基于行為投射的在線學(xué)習(xí)動機測量模型探究

[摘" "要] 在線學(xué)習(xí)過程中，學(xué)習(xí)動機對學(xué)習(xí)成效至關(guān)重要。以自陳式量表反饋學(xué)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?；诖?，文章基于行為投射視角，從學(xué)生參與在線學(xué)習(xí)行為的表現(xiàn)入手，結(jié)合在線學(xué)習(xí)動機量表數(shù)據(jù)，探索在線學(xué)習(xí)動機的有效測量策略，構(gòu)建了基于行為投射理念的在線學(xué)習(xí)動機評價模型，并基于真實的在線學(xué)習(xí)行為數(shù)據(jù)驗證了模型的有效性，可以為大規(guī)模在線學(xué)習(xí)場域的動機測評提供支持。研究證實，在線學(xué)習(xí)者的學(xué)習(xí)投入度、學(xué)習(xí)啟動點位、交互發(fā)帖的數(shù)量和質(zhì)量、組內(nèi)積極度、拓展性資源的選用量，是能夠投射學(xué)生動機真實水平的關(guān)鍵信息，是在線學(xué)習(xí)動機測量模型的關(guān)鍵指標(biāo)。

[關(guān)鍵詞] 在線學(xué)習(xí)； 在線學(xué)習(xí)動機； 行為投射； 結(jié)構(gòu)方程模型； 模型構(gòu)建

[中圖分類號] G434" " " " " " [文獻(xiàn)標(biāo)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(shù)提升教學(xué)質(zhì)量、智能化教學(xué)系統(tǒng)研究。E-mail：maxl@bnu.edu.cn。

一、引" "言

學(xué)習(xí)動機作為影響在線學(xué)習(xí)者學(xué)習(xí)質(zhì)量和效果的關(guān)鍵因素，對于維持學(xué)習(xí)者的學(xué)習(xí)活動具有重要意義[1]。然而，基于自陳式量表的在線學(xué)習(xí)動機評測存在很大誤差，此現(xiàn)象已經(jīng)引起了國內(nèi)外學(xué)者的關(guān)注，如孫發(fā)勤等學(xué)者也提出了這一問題[2]。如何有效且客觀地測量在線學(xué)習(xí)者的學(xué)習(xí)動機，也一直是國內(nèi)外學(xué)者關(guān)注的重點。

已有學(xué)者認(rèn)識到，僅以自陳式量表測量學(xué)習(xí)者動機，易受學(xué)生態(tài)度、情感等主觀因素的影響，存在任務(wù)掩飾性較差、答題過程易受周圍環(huán)境影響等局限性[3]。已有諸多國外學(xué)者利用“投射”的理念測量學(xué)習(xí)動機，如Schmidt-Atzert設(shè)計了客觀性成就動機測驗[4]、Brunstein設(shè)計了內(nèi)隱聯(lián)想測驗[5]，這些測量方法能夠有效規(guī)避使用自陳式量表測量動機的局限性。

隨著大數(shù)據(jù)和人工智能的發(fā)展，在線學(xué)習(xí)行為數(shù)據(jù)呈現(xiàn)出易被監(jiān)控與獲得的特點，為研究人員分析與探究在線學(xué)習(xí)者的特征與學(xué)習(xí)動機提供了新路徑。憑借在線學(xué)習(xí)環(huán)境，研究者能夠準(zhǔn)確、全面且快速地獲取在線學(xué)習(xí)者針對某一特定問題的解答以及每一位學(xué)生的學(xué)習(xí)行為時間節(jié)點、學(xué)習(xí)反饋時間等具體的行為參數(shù)[6]，從而客觀、全面地掌握每一位學(xué)生的真實學(xué)習(xí)狀態(tài)，使“通過行為投射動機”成為可能[7]。

本研究旨在探索在線學(xué)習(xí)動機測量的有效策略，將在線學(xué)習(xí)行為數(shù)據(jù)對動機的投射作用與動機調(diào)查問卷相結(jié)合，探索基于在線學(xué)習(xí)行為數(shù)據(jù)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(xué)生的在線學(xué)習(xí)動機。

二、文獻(xiàn)綜述

（一）在線學(xué)習(xí)動機基礎(chǔ)理論

1. 動機的基礎(chǔ)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(rèn)為，自主感、勝任感、關(guān)聯(lián)感等需要決定學(xué)生動機的內(nèi)在化[8]。期望價值理論認(rèn)為，期望是個體對自己或他人行為結(jié)果的預(yù)測性認(rèn)知[9]。DMC動機理論認(rèn)為，行為主體的學(xué)習(xí)興趣不會隨時間推移耗盡，而是不斷通過內(nèi)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(fā)并保持學(xué)習(xí)動機，Keller在分析整理大量學(xué)習(xí)動機研究文獻(xiàn)基礎(chǔ)上，建立ARCS動機模型，確定注意（Attention）、相關(guān)（Relevance）、自信心（Confidence）和滿足感（Satisfaction）四個影響學(xué)習(xí)動機的關(guān)鍵因素，并發(fā)展為以激勵課堂學(xué)習(xí)動機為核心的教學(xué)設(shè)計模型。ARCS動機模型理論為教師有效開展教學(xué)，激勵并維持在線學(xué)習(xí)動機提供了有效抓手。

（二）在線學(xué)習(xí)動機的測量方法

1. 主觀評估方法

在線學(xué)習(xí)動機的主觀評估主要以學(xué)習(xí)動機理論為基礎(chǔ)，梳理影響在線學(xué)習(xí)動機的內(nèi)涵，從而設(shè)計調(diào)查問卷。吳峰等使用“非約束條件下成人在線學(xué)習(xí)動機量表”探索了e-Learning、MOOC等模式下的在線學(xué)習(xí)動機[11]。張文蘭等在訪談與專家咨詢基礎(chǔ)上，編制了“基于Moodle平臺學(xué)生網(wǎng)絡(luò)學(xué)習(xí)動機影響因素調(diào)查問卷”，確定了網(wǎng)絡(luò)學(xué)習(xí)動機的影響因素[12]。主觀評估方法的優(yōu)點在于能不受約束地測評各種心理特質(zhì)，但無法避免因?qū)W習(xí)者的態(tài)度、情緒、目的性等因素而導(dǎo)致的作答真實性受影響的問題。

2. 客觀評估方法

國外學(xué)者更青睞于使用投射方法評測動機，認(rèn)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(tǒng)覺測驗（Thematic Apperception Test，TAT），借助被試想象探索動機狀態(tài)，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(jié)果解釋相對復(fù)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(xiàn)狀

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

三、研究設(shè)計

本研究旨在借助在線學(xué)習(xí)行為數(shù)據(jù)構(gòu)建學(xué)習(xí)動機評價模型，整個研究遵循基于設(shè)計的研究（DBR）范式，以客觀的在線學(xué)習(xí)行為數(shù)據(jù)為基礎(chǔ)，借助數(shù)據(jù)論證的方法，探究有效的結(jié)構(gòu)模型。在模型構(gòu)建階段，需基于教師的精準(zhǔn)評價為模型訓(xùn)練提供因變量，而在模型的應(yīng)用階段，則可基于模型的預(yù)測結(jié)果較客觀地反映每一位學(xué)生的真實動機水平，從而為教師的教學(xué)干預(yù)提供支持。

（一）研究過程與方法

1. 研究過程

本研究旨在構(gòu)建與驗證BtoMM模型，其關(guān)鍵步驟主要包括：針對BtoMM結(jié)構(gòu)提出假設(shè)、有效變量的篩選與優(yōu)化、模型構(gòu)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(xué)習(xí)動機難以準(zhǔn)確測量的問題。首先，使用數(shù)據(jù)挖掘法，針對在線學(xué)習(xí)行為投射動機的數(shù)據(jù)進行處理與分析；其次，采用問卷調(diào)查法，采集學(xué)習(xí)動機的自評價數(shù)據(jù)；最后，基于結(jié)構(gòu)方程模型探索其內(nèi)在邏輯。整個研究通過多輪設(shè)計及迭代，以便逐步優(yōu)化，最終確立有效的測量模型。

（二）研究假設(shè)

基于相關(guān)文獻(xiàn)及學(xué)生的在線學(xué)習(xí)行為狀況，筆者提出了基于在線學(xué)習(xí)行為投射的動機測量模型的構(gòu)成假設(shè)，即BtoMM_V0.0，其結(jié)構(gòu)如圖2所示。筆者假設(shè)在線學(xué)習(xí)動機可由學(xué)習(xí)行為反映，并與學(xué)生自評價數(shù)據(jù)高度一致。學(xué)生在線發(fā)帖數(shù)越多、首次開啟學(xué)習(xí)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(xué)生的動機水平就越高。

（三）模型構(gòu)建期的因變量及確立

本研究的最終目標(biāo)是基于學(xué)生行為投射出動機值，從而形成客觀的學(xué)習(xí)動機評價模型，將教師從繁雜的在線學(xué)習(xí)過程評價中解放出來。事實上，在模型構(gòu)建階段，若沒有客觀的因變量數(shù)據(jù)作為模型訓(xùn)練的基準(zhǔn)，是無法構(gòu)建BtoMM模型的。因此，獲取因變量數(shù)據(jù)是實現(xiàn)模型構(gòu)建、模型訓(xùn)練及評價的基礎(chǔ)。

在本研究中，預(yù)先依據(jù)ARCS模型制定了在線學(xué)習(xí)動機評價標(biāo)準(zhǔn)，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(xué)習(xí)動機水平做出評測，并檢驗三者的一致性水平，以復(fù)核教師評測的有效性。在研究過程中，三位教師對學(xué)習(xí)動機的評價具有高度一致性（相關(guān)系數(shù)r=0.927），說明此變量能夠比較精準(zhǔn)地反映學(xué)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(xué)習(xí)行為數(shù)據(jù)及獲取平臺

本研究基于“北京師范大學(xué)計算機基礎(chǔ)課教學(xué)平臺”（CEN平臺）組織教學(xué)實踐活動。由于該平臺已經(jīng)內(nèi)嵌了學(xué)習(xí)行為自動記錄功能，能精準(zhǔn)地記錄每位學(xué)生開展各類學(xué)習(xí)的時間點、時長及交流活動的情況，可為研究的持續(xù)開展奠定良好的數(shù)據(jù)基礎(chǔ)。

2. 自陳式動機量表的選用與再設(shè)計

為全面反映學(xué)生的動機水平，本研究以ARCS理論為指導(dǎo)并參考RIMMS量表（Reduced Instructional Materials Motivation Survey），形成了“在線學(xué)習(xí)動機調(diào)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]?！霸诰€學(xué)習(xí)動機調(diào)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(shè)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(jīng)小范圍測量和專家論證，問卷具有較好的信度和效度。

3. 數(shù)據(jù)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(gòu)建結(jié)構(gòu)方程模型，以探討學(xué)習(xí)者的行為數(shù)據(jù)、問卷調(diào)查數(shù)據(jù)及教師評價之間的內(nèi)在邏輯關(guān)系。

（五）研究對象的選取

本研究基于A大學(xué)2021年度春季學(xué)期及2022年度春季學(xué)期的在線教學(xué)活動展開，研究對象為這兩個學(xué)期內(nèi)修讀了計算機公共課的本科生，每年2個教學(xué)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(dāng)，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(xué)全過程，能夠確保全面準(zhǔn)確地掌握學(xué)生情況、把控教學(xué)過程。在研究開始前，對兩個年級的學(xué)生均從知識技能、動機水平、在線自主學(xué)習(xí)能力等維度做了前測，保證了被試在性別分布、在線學(xué)習(xí)能力等方面均無顯著性差異。

四、在線學(xué)習(xí)動機測量模型的設(shè)計與探究

（一）在線學(xué)習(xí)行為數(shù)據(jù)的采集與預(yù)處理

1. 面向自主學(xué)習(xí)行為的數(shù)據(jù)采集

（1） 基礎(chǔ)數(shù)據(jù)采集

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

（2） 對原始數(shù)據(jù)的變形處理

對已采集的學(xué)習(xí)行為數(shù)據(jù)進行初步檢查后發(fā)現(xiàn)，Time和begTime的分布極不均衡，極端值較多，相關(guān)數(shù)據(jù)均不符合正態(tài)分布，無法被直接應(yīng)用于常規(guī)統(tǒng)計分析環(huán)節(jié)。因此，需要對相關(guān)數(shù)據(jù)做變形處理。

首先，針對學(xué)生觀看微視頻的時長變量Time進行變形，形成新變量“學(xué)習(xí)時長”（xTime）。其積分規(guī)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(xué)習(xí)時間點begTime進行變形，形成新變量“學(xué)習(xí)區(qū)位”（xBgTime）。其積分規(guī)則為：若begTime早于應(yīng)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(jīng)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(tài)分布。

2. 面向在線交互行為的數(shù)據(jù)采集

（1） 學(xué)生參與在線討論的積極性

基于CEN平臺內(nèi)置的留言發(fā)帖功能，獲取每位學(xué)生參與在線討論的發(fā)帖數(shù)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(xué)習(xí)動機密切相關(guān)的變量。

（2） 在線直播課的參與和回放數(shù)據(jù)

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

3. 基于自陳式量表的動機數(shù)據(jù)采集

為獲取學(xué)生在線學(xué)習(xí)動機自評價數(shù)據(jù)，筆者分別于期初、期中和期末發(fā)放“在線學(xué)習(xí)動機調(diào)查問卷”，采集學(xué)生對在線學(xué)習(xí)動機的自我評價情況。對問卷中ARCS的四個維度進行描述統(tǒng)計，結(jié)果發(fā)現(xiàn)：在線學(xué)習(xí)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(xué)生在線學(xué)習(xí)動機的自評價結(jié)果處于中等偏上水平。

（二）在線學(xué)習(xí)動機評價模型的初建及其不足

根據(jù)圖2所示的BtoMM_V0.0模型結(jié)構(gòu)，在AMOS Graphics 21.0下繪制結(jié)構(gòu)方程模型BtoMM_V0.1，并把xTime、xBgTime、extNum、LC、LH，以及學(xué)生自評價信息等數(shù)據(jù)納入BtoMM_V0.1中。檢驗后發(fā)現(xiàn)：其λ2/df=3.082、RMSEA=0.145、IFI=0.881、GFI=0.887，這些指標(biāo)均不滿足優(yōu)質(zhì)結(jié)構(gòu)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(zhì)量達(dá)不到實用的標(biāo)準(zhǔn)。

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

（三）對在線學(xué)習(xí)行為變量的優(yōu)化及BtoMM模型的重構(gòu)

1. 對在線學(xué)習(xí)行為變量的優(yōu)化

基于初始模型BtoMM_V0.1中反映出的“模型質(zhì)量較差、變量個數(shù)較少”等問題，研究認(rèn)為，重構(gòu)并補充在線學(xué)習(xí)行為變量是必要的。文獻(xiàn)分析發(fā)現(xiàn)，學(xué)習(xí)區(qū)位是否明顯靠前、反復(fù)自主觀看視頻的次數(shù)等信息能在一定程度上體現(xiàn)學(xué)習(xí)動機的強弱[17]。一般來說，動機高的學(xué)生首次開啟學(xué)習(xí)的時間點靠前[18]。因此，對已有的學(xué)習(xí)行為數(shù)據(jù)進行變形和重構(gòu)，獲得反芻比、在線交互質(zhì)量等變量。另外，筆者在在線教學(xué)實踐活動中還發(fā)現(xiàn)，學(xué)生參與協(xié)作的積極度、任務(wù)完成時間間隔等信息也能反映學(xué)生的動機水平。

（1） 學(xué)習(xí)反芻比FCB

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

（2）組內(nèi)積極度GKA

在線學(xué)習(xí)過程經(jīng)常以小組協(xié)作方式組織，小組是在線協(xié)作的重要研究單元。分析組內(nèi)成員完成任務(wù)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(xué)習(xí)的時間節(jié)點為基準(zhǔn)，查看組內(nèi)每個成員完成該主題的時間節(jié)點并進行組內(nèi)排序，以生成每一位學(xué)生的組內(nèi)積極度指標(biāo)GKA。

（3）在線交互質(zhì)量topicQuality

在線交互的頻率是反映學(xué)習(xí)者參與度的重要指標(biāo)，也能映射在線學(xué)習(xí)動機。然而教學(xué)實踐卻發(fā)現(xiàn)，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(xué)習(xí)動機，還需引入在線交互質(zhì)量指標(biāo)topicQuality。筆者以學(xué)生發(fā)帖內(nèi)容與學(xué)習(xí)資源關(guān)鍵詞的匹配度作為topicQuality的值。在研究過程中，將以學(xué)生發(fā)帖內(nèi)容與課程的關(guān)鍵詞庫做匹配。匹配程度高的學(xué)生，將被賦予較高的topicQuality值。

（4） 完成學(xué)習(xí)任務(wù)所需的時間間隔GKLI

在各學(xué)習(xí)主題上，學(xué)生完成學(xué)習(xí)任務(wù)的時間點與其啟動任務(wù)的時間點之間的差值，就是完成任務(wù)所需的時間間隔。筆者將學(xué)生在各主題上完成任務(wù)所需的時間間隔定義為變量GKLIi，其中，下標(biāo)i表示主題的編號。學(xué)生整個學(xué)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(gòu)建與驗證

（1）模型假設(shè)

基于變形和重構(gòu)之后的行為數(shù)據(jù)，筆者提出了假設(shè)模型BtoMM_V0.2，如圖3所示。鑒于學(xué)生在線學(xué)習(xí)動機自評數(shù)據(jù)在BtoMM V0.1中的不良表現(xiàn)，暫時未將學(xué)生的在線學(xué)習(xí)動機自評數(shù)據(jù)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(xué)習(xí)任務(wù)、隱性學(xué)習(xí)任務(wù)、在線學(xué)習(xí)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(gòu)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(jīng)數(shù)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(shù)。由表1可知，修正后模型的各項指標(biāo)均符合要求，此模型具有很好的適配度。據(jù)此，達(dá)標(biāo)的新模型被命名為BtoMM_V1.0。

在原假設(shè)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(biāo)準(zhǔn)化系數(shù)表匯總，得到各變量的標(biāo)準(zhǔn)化路徑系數(shù)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(chǔ)上，研究構(gòu)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(biāo)準(zhǔn)化路徑系數(shù)圖，如圖 4所示。

由圖4可知，必修性學(xué)習(xí)任務(wù)對TGrade只有直接正向影響，路徑系數(shù)為0.62（plt;0.05）；在線交互對TGrade只有直接正向影響，路徑系數(shù)為0.45（plt;0.05）；隱性學(xué)習(xí)任務(wù)對TGrade只有直接正向影響，路徑系數(shù)為0.55（plt;0.05）。通過標(biāo)準(zhǔn)化影響效應(yīng)可知，影響TGrade總效應(yīng)的因素依次為：必修性學(xué)習(xí)任務(wù)gt;隱性學(xué)習(xí)任務(wù)gt;在線交互。

（四）對在線學(xué)習(xí)動機自評數(shù)據(jù)出現(xiàn)偏差及其原因的探究

基于權(quán)威量表的動機自評數(shù)據(jù)在動機測量中一直占據(jù)重要地位，然而在本研究中，學(xué)生的在線學(xué)習(xí)動機自評數(shù)據(jù)卻是導(dǎo)致BtoMM V0.1模型無效的關(guān)鍵因素。對此，筆者做了深度跟蹤和探究。

1. 對在線學(xué)習(xí)動機自評數(shù)據(jù)的分類跟蹤

鑒于在線學(xué)習(xí)動機自評數(shù)據(jù)在BtoMM V0.1模型中有著極為不良的表現(xiàn)，導(dǎo)致該變量未能繼續(xù)參與BtoMM V0.2等后續(xù)模型的構(gòu)建。然而，基于ARCS量表的學(xué)生在線學(xué)習(xí)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(xué)習(xí)自評數(shù)據(jù)中隱藏著哪些問題是必要的。

把在線學(xué)習(xí)動機自評價數(shù)據(jù)與因變量TGrade進行相關(guān)性分析，發(fā)現(xiàn)二者并不相關(guān)。經(jīng)分類跟蹤與對比發(fā)現(xiàn)：某些學(xué)生的“|TGrade-自評價數(shù)值|”的差值很大，說明教師評價與某些學(xué)生的自評之間有很大的差異，這是導(dǎo)致兩個變量不相關(guān)的主要原因。進一步跟蹤發(fā)現(xiàn)：這部分多為班級中成績處于中等偏下的學(xué)生，其在線學(xué)習(xí)動機自評值與其在線行為表現(xiàn)相差很大。若把這部分個案從研究對象中排除，在線學(xué)習(xí)動機自評數(shù)據(jù)就能與TGrade高度相關(guān)。因此，部分成績中等偏下學(xué)生的自評值偏高是導(dǎo)致ARCS自評誤差較大的根源。若在研究中能預(yù)先排除這部分學(xué)生，其余學(xué)生的自評數(shù)據(jù)將是優(yōu)質(zhì)的自評數(shù)據(jù)。

2. “行為投射+優(yōu)質(zhì)在線學(xué)習(xí)動機自評數(shù)據(jù)”的新模型構(gòu)建及質(zhì)量分析

（1）吸納在線學(xué)習(xí)動機自評數(shù)據(jù)的新假設(shè)

基于模型BtoMM_V1.0的成果和針對在線學(xué)習(xí)動機自評數(shù)據(jù)的分類分析，筆者探索了只把優(yōu)質(zhì)的在線學(xué)習(xí)動機自評數(shù)據(jù)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(zhì)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(xué)習(xí)動機自評數(shù)據(jù)中的A、R、C、S指標(biāo)項作為自變量，依據(jù)原假設(shè)在AMOS中創(chuàng)建SEM并進行檢驗。在根據(jù)其MI信息做簡要路徑修正后，獲得了BtoMM_V1.1模型的擬合結(jié)果及各判定指標(biāo)，見表3。

參照SEM擬合指標(biāo)的參考值，表3中的數(shù)據(jù)已證實：在只吸納優(yōu)質(zhì)的在線學(xué)習(xí)動機自評個案的情況下，BtoMM_V1.1模型具有非常優(yōu)秀的適配度。

（五）最終模型：行為投射視角的BtoMM_X模型及其結(jié)構(gòu)

基于BtoMM_V1.1模型，通過AMOS適當(dāng)調(diào)整其內(nèi)部路徑，并經(jīng)多輪迭代優(yōu)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(guān)系可知：在介入動機自評數(shù)據(jù)后，模型中的必修性學(xué)習(xí)任務(wù)、在線交互、隱性學(xué)習(xí)任務(wù)與TGrade的標(biāo)準(zhǔn)化路徑系數(shù)均有所減少，進一步證明了在線學(xué)習(xí)動機評價需與學(xué)習(xí)行為數(shù)據(jù)相結(jié)合。其中，必修性學(xué)習(xí)任務(wù)對TGrade有直接正向影響，路徑系數(shù)為0.60（plt;0.05）；在線交互對TGrade有直接正向影響，路徑系數(shù)為0.38（plt;0.05）；隱性學(xué)習(xí)任務(wù)對TGrade有直接正向影響，路徑系數(shù)為0.43（plt;0.05）；在線學(xué)習(xí)動機自評數(shù)據(jù)對TGrade也有正向影響，且標(biāo)準(zhǔn)化路徑系數(shù)為0.26（plt;0.05）。綜上所述，影響TGrade總效應(yīng)的因素依次為：必修性學(xué)習(xí)任務(wù)數(shù)據(jù)gt;隱性學(xué)習(xí)任務(wù)數(shù)據(jù)gt;在線交互數(shù)據(jù)gt;學(xué)生的在線學(xué)習(xí)動機自評數(shù)據(jù)。

基于BtoMM_X模型及其路徑系數(shù)，在獲取了學(xué)生的在線學(xué)習(xí)行為信息及自評數(shù)據(jù)后，即可便捷地估算出其動機水平。由此獲取的結(jié)論，比單純依賴ARCS量表所得的動機值，準(zhǔn)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(yīng)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?zāi)Ｐ偷挠行?，筆者于2022年下半年開展了第三輪教學(xué)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(xué)生動機數(shù)據(jù)（TGrade1）。將TGrade1與基于BtoMM_X模型的預(yù)測值進行對比，結(jié)果發(fā)現(xiàn)：其檢驗概率p=0.592gt;0.05，說明來自TGrade1的學(xué)生動機水平與依據(jù)BtoMM_X計算出的動機水平無顯著性差異，證明BtoMM_X模型的預(yù)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(yù)測的學(xué)生動機水平進行了相關(guān)性分析，檢驗結(jié)果證實：二者的相關(guān)系數(shù)r=0.841gt;0.700，這說明TGrade1與BtoMM_X的預(yù)測值具有高度一致性。

綜上所述，使用BtoMM_X預(yù)測出的在線學(xué)習(xí)動機是有效的。因此，在后續(xù)教學(xué)實踐中，可以直接使用BtoMM_X來評估在線學(xué)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(yù)測值的剖析

在第三輪研究中，盡管BtoMM_X預(yù)測值與TGrade1測量值之間有著較好的一致性，但與學(xué)生的在線學(xué)習(xí)動機自評數(shù)據(jù)之間仍有一些偏差。進一步跟蹤發(fā)現(xiàn)：在學(xué)生在線學(xué)習(xí)動機自評數(shù)據(jù)中，仍然存在著約四分之一的學(xué)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(xué)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(gòu)成看，學(xué)習(xí)者的學(xué)習(xí)區(qū)位得分、學(xué)習(xí)反芻比、發(fā)帖數(shù)量、發(fā)帖質(zhì)量、組內(nèi)積極度與拓展性資源使用情況，是能夠反映學(xué)習(xí)者動機真實水平的關(guān)鍵變量。

在上述諸變量中，學(xué)習(xí)區(qū)位得分、學(xué)習(xí)反芻比與拓展性資源使用情況反映了學(xué)習(xí)者參與在線學(xué)習(xí)的積極性，且其受課程內(nèi)容、學(xué)習(xí)資源質(zhì)量、課程趣味性、實用性等因素的影響較大。學(xué)習(xí)者的在線發(fā)帖數(shù)量與發(fā)帖質(zhì)量體現(xiàn)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(dǎo)性、學(xué)習(xí)者的群體感知狀態(tài)等因素的影響。位于在線協(xié)作中的學(xué)習(xí)者的組內(nèi)積極度受組內(nèi)協(xié)作性與競爭性等機制的影響，良好的組內(nèi)協(xié)作、適度的組內(nèi)競爭對于提升組內(nèi)積極度作用顯著。

2. BtoMM模型諸維度對在線學(xué)習(xí)動機保持的啟示

首先，學(xué)習(xí)反芻比、學(xué)習(xí)區(qū)位點、拓展性資源的使用情況等變量與學(xué)習(xí)資源相關(guān)，高質(zhì)量的學(xué)習(xí)資源能夠提高學(xué)習(xí)者的學(xué)習(xí)興趣，進而促進學(xué)習(xí)者的主動學(xué)習(xí)。學(xué)習(xí)資源的豐富性又能夠促進學(xué)習(xí)者建立學(xué)習(xí)興趣與相關(guān)知識的關(guān)聯(lián)度，進而保持學(xué)習(xí)者的動機水平。學(xué)習(xí)資源作為必修性學(xué)習(xí)任務(wù)與隱性學(xué)習(xí)任務(wù)的關(guān)鍵內(nèi)容，同時也是學(xué)習(xí)者與在線學(xué)習(xí)平臺實現(xiàn)在線交互的載體，因此，從學(xué)習(xí)資源的建設(shè)入手，制定學(xué)習(xí)者動機干預(yù)措施能夠更加有效地提高學(xué)習(xí)者動機水平。

其次，學(xué)習(xí)者的在線發(fā)帖數(shù)量和發(fā)帖質(zhì)量與學(xué)習(xí)平臺中的在線發(fā)帖功能、激勵措施相關(guān)。學(xué)習(xí)者積極參與發(fā)帖能夠促進他們分享與交流，同時，學(xué)習(xí)者的發(fā)帖質(zhì)量越高，越能產(chǎn)生更高的應(yīng)答性與互惠性效應(yīng)。

最后，學(xué)習(xí)者的學(xué)習(xí)區(qū)位點、組內(nèi)積極度與團隊學(xué)習(xí)密切相關(guān)。作為學(xué)習(xí)交互的最小協(xié)作單位，小組內(nèi)部的協(xié)作與組間的競爭能夠影響學(xué)習(xí)者之間的學(xué)習(xí)交互，進而影響學(xué)習(xí)者動機。學(xué)習(xí)者組內(nèi)積極度也能從側(cè)面反映出學(xué)習(xí)小組的整體學(xué)習(xí)氛圍，學(xué)習(xí)氛圍好的學(xué)習(xí)小組其整體學(xué)習(xí)區(qū)位會靠前，組內(nèi)的積極度也較高。另外，小組成員的動機水平具有趨同性，學(xué)習(xí)小組的整體學(xué)習(xí)氛圍會直接影響到學(xué)習(xí)者個體的動機水平，尤其是在協(xié)作積極的小組內(nèi)部表現(xiàn)最為明顯。而沉浸在在線學(xué)習(xí)環(huán)境中的學(xué)習(xí)者若不能夠充分感知自身及團隊的學(xué)習(xí)進度，就無法產(chǎn)生競爭的氛圍[19]。

3. 成績中等偏下的在線學(xué)習(xí)者，其在線學(xué)習(xí)動機自評數(shù)據(jù)易出現(xiàn)偏高現(xiàn)象

成績中等偏下的部分在線學(xué)習(xí)者，在在線學(xué)習(xí)動機自評方面往往容易出現(xiàn)不符合實際的偏高現(xiàn)象。對于這部分學(xué)生，需要教師和助教給予更多的關(guān)心，幫助他們糾正不良習(xí)慣，鼓勵他們正視自己的學(xué)習(xí)情況、正確地評估自身動機，引導(dǎo)其有序、有效地參與到后續(xù)學(xué)習(xí)活動中。

教師應(yīng)充分利用BtoMM_X模型的預(yù)測數(shù)據(jù)，及時發(fā)現(xiàn)預(yù)測值與自評值嚴(yán)重不一致的學(xué)習(xí)者，并仔細(xì)分析其中的潛在原因，從而盡快拿出積極有效的干預(yù)措施，避免部分學(xué)生因長期缺乏個性化指導(dǎo)而掉隊。

六、結(jié) 束 語

在線學(xué)習(xí)動機問題受到教育界的普遍關(guān)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(guī)模在線課程，提出了基于行為投射的在線學(xué)習(xí)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(yù)測在線學(xué)習(xí)者的動機水平，從而為學(xué)習(xí)者提供個性化的干預(yù)指導(dǎo)，進而提升在線學(xué)習(xí)的整體質(zhì)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(xù)研究應(yīng)持續(xù)擴大研究對象的范圍、教學(xué)時長，并充分挖掘在線學(xué)習(xí)的多維數(shù)據(jù)，從而進一步優(yōu)化在線學(xué)習(xí)動機評價模型，使之使用更廣泛、更有效。

[參考文獻(xiàn)]

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

[2] 孫發(fā)勤，馮銳.學(xué)習(xí)分析視域下的在線學(xué)習(xí)動機評估研究[J].現(xiàn)代教育技術(shù)，2022，32（1）：94-103.

[3] 張錦坤，白學(xué)軍.“半投射”和“客觀性”：動機測驗的兩種新形式[J].心理學(xué)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(xué)習(xí)支持下多模態(tài)學(xué)習(xí)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(guī)?；诰€學(xué)習(xí)準(zhǔn)備好了嗎？——后疫情時期的在線學(xué)習(xí)與智能技術(shù)應(yīng)用思考[J].遠(yuǎn)程教育雜志，2020，38（3）：105-112.

[8] 于莎，劉奉越.成人參與在線學(xué)習(xí)共同體意愿的內(nèi)在影響機制——基于目標(biāo)導(dǎo)向行為理論和自我決定理論微視角[J].現(xiàn)代遠(yuǎn)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(nèi)蒙古師范大學(xué)學(xué)報（教育科學(xué)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(xué)習(xí)者在線學(xué)習(xí)動機測量比較[J].現(xiàn)代遠(yuǎn)程教育研究，2016（1）：78-84，95.

[12] 張文蘭，牟智佳.高師院校大學(xué)生網(wǎng)絡(luò)學(xué)習(xí)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(xiàn)民，王懷波，李冀紅.滯后序列分析法在學(xué)習(xí)行為分析中的應(yīng)用[J].中國電化教育，2016（2）：17-23，32.

[15] 龍成志，劉志梅.學(xué)習(xí)動機對自主學(xué)習(xí)行為的影響：以學(xué)習(xí)能力為中介[J].應(yīng)用心理學(xué)，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(yīng)促進線上協(xié)作學(xué)習(xí)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(yè)設(shè)計”課程的學(xué)習(xí)行為分析[J].西南師范大學(xué)學(xué)報（自然科學(xué)版），2019，44（9）：149-155.

[19] 田浩，武法提.混合場景下協(xié)作認(rèn)知投入的多模態(tài)表征與分析路徑研究[J].遠(yuǎn)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