基于UTAUT的線上學習行為影響因素實證分析

摘?要：本文從UTAUT模型出發，構建教學實踐過程中，大學生參與線上學習的影響因素研究模型，通過問卷收集數據，對問卷進行信度檢驗和結構效度檢驗，并結合結構方程模型（SEM）得到顯著的影響路徑。實證研究發現大學生線上學習行為的影響因素按影響力從大到小排列依次為：績效期望、努力期望和社群影響。績效期望的主要因素為：線上學習便捷、課程內容豐富、群體學習有幫助。根據影響因素模型及實證結果對線上教學提出建議：堅定線上與線下相結合的教學模式，豐富教學資源，以知識脈絡的形式調整課程結構;緊跟最新技術發展，搜集典型案例融入課堂;緊跟時事熱點，設計思政要素，充實案例庫;優化群體學習環境，更好地實踐虛擬課堂中的眾包學習任務、互學和互評環節。

關鍵詞：UTAUT模型;線上學習行為;影響因素;結構方程模型

線上教育是信息技術與教育融合的產物，線上教育平臺是一種特殊的信息系統。為了更好地衡量我們的網絡課堂授課效果，調研學生對線上課程的使用意愿，找出網絡學習的影響因素，我們使用信息系統領域的整合型技術接受和使用理論（Unified?Theory?of?Acceptance?and?Use?of?Technology，UTAUT）[1]對學生參與網絡課堂學習的行為進行分析。UTAUT理論整合了這些模型中的各種潛在變量，提取出顯著影響用戶對于新技術使用意愿和使用行為的四個潛在變量：績效期望PE、努力期望EE、社群影響SI以及促進條FC。其中前三個變量對使用意愿直接影響，最后一個變量對使用行為直接影響。經過實證檢驗，UTAUT對用戶使用行為的解釋力高達70%，比以往的模型都更為有效。

綜合已有文獻[26]的研究成果，本文為學生參與網絡課程學習的UTAUT模型引入了4個控制變量：性別、年級、專業和上網頻率，并假設這4個控制變量的復合作用將對4個核心自變量產生顯著的影響。

1?基于UTAUT的線上學習行為影響因素模型

本文面向UTAUT理論建立網絡課堂學習的影響因素模型圖1。模型包含網絡學習意愿和網絡學習行為2個因變量和4個自變量（績效期望、努力期望、社群影響、促進條件），網絡學習意愿是網絡學習行為的自變量，促進條件是網絡學習行為的自變量。在此基礎上，我們根據網絡學習平臺的特點、網絡學習的特點以及大學生的網絡行為，并綜合UTAUT理論的應用成果，設計網絡學習行為UTAUT模型的維度參數圖（圖2）。

本文提出如下研究假設，并對項目前期參與網絡教學的學生展開調查，對問卷進行信度和效度檢驗，并結合結構方程模型（Structural?Equation?Model，SEM）評估因素之間的影響權重，從而驗證研究假設。

H1：績效期望對學生網絡學習意愿有顯著正向影響。

H2：努力期望對學生網絡學習意愿有顯著正向影響。

H3：社群影響對學生網絡學習意愿有顯著正向影響。

H4：促進條件對學生網絡學習行為有顯著正向影響。

H5：學生網絡學習意愿對網絡學習行為有顯著正向影響。

H6：網絡學習意愿在績效期望、努力期望、社群影響與網上學習行為之間起中介作用。

2?調查問卷設計及問卷分析

2.1?調查問卷設計

本文面向完成網上教學的學生采集圖2模型中各個潛變量的數據，問卷的主體共21個問題，分別對圖2的UTAUT模型的16個變量維度以及網絡學習的意愿和行為進行測度。所有變量測量均采用李克特七級量表，分值從1到7。

2.2?問卷的信度檢驗和效度檢驗

本文通過問卷星平臺發放并回收365份問卷，有效問卷率為93.7%。本文采用克隆巴赫信度系數Alpha評價問卷內部的一致性，Alpha系數取值越高，信度越高，問卷的內部一致性越好。把表1的所有問題進行信度檢驗，結果顯示：問卷總的Alpha系數為0.74，信度尚可，問卷具有使用的價值。不過，仔細觀察表2第二行發現，EE4、EE5以及FC3與其他項的總計相關性皆為負值，表明這幾個題項與其他題項明顯不相關;表2第三行顯示，如果把EE4、EE5、FC3分別從問卷中刪除，那么問卷的克隆巴赫系數會增加。因此，綜合考量變量的相關性以及問卷的信度，我們將EE4、EE5、FC3從問卷中刪除，得到新問卷的克隆巴赫系數為0.81：對于各個潛在變量，其變量內部的觀測題項之間的相關性皆為正，說明觀測題項之間的相關程度較高，題項設計合理;各潛在變量的Alpha系數都比問卷Alpha系數要小得多，這說明基于UTAUT模型構建的問卷信度遠高于單一變量組成的問卷。這說明，把EE4、EE5、FC3去掉后的問卷中各個題項對于提升問卷內部的一致性皆有正向貢獻，都可以保留。

本文采用因子分析方法來檢驗問卷的結構效度。結果顯示KMO值為0.755，Bartlett球形度檢驗的近似卡方值（1965.64）很大且顯著性水平為0，這說明問卷數據的各變量間的相關性較強，適合做因子分析，數據具有效度。

問卷數據旋轉后的因子載荷矩陣一定包含6個因子，累積方差解釋率為68.303%，這說明題項的信息量可以有效地提取出來。潛在變量與因子的關系：網上學習意愿LI和網上學習行為LB可由因子1解釋，努力期望EE由因子2解釋，社群影響SI由因子3解釋，績效期望PE由因子5解釋。而促進條件則由兩個因子共同解釋，其中FC2和FC4由因子4解釋，FC1單獨由因子6解釋。這顯示，FC1與另外兩個促進條件FC2和FC4之間的相關性偏弱，再結合表2中FC1的“修正后的項與總計相關性”只有0.02，可把FC1從問卷中刪除。去掉FC1后，KMO值略微上升，旋轉后的因子載荷矩陣由5個因子組成，累計方差解釋率65.95%。潛在變量內部的觀測題項與因子的對應關系與預期一致，問卷結構效度良好。

3?問卷的結構方程模型分析

去掉觀測變量EE4、EE5、FC3和FC1，綜合四個控制變量（性別、年級、專業和上網頻率）建立初始的結構方程模型。經檢驗發現，在顯著性水平0.05下，四個控制變量對網上學習意愿LI的影響都不顯著，或許是由于對于大學生群體而言，這幾個控制變量的變化比較小。進一步分析結構方程模型中各條路徑的回歸系數發現，在顯著性水平0.05下，路徑LB←FC和PE3←PE都是不顯著的，因此從結構模型中刪除，得到的模型復雜度下降，擬合優度提升，得到圖3性能較優的結構方程模型。我們采用常用的擬合指數來評價模型。絕對擬合指數GFI和AGFI在0.8～0.9之間，增值擬合指數NFI、IFI和CFI皆在0.8左右，這表明我們的模型擬合度尚可，模型可以接受。

圖3顯示潛在變量PE與其觀測變量PE1、PE2和PE3之間的標準路徑系數在0.4左右，而其他潛在變量與觀測變量之間的標準路徑系數都明顯大于0.5，且所有潛在變量與觀測變量之間的路徑都是顯著的（P<0.001），每道題的誤差變量達到P<0.001顯著性水平，這說明潛在變量對觀測變量的解釋都是有意義的，問卷質量較好。在P<0.005顯著性水平下，路徑LI←PE，LI←EE，LI←SI和LB←LI都是顯著的。大學生的網上學習意愿對網上學習行為有非常顯著的正向影響（H5），網上學習意愿起中介作用（H6），而促進條件對網上學習行為的影響是不顯著的（H4）。根據路徑系數，績效期望、努力期望和社群影響都對網上學習意愿有顯著的正向影響（H1、H2、H3），且影響力依次減小，績效期望的影響明顯高出很多。綜上所述，除了假設四H4，表1提出的其他研究假設都是可以接受的。

4?大學生網上學習的影響因素分析及建議

綜合研究假設，圖2的UTAUT模型維度圖以及圖3的結構方程模型，對于學生前期的網上學習情況，本文得到以下結論：

（1）學生愿意選擇線上學習，主要是因為線上學習能夠帶來預想的好處，包括網絡學習很便捷，方便碎片化學習;我們提供的網絡課程資源豐富，有助于學生拓展知識;而且通過網絡的形式，學生之間更方便相互學習，共同討論，有利于學習的提升。但是網絡學習資源的質量沒有得到學生的一致認可，這需要我們不斷地升級學習內容和學習方式。要提升學生線上學習的積極性，首先要想辦法提高其績效期望。

（2）努力期望也會顯著影響學習意愿，線上學習平臺操作要簡單易上手，課程結構設計要清晰明了，讓人容易找到相應的學習任務，且提供的學習資源要豐富，而且很容易能夠獲取或下載。總之，完成網上學習的操作越簡單越好，我們需要持續優化。目前來看，學生對于我們已建立的學習任務的難度和所需時間是不一致的，從問卷數據得不到統計意義上的結果，因此后面還需要專門研究“任務難度”“完成時間”“任務類型”等特點的影響。

（3）大學生所處社會環境以及周圍人群對線上學習的態度，對其網上學習的意愿也有一定的影響。學校加大線上教學的扶持力度，允許教學方式的多樣化改革，將促進學生線上學習的積極性。

（4）不過，問卷關注的多項促進條件對于網上學習行為的影響并不顯著，原因可能是多個方面的。一來在移動互聯網普及的今天，免費網絡對學生的學生影響不大;二來，可能學生在學習的過程中并沒有遇到困難，不需要外界的幫助，又或許遇到困難時，學生并沒有得到所要的幫助，這需要在后續的教學中多關注。三來，線上學習平臺基本都開發了移動端應用，能夠滿足學生的基本需要。但在學習的過程中，學生還是期望有一定輔助的，包括及時的答疑交流、同伴督學、教師評價和同伴評價等。而學生對于“學習資源優質”的感知也是不一致的，這說明我們的學習資源確實有不斷優化的必要性。

參考文獻：

[1]VENKATESH?V，MORRIS?M?and?DAVIS?G?B.User?acceptance?of?information?technology?toward?a?unified?view[J].MIS?Quarterly，2003，27（3）：425478.

[2]郭捷，王嘉偉.基于UTAUT視角的眾包物流大眾參與行為影響因素研究[J].運籌與管理，2017（11）：510.

[3]王錢永，毛海波.基于UTAUT模型的MOOC學習行為因素分析[J].電化教育研究，2016（6）：4348.

[4]譚春輝，張潔，曾奕棠.基于UTAUT模型的消費者網絡購物影響因素研究[J].管理現代化，2014，34（03）：2830.

[5]陳自潔.以智能手機為媒介的線上線下雙向互動教學[J].高教學刊，2019（05）：2629+32.

[6]陳自潔.基于眾包的“互聯網+”教學互動模式[J].教育教學論壇，2018（36）：179180.

項目：廣東省教育廳2018年度廣東省教育科學“十三五”規劃項目——智慧課堂中的眾包質量優化策略及實踐（項目編號2018GXJK074）資助

作者簡介：陳自潔（1980—?），女，漢族，廣東佛山人，博士，講師，研究方向：數據科學、機器學習、電子商務。