摘 要：本文从UTAUT模型出发，构建教学实践过程中，大学生参与线上学习的影响因素研究模型，通过问卷收集数据，对问卷进行信度检验和结构效度检验，并结合结构方程模型（SEM）得到显著的影响路径。实证研究发现大学生线上学习行为的影响因素按影响力从大到小排列依次为：绩效期望、努力期望和社群影响。绩效期望的主要因素为：线上学习便捷、课程内容丰富、群体学习有帮助。根据影响因素模型及实证结果对线上教学提出建议：坚定线上与线下相结合的教学模式，丰富教学资源，以知识脉络的形式调整课程结构;紧跟最新技术发展，搜集典型案例融入课堂;紧跟时事热点，设计思政要素，充实案例库;优化群体学习环境，更好地实践虚拟课堂中的众包学习任务、互学和互评环节。

关键词：UTAUT模型;线上学习行为;影响因素;结构方程模型

线上教育是信息技术与教育融合的产物，线上教育平台是一种特殊的信息系统。为了更好地衡量我们的网络课堂授课效果，调研学生对线上课程的使用意愿，找出网络学习的影响因素，我们使用信息系统领域的整合型技术接受和使用理论（Unified Theory of Acceptance and Use of Technology，UTAUT）[1]对学生参与网络课堂学习的行为进行分析。UTAUT理论整合了这些模型中的各种潜在变量，提取出显著影响用户对于新技术使用意愿和使用行为的四个潜在变量：绩效期望PE、努力期望EE、社群影响SI以及促进条FC。其中前三个变量对使用意愿直接影响，最后一个变量对使用行为直接影响。经过实证检验，UTAUT对用户使用行为的解释力高达70%，比以往的模型都更为有效。

综合已有文献[26]的研究成果，本文为学生参与网络课程学习的UTAUT模型引入了4个控制变量：性别、年级、专业和上网频率，并假设这4个控制变量的复合作用将对4个核心自变量产生显著的影响。

1 基于UTAUT的线上学习行为影响因素模型

本文面向UTAUT理论建立网络课堂学习的影响因素模型图1。模型包含网络学习意愿和网络学习行为2个因变量和4个自变量（绩效期望、努力期望、社群影响、促进条件），网络学习意愿是网络学习行为的自变量，促进条件是网络学习行为的自变量。在此基础上，我们根据网络学习平台的特点、网络学习的特点以及大学生的网络行为，并综合UTAUT理论的应用成果，设计网络学习行为UTAUT模型的维度参数图（图2）。

本文提出如下研究假设，并对项目前期参与网络教学的学生展开调查，对问卷进行信度和效度检验，并结合结构方程模型（Structural Equation Model，SEM）评估因素之间的影响权重，从而验证研究假设。

H1：绩效期望对学生网络学习意愿有显著正向影响。

H2：努力期望对学生网络学习意愿有显著正向影响。

H3：社群影响对学生网络学习意愿有显著正向影响。

H4：促进条件对学生网络学习行为有显著正向影响。

H5：学生网络学习意愿对网络学习行为有显著正向影响。

H6：网络学习意愿在绩效期望、努力期望、社群影响与网上学习行为之间起中介作用。

2 调查问卷设计及问卷分析

2.1 调查问卷设计

本文面向完成网上教学的学生采集图2模型中各个潜变量的数据，问卷的主体共21个问题，分别对图2的UTAUT模型的16个变量维度以及网络学习的意愿和行为进行测度。所有变量测量均采用李克特七级量表，分值从1到7。

2.2 问卷的信度检验和效度检验

本文通过问卷星平台发放并回收365份问卷，有效问卷率为93.7%。本文采用克隆巴赫信度系数Alpha评价问卷内部的一致性，Alpha系数取值越高，信度越高，问卷的内部一致性越好。把表1的所有问题进行信度检验，结果显示：问卷总的Alpha系数为0.74，信度尚可，问卷具有使用的价值。不过，仔细观察表2第二行发现，EE4、EE5以及FC3与其他项的总计相关性皆为负值，表明这几个题项与其他题项明显不相关;表2第三行显示，如果把EE4、EE5、FC3分别从问卷中删除，那么问卷的克隆巴赫系数会增加。因此，综合考量变量的相关性以及问卷的信度，我们将EE4、EE5、FC3从问卷中删除，得到新问卷的克隆巴赫系数为0.81：对于各个潜在变量，其变量内部的观测题项之间的相关性皆为正，说明观测题项之间的相关程度较高，题项设计合理;各潜在变量的Alpha系数都比问卷Alpha系数要小得多，这说明基于UTAUT模型构建的问卷信度远高于单一变量组成的问卷。这说明，把EE4、EE5、FC3去掉后的问卷中各个题项对于提升问卷内部的一致性皆有正向贡献，都可以保留。

本文采用因子分析方法来检验问卷的结构效度。结果显示KMO值为0.755，Bartlett球形度检验的近似卡方值（1965.64）很大且显著性水平为0，这说明问卷数据的各变量间的相关性较强，适合做因子分析，数据具有效度。

问卷数据旋转后的因子载荷矩阵一定包含6个因子，累积方差解释率为68.303%，这说明题项的信息量可以有效地提取出来。潜在变量与因子的关系：网上学习意愿LI和网上学习行为LB可由因子1解释，努力期望EE由因子2解释，社群影响SI由因子3解释，绩效期望PE由因子5解释。而促进条件则由两个因子共同解释，其中FC2和FC4由因子4解释，FC1单独由因子6解释。这显示，FC1与另外两个促进条件FC2和FC4之间的相关性偏弱，再结合表2中FC1的“修正后的项与总计相关性”只有0.02，可把FC1从问卷中删除。去掉FC1后，KMO值略微上升，旋转后的因子载荷矩陣由5个因子组成，累计方差解释率65.95%。潜在变量内部的观测题项与因子的对应关系与预期一致，问卷结构效度良好。

3 问卷的结构方程模型分析

去掉观测变量EE4、EE5、FC3和FC1，综合四个控制变量（性别、年级、专业和上网频率）建立初始的结构方程模型。经检验发现，在显著性水平0.05下，四个控制变量对网上学习意愿LI的影响都不显著，或许是由于对于大学生群体而言，这几个控制变量的变化比较小。进一步分析结构方程模型中各条路径的回归系数发现，在显著性水平0.05下，路径LB←FC和PE3←PE都是不显著的，因此从结构模型中删除，得到的模型复杂度下降，拟合优度提升，得到图3性能较优的结构方程模型。我们采用常用的拟合指数来评价模型。绝对拟合指数GFI和AGFI在0.8～0.9之间，增值拟合指数NFI、IFI和CFI皆在0.8左右，这表明我们的模型拟合度尚可，模型可以接受。

图3显示潜在变量PE与其观测变量PE1、PE2和PE3之间的标准路径系数在0.4左右，而其他潜在变量与观测变量之间的标准路径系数都明显大于0.5，且所有潜在变量与观测变量之间的路径都是显著的（P<0.001），每道题的误差变量达到P<0.001显著性水平，这说明潜在变量对观测变量的解释都是有意义的，问卷质量较好。在P<0.005显著性水平下，路径LI←PE，LI←EE，LI←SI和LB←LI都是显著的。大学生的网上学习意愿对网上学习行为有非常显著的正向影响（H5），网上学习意愿起中介作用（H6），而促进条件对网上学习行为的影响是不显著的（H4）。根据路径系数，绩效期望、努力期望和社群影响都对网上学习意愿有显著的正向影响（H1、H2、H3），且影响力依次减小，绩效期望的影响明显高出很多。综上所述，除了假设四H4，表1提出的其他研究假设都是可以接受的。

4 大学生网上学习的影响因素分析及建议

综合研究假设，图2的UTAUT模型维度图以及图3的结构方程模型，对于学生前期的网上学习情况，本文得到以下结论：

（1）学生愿意选择线上学习，主要是因为线上学习能够带来预想的好处，包括网络学习很便捷，方便碎片化学习;我们提供的网络课程资源丰富，有助于学生拓展知识;而且通过网络的形式，学生之间更方便相互学习，共同讨论，有利于学习的提升。但是网络学习资源的质量没有得到学生的一致认可，这需要我们不断地升级学习内容和学习方式。要提升学生线上学习的积极性，首先要想办法提高其绩效期望。

（2）努力期望也会显著影响学习意愿，线上学习平台操作要简单易上手，课程结构设计要清晰明了，让人容易找到相应的学习任务，且提供的学习资源要丰富，而且很容易能够获取或下载。总之，完成网上学习的操作越简单越好，我们需要持续优化。目前来看，学生对于我们已建立的学习任务的难度和所需时间是不一致的，从问卷数据得不到统计意义上的结果，因此后面还需要专门研究“任务难度”“完成时间”“任务类型”等特点的影响。

（3）大学生所处社会环境以及周围人群对线上学习的态度，对其网上学习的意愿也有一定的影响。学校加大线上教学的扶持力度，允许教学方式的多样化改革，将促进学生线上学习的积极性。

（4）不过，问卷关注的多项促进条件对于网上学习行为的影响并不显著，原因可能是多个方面的。一来在移动互联网普及的今天，免费网络对学生的学生影响不大;二来，可能学生在学习的过程中并没有遇到困难，不需要外界的帮助，又或许遇到困难时，学生并没有得到所要的帮助，这需要在后续的教学中多关注。三来，线上学习平台基本都开发了移动端应用，能够满足学生的基本需要。但在学习的过程中，学生还是期望有一定辅助的，包括及时的答疑交流、同伴督学、教师评价和同伴评价等。而学生对于“学习资源优质”的感知也是不一致的，这说明我们的学习资源确实有不断优化的必要性。

参考文献：

[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，王嘉伟.基于UTAUT视角的众包物流大众参与行为影响因素研究[J].运筹与管理，2017（11）：510.

[3]王钱永，毛海波.基于UTAUT模型的MOOC学习行为因素分析[J].电化教育研究，2016（6）：4348.

[4]谭春辉，张洁，曾奕棠.基于UTAUT模型的消费者网络购物影响因素研究[J].管理现代化，2014，34（03）：2830.

[5]陈自洁.以智能手机为媒介的线上线下双向互动教学[J].高教学刊，2019（05）：2629+32.

[6]陈自洁.基于众包的“互联网+”教学互动模式[J].教育教学论坛，2018（36）：179180.

项目：广东省教育厅2018年度广东省教育科学“十三五”规划项目——智慧课堂中的众包质量优化策略及实践（项目编号2018GXJK074）资助

作者简介：陈自潔（1980— ），女，汉族，广东佛山人，博士，讲师，研究方向：数据科学、机器学习、电子商务。