數字經濟時代下學習者數字學習行為實證研究

張秋紅 趙貴玉

[? ?摘 要? ?] 從學習者視角出發，以在校大學生的數字學習行為作為研究對象，設計了數字學習行為研究模型，包括個人內部特征、心理因素和外部環境因素三類，提出11個假設；針對383名在校大學生的網絡問卷數據，應用多元逐步回歸模型對假設進行檢驗，得出結論：大學生的年級、使用經驗、感知易用性、有用性和娛樂性以及自我效能感六方面對數字學習有顯著正向影響，其余五因素對數字學習的影響不顯著。提出加強數字學習，提升教育產業數字化的對策建議。

[? ?關鍵詞? ?] 數字學習；學習者；數字經濟；多元回歸模型

[? ?中圖分類號? ? ]? G434；G442[? ? 文獻標志碼? ?] A

習近平總書記在《求是》雜志發表的題為“不斷做強做優做大我國數字經濟”的文章，指出要推動我國數字經濟和實體經濟融合發展，并推進重點領域數字產業發展。數字經濟包括數字產業化和產業數字化兩個方面。隨著5G，AR，VR技術的發展，教育產業數字化將大有可為。一提到教育就涉及施教者和學習者兩個主體，而教育內容的設計以及技術手段的應用和改革，都應該符合學習者的學習需求和學習規律。目前，教育產業數字化的發展仍然主要集中于線上學習和遠程授課等基本形式，學習者的體驗尚未達到與現場學習同樣的效果。在教育產業數字化的發展中，如果能將各種先進的數字技術與學習者的學習行為規律相結合，在提升學習者學習感受和效果的同時，也將有助于教育產業數字化的大力發展。

一、研究基礎及假設

（一）模型的構建

所謂數字學習就是將學習內容數字化后，以計算機等終端設備為輔助工具進行的學習活動。[1]20使學習不再局限于固定的時間、地點及學習教材，而是任何時間、任何地點、任何情境的數字學習甚至是終生學習。[2]105數字學習的效果，不僅取決于技術本身，更與學習者對技術的選擇、接納和使用行為緊密關聯。Davis（1989）依據理性行為理論（TRA）提出了技術接受模型（TAM）。[3]325-326通過觀察外部變量對用戶感知新技術的有用性與易用性的影響，進而獲得用戶對該項新技術的使用態度和行為意向。Abdullah和Ward（2016）在TAM模型的基礎上提出專門針對在校大學生數字化學習采納意愿分析的通用擴展技術接受模型（GETAMEL）。[4]242該模型將TAM模型中的外部因素細化為自我效能感、主觀規范、滿意度、計算機焦慮和經驗五個維度。但隨著研究對象和情況的變化，具體的外部因素被不斷修正。例如，隨著現代信息技術的普遍采用，計算機焦慮對技術采納的影響程度越來越小，因此近幾年學者普遍將其排除在主要考察范圍之外。[5]97-98

本文設計了基于GETAMEL模型的數字學習意向的改良模型，如圖1所示。影響數字學習行為的因素包括學習者內部特征、外部環境因素和個人心理因素三大類，共11個方面。

（二）研究假設

影響數字學習行為的用戶內在特征因素包括用戶的性別、年齡、使用經驗等。由于所處年級、所學專業的差異，數字學習程度也有顯著差異。[5]98另外，由于一些有價值的學習課程或APP需要付費，月平均消費水平也會影響數字學習情況。因此，本研究將年級、專業、月平均消費水平引入到研究中，考察他們與數字學習意愿之間是否存在有相關性。由于引入了年級這個與年齡高度相關的變量，故將年齡變量去除。最終提出五個與用戶內在特征有關的基本假設：H1（性別對數字學習行為具有正向影響作用），H2（年級對數字學習行為具有正向影響作用），H3（專業對數字學習行為具有正向影響作用），H4（月消費水平對數字學習行為具有正向影響作用），H5（使用經驗對數字學習行為具有正向影響作用）。

用戶的心理因素包括對數字學習的感知娛樂性、感知有用性、感知易用性和自我效能感四個方面。其中，感知娛樂性是指在使用數字設備進行學習時，能夠感到的愉快程度。[6]1118感知有用性是指數字學習對提高學習成績等表現學習成效指標的提升程度。[7]277感知易用性是指使用數字技術進行學習時感到的付出努力的程度。[8]88自我效能感是指對于應用數字信息技術完成某項學習任務的自信程度。[9]85關于用戶心理因素方面提出四個基本假設：H6（感知娛樂性對數字學習行為具有正向影響作用），H7（感知有用性對數字學習行為具有正向影響作用），H8（感知易用性對數字學習行為具有正向影響作用），H9（自我效能感對數字學習行為具有正向影響作用）

外部影響因素包括社會影響和系統功能兩方面。社會影響是指是否采納數字學習行為所感受到的來自環境以及社交群體的壓力程度。[10]81系統功能是指數字學習系統所提供的資源服務、交互協作、信息管理等方面對學習行為的支持情況。[11]310關于外部影響方面提出兩個假設：H10（社會影響對數字學習行為具有正向影響作用），H11（系統功能對數字學習行為具有正向影響作用）。

二、研究設計及數據收集

（一）構建回歸模型

根據研究模型和基本假設，建立如下回歸模型：

其中，Y表示數字學習行為意向，E表示常數項，En表示感知娛樂性，PU表示感知有用性，PE表示感知易用性；SE表示自我效能感，SI表示社會影響，SF表示系統功能，Exp表示使用經驗，Sex表示性別，Gra表示年級，Maj表示專業，Con表示月平均消費。a ，b，c...k表示上述各個變量的系數，ε表示誤差項。

（二）數據搜集

采用問卷調查法搜集數據。參考國內外相關研究，編制了初步的調查問卷，咨詢了4名相關專家，并在吉林農業大學市場營銷專業39名學生中進行了前測，根據專家意見以及前測結果對調查問卷進一步修改。調查問卷包括兩個部分：第一部分是被調查者基本信息部分，包括性別、年級、專業、月平均消費。第二部分是影響移動學習意愿核心要素部分，包括感知有用性（4個題目），感知易用性（3個題目），感知娛樂性（3個題目），自我效能感（3個題目），社會影響（4個題目），系統功能（4個題目），使用經驗（3個題目），行為意向（1個題目）。第二部分的題目采用李克特5分法量表，從1到5表示非常不同意到非常同意。

在2021年4月到7月期間，通過微信群、朋友圈、QQ空間以及新浪微博等方式發放調查問卷450份，回收448份，其中有效調查問卷383份，有效回收率85.5%。根據Gorsuch的觀點，實證研究中的樣本量要符合“總樣本量大于100”以及“模型變量與樣本數量的比例為1∶5”兩方面基本要求。本研究涉及的解釋變量一共11個，29個題項，樣本數量應該在150-500之間，383份有效問卷在這個范圍內，樣本數量符合要求。調查樣本的描述性統計情況如表1所示。

三、數據分析與結果討論

（一）問卷的信度與效度分析

采用Cronbach's Alpha系數檢驗調查量表的內部一致性，得到整體Cronbach's Alpha系數為0.929，即量表具有較高可信度。采用探索性因子分析對量表的結構效度進行檢驗，得到KMO值為0.944，Sig為0.000，說明量表具有較好的效度。

（二）多元逐步回歸分析

使用SPSS20.0對數據進行處理分析，采用多元逐步回歸分析方法對研究假設進行檢驗。因變量Y表示行為意向，自變量是數字學習行為影響因素的11個變量，其中性別為二分類變量，專業為無序多分類變量，其余9個變量為連續變量，在逐步回歸之前需要對無序多分類變量進行虛擬化處理，結果如表2所示。表中顯著性系數均大于0.05，說明所學專業與數字學習行為相關性不顯著。

剔除專業這個虛擬變量之后，對其余自變量進行多元逐步回歸，分析結果如表3所示。

研究所得的多元相關系數調整后的R2均大于0.4，最后一步的R2為0.458，說明回歸模型的擬合度很好。最終得到回歸方程：

即影響學習者數字學習行為的因素包括感知娛樂性、感知易用性、感知有用性、自我效能感、使用經驗和年級六個方面。

（三）假設檢驗結果及分析

根據回歸分析的結果，假設中H1，H3，H4，H5，H10，H11被拒絕。第一，性別與數字學習行為沒有正向影響作用。隨著計算機和互聯網設備的普及，男女學習者都可能進行數字學習；第二，所學專業與數字學習行為也不存在正向影響，即任何專業都有開展數字學習的可能性；第三，月消費水平與數字學習行為也沒有正向影響關系，并不是月消費水平高的學生更容易購買付費數字學習產品，可見數字學習行為是一種自主性選擇，受個人需求的影響程度更高，如果個人需求不足，即使沒有財務方面的負擔也不會促使學習者開展數字學習；第四，社會影響對數字學習行為沒有正向影響關系。本研究的調查數據從大學生中獲取，在大學階段學習行為的自主性非常強，大學生不會因為周圍同學都采用數字學習就主動采用或增加數字學習的程度；但如果授課教師要求采用，或課程確實需要，則大學生就會進行數字學習。最后，系統功能也不會對數字學習行為有正向影響作用。學習者不會因為系統功能非常完備就主動選擇數字學習，這進一步證明數字學習更多受到個人主觀需求和學習習慣的影響。

其余六個假設被證實。第一，年級對數字學習有正向影響作用，調查發現年級越高，數字學習的程度越高。隨著年級的升高，個人發展目標、未來職業規劃也變得越來越清晰，因此開展獨立自主學習的程度也會隨之增加。第二，使用經驗對數字學習行為有正向影響作用。過去曾經進行過數字學習，并從中獲益的學習者更容易采納數字學習。第三，感知娛樂性對數字學習有正向影響作用。娛樂性能有效減少學習的枯燥乏味之感，促進學習者對學習內容產生更多的興趣和偏好，從而獲得更好的學習效果，因此可以促進數字學習行為的發生。第四，感知有用性對數字學習有正向影響作用。如果通過數字學習，學習者發現個人的學習效率和學習成績有明顯提升，則可促進其進一步開展數字學習。第五，感知易用性對數字學習有正向影響作用。與傳統學習相比，如果學習者主觀感到開展數字學習更加便利，減少學習時間，提高學習效率，則會有效促進數字學習的開展。最后，自我效能感對數字學習有正向影響。學習者對使用現代移動技術開展學習的自信程度越高，越會促進他們在采用數字學習時的易用性與娛樂性的感知增加，從而進一步促進數字學習的發生。

四、對策與建議

其一，加強數字學習使用場景的開發。根據實證分析可知，使用經驗對數字學習具有顯著正向影響作用。故應該加強課程與數字學習的關聯度，增加數字學習的使用場景。有了這種學習經驗，學習者自主進行數字學習的可能性會進一步增加。在產業數字化的進程中，隨著使用端用戶以及使用時長已經逐漸達到極值，想要進一步從用戶數量、使用時長等方面突破來擴大數字產業的發展，空間已經非常有限。因此應該轉向從生產端尋找突破口，開發更多的數字學習應用場景，提升教育產業數字化發展。

其二，打造更加科學合理的數字學習手段，提升學習成效。實證分析表明，感知有用性是影響數字學習開展的最顯著因素。如果學習者發現數字學習可以有效促進學習效率和成績的提升，則會更加積極開展數字學習。因此，要加強教育產業數字化發展，推動數字學習的開展，就要設計出更加科學合理有價值的學習環節來切實提升學生學習效率和成績，就要求數字學習的軟硬件提供商應該與教育部門和教育工作者緊密合作，深刻理解學生的學習規律，使所開發的數字學習產品更有助于提升學習成效。

其三，將數字學習的趣味性和有用性有機結合。感知娛樂性是另一個影響數字學習的重要因素。教育心理學指出學習時的情緒會極大影響學習效果。如果學習過程中趣味性強，則會激發學習者產生積極情緒，進而增加學習興趣和專注時長。[12]122與傳統學習行為相比，數字學習更加便利，受時間和空間的約束性更小，這是數字學習的重要優越性。但它也有一個重大弊端，就是容易受到其他與互聯網相連的娛樂因素的干擾，從而導致學習精力不集中，學習時間縮短等問題出現。因此，數字學習設備提供商和內容發布者要清晰認知數字學習的優缺點，在軟硬件開發以及內容設計發面，充分發揮數字學習的趣味性優勢，摒棄干擾因素，真正促進學習效果的提升。

其四，加強數字學習操作使用的便利性。實證分析表明，感知易用性和自我效能感都對數字學習有正向促進作用，而上述兩因素也相互關聯，感知易用性強的調查者表現出較高的自我效能感。這一方面由學習者的使用經驗所致，另一方面由數字學習使用的便利性所致。在調查中許多被試反映數字學習的課程設計存在問題，例如沒有板書講解，操作遲緩響應時間長，界面設計不合理，主要操作按鍵不好辨認，主題不突出等多方面問題。這些都極大影響了數字學習的體驗。因此在進行軟硬件開發時，應該充分掌握使用者的操作習慣，開發出使用更加便利的數字學習產品。同時，授課教師等內容發布者也要精心設計課程內容，了解學習的規律性行為，突出重點內容，加強數字學習的便利性。

[參考文獻]

[1]Gikas，Ｊ&Grant，M.M.Mobile computing devices in higher education：Students perspectives on learning with cellphones smart phones and social media[J].The Internet and Higher Education，2013（19）：18-26.

[2]Krotov，V.Critical Success Factors in M-learning：A Socio-Technical Perspective[J].Communications of the Association for Information Systems，2015（1）：105-126.

[3]Davis F D.Perceived Usefulness，Perceived Ease of Use，and User Acceptance of Information Technology [J].MIS Quarterly，1989（9）：319-339.

[4]Abdullah，F.，& Ward，R.Developing a general extended technology acceptance model for E-learning （GETAMEL）by analyzing commonly used external factors [J].Computers in Human Behavior， 2016（3）：238-256.

[5]張進良，葉求財，段娟.基于GETAMEL的師范生微學習行為影響因素的實證研究[J].當代教育論壇，2019（4）：95-107.

[6]Davis.F，Bagozzi R，Warshaw P.Extrinsic and Intrinsic Motivation to Use Computers in the Workplace [J].Journal of Applied Social Psychology，1992（14）：1111-1132.

[7]Venkatesh V， Bala H.Technology acceptance model 3 and a research agenda on interventions [J].Decision sciences， 2008（2）：273-315.

[8]Love， E.G.， Love， D.W.， & Northcraft， G.B.Is the end in sight？Student regulation of in-class and extra-credit effort in response to performance feedback [J].The Academy of Management Learning and Education， 2010（1）：81-97.

[9]Zimmerman，B.J.Self-efficacy：An essential motive to learn.Contemporary Educational Psychology， 2000 （1） ：82-91.

[10]焦東亮，李藝婷，馬猛弟，常磊鑫.大學生線上學習情緒狀況及影響因素分析[J].牡丹江師范學院學報：社會科學版.2022（01）：76-83.

[11]Agudo-Peregrina A F， Pascual-Miguel F J.Behavioral intention， use behavior and the acceptance of electronic learning systems：Differences between higher education and lifelong learning [J].Computers in Human Behavior， 2014（15）：301-314.

[12]趙靜，王文娟，朱琳，薛芳.大學生學習投入及學業自我效能感研究[J].牡丹江師范學院學報：社會科學版，2020（06）：131-137.

[ 責任編輯 ]甄 欣

An Empirical Study on Learners' Digital Learning Behavior

in the Digital Era

ZHANG Qiuhong，ZHAO Guiyu

（Economics and Management College，Jilin Agriculture University，Changchun，Jilin，130118，China）

Abstract：From the perspective of learners，taking the digital learning behavior of college students as the research object，this paper designed? a digital learning behavior research model，including characteristics，psychological factors and External features.According above three types factors presented 11 hypotheses.Then used the Internet questionnaire data on 383 college students，tested these 11 hypotheses by using multiple stepwise regression models.Get conclusions that，Grades，Learning experience，perceived entertainment，perceived ease，perceived useful and self-efficacy have a positive impact on the digital learning behavior.But the impacts of the other five factors is not significant on digital learning.At last according to the conclusion of the empirical study，presented? countermeasures and suggestions to strengthen digital learning and improve the digitalization of education industry.

Keywords：digital learning； learners； digital economy； multiple regression models