学习分析视域下的在线学习动机评估研究*

孙发勤 冯 锐

学习分析视域下的在线学习动机评估研究*

孙发勤 冯 锐

（扬州大学 新闻与传媒学院，江苏扬州 225009）

突如其来的新冠肺炎疫情使在线课程的学习效果受到质疑，在线学习动机研究逐渐受到重视。在此背景下，文章以现有研究中主观动机测量模型为基础，梳理出评估学习动机的一级指标，在借鉴学习投入研究成果的基础上，结合在线学习过程中产生的行为数据，确定了评估学习动机的观测指标，并通过机器学习研究得到一种在线学习动机四级分类模型。最后，通过半结构化访谈，文章发现在线学习过程中，近期价值、自主感、工具性、社会关系等与学习动机的形成有较强的正向关系，而情感态度对学习动机的形成影响较弱。文章提出的在线学习动机评估方法可为在线学习平台的设计提供一定的理论参考。

在线学习；学习动机；动机评估；影响因素

突如其来的新冠肺炎疫情把在线教育再一次推到了聚光灯下。在“停课不停学”的号召下，在线教育经受住了这次前所未有的考验，但在线学习的效果也受到质疑。学者纷纷开始思考：究竟是什么影响了在线学习效果？不少学者把目光聚焦于学习动机，如高秀梅等[1]认为学习动机是学业成绩的正向预测源，何聚厚等[2]构建了VR教育游戏学习动机影响因素模型，发现学习动机对成绩有显著影响。随着大数据在教育领域的广泛应用，在线学习者的细粒度学习行为数据被详细地记录下来——若能在这些数据中找到动机外化的学习行为大数据，就可以基于这些数据来分析和评估学习者在线学习的动机水平、差异及变化，间接了解学习者参加在线课程的学习动机水平和学习愿望。传统的学习动机研究以访谈、问卷调查等主观评价方法为主，这些方法可能会因研究者的介入干扰学习者正常的学习过程而造成偏差。基于在线学习行为分析的学习动机评估是一种客观非介入评价方法，可以在学习者无感的情况下采集其在线学习行为从而对其学习动机水平进行评估，本研究重在探析这一方法如何应用于在线学习动机的评估实践。

一 学习动机的评估方法

Woolfolk将学习动机定义为：“寻求学习活动的意义并努力从这些活动中获得益处的倾向”[3]。学习动机是推动学习者学习的内在动力，与其学习目标、兴趣、自信心和自我效能感密不可分。目前对学习动机的研究主要涉及两大主题：①学习动机是如何产生的？②如何维持和增强学习动机？而这两大主题研究都指向一个基本的问题——如何对学习动机进行量化评估？

1 学习动机的主观评估

对于学习动机，不少研究者采用自我报告、问卷调查和访谈等主观评测方法进行评测。如吴峰等[4]以“非约束条件下成人在线学习动机量表”为工具进行问卷调查，发现学习者在线学习动机整体存在显著性差异；唐涌等[5]采用问卷调查法和个别访谈法，对远程学习者的学习动机及其影响因素进行调查和分析。不过，由于学习动机是一种不稳定的状态，所以不同的学习内容、不同的学习阶段，动机水平都可能会不同，如果使用问卷调查频繁地收集学习者动机的信息，就可能会干扰学习者正常的学习过程，因此采用主观评价方法对学习动机进行量化评估有很大的局限性。

2 学习动机的客观评估

动机是一种心理建构，可以对行为倾向与行为目标进行指导。而成就目标定向理论表明，个体的目标取向与学习行为和学习成绩有关[6]。因此，可以通过研究学习动机的外在行为表现，即达成的学业成绩间接测量学习者的学习动机，这种通过从学习者的行为或心理反应中收集的数据分析研究学习动机的方法，即为学习动机的客观评估。客观评估通常是非侵入性的，因此更适合应用于需要频繁评估的在线学习场景，可以将学习动机的评估贯穿于整个学习过程。例如，Henderlong[7]通过对儿童在博物馆展览场景中的选择和坚持行为研究其学习动机，Patrick[8]制定了一个课堂观察协议来观察课堂环境中学生的动机行为。

通过对学习动机评估方法相关研究成果的梳理，可以发现：目前对学习动机的研究主要以主观评估、定性分析为主，大部分研究都是基于主观观测，客观评估也主要用于线下课堂，很少有针对线上用户学习动机的研究。此外，利用机器学习方法研究在线学习者学习行为与学习动机之间关系的案例在文献中也鲜有提及。

二 在线学习动机的研究设计

学习动机是学习者在学习过程中通过其行为表现出来的一种动机，它以各种外化形式表现出来，如兴趣、自我概念、目标、价值观、归因、挑战、外部刺激等。本研究使用客观评估的方法，首先通过动机理论梳理出影响在线学习动机的指标，然后以动机测量理论及现有文献为依据，构建在线学习动机外化形式测量的观测指标，并萃取在线学习系统中学习者实时行为数据记录、活动日志等细粒度数据，形成观测指标的观测数据，最后通过机器学习的方法分析不同动机的在线学习者的学习行为差异。

1 在线学习动机评估核心指标选择

关于动机模型的理论主要有三种：自我决定理论、期望理论和期望价值理论。其中，自我决定理论认为，内在动机的行为是为了满足三种需要而采取的行为：胜任感、归属感和自主感[9]；期望理论认为，某一特定行为的动机水平由三个因素组成：期望、价值和工具性[10]。而期望价值理论认为，个体完成各种任务的动机受认知、意识和情感过程的影响，期望价值模型有三个组成部分：期望、价值和情感[11]。各动机模型理论的影响因素及其核心指标如表1所示。

表1 动机模型理论的影响因素及其核心指标

从上述三种动机模型理论的核心指标中，本研究采用合并法，选择自我效能、社会关系、自主感、归属感、近期价值、长远价值、工具性、情感态度为在线学习动机评估的核心指标；同时将这些指标与在线学习场景相融合，结合相关文献，梳理出学习动机评估指标的在线学习内涵：①自我效能是指是否有能力做这个任务，完成这个任务[12]；②社会关系是指通过在互动与他人建立联系的体验（师生关系及生生关系）；③自主感是指自由的发言权和选择权；④归属感是指集体（学校、课堂或在线学习者社区）及共同利益得到满足；⑤近期价值是指课程材料对学生的有趣、有用和重要；⑥长远价值是指课程完成是否会带来有价值的结果或工作绩效的提高；⑦工具性是指目标要自觉提出，且要求具体，对认知过程的感知与自我调节[13]；⑧情感态度是指学生的信念。

表2 在线学习动机评估观测指标

2 在线学习动机评估观测指标设计

对在线学习动机的研究，很多研究者采用在线学习投入水平来映射学习者的学习动机水平，研究聚焦于在线学习行为投入分析框架与测量指标，如李爽等[15]提出的在线学习行为投入分析框架中包含6类行为投入维度、17个子维度，张思等[16]提出的网络学习空间中学习者学习投入模型包含4类投入维度、16个投入指标，这些指标与学术界通常使用的在线学习环境下动机测量的四个常规指标基本吻合：①阅读、解决问题、测试、在学习环境中执行特定任务所花的时间[17][18][19]，通常用TimeOnTask表示；②学习者执行特定任务、活动的次数，如阅读页面、观看视频、进行调查、练习、测试的次数[20]，通常用NumRepeatTask表示；③学习者提出的帮助请求或提示请求的数量，如求助系统、求助老师或在论坛发帖求助等次数，通常用NumHelpRequests表示——此指标需要结合TimeOnTask一起使用，防止学生“游戏系统(Gaming the system)”[21]；④学习者个人的信念，即他们以一定的绩效水平执行任务能力的自我感觉，用“可以做”而不是“会做”来衡量[22]，通常用SelfEfficacy表示。还有部分文献将生物信息如眨眼频率等[23]也纳入了在线动机的评估指标。

为了评估线下学习者动机水平，美国学者Stipek提出在课堂上教师应该经常从学生学习行为的22个方面来对学生的学习动机进行观察，为诊断和提高学生的课堂动机水平提供了具体的案例和实际指导[24]。从Stipek线下学习动机观测指标中选取部分指标，结合上文分析，本研究设计出在线学习动机评估观测指标，如表2所示。

三 在线学习动机研究的具体实施

本研究使用机器学习方法，对学习者在线学习行为数据进行处理：首先进行数据的获取与预处理，之后进行数据建模、调优，最后对模型进行可视化和解读。

1 数据获取

本研究的数据来自“好大学在线”慕课平台某艺术类课程，课程主要面向高等教育阶段学生开设。此课程为通修课，学习者的专业覆盖范围较广，主要涉及教育学、文学、新闻学、艺术学等。相较于其它平台，该平台提供了更多、更底层、更细粒度的学习数据，以便研究者深入洞悉学习者的学习过程，如平台记录了学习者完成每一道测试题的答题时间、答题次数和每次答题的开始时间、结束时间等。数据采集的是该课程从2020年9月7日至2020年12月27日共16周的学习者学习数据。开课期间，共有621人选课，本研究提取了所有学习者参与视频查看、客观题答题、主观题答题、论坛讨论等活动的在线学习数据及相关日志记录。在数据整理的过程中，本研究删除了没有任何系统登录信息与学习记录的37名学习者的相关信息，所有数据均进行了个人信息脱敏处理并重新编号。

2 数据预处理

获取数据后，本研究进行了数据预处理。对缺失值（如部分学习者没有开始答题时间）与异常值（如客观题答题时间超过1天）数据进行处理，并在对数据的属性进行规约、清洗和变换之后，形成表2所示的观测指标数据。其中，情感数据主要使用学习者在论坛讨论过程中发表的文字，通过Google开源NLP API做情感分析。对于包含多个观测指标的核心指标，本研究采用主成分分析法，通过保留90%的方差，选取第一主成分作为核心指标值。经过主成分分析处理后，除了近期价值的第一主成分包含方差为88.13%，其余每个核心指标的第一主成分包含方差均大于90%，说明每个核心指标使用第一主成分来表示的做法基本合理。

3 建模过程

（1）利用聚类识别数据中自然分组

为了识别数据中的自然分组，本研究应用了X-means聚类算法。聚类前，本研究首先将18个观测指标通过Z变换做归一化处理——鉴于研究结果的可解释性，设定X-means中K值范围为3～10。数据聚类后，本研究得到4个簇，DBI（戴维森堡丁指数）值为0.789，聚类结果如图1所示。其中，簇2和簇3的内部平均距离较小（分别为10.56、12.02），说明这两个簇的收敛程度较高；而簇0和簇1的内部平均距离较大（分别为24.53、25.14），说明这两个簇的收敛程度较低，可见簇内的成员差异比较大。簇间的平均距离为19.38，大于簇2、簇3的内部平均距离，说明簇2、簇3有较好的区分度，而簇0、簇1的区分度略低。

本研究用雷达图来表示核心指标聚类后的质心表，如图2所示，这四个簇在归属感、近期价值、长期价值及工具性有较大差异，而在情感态度、社会关系及自我效能则相差较小。

图1 X-means聚类结果

图2 核心指标聚类后的质心表雷达图

（2）分析分组数据特征确定分组标签

为了检测簇内的数据相对于其它组的数据是否有区分度，本研究将聚类后的簇名（即为Cluster_0～Cluster_3）再次作为标签，使用决策树算法对原数据进行分类建模，其中70%的数据用于训练模型，30%的数据用于测试模型。在线学习动机决策树经模型性能测试后，精度值为0.885，Kappa值为0.814，得到的分类混淆矩阵如表3所示，说明决策树分类模型能较好地拟合数据，利用模型可以较为精准地区分不同簇内的数据。

表3 在线学习动机决策树分类混淆矩阵

图3 按照决策树条件分支为各簇指定标签

图4 课程开设后100天内学习人数统计

那么，不同簇内的数据究竟如何区分？或者说，不同簇内数据的本质区别表现在哪些方面？如图3所示，本研究将决策树模型进行可视化，按照决策树中的各条件分支，为聚类后形成的4个自然分组分别指定标签。本研究发现，有一类学习者的近期价值异常高（＞127.0），相关数据分析表明：这类学习者观看视频的次数很多，且每个视频的观看时间远远高于视频本身的长度，但他们参与其它类型的学习活动都比较少。经过大量的数据分析，本研究认定这类学习者具有“挂机”行为，即视频虽然开着，学习者本人并没有学习行为，可被称为“被动敷衍学习者”。此外，图3还显示：长远价值是区分被动缺乏毅力者与主动常规学习者的主要指标，而自我效能是区分主动积极参与者与主动常规学习者的主要指标。

4 模型解读

为了进一步分析不同动机学习者的主要行为差别，本研究结合图2所示的雷达图、图3所示的决策树和不同核心指标第一主成分的观察值均值，对每一个簇进行了综合量化分析。

（1）被动敷衍学习者（Cluster 3，动机水平=1）

簇3中学习者单个视频的观看次数与观看总时长远远超过平均值，而登录次数及完成作业、参与讨论的次数又明显低于平均值，说明这部分学习者偶尔登录系统，但视频学习多具有“挂机”行为，表现出“近期价值”指标水平很高；但是，他们几乎不参加课程的任何讨论，也几乎不参与课程作业互评且互评的投诉率极高，表现出“长远价值”指标水平很低、“归属感”指标水平也极低。可见，这部分学习者的学习动机完全来源于外部，动机水平低，属于被动敷衍学习者——他们约占总数的33.7%，起始动机较弱且维持动机水平的能力也很弱。

（2）被动缺乏毅力者（Cluster 2，动机水平=2）

簇2中学习者的开始学习时间略低于平均学习时间，登录次数和学习时长也低于平均值，但视频观看率均接近100%，说明这部分学生有良好的开始，但后期不能继续坚持；他们完成课程作业情况与视频观看类似，前几次（尤其是第1、2次）的作业完成率都在90%以上，后期明显减少，表现出“近期价值”指标水平较低；他们很少参与讨论，前几次的互评质量高，但后期课程参与率极低，表现出“长远价值”指标水平较低。可见，这部分学习者的学习动机主要来源于外部，动机水平一般在其学习的过程中不断降低，这是缺乏毅力的表现，属于被动缺乏毅力者——他们约占总数的45.5%，起始动机较强，但缺乏维持动机水平的策略与能力。

（3）主动常规学习者（Cluster 1，动机水平=3）

簇1中学习者的开始学习时间明显低于平均值，但登录次数和学习时长都略高于平均值，说明这部分学习者能主动、积极地开始学习，能坚持看完视频、完成课程的部分作业，表现出“近期价值”指标处于中高水平；他们特别热衷于作业互评，且互评质量较高，表现出较高的“长远价值”指标水平；另外，他们也愿意在课程论坛中积极参与其他学习者的主题讨论，表现出较高的“情感态度”指标水平；他们偶尔也会为了有一个好的成绩而反复“刷题”，表现出较高的“工具性”指标水平。本研究使用“常规”这个词来描述这个簇的学习者，因为这部分学习者按常理而言应该是在线学习用户中最大的群体，但实际却是最小的（约占总数的4.6%），他们动机水平较高，起始动机较强且维持动机水平的能力也较强。

（4）主动积极参与者（Cluster 0，动机水平=4）

簇0中学习者的开始学习时间低于平均值，但登录次数和学习时长远远高于平均值，说明这部分学习者能快速投入到学习中，且能长时间坚持高频率学习，几乎每次都能准时完成课程的所有主观或客观作业，表现出“近期价值”指标的高水平；但他们参与的课程讨论以发帖为主，回帖量很少，互评的参与率在均值（0.21）左右，表现出高水平的“长远价值”指标水平；不管题目多么困难，他们在完成作业时都追求满分，表现出极高的“自我效能”指标水平。从数据来看，虽然这部分学习者人数较少，但是个体间的差异较大，拉大了该簇的平均距离，导致该簇较为分散。这部分学习者是在线学习的主动积极参与者，其动机水平最高——他们约占总数的16.1%，起始动机水平在4个簇中最高且维持动机水平的能力也最强。

四 在线学习动机影响要素分析

为了深入研究不同动机水平学习者的在线学习动机影响要素，探寻提升在线学习动机的策略，本研究在动机分类量化分析结果的基础上运用质性研究的方法，对量化研究过程中发现的不同动机分类形成的背后驱动因素做进一步探讨，以期为现有在线平台建设与课程实施提供改进意见，并在外部动机支持、内部动机维持等方面为在线学习者提供协助，优化学习者在线学习行为、延长学习时长、提升学习效果，帮助他们更好地完成在线课程的学习。研究采用“目的抽样”的方法，从584名参加课程学习的学习者中共抽取16个样本进行半结构化访谈——样本的抽取考虑学习者分类、专业、年级等的不同，尽量使每个样本都具有典型的代表性价值。访谈内容主要围绕自我效能、社会关系、自主感、归属感、近期价值、长远价值、工具性、情感态度等8个方面展开，每次访谈的时间约为30分钟，有兴趣的学习者访谈时间会延长5～10分钟。

1 “近期价值”是激发在线学习动机的主要因素

从量化分析的数据来看，第一次学习课程时间、平均客观题开始答题时间及作业完成的数量最能反映在线学习者的学习动机水平。因此，在线课程设计应重点注意：①课程内容要满足学习者实现“近期价值”的需要，体现课程的实用性、趣味性等。其中，课程质量是在线课程最为重要的评价指标。有62.50%的受访者表示，他们选择哪门课程、能否完成课程学习，主要看在线课程的内容，而不是主讲教师多么有名或主讲教师所在学校的国内排名是否靠前。②加强“强制性”教学活动设计。现在的很多在线课程活动缺乏强制性，强调所谓的“快乐教育”，最终结果就是大部分学习者不能完成相关课程内容的学习。“强制性”活动的加入能大大提升学习者的“近期价值”指标水平，这或许正是本研究所选课程中被动缺乏毅力者和被动敷衍学习者占比较大的原因。事实上，很多网络课程的实施都缺乏强制性，需在实践中不断改进。

2 “自主感”是维持在线学习动机的核心要素

93.75%的受访者表达了同一个观点：如果在线课程是“教师在屏幕上不停地讲啊讲”，那么他们会觉得很无聊而没有兴趣继续参加课程学习——如果是学校要求必须参加的课程，他们就会“把电脑开在那，让它自己放，要点就去点一下”。不同于常规课程的线性学习过程，学习动机较高的学习者更愿意自主规划学习过程。因此，为了满足非正式学习的需求，无论是课程设计者还是授课教师，都要改变现有的教学模式或教学习惯，摒弃基于课堂录制的“满堂灌”，而要充分发挥技术优势，对原有知识进行解构与重组，如教学内容采用以微视频为主的多形态知识呈现，以帮助学习者更便捷、更有效地掌握更多的知识，并提高其知识检索的与应用能力[25]。

3 “工具性”是高水平在线学习动机的独特标签

主动积极参与者通常具有两个特征：①能自觉提出目标且目标内容具体；②对认知过程有自我感知且具有自我调节的能力。受访的3名高学习动机学习者均表示，他们在答题错误的情况下往往能继续完成客观题或主观题的答题，哪怕是答题分值超过平均值而不是满分，他们仍然会继续“刷分”，遇到困难时他们也总能独立解决。此外，他们还会在参与在线课程前为自己设立一个目标、制定学习计划，且能较好地安排课程学习进度。

4 “情感态度”与在线学习动机水平关联不大

目前，对学习者情感态度的研究主要以学习表情识别为主[26]，也有研究通过分析在线学习环境中学习者在课程论坛或博客发布的文本信息，通过自然语言处理（Natural Language Processing，NLP）来分析文本情感[27]。从本研究选取的课程来看，学习过程中学习者在论坛产生的讨论信息非常稀疏，为数不多的讨论也多为和课程内容无关的问题，如“什么时候作业截止”、“平台如何使用”等。因此，目前还很难做到通过在线数据分析来实施对学习者情感态度的精准度量。另外，访谈结果也反映了学习者对课程的情感态度更多是课程“近期价值”与“自主感”影响学习动机的中介变量。

5 “社会关系”与“归属感”是提升在线学习动机的新途径

通过整理访谈资料，本研究发现学习者普遍认为在线学习缺乏真正的交流，到课程论坛发帖、跟帖成了完成课程的强制性要求，由此可以想象为了获得平时成绩而被动去交流的学习质量。对比现在广受欢迎的微信朋友圈、抖音等社交平台，现有的学习平台互动太过形式化、使用太过复杂、形式太过单一等不足更加突出，具体表现为：①讨论区和视频观看等学习区域是分离的，视频看到一半如果有问题一定要先关视频或重新打开一个窗口才可以互动，且互动只能发文字，故应提供一个泛在的交流工具；②遇到问题得不到面对面的指导是在线学习平台的一个普遍缺陷，对此可以借鉴直播平台的经验，不定时地对普遍存在的问题进行直播答疑——在答疑过程中，在线学习者可以通过弹幕加强与授课教师、其他学习者的实时在线交流；③没有属于自己的个人网络学习空间，缺乏普遍意义的社交功能，且没有一个展示自己学习成果的空间。未来，在线学习平台可以借鉴社交平台的优点，如参考微信“朋友圈”的设计方式，推出“同学圈”供学习者在线实时交流。

6 “自我效能”与“长远价值”为动机长期维持提供动力

从研究数据来看，大部分学习者在课程一开始能维持一个较高的学习动机水平，但随着课程的开展，不少学习者的学习动机急剧下降，在学习行为上体现为学习的时间变短、参加课程的活动变少，且这种减少呈指数级下降。图4显示，课程开设后第一天及第三周后，学习人数骤减，而后期每天的学习人数基本稳定。不少受访者表示，由于现有的在线课程缺乏试听环节，不少同学抱着试听的心理来参加在线课程的学习，如果第一次学习达不到他们的预期，如课程内容太难，自我效能低下的同学大多就会选择退出。而第四周是能否继续坚持学习的“分水岭”，能坚持到第四周的同学大概率就能坚持到课程结束。因此在课程开设的前三周，相关课程负责人和管理人员需通过发邮件、课程视频弹幕提醒等，有意识地对学习者学习的“近期价值”进行靶向教学，同时加强课程价值传递，激活“长远价值”，为维持或提高学习者的在线学习动机提供长久动力。

五 结语

本研究从大数据分析的视角，探讨了如何利用学习行为大数据对在线学习者的动机进行评估，旨在通过加强在线课程的设计来激发和维持学习者的在线学习动机，为在线学习平台的设计提供理论参考。但学习者学习动机的影响因素十分复杂，后续研究需将线上线下学习数据、学习者的生理数据（如眼动、脉搏、坐姿、脑电、皮肤电）等量化研究与问卷访谈等质性研究相结合，对学习动机进行多元方法的综合研究，以提升在线学习动机评估的科学性、准确性和有效性。

[1]高秀梅.当代大学生学习动机的特征及其对学业成绩的影响[J].高教探索,2020,(1):43-47.

[2]何聚厚,黄秀莉,韩广新,等.VR教育游戏学习动机影响因素实证研究[J].电化教育研究,2019,(8):70-77.

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

[4]吴峰,王辞晓.五种不同模式下学习者在线学习动机测量比较[J].现代远程教育研究,2016,(1):78-84、95.

[5]唐涌.西部地区远程学习者学习动机及其影响因素的实证研究——以四川广播电视大学为例[J].当代继续教育,2015,(6):43-46、58.

[6]龚艳.成就目标定向理论及其教育启示[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,王辞晓,吴峰.成人在线学习自我效能感量表编制及测量[J].远程教育杂志,2015,(6):47-53.

[13]郁晓华,顾小清.学习活动流:一个学习分析的行为模型[J].远程教育杂志,2013,(4):20-28.

[14]孙发勤,冯锐.基于学习分析的在线学业成就影响因素研究[J].中国电化教育,2019,(3):48-54.

[15]李爽,王增贤,喻忱,等.在线学习行为投入分析框架与测量指标研究——基于LMS数据的学习分析[J].开放教育研究,2016,(2):77-88.

[16]张思,刘清堂,雷诗捷,等.网络学习空间中学习者学习投入的研究——网络学习行为的大数据分析[J].中国电化教育,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, Mitrović 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]李艳,张慕华.开放教育资源和慕课如何影响世界高等教育?——访美国印地安纳大学教学系统技术系柯蒂斯·邦克教授[J].开放教育研究,2015,(5):4-13.

[26]陈子健,朱晓亮.基于面部表情的学习者情绪自动识别研究——适切性、现状、现存问题和提升路径[J].远程教育杂志,2019,(4):64-72.

[27]柴金焕,马希荣.基于情感计算的和谐人机教学模型的研究[J].微计算机信息,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

基金项目：本文为江苏省高等教育教改研究立项课题“江苏高校专业课程SPOC教学改革研究与实践”（项目编号：2017JSJG447）的阶段性研究成果。

孙发勤，副教授，博士，研究方向为教育大数据、教育数据挖掘与学习分析，邮箱为fqsun@yzu.edu.cn。

2021年6月15日

编辑：衍洐