摘要：近年来，有关在线学习者聚类的研究层出不穷，然而以学习动机为聚类依据的研究较少。本文借鉴相似的研究，尝试使用聚类算法挖掘学习者的学习动机特征，并探究这些类别学习者在学习绩效上是否存在显著差异。因此本文主要解决两个问题：如何为在线学习者聚类以及如何检验不同学习动机类别的学习者之间在学习绩效上的差异性。

本文基于网易后端日志数据和 ARCS 动机模型，采集与学习动机相关的 43 种学习行为指标作为表征学习动机的特征数据，进行聚类，从而提取学习者的学习动机类别。对不同学习动机类别群体的总分使用方差分析，检验是否存在差异。

本文研究发现：网易云慕课学习者的学习动机，可以聚为三类，其学习动机强度依次递减；不同类别的学习者群体学习绩效差异显著，但同一类别的学习者学习绩效也不是完全相同，总体方差较大，存在一定的差异。本文结果可复现，论文数据已去除个人敏感信息。

关键词：学习动机，聚类分析，Kmeans，MOOC 学习者聚类

目录

摘要

ABSTEACT

1导言-9

1.1研究背景-9

1.2学习动机理论背景-9

1.3聚类分析理论背景-10

2国内外相关聚类研究-11

2.1数据来源和数据处理综述-11

2.2聚类结果综述-12

2.3目前研究不足及相关解决方法综述-13

3研究意义-14

3.1理论研究意义-14

3.2实践研究意义-14

4研究过程-14

4.1数据来源及相关信息-14

4.1.1《课堂问答的智慧与艺术》课程后台数据背景-14

4.1.2《课堂问答的智慧与艺术》课程后台数据相关描述-15

4.2数据指标构建-16

4.2.1基于学习动机的测量模型构建方法背景-16

4.2.2围绕 ARCS 动机模型 4 方面构建 43 个学习特征-16

4.3数据预处理-18

4.3.1去无效特征-18

4.3.2去高相关特征-18

4.3.3归一化特征-18

4.4特征工程与聚类分析-19

4.4.1Kmeans 算法及其缺陷-20

4.4.2Kmeans 缺陷的解决方法-20

4.4.3探究聚类后群体特征-21

4.5差异检验-22

4.5.1总体正态检验-22

4.5.2方差齐性检验-23

4.5.3修正后的ANOVA 分析-23

5讨论总结-24

5.1结果讨论-24

5.2-不足-26

5.3-总结-27

参考文献-28

附录-30

附录 1  王祎的在线学习行为动机模型特征-30

附录 2  代码截图-31

致谢-33