基于5G技術的在線教育平臺學習者遷移行為影響機制

方佳明 史志慧 劉璐

摘要：5G通信網絡的大規模部署和應用，及其與人工智能、虛擬現實、云計算的結合，將使基于5G技術的在線教育平臺能夠更好地滿足學習者多元化、個性化的學習需求。為促進新型在線教育平臺的研發和推廣，亟需明晰學習者從傳統在線教育平臺轉向新平臺的遷移意愿影響因素及形成機制，而基于“推-拉-錨定”理論構建的在線教育平臺學習者遷移行為影響機制模型可對其進行解釋。采用基于方差的PLS算法結構方程模型對問卷調查數據進行分析后發現：在“推效應”方面，傳統在線教育平臺的系統質量和關系質量降低了學習者向基于5G技術的新平臺遷移的意愿;在“拉效應”方面，新平臺給使用傳統平臺的學習者帶來的功能匱乏感和情感匱乏感提高了其向新平臺遷移的意愿;在“錨定效應”方面，學習者面向傳統在線教育平臺的感情承諾和使用習慣，以及面向新平臺的轉移成本，使其產生了在平臺遷移上的行為惰性;此外，行為惰性不僅負向影響學習者向新平臺的遷移，也提高了其對傳統平臺系統質量和關系質量的認知，降低了其對傳統平臺的功能匱乏性感知。因此，從打造高質量的新型平臺、提供豐富的功能體驗和愉悅的情感體驗以及降低平臺使用成本等方面著手，可以推動基于5G技術的在線教育平臺的普及。

關鍵詞：在線教育平臺;5G技術;在線學習;在線遷移行為;“推-拉-錨定”理論

中圖分類號：G434? ?文獻標識碼：A? ? 文章編號：1009-5195（2019）06-0022-10? doi10.3969/j.issn.1009-5195.2019.06.003

一、引言

在終身學習成為教育領域重要發展趨勢的背景下，在線教育（e-learning）作為一種基于網絡的遠程教育模式，由于具有不受時空限制、靈活便捷的教學方式以及豐富的教學資源等突出優勢，彌補了傳統線下教育的不足和缺陷，使得利用在線教育平臺進行學習的用戶數量近年來增長迅速。據艾媒咨詢（iiMedia Research）2018年12月發布的《2018中國在線教育行業白皮書》顯示，預計到2020年中國在線教育用戶規模將達2.96億人。

在線學習場景中，學習者的體驗決定著學習的效率和在線教育平臺的生存（方佳明等，2018）。同時，技術的創新會極大地提升學習者的體驗。第五代通信技術（簡稱5G技術）作為現階段互聯網技術創新的代表，具有高速度、泛在網、低時延等特點，將給教育行業帶來顛覆性變革（互聯網教育智能技術及應用國家工程實驗室，2018）。隨著5G網絡的大規模部署和應用，基于5G技術的在線教育平臺將能更好地通過學習者畫像、視覺識別、語音識別和人工智能等技術分析個體的學習行為，從而大幅提升在線學習各環節效率，進而真正地滿足學習者多元化、個性化的學習需求。5G技術與云計算、虛擬現實、人工智能等技術的結合將創造出許多全新的教學模式，其對教育領域的賦能將帶來前所未有的創新變革與機遇。

但是，在基于5G技術的在線教育平臺構建初期，如何促使學習者從傳統的在線教育平臺遷移到基于5G技術的平臺，從而快速實現平臺的網絡效應是一個值得研究的課題。學習者從現有的在線教育平臺遷移到基于5G技術的平臺必然會產生相應的遷移成本，尤其是在需要切換不同的平臺服務提供商的情況下，學習者的遷移成本問題更為凸顯。另外，根據現狀偏差理論（Status Quo Bias），惰性會使人們在面臨即使是更好的選擇時也不愿改變現狀，因此行為惰性也可能降低學習者的遷移意愿。

綜上所述，5G技術在教育領域的廣泛采納和應用具有十分重要的意義，而影響學習者使用基于5G技術的在線教育平臺的因素較為繁雜，如傳統平臺的不足、新平臺的相對優勢以及學習者普遍存在的行為惰性，這些都會影響基于5G技術的新平臺的推廣和普及。然而，目前針對5G技術教育應用的研究尚處于初期的宏觀定性層面，尚無研究對學習者從傳統在線教育平臺轉向基于5G技術平臺的遷移意愿形成機制進行深入探討。這一理論研究上的缺失不利于新平臺的研發，也制約了基于5G技術的在線教育平臺的應用、推廣和普及。鑒于此，本研究基于“推-拉-錨定”理論將遷移行為意愿預測因素整合在統一的框架內，以幫助研究者和管理者了解這些因素對遷移行為的潛在影響機制。具體而言，本文將解決以下兩個研究問題：哪些因素會導致傳統在線教育平臺學習者向基于5G技術的在線教育平臺轉移？這些因素又如何影響學習者的轉移意愿？研究結果不僅可以加深對個體參與基于5G技術的在線學習的行為意愿的理解，也能夠豐富和拓展現有的在線教育平臺個體遷移行為理論，同時對基于5G技術的在線教育平臺的開發者和管理人員也具有重要的參考價值，因而有助于5G技術在教育領域的應用和推廣。

二、理論背景與研究假設

1.遷移行為和“推-拉-錨定”理論

個體的遷移行為一直備受研究者關注。狹義的遷移是指人口的流動（Lee，1966），更廣義的遷移是指消費者從一個服務平臺切換到另一個（Bansal? et al.，1999）。用戶遷移既可能使公司失去老客戶，也可能使其獲得新客戶，因此吸引了大量營銷學者對其進行研究。以往的研究更多關注影響消費者遷移意愿的因素，主要包括滿意度（Park et al.，2013;Zhang et al.，2014）、關系質量（Wieringa et al.，2007;Hsieh et al.，2012）、慣性（Hsieh et al.，2012;Polites et al.，2012）和轉移成本（Hsieh et al.，2012;Sun et al.，2017）等。

Moon（1995）提出的“推-拉-錨定”（Push-Pull

-Mooring，PPM）理論可以很好地解釋個體的遷移行為。其中，“推力”因素指迫使個體離開初始地點（或平臺）的消極因素;而“拉力”因素是吸引個體到達目的地（或替代平臺）的積極因素;“錨定力”因素一般與個體自身及社會文化相關，它不僅會影響遷移行為，還會影響“推力”和“拉力”（Lin et al.，2014）。該理論被廣泛應用于社科研究領域。例如，Sun等（2017）研究了人們在使用即時通信平臺時的轉移行為，發現對現有平臺的厭倦和不滿意會推動用戶轉移，而替代平臺的吸引力和個體的主觀規范會作為拉力促進用戶轉移，且慣性作為錨定力不僅會阻礙用戶轉移，也會削弱推力和拉力的作用。Bansal等（2005）強調了遷移和切換行為之間的相似性，即學習者在各種在線教育服務提供商之間的轉移行為本質上也是一種遷移行為，因此，“推-拉-錨定”理論可以作為理解學習者轉移行為的理論框架。據此，該理論也將適用于理解學習者從傳統在線教育平臺到基于5G技術的在線教育平臺的遷移行為。

2.5G技術及其在教育領域的應用潛能

5G技術，是第五代通信技術的簡稱，融合了多項無線傳輸與接入技術及其網絡功能（張平等，2016），與之前的4G技術相比，具有高速率、低延遲、大容量的特點。在5G環境下，更多的設備以更快的速度安全連接，將形成全新的立體化數字環境（Lewis，2018）。在這樣的環境中，物聯網、云計算、人工智能和虛擬現實等多項技術攜手，將開啟“智能+”時代，給人們的生活、工作和學習帶來巨大的影響（梅雅鑫，2019）。

教育信息化2.0與5G技術的融合將給傳統的教學模式帶來顛覆性變革，因此，其受到研究者的廣泛關注。有研究者描繪了5G技術和物聯網、云計算、人工智能以及虛擬現實等技術融合應用于教學場景的藍圖（李傳之，2018;梅雅鑫，2019;艾倫等，2019;李小平等，2019;孫立會等，2019）。有研究者指出5G技術在教育領域應用的難點在于相關技術不成熟且相關人員缺乏經驗，并給出了解決途徑，即保證充足的經費、打造專業教師隊伍和推進校企合作等（李玲玲，2019）。也有研究者跨越技術、工具和教學模式的層面，指出從學校形態上進行改變，打造“能者為師” 和“課程為王”的理念，以打通多方壁壘，借助5G技術實現教育生態系統的突破（朱永新，2019）。

雖然現有文獻論證了基于5G技術的在線教育平臺有著美好的應用前景和豐富的使用場景，但是，促使用戶從傳統在線教育平臺轉向基于5G技術的在線教育平臺才是這些愿景得以落地的必要條件，也是5G技術在教育領域的應用得以持續發展的基礎。目前，尚無文獻涉及學習者從傳統在線教育平臺到基于5G技術的在線教育平臺的遷移行為，或探討行為背后的遷移意愿形成機制，而此類研究對于了解學習者的平臺遷移過程及開展5G技術教育應用具有重要價值。

3.研究假設與研究模型

（1）“推”效應

“推”效應來源于學習者使用傳統在線教育平臺時產生的消極因素，此類使用戶產生負面體驗的消極因素將其“推”離原平臺。據艾媒咨詢（iiMedia Research，2018）發布的報告顯示，許多用戶認為在線教育平臺的直播類課程存在畫面不流暢、學習氛圍差和反饋不及時等缺點。本研究將這些問題歸納為系統質量和關系質量，即系統質量反映了平臺的功能性質量，而關系質量體現了平臺的非功能性質量（Fang et al.，2017）。

系統質量的概念源于信息系統成功模型，其一般被用于評估信息系統的技術指標，例如可靠性和易用性等（DeLone et al.，1992）。在線教育平臺作為一類信息系統，其系統質量與用戶的使用體驗密切相關。已有研究表明，系統質量在用戶體驗上的負面表現會作為推力因素促使他們向新的平臺轉移（楊石山，2012）。據此，本研究提出以下假設：

H1a：傳統在線教育平臺的系統質量對學習者的遷移意愿存在負向影響。

在本研究中，關系質量是指在線教育平臺學習者感受到的與其他學習者、教師及助教間的連接性。已有研究表明，線上服務平臺用戶感受到的弱連接性會作為推力影響其轉移行為（Hsieh et al.，2012;Jung et al.，2017）。在線教育平臺上，學習者感受到的連接性可表現為社會性交互，其會影響學習者的能力需求滿足感和關系需求滿足感，進而影響學習者的學習投入（方佳明等，2018）。因此，在線教育平臺的關系質量是影響學習者使用體驗和學習行為的重要因素，同時也是影響學習者遷移的重要因素。據此，本研究提出以下假設：

H1b：傳統在線教育平臺的關系質量對學習者的遷移意愿存在負向影響。

（2）“拉”效應

“拉”效應來源于基于5G技術的在線教育平臺產生的積極因素，此類積極因素使用戶渴望使用基于5G技術的在線教育平臺，將用戶“拉”向新平臺。本研究將拉力因素聚焦于匱乏性（Deprivation）上。匱乏性被定義為人們對缺乏某一事物，同時認為自己應該擁有這一事物的感受（Runciman et al.，1966）。感知到匱乏是與現有事物進行比較的結果。趙宇翔等（2016）研究發現新平臺帶來的相對匱乏性（即功能匱乏性、情感匱乏性和經濟匱乏性）會促使人們產生遷移行為。據此，當基于5G技術的在線教育平臺出現以后，還未遷移到新平臺的學習者在觀察到新平臺的豐富功能后，會產生一種羨慕情緒，進而產生對基于5G技術在線教育平臺的匱乏感，這種匱乏感會促使他們從傳統在線教育平臺轉移到基于5G技術的在線教育平臺。

本研究從功能和情感兩個方面討論基于5G技術的在線教育平臺帶來的相對匱乏性。功能匱乏性被定義為用戶感受到自己本該擁有但實際并未體驗到的功能性價值（Deng et al.，2010）。5G技術與物聯網、人工智能、虛擬現實和云計算等多項技術的融合應用，將帶給學習者豐富的功能體驗，例如全方位、立體化的互動以及個性化畫像管理等（趙興龍等，2019），這將使傳統在線教育平臺的學習者感到羨慕進而萌生出對此類功能的匱乏感。因此，本研究提出以下假設：

H2a：基于5G技術的在線教育平臺帶來的功能匱乏性對學習者的遷移意愿存在正向影響。

情感匱乏性來自于用戶對基于5G技術的在線教育平臺產生的精神或心理需求。虛擬現實技術在基于5G技術的在線教育平臺上的應用將真正實現寓教于樂（梅雅鑫，2019）。同時，基于5G技術的在線教育平臺上的學習資源也可以包含更多游戲化模塊。這些都將給原本枯燥乏味的學習過程賦予極大的樂趣，進而使傳統平臺的學習者產生對基于5G技術的在線教育平臺的情感匱乏性。由此，本研究提出以下假設：

H2b：基于5G技術的在線教育平臺帶來的情感匱乏性對學習者的遷移意愿存在正向影響。

（3）“錨定”效應

“錨定”效應來自于那些既能夠直接阻礙遷移行為的形成，也可以削弱“推”效應和“拉”效應的因素（Lin et al.，2014）。這些因素獨立于學習平臺本身，主要體現為個體的行為模式。本研究選取惰性作為錨定力。惰性體現了個體對現有行為模式的依戀和堅持，其受到情感承諾、轉移成本和習慣的影響。以往研究表明，惰性是解釋個體維持當前行為的一個重要因素（Polites et al.，2012）。

惰性可以分為認知惰性和情感惰性。認知惰性是指人們自然而然地一直延續當前的行為模式，即使他們知道這種行為模式可能并不是最有效的。而情感惰性是指人們喜歡并且享受當前的行為模式，認為改變會帶來壓力，從而對當前的行為模式產生情感依戀（Polites et al.，2012）。現狀偏差理論（Status Quo Bias）認為，惰性是人們在面對更好的選擇時不愿改變現狀的原因之一。此外，有研究表明惰性會使人們在面對可能的遷移時選擇維持現狀（Hsieh et al.，2012）。在使用在線教育平臺時，熟悉的教學模式和反饋機制使學習者感到舒適，而切換到新的平臺可能會因不適應而導致學習成本的增加，這會引發在平臺遷移上的惰性。因此，本研究將惰性作為錨定力，提出以下假設：

H3：惰性對傳統在線教育平臺學習者的遷移意愿存在負向影響。

情感承諾反映了個體維持關系的愿望（Meyer et al.，1991）。在本研究中，情感承諾是學習者對于傳統在線教育平臺的情感依戀、認同和參與。有研究表明情感承諾是影響用戶持續使用在線服務的關鍵因素，即如果沒有情感承諾，用戶很容易產生遷移行為（Bateman et al.，2011）。如果學習者存在對傳統在線教育平臺的情感承諾，他們則可能表現出行為上的惰性并維持與傳統平臺的關系，繼續使用傳統在線教育平臺。因此，本研究提出以下假設：

H4a：情感承諾正向影響傳統在線教育平臺學習者的惰性。

在本研究中，轉移成本指學習者從傳統在線教育平臺遷移到基于5G技術的在線教育平臺所產生的成本，包括過程成本、經濟成本和關系成本（Burnham et al.，2003）。過程成本指學習者切換平臺所產生的評估成本和學習成本等，包括嘗試和學習使用新平臺所花費的時間和精力;經濟成本指切換平臺所產生的財務成本，包含購買新設備的支出等;關系成本指學習者切換平臺后個人關系的損失，例如在傳統在線教育平臺上原有師生關系和同學關系的丟失等。大量研究表明，當轉移成本較高時，人們會因受到約束而表現出很強的行為惰性（曹雄飛，2014;Sun et al.，2017）。據此，本研究提出以下假設：

H4b：轉移成本正向影響傳統在線教育平臺學習者的惰性。

習慣是個體在潛意識里保持某種行為模式的狀態（Polites et al.，2012）。與惰性類似，習慣使個體的行為程序化、單一化，并能夠減少思考成本，這表明習慣是惰性的潛在來源。此外，曹雄飛（2014）指出惰性會受到潛意識習慣的影響。學習者在使用在線教育平臺的過程中極易養成習慣，熟悉的用戶界面和操作方式會使學習者在學習過程中感到輕松，因此習慣會使學習者的惰性增強。據此，本研究提出以下假設：

H4c：習慣正向影響傳統在線教育平臺學習者的惰性。

惰性也可能影響傳統在線教育平臺的“推力”。一方面，根據現狀偏差理論，惰性產生的原因之一是人們享受和依戀當前的行為模式，此時，人們會對現狀感到滿意（Samuelson et al.，1988），這種滿意會使用戶對現狀有較高的認知。這種較高的認知可能并不是出于實際情況，而是用戶自己內心的“美化”。因此，對于傳統在線教育平臺的學習者而言，惰性會使他們對目前所使用平臺的系統質量和關系質量形成較高的評價。另一方面，根據認知失調理論，隨著惰性的形成，人們會消極看待遷移行為以免自身陷入矛盾（Festinger，1962）。惰性較強的學習者在潛意識里不愿改變，進而會高度評價傳統在線教育平臺的系統質量和關系質量，這種高度評價可以為自己的惰性提供主觀合理性。據此，本研究提出以下假設：

H5a：惰性正向影響學習者感知到的傳統在線教育平臺的系統質量。

H5b：惰性正向影響學習者感知到的傳統在線教育平臺的關系質量。

類似的，惰性也可能影響基于5G技術的在線教育平臺的“拉力”。惰性使人們傾向于拒絕遷移，同時為了避免認知失調，惰性較強的人對新系統的認知會偏低（Festinger，1962;Lin et al.，2014）。對于沒有使用過基于5G技術的在線教育平臺的學習者而言，惰性會使他們在潛意識里弱化新平臺的優點。因此，在面對基于5G技術的在線教育平臺帶來的功能豐富性和情感愉悅性時，惰性較強的學習者并不容易產生相應的匱乏感。據此，本研究提出以下假設：

H6a：惰性負向影響學習者感知到的基于5G技術的在線教育平臺帶來的功能匱乏性。

H6b：惰性負向影響學習者感知到的基于5G技術的在線教育平臺帶來的情感匱乏性。

另外，考慮到以往的在線學習行為研究發現學習者的人口統計學屬性會影響個體的行為（方佳明等，2018），本研究將年齡、性別、職業以及教育程度作為控制變量加入到研究模型中以提升統計檢驗的有效性。

基于上述研究假設，本文提出如圖1所示的研究模型。

三、研究設計

1.變量的測量

本研究采用問卷調查的方式收集數據。模型中所有自變量和因變量的測量題項均來源于對相關成熟量表的修訂。對潛變量的測量全部采用7點Likert量表，1表示非常不贊同，7表示非常贊同。在進行正式調查前，對46名本科生進行了預調查以確保量表的信度和效度符合要求，并根據預調查結果對量表進行了適度調整以使其更加契合中國情境。最終用于收集數據的問卷包括兩個部分：9個潛變量的測量量表以及4個人口統計學變量的測量題目。具體地說：情感承諾采用3個題項;轉移成本采用8個題項，分別測量了過程成本、經濟成本和關系成本;習慣采用3個題項;惰性采用4個題項;系統質量采用6個題項;關系質量采用4個題項;功能匱乏采用3個題項;情感匱乏采用3個題項;遷移意愿采用4個題項。

2.數據的收集

研究人員于2019 年7月至9月期間，采用“線下紙質問卷+在線問卷”的形式開展了正式的數據收集，并通過QQ群、微信群、慕課平臺以及網絡學習社區等途徑發布調查問卷的填寫邀請。在對每一份提交的問卷進行仔細篩查后，剔除了沒有在線學習經驗以及答題質量不符合要求的被調查者問卷（例如題項全部回答為4，問卷完成時間少于60秒等），最終得到有效問卷332份。其中男性191人（占57.53%），女性141人（占42.47%），絕大多數被調查者具有本科或研究生學歷（兩者共占94.27%），年齡集中在18至25歲之間，從事的職業包括學生、公司職員、事業單位工作人員和自由職業者等。樣本符合在線學習者大多為本科學歷且年齡主要分布在18～25歲的基本現狀（方佳明等，2018）。因此，樣本具有較好的代表性。

四、數據分析與結果

1.測量模型

本研究采用兩步法對模型進行檢驗。為確保測量的有效性，在分析結構模型之前，首先采用“確認性因子分析”評估模型中各潛變量測量模型的充分性，包括信度、收斂效度和判別效度。本研究采用Cronbachs α系數以及組合信度評估測量模型的內在一致性信度。Cronbachs α系數是對測量信度的保守估計，而組合信度往往會高估測量的內在一致性信度，從而導致相對較高的信度估計。從表1可以看出，各潛變量的Cronbachs α系數以及組合信度均大于閾值0.70且未超過0.95，說明各潛變量的測量具有較好的內部一致性。

本研究進一步使用“確認性因子分析”檢驗量表的收斂效度和判別效度。收斂效度反映了同一潛變量測量題項間的相關程度，而判別效度反映了不同潛變量之間的差異性。收斂效度的評估通過平均萃取方差（AVE）以及因子載荷顯著性進行檢驗。從表1可以看出，各潛變量的AVE值都大于0.50。因子載荷和交叉載荷分析結果表明絕大多數的測量題項在其理論潛變量上的載荷大于0.70且統計上顯著。僅有三個測量題項的因子載荷略小于0.70 （SWCT5、SWCT7和SWCT8）。其中，SWCT5測量經濟成本，SWCT7和SWCT8測量關系成本。刪除這些小于0.70的題項，既不能增加組合信度還會導致潛變量的內容效度發生變化，因此保留這些測量是有必要的（Hair et al.，2011）。綜上，量表具有良好的收斂效度。

因子載荷和交叉載荷分析也顯示測量題項在其理論潛變量上的載荷顯著高于在其他潛變量上的交叉載荷，并且每個潛變量的AVE值平方根值都大于該潛變量和其他潛變量的相關系數值，這表明本研究中的各潛變量測量具有足夠的判別效度。由于近年來的研究表明，單純比較因子載荷以及比較AVE值平方根和潛變量間相關系數的方法存在缺陷（Henseler et al.，2015），因此，本研究同時采用Henseler等（2015）提出的異質-同質相關比率（heterotrait-monotrait ratio of correlations， HTMT）方法對判別效度進行了評估。HTMT反映了不同潛變量間測量指標相關性的均值相對于同一潛變量測量指標相關性的均值的比值。根據Henseler等（2015）的建議，HTMT值若高于0.90則表明測量缺乏判別效度。表2報告的結果顯示，本研究所提出的各潛變量間的測量指標的HTMT最高為0.886（情感匱乏性和功能匱乏性），小于閾值0.90，再次驗證了各潛變量測量具有足夠的判別效度。

考慮到本研究的數據收集采用的是問卷調查法，故各變量之間可能存在共同方法偏差（Common Method Variance，CMV）。CMV的存在會放大測量間的相關性，從而使得結果產生偏誤。本研究采用了Harman單因子法評估潛在的CMV問題。將全部的測量指標進行基于主成分分析的探索性因子分析并提取出9個因子后，未旋轉時得到的第一因子只解釋了25.15%的方差。同時，表1報告的潛變量間的相關系數也較低。上述結果表明，本研究的共同方法偏差不明顯。

2.結構模型

在進行結構模型參數估計之前，本研究首先評估了多變量假設，包括正態性、線性、多重共線性和同方差。Doornik-Hansen多變量正態性檢驗（Doornik et al.，2008）結果表明，本研究中的測量變量不符合多變量正態分布要求（p<0.001）。同時考慮到本研究所提出的模型較為復雜，且樣本量也不大等因素，故選擇基于方差的PLS算法（PLS-SEM）而非基于協方差的結構方程模型。與基于協方差的結構方程模型相比較，PLS算法對測量尺度、樣本量、模型復雜度和數據正態性的要求更低，并且已被廣泛應用于營銷管理和管理信息系統等領域的在線用戶行為研究中（Fang et al.，2019）。具體來說，本研究使用R軟件中的matrixPLS算法進行結構模型的參數估計。與其他實現PLS算法的軟件（如SmartPLS，GraphPLS，WarpPLS等）使用原始數據作為算法的輸入不同，matrixPLS根據輸入數據的協方差矩陣進行模型的參數估計，從而使得計算效率更高，能夠滿足基于大規模數據進行計算的要求。模擬仿真結果表明matrixPLS的計算結果和SmartPLS等商業軟件的計算結果完全一致但前者的計算速度明顯更快（R?nkk?，2017）。圖2報告了模型的估計結果。

如圖2所示，本研究提出的模型解釋了56.8%的在線教育平臺遷移意愿。根據Hair等（2011）提出的R2閾值判斷標準，本研究模型的解釋力為中等偏上水平。具體而言，惰性作為遷移意愿形成的錨定效應，其對遷移意愿具有最大的負面影響（β=-0.401，p<0.001）。情感承諾、轉移成本以及習慣顯著促進了惰性的形成。對“推”效應（系統質量和關系質量）的進一步路徑系數差異性分析結果表明，系統質量對遷移意愿的影響顯著小于功能匱乏和情感匱乏的影響效應（β系統質量-功能匱乏感=-0.344，t（662）=-4.072，p<0.001;β系統質量-情感匱乏感=-0.435，t（662）=-5.117，p<0.001），但相較于關系質量的影響效應無顯著差異（β系統質量-關系質量=-0.017，t（662）=0.267，p=0.395）。功能匱乏和情感匱乏對遷移意愿形成的影響效應也沒有顯著的差異（β功能匱乏感-情感匱乏感=-0.090，t（662）=-0.858，p=0.196）。除假設H6b（惰性負向影響情感匱乏）外，所有提出的研究假設均得到驗證。H6b不成立的原因可能在于：現有的在線教育平臺注重面向學習的功能模塊，在這類平臺的使用上，個體的娛樂性情感需求基本無法獲得滿足，因此，惰性并不會顯著降低學習者對情感匱乏的認知。

3.中介效應分析

為檢驗行為惰性是否通過“拉”效應的系統質量和關系質量以及“推”效應的功能匱乏和情感匱乏等中介變量影響在線教育平臺的遷移意愿，本研究對中介效應進行了檢驗。具體而言，本研究采用了Preacher 和Hayes提出的自抽樣方法（Bootstrap）計算中介效應。表3結果表明：整體而言，“拉”效應和“推”效應部分“中介”了錨定效應對遷移行為的影響。中介效應占惰性影響遷移意愿總效應的16.6%。其中，情感匱乏的中介效應不顯著。

五、研究結論

將5G技術應用于在線教育平臺，通過個體畫像、視覺識別、語音識別和人工智能等技術提升在線學習各環節的效率，能夠真正地滿足學習者多元化和個性化的學習需求，這將給教育領域帶來前所未有的顛覆式變革。在此過程中，如何促使學習者從現有在線教育平臺順利遷移到基于5G技術的在線教育平臺是一個富有研究價值的課題。有鑒于此，本文基于“推-拉-錨定”理論提出了一個在線教育平臺學習者遷移行為影響機制模型，在利用332位來自傳統在線教育平臺的學習者的問卷調查數據對該模型進行檢驗后，得到如下主要結論：

第一，傳統在線教育平臺的系統質量和關系質量作為兩個主要的“推”效應因素，降低了學習者向基于5G技術的在線教育平臺遷移的意愿。也就是說，當學習者對傳統在線教育平臺的系統性能評價較差時（例如系統的易用性），更容易遷移到基于5G技術的在線教育平臺。這可能是因為系統質量較高的在線教育平臺更有助于學習者的高效率學習。另一方面，研究結果也表明學習者除關注平臺的功能性質量外，也關注平臺在人際關系構建等方面的非功能性質量。當學習者感受到在線教育平臺所提供的與老師和其他學習者的連接性較弱時（例如，與老師和同學缺乏互動，彼此不能及時有效地交流），學習者也更容易產生遷移行為。

第二，基于5G技術的在線教育平臺給使用傳統在線教育平臺的學習者帶來的功能匱乏性和情感匱乏性感知，作為遷移行為的“拉”效應提高了學習者的遷移意愿。基于5G技術的在線教育平臺的功能越豐富（例如，更智能化的系統功能和更個性化的學習支持），給學習者帶來的情感體驗越愉悅（例如，趣味性和游戲化學習體驗更強），越容易使學習者感知到相對匱乏，這種匱乏感會牽引他們向新平臺遷移。這表明基于5G技術的在線教育平臺所提供的豐富且新穎的功能是促使學習者遷移到新平臺的重要影響因素。

第三，作為遷移意愿形成過程中“錨定”效應所涉及的惰性因素，不僅負向影響了學習者的遷移意愿，同時也提高了學習者對傳統在線教育平臺系統質量和關系質量的認知，降低了其對原平臺功能匱乏性的認知。此外，學習者對原平臺的情感承諾和使用習慣以及從原平臺遷移到基于5G技術的新平臺所產生的轉移成本，都是行為惰性的前置因素。這表明當學習者對原平臺有較強的依戀、認同和參與時，他們會表現出更強的行為惰性（即不愿意遷移到新平臺），同時這種情感不僅弱化了原平臺不盡如人意的系統質量和關系質量的“推力”，也弱化了新平臺給自身帶來的功能匱乏性的“拉力”。同樣地，學習者已有的使用習慣和感知到的高轉移成本也會和情感承諾一樣強化他們的行為惰性，進而負向影響原平臺的“推力”和新平臺的“拉力”。值得注意的是，本研究的結果顯示：惰性只會降低學習者對基于5G技術的在線教育平臺在功能層面上的豐富性認知，并不會影響其對平臺在情感層面上的豐富性認知。這表明現有在線教育平臺在娛樂性等滿足學習者情感需求方面做得不盡如人意，而基于5G技術的在線教育平臺在娛樂性方面具有相對優勢，這將極大地提升學習者的遷移意愿。

基于上述結論，為了更好地促進5G技術在在線教育領域的應用與推廣，提出以下建議：

一是基于5G技術打造高質量的在線教育平臺。“高質量”不僅是指平臺在學習功能上的高質量，也包括在平臺架構上的高質量。高質量的平臺架構有助于教、學參與者之間的人際關系構建，進而實現學習者在情感導向和功利導向等不同層面上的人際交往需求。5G技術可以極大地擴展個體的社交場景和注意力范圍，幫助個體實現虛擬人際關系和現實人際關系之間的連接，進而使得虛擬空間與真實世界能夠無縫融合。因此，有針對性地利用5G技術打造全息沉浸式的人際交互功能，可以使基于5G技術的在線教育平臺上的人際關系構建變得非常容易。

二是通過5G技術與大數據、人工智能、云計算、物聯網和區塊鏈等技術的結合，在新的在線教育平臺上為學習者提供豐富的功能體驗和愉悅的情感體驗，以增加傳統平臺學習者的功能匱乏感和情感匱乏感。5G技術具有高速度、泛在網和低時延的特點，其與物聯網、人工智能和云計算等技術相融合而產生的可穿戴交互終端、虛擬場景發生器、生物指標感應器、人臉情感AI技術、實時數據記錄儀和電子教學儀器等工具和技術，能夠將教師和學習者置于同一虛擬空間，進而幫助教師在授課過程中實時掌握學習者的生理和心理狀態變化。通過全過程記錄和分析教學活動，就可以發現每個學習者在學習過程中的薄弱點，進而利用AI技術實現有針對性的課后復習和指導。同時，這也能夠方便授課教師在整個授課過程中及時地獲知學習者的學習效果，進而有針對性地重點講授其存在學習困難的知識點。通過上述方式，可以使學習者在使用這些新功能時產生有趣好玩的情感體驗，促使傳統平臺上的學習者產生匱乏感，進而促進其遷移行為的產生。

三是盡可能地降低學習者從傳統在線教育平臺轉移到基于5G技術的在線教育平臺的成本，以弱化個體行為惰性的影響，進而促進學習者向新平臺的遷移。具體來講，轉移成本包括過程成本、經濟成本和關系成本。在過程成本方面，可以將新平臺設計得更為簡便易用，以減少學習者為適應新平臺而投入的學習時間和精力;在經濟成本方面，可以在平臺運行的初期通過創新商業模式來避免單一的付費使用模式，讓更多的學習者嘗試使用新平臺并切身體驗到基于5G技術的在線教育平臺的相對優勢，從而增加其在傳統在線教育平臺上的情感匱乏和功能匱乏感知;在關系成本方面，可以通過平臺間的數據共享、平臺收購和戰略合作以及朋友間的相互推薦等方式，減少學習者在平臺遷移過程中人際關系的丟失。

參考文獻：

[1]艾倫，張鵬（2019）.5G技術在教育信息化中的作用辨析[J].中國現代教育裝備，（16）：1-3.

[2]曹雄飛（2014）.理解博客用戶向微博的轉移[D].合肥： 中國科學技術大學.

[3]方佳明，唐璐玢，馬源鴻等（2018）.社會交互對MOOC課程學習投入的影響機制[J].現代教育技術，28（12）：87-93.

[4]互聯網教育智能技術及應用國家工程實驗室（2018）.“人工智能賦能教育變革國際論壇”在京舉行 7大主題聚焦AI對未來教育的影響[J].現代遠程教育研究，（6）：54.

[5]李玲玲（2019）.5G+VR技術與思政教學的融合研究——以江蘇首家VR思政教育實訓室為例[J].教育現代化，6（62）：183-185.

[6]李傳之（2018）.基于5G的高校教育資源庫建設與應用研究[J].中國電子教育，（4）：16-21.

[7]李小平，孫清亮（2019）.基于第五代移動通信技術的網絡教育應用研究[J].電化教育研究，40（1）：52-58.

[8]梅雅鑫（2019）.5G開啟云VR教育新篇章讓知識觸手可及[J].通信世界，（3）：32.

[9]孫立會，劉思遠，李芒（2019）.面向2035的中國教育信息化發展圖景——基于《中國教育現代化2035》的描繪[J].中國電化教育，（8）：1-8，43.

[10]楊石山（2012）.社交網站用戶轉換意向研究[D].南京：南京大學.

[11]張平，陶運錚，張治（2016）.5G若干關鍵技術評述[J].通信學報，37（7）：15-29.

[12]趙興龍，許林，李雅瑄（2019）.5G之教育應用：內涵探解與場景創新——兼論新興信息技術優化育人生態的新思考[J].中國電化教育，（4）：5-9.

[13]趙宇翔，彭希羨，朱慶華（2016）.社交媒體后續采納階段用戶轉移行為研究——以微信為例[J].情報學報，35（2）：208-224.

[14]朱永新（2019）.5G將如何改變我們的教育[N].環球時報，2019-07-04（15）.

[15]Bansal， H. S.， & Taylor， S. F. （1999）. The Service Provider Switching Model （SPSM）[J]. Journal of Service Research， 2（2）：200-218.

[16]Bansal， H. S.， Taylor， S. F.， & James， Y. St. （2005）. Migrating to New Service Providers： Toward a Unifying Framework of Consumers Switching Behaviors[J]. Journal of the Academy of Marketing Science， 33（1）：96-115.

[17]Bateman， P. J.， Gray， P. H.， & Butler， B. S. （2011）. Research Note-The Impact of Community Commitment on Participation in Online Communities[J]. Information Systems Research， 22（4）：841-854.

[18]Burnham， T. A.， Frels， J. K.， & Mahajan， V. （2003）. Consumer Switching Costs： A Typology， Antecedents， and Consequences[J]. Journal of the Academy of Marketing Science， 31（2）：109-126.

[19]DeLone， W. H.， & McLean， E. R. （1992）. Information Systems Success： The Quest for the Dependent Variable[J]. Information Systems Research， 3（1）：60-95.

[20]Deng， Z.， Lu， Y.， & Wei， K. K. et al. （2010）. Understanding Customer Satisfaction and Loyalty： An Empirical Study of Mobile Instant Messages in China[J]. International Journal of Information Management， 30（4）：289-300.

[21]Doornik， J. A.， & Hansen， H. （2008）. An Omnibus Test for Univariate and Multivariate Normality[J]. Oxford Bulletin of Economics and Statistics， 70：927-939.

[22]Fang， J.， Tang， L.， & Yang， J. et al. （2019）. Social Interaction in MOOCs： The Mediating Effects of Immersive Experience and Psychological Needs Satisfaction[J]. Telematics and Informatics， 39：75-91.

[23]Fang， J.， Zhao， Z.， & Wen， C. et al. （2017）. Design and Performance Attributes Driving Mobile Travel Application Engagement[J]. International Journal of Information Management， 37：269-283.

[24]Festinger， L. （1962）. A Theory of Cognitive Dissonance[M]. Stanford： Stanford University Press.

[25]Hair， J. F.， Ringle， C.， & Sarstedit， M. （2011）. PLS-SEM： Indeed a Silver Bullet[J]. Journal of Marketing Theory and Practice， 19：139-151.

[26]Henseler， J.， Ringle， C. M.， & Sarstedt， M. （2015）. A New Criterion for Assessing Discriminant Validity in Variance-Based Structural Equation Modeling[J]. Journal of the Academy of Marketing Science， 43：115-135.

[27]Hsieh， J. K.， Hsieh， Y. C.， & Chiu， H. C.， et al. （2012）. Post-Adoption Switching Behavior for Online Service Substitutes： A Perspective of the Push-Pull-Mooring Framework[J]. Computers in Human Behavior， 28（5）：1912-1920.

[28]iiMedia Research （2018）. A White Paper on Chinas Online Education Industry in 2018[EB/OL]. [2019-07-10]. https：//www.iimedia.cn/c400/63080.html.

[29]Jung， J.， Han， H.， & Oh， M. （2017）. TravelersSwitching Behavior in the Airline Industry from the Perspective of the Push-Pull-Mooring Framework[J]. Tourism Management， 59：139-153.

[30]Lee， E. S. （1966）. A Theory of Migration [J]. Demography， 3（1）：47-57.

[31]Lewis， J. A. （2018）. How 5G Will Shape Innovation and Security： A Primer[R]. Washington： CSIS.

[32]Lin， T. C.， & Huang， S. L. （2014）. Understanding the Determinants of ConsumersSwitching Intentions in a Standards War[J].International Journal of Electronic Commerce，19（1）：163-189.

[33]Meyer， J. P.， & Allen， N. J. （1991）. A Three-Component Conceptualization of Organizational Commitment[J]. Human Resource Management Review， 1（1）：61-89.

[34]Moon， B. （1995）. Paradigms in Migration Research： Exploring ‘Mooringsas a Schem[J]. Progress in Human Geography， 19（4）：504-524.

[35]Park， S. C.， & Ryoo， S. Y. （2013）. An Empirical Investigation of End-UsersSwitching Toward Cloud Computing： A Two Factor Theory Perspective[J]. Computers in Human Behavior， 29（1）：160-170.

[36]Polites， G. L.， & Karahanna， E. （2012）. Shackled to the Status Quo： The Inhibiting Effects of Incumbent System Habit， Switching Costs， and Inertia on New System Acceptance[J]. MIS Quarterly， 36（1）：21-42.

[37]R?nkk?， M. （2017）. Matrixpls： Matrix-Based Partial Least Squares Estimation[EB/OL]. [2017-05-22]. http：//cran.r-project.org/web/packages/matrixpls/index.html.

[38]Runciman， W. G.， & Runciman， B. （1966）. Relative Deprivation and Social Justice： A Study of Attitudes to Social Inequality in Twentieth-Century England （Vol. 13）[M]. Berkeley： University of California Press.

[39]Samuelson， W.， & Zeckhauser， R. （1988）. Status Quo Bias in Decision Making[J]. Journal of Risk and Uncertainty， 1（1）：7-59.

[40]Sun， Y.， Liu， D.， & Chen， S. et al. （2017）. Understanding UsersSwitching Behavior of Mobile Instant Messaging Applications： An Empirical Study from the Perspective of Push-Pull-Mooring Framework[J]. Computers in Human Behavior， 75：727-738.

[41]Wieringa， J. E.， & Verhoef， P. C. （2007）. Understanding Customer Switching Behavior in a Liberalizing Service Market： An Exploratory Study[J]. Journal of Service Research， 10（2）：174-186.

[42]Zhang， H.， Lu， Y.， & Gupta， S. et al. （2014）. Understanding the Antecedents of Customer Loyalty in the Chinese Mobile Service Industry： A Push-Pull-Mooring Framework[J]. International Journal of Mobile Communications， 12（6）：551-577.

收稿日期 2019-09-27責任編輯 譚明杰