學習分析視域下的在線學習動機評估研究*

孫發勤 馮 銳

學習分析視域下的在線學習動機評估研究*

孫發勤 馮 銳

（揚州大學 新聞與傳媒學院，江蘇揚州 225009）

突如其來的新冠肺炎疫情使在線課程的學習效果受到質疑，在線學習動機研究逐漸受到重視。在此背景下，文章以現有研究中主觀動機測量模型為基礎，梳理出評估學習動機的一級指標，在借鑒學習投入研究成果的基礎上，結合在線學習過程中產生的行為數據，確定了評估學習動機的觀測指標，并通過機器學習研究得到一種在線學習動機四級分類模型。最后，通過半結構化訪談，文章發現在線學習過程中，近期價值、自主感、工具性、社會關系等與學習動機的形成有較強的正向關系，而情感態度對學習動機的形成影響較弱。文章提出的在線學習動機評估方法可為在線學習平臺的設計提供一定的理論參考。

在線學習；學習動機；動機評估；影響因素

突如其來的新冠肺炎疫情把在線教育再一次推到了聚光燈下。在“停課不停學”的號召下，在線教育經受住了這次前所未有的考驗，但在線學習的效果也受到質疑。學者紛紛開始思考：究竟是什么影響了在線學習效果？不少學者把目光聚焦于學習動機，如高秀梅等[1]認為學習動機是學業成績的正向預測源，何聚厚等[2]構建了VR教育游戲學習動機影響因素模型，發現學習動機對成績有顯著影響。隨著大數據在教育領域的廣泛應用，在線學習者的細粒度學習行為數據被詳細地記錄下來——若能在這些數據中找到動機外化的學習行為大數據，就可以基于這些數據來分析和評估學習者在線學習的動機水平、差異及變化，間接了解學習者參加在線課程的學習動機水平和學習愿望。傳統的學習動機研究以訪談、問卷調查等主觀評價方法為主，這些方法可能會因研究者的介入干擾學習者正常的學習過程而造成偏差?；谠诰€學習行為分析的學習動機評估是一種客觀非介入評價方法，可以在學習者無感的情況下采集其在線學習行為從而對其學習動機水平進行評估，本研究重在探析這一方法如何應用于在線學習動機的評估實踐。

一 學習動機的評估方法

Woolfolk將學習動機定義為：“尋求學習活動的意義并努力從這些活動中獲得益處的傾向”[3]。學習動機是推動學習者學習的內在動力，與其學習目標、興趣、自信心和自我效能感密不可分。目前對學習動機的研究主要涉及兩大主題：①學習動機是如何產生的？②如何維持和增強學習動機？而這兩大主題研究都指向一個基本的問題——如何對學習動機進行量化評估？

1 學習動機的主觀評估

對于學習動機，不少研究者采用自我報告、問卷調查和訪談等主觀評測方法進行評測。如吳峰等[4]以“非約束條件下成人在線學習動機量表”為工具進行問卷調查，發現學習者在線學習動機整體存在顯著性差異；唐涌等[5]采用問卷調查法和個別訪談法，對遠程學習者的學習動機及其影響因素進行調查和分析。不過，由于學習動機是一種不穩定的狀態，所以不同的學習內容、不同的學習階段，動機水平都可能會不同，如果使用問卷調查頻繁地收集學習者動機的信息，就可能會干擾學習者正常的學習過程，因此采用主觀評價方法對學習動機進行量化評估有很大的局限性。

2 學習動機的客觀評估

動機是一種心理建構，可以對行為傾向與行為目標進行指導。而成就目標定向理論表明，個體的目標取向與學習行為和學習成績有關[6]。因此，可以通過研究學習動機的外在行為表現，即達成的學業成績間接測量學習者的學習動機，這種通過從學習者的行為或心理反應中收集的數據分析研究學習動機的方法，即為學習動機的客觀評估。客觀評估通常是非侵入性的，因此更適合應用于需要頻繁評估的在線學習場景，可以將學習動機的評估貫穿于整個學習過程。例如，Henderlong[7]通過對兒童在博物館展覽場景中的選擇和堅持行為研究其學習動機，Patrick[8]制定了一個課堂觀察協議來觀察課堂環境中學生的動機行為。

通過對學習動機評估方法相關研究成果的梳理，可以發現：目前對學習動機的研究主要以主觀評估、定性分析為主，大部分研究都是基于主觀觀測，客觀評估也主要用于線下課堂，很少有針對線上用戶學習動機的研究。此外，利用機器學習方法研究在線學習者學習行為與學習動機之間關系的案例在文獻中也鮮有提及。

二 在線學習動機的研究設計

學習動機是學習者在學習過程中通過其行為表現出來的一種動機，它以各種外化形式表現出來，如興趣、自我概念、目標、價值觀、歸因、挑戰、外部刺激等。本研究使用客觀評估的方法，首先通過動機理論梳理出影響在線學習動機的指標，然后以動機測量理論及現有文獻為依據，構建在線學習動機外化形式測量的觀測指標，并萃取在線學習系統中學習者實時行為數據記錄、活動日志等細粒度數據，形成觀測指標的觀測數據，最后通過機器學習的方法分析不同動機的在線學習者的學習行為差異。

1 在線學習動機評估核心指標選擇

關于動機模型的理論主要有三種：自我決定理論、期望理論和期望價值理論。其中，自我決定理論認為，內在動機的行為是為了滿足三種需要而采取的行為：勝任感、歸屬感和自主感[9]；期望理論認為，某一特定行為的動機水平由三個因素組成：期望、價值和工具性[10]。而期望價值理論認為，個體完成各種任務的動機受認知、意識和情感過程的影響，期望價值模型有三個組成部分：期望、價值和情感[11]。各動機模型理論的影響因素及其核心指標如表1所示。

表1 動機模型理論的影響因素及其核心指標

從上述三種動機模型理論的核心指標中，本研究采用合并法，選擇自我效能、社會關系、自主感、歸屬感、近期價值、長遠價值、工具性、情感態度為在線學習動機評估的核心指標；同時將這些指標與在線學習場景相融合，結合相關文獻，梳理出學習動機評估指標的在線學習內涵：①自我效能是指是否有能力做這個任務，完成這個任務[12]；②社會關系是指通過在互動與他人建立聯系的體驗（師生關系及生生關系）；③自主感是指自由的發言權和選擇權；④歸屬感是指集體（學校、課堂或在線學習者社區）及共同利益得到滿足；⑤近期價值是指課程材料對學生的有趣、有用和重要；⑥長遠價值是指課程完成是否會帶來有價值的結果或工作績效的提高；⑦工具性是指目標要自覺提出，且要求具體，對認知過程的感知與自我調節[13]；⑧情感態度是指學生的信念。

表2 在線學習動機評估觀測指標

2 在線學習動機評估觀測指標設計

對在線學習動機的研究，很多研究者采用在線學習投入水平來映射學習者的學習動機水平，研究聚焦于在線學習行為投入分析框架與測量指標，如李爽等[15]提出的在線學習行為投入分析框架中包含6類行為投入維度、17個子維度，張思等[16]提出的網絡學習空間中學習者學習投入模型包含4類投入維度、16個投入指標，這些指標與學術界通常使用的在線學習環境下動機測量的四個常規指標基本吻合：①閱讀、解決問題、測試、在學習環境中執行特定任務所花的時間[17][18][19]，通常用TimeOnTask表示；②學習者執行特定任務、活動的次數，如閱讀頁面、觀看視頻、進行調查、練習、測試的次數[20]，通常用NumRepeatTask表示；③學習者提出的幫助請求或提示請求的數量，如求助系統、求助老師或在論壇發帖求助等次數，通常用NumHelpRequests表示——此指標需要結合TimeOnTask一起使用，防止學生“游戲系統(Gaming the system)”[21]；④學習者個人的信念，即他們以一定的績效水平執行任務能力的自我感覺，用“可以做”而不是“會做”來衡量[22]，通常用SelfEfficacy表示。還有部分文獻將生物信息如眨眼頻率等[23]也納入了在線動機的評估指標。

為了評估線下學習者動機水平，美國學者Stipek提出在課堂上教師應該經常從學生學習行為的22個方面來對學生的學習動機進行觀察，為診斷和提高學生的課堂動機水平提供了具體的案例和實際指導[24]。從Stipek線下學習動機觀測指標中選取部分指標，結合上文分析，本研究設計出在線學習動機評估觀測指標，如表2所示。

三 在線學習動機研究的具體實施

本研究使用機器學習方法，對學習者在線學習行為數據進行處理：首先進行數據的獲取與預處理，之后進行數據建模、調優，最后對模型進行可視化和解讀。

1 數據獲取

本研究的數據來自“好大學在線”慕課平臺某藝術類課程，課程主要面向高等教育階段學生開設。此課程為通修課，學習者的專業覆蓋范圍較廣，主要涉及教育學、文學、新聞學、藝術學等。相較于其它平臺，該平臺提供了更多、更底層、更細粒度的學習數據，以便研究者深入洞悉學習者的學習過程，如平臺記錄了學習者完成每一道測試題的答題時間、答題次數和每次答題的開始時間、結束時間等。數據采集的是該課程從2020年9月7日至2020年12月27日共16周的學習者學習數據。開課期間，共有621人選課，本研究提取了所有學習者參與視頻查看、客觀題答題、主觀題答題、論壇討論等活動的在線學習數據及相關日志記錄。在數據整理的過程中，本研究刪除了沒有任何系統登錄信息與學習記錄的37名學習者的相關信息，所有數據均進行了個人信息脫敏處理并重新編號。

2 數據預處理

獲取數據后，本研究進行了數據預處理。對缺失值（如部分學習者沒有開始答題時間）與異常值（如客觀題答題時間超過1天）數據進行處理，并在對數據的屬性進行規約、清洗和變換之后，形成表2所示的觀測指標數據。其中，情感數據主要使用學習者在論壇討論過程中發表的文字，通過Google開源NLP API做情感分析。對于包含多個觀測指標的核心指標，本研究采用主成分分析法，通過保留90%的方差，選取第一主成分作為核心指標值。經過主成分分析處理后，除了近期價值的第一主成分包含方差為88.13%，其余每個核心指標的第一主成分包含方差均大于90%，說明每個核心指標使用第一主成分來表示的做法基本合理。

3 建模過程

（1）利用聚類識別數據中自然分組

為了識別數據中的自然分組，本研究應用了X-means聚類算法。聚類前，本研究首先將18個觀測指標通過Z變換做歸一化處理——鑒于研究結果的可解釋性，設定X-means中K值范圍為3～10。數據聚類后，本研究得到4個簇，DBI（戴維森堡丁指數）值為0.789，聚類結果如圖1所示。其中，簇2和簇3的內部平均距離較小（分別為10.56、12.02），說明這兩個簇的收斂程度較高；而簇0和簇1的內部平均距離較大（分別為24.53、25.14），說明這兩個簇的收斂程度較低，可見簇內的成員差異比較大。簇間的平均距離為19.38，大于簇2、簇3的內部平均距離，說明簇2、簇3有較好的區分度，而簇0、簇1的區分度略低。

本研究用雷達圖來表示核心指標聚類后的質心表，如圖2所示，這四個簇在歸屬感、近期價值、長期價值及工具性有較大差異，而在情感態度、社會關系及自我效能則相差較小。

圖1 X-means聚類結果

圖2 核心指標聚類后的質心表雷達圖

（2）分析分組數據特征確定分組標簽

為了檢測簇內的數據相對于其它組的數據是否有區分度，本研究將聚類后的簇名（即為Cluster_0～Cluster_3）再次作為標簽，使用決策樹算法對原數據進行分類建模，其中70%的數據用于訓練模型，30%的數據用于測試模型。在線學習動機決策樹經模型性能測試后，精度值為0.885，Kappa值為0.814，得到的分類混淆矩陣如表3所示，說明決策樹分類模型能較好地擬合數據，利用模型可以較為精準地區分不同簇內的數據。

表3 在線學習動機決策樹分類混淆矩陣

圖3 按照決策樹條件分支為各簇指定標簽

圖4 課程開設后100天內學習人數統計

那么，不同簇內的數據究竟如何區分？或者說，不同簇內數據的本質區別表現在哪些方面？如圖3所示，本研究將決策樹模型進行可視化，按照決策樹中的各條件分支，為聚類后形成的4個自然分組分別指定標簽。本研究發現，有一類學習者的近期價值異常高（＞127.0），相關數據分析表明：這類學習者觀看視頻的次數很多，且每個視頻的觀看時間遠遠高于視頻本身的長度，但他們參與其它類型的學習活動都比較少。經過大量的數據分析，本研究認定這類學習者具有“掛機”行為，即視頻雖然開著，學習者本人并沒有學習行為，可被稱為“被動敷衍學習者”。此外，圖3還顯示：長遠價值是區分被動缺乏毅力者與主動常規學習者的主要指標，而自我效能是區分主動積極參與者與主動常規學習者的主要指標。

4 模型解讀

為了進一步分析不同動機學習者的主要行為差別，本研究結合圖2所示的雷達圖、圖3所示的決策樹和不同核心指標第一主成分的觀察值均值，對每一個簇進行了綜合量化分析。

（1）被動敷衍學習者（Cluster 3，動機水平=1）

簇3中學習者單個視頻的觀看次數與觀看總時長遠遠超過平均值，而登錄次數及完成作業、參與討論的次數又明顯低于平均值，說明這部分學習者偶爾登錄系統，但視頻學習多具有“掛機”行為，表現出“近期價值”指標水平很高；但是，他們幾乎不參加課程的任何討論，也幾乎不參與課程作業互評且互評的投訴率極高，表現出“長遠價值”指標水平很低、“歸屬感”指標水平也極低?？梢姡@部分學習者的學習動機完全來源于外部，動機水平低，屬于被動敷衍學習者——他們約占總數的33.7%，起始動機較弱且維持動機水平的能力也很弱。

（2）被動缺乏毅力者（Cluster 2，動機水平=2）

簇2中學習者的開始學習時間略低于平均學習時間，登錄次數和學習時長也低于平均值，但視頻觀看率均接近100%，說明這部分學生有良好的開始，但后期不能繼續堅持；他們完成課程作業情況與視頻觀看類似，前幾次（尤其是第1、2次）的作業完成率都在90%以上，后期明顯減少，表現出“近期價值”指標水平較低；他們很少參與討論，前幾次的互評質量高，但后期課程參與率極低，表現出“長遠價值”指標水平較低?？梢?，這部分學習者的學習動機主要來源于外部，動機水平一般在其學習的過程中不斷降低，這是缺乏毅力的表現，屬于被動缺乏毅力者——他們約占總數的45.5%，起始動機較強，但缺乏維持動機水平的策略與能力。

（3）主動常規學習者（Cluster 1，動機水平=3）

簇1中學習者的開始學習時間明顯低于平均值，但登錄次數和學習時長都略高于平均值，說明這部分學習者能主動、積極地開始學習，能堅持看完視頻、完成課程的部分作業，表現出“近期價值”指標處于中高水平；他們特別熱衷于作業互評，且互評質量較高，表現出較高的“長遠價值”指標水平；另外，他們也愿意在課程論壇中積極參與其他學習者的主題討論，表現出較高的“情感態度”指標水平；他們偶爾也會為了有一個好的成績而反復“刷題”，表現出較高的“工具性”指標水平。本研究使用“常規”這個詞來描述這個簇的學習者，因為這部分學習者按常理而言應該是在線學習用戶中最大的群體，但實際卻是最小的（約占總數的4.6%），他們動機水平較高，起始動機較強且維持動機水平的能力也較強。

（4）主動積極參與者（Cluster 0，動機水平=4）

簇0中學習者的開始學習時間低于平均值，但登錄次數和學習時長遠遠高于平均值，說明這部分學習者能快速投入到學習中，且能長時間堅持高頻率學習，幾乎每次都能準時完成課程的所有主觀或客觀作業，表現出“近期價值”指標的高水平；但他們參與的課程討論以發帖為主，回帖量很少，互評的參與率在均值（0.21）左右，表現出高水平的“長遠價值”指標水平；不管題目多么困難，他們在完成作業時都追求滿分，表現出極高的“自我效能”指標水平。從數據來看，雖然這部分學習者人數較少，但是個體間的差異較大，拉大了該簇的平均距離，導致該簇較為分散。這部分學習者是在線學習的主動積極參與者，其動機水平最高——他們約占總數的16.1%，起始動機水平在4個簇中最高且維持動機水平的能力也最強。

四 在線學習動機影響要素分析

為了深入研究不同動機水平學習者的在線學習動機影響要素，探尋提升在線學習動機的策略，本研究在動機分類量化分析結果的基礎上運用質性研究的方法，對量化研究過程中發現的不同動機分類形成的背后驅動因素做進一步探討，以期為現有在線平臺建設與課程實施提供改進意見，并在外部動機支持、內部動機維持等方面為在線學習者提供協助，優化學習者在線學習行為、延長學習時長、提升學習效果，幫助他們更好地完成在線課程的學習。研究采用“目的抽樣”的方法，從584名參加課程學習的學習者中共抽取16個樣本進行半結構化訪談——樣本的抽取考慮學習者分類、專業、年級等的不同，盡量使每個樣本都具有典型的代表性價值。訪談內容主要圍繞自我效能、社會關系、自主感、歸屬感、近期價值、長遠價值、工具性、情感態度等8個方面展開，每次訪談的時間約為30分鐘，有興趣的學習者訪談時間會延長5～10分鐘。

1 “近期價值”是激發在線學習動機的主要因素

從量化分析的數據來看，第一次學習課程時間、平均客觀題開始答題時間及作業完成的數量最能反映在線學習者的學習動機水平。因此，在線課程設計應重點注意：①課程內容要滿足學習者實現“近期價值”的需要，體現課程的實用性、趣味性等。其中，課程質量是在線課程最為重要的評價指標。有62.50%的受訪者表示，他們選擇哪門課程、能否完成課程學習，主要看在線課程的內容，而不是主講教師多么有名或主講教師所在學校的國內排名是否靠前。②加強“強制性”教學活動設計?，F在的很多在線課程活動缺乏強制性，強調所謂的“快樂教育”，最終結果就是大部分學習者不能完成相關課程內容的學習?！皬娭菩浴被顒拥募尤肽艽蟠筇嵘龑W習者的“近期價值”指標水平，這或許正是本研究所選課程中被動缺乏毅力者和被動敷衍學習者占比較大的原因。事實上，很多網絡課程的實施都缺乏強制性，需在實踐中不斷改進。

2 “自主感”是維持在線學習動機的核心要素

93.75%的受訪者表達了同一個觀點：如果在線課程是“教師在屏幕上不停地講啊講”，那么他們會覺得很無聊而沒有興趣繼續參加課程學習——如果是學校要求必須參加的課程，他們就會“把電腦開在那，讓它自己放，要點就去點一下”。不同于常規課程的線性學習過程，學習動機較高的學習者更愿意自主規劃學習過程。因此，為了滿足非正式學習的需求，無論是課程設計者還是授課教師，都要改變現有的教學模式或教學習慣，摒棄基于課堂錄制的“滿堂灌”，而要充分發揮技術優勢，對原有知識進行解構與重組，如教學內容采用以微視頻為主的多形態知識呈現，以幫助學習者更便捷、更有效地掌握更多的知識，并提高其知識檢索的與應用能力[25]。

3 “工具性”是高水平在線學習動機的獨特標簽

主動積極參與者通常具有兩個特征：①能自覺提出目標且目標內容具體；②對認知過程有自我感知且具有自我調節的能力。受訪的3名高學習動機學習者均表示，他們在答題錯誤的情況下往往能繼續完成客觀題或主觀題的答題，哪怕是答題分值超過平均值而不是滿分，他們仍然會繼續“刷分”，遇到困難時他們也總能獨立解決。此外，他們還會在參與在線課程前為自己設立一個目標、制定學習計劃，且能較好地安排課程學習進度。

4 “情感態度”與在線學習動機水平關聯不大

目前，對學習者情感態度的研究主要以學習表情識別為主[26]，也有研究通過分析在線學習環境中學習者在課程論壇或博客發布的文本信息，通過自然語言處理（Natural Language Processing，NLP）來分析文本情感[27]。從本研究選取的課程來看，學習過程中學習者在論壇產生的討論信息非常稀疏，為數不多的討論也多為和課程內容無關的問題，如“什么時候作業截止”、“平臺如何使用”等。因此，目前還很難做到通過在線數據分析來實施對學習者情感態度的精準度量。另外，訪談結果也反映了學習者對課程的情感態度更多是課程“近期價值”與“自主感”影響學習動機的中介變量。

5 “社會關系”與“歸屬感”是提升在線學習動機的新途徑

通過整理訪談資料，本研究發現學習者普遍認為在線學習缺乏真正的交流，到課程論壇發帖、跟帖成了完成課程的強制性要求，由此可以想象為了獲得平時成績而被動去交流的學習質量。對比現在廣受歡迎的微信朋友圈、抖音等社交平臺，現有的學習平臺互動太過形式化、使用太過復雜、形式太過單一等不足更加突出，具體表現為：①討論區和視頻觀看等學習區域是分離的，視頻看到一半如果有問題一定要先關視頻或重新打開一個窗口才可以互動，且互動只能發文字，故應提供一個泛在的交流工具；②遇到問題得不到面對面的指導是在線學習平臺的一個普遍缺陷，對此可以借鑒直播平臺的經驗，不定時地對普遍存在的問題進行直播答疑——在答疑過程中，在線學習者可以通過彈幕加強與授課教師、其他學習者的實時在線交流；③沒有屬于自己的個人網絡學習空間，缺乏普遍意義的社交功能，且沒有一個展示自己學習成果的空間。未來，在線學習平臺可以借鑒社交平臺的優點，如參考微信“朋友圈”的設計方式，推出“同學圈”供學習者在線實時交流。

6 “自我效能”與“長遠價值”為動機長期維持提供動力

從研究數據來看，大部分學習者在課程一開始能維持一個較高的學習動機水平，但隨著課程的開展，不少學習者的學習動機急劇下降，在學習行為上體現為學習的時間變短、參加課程的活動變少，且這種減少呈指數級下降。圖4顯示，課程開設后第一天及第三周后，學習人數驟減，而后期每天的學習人數基本穩定。不少受訪者表示，由于現有的在線課程缺乏試聽環節，不少同學抱著試聽的心理來參加在線課程的學習，如果第一次學習達不到他們的預期，如課程內容太難，自我效能低下的同學大多就會選擇退出。而第四周是能否繼續堅持學習的“分水嶺”，能堅持到第四周的同學大概率就能堅持到課程結束。因此在課程開設的前三周，相關課程負責人和管理人員需通過發郵件、課程視頻彈幕提醒等，有意識地對學習者學習的“近期價值”進行靶向教學，同時加強課程價值傳遞，激活“長遠價值”，為維持或提高學習者的在線學習動機提供長久動力。

五 結語

本研究從大數據分析的視角，探討了如何利用學習行為大數據對在線學習者的動機進行評估，旨在通過加強在線課程的設計來激發和維持學習者的在線學習動機，為在線學習平臺的設計提供理論參考。但學習者學習動機的影響因素十分復雜，后續研究需將線上線下學習數據、學習者的生理數據（如眼動、脈搏、坐姿、腦電、皮膚電）等量化研究與問卷訪談等質性研究相結合，對學習動機進行多元方法的綜合研究，以提升在線學習動機評估的科學性、準確性和有效性。

[1]高秀梅.當代大學生學習動機的特征及其對學業成績的影響[J].高教探索,2020,(1):43-47.

[2]何聚厚,黃秀莉,韓廣新,等.VR教育游戲學習動機影響因素實證研究[J].電化教育研究,2019,(8):70-77.

[3]Anita W H. Educational psychology(11th Edition)[M]. Boston: Allyn & Bacon, Incorporated, 2000:27.

[4]吳峰,王辭曉.五種不同模式下學習者在線學習動機測量比較[J].現代遠程教育研究,2016,(1):78-84、95.

[5]唐涌.西部地區遠程學習者學習動機及其影響因素的實證研究——以四川廣播電視大學為例[J].當代繼續教育,2015,(6):43-46、58.

[6]龔艷.成就目標定向理論及其教育啟示[J].上海教育科研,2005,(6):21-23.

[7]Henderlong J, Paris S G. Children’s motivation to explore partially completed exhibits in hands-on museums[J]. Contemporary Educational Psychology, 1996,(2):111-128.

[8]Patrick H, Ryan A M, Anderman L H, et al. Observing patterns of adaptive learning: A protocol for classroom observations[R]. Ann Arbor: University of Michigan, 1997:31.

[9]Deci E L. Intrinsic motivation[M]. Boston, MA: Springer US, 1975:31.

[10]Vroom V H. Work and motivation[M]. New York: Jossey-Bass, 2008:52.

[11]Oliver R L. A Cognitive model of the antecedents and consequences of satisfaction decisions[J]. Journal of Marketing Research, 1980,(4):460-469.

[12]Li J,王辭曉,吳峰.成人在線學習自我效能感量表編制及測量[J].遠程教育雜志,2015,(6):47-53.

[13]郁曉華,顧小清.學習活動流:一個學習分析的行為模型[J].遠程教育雜志,2013,(4):20-28.

[14]孫發勤,馮銳.基于學習分析的在線學業成就影響因素研究[J].中國電化教育,2019,(3):48-54.

[15]李爽,王增賢,喻忱,等.在線學習行為投入分析框架與測量指標研究——基于LMS數據的學習分析[J].開放教育研究,2016,(2):77-88.

[16]張思,劉清堂,雷詩捷,等.網絡學習空間中學習者學習投入的研究——網絡學習行為的大數據分析[J].中國電化教育,2017,(4):24-30、40.

[17]Cocea M, Weibelzahl S. Disengagement detection in online learning: Validation studies and perspectives[J]. IEEE Transactions on Learning Technologies, 2010,(2):114-124.

[18]Khan F A, Graf S, Weippl E R, et al. Implementation of affective states and learning styles tactics in web-based learning management systems[A]. Proceedings-10th IEEE International Conference on Advanced Learning Technologies[C]. Piscataway: IEEE, 2010: 734-735.

[19]Cocea M, Weibelzahl S. Log file analysis for disengagement detection in e-Learning environments[J]. User Modeling and User-Adapted Interaction, 2009,(4):341-385.

[20]Khan F A, Weippl E R, Tjoa A M. et al. Integrated approach for the detection of learning styles and affective states[A]. Proceedings of ED-MEDIA 2009—World Conference on Educational Multimedia, Hypermedia & Telecommunications[C]. Waynesville, NC: Association for the Advancement of Computing in Education (AACE) , 2009,:753-761.

[21]Baker R S J D, Mitrovi? A, Mathews M. Detecting gaming the system in constraint-based tutors[A]. International Conference on User Modeling, Adaptation, and Personalization[C]. Berlin: Springer, 2010:267-278.

[22]Bandura A. Guide for constructing self-efficacy scales[J]. Self-efficacy Beliefs of Adolescents, 2006,(1):307-337.

[23]Gilmore L, Cuskelly M, Hayes A. A comparative study of mastery motivation in young children with Down’s syndrome: Similar outcomes, different processes?[J]. Journal of Intellectual Disability Research, 2003,(3):181-190.

[24]Stipek D J. Motivation to learn: From theory to practice(4th edition)[M]. Needham Heights, MA: Allyn & Bacon. 2002:67-68.

[25]李艷,張慕華.開放教育資源和慕課如何影響世界高等教育?——訪美國印地安納大學教學系統技術系柯蒂斯·邦克教授[J].開放教育研究,2015,(5):4-13.

[26]陳子健,朱曉亮.基于面部表情的學習者情緒自動識別研究——適切性、現狀、現存問題和提升路徑[J].遠程教育雜志,2019,(4):64-72.

[27]柴金煥,馬希榮.基于情感計算的和諧人機教學模型的研究[J].微計算機信息,2010,(28):219-221.

Research on Online Learning Motivation Evaluation Based on the Perspective of Learning Analysis

SUN Fa-qin FENG Rui

The learning effect of online education courses has been questioned due to the sudden outbreak of COVID-19, and online learning motivation research has

increasing attention. Under this context, based on the subjective motivation measurement model in existing research, this paper sorted out the first-level indicators for evaluating learning motivation. Based on the learning input research results and the behavioral data generated in the online learning process, the observation indicators of learning motivation were determined, and a four-level classification model of online learning motivation was obtained through machine learning research. Finally, through semi-structured interviews, this paper found that recent value, sense of autonomy, instrumentality, and social relationships haa strong positive relationship with the formation of learning motivation in the online learning process, while affective attitude had a weaker influence on the formation of learning motivation. The online learning motivation assessment method proposed in this paper could provide some theoretical reference for the design of online learning platforms.

online learning; learning motivation; motivation measurement; influencing factors

G40-057

A

1009—8097（2022）01—0094—10

10.3969/j.issn.1009-8097.2022.01.010

基金項目：本文為江蘇省高等教育教改研究立項課題“江蘇高校專業課程SPOC教學改革研究與實踐”（項目編號：2017JSJG447）的階段性研究成果。

孫發勤，副教授，博士，研究方向為教育大數據、教育數據挖掘與學習分析，郵箱為fqsun@yzu.edu.cn。

2021年6月15日

編輯：衍洐