使用智慧作业能培养学生的良好学习习惯-基于江西省78个县(区)调查数据的实证分析

/使用智慧作业能培养学生的良好学习习惯——基于江西省78个县(区)调查数据的实证分析【摘要】作为教育数字化战略的实践载体，智慧作业承担着落实“双减”政策、发挥作业育人功能等重要任务。这其中，使用智慧作业能否培养学生的良好学习习惯成为亟待探讨的问题。为此，文章根据使用智慧作业干预学习习惯的基本原理和理论机制，首先提出了研究假设。之后，文章基于江西省78个县(区)28808名学生的调查数据，进行了控制变量的描述性统计分析、智慧作业对学习习惯的影响分析、智慧作业影响学习习惯的学段与区域差异分析，检验了研究假设并发现：使用与未使用智慧作业的学生在个人、家庭、社会三个层面的多数变量上呈现显著差异；使用智慧作业能有效培养学生的良好学习习惯，六个作业要素在智慧作业影响学习习惯的过程中具有差异化调节作用；智慧作业对学习习惯的影响存在学段差异与区域差异。最后，文章基于此结论，提出了推广智慧作业的实践应用、升级智慧作业的育人效能、深化对干预效能的研究等建议，以期为优化智慧作业、发展智慧教育提供参考。【关键词】智慧作业；学习习惯；智慧教育；作业要素；智能学习干预

运用数字技术和智慧教育理念赋能作业减负提质增效，已成为教育改革的重要趋势。2021年，教育部发布《关于加强义务教育学校作业管理的通知》[1]，强调在作业上控量减负并增效育人。同期，国家部署基础教育数字化战略行动[2]，智慧教育被“十四五”规划列为十大数字化应用场景之一。在此推动下，以智慧作业为代表的智慧教育迅猛发展。作为教育数字化向智慧教育迈进的具体实践，智慧作业承接了两者的核心理念和技术应用：融合信息技术，倡导人机协同，以创新作业要素，形成数据驱动的个性化作业设计、精准化批改与反馈机制，从而提升作业效能，促进学生的知识获取与能力发展[3][4]。智慧作业已在部分区域进行了规模化应用，但其实践探索尚处于起步阶段[5]，相关理论研究多为基本原理阐述和理论机制探讨，而智慧作业在减轻作业负担、培养学习习惯、促进个性化学习等方面的实效还有待实证检验。其中，学习习惯作为学生发展的基石与个性化学习的体现，既是设计智能学习系统与提供服务的依据，也是智能学习干预的核心议题和重点实践方向[6]。基于此，本研究尝试以学习习惯在线干预模型、智慧作业基本原理、智能学习系统中学习习惯的建模与测量方法为参考[7-9]，利用大规模调查数据实证检验使用智慧作业对学生良好学习习惯的影响，以期为巩固“双减”成效、优化智慧作业、发展智慧教育提供参考。 一、研究假设 (一)使用智慧作业干预学习习惯的基本原理 学习习惯是在学习过程中反复出现的行为模式，可通过学生的学习行为进行测量，具有可塑性和可测性。智能学习系统可对此进行干预，即施加影响改善不良学习习惯[10]。影响学习习惯的动力因素，分为动机、认知能力等内部动力因素和任务、环境等外部动力因素。学习习惯在线干预的两阶段原理认为，干预学习习惯应在第一阶段干预动机和认知能力，第二阶段干预任务和环境[11]。也就是说，使用智慧作业一方面可以通过激发学习者的动机和提高其认知能力来关联学习习惯的内部动力因素，以触发学生采取预期行为并提高行动频率[12]；另一方面可以通过优化作业设计和升级数字化环境来匹配外部动力因素[13]，以持续固化良好学习习惯。据此，本研究提出假设H1：使用智慧作业对培养学生的良好学习习惯具有正向影响。 (二)使用智慧作业干预学习习惯的理论机制 当前，使用智慧作业干预学习习惯的理论机制研究主要遵循两条路径：一是从作业全过程视角[14]，探讨作业实践环节中作业要素的有效性；二是从学习干预的角度，提出智能学习系统中学习习惯的干预策略。 (1)作业全过程视角下使用智慧作业干预学习习惯的机制 智慧作业的使用，使作业全过程呈现出作业设计个性化、布置作答精准化、完成过程可视化、批阅诊断高效化、针对性反馈等特征[15]。一般来说，作业全过程包括作业布置、作业完成、作业反馈三个环节。 ①在作业布置环节，智慧作业遵循“双减”理念，人机协同生成作业资源包，智能控制作业量和作业难度，排除重复性、惩罚性作业；通过学习分析技术实现作业内容与类型的个性化推荐、分层布置，调动学生的内驱力、自我效能感等[16]。由此，本环节可提炼出两个作业要素：作业设计水平和个性化作业设置。 ②在作业完成环节，学生用点阵笔在点阵纸上作答，以采集作业行为数据，学生对智慧作业的技术接受度(感知易用性和有用性)会影响其使用意愿，使用便捷性不足可能引发焦虑进而影响学习效率[17]。同时，学生使用智能学习平台时的交流合作情况会影响学习成效[18]，智慧作业提供了资源和环境，旨在引导学生转向社会合作探究式的主动学习。由此，本环节可提炼出两个作业要素：技术接受度和交流合作程度。 ③在作业反馈环节，智慧作业的AI自动批改功能提升时效性和智能性，作业评价的主体、手段和内容更趋多元，精细的作业反馈能提高学习成绩并缩小差距[19]。此外，依托作业数据与认知图谱，系统推送配套微课以满足学生的个性需求[20]。由此，本环节可提炼出两个作业要素：作业批改评价和系统学习资源。 (2)智能学习系统中学习习惯在线干预策略 干预策略是调节和控制学习活动的系列方法，为智能学习系统提供具体支点来实践干预原理。在智能学习系统中，学习习惯在线干预策略可分为三类：①任务支持策略，包括应用于个性化作业设置和提供系统学习资源以适应个体差异的剪裁策略，应用于优化作业设计和技术接受度来激发学生投入预期行为的吸引策略，以及通过提升感知有用性、提供系统学习资源等让学习过程可视化的隧道策略和自我监控策略，这些策略有助于引导学生指向目标行为[21]。②对话支持策略，是借助融入表扬话语和奖励措施的人机对话进行作业反馈，并通过提示框推送消息来督促学生完成作业。③社会支持策略，是用社会影响来激励学生，引导交流合作、作业批改多元化，为学生提供观察、比较和学习他人的机会。每类策略各有其适用范围，通常组合使用以联合触发学习习惯动力因素，增强干预效果[22]。 整合上述理论机制，本研究提出假设H2：作业要素在智慧作业影响学习习惯的过程中发挥正向调节作用。具体来说，在作业布置环节，提升作业设计水平(H2a)、完善个性化作业设置(H2b)有助于培养学生的良好学习习惯；在作业完成环节，技术接受度越高(H2c)、交流合作程度越高(H2d)，越利于养成良好学习习惯；在作业反馈环节，多元的作业批改评价(H2e)、丰富的系统学习资源(H2f)能促进良好学习习惯形成。本研究依次开展探索性因子分析和验证性因子分析，结果显示：六个作业要素的累计解释变异量均在96.00％以上，且模型拟合度良好(χ2/df＜3，RMSEA＜0.08，GFI＞0.8，CFI＞0.9，TLI＞0.9)：信度检验表明，六个作业要素的Cronbach'sα系数值均不低于0.91，说明各维度内部一致性较高。 二、研究设计 (一)数据来源 区域是教育数字化转型的基本单元，当前我国智慧教育发展仍以县(区)为单位推进，区域差异会深刻影响智慧作业应用实效。为此，本研究以江西省78个县(区)接受义务教育的中小学生为对象，开展了“江西中小学智慧作业实施基本情况问卷调查”。 问卷包含个人基本信息、智慧作业实施情况和学习情况三个部分，运用AMOS24.0对问卷各部分进行检验，结果表明其信度与效度良好。本研究采用线上、线下相结合的方式发放问卷，回收有效问卷28808份。接受问卷调查的中小学生年龄集中于9岁～15岁，其中使用智慧作业的学生有18379人(占63.8％)，未使用智慧作业的学生有10429人(占36.2％)。 (二)变量设置 为系统检验使用智慧作业对培养学生良好学习习惯的影响，本研究设置了因变量、自变量、调节变量和控制变量。 (1)因变量：参考智能学习系统学习习惯模型[23]、多层次作业模型[24]，本研究以“良好学习习惯”为因变量，从作业完成习惯、学业勤奋习惯两个维度进行测量。经计算，因变量整体的信效度良好，累计解释变异量为69.39％；两个维度的Cronbach'sα值分别为0.721、0.754，CR值分别为0.742、0.733，AVE值分别为0.519、0.580，区分效度达标(AVE平方根均大于其相关系数绝对值)。 (2)自变量：本研究将“使用智慧作业”操作化为二分变量，通过问卷询问学生“是否使用智慧作业”。 (3)调节变量：本研究以六个作业要素为调节变量，其中技术接受度涵盖学生对系统易用性与有用性的感知——系统易用性指操作的简便性与功能的合理性，而系统有用性强调对学习效率提升和方法改进等方面的实际赋能。 (4)控制变量：为准确估计使用智慧作业对良好学习习惯的净效应，本研究控制了涵盖个体、家庭与社会三个层面的变量。其中，社会层面以地貌特征作为地区社会经济文化水平的代理变量。江西省的78县(区)可分为平原、湖区、低丘、高丘四类区域，其人均GDP呈现出随海拔降低而升高的趋势，但湖区未超过平原[25]。因此，本研究以包括25个县(区)的平原区域为参照，将其他三类区域(即湖区、低丘、高丘)设为虚拟变量，以控制区域差异对因变量的潜在影响。 (三)分析方法 (1)控制变量的描述性统计分析：采用倾向得分匹配(PropensityScoreMatching，PSM)方法，对使用、未使用智慧作业的两组学生从个体、家庭、社会层面进行描述性统计分析，以评估两组是否存在显著差异。 (2)智慧作业对学习习惯的影响分析：采用普通最小二乘法(OrdinaryLeastSquares，OLS)、PSM两种方法进行分析。其中，OLS用于建立线性模型来估计变量间的关系，以初步识别智慧作业与学习习惯的关联。但是，学生是否使用智慧作业并非随机分配，而是受个体、家庭、社会层面的影响，因此会出现样本选择性偏差。而PSM常用于处理非随机实验条件下的选择性偏差，为处理组(即使用智慧作业的学生)匹配背景特征相似的对照组(即未使用智慧作业的学生)，以构建近似随机化的比较情境，用处理组的平均处理效应(AverageTreatmentEffectontheTreated，ATT)衡量智慧作业对学习习惯的净效应，表达式如公式(1)所示。其中，Y1i、Y0i分别表示学生个体i使用、未使用智慧作业时的学习习惯得分；Di为处理变量，表示学生是否使用智慧作业——如果学生i使用了智慧作业，则Di=1，反之Di=0；p(Xi)为倾向得分值，表示在控制样本特征协变量X的情况下学生使用智慧作业的条件概率。分析智慧作业对学习习惯影响的净效应时，本研究主要采用PSM中的近邻匹配(K=4)进行分析，同时采用PSM中的半径匹配(caliper=0.01)和核匹配(带宽为0.06)进行稳健性检验。之后，本研究采用OLS方法，通过设置“使用智慧作业”与六个作业要素的交互项，来检验作业要素的调节作用。 ATT=E｛E[Y1i-Y0i|Di=1，p(Xi)]｝公式(1) (3)智慧作业影响学习习惯的学段与区域差异分析：按学段和区域划分，用OLS方法进行分样本回归。 三、研究分析 (一)控制变量的描述性统计分析 为评估样本选择性偏差并验证采用PSM方法的必要性，本研究采用独立样本t检验对控制变量进行描述性统计分析，结果发现，使用与未使用智慧作业的学生在多数变量上存在显著差异： (1)个人层面，使用智慧作业的学生健康状况更好(p＜0.001)、自我教育期望更高(p＜0.001)、同伴行为表现更优(p＜0.01)，而未使用智慧作业的学生年龄更大(p＜0.001)、留守状况更突出(p＜0.001)，更愿意参与校外培训(p＜0.001)。 (2)家庭层面，使用智慧作业的学生家庭经济条件更好(p＜0.001)，父亲教育期望、母亲教育期望、父母作业参与、父母受教育水平均更高(p＜0.001)。 (3)社会层面，使用与未使用智慧作业的学生在区域分布上存在显著差异。与平原区域为参照，湖区区域(p＜0.01)、低丘区域(p＜0.01)和高丘区域(p＜0.001)的分布差异均达到显著水平。 (二)智慧作业对学习习惯的影响分析 加入控制变量后，OLS和PSM的基准回归结果均显示智慧作业对学习习惯具有显著的正向影响。其中，PSM的近邻匹配估计结果显示，使用智慧作业显著正向影响学生的作业完成习惯(β=0.040，p＜0.05)和学业勤奋习惯(β=0.174，p＜0.001)；整体来说，使用智慧作业显著正向影响学生的良好学习习惯(β=0.128，p＜0.001)。由此，假设H1得到验证，即使用智慧作业对培养学生的良好学习习惯具有正向影响。 为验证上述分析结果的稳健性，本研究加入“厌学情绪”作为控制变量。厌学情绪是指学生对学生或学校生活感到厌恶、失去兴趣并厌倦，直接严重影响学习[26]。基于问卷的“我在这所学校感到无聊”和“我希望去另一所学校”两个题项(1分～5分表示从“完全不同意”到“完全同意”)，本研究设置了“厌学情绪”作为控制变量加入，重新进行OLS和PSM基准回归分析。稳健性检验结果显示，控制该变量后，智慧作业仍对培养学生的良好学习习惯具有正向影响(p＜0.001)，证实了上述分析结果的可靠性。 本研究采用OLS方法设置“使用智慧作业”与六个作业要素的交互项，进行了总样本的回归分析，来检验六个作业要素在智慧作业影响学生学习习惯的过程中是否具有差异化的调节作用。 (1)作业完成习惯：作业设计水平(β=0.025，p＜0.001)、技术接受度(β=0.040，p＜0.001)、交流合作程度(β=0.045，p＜0.001)和系统学习资源(β=0.055，p＜0.001)均具有显著正向调节作用，而个性化作业设置(β=-0.020，p＜0.05)和作业批改评价(β=-0.030，p＜0.01)均具有显著负向调节作用。 (2)学业勤奋习惯：作业设计水平(β=0.010，p＜0.01)、个性化作业设置(β=0.050，p＜0.001)、技术接受度(β=0.035，p＜0.001)、交流合作程度(β=0.060，p＜0.001)、作业批改评价(β=0.070，p＜0.001)和系统学习资源(β=0.065，p＜0.001)均具有显著正向调节作用。 由此，假设H2得到部分验证：①H2a、H2c、H2d、H2f完全成立。这意味着，提升作业设计水平有助于培养学生的良好学习习惯；技术接受度越高(H2c)、交流合作程度越高(H2d)，越有利于养成良好学习习惯；丰富的系统学习资源能促进良好学习习惯形成。②H2b、H2e部分成立。也就是说，完善个性化作业设置不一定有助于培养学生的良好学习习惯，多元的作业批改评价不一定能促进良好学习习惯形成。整体而言，六个作业要素在智慧作业影响学习习惯的过程中具有差异化而非单一正向的调节作用，这揭示了智慧作业干预学习习惯机制的复杂性，应依据具体干预目标有针对性地优化作业要素。 (三)智慧作业影响学习习惯的学段与区域差异 (1)智慧作业影响学习习惯的学段差异分析 考虑到总样本分析可能掩盖学段差异，本研究采用OLS方法，分小学生、初中生两组进行回归分析，来分析智慧作业影响学习习惯的学段差异，同时对假设H2进行验证，结果如下。 ①作业布置环节：作业设计水平显著正向影响中小学生的作业完成习惯(小学生：β=0.263，p＜0.001；初中生：β=0.305，p＜0.001)和学业勤奋习惯(小学生：β=0.170，p＜0.001；初中生：β=0.163，p＜0.001)，说明假设H2a成立——这与张乐乐等[27]的研究结果相吻合，即智慧作业在作业减量增效上有显著优势；个性化作业设置显著正向影响中小学生的学业勤奋习惯(小学生：β=0.021，p＜0.001；初中生：β=0.049，p＜0.001)，但对其作业完成习惯有显著的负向影响(小学生：β=-0.245，p＜0.001；初中生：β=-0.021，p＜0.001)，说明H2b部分成立，原因可能在于个性化作业设置是智能学习干预难点，当前智慧作业高度依赖题库、数据和教师介入[28]，加上学生自主选择分层作业的能力有限[29]，制约了个性化作业设置的效果。 ②作业完成环节：技术接受度显著正向调节小学生的作业完成习惯(β=0.240，p＜0.001)和学业勤奋习惯(β=0.377，p＜0.001)，同时也显著正向调节初中生的作业完成习惯(β=0.163，p＜0.001)和学业勤奋习惯(β=0.381，p＜0.001)。这证实技术接受度在智慧作业场景中的重要性，实施任务支持策略有利于培养学习习惯。此外，交流合作程度显著正向影响中小学生的作业完成习惯(小学生：β=0.110，p＜0.001；初中生：β=0.146，p＜0.001)和学业勤奋习惯(小学生：β=0.119，p＜0.001；初中生：β=0.137，p＜0.001)，这表明智慧作业的社会支持策略有助于激发高阶学习行为。由此，假设H2c、H2d成立。 ③作业反馈环节：作业批改评价对中小学生的学业勤奋习惯均具有显著的正向影响(小学生：β=0.028，p＜0.001；初中生：β=0.028，p＜0.01)，但对小学生的作业完成习惯具有负向影响但影响不显著(β=-0.010，p＞0.05)、对初中生的作业完成习惯具有显著负向影响(β=-0.025，p＜0.05)，说明H2e部分成立。究其原因，可能在于作业批改评价虽能通过及时反馈激发学习投入，但学业期待与评价压力也可能会引发焦虑、紧张等消极情绪，而且AI批改在识别作答过程与多元解法上仍然存在一定的局限性，故影响了反馈的准确性[30]。此外，系统学习资源对小学生的作业完成习惯(β=0.023，p＜0.001)和学业勤奋习惯(β=0.045，p＜0.001)具有正向影响；对初中生的学业勤奋习惯有正向影响(β=0.038，p＜0.001)，对其作业完成习惯无显著影响(β=0.000，p＞0.05)，说明H2f部分成立。这可能是因为，智慧作业推送的系统学习资源在适配不同学段学生的认知差异上仍存在不足[31]。 (2)智慧作业影响学习习惯的区域差异分析 本研究采用OLS方法，将江西省的78个县(区)分为四类区域，来分析智慧作业影响学习习惯的区域差异。具体来说，在平原区域和高丘区域，使用智慧作业对作业完成习惯(平原区域：β=0.031，p＜0.01；高丘区域：β=0.040，p＜0.01)、学业勤奋习惯(平原区域：β=0.064，p＜0.05；高丘区域：β=0.157，p＜0.001)均具有显著正向影响。在湖区区域，使用智慧作业对作业完成习惯的正向影响最为显著(β=0.174，p＜0.001)，但对学业勤奋习惯无显著影响(β=0.010，p＞0.05)。在低丘区域，使用智慧作业显著正向影响学业勤奋习惯(β=0.185，p＜0.001)，但对作业完成习惯无显著影响(β=0.007，p＞0.05)。各模型R2介于0.103～0.262之间，表明区域类型与使用智慧作业共同解释了学生学习习惯10.3％～26.2％的变异。因此，在推广与应用智慧作业时要重视区域差异，因地制宜地配置资源并升级效能。 四、结论与建议 (一)结论 (1)控制变量的描述性统计分析结果显示，使用与未使用智慧作业的学生在个人、家庭、社会三个层面的多数变量上存在显著差异。 (2)智慧