大学生在线学习采纳动因及组态效应研究*

王惠惠 董永权 范斐然 和文斌

（江苏师范大学 智慧教育学院，江苏 徐州 221116）

一、引言

随着互联网技术的快速发展和移动智能终端的覆盖普及，社会各行各业发生了颠覆性的改变。在“互联网+教育”的时代潮流下，基于自主性、开放性和多元性等特征的大规模在线开放课程也应运而生，主要体现在一部分课程由线下转为线上，教学资源获取和教学形式变得更加灵活［1］。 在线学习是学习者在计算机或移动设备所构成的网络环境中进行学习，是大学生获取知识、掌握技术的重要途径。 新冠肺炎疫情爆发以来，全国大中小学更是依托在线教学平台，积极开展在线教学活动，催生了全国大规模、多类型、各形态的在线直播课程，成为教育信息化实践的一次特殊尝试［2］。 相较于以往学习方式，在线学习打破了时空限制，推广了优质的教学资源共享，实现了教育公平。 在线教育的快速发展不仅推动了高等教育教学模式的变革，更改变了人们对“教”与“学”的认识，成为广大教育工作者的研究重点［3］。

尽管在线学习具有广阔的发展前景，在高等教育教学中也形成了一定的教育影响力，但是人们对于在线学习的前景依然存在争议，其中最明显的是在线学习采纳的影响因素研究。J.B.Arbaugh［4］通过比较线上线下学习方式和学习体验的差异性探索了在线学习未来的发展方向，其中之一是在线学习采纳的结果研究，从而引起人们对采纳意愿影响因素的关注。 关于影响因素的研究，不同的角度有不同的判断。 邓灵丽和覃聪［5］将TAM 模型融入UTAUT 模型对在线学习采纳情况进行分析，认为绩效期望和努力期望是在线学习采纳的重要影响因素。 余琴等［6］对医学生采纳在线学习的影响因素构建了结构方程模型，研究发现，习惯、社会影响和绩效期望等因素对采纳在线学习具有积极作用。

虽然许多学者对在线学习采纳的影响因素展开了大量实证研究，但是传统研究范式并未考虑变量之间的相互作用，在一定程度上忽略了变量之间的联合效应［7］。 因此，本研究基于UTAUT模型和文献研究建立动因概念模型，引入模糊集定性比较分析（Fuzzy Set Qualitative Comparative Analysis，fsQCA）方法［8］，探索达到采纳的变量组合有哪些，寻找共性的问题和普遍性的规律，探究前因变量与结果变量的多重并发因果关系和多元路径，为提高大学生在线学习采纳率提供参考。

二、理论基础和模型构建

对于在线学习而言，学生采纳在线学习的影响因素受到不同层面的影响，本研究基于UTAUT模型和理论基础研究对大学生在线学习采纳提出了一个系统的、完善的采纳动因概念模型。

（一）高等教育核心模型

根据英国提出的《SCONUL 信息素养七支柱：高等教育核心模型》标准，信息素养包括识别、审查、计划、收集、评价、管理、呈现7 个维度［9］。 由此可看出，此信息素养模型能够满足大学生在“教育信息化2.0”时代对在线学习的内在需求，体现学生与信息进行交互的综合能力。 文献研究发现，信息素养是大学生参与在线学习的必要准备和技能。 徐艳［10］认为，在线阅读过程中信息素养对学生的学习意愿和行为举止均有积极的影响；位星和朱进杰［11］研究发现，对在线学习环境下的学习者而言，信息素养对个人深度思维和知识网络质量具有明显的影响效果。 因此，信息素养是学生参与在线学习的必备条件，对在线学习效果具有直接影响。

（二）建构主义理论

建构主义理论强调以学习者为中心，重视学习者认知主体地位，认为学习者通过主动积极的知识建构，更易于形成个性化的学习风格，从而提高批判性思维能力。 与传统课堂学习相比，在线学习不受时间和空间的双重限制，能够满足个性化学习需求，更符合建构主义的理念。 因而，近年来有不少学者从建构主义角度去探讨在线学习采纳的影响因素。 曾爽和高延雅［12］基于建构主义理论，以大学英语课程为载体，发现学习自主性对促进大学生在线学习采纳意愿具有积极作用。 刘军等［13］基于UTAUT 模型构建在线自主学习采纳的影响因素研究模型，考察绩效期望、努力期望、便利条件等对在线学习采纳的影响情况。 因此学习自主性作为建构主义理论下的产物，对在线学习采纳意愿具有重要作用。

（三）交互影响距离论

交互是在线学习得以成功的重要因素之一，许多研究者对其展开大量研究。 美国宾夕法尼亚州立大学M.G.Moore［14］提出的交互影响距离论，为在线交互发展提供了强有力的理论支持。M.G.Moore 将在线交互分为3 种方式，即学习者与内容、学习者与教师、学习者与学习者。 其中，学习者与教师之间的交互是指教师对学习者的引导、组织、课堂氛围营造以及学习资源支持等，学习者与学习者之间的交互则指学习者分享、讨论、协作等交互活动［15］。 S.B.Eom 等［16］通过构建在线学习采纳的影响因素模型，讨论了师生交互、生生交互等因素的重要影响作用。 本研究的“在线交互”侧重社群层面，因此只考虑学习者与教师和学习者与学习者两种交互形式。

（四）模型构建

V.Venkatesh 等［17］通过整合技术任务适配模型、理性行为理论等8 种理论分析模型，提出了整合技术接受模型（Unified Theory of Acceptance and Use of Technology，UTAUT）。 该模型主要包括绩效期望、努力期望、社会影响和促进条件4 个关键变量，用于预测学习者对新技术的采纳和使用行为［18］。 UTAUT 模型被证实具有高达70%的解释度，优于以往的任何理论模型［19］。 但是，根据在线学习采纳相关理论，大学生在线学习还与在线平台的社交互动性、学习者学习自主性和学习者自身的信息素养具有紧密的联系，而这些因素UTAUT 模型并未涉及。

综上，本研究在UTAUT 模型基础上，融入在线学习采纳理论提出的相关特征，得出前因变量为绩效期望、努力期望、促进条件、社群影响、在线交互、学习自主性和信息素养，结果变量为在线学习是否采纳。 其中，绩效期望是大学生认为在线平台对学习的帮助程度；努力期望是大学生使用在线平台的难易程度；促进条件是技术和资源对大学生使用在线平台的支持程度；社群影响是大学生使用在线学习受周围群体或环境的影响程度；在线交互是在线学习平台的社交互动功能与学习者在线交互期望的匹配程度；学习自主性是大学生采用在线学习平台自主安排学习任务和计划；信息素养是大学生在使用在线学习平台中所展现的综合信息行为能力和思维方式。 综合在线学习采纳的所有前因变量，将其划分为平台层面、社群层面和学习者层面3 个。 具体来说，平台层面包括绩效期望、努力期望和促进条件，社群层面包括社群影响和在线交互，学习者层面包括学习自主性和信息素养。 在此基础上，本研究提出大学生在线学习采纳动因的概念模型（如图1）。

图1 大学生在线学习采纳动因概念模型

三、研究设计

（一）研究方法

本研究使用模糊集定性比较分析（fsQCA）方法检验大学生在线学习采纳动因及组态效应。fsQCA 是借助布尔代数，整合定量和定性分析的优势，考察因果变量组态效应的一种分析方法。其特点是因果非对称性、多重并发性，核心思想不在于单个前因变量的影响程度，而在于多个前因变量如何以组合的形式影响结果变量［20］。 本研究选择fsQCA 方法主要有3 个原因：（1）传统的回归分析适合探索单个变量对结果的影响，而fsQCA 方法则可以探究多因素之间的组态效应［21］。 （2）因子分析等方法也可以发现组态关系，但是却无法有效识别前因变量之间的非对称因果关系。 （3）与清晰集定性比较分析（csQCA）和多值集定性比较分析（mvQCA）相比，fsQCA 方法更适合于连续变量的研究［22］。 因此，本研究采用fsQCA 方法，组态视角分析大学生在线学习采纳的复杂因果关系和多元路径。

（二）样本和数据分析

本研究采用问卷形式获取研究数据。 调查对象为使用过在线学习、并了解在线教学流程的高校学生。 量表选项采用李克特量表，调查对象影响程度分为5 级。 问卷通过问卷星平台在线发放，累计获得数据173 份，其中有效问卷149 份，有效问卷率达86%。

通过采用SPSS 软件进行信效度检验。 分析结果发现，前因变量Cronbach's α系数均高于0.7，表明问卷具有较好的信度［23］。 绩效期望、努力期望、促进条件、社群影响、学习自主性、信息素养6 个前因变量满足组合效度（CR）高于0.6 和平均方差提取量（AVE）高于0.5 的衡量标准［24］，在线交互满足CR 值0.5 和AVE 值0.36 的最低标准［25］，说明总体上问卷满足效度标准。 由于fsQCA 方法聚焦于变量与变量之间的交互影响，因此本研究可以放宽对变量信效度的要求。

（三）数据校准

fsQCA 方法中每一个变量都是一个集合，包括前因变量（本研究的7 个前因变量）和结果变量（在线学习采纳）。 数据校准是给集合中每个样本赋予单独的隶属分数，且设定完全不隶属、交叉点、完全隶属3 个临界值。 本研究采用直接校准法将数据转换为0 ～1 的模糊隶属分数［26］431。根据阈值设定的方法，将李克特5 级量表的样本数据进行分析量化，“5”为完全隶属，“3”为交叉点，“1”为完全不隶属，按照（5，3，1）标准对数据进行校准［27］。

四、研究结果

（一）单变量必要性分析

从集合论角度来说，单变量必要性分析是检验多个前因变量集合是否可以作为结果变量集合的超集。 即当一致性分析结果高于0.9 时，表示该变量是结果发生的必要条件［26］438。 本研究侧重于在线学习采纳，因此仅探究在线学习采纳，后文将不再单独陈述（见表1）。 进一步做X-Y 散点图发现，努力期望和促进条件近1／3 案例点分布在对角线以上［28］。 表明这2 个前因变量即使通过一致性检验，也无法构成在线学习采纳的必要条件。 因此，仅有信息素养是在线学习采纳的必要条件。

表1 单变量的必要性分析

（二）条件组态的充分性分析

条件组态的充分性分析是研究前因变量和结果变量之间的多重并发因果关系。 从集合论角度来说，条件组态分析揭示了多个前因变量构成的集合是否可作为结果集合的子集。 fsQCA 会根据复杂程度不同输出3 类不同的组态解：复杂解、中间解、简约解。 以往研究表明，中间解是最优解，因此本研究汇报中间解，并辅之以简约解［26］440。当变量同时出现于中间解和简约解时为核心条件，仅出现于中间解为边缘条件［29］。 研究发现绩效期望、努力期望、社群影响、信息素养是在线学习采纳的核心条件，而促进条件、在线交互、学习自主性是边缘条件。

本研究选取fsQCA 3.0 软件对大学生在线学习采纳的研究数据进行组态分析，将一致性设置为大于0.8，案例频数位设定为1，并结合PRI 一致性大于0.75，由此得到4 条在线学习采纳的组态路径［26］440。 其中信息素养作为必要条件出现于每一条路径中，符合必要性分析的结论（见表2）。 研究发现，整体解的一致性为0.9694，解的覆盖度为0.8568，即所得的4 个组态解释了导致在线学习采纳85.68%的原因，表明这4 条组态是大学生在线学习采纳的充分条件。

表2 条件组态的充分性分析

五、组态效应分析与建议

（一）组态效应分析

通过模糊集定性比较分析，得到在线学习采纳的多重并发因果关系与多元路径。 研究发现，信息素养是在线学习采纳的核心必要条件，且H3a 和H3b 路径形成三阶等价组态。 在此基础上，将组态分析结果归纳为3 条路径：独立发展型、平台依赖型和社群依存型。 “*”表示变量和，“～”表示变量不存在或不隶属于变量。 归纳分析结果如下：

第一，平台依赖型，对应表2 中H1 路径。 该路径可以表述为：绩效期望*努力期望*促进条件*信息素养，表明当在线学习者处于高的努力期望和高的促进条件时，一旦拥有高的绩效期望和高的信息素养，即可达到采纳。 这一路径中在线学习者主要以平台层面为支撑达到采纳效果，因此称之为平台依赖型路径。 其中绩效期望、努力期望和信息素养是核心条件，促进条件是辅助条件。 研究结果显示，相比于其他两条路径，H1路径能够解释83.7%的案例，且大约有46.0%的案例仅能被这一路径解释，说明大学生普遍是通过这条路径达到在线学习采纳。 同时，表明平台的易使用性和丰富的教学资源对在线学习采纳十分重要。 因此，优质在线教学平台可以帮助平台依赖型学习者利用已有资源，打破外部环境的限制，从在线教学中获得学习成就感，从而采纳在线学习。 此路径下，教师为帮助学习者达到在线学习采纳，可以选择一个简单易使用且学习资源丰富的平台，从而提高学生对在线学习采纳率。

第二，独立发展型，对应表2 中H2 路径。 该路径可以表述为：绩效期望*促进条件*学习自主性*信息素养，表明当信息素养高的大学生相信在线学习对其有所帮助且拥有足够的促进条件时，即使缺乏社群影响和在线交互，只要其自主学习能力强就会采纳在线学习。 这一路径中学习自主性是接受在线学习的关键，因此称之为独立发展型路径。 调查结果显示，路径H2 能够解释29.6%的案例，且近1／3 的案例能被这一路径解释。 学习自主性是学习者在学习过程中自主发展的行为与素养，是个体独立性的表现，而在线学习这种方式满足了学习者自主学习的精神需求。 因此，当在线学习环境具有高绩效期望且教育资源丰富时，可为学习自主性强的学习者提供更多深入学习的机会。

需要特别强调的是，路径H1 和H2 都与社群影响和在线交互无关，即当大学生拥有平台层面和学习者层面支持时，社群影响和在线交互对在线学习采纳无实质影响。 其原因可能主要有两方面：一方面大学生使用在线平台往往来自学校要求，学生本身自主学习性较弱，难以对周围人产生较大的影响；另一方面，教师将传统授课方式直接照搬到在线课堂，不能得到和以往相似的交互效果。 综合比较H1 和H2 路径发现，努力期望和学习自主性之间存在替代关系。 这是因为平台简单、有趣的设计，引起了学习者的学习兴趣，促进学生对在线学习平台的认知和理解，从而在认知过程中提高自主学习能力。 因此只有获得高努力期望或拥有强学习自主性时，高绩效期望、高促进条件和高信息素养才能成为结果采纳的充分条件组合，前者为采纳提供平台支持，后者为采纳提供学习者本身支持。 平台支持和学习者支持得其一，而无需兼得即可采纳在线学习。

第三，社群依存型，对应表2 中的H3a 和H3b路径。 该路径可以表述为：努力期望*社群影响*～在线交互*信息素养*（促进条件+～绩效期望*～学习自主性）。 在相同核心条件基础上，将该路径简化为：努力期望*社群影响*信息素养，表明在高信息素养基础上，即使缺乏在线交互，只要拥有高的努力期望和高的社群影响，即可达到采纳。 这一路径中社群影响是采纳在线学习的关键，因此称之为社群依存型路径。 调查结果显示，路径H3 能够解释62.7%的案例，其中努力期望、社群影响和信息素养是核心条件。 社会群体营造一种学习氛围激发学生强烈的学习动机，使得大学生易于接受在线学习，让其在潜移默化中参与在线学习。 此外，这种在线学习方式不仅为学习者开辟了新的学习路径，也满足了学习者对学习资源的需求。 当此路径下学习者因“在线学习没效率”“不愿意与同学和老师进行在线交流互动”等原因降低在线学习的意愿时，可发挥社群的情境营造和激发驱动力的作用，提高大学生在线学习的意愿与行为。

总体来说：（1）3 条不同组态路径表明在线学习采纳的“异曲同工之妙”。 每一条组态路径在不同前因变量的组合下，均能达到在线学习采纳，说明结果采纳是不同前因变量相互作用的结果。（2）信息素养是不可或缺的条件。 信息素养这一变量不仅是必要条件，而且均存在于3 条组态路径中。 这表明高信息素养能很好地契合当代大学生在线学习的内在需求，同时也说明了“互联网+”时代给在线学习提出了新的要求，大学生要顺应时代的变化，迎接新挑战。

（二）建议

为提高大学生在线学习采纳率，本研究基于以上3 条路径，从建设自适应学习平台、开展在线协同小组、构建在线学习共同体等方面提出以下建议：

第一，加快建设在线教育自适应学习平台，满足学生多层次、个性化的学习需求。 当今社会，在线学习平台如雨后春笋般涌现，然而不同学生的认知水平和自主学习能力存在差异，故规模化的在线学习应满足学生的个性化需求。 本研究发现，83.7%的大学生以平台为支撑达到采纳在线学习的效果。 因此，应以大数据、云计算、人工智能等技术为基础，构建自适应学习平台，为大学生定制个性化智能终端，打破外部环境限制，使大学生拥有一个简单易使用且学习资源丰富的在线学习平台，精准定位大学生的知识薄弱点，满足学生多层次和个性化的学习需求。

第二，开展在线协同小组，强化群体性在线交互。 研究发现，29.6%的学习者因自主学习能力强而采纳在线学习，反之学习自主性弱是在线学习者不采纳的重要原因。 因此，通过开展在线协作小组激发学生的学习动机，小组成员交流协作，互相启发，互相合作，致力于共同解决问题。 这不仅在一定程度上增加了学生的参与度和学习热情，而且在与他人的交流过程中也对所学知识进行深度加工和知识迁移。

第三，构建在线学习共同体，实现群体知识共享化。 现代信息技术的飞速发展，具有共同学习需求的学习者走到一起形成学习共同体，这种在线学习形式为自主性强的学习者提供了良好的平台。 本研究发现，社会群体易营造浓郁的学习氛围激发学生的学习动机，使得学生易于接受在线学习，并在潜移默化中参与在线学习。 因此，构建在线学习共同体，使学生通过在线学习平台进行跨时空的交流与合作，共享知识与经验，共同解决问题，提高学习效果。

六、结语

本研究从集合论角度构建采纳动因概念模型，通过fsQCA 方法探索影响大学生在线学习采纳的非对称并发因果关系和多元路径。 研究发现，在线学习采纳的驱动机制分为3 条组态路径：独立发展型、平台依赖型和社群依存型，且每一条路径都是多个前因变量相互协作的结果，任何单一因素都不能成为在线学习采纳的充分条件。 该研究也是首次将QCA 方法引入在线学习研究领域，可为在线学习实践发展提供参考。 未来将进一步对学习满意度和学习效果展开研究，以促进在线学习业态向纵深、高效发展，使得在线学习者享有更佳的学习服务和体验。