The Students Are Unstable!
Cluster Analysis of Motivation and Early Implications for Educational Research and Practice
Alex Dillon and Jonathan Stolk
Franklin W. Olin College of Engineering Needham, MA 02492
Abstract— The type of motivation that a student evinces can shape such outcomes as academic engagement, performance, and satisfaction. In this paper we explore student motivation using cluster analysis, a quantitative method that has been proven useful in examining group-based motivational profiles within academic settings. We apply a range of clustering techniques to a data set comprising motivational survey responses of undergraduate engineering students at three different colleges. We confirm the outcomes of previous clustering analyses, revealing the existence of different student motivational profiles in academic settings, and we offer several new perspectives on engineering student motivation. First, different cluster analysis methods describe similar trends in motivational profiles, but divergent judgements in the distribution of students into these profiles. Second, examination of longitudinal data illustrates that students endorsements of the various motivations fluctuate significantly, and sometimes dramatically, within the duration of a single course. This challenges the 'they either have it or they dont' concept of motivation, and highlights the importance of understanding of studentsrsquo; situational motivational responses to classroom activities.
Keywords-motivation, self-determination, cluster analysis
I. INTRODUCTION
Motivation has been used as a window into understanding peoplersquo;s behavior and outcomes since psychology moved from a philosophical to an applied discipline in the mid 1800s. Contemporary needs-based motivation theories found in educational research have their roots in early humanistic psychological work by Maslow [1], whose distinction between physical and psychological stimulation in a hierarchy of needs evolved into the concepts of intrinsic and extrinsic motivation. After Maslow developed these macroscopic, life-long interrelations, others sought a framework for investigating the interplay of intrinsic and extrinsic motivation within more discreet contexts. One model that has proved both flexible and insightful is called self-determination theory (SDT) [2-4], which was developed in the 1970s and has since been applied to educational environments, as well as contexts from behavior intervention to sports [5-7].
In this study, we used surveys based on the constructs of SDT to gain insight into studentsrsquo; perceived motivations in a variety of materials science course environments, and will presently investigate the results in light of applied psychologyrsquo;s overarching goal of improving outcomes through understanding their determinants.
978-1-4673-1352-0/12/$31.00 copy;2012 IEEE
II. SELF-DETERMINATION THOERY (SDT)
A. Essential Constructs
SDT investigates the congruence between a personrsquo;s intrinsic motivations and their environment. The degree of congruence relies on the extent to which an interaction satisfies three basic needs: autonomy, competence, and relatedness [4]. These needs are the cornerstone of SDT, and are understood to influence a personrsquo;s observable characteristics such as affect, behavior and cognition. This relationship is particularly important in social contexts, where these outward effects partially define the environment as perceived by others. SDT posits that an interaction is integrated into the sense of self, which in turn widens the scope of relatedness and allows for further development within the environment; if unsupportive, it reduces perceived relatedness and decreases the environmentrsquo;s appeal. This process, called internalization, is how intrinsic motivation is facilitated [4]. Furthermore, SDT research posits that individuals perceive motivation at three hierarchical levels of generality (Figure 1), categorized by the persistence of their influence: from most to least recurring they are the global, contextual, and situational levels [8-11]. Influences have been observed to flow both top-down and bottom-up within these levels.
Figure 1. The hierarchical model of motivation, from Vallerand et al. [8].
B. Measuring Motivation
In addition to the theoretical constructs, SDT researchers have also developed survey instruments that can be applied to measure the apparent magnitudes of the hypothesized constructs. The present study made use of the Situational Motivation Scale (SIMS), a 16-item, Likert-scaled (1=corresponds not at all, 7=corresponds exactly) instrument that uses four subscales that lie along the self-determination continuum: intrinsic motivation (in which one senses an activityrsquo;s personal relevance), identified regulation (one senses the activity is related to something else personally relevant), external regulation (one does not see the activityrsquo;s relevance, and so is driven by extrinsic factors), and amotivation (feelings of incompetence and uncontrollability, when one understands neither the activity nor its relevance). SIMS subscale scores for intrinsic motivation, identified regulation, external regulation, and amotivation are calculated as the means of four survey items for each scale. The SIMS has been shown to have internal reliability and construct validity [12].
The four SIMS subscales can be collapsed to a single value called the self-determination index (SDI), defined as: SDI = 2times;(intrinsic motivation) 1times;(ident
剩余内容已隐藏，支付完成后下载完整资料
学生不稳定！
教育研究和实践的动机的聚类分析及其早期含义
Alex Dillon 和 Jonathan Stolk
Franklin W. Olin 工程学院
Needham, MA 02492
摘要：学生所表现出来的动机类型可以影响学业投入、表现和满意度等结果。在本文中，我们使用聚类分析来探索学生的动机，聚类分析是一种定量方法，已被证明在学术环境中对基于群体的动机分析非常有用。我们将一系列聚类技术应用于一个数据集，该数据集包含三个不同学院的本科工程专业学生的动机性调查回答。我们证实了先前的聚类分析的结果，揭示了不同的学生动机在学术环境中的存在，并且我们提供了一些关于工程学生动机的几个新观点。首先，不同的聚类分析方法描述了动机概况中相似的趋势，但在学生分布到这些概况中时存在不同的判断。第二，对纵向数据的检验表明，学生对各种动机的认可在一门课程中有很大的波动，有时甚至非常大。这挑战了“他们要么有要么没有”的动机概念，并强调了理解学生对课堂活动的情境动机反应的重要性。
关键词: 动机，自我决定，聚类分析
- 介绍
自19世纪中期心理学从哲学转向应用学科以来，动机一直被用作了解人们行为和结果的窗口。当代教育研究中发现的以需求为基础的激励理论起源于马斯洛·[1]早期的人文心理学工作，他将身体和心理刺激在需求层次上的区别发展为内在激励和外在激励的概念。在马斯洛发展了这些宏观的、终生的相互关系之后，其他人寻求了一个框架来研究内在动机和外在动机在更谨慎的情景下的相互作用。自我决定理论（SDT）[2-4]是一种既灵活性又富有洞察力的模型，它是在20世纪70年代发展起来的，并且已经应用于教育环境，以及从行为干预到体育运动的各种情景中[5-7]。
在本研究中，我们使用了基于SDT结构的调查来了解学生在各种材料科学课程环境中的感知动机，并将根据应用心理学的首要目标——通过理解其决定因素来改善结果——来调查结果。
- 自我决定理论（SDT）
- 基本构造
SDT调查一个人的内在动机和环境之间的一致性。一致性的程度取决于交互满足三个基本需求的程度：自主性、能力和相关性[4]。这些需求是SDT的基石，可以理解为影响一个人的可观察特征，如情感、行为和认知。这种关系在社会环境中尤其重要，在社会环境中，这些外部影响部分地定义了他人所感知的环境。SDT假设一种互动被整合到自我意识中，从而扩大了关联的范围，并允许在环境中进一步发展;如果不支持，它会降低感知的关联性并降低环境的吸引力。这个过程称为内部化，是内在动机促进的方式。此外，SDT研究假设，个体感知动机在三个层次上具有普遍性（图1），按其影响的持久性进行分类：从最频繁到最少重复分别是全局级别、语境级别和情景级别[8-11]。在这些层次中，观察到自上而下和自下而上的影响。
图1.动机的层次模型，来自Vallerand[8]等。
- 测量动机
除了理论构建，SDT研究人员还开发了测量工具，可用于测量假设构建的表观大小。本研究使用情境动机量表（SIMS），这是一个16项的李克特量表（1 =完全不对应，7 =完全对应），它使用了位于自我决定统一体中的四个子量表：内在动机（一个感知活动的个人相关性），确定监管（一个感官的活动与其他个人相关），外部监管（不看到活动的相关性，因此受到外在因素的影响）和无动机（当一个人既不了解活动也不了解相关性，处于无能和不可控性的感觉）。SIMS内在动机、确定的调节、外部调节和无动机的子量表得分被计算为每个量表的四个调查项目的平均值。结果表明，该模型SIMS具有内部信度和结构效度[12]。
四个SIMS分量表可以分解为一个单独的值，称为自我决定指数（SDI），定义为：SDI = 2times;（内在动机） 1times;（识别规则） - 1times;（外部规则） - 2times;（无动机）。SDI值被描述为一个从控制到自主动机的连续统一体，其可能得分范围从-18到 18。虽然一些研究已经证明了SDI在检验学习者动机方面的有效性[10,11,13-15]，但也有一些研究指出，由于过度简化了，SDI也会掩盖数据中的趋势[16]。我们主要使用它作为一个容易引用的度量来确定一个复杂分析的方向。
通常，动机研究试图通过相关因素分析将动机水平与特定的上下结果联系起来。然而，作者特别感兴趣的是一种称为面向人的分析方法 [16]。这种方法假定调查的因素通过起源或影响的某种组合而相互关联，因此允许进行更细微的分析。考虑两名学生，他们都有很高的内在动机，但只有一个报告说有很大的外部压力。可以想象他们的行为和经历可能会有所不同;以人为本的分析能够对这种情况进行统计调查。这种类型的分析通过采用数据聚类方法来执行，其中包含各种技术。具体内容将在下面分析部分讨论。
- SDT的先前研究
基于变量的动机分析表明，满足SDT中假定的三个基本需求确实能促进内在动机的增强、持久，学习成绩的提高和学习者更健康的发展[5-7,15-18]——这一研究为SDT框架提供了很大的可信度。最近，Ratelle等人进行了一项以人为本的研究，试图确定不同的“动机概况”，即动机的报告的相对价值中的趋势。使用一种最初为分析纵向社会而开发的复杂的聚类方法，他们研究了三个数据集:两个从高中环境中收集，一个从大学环境中收集。他们的分析显示了四种不同的动机，然而每种设置只显示了四种动机中的三种。在所有设置中共享两个概要文件:一个具有中等水平的自主和受控(外部)动机(他们将其命名为中等的AU-C)，另一个具有较高水平的两者(命名为高的AU-C)。独特的高中设置是由外部和动机特征主导的轮廓;学院内独一无二的设置是一个由自主特性主导的概要文件(名为true AU)。Ratelle等发现高中阶段在高AU-C组的表现最好;在大学里，他们发现高AU-C组和真正的非盟组的表现相似，但在真正的非盟组中，他们的学业毅力更强。基于对动机更细致入微的分析，我们试图研究工科学生在本科课堂环境中采用的动机。我们提出了几个研究问题:工科学生在本科课程中采用什么动机档案?学生是如何分布在这些个人资料中?这些动机档案是如何随着时间的推移而改变的?什么样的聚类分析技术对检验工科学生的学习动机最有用?
- 目前的学习
- 参与者和方法
本文分析的数据是作为一个更大的混合方法去调查学生在入门材料科学课程的动机结果的一部分收集的。参加者是来自三所本科院校修读四门不同材料课程的工科学生。共有404名学生参与了这项研究。研究对象包括93名就读于小型工程学院项目材料科学课程的学生、137名就读于小型文科大学课堂材料科学课程的学生，以及174名就读于大型公立大学课堂材料科学课程的学生。数据是通过基于web的上述模拟人生工具的实现收集的。所有学生在学期开始和结束时接受调查;然而，一个不同之处在于，这所小型工程学院的这两门课程的学生在整个学期内都要接受9次额外的调查，为一部分研究参与者提供纵向数据。我们的数据集共包含1278份完整的调查问卷，其中707份是在课程开始或结束时收集的。
- 基本分析 - 数据集特征
我们的完整数据集给出了4.5,4.7,3.8和2.0的内在动机，确定的调节，外部调节和无定形的平均值，标准偏差分别为1.3,1.1,1.6和0.96（图2）。这导致平均SDI等级为5.9，标准偏差为5.4（图2）。较低的无效平均值和相对较高的已确定的调节和内在动机值表明，平均而言，研究参与者在其材料科学课程中应采用内化的动机形式。然而，平均值并不表示学生同时发展多种动机的程度，例如外部规则与内在动机相结合。
从一开始的数据与最终的数据进行比较，为目前的背景提供了一个有趣的结果：Welch双因子t检验显示数据集内的内在动机和无助的统计学显著性（p lt;0.01）增加。起初，这似乎与自决理论相反，后者认为这两个因素关联性最小，应该是负相关的。然而，现可以通过考虑课堂环境来解释这一结果：可能会有一个统计上显著的学生群体发现课程非常有趣，以及一个相互排斥但仍然具有统计意义的群体，他们发现课程很有兴趣。为了满足学生的个人需求，教师必须更好地了解这些动机变化的起源。这是一个有趣的平台，可以从中开始面向人的分析。
图2. SIMS子量表（黑色，相对于规模自治的线宽）和自我决定指数（灰色）值的均值和分布。
- 以人为导向的分析 - 聚类方法和结果
聚类分析是一种应用于多变量社会科学数据的方法，通过在定义变量时寻找同质性来识别相似的反应，它在检验学生动机方面已被证明是有用的[19-22]。聚类分析依赖于一系列数据分组技术，这些技术的底层功能不同，但有一个共同点:它们总是提供某种类型的答案。当试图将聚类分析应用于数据集时，必须将结果上下文化，以便于确定结果对研究人员是否重要以及为什么重要。因此，在寻求面向人的分析时，需要回答的两个主要问题是:应该使用什么方法，应该寻找多少个集群?到目前为止，还没有找到对目前的应用程序达成一致意见的最佳方法，因此，在我们对这些基本原则赋予过多的实际意义之前，我们要借此机会探讨一下。
k-means聚类称为最基本的聚类方法之一，之所以这样命名是因为它询问用户时要形成多少个聚类(k)进行分析并返回k组平均值。这种方法将提供的每个数据实例(在本例中，是来自一个完整调查的值)视为空间信息的向量，然后在数据空间中插入k个点。将所有给定的数据分组到最近的插入点，并计算每个组的中心。然后，该算法根据新的中心重新分配集群成员，并继续此过程，直到中心的更改不再导致集群成员的更改。
基本的k均值分析总是具有某些特征，这些特征在某些情况下可能是缺点：首先，聚类结果取决于种子k值，因此可能容易被局部最小值或最大值“捕获”，其次，因为群集歧视在平均值之间发生，该算法对集群特定的密度特征不敏感，并且倾向于使集群具有相似的大小。最后一个缺点对我们来说尤为重要，因为我们理想地想要识别任何持久的动机概况，即使它描述的学生比例小于其他学生。
这些缺点促使了算法的发展，这些算法在聚类过程中更加复杂，包括内置的适当性评估工具。之前提到的Ratelle等人的研究，在他们的研究分析中使用了这样一个工具，一个名为TRAJ[16]的SAS扩展。Ratelle等人吹捧了它指导模型拟合过程的能力，我们对应用这项技术很感兴趣。虽然TRAJ模块是免费提供的，但它需要运行代价高昂的SAS基础。幸运的是，类似复杂程度的MCLUST方法是免费提供的，并且运行在R基础上，而R基础也是免费提供的。MCLUST包含了解决k-means缺点的步骤，方法是智能地选择初始中心，并允许不同的、集群特定的分布密度。它还使用了与TRAJ相同的适当性评估工具，称为贝叶斯信息准则(BIC)。BIC是一种广泛使用的度量方法，用于在有限的建模选项集中选择一个提供最佳的相对拟合。单个模型提供一个总是负值的单一BIC值，因此，通过迭代数据集的模型假设并选择导致最高实际BIC值(最低绝对BIC值)的假设，就可以进行模型选择。
默认情况下，MCLUST将获取一个数据集，并提取适用于k值为1-9的10种不同混合模型假设的BIC值。这个默认分析比Ratelle等人研究了更广泛的可能的集群，后者只比较了k值2-4。然而，他们的k值限制是合乎逻辑的，因为只有四个心理测量变量在7分制范围内打分。在我们初步的k-means聚类分析中，我们从k(2-6)中确定了四个聚类作为讨论动机响应概要的定性有用的数字。Ratelle等人的研究表明，三个集群提供了最优的解决方案。然后，我们惊讶地发现，默认的MCLUST方法表明，一个7-cluster模型最适合我们的动机子尺度评级数据集。然后我们运行MCLUST生西姆斯调查结果的数据集,而不是内部氧化物平均水平数据集,发现有16个因素而不是4,得到一个更简单的算法,4集群解决方案(图3)。在分析一系列BIC值2到20集群,我们得出的结论是,它并不是特别有助于确定最佳分析参数。最终，最好的“契合度”仍然必须由定量分析的定性语境决定。我们学生考虑的实际动机和最丰富的数据MCLUST分析建议4集群,我们使用我们的k值比较输出三种不同集群程序被迫4集群解决方案:方法1是MCLUST平均修改的动机,方法2 MCLUST在原始问题的反应,和方法3是一个基本的k-means算法。
表1和表2提供了我们整个数据集和每个学生集群的统计概况，包括它们的均值，标准差，SDI值以及因子间相关性和可靠性。在每种方法中，聚类按其计算的平均值SDI排序。图4显示了方法1聚类结果，其中覆盖了SIMS子量表平均值。比较了各种方法的输出集群，揭示了几个相似之处。每种方法确定一组具有相对高的SDI，两组具有彼此两点内的中间值，一组具有低SDI。与Ratelle[16]等人使用的术语类似，这些可能被命名为高AU，高AU-ID，高ID和高EX。在方法之间的群集等级中具有统计显著性的八个因素间相关性，在每个群集中仅一个相关性是显著的：IN-ID。在分析整个数据集时，每个因素间相关性报告统计显著性这一事实，这是有趣的。
图3. MCLUST开展的基于BIC的模型参数分析，使用调查分量表数据（上图）和原始调查数据（下图）。图例表示模型类型，曲线最大值表示最佳簇编号。
群集方法之间的差异也很明显：主要是群集的大小变化很大。例如，方法1中排名最低的聚类（MCLUST平均值）是该方法中具有477个响应的最大聚类。但是，在方法2（MCLUST on raw data）中，最大的组（504个目标）具有第二高的SDI，排名最低的群集仅为使用方法1描述的大小的55％。集群方法设法描述类似的激励趋势，却得出了不同的结论。方法1中使用的子量表平均值旨在准确表示方法2中使用的原始响应，这一点尤为有趣。
最后，我们可以看到基本的k均值倾向于在行动中均等分布，因为其簇大小范围为223-393，而方法
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[20352]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
课题毕业论文、文献综述、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
