马韶茜，黄荣怀. 2012. 学习分析技术：服务学习过程设计和 优化[J]. 开放教育研究，18（05）：18-24.
林超凡. 2013. 关于日本“晨读十分钟”的几点思考[J]. 图书馆工作与 研究（09）：126-128.
林秀瑜，李梦杰. 2019. 智慧学习环境下学习分析的理论模型及其机 制[J]. 现代教育技术，29（04）：19-25.
马志强，苏珊，张彤彤 . 2017. 基于学习投入理论的网络学习行为模 型研究——以“网络教学平台设计与开发”课程为例[J]. 现代教育 技术，27（01）：74-80.
毛刚. 2018. 学习分析作为元认知反思支架的效能研究[J]. 电化教育 研究，39（09）：22-27.
潘颖，张雨晴，刘利 . 2019. 综合性大学图书馆特色化服务策略研 究——以本科生课程成绩与借阅行为的学科差异性为视角[J]. 大 学图书情报学刊，37（02）：83-91.
乔璐，江丰光. 2020. 慕课学习者群体的聚类分析——以“STEM课程 设计与案例分析”慕课为例[J]. 现代教育技术，30（01）：100-106.
宋玉婷，李丽，牛志民. 2017. 大学生媒体多任务、冲动性与睡眠质量 和学业成绩相关分析[J]. 现代预防医学，44（03）：478-480，485.
王福生，杨洪勇 . 2012. 图书管理系统中的借阅行为分析[J]. 复杂系 统与复杂性科学，9（1）：55-58.
王改花，傅钢善. 2019. 网络学习行为与成绩的预测及学习干预模型 的设计[J]. 中国远程教育（02）：39-48.
吴志强 . 2011. 基于聚类分析的读者阅读倾向研究[J]. 图书情报工 作，55（15）：82-84，135.
闫国利，王丽红，巫金根，白学军. 2011. 不同年级学生阅读知觉广度 及预视效益的眼动研究[J]. 心理学报（03）：249-263.
杨新涯，袁辉，曾佐伶 . 2013. 高校学生成绩与借阅行为关系的初步 研究——以重庆大学为例[J]. 数字图书馆论坛（09）：23-26.
袁辉，沈敏，杨新涯 . 2017. 用户行为模型在图书馆“智慧门户”建设 中的应用与探索[J]. 图书情报工作，61（07）：57-61.
张艳. 2019. 基于“产出导向法”的《学术英语》泛在学习模式研究[J]. 外语电化教学（03）：110-115.
赵慧琼，姜强，赵蔚，李勇帆，赵艳 . 2017. 基于大数据学习分析的在 线学习绩效预警因素及干预对策的实证研究[J]. 电化教育研究， 38（01）：62-69.
Bandura, A.（1997）. Social Learning Theory. Oxford, England：Prentice⁃ Hall.
Cruz, A.（2019）. Intentional integration of diversity ideals in academic libraries：A literature review. Journal of Academic Librarianship, 45 （3）：220-227.
Hill, J. R., & Hannafin, M. J.（1997）. Cognitive Strategies and Learning from the World Wide Web. Educational Technology Research & Devel⁃ opment, 45（4）：37-64.
Önder, I., Beşoluk, Ş., Iskender, M., Masal, E., & Demirhan, E.（2014）. Circadian preferences, sleep quality and sleep patterns, personality, academic motivation and academic achievement of university stu⁃ dents. Learning and Individual Differences, 32, 184-192.
Johnson, L., Adams, S., & Cummins, M.（2012）. The NMC Horizon Re⁃ port：Higher Education Edition.
O’Neil, H., & Abedi, J.（1996）. Reliability and Validity of a State Meta⁃ cognitive Inventory：Potential for Alternative Assessment. Journal of Educational Research,（4）：234-245.
Robson, S., & Moseley, D.（2005）. An integrated framework for thinking about learning. Gifted Education International, 20（1）, 36-50.
Soman, K. P., Diwakar, S., & Ajay, V. 2009. 数据挖掘基础教程[M]. 范 明，牛常勇，译. 北京：机械工业出版社.
Sperling, R. A., Howard, B. C., Miller, L. A., & Murphy, C. (2002). Mea⁃ sures of children’s Knowledge and regnlation of cognition. Contempo⁃ rary Educational Psychology, 27(1):51-79.
Whitmire, E.（2002）. Academic library performance measures and un⁃ dergraduates’library use and educational outcomes. Library & Infor⁃ mationence Research, 24（2）, 107-128.
Xiong, J.（2014）. Study on the Strategies of Service-Based Education in University Library. Advances in Intelligent Systems Research, 75（3）：69-71.
作者简介
杜爽，硕士，讲师，四川外国语大学教育技术中心 （400031）。
飞云倩，硕士，讲师，本文通讯作者，西南大学计算 机与信息科学学院（400715）。
何 牧 ，博 士 ，讲 师 ，重 庆 师 范 大 学 外 语 学 院 （401331）。
胡航，博士，副教授，硕士生导师，西南大学教师教 育学院卓越教学中心副主任，深度学习研究中心主任 （400715）。
深度学习Dlearning
扫二维码｜关注我们
编辑:李燕伶 西南大学教育学部教育技术班