后疫情时代线上学习平台的使用意愿分析——基于UTAUT模型

丁丽，方晓，王景兰

（亳州职业技术学院 信息工程系，安徽 亳州 236800）

疫情期间职教云、学习通、爱课程、e会学、网易云课堂等平台被高校广泛使用，辅助线上教学。随着疫情的有效控制，各高校都陆续开学，学生重新回到了教室上课。这些线上学习平台是否还会被学生继续使用，是本文研究的出发点。本文以高校大学生为研究对象，以职教云为例，以技术采纳与利用整合理论模型为研究的理论基础，构建了职教云平台使用意愿的影响因素模型。

技术采纳与利用整合理论模型（unified theory of acceptance and use of technology，简称UTAUT）旨在解释用户使用新技术的行为意图和随后的使用行为[1]。该模型有四个核心变量（自变量）、两个因变量以及四个调节变量。这四个核心变量是：绩效期望（PE）、努力期望（EE）、社会影响（SI）和便利条件（FC）；两个因变量分别是行为意愿（BI）和使用行为；四个调节变量即性别（gender）、年龄（age）、经验（experience）、自愿使用（voluntarily），具体结构如图1所示[2]。

图1 UTAUT模型Fig.1 UTAUTmodel

1 模型构建与研究假设

对大学生使用线上平台的意愿研究是在UTAUT模型的基础上，结合大学生的群体特点及线上学习平台的特性，在UTAUT模型的基础上，构建了职教云平台使用行为意愿模型，对各个自变量与因变量之间的影响关系提出正向假设，并通过论证探索和定量分析检验假设。

1.1 模型设计

1.1.1 自变量设计

保留经典UTAUT模型中的四个核心变量，增加系统灵活性作为第5个自变量。在以往的研究中，系统灵活性被用于基于web的用户意图培训研究（alrawashdeh和Al-mahadeen，2014）。E-learning系统的灵活性定义为个人认为他/她可以在任何时间从任何地方访问该系统的程度。因此，本文将灵活性（flexibility）纳入UTAUT，以调查它是否对BI产生重大影响[3]。FL被定义为大学生认为他/她可以在任何时间任何地点进入在线学习平台进行线上课程学习的程度。

1.1.2 因变量设计

由于大学生使用线上学习平台进行学习的意愿直接决定其使用行为，所以本研究将大学生对线上学习平台使用的行为意愿BI作为因变量进行研究。

1.1.3 调节变量设计

在校大学生年龄差别都不大，也不存在使用经验上的差别，且都是自愿使用或者在周围人的印象下自愿使用的，因此本文剔除了经典UTAUT模型中的年龄、经验和自愿性这三个调节变量[4]。本研究对象中的大学生类型包括本科生和专科生，二者学习的自主性是有差别的，所以增加受教育程度作为调节变量。最终确定调节变量为性别和受教育程度，构建的研究模型如图2所示。

图2 职教云使用意愿模型Fig.2 Cloud usage intention model of vocational education

1.2 研究假设

根据以上模型设计，提出以下7个假设：

H1：绩效期望正向影响大学生使用职教云平台的行为意愿；

H2：努力期望正向影响对大学生使用职教云平台的行为意愿；

H3：社会影响正向影响大学生使用职教云平台的行为意愿；

H4：便利条件正向影响大学生使用职教云平台的行为意愿；

H5：灵活性正向影响大学生使用职教云平台的行为意愿；

H6：男生和女生使用职教云平台的行为意愿有所不同；

H7：专科生和本科生使用职教云平台的行为意愿有所不同。

2 问卷设计与数据收集

2.1 问卷设计

对大学生使用线上学习平台意愿的问卷设计主要包括个人基本信息和各个研究维度的量表部分。

个人基本信息主要包括：性别、教育程度（本科、高职）、年级（大一、大二、大三、大四）。

各个研究维度的量表设计对于各个变量问题的设计采取7级量表的形式，从非常不赞同到非常赞同分别用1～7表示，即非常不赞同用1分表示，不赞同用2分表示，有点不赞同用3分表示，没有意见用4分表示，有点赞同用5分表示，赞同用6分表示，非常赞同用7分表示，每个维度设计3个问题，具体如表1所示。

表1 各个研究维度的量表设计Tab.1 Scale design of each research dimension

2.2 收集数据

高职和本科生是本次问卷调查的对象，为了使收集到的数据更具有代表性，问卷设计好之后放在问卷星上进行在线发放。分别转发到以顺德、亳州、深圳三所城市命名的职业技术学院的本科和专科班级群中，让学生在线填写。问卷发放时间为2020年8月21日—2020年8月23日，共收到问卷218份。为了使收集到的数据能够反映大学生的真实意愿，删除漏选、答题时间过短等无效问卷及答案有很多为同一个选项的问卷，保留100个有效数据。

3 实证分析

选择基于偏最小二乘法的结构方程模型（PLSSEM）进行分析。采用Smart PLS软件，用PLS方法和自助法及多群组分析MGA法进行计算。

3.1 描述性统计

对筛选出的100份数据进行分类统计，其中男生人数为22，占总额比例的22%；女生人数为78人，占总数比例的78%；专科人数为78，占总数比例的78%。

3.2 信度与效度检验

3.2.1 构面信度与效度分析

采用Smart PLS软件，用PLS方法进行计算得出构面的信度与效度如表2所示：其中cronbach’s alpha、组合信度（composite reliability，CR）的值均大于0.8（一般要求0.7），表明构面的内部各个衡量指标之间一致性很高，问卷的信度很高，是可靠的[6]。平均抽取变异量（AVE）的值大于0.8（一般要求0.5），说明构面的收敛效度很高，问卷是有效的。

表2 构面信度与效度Tab.2 Construct reliability and validity

3.2.2 区别效度分析

效度除了用平均抽取变异量（AVE）的值来衡量，还可以用弗奈尔-拉克准则和交叉负荷量来检验。即弗奈尔-拉克准则中每个潜在构面AVE的平方根计算结果是否大于其余构面的相关系数；各个指标的负荷量是否高于其所有交叉负荷量。PLS计算的弗奈尔-拉克准则结果（如表3所示）显示，所有构面间的相关系数均大于0.5小于0.85，且主对角线AVE的算术平方根都大于其潜变量之间相关系数[6]。说明问卷的各个变量之间具有很好的聚合效度和区别效度，反映出这六个构面之间的相关性是合理、可以接受的。

表3 弗奈尔-拉克准则Tab.3 Fornell Larcker criterion

另外，PLS计算得到的各个因子负荷量均大于0.7且大于其交叉负荷量，说明各个变量之间具有很高的聚合效度和区分效度。

3.3 共线性VIF分析

变异数膨胀因子是衡量共线性的依据，一般VIF值大于5表示模型的各个变量之间存在共线性问题[7]。模型的R2表示各个变量对整合模型的解析力度（如表4所示）。

表4 VIF及R2Tab.4 VIF and R2

由表4可以得出各个因子的VIF值都小于5，表明各个变量之间均不存在共线性问题，问卷的数据是有效的。R2一般等于0.5，模型中R2等于0.801，表示各个自变量对因变量使用意愿有80%的解析力度，整个模型是合理的。

3.4 结构方程模型分析

在Smart PLS程序中对5 000个子样本进行bootstrapping分析，以评估这五个自变量之间的路径系数是否显著。其结构方程模型及自助法计算后的数据如图3所示。

图3 PLS-SEM分析结果Fig.3 PLS-SEM analysis results

根据PLS-SEM结果，SI和FL的P值小于0.05。因此，支持H3和H5，但忽略H1、H2和H4，因为其P值超过0.05。表4显示的是PLS法和自助法计算的路径系数。

3.4.1 P值

由表5可以得出研究模型中假设1的P值大于0.05，因此假设1不成立，即很多学生并不认为职教云平台很有用，因而没有产生主动使用的意愿；

假设2的P值也大于0.05，所以假设2也不成立，即很多学生并不赞同因为职教云平台容易使用而产生想主动使用其进行学习的意愿；

假设3的P值为0.046小于0.05，故假设3成立，即老师、同学及身边的人的看法或做法会对自己是否使用职教云平台产生正向影响；

假设4的P值大于0.05，得知假设4不成立，即职教云平台内容的丰富性与否与大学生是否使用职教云平台进行自主学习没有直接影响。另外，现在大学生都有智能手机且流量都是无限的，所以这些也不是他们能否使用网络平台进行自主学习的影响因素。

假设5的P值为0小于0.05，故假设5成立，即灵活性正向影响大学生使用职教云平台的行为意愿。假设验证情况见表5。

表5 假设验证情况Tab.5 Hypothesis verification

3.4.2 路径系数

由表5中的PLS法路径系数值可以看出：SI→BI和FL→BI的值较大，说明社会影响和灵活性对大学生使用职教云平台的使用行为作用比绩效期望、努力期望和便利条件大。

3.4.3 T值

由各个路径的T值大小可以看出SI和FL的T值大于1.96，PE、EE和FC的T值小于1.96，说明社会影响和灵活性对大学生使用职教云平台的使用意愿作用较大。

综上所述，以上三个衡量标准对模型假设的验证是一致的，即研究模型中H1、H2、H4不成立，H3、H5成立。因此，社会影响和灵活性对行为意愿有显著作用，绩效期望、努力期望和便利条件对行为意愿的作用不显著。

3.5 多群组分析（MGA）

多群组分析用于将样本按照某一变量分成两个或多个子样本，通过每个子样本的PLS路径建模估计路径系数，若P值小于0.025，则说明该变量对整个模型是有影响的。按照性别和学历分别分组，进行MGA计算，其P值如表6所示。

表6 PLS-MGA计算结果Tab.6 PLS-MGA calculation results

由表6可以看出，按性别进行分组计算的P值均大于0.025，说明性别对整个模型的调节作用是无效的，男生和女生在使用线上平台进行自主学习方面没有差别，从而验证了研究模型中假设6不成立。按受教育程度分组中FL→BI的P值为0.021，说明专科生和本科生在使用线上平台进行学习的灵活性方面是有差别的，这也表明不同受教育程度的学生对学习的主动性不同，从而验证了假设7是成立的。

4 研究结论与建议

在UTAUT模型的理论基础上，选取偏最小二乘法（PLS）构建结构方程模型（SEM），在经典的行为意愿BI的影响因素的基础上增加灵活性自变量，研究影响大学生使用线上学习平台进行自主学习的意愿受哪些因素的影响；通过信度、效度、共线性、P值、T值等分析，得出影响学生使用线上平台进行自主学习的影响因素主要有社会影响和灵活性。使用的灵活性也会对大学生的使用意愿有显著作用。同时分别按照性别和学历进行分组，采用多群组分析方法进行计算，通过比较PLS-MGA计算的P值得出专科生和本科生在平台使用的灵活性方面是不同的，本科生的自主学习意愿更强些。