基于行為投射的在線學習動機測量模型探究

[摘" "要] 在線學習過程中，學習動機對學習成效至關重要。以自陳式量表反饋學生動機的評價方法受被試主觀傾向影響，難以反映其真實動機水平。基于此，文章基于行為投射視角，從學生參與在線學習行為的表現入手，結合在線學習動機量表數據，探索在線學習動機的有效測量策略，構建了基于行為投射理念的在線學習動機評價模型，并基于真實的在線學習行為數據驗證了模型的有效性，可以為大規模在線學習場域的動機測評提供支持。研究證實，在線學習者的學習投入度、學習啟動點位、交互發帖的數量和質量、組內積極度、拓展性資源的選用量，是能夠投射學生動機真實水平的關鍵信息，是在線學習動機測量模型的關鍵指標。

[關鍵詞] 在線學習； 在線學習動機； 行為投射； 結構方程模型； 模型構建

[中圖分類號] G434" " " " " " [文獻標志碼] A

[作者簡介] 馬秀麟（1969—），男，山東臨沂人。副教授，博士，主要從事信息技術提升教學質量、智能化教學系統研究。E-mail：maxl@bnu.edu.cn。

一、引" "言

學習動機作為影響在線學習者學習質量和效果的關鍵因素，對于維持學習者的學習活動具有重要意義[1]。然而，基于自陳式量表的在線學習動機評測存在很大誤差，此現象已經引起了國內外學者的關注，如孫發勤等學者也提出了這一問題[2]。如何有效且客觀地測量在線學習者的學習動機，也一直是國內外學者關注的重點。

已有學者認識到，僅以自陳式量表測量學習者動機，易受學生態度、情感等主觀因素的影響，存在任務掩飾性較差、答題過程易受周圍環境影響等局限性[3]。已有諸多國外學者利用“投射”的理念測量學習動機，如Schmidt-Atzert設計了客觀性成就動機測驗[4]、Brunstein設計了內隱聯想測驗[5]，這些測量方法能夠有效規避使用自陳式量表測量動機的局限性。

隨著大數據和人工智能的發展，在線學習行為數據呈現出易被監控與獲得的特點，為研究人員分析與探究在線學習者的特征與學習動機提供了新路徑。憑借在線學習環境，研究者能夠準確、全面且快速地獲取在線學習者針對某一特定問題的解答以及每一位學生的學習行為時間節點、學習反饋時間等具體的行為參數[6]，從而客觀、全面地掌握每一位學生的真實學習狀態，使“通過行為投射動機”成為可能[7]。

本研究旨在探索在線學習動機測量的有效策略，將在線學習行為數據對動機的投射作用與動機調查問卷相結合，探索基于在線學習行為數據投射的動機評價模型（Behavior to Motivation Model，簡稱BtoMM），從而盡可能客觀地反映學生的在線學習動機。

二、文獻綜述

（一）在線學習動機基礎理論

1. 動機的基礎理論

動機模型理論主要有自我決定論、期望價值理論、DMC動機理論等。自我決定論認為，自主感、勝任感、關聯感等需要決定學生動機的內在化[8]。期望價值理論認為，期望是個體對自己或他人行為結果的預測性認知[9]。DMC動機理論認為，行為主體的學習興趣不會隨時間推移耗盡，而是不斷通過內外部機制生成新的自我激勵力量[10]。

2. ARCS動機模型理論

為激發并保持學習動機，Keller在分析整理大量學習動機研究文獻基礎上，建立ARCS動機模型，確定注意（Attention）、相關（Relevance）、自信心（Confidence）和滿足感（Satisfaction）四個影響學習動機的關鍵因素，并發展為以激勵課堂學習動機為核心的教學設計模型。ARCS動機模型理論為教師有效開展教學，激勵并維持在線學習動機提供了有效抓手。

（二）在線學習動機的測量方法

1. 主觀評估方法

在線學習動機的主觀評估主要以學習動機理論為基礎，梳理影響在線學習動機的內涵，從而設計調查問卷。吳峰等使用“非約束條件下成人在線學習動機量表”探索了e-Learning、MOOC等模式下的在線學習動機[11]。張文蘭等在訪談與專家咨詢基礎上，編制了“基于Moodle平臺學生網絡學習動機影響因素調查問卷”，確定了網絡學習動機的影響因素[12]。主觀評估方法的優點在于能不受約束地測評各種心理特質，但無法避免因學習者的態度、情緒、目的性等因素而導致的作答真實性受影響的問題。

2. 客觀評估方法

國外學者更青睞于使用投射方法評測動機，認為基于投射測量動機，能避免自陳式量表測量動機的主觀影響，提高動機測量的客觀性[13]。1943年，Murray提出主題統覺測驗（Thematic Apperception Test，TAT），借助被試想象探索動機狀態，揭示被試無意識層面的潛在傾向[13]。TAT不受被試文化背景影響，對被試是否真實回答的依賴度較小[13]。但也存在結果解釋相對復雜、信效度不如人意等不足。

（三）行為投射動機理論及其研究現狀

行為投射通過研究學生外在行為表現間接測量學生動機水平。學習行為表征學習動機離不開針對學習行為數據的挖掘與分析。楊現民等提出，挖掘隱藏在在線學習行為數據背后的有價值信息是學習行為分析的根本目的[14]。龍成志等提出，自主學習行為產生的前提是學習動機與主動學習策略的有機結合[15]。關于在線學習行為反映動機水平的相關研究尚未形成普適性的在線學習動機評價模型。基于此，筆者擬提出基于在線學習行為投射的學習動機測量模型，以探索客觀評價在線學習動機的模型及其應用價值。

三、研究設計

本研究旨在借助在線學習行為數據構建學習動機評價模型，整個研究遵循基于設計的研究（DBR）范式，以客觀的在線學習行為數據為基礎，借助數據論證的方法，探究有效的結構模型。在模型構建階段，需基于教師的精準評價為模型訓練提供因變量，而在模型的應用階段，則可基于模型的預測結果較客觀地反映每一位學生的真實動機水平，從而為教師的教學干預提供支持。

（一）研究過程與方法

1. 研究過程

本研究旨在構建與驗證BtoMM模型，其關鍵步驟主要包括：針對BtoMM結構提出假設、有效變量的篩選與優化、模型構建與驗證分析。過程如圖1所示。

2. 研究方法

本研究以DBR范式為主線，探索在線學習動機難以準確測量的問題。首先，使用數據挖掘法，針對在線學習行為投射動機的數據進行處理與分析；其次，采用問卷調查法，采集學習動機的自評價數據；最后，基于結構方程模型探索其內在邏輯。整個研究通過多輪設計及迭代，以便逐步優化，最終確立有效的測量模型。

（二）研究假設

基于相關文獻及學生的在線學習行為狀況，筆者提出了基于在線學習行為投射的動機測量模型的構成假設，即BtoMM_V0.0，其結構如圖2所示。筆者假設在線學習動機可由學習行為反映，并與學生自評價數據高度一致。學生在線發帖數越多、首次開啟學習時間越早、拓展資源使用越多、視頻觀看時長越長、直播參與度越高、直播回放率越高，學生的動機水平就越高。

（三）模型構建期的因變量及確立

本研究的最終目標是基于學生行為投射出動機值，從而形成客觀的學習動機評價模型，將教師從繁雜的在線學習過程評價中解放出來。事實上，在模型構建階段，若沒有客觀的因變量數據作為模型訓練的基準，是無法構建BtoMM模型的。因此，獲取因變量數據是實現模型構建、模型訓練及評價的基礎。

在本研究中，預先依據ARCS模型制定了在線學習動機評價標準，要求主講教師和兩位助教以背對背獨立評價的方式對研究對象的在線學習動機水平做出評測，并檢驗三者的一致性水平，以復核教師評測的有效性。在研究過程中，三位教師對學習動機的評價具有高度一致性（相關系數r=0.927），說明此變量能夠比較精準地反映學生的動機水平，具有較高的信度。所以，筆者以三位教師評分的均值作為因變量，將該變量命名為TGrade。

（四）研究工具

1. 在線學習行為數據及獲取平臺

本研究基于“北京師范大學計算機基礎課教學平臺”（CEN平臺）組織教學實踐活動。由于該平臺已經內嵌了學習行為自動記錄功能，能精準地記錄每位學生開展各類學習的時間點、時長及交流活動的情況，可為研究的持續開展奠定良好的數據基礎。

2. 自陳式動機量表的選用與再設計

為全面反映學生的動機水平，本研究以ARCS理論為指導并參考RIMMS量表（Reduced Instructional Materials Motivation Survey），形成了“在線學習動機調查問卷”。RIMMS是由IMMS量表簡化而來的，與ARCS動機模型的四個層面具有很好的吻合度[16]。“在線學習動機調查問卷”覆蓋了ARCS模型的四個層面，每個層面有3道題，按照李克特5級量表設計，1代表“非常不符合”、2代表“不符合”、3代表“一般”、4代表“符合”、5代表“非常符合”。經小范圍測量和專家論證，問卷具有較好的信度和效度。

3. 數據分析及檢驗工具

本研究使用SPSS 24.0軟件進行因子分析、問卷信效度檢驗等，以確定有效自變量，借助AMOS Graphics軟件構建結構方程模型，以探討學習者的行為數據、問卷調查數據及教師評價之間的內在邏輯關系。

（五）研究對象的選取

本研究基于A大學2021年度春季學期及2022年度春季學期的在線教學活動展開，研究對象為這兩個學期內修讀了計算機公共課的本科生，每年2個教學班，其中，2021年度共有被試83人，2022年度共有被試107人，兩個年級的男女生比例相當，均為3∶7。

筆者是上述課程的主講教師，兩位課程助教也參與了教學全過程，能夠確保全面準確地掌握學生情況、把控教學過程。在研究開始前，對兩個年級的學生均從知識技能、動機水平、在線自主學習能力等維度做了前測，保證了被試在性別分布、在線學習能力等方面均無顯著性差異。

四、在線學習動機測量模型的設計與探究

（一）在線學習行為數據的采集與預處理

1. 面向自主學習行為的數據采集

（1） 基礎數據采集

基于在線教學實踐及學生的客觀表現，筆者假設：線上視頻的觀看時長、最早觀看時間點、拓展資源的應用情況、學生參與交流的積極性應該與在線學習動機密切相關，并能反映在線學習動機。因此，筆者預先定義了3個變量作為首要的關注信息：反映每位學生觀看每個微視頻的時長變量Time、學生在每個模塊的最早參與時間點begTime、學生參與拓展資源學習的數量extNum。然后，從CEN平臺上集中提取了與被試相關的全部數據。

（2） 對原始數據的變形處理

對已采集的學習行為數據進行初步檢查后發現，Time和begTime的分布極不均衡，極端值較多，相關數據均不符合正態分布，無法被直接應用于常規統計分析環節。因此，需要對相關數據做變形處理。

首先，針對學生觀看微視頻的時長變量Time進行變形，形成新變量“學習時長”（xTime）。其積分規則為：xTime=（time/2倍的微視頻時長）×10，若計算出的xTimegt;10， 則xTime=10（即xTime的最大值為10）。

其次，對最早學習時間點begTime進行變形，形成新變量“學習區位”（xBgTime）。其積分規則為：若begTime早于應該開啟的時間點，則xBgTime=10，否則，每后延3日，xBgTime將被扣除1分，直到扣成0分為止。

經過上述變形處理，保證了兩個變量的域值均處于0～10之間，且基本滿足正態分布。

2. 面向在線交互行為的數據采集

（1） 學生參與在線討論的積極性

基于CEN平臺內置的留言發帖功能，獲取每位學生參與在線討論的發帖數量topicNum。這個變量能反映該生參與線上交互的積極性，也是與學習動機密切相關的變量。

（2） 在線直播課的參與和回放數據

采集學生參與線上直播課的數據，包括學生對每次直播課的參與度指標LC、觀看回放率指標LH。其中，LC=觀看某直播課程的總時長/課程的直播時長，LH=學生在每節課程上的回放總次數（只記錄時長gt;2分鐘的回放）。

3. 基于自陳式量表的動機數據采集

為獲取學生在線學習動機自評價數據，筆者分別于期初、期中和期末發放“在線學習動機調查問卷”，采集學生對在線學習動機的自我評價情況。對問卷中ARCS的四個維度進行描述統計，結果發現：在線學習動機A層面的均值為3.97、R層面的均值為4.02、C層面的均值為3.72、S層面的均值為4.31，總體均值為3.96。因此，可以得出，學生在線學習動機的自評價結果處于中等偏上水平。

（二）在線學習動機評價模型的初建及其不足

根據圖2所示的BtoMM_V0.0模型結構，在AMOS Graphics 21.0下繪制結構方程模型BtoMM_V0.1，并把xTime、xBgTime、extNum、LC、LH，以及學生自評價信息等數據納入BtoMM_V0.1中。檢驗后發現：其λ2/df=3.082、RMSEA=0.145、IFI=0.881、GFI=0.887，這些指標均不滿足優質結構方程模型的擬合度要求。因此，該模型不具備良好的適配性，模型的質量達不到實用的標準。

另外，從AMOS對BtoMM_V0.1模型的MI反饋可知，動機的自評數據在模型中引發了多處沖突，屬于應被修正的變量。這一現象出乎筆者意料，有必要作進一步的探究。

（三）對在線學習行為變量的優化及BtoMM模型的重構

1. 對在線學習行為變量的優化

基于初始模型BtoMM_V0.1中反映出的“模型質量較差、變量個數較少”等問題，研究認為，重構并補充在線學習行為變量是必要的。文獻分析發現，學習區位是否明顯靠前、反復自主觀看視頻的次數等信息能在一定程度上體現學習動機的強弱[17]。一般來說，動機高的學生首次開啟學習的時間點靠前[18]。因此，對已有的學習行為數據進行變形和重構，獲得反芻比、在線交互質量等變量。另外，筆者在在線教學實踐活動中還發現，學生參與協作的積極度、任務完成時間間隔等信息也能反映學生的動機水平。

（1） 學習反芻比FCB

本研究將學生重復觀看學習資源的頻次作為評定學生動機的重要指標。由于不同模塊的微視頻時長不同，筆者將以FCB=T/t代表學習反芻比的強度，即學生主動參與線上自主學習的頻次，其中，T代表學生在不同模塊下觀看學習資源的總時長，t代表學生在該學習資源上的應然時長。

（2）組內積極度GKA

在線學習過程經常以小組協作方式組織，小組是在線協作的重要研究單元。分析組內成員完成任務的時間先后，能反映小組成員動機水平的變化情況。以小組針對某一主題開啟自主學習的時間節點為基準，查看組內每個成員完成該主題的時間節點并進行組內排序，以生成每一位學生的組內積極度指標GKA。

（3）在線交互質量topicQuality

在線交互的頻率是反映學習者參與度的重要指標，也能映射在線學習動機。然而教學實踐卻發現，在CEN平臺中，每個專題下都存在大量灌水帖。為更好地衡量在線學習動機，還需引入在線交互質量指標topicQuality。筆者以學生發帖內容與學習資源關鍵詞的匹配度作為topicQuality的值。在研究過程中，將以學生發帖內容與課程的關鍵詞庫做匹配。匹配程度高的學生，將被賦予較高的topicQuality值。

（4） 完成學習任務所需的時間間隔GKLI

在各學習主題上，學生完成學習任務的時間點與其啟動任務的時間點之間的差值，就是完成任務所需的時間間隔。筆者將學生在各主題上完成任務所需的時間間隔定義為變量GKLIi，其中，下標i表示主題的編號。學生整個學期的GKLI為針對全體主題所獲得的所有GKLIi的均值。

2. 基于新變量的模型構建與驗證

（1）模型假設

基于變形和重構之后的行為數據，筆者提出了假設模型BtoMM_V0.2，如圖3所示。鑒于學生在線學習動機自評數據在BtoMM V0.1中的不良表現，暫時未將學生的在線學習動機自評數據納入新模型。

圖 3" "BtoMM_V0.2模型

在模型BtoMM_V0.2中， 以xTime、FCB、xBegTime、topicNum、topicQuality、LC、GKLI、GKA、extNum和LH等作為自變量，以必修性學習任務、隱性學習任務、在線學習交互作為潛變量，并以教師評價TGrade作為整個模型的因變量。

（2）模型的再構建及驗證

借助AMOS繪制如圖3所示的BtoMM_V0.2模型，并進行SEM路徑分析。經數次擬合迭代與路徑修正，最終獲得了如表1所示的擬合指數。由表1可知，修正后模型的各項指標均符合要求，此模型具有很好的適配度。據此，達標的新模型被命名為BtoMM_V1.0。

在原假設中，路徑成立的條件要同時滿足|CR|gt; 1.96、檢驗概率plt;0.05。剔除BtoMM_V0.2模型中不滿足條件的路徑之后，將其與標準化系數表匯總，得到各變量的標準化路徑系數及其p值，見表2。

（3）解讀BtoMM_V1.0模型

在BtoMM_V0.2修正與迭代的基礎上，研究構建了新模型BtoMM_V1.0。將各變量帶入BtoMM_V1.0模型之后，得到了標準化路徑系數圖，如圖 4所示。

由圖4可知，必修性學習任務對TGrade只有直接正向影響，路徑系數為0.62（plt;0.05）；在線交互對TGrade只有直接正向影響，路徑系數為0.45（plt;0.05）；隱性學習任務對TGrade只有直接正向影響，路徑系數為0.55（plt;0.05）。通過標準化影響效應可知，影響TGrade總效應的因素依次為：必修性學習任務gt;隱性學習任務gt;在線交互。

（四）對在線學習動機自評數據出現偏差及其原因的探究

基于權威量表的動機自評數據在動機測量中一直占據重要地位，然而在本研究中，學生的在線學習動機自評數據卻是導致BtoMM V0.1模型無效的關鍵因素。對此，筆者做了深度跟蹤和探究。

1. 對在線學習動機自評數據的分類跟蹤

鑒于在線學習動機自評數據在BtoMM V0.1模型中有著極為不良的表現，導致該變量未能繼續參與BtoMM V0.2等后續模型的構建。然而，基于ARCS量表的學生在線學習動機自評畢竟一直是動機測量的重要方法，因此，探究在線學習自評數據中隱藏著哪些問題是必要的。

把在線學習動機自評價數據與因變量TGrade進行相關性分析，發現二者并不相關。經分類跟蹤與對比發現：某些學生的“|TGrade-自評價數值|”的差值很大，說明教師評價與某些學生的自評之間有很大的差異，這是導致兩個變量不相關的主要原因。進一步跟蹤發現：這部分多為班級中成績處于中等偏下的學生，其在線學習動機自評值與其在線行為表現相差很大。若把這部分個案從研究對象中排除，在線學習動機自評數據就能與TGrade高度相關。因此，部分成績中等偏下學生的自評值偏高是導致ARCS自評誤差較大的根源。若在研究中能預先排除這部分學生，其余學生的自評數據將是優質的自評數據。

2. “行為投射+優質在線學習動機自評數據”的新模型構建及質量分析

（1）吸納在線學習動機自評數據的新假設

基于模型BtoMM_V1.0的成果和針對在線學習動機自評數據的分類分析，筆者探索了只把優質的在線學習動機自評數據納入到BtoMM_V1.0模型中的可能性，并基于此形成了BtoMM_V1.1模型。

（2）對新模型的質量分析

在BtoMM_V1.1模型中，以TGrade作為因變量，并把xTime、xBgTime、FCB、GKLI、topicNum、topicQuality、LC、LH、GKA、extNum及在線學習動機自評數據中的A、R、C、S指標項作為自變量，依據原假設在AMOS中創建SEM并進行檢驗。在根據其MI信息做簡要路徑修正后，獲得了BtoMM_V1.1模型的擬合結果及各判定指標，見表3。

參照SEM擬合指標的參考值，表3中的數據已證實：在只吸納優質的在線學習動機自評個案的情況下，BtoMM_V1.1模型具有非常優秀的適配度。

（五）最終模型：行為投射視角的BtoMM_X模型及其結構

基于BtoMM_V1.1模型，通過AMOS適當調整其內部路徑，并經多輪迭代優化，形成了具有實用價值的BtoMM_X模型，如圖5所示。分析BtoMM_X模型中潛變量之間的作用關系可知：在介入動機自評數據后，模型中的必修性學習任務、在線交互、隱性學習任務與TGrade的標準化路徑系數均有所減少，進一步證明了在線學習動機評價需與學習行為數據相結合。其中，必修性學習任務對TGrade有直接正向影響，路徑系數為0.60（plt;0.05）；在線交互對TGrade有直接正向影響，路徑系數為0.38（plt;0.05）；隱性學習任務對TGrade有直接正向影響，路徑系數為0.43（plt;0.05）；在線學習動機自評數據對TGrade也有正向影響，且標準化路徑系數為0.26（plt;0.05）。綜上所述，影響TGrade總效應的因素依次為：必修性學習任務數據gt;隱性學習任務數據gt;在線交互數據gt;學生的在線學習動機自評數據。

基于BtoMM_X模型及其路徑系數，在獲取了學生的在線學習行為信息及自評數據后，即可便捷地估算出其動機水平。由此獲取的結論，比單純依賴ARCS量表所得的動機值，準確度更高。

五、BtoMM_X模型的有效性驗證及啟示

（一）BtoMM_X模型的應用效果及有效性驗證

1. 面向BtoMM_X模型有效性的整體檢驗

為檢驗模型的有效性，筆者于2022年下半年開展了第三輪教學實踐。在第三輪研究中，筆者重新采集了由教師與助教提供的學生動機數據（TGrade1）。將TGrade1與基于BtoMM_X模型的預測值進行對比，結果發現：其檢驗概率p=0.592gt;0.05，說明來自TGrade1的學生動機水平與依據BtoMM_X計算出的動機水平無顯著性差異，證明BtoMM_X模型的預測值是有效的。為進一步驗證BtoMM_X模型的有效性，筆者還將TGrade1與BtoMM_X預測的學生動機水平進行了相關性分析，檢驗結果證實：二者的相關系數r=0.841gt;0.700，這說明TGrade1與BtoMM_X的預測值具有高度一致性。

綜上所述，使用BtoMM_X預測出的在線學習動機是有效的。因此，在后續教學實踐中，可以直接使用BtoMM_X來評估在線學生的動機水平，從而將教師從煩瑣的動機評估工作中解放出來。

2. 針對BtoMM_X模型預測值的剖析

在第三輪研究中，盡管BtoMM_X預測值與TGrade1測量值之間有著較好的一致性，但與學生的在線學習動機自評數據之間仍有一些偏差。進一步跟蹤發現：在學生在線學習動機自評數據中，仍然存在著約四分之一的學生高估了自己的動機水平，他們主要是班級里成績中等偏下的學生。

（二）BtoMM模型的核心維度及其對動機保持的啟示

1. BtoMM模型的核心維度及作用

從BtoMM_V1.0模型與BtoMM_X模型的變量構成看，學習者的學習區位得分、學習反芻比、發帖數量、發帖質量、組內積極度與拓展性資源使用情況，是能夠反映學習者動機真實水平的關鍵變量。

在上述諸變量中，學習區位得分、學習反芻比與拓展性資源使用情況反映了學習者參與在線學習的積極性，且其受課程內容、學習資源質量、課程趣味性、實用性等因素的影響較大。學習者的在線發帖數量與發帖質量體現了在線交互的效果，主要由在線交互活動的頻次和主動參與交互的意識決定。另外，在線交互效果還會受教師的引導性、學習者的群體感知狀態等因素的影響。位于在線協作中的學習者的組內積極度受組內協作性與競爭性等機制的影響，良好的組內協作、適度的組內競爭對于提升組內積極度作用顯著。

2. BtoMM模型諸維度對在線學習動機保持的啟示

首先，學習反芻比、學習區位點、拓展性資源的使用情況等變量與學習資源相關，高質量的學習資源能夠提高學習者的學習興趣，進而促進學習者的主動學習。學習資源的豐富性又能夠促進學習者建立學習興趣與相關知識的關聯度，進而保持學習者的動機水平。學習資源作為必修性學習任務與隱性學習任務的關鍵內容，同時也是學習者與在線學習平臺實現在線交互的載體，因此，從學習資源的建設入手，制定學習者動機干預措施能夠更加有效地提高學習者動機水平。

其次，學習者的在線發帖數量和發帖質量與學習平臺中的在線發帖功能、激勵措施相關。學習者積極參與發帖能夠促進他們分享與交流，同時，學習者的發帖質量越高，越能產生更高的應答性與互惠性效應。

最后，學習者的學習區位點、組內積極度與團隊學習密切相關。作為學習交互的最小協作單位，小組內部的協作與組間的競爭能夠影響學習者之間的學習交互，進而影響學習者動機。學習者組內積極度也能從側面反映出學習小組的整體學習氛圍，學習氛圍好的學習小組其整體學習區位會靠前，組內的積極度也較高。另外，小組成員的動機水平具有趨同性，學習小組的整體學習氛圍會直接影響到學習者個體的動機水平，尤其是在協作積極的小組內部表現最為明顯。而沉浸在在線學習環境中的學習者若不能夠充分感知自身及團隊的學習進度，就無法產生競爭的氛圍[19]。

3. 成績中等偏下的在線學習者，其在線學習動機自評數據易出現偏高現象

成績中等偏下的部分在線學習者，在在線學習動機自評方面往往容易出現不符合實際的偏高現象。對于這部分學生，需要教師和助教給予更多的關心，幫助他們糾正不良習慣，鼓勵他們正視自己的學習情況、正確地評估自身動機，引導其有序、有效地參與到后續學習活動中。

教師應充分利用BtoMM_X模型的預測數據，及時發現預測值與自評值嚴重不一致的學習者，并仔細分析其中的潛在原因，從而盡快拿出積極有效的干預措施，避免部分學生因長期缺乏個性化指導而掉隊。

六、結 束 語

在線學習動機問題受到教育界的普遍關注，針對自陳式量表固有的主觀性太強等局限，本研究立足規模在線課程，提出了基于行為投射的在線學習動機模型BtoMM_X，并驗證了模型的有效性。BtoMM_X有助于教師及時預測在線學習者的動機水平，從而為學習者提供個性化的干預指導，進而提升在線學習的整體質量。

盡管研究取得了理想的階段性效果，但仍存在一些局限性。后續研究應持續擴大研究對象的范圍、教學時長，并充分挖掘在線學習的多維數據，從而進一步優化在線學習動機評價模型，使之使用更廣泛、更有效。

[參考文獻]

[1] 龍紅芝，拓曉雨.“三階式”混合教學：從模式生成到實踐應用——以“幼兒游戲與指導”教學為例[J].電化教育研究，2022，43（8）：116-122.

[2] 孫發勤，馮銳.學習分析視域下的在線學習動機評估研究[J].現代教育技術，2022，32（1）：94-103.

[3] 張錦坤，白學軍.“半投射”和“客觀性”：動機測驗的兩種新形式[J].心理學探新，2006，26（4）：83-87.

[4] SCHMIDT-ATZERT L， KRUMM S.The validity of the objective achievement motivation test （OLMT）[J]. International journal of psychology，2008，43（3-4）：756-757.

[5] BRUNSTEIN J C， SCHMITT C H. Assessing individual differences in achievement motivation with the implicit association test[J]. Journal of research in personality，2004，38（6）：536-555.

[6] 胡欽太，伍文燕，馮廣，潘庭鋒，邱凱星.深度學習支持下多模態學習行為可解釋性分析研究[J].電化教育研究，2021，42（11）：77-83.

[7] 萬昆，鄭旭東，任友群.規模化在線學習準備好了嗎？——后疫情時期的在線學習與智能技術應用思考[J].遠程教育雜志，2020，38（3）：105-112.

[8] 于莎，劉奉越.成人參與在線學習共同體意愿的內在影響機制——基于目標導向行為理論和自我決定理論微視角[J].現代遠程教育研究，2018（5）：86-94.

[9] 劉晉紅.成就動機中期望價值模型的研究進展[J].內蒙古師范大學學報（教育科學版），2013（6）：71-73.

[10] D？魻RNYEI Z， HENRY A， MUIR C. Motivational currents in language learning[M]. New York： Routledge， 2016.

[11] 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.

[12] 張文蘭，牟智佳.高師院校大學生網絡學習動機影響因素的實證研究[J].電化教育研究，2013，34（12）：50-55，59.

[13] SOKOLOWSKI K， SCHMALT H D， LANGENS T A， et al． Assessing achievement， affiliation， and power motives all at once： the Multi-Motive Grid （MMG）[J]. Journal of personality assessment， 2000，74（1）：126-145.

[14] 楊現民，王懷波，李冀紅.滯后序列分析法在學習行為分析中的應用[J].中國電化教育，2016（2）：17-23，32.

[15] 龍成志，劉志梅.學習動機對自主學習行為的影響：以學習能力為中介[J].應用心理學，2016，22（3）：203-210.

[16] WANG S， CHRISTENSEN C， XU Y N， et al. Measuring Chinese middle school students' motivation using the reduced instructional materials motivation survey（RIMMS）： a validation study in the adaptive learning setting[J]. Frontiers in psychology， 2020（11）：113-125.

[17] 馬秀麟，梁靜，李小文，蘇幼園.群體感知效應促進線上協作學習成效的實證研究[J].電化教育研究，2019（4）：81-89.

[18] 成振波，柯善軍，秦燕.SPOC模式下“計算機輔助工業設計”課程的學習行為分析[J].西南師范大學學報（自然科學版），2019，44（9）：149-155.

[19] 田浩，武法提.混合場景下協作認知投入的多模態表征與分析路徑研究[J].遠程教育雜志，2020，40（4）：35-44.

Research on Online Learning Motivation Measurement Model

Based on Behavioral Projection

MA Xiulin1，" TIAN Shumin1，" DUO Qiang2，" FAN Yu1

（1.Faculty of Education， Beijing Normal University， Beijing 100875;

2.College of Education Science， Xinjiang Normal University，Urumqi Xinjiang 830017）

[Abstract] In the process of online learning， learning motivation is crucial to learning effectiveness. The evaluation method for students' motivation by self-report inventory is affected by subjects' subjective tendency， making it difficult to reflect their true level of motivation. Based on this， the paper， starting from the performance of students' participation in online learning behaviors， combined with the data of online learning motivation scales， explores the effective measurement strategies of online learning motivation from the perspective of behavioral projection. This paper constructs an online learning motivation evaluation model based on the concept of behavioral projection， and verifies the validity of the model based on the real online learning behavior data， which has been able to provide support for the motivation evaluation in large-scale online learning arena. The study confirms that online learners' learning engagement， the learning starting point， the quantity and quality of interactive posting， positivity in the group， and the use of expanded resources are the key information that can project the true level of students' motivation， and they are the key indicators of online learning motivation measurement model.

[Keywords] Online Learning; Online Learning Motivation; Behavioral Projection; Structural Equation Model; Model Construction