用 Python 量化学习驱动力对比功利学习与兴趣驱动的创意产出一、实际应用场景描述在《心理健康与创新能力》课程中内在动机Intrinsic Motivation与外在动机Extrinsic Motivation对创造力的影响是一个核心议题。德西效应Deci Effect指出外在激励如考试、奖金、KPI在短期内有效但长期来看会削弱内在兴趣从而降低创造性产出的质量。典型场景- 开发者 A功利驱动为了跳槽突击学习 Go 语言刷完了所有面试题但半年后除了能应付面试没有任何个人项目产出。- 开发者 B兴趣驱动因为好奇编译原理业余时间写了一个简单的 Lisp 解释器虽然对求职无直接帮助但过程中产生了 3 个优化算法的创新思路。- 学生 C为了绩点选修了心理学考试后忘光但因为兴趣读了《思考快与慢》随后将其中的双系统理论应用到了 UI 交互设计中产出了获奖作品。现实中我们往往陷入短期功利陷阱——因为焦虑而学习因为学习而焦虑最终导致高投入、低产出、零创新。我们需要一个工具来量化这两种学习模式的差异从而调整长期规划找回学习的心流。二、引入痛点传统学习规划的盲区维度 短期功利学习 兴趣驱动学习 观测难点目标 考试/面试/升职 好奇心/探索欲 难以量化兴趣持续性 考完就忘 长期维持 难以追踪长期影响创意产出 几乎为零 不可预测的高 难以归因统计核心痛点总结我们无法证明兴趣驱动更有价值因为我们从来没有同时追踪过两者的创意转化率。 大多数人的学习日志只记录学了什么不记录创造了什么导致无法基于数据调整策略只能凭感觉在焦虑中徘徊。三、核心逻辑讲解程序的核心在于引入学习-产出归因模型1. 双轨记录- 记录学习行为并标记驱动力类型motivation_typeutilitarian功利或interest兴趣。- 记录创意产出Idea/Blog/Code/Design并回溯其灵感来源的学习条目。2. 量化指标- 创意转化率产出数量 / 学习时长。这比单纯的学习时长更能反映质量。- 半衰期学习后多久还能产生新创意。功利学习通常半衰期极短考试后即失效。3. 决策辅助- 当数据显示功利学习的创意转化率显著低于兴趣学习时程序会在周报/月报中发出警告并建议调整时间分配例如将每周 20% 的功利学习时间转为兴趣探索。核心公式创意转化率 (ICR) 该时段内产生的创意点数 / 该时段内的有效学习小时数学习 ROI Σ(创意点数 × 创意权重) / 学习总投入四、代码模块化实现项目结构learning_driver_analytics/│├── README.md├── main.py # CLI 交互入口├── models.py # 数据模型定义├── storage.py # 数据持久化├── tracker.py # 学习记录与产出记录├── analyzer.py # 核心分析与对比逻辑└── planner.py # 学习规划调整建议1️⃣ 数据模型models.py# models.py# 定义学习记录与创意产出的数据模型# 核心设计建立学习行为到创意产出的因果链from dataclasses import dataclass, fieldfrom datetime import datetimefrom typing import List, Optionalfrom enum import Enumclass MotivationType(Enum):学习驱动力类型UTILITARIAN utilitarian # 功利驱动考试、面试、KPIINTEREST interest # 兴趣驱动好奇、热爱、探索dataclassclass LearningSession:一次学习记录id: inttopic: str # 学习主题如Go 并发模型motivation: MotivationType # 驱动力类型duration_hours: float # 学习时长小时date: datetime field(default_factorydatetime.now)notes: Optional[str] None # 学习笔记/心得tags: List[str] field(default_factorylist)def to_dict(self):return {id: self.id,topic: self.topic,motivation: self.motivation.value,duration_hours: self.duration_hours,date: self.date.isoformat(),notes: self.notes,tags: self.tags}classmethoddef from_dict(cls, data: dict):return cls(iddata[id],topicdata[topic],motivationMotivationType(data[motivation]),duration_hoursdata[duration_hours],datedatetime.fromisoformat(data[date]),notesdata.get(notes),tagsdata.get(tags, []))dataclassclass CreativeOutput:一次创意产出记录id: inttitle: str # 产出标题如实现一个简易Redisdescription: str # 详细描述inspiration_source_ids: List[int] # 关键字段关联的学习Session ID溯源value_score: int 1 # 价值评分1-5主观评价影响力date: datetime field(default_factorydatetime.now)output_type: str code # 类型code/blog/design/ideadef to_dict(self):return {id: self.id,title: self.title,description: self.description,inspiration_source_ids: self.inspiration_source_ids,value_score: self.value_score,date: self.date.isoformat(),output_type: self.output_type}classmethoddef from_dict(cls, data: dict):return cls(iddata[id],titledata[title],descriptiondata[description],inspiration_source_idsdata[inspiration_source_ids],value_scoredata.get(value_score, 1),datedatetime.fromisoformat(data[date]),output_typedata.get(output_type, code))设计要点- 使用Enum 规范驱动力类型避免脏数据。-CreativeOutput 中的inspiration_source_ids 是灵魂字段它建立了学习与产出的因果关系使得后续的归因分析成为可能。2️⃣ 持久化层storage.py# storage.py# 数据持久化模块# 职责隔离IO操作提供纯净的数据接口import jsonimport osfrom typing import Listfrom models import LearningSession, CreativeOutputDATA_DIR dataSESSION_FILE os.path.join(DATA_DIR, learning_sessions.json)OUTPUT_FILE os.path.join(DATA_DIR, creative_outputs.json)def _ensure_data_dir():if not os.path.exists(DATA_DIR):os.makedirs(DATA_DIR)# ---------- LearningSession 操作 ----------def load_sessions() - List[LearningSession]:if not os.path.exists(SESSION_FILE):return []with open(SESSION_FILE, r, encodingutf-8) as f:return [LearningSession.from_dict(item) for item in json.load(f)]def save_sessions(sessions: List[LearningSession]):_ensure_data_dir()with open(SESSION_FILE, w, encodingutf-8) as f:json.dump([s.to_dict() for s in sessions], f, ensure_asciiFalse, indent2)def get_next_session_id() - int:sessions load_sessions()return max((s.id for s in sessions), default0) 1# ---------- CreativeOutput 操作 ----------def load_outputs() - List[CreativeOutput]:if not os.path.exists(OUTPUT_FILE):return []with open(OUTPUT_FILE, r, encodingutf-8) as f:return [CreativeOutput.from_dict(item) for item in json.load(f)]def save_outputs(outputs: List[CreativeOutput]):_ensure_data_dir()with open(OUTPUT_FILE, w, encodingutf-8) as f:json.dump([o.to_dict() for o in outputs], f, ensure_asciiFalse, indent2)def get_next_output_id() - int:outputs load_outputs()return max((o.id for o in outputs), default0) 13️⃣ 核心追踪逻辑tracker.py# tracker.py# 核心追踪模块# 负责记录学习行为和创意产出并处理两者的关联from datetime import datetime, timedeltafrom storage import (load_sessions, save_sessions, get_next_session_id,load_outputs, save_outputs, get_next_output_id)from models import LearningSession, CreativeOutput, MotivationTypedef log_learning_session(topic: str,motivation: MotivationType,duration: float,notes: str None,tags: list None) - LearningSession:记录一次学习session LearningSession(idget_next_session_id(),topictopic,motivationmotivation,duration_hoursduration,notesnotes,tagstags or [])sessions load_sessions()sessions.append(session)save_sessions(sessions)return sessiondef log_creative_output(title: str,description: str,source_session_ids: list,value_score: int 1,output_type: str idea) - CreativeOutput:记录一次创意产出并关联学习源output CreativeOutput(idget_next_output_id(),titletitle,descriptiondescription,inspiration_source_idssource_session_ids,value_scorevalue_score,output_typeoutput_type)outputs load_outputs()outputs.append(output)save_outputs(outputs)return outputdef get_recent_sessions(days: int 7) - list:获取最近N天的学习记录cutoff datetime.now() - timedelta(daysdays)sessions load_sessions()return [s for s in sessions if s.date cutoff]def get_outputs_by_session_id(session_id: int) - list:根据学习ID查找由此产生的创意outputs load_outputs()return [o for o in outputs if session_id in o.inspiration_source_ids]4️⃣ 统计分析引擎analyzer.py# analyzer.py# 统计分析模块# 核心对比功利学习与兴趣学习的产出效率from collections import defaultdictfrom storage import load_sessions, load_outputsfrom models import MotivationTypefrom tracker import get_recent_sessionsdef calculate_icr(motivation_type: MotivationType, days: int 30) - float:计算创意转化率 (Idea Conversion Rate)ICR 该驱动力下产生的创意点数 / 该驱动力下的总学习时长sessions load_sessions()outputs load_outputs()# 筛选时间窗口from datetime import datetime, timedeltacutoff datetime.now() - timedelta(daysdays)relevant_sessions [s for s in sessionsif s.motivation motivation_type and s.date cutoff]total_hours sum(s.duration_hours for s in relevant_sessions)# 统计这些session产生的创意去重output_ids set()for session in relevant_sessions:for output in outputs:if session.id in output.inspiration_source_ids:output_ids.add(output.id)total_outputs len(output_ids)if total_hours 0:return 0.0return total_outputs / total_hoursdef compare_motivations(days: int 30) - dict:对比两种驱动力的各项指标sessions load_sessions()outputs load_outputs()from datetime import datetime, timedeltacutoff datetime.now() - timedelta(daysdays)data {MotivationType.UTILITARIAN: {hours: 0, outputs: 0, score_sum: 0},MotivationType.INTEREST: {hours: 0, outputs: 0, score_sum: 0}}# 统计学习时长recent_sessions [s for s in sessions if s.date cutoff]for s in recent_sessions:data[s.motivation][hours] s.duration_hours# 统计产出output_map {o.id: o for o in outputs}for s in recent_sessions:for output_id in s.inspiration_source_ids:if output_id in output_map:o output_map[output_id]data[s.motivation][outputs] 1data[s.motivation][score_sum] o.value_score# 计算衍生指标report {}for m_type, stats in data.items():hours stats[hours]outputs stats[outputs]score_sum stats[score_sum]report[m_type.value] {学习时长(h): round(hours, 1),创意产出数: outputs,创意总价值: score_sum,创意转化率(个/h): round(outputs / hours, 2) if hours 0 else 0,价值密度(分/h): round(score_sum / hours, 2) if hours 0 else 0}return reportdef print_analysis_report(days: int 30):打印分析报告report compare_motivations(days)util report[utilitarian]inte report[interest]print(\n * 70)print(f 学习驱动力分析报告最近{days}天)print( * 70)print(f\n [功利驱动] vs [兴趣驱动])print(f 学习时长{util[学习时长(h)]}h vs {inte[学习时长(h)]}h)print(f 创意产出{util[创意产出数]}个 vs {inte[创意产出数]}个)print(f 创意转化率{util[创意转化率(个/h)]}个/h vs {inte[创意转化率(个/h)]}个/h)print(f 价值密度{util[价值密度(分/h)]}分/h vs {inte[价值密度(分/h)]}分/h)# 洞察icr_util util[创意转化率(个/h)]icr_inte inte[创意转化率(个/h)]print(\n --- 洞察 ---)if icr_inte icr_util * 1.5 and icr_inte 0:print(f ⚠ 兴趣驱动的创意转化率是功利驱动的 {round(icr_inte/max(icr_util,0.01), 1)} 倍。)print(f 建议考虑压缩功利学习时间将更多精力投入到兴趣探索中。)elif icr_util icr_inte * 1.5 and icr_util 0:print(f ✅ 功利学习近期效率较高可能是面临重要考核。)else:print(f 两种驱动力效率接近保持平衡。)if inte[学习时长(h)] 0:print(f ⚠ 最近{days}天未记录兴趣驱动的学习警惕 burnout职业倦怠。)5️⃣ 规划调整器planner.py# planner.py# 基于分析结果调整学习规划from analyzer import compare_motivationsfrom models import MotivationTypedef suggest_schedule_adjustment(current_weekly_plan: dict, lookback_days: int 30):根据历史数据建议下周计划调整Args:current_weekly_plan: {utilitarian: 10, # 当前计划功利学习10小时interest: 2 # 当前计划兴趣学习2小时}report compare_motivations(lookback_days)util_rate report[utilitarian][创意转化率(个/h)]inte_rate report[interest][创意转化率(个/h)]suggestion {original_plan: current_weekly_plan.copy(),suggested_plan: current_weekly_plan.copy(),reason: }# 规则1如果兴趣学习效率极高但时间占比极低建议增加兴趣时间total_hours sum(current_weekly_plan.values())interest_ratio current_weekly_plan.get(interest, 0) / max(total_hours, 1)if inte_rate util_rate * 2 and interest_ratio 0.2:# 建议从功利学习中划拨20%的时间给兴趣学习transfer_hours current_weekly_plan.get(utilitarian, 0) * 0.2suggestion[suggested_plan][utilitarian] - transfer_hourssuggestion[suggested_plan][interest] transfer_hourssuggestion[reason] (f兴趣驱动ICR({inte_rate})远高于功利驱动({util_rate})f且兴趣学习时间占比仅{interest_ratio*100:.1f}%。f建议划拨{transfer_hours:.1f}h/周给兴趣探索以最大化创意产出。)# 规则2如果功利学习效率极低且近期无考试建议大幅削减elif util_rate 0 and current_weekly_plan.get(utilitarian, 0) 5:reduction current_weekly_plan[utilitarian] * 0.5suggestion[suggested_plan][utilitarian] - reductionsuggestion[suggested_plan][interest] reductionsuggestion[reason] (f功利学习近期创意转化率为0且无紧急考核。f建议将{reduction:.1f}h/周转为兴趣学习以缓解倦怠。)if suggestion[original_plan] suggestion[suggested_plan]:suggestion[reason] 当前规划与历史数据匹配度较好无需大幅调整。return suggestiondef print_suggestion(current_plan: dict):打印调整建议result suggest_schedule_adjustment(current_plan)print(\n * 70)print( 下周学习计划调整建议)print( * 70)print(f\n 当前计划)print(f 功利学习{result[original_plan][utilitarian]}h)print(f 兴趣学习{result[original_plan][interest]}h)print(f\n 建议计划)print(f 功利学习{result[suggested_plan][utilitarian]:.1f}h)print(f 兴趣学习{result[suggested_plan][interest]:.1f}h)print(f\n 调整理由)print(f {result[reason]})6️⃣ 主程序入口main.py# main.py# CLI 主入口from storage import load_sessionsfrom tracker import log_learning_session, log_creative_outputfrom analyzer import print_analysis_reportfrom planner import print_suggestionfrom models import MotivationTypedef input_tags():raw input(标签逗号分隔回车跳过).strip()return [t.strip() for t in raw.split(,)] if raw else []def cmd_log_learning():print(\n--- 记录学习 ---)topic input(学习主题).strip()print(驱动力类型1.功利驱动 2.兴趣驱动)m_choice input(请选择 ).strip()motivation MotivationType.UTILITARIAN if m_choice 1 else MotivationType.INTERESTduration float(input(学习时长小时).strip())notes input(笔记回车跳过).strip()tags input_tags()log_learning_session(topic, motivation, duration, notes, tags)print( 学习记录已保存)def cmd_log_output():print(\n--- 记录创意产出 ---)sessions load_sessions()if not sessions:print( 请先记录学习条目。)returnprint( 最近的学习记录)for s in sessions[-5:]: # 只显示最近5条print(f [{s.id}] {s.topic} ({s.motivation.value}))ids_input input(关联的学习ID多个用逗号).strip()source_ids [int(i.strip()) for i in ids_input.split(,)]title input(产出标题).strip()desc input(产出描述).strip()score int(input(价值评分1-5).strip() or 1)o_type input(产出类型 (code/blog/idea)).strip() or idealog_creative_output(title, desc, source_ids, score, o_type)print( 创意产出已记录)def cmd_report():days int(input(分析最近多少天的数据默认30).strip() or 30)print_analysis_report(days)def cmd_plan():print(\n--- 制定下周计划 ---)util_h float(input(计划功利学习多少小时).strip())inte_h float(input(计划兴趣学习多少小时).strip())plan {utilitarian: util_h, interest: inte_h}print_suggestion(plan)def main():print( 学习驱动力分析器 v1.0)print( 用数据重塑你的学习规划)while True:print(\n - * 40)print( 1. 记录学习)print( 2. 记录创意产出)print( 3. 查看分析报告)print( 4. 获取下周规划建议)print( 5. 退出)print(- * 40)choice input(请选择 ).strip()if choice 1:cmd_log_learning()elif choice 2:cmd_log_output()elif choice 3:cmd_report()elif choice 4:cmd_plan()elif choice 5:print( 再见)breakelse:print( 无效选项。)if __name__ __main__:main()五、README 文件# 学习驱动力分析器 (Learning Driver Analytics)## 项目简介基于《心理健康与创新能力》课程理论开发的个人学习分析工具。通过追踪学习行为的驱动力功利 vs 兴趣及其对应的创意产出量化两种模式的投资回报率ROI从而科学调整长期学习规划。核心理念创新源于兴趣数据验证直觉。## 功能特性- **双轨记录**区分记录功利驱动和兴趣驱动的学习行为。- **归因分析**将创意产出代码、博客、想法回溯到具体的学习源头。- **效率对比**计算创意转化率(ICR)直观对比两种驱动力的产出效率。- **规划建议**基于历史数据自动建议下周的时间分配调整方案。## 环境要求- Python 3.8- 无需第三方依赖## 快速开始### 1. 运行程序python main.py### 2. 记录学习选项 1学习主题React Hooks 原理驱动力类型1 (功利驱动)学习时长2.5h### 3. 记录创意产出选项 2关联的学习ID1产出标题实现一个自定义的 useState Hook价值评分4产出类型code### 4. 查看分析报告选项 3创意转化率功利驱动 0.1个/h vs 兴趣驱动 0.8个/h 建议兴趣驱动的转化率是功利驱动的8倍...### 5. 获取规划建议选项 4建议计划功利学习 8h - 6h, 兴趣学习 2h - 4h## 数据文件- data/learning_sessions.json学习记录- data/creative_outputs.json创意产出记录## 适用人群- 感到学习焦虑、陷入囤积式学习的开发者- 希望提升创新能力和产出质量的创作者- 对个人成长进行量化管理的终身学习者## 核心理念引用 外在动机如金钱、成绩会削弱内在动机而内在动机才是创造力的源泉。 —— Edward Deci Richard Ryan, Self-Determination Theory六、使用说明典型工作流假设你是一名全栈工程师正在准备面试同时也想维护个人项目。Week 1:- 周一: 记录功利驱动 学习 LeetCode 动态规划 (2h)。- 周二: 记录兴趣驱动 学习 Rust 宏编程 (1.5h)。- 周三: 记录创意产出 用 Rust 宏简化日志代码关联周二的学习ID。- 周日: 运行分析报告。分析结果示例:学习驱动力分析报告最近7天[功利驱动] vs [兴趣驱动]学习时长12.0h vs 3.0h创意产出0个 vs 2个创意转化率0.0个/h vs 0.67个/h--- 洞察 ---⚠ 兴趣驱动的创意转化率是功利驱动的 N/A 倍。 建议考虑压缩功利学习时间将更多精力投入到兴趣探索中。⚠ 最近7天未记录兴趣驱动的学习警惕职业倦怠。规划调整:基于上述报告程序会建议将下周的计划从功利:兴趣 10:2 调整为8:4从而在保证备考的同时维持创新能力的活跃度。七、核心知识点卡片知识点 1自我决定论Self-Determination Theory, SDT定义由 Deci 和 Ryan 提出的动机理论认为人类有三种基本心理需求自主Autonomy、胜任Competence和归属Relatedness。内在动机兴趣能更好地满足这些需求从而促进创造力和心理健康。编程映射MotivationType 枚举强制用户在记录时觉察当下的心理状态。知识点 2德西效应Deci Effect定义外部奖励如金钱、分数会降低人们对任务本身的兴趣。当奖励消失动机也会消失。编程映射对比功利学习外部奖励导向和兴趣学习内部满足导向的ICR创意转化率通常后者在长期更具优势。知识点 3创意转化率Idea Conversion Rate, ICR定义这是一个自创的度量指标用于衡量单位时间学习所产生的创意数量。相比单纯的学习时长ICR 更能反映学习的深度和创新价值。编程映射calculate_icr() 函数核心逻辑是产出数 / 学习时长。知识点 4认知带宽Cognitive Bandwidth定义大脑处理信息的容量是有限的。功利学习往往伴随焦虑消耗大量认知带宽用于监控进度导致用于深度思考和联想的带宽不足。编程映射通过数据分析揭示高焦虑功利 低产出的模式从而提醒用户释放认知带宽。八、总结通过《心理健康与创新能力》课程的学习我深刻意识到很多时候我们不是学得不够而是学得太急。短期功利学习像止痛药能暂时缓解焦虑但治标不治本且副作用是抑制创造力而兴趣驱动的学习像维生素见效慢但能滋养长期的创新生命力。这个程序的价值不在于代码本身而在于它提供了一个元认知的抓手1. 看见通过数据看见两种学习模式的真实产出差异。2. 接纳接纳功利学习的必要性如生存需求但不迷信其万能。3. 调整基于证据而非情绪来调整时间分配允许自己浪费时间在看似无用的事情上因为那往往是创新的温床。正如课程中所言创新不是一种资源而是一种副产品。当你专注于解决问题或满足好奇心时创新自然会发生。愿这个工具能帮助你找回学习的乐趣让数据成为你对抗焦虑、拥抱创新的盟友。注本内容为个人学习与技术实践分享不构成任何专业建议利用AI解决实际问题如果你觉得这个工具好用欢迎关注长安牧笛
编写程序对比短期功利学习和兴趣驱动学习的创意产出量，调整长期学习规划。
用 Python 量化学习驱动力对比功利学习与兴趣驱动的创意产出一、实际应用场景描述在《心理健康与创新能力》课程中内在动机Intrinsic Motivation与外在动机Extrinsic Motivation对创造力的影响是一个核心议题。德西效应Deci Effect指出外在激励如考试、奖金、KPI在短期内有效但长期来看会削弱内在兴趣从而降低创造性产出的质量。典型场景- 开发者 A功利驱动为了跳槽突击学习 Go 语言刷完了所有面试题但半年后除了能应付面试没有任何个人项目产出。- 开发者 B兴趣驱动因为好奇编译原理业余时间写了一个简单的 Lisp 解释器虽然对求职无直接帮助但过程中产生了 3 个优化算法的创新思路。- 学生 C为了绩点选修了心理学考试后忘光但因为兴趣读了《思考快与慢》随后将其中的双系统理论应用到了 UI 交互设计中产出了获奖作品。现实中我们往往陷入短期功利陷阱——因为焦虑而学习因为学习而焦虑最终导致高投入、低产出、零创新。我们需要一个工具来量化这两种学习模式的差异从而调整长期规划找回学习的心流。二、引入痛点传统学习规划的盲区维度 短期功利学习 兴趣驱动学习 观测难点目标 考试/面试/升职 好奇心/探索欲 难以量化兴趣持续性 考完就忘 长期维持 难以追踪长期影响创意产出 几乎为零 不可预测的高 难以归因统计核心痛点总结我们无法证明兴趣驱动更有价值因为我们从来没有同时追踪过两者的创意转化率。 大多数人的学习日志只记录学了什么不记录创造了什么导致无法基于数据调整策略只能凭感觉在焦虑中徘徊。三、核心逻辑讲解程序的核心在于引入学习-产出归因模型1. 双轨记录- 记录学习行为并标记驱动力类型motivation_typeutilitarian功利或interest兴趣。- 记录创意产出Idea/Blog/Code/Design并回溯其灵感来源的学习条目。2. 量化指标- 创意转化率产出数量 / 学习时长。这比单纯的学习时长更能反映质量。- 半衰期学习后多久还能产生新创意。功利学习通常半衰期极短考试后即失效。3. 决策辅助- 当数据显示功利学习的创意转化率显著低于兴趣学习时程序会在周报/月报中发出警告并建议调整时间分配例如将每周 20% 的功利学习时间转为兴趣探索。核心公式创意转化率 (ICR) 该时段内产生的创意点数 / 该时段内的有效学习小时数学习 ROI Σ(创意点数 × 创意权重) / 学习总投入四、代码模块化实现项目结构learning_driver_analytics/│├── README.md├── main.py # CLI 交互入口├── models.py # 数据模型定义├── storage.py # 数据持久化├── tracker.py # 学习记录与产出记录├── analyzer.py # 核心分析与对比逻辑└── planner.py # 学习规划调整建议1️⃣ 数据模型models.py# models.py# 定义学习记录与创意产出的数据模型# 核心设计建立学习行为到创意产出的因果链from dataclasses import dataclass, fieldfrom datetime import datetimefrom typing import List, Optionalfrom enum import Enumclass MotivationType(Enum):学习驱动力类型UTILITARIAN utilitarian # 功利驱动考试、面试、KPIINTEREST interest # 兴趣驱动好奇、热爱、探索dataclassclass LearningSession:一次学习记录id: inttopic: str # 学习主题如Go 并发模型motivation: MotivationType # 驱动力类型duration_hours: float # 学习时长小时date: datetime field(default_factorydatetime.now)notes: Optional[str] None # 学习笔记/心得tags: List[str] field(default_factorylist)def to_dict(self):return {id: self.id,topic: self.topic,motivation: self.motivation.value,duration_hours: self.duration_hours,date: self.date.isoformat(),notes: self.notes,tags: self.tags}classmethoddef from_dict(cls, data: dict):return cls(iddata[id],topicdata[topic],motivationMotivationType(data[motivation]),duration_hoursdata[duration_hours],datedatetime.fromisoformat(data[date]),notesdata.get(notes),tagsdata.get(tags, []))dataclassclass CreativeOutput:一次创意产出记录id: inttitle: str # 产出标题如实现一个简易Redisdescription: str # 详细描述inspiration_source_ids: List[int] # 关键字段关联的学习Session ID溯源value_score: int 1 # 价值评分1-5主观评价影响力date: datetime field(default_factorydatetime.now)output_type: str code # 类型code/blog/design/ideadef to_dict(self):return {id: self.id,title: self.title,description: self.description,inspiration_source_ids: self.inspiration_source_ids,value_score: self.value_score,date: self.date.isoformat(),output_type: self.output_type}classmethoddef from_dict(cls, data: dict):return cls(iddata[id],titledata[title],descriptiondata[description],inspiration_source_idsdata[inspiration_source_ids],value_scoredata.get(value_score, 1),datedatetime.fromisoformat(data[date]),output_typedata.get(output_type, code))设计要点- 使用Enum 规范驱动力类型避免脏数据。-CreativeOutput 中的inspiration_source_ids 是灵魂字段它建立了学习与产出的因果关系使得后续的归因分析成为可能。2️⃣ 持久化层storage.py# storage.py# 数据持久化模块# 职责隔离IO操作提供纯净的数据接口import jsonimport osfrom typing import Listfrom models import LearningSession, CreativeOutputDATA_DIR dataSESSION_FILE os.path.join(DATA_DIR, learning_sessions.json)OUTPUT_FILE os.path.join(DATA_DIR, creative_outputs.json)def _ensure_data_dir():if not os.path.exists(DATA_DIR):os.makedirs(DATA_DIR)# ---------- LearningSession 操作 ----------def load_sessions() - List[LearningSession]:if not os.path.exists(SESSION_FILE):return []with open(SESSION_FILE, r, encodingutf-8) as f:return [LearningSession.from_dict(item) for item in json.load(f)]def save_sessions(sessions: List[LearningSession]):_ensure_data_dir()with open(SESSION_FILE, w, encodingutf-8) as f:json.dump([s.to_dict() for s in sessions], f, ensure_asciiFalse, indent2)def get_next_session_id() - int:sessions load_sessions()return max((s.id for s in sessions), default0) 1# ---------- CreativeOutput 操作 ----------def load_outputs() - List[CreativeOutput]:if not os.path.exists(OUTPUT_FILE):return []with open(OUTPUT_FILE, r, encodingutf-8) as f:return [CreativeOutput.from_dict(item) for item in json.load(f)]def save_outputs(outputs: List[CreativeOutput]):_ensure_data_dir()with open(OUTPUT_FILE, w, encodingutf-8) as f:json.dump([o.to_dict() for o in outputs], f, ensure_asciiFalse, indent2)def get_next_output_id() - int:outputs load_outputs()return max((o.id for o in outputs), default0) 13️⃣ 核心追踪逻辑tracker.py# tracker.py# 核心追踪模块# 负责记录学习行为和创意产出并处理两者的关联from datetime import datetime, timedeltafrom storage import (load_sessions, save_sessions, get_next_session_id,load_outputs, save_outputs, get_next_output_id)from models import LearningSession, CreativeOutput, MotivationTypedef log_learning_session(topic: str,motivation: MotivationType,duration: float,notes: str None,tags: list None) - LearningSession:记录一次学习session LearningSession(idget_next_session_id(),topictopic,motivationmotivation,duration_hoursduration,notesnotes,tagstags or [])sessions load_sessions()sessions.append(session)save_sessions(sessions)return sessiondef log_creative_output(title: str,description: str,source_session_ids: list,value_score: int 1,output_type: str idea) - CreativeOutput:记录一次创意产出并关联学习源output CreativeOutput(idget_next_output_id(),titletitle,descriptiondescription,inspiration_source_idssource_session_ids,value_scorevalue_score,output_typeoutput_type)outputs load_outputs()outputs.append(output)save_outputs(outputs)return outputdef get_recent_sessions(days: int 7) - list:获取最近N天的学习记录cutoff datetime.now() - timedelta(daysdays)sessions load_sessions()return [s for s in sessions if s.date cutoff]def get_outputs_by_session_id(session_id: int) - list:根据学习ID查找由此产生的创意outputs load_outputs()return [o for o in outputs if session_id in o.inspiration_source_ids]4️⃣ 统计分析引擎analyzer.py# analyzer.py# 统计分析模块# 核心对比功利学习与兴趣学习的产出效率from collections import defaultdictfrom storage import load_sessions, load_outputsfrom models import MotivationTypefrom tracker import get_recent_sessionsdef calculate_icr(motivation_type: MotivationType, days: int 30) - float:计算创意转化率 (Idea Conversion Rate)ICR 该驱动力下产生的创意点数 / 该驱动力下的总学习时长sessions load_sessions()outputs load_outputs()# 筛选时间窗口from datetime import datetime, timedeltacutoff datetime.now() - timedelta(daysdays)relevant_sessions [s for s in sessionsif s.motivation motivation_type and s.date cutoff]total_hours sum(s.duration_hours for s in relevant_sessions)# 统计这些session产生的创意去重output_ids set()for session in relevant_sessions:for output in outputs:if session.id in output.inspiration_source_ids:output_ids.add(output.id)total_outputs len(output_ids)if total_hours 0:return 0.0return total_outputs / total_hoursdef compare_motivations(days: int 30) - dict:对比两种驱动力的各项指标sessions load_sessions()outputs load_outputs()from datetime import datetime, timedeltacutoff datetime.now() - timedelta(daysdays)data {MotivationType.UTILITARIAN: {hours: 0, outputs: 0, score_sum: 0},MotivationType.INTEREST: {hours: 0, outputs: 0, score_sum: 0}}# 统计学习时长recent_sessions [s for s in sessions if s.date cutoff]for s in recent_sessions:data[s.motivation][hours] s.duration_hours# 统计产出output_map {o.id: o for o in outputs}for s in recent_sessions:for output_id in s.inspiration_source_ids:if output_id in output_map:o output_map[output_id]data[s.motivation][outputs] 1data[s.motivation][score_sum] o.value_score# 计算衍生指标report {}for m_type, stats in data.items():hours stats[hours]outputs stats[outputs]score_sum stats[score_sum]report[m_type.value] {学习时长(h): round(hours, 1),创意产出数: outputs,创意总价值: score_sum,创意转化率(个/h): round(outputs / hours, 2) if hours 0 else 0,价值密度(分/h): round(score_sum / hours, 2) if hours 0 else 0}return reportdef print_analysis_report(days: int 30):打印分析报告report compare_motivations(days)util report[utilitarian]inte report[interest]print(\n * 70)print(f 学习驱动力分析报告最近{days}天)print( * 70)print(f\n [功利驱动] vs [兴趣驱动])print(f 学习时长{util[学习时长(h)]}h vs {inte[学习时长(h)]}h)print(f 创意产出{util[创意产出数]}个 vs {inte[创意产出数]}个)print(f 创意转化率{util[创意转化率(个/h)]}个/h vs {inte[创意转化率(个/h)]}个/h)print(f 价值密度{util[价值密度(分/h)]}分/h vs {inte[价值密度(分/h)]}分/h)# 洞察icr_util util[创意转化率(个/h)]icr_inte inte[创意转化率(个/h)]print(\n --- 洞察 ---)if icr_inte icr_util * 1.5 and icr_inte 0:print(f ⚠ 兴趣驱动的创意转化率是功利驱动的 {round(icr_inte/max(icr_util,0.01), 1)} 倍。)print(f 建议考虑压缩功利学习时间将更多精力投入到兴趣探索中。)elif icr_util icr_inte * 1.5 and icr_util 0:print(f ✅ 功利学习近期效率较高可能是面临重要考核。)else:print(f 两种驱动力效率接近保持平衡。)if inte[学习时长(h)] 0:print(f ⚠ 最近{days}天未记录兴趣驱动的学习警惕 burnout职业倦怠。)5️⃣ 规划调整器planner.py# planner.py# 基于分析结果调整学习规划from analyzer import compare_motivationsfrom models import MotivationTypedef suggest_schedule_adjustment(current_weekly_plan: dict, lookback_days: int 30):根据历史数据建议下周计划调整Args:current_weekly_plan: {utilitarian: 10, # 当前计划功利学习10小时interest: 2 # 当前计划兴趣学习2小时}report compare_motivations(lookback_days)util_rate report[utilitarian][创意转化率(个/h)]inte_rate report[interest][创意转化率(个/h)]suggestion {original_plan: current_weekly_plan.copy(),suggested_plan: current_weekly_plan.copy(),reason: }# 规则1如果兴趣学习效率极高但时间占比极低建议增加兴趣时间total_hours sum(current_weekly_plan.values())interest_ratio current_weekly_plan.get(interest, 0) / max(total_hours, 1)if inte_rate util_rate * 2 and interest_ratio 0.2:# 建议从功利学习中划拨20%的时间给兴趣学习transfer_hours current_weekly_plan.get(utilitarian, 0) * 0.2suggestion[suggested_plan][utilitarian] - transfer_hourssuggestion[suggested_plan][interest] transfer_hourssuggestion[reason] (f兴趣驱动ICR({inte_rate})远高于功利驱动({util_rate})f且兴趣学习时间占比仅{interest_ratio*100:.1f}%。f建议划拨{transfer_hours:.1f}h/周给兴趣探索以最大化创意产出。)# 规则2如果功利学习效率极低且近期无考试建议大幅削减elif util_rate 0 and current_weekly_plan.get(utilitarian, 0) 5:reduction current_weekly_plan[utilitarian] * 0.5suggestion[suggested_plan][utilitarian] - reductionsuggestion[suggested_plan][interest] reductionsuggestion[reason] (f功利学习近期创意转化率为0且无紧急考核。f建议将{reduction:.1f}h/周转为兴趣学习以缓解倦怠。)if suggestion[original_plan] suggestion[suggested_plan]:suggestion[reason] 当前规划与历史数据匹配度较好无需大幅调整。return suggestiondef print_suggestion(current_plan: dict):打印调整建议result suggest_schedule_adjustment(current_plan)print(\n * 70)print( 下周学习计划调整建议)print( * 70)print(f\n 当前计划)print(f 功利学习{result[original_plan][utilitarian]}h)print(f 兴趣学习{result[original_plan][interest]}h)print(f\n 建议计划)print(f 功利学习{result[suggested_plan][utilitarian]:.1f}h)print(f 兴趣学习{result[suggested_plan][interest]:.1f}h)print(f\n 调整理由)print(f {result[reason]})6️⃣ 主程序入口main.py# main.py# CLI 主入口from storage import load_sessionsfrom tracker import log_learning_session, log_creative_outputfrom analyzer import print_analysis_reportfrom planner import print_suggestionfrom models import MotivationTypedef input_tags():raw input(标签逗号分隔回车跳过).strip()return [t.strip() for t in raw.split(,)] if raw else []def cmd_log_learning():print(\n--- 记录学习 ---)topic input(学习主题).strip()print(驱动力类型1.功利驱动 2.兴趣驱动)m_choice input(请选择 ).strip()motivation MotivationType.UTILITARIAN if m_choice 1 else MotivationType.INTERESTduration float(input(学习时长小时).strip())notes input(笔记回车跳过).strip()tags input_tags()log_learning_session(topic, motivation, duration, notes, tags)print( 学习记录已保存)def cmd_log_output():print(\n--- 记录创意产出 ---)sessions load_sessions()if not sessions:print( 请先记录学习条目。)returnprint( 最近的学习记录)for s in sessions[-5:]: # 只显示最近5条print(f [{s.id}] {s.topic} ({s.motivation.value}))ids_input input(关联的学习ID多个用逗号).strip()source_ids [int(i.strip()) for i in ids_input.split(,)]title input(产出标题).strip()desc input(产出描述).strip()score int(input(价值评分1-5).strip() or 1)o_type input(产出类型 (code/blog/idea)).strip() or idealog_creative_output(title, desc, source_ids, score, o_type)print( 创意产出已记录)def cmd_report():days int(input(分析最近多少天的数据默认30).strip() or 30)print_analysis_report(days)def cmd_plan():print(\n--- 制定下周计划 ---)util_h float(input(计划功利学习多少小时).strip())inte_h float(input(计划兴趣学习多少小时).strip())plan {utilitarian: util_h, interest: inte_h}print_suggestion(plan)def main():print( 学习驱动力分析器 v1.0)print( 用数据重塑你的学习规划)while True:print(\n - * 40)print( 1. 记录学习)print( 2. 记录创意产出)print( 3. 查看分析报告)print( 4. 获取下周规划建议)print( 5. 退出)print(- * 40)choice input(请选择 ).strip()if choice 1:cmd_log_learning()elif choice 2:cmd_log_output()elif choice 3:cmd_report()elif choice 4:cmd_plan()elif choice 5:print( 再见)breakelse:print( 无效选项。)if __name__ __main__:main()五、README 文件# 学习驱动力分析器 (Learning Driver Analytics)## 项目简介基于《心理健康与创新能力》课程理论开发的个人学习分析工具。通过追踪学习行为的驱动力功利 vs 兴趣及其对应的创意产出量化两种模式的投资回报率ROI从而科学调整长期学习规划。核心理念创新源于兴趣数据验证直觉。## 功能特性- **双轨记录**区分记录功利驱动和兴趣驱动的学习行为。- **归因分析**将创意产出代码、博客、想法回溯到具体的学习源头。- **效率对比**计算创意转化率(ICR)直观对比两种驱动力的产出效率。- **规划建议**基于历史数据自动建议下周的时间分配调整方案。## 环境要求- Python 3.8- 无需第三方依赖## 快速开始### 1. 运行程序python main.py### 2. 记录学习选项 1学习主题React Hooks 原理驱动力类型1 (功利驱动)学习时长2.5h### 3. 记录创意产出选项 2关联的学习ID1产出标题实现一个自定义的 useState Hook价值评分4产出类型code### 4. 查看分析报告选项 3创意转化率功利驱动 0.1个/h vs 兴趣驱动 0.8个/h 建议兴趣驱动的转化率是功利驱动的8倍...### 5. 获取规划建议选项 4建议计划功利学习 8h - 6h, 兴趣学习 2h - 4h## 数据文件- data/learning_sessions.json学习记录- data/creative_outputs.json创意产出记录## 适用人群- 感到学习焦虑、陷入囤积式学习的开发者- 希望提升创新能力和产出质量的创作者- 对个人成长进行量化管理的终身学习者## 核心理念引用 外在动机如金钱、成绩会削弱内在动机而内在动机才是创造力的源泉。 —— Edward Deci Richard Ryan, Self-Determination Theory六、使用说明典型工作流假设你是一名全栈工程师正在准备面试同时也想维护个人项目。Week 1:- 周一: 记录功利驱动 学习 LeetCode 动态规划 (2h)。- 周二: 记录兴趣驱动 学习 Rust 宏编程 (1.5h)。- 周三: 记录创意产出 用 Rust 宏简化日志代码关联周二的学习ID。- 周日: 运行分析报告。分析结果示例:学习驱动力分析报告最近7天[功利驱动] vs [兴趣驱动]学习时长12.0h vs 3.0h创意产出0个 vs 2个创意转化率0.0个/h vs 0.67个/h--- 洞察 ---⚠ 兴趣驱动的创意转化率是功利驱动的 N/A 倍。 建议考虑压缩功利学习时间将更多精力投入到兴趣探索中。⚠ 最近7天未记录兴趣驱动的学习警惕职业倦怠。规划调整:基于上述报告程序会建议将下周的计划从功利:兴趣 10:2 调整为8:4从而在保证备考的同时维持创新能力的活跃度。七、核心知识点卡片知识点 1自我决定论Self-Determination Theory, SDT定义由 Deci 和 Ryan 提出的动机理论认为人类有三种基本心理需求自主Autonomy、胜任Competence和归属Relatedness。内在动机兴趣能更好地满足这些需求从而促进创造力和心理健康。编程映射MotivationType 枚举强制用户在记录时觉察当下的心理状态。知识点 2德西效应Deci Effect定义外部奖励如金钱、分数会降低人们对任务本身的兴趣。当奖励消失动机也会消失。编程映射对比功利学习外部奖励导向和兴趣学习内部满足导向的ICR创意转化率通常后者在长期更具优势。知识点 3创意转化率Idea Conversion Rate, ICR定义这是一个自创的度量指标用于衡量单位时间学习所产生的创意数量。相比单纯的学习时长ICR 更能反映学习的深度和创新价值。编程映射calculate_icr() 函数核心逻辑是产出数 / 学习时长。知识点 4认知带宽Cognitive Bandwidth定义大脑处理信息的容量是有限的。功利学习往往伴随焦虑消耗大量认知带宽用于监控进度导致用于深度思考和联想的带宽不足。编程映射通过数据分析揭示高焦虑功利 低产出的模式从而提醒用户释放认知带宽。八、总结通过《心理健康与创新能力》课程的学习我深刻意识到很多时候我们不是学得不够而是学得太急。短期功利学习像止痛药能暂时缓解焦虑但治标不治本且副作用是抑制创造力而兴趣驱动的学习像维生素见效慢但能滋养长期的创新生命力。这个程序的价值不在于代码本身而在于它提供了一个元认知的抓手1. 看见通过数据看见两种学习模式的真实产出差异。2. 接纳接纳功利学习的必要性如生存需求但不迷信其万能。3. 调整基于证据而非情绪来调整时间分配允许自己浪费时间在看似无用的事情上因为那往往是创新的温床。正如课程中所言创新不是一种资源而是一种副产品。当你专注于解决问题或满足好奇心时创新自然会发生。愿这个工具能帮助你找回学习的乐趣让数据成为你对抗焦虑、拥抱创新的盟友。注本内容为个人学习与技术实践分享不构成任何专业建议利用AI解决实际问题如果你觉得这个工具好用欢迎关注长安牧笛
