延遲開始行為對學習成效之跨學科預測效度研究
arXiv - Computers and SocietyJordan Gutterman, Ashish Gurung, Lee Branstetter, Kenneth Koedinger, Vincent Aleven
研究發現學生在練習時的「延遲開始」行為能有效預測其數學與英文的標準化測驗表現。
AI 幫你先抓重點
AI 重點 1
行為指標的跨學科通用性與預測力
滑鼠懸停看 AI 判斷理由
這項發現打破了傳統僅依賴內容進度的監測模式，證明了「延遲開始」這種與特定學科無關的行為指標，也能跨學科預測學術成就，為學習分析提供了新的維度。
AI 重點 2
從單一指標轉向群體特徵的識別
滑鼠懸停看 AI 判斷理由
研究不只是看平均值，而是透過數據驅動的方法區分出「早期」與「慢性」兩類學生，這有助於教師從「行為模式」而非僅僅是「分數高低」來進行精準的差異化教學。
核心研究發現
- 1
數學練習中的延遲開始行為與學生的數學（β=.07）及英文（β=.10）標準化測驗成績具有顯著的預測相關性。
- 2
透過混合模型識別出兩類學生：平均延遲小於 5 分鐘的「早期開始者」與平均延遲超過 13 分鐘的「慢性延遲者」。
- 3
早期開始者在數學與英文的成長表現優於一般學生，而慢性延遲者則呈現相反的負向成長趨勢。
對教育工作者的啟發
教育工作者可以利用「延遲開始」作為一種非侵入性的行為監測工具。在數位學習環境中，當系統偵測到學生出現「慢性延遲」行為時，教師應及時介入，探討其背後的自我調節問題（如動機不足或逃避困難），而非僅關注其練習進度。同時，課程設計者可開發具備行為偵測功能的學習平台，將這些行為數據轉化為可解釋的警示，幫助教師在課堂上更有效地監控並支持學生的學習參與度。
原始文獻資訊
- 英文標題：
- Cross-Subject Predictive Validity for Learning Outcomes of Delayed Start Behavior
- 作者：
- Jordan Gutterman, Ashish Gurung, Lee Branstetter, Kenneth Koedinger, Vincent Aleven
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。