聂 琼

（广州城建职业学院）

一、引言

近年来，信息技术带动智慧教育的发展，推进英语词汇学习应用程序的开发与应用，激发了英语学习者英语词汇的学习动机[1]。这不断要求高职教育教学适应应用程序时代学生的词汇学习需求，而提升学生的课堂的参与度和学习动机[2]。将英语词汇学习应用程序通常与游戏有机结合，以帮助用户获取和记忆新词汇。时间限制、随机抽取、奖励惩罚、答案反馈、角色扮演和闯关挑战等都是词汇中的游戏化学习APP的通用程序，让词汇学习过程变得游戏般轻松与有趣[3]。游戏化的词汇学习应用程序能极大改善英语词汇学习低成就高职学生的语言习得结果[4]。通过网络辅助游戏化英语词汇学习方法的效果显著优于其他方法，还提升了高职学生用户的参与动力，并促成其享受学习过程。作为高效利用碎片时间学习的平台，游戏化应用程序受到了广泛欢迎。与传统的单词学习模式相比，英语词汇学习应用程序开发者、用户与高职教师三方结合学科培养目标，将理论转化为游戏化教法实践中去，让学生“玩中学、学中乐、乐中长”[5]。然而，当前很少有研究关于因素促进或阻碍学习者使用的词汇学习应用程序。只有进一步研究绩效预期、努力预期、社群影响和促进条件这4个自变量及其对学生用户使用英语词汇学习应用程序的影响，才能解决这一问题。因此，本研究旨在找出可能的影响因素用户使用游戏化英语词汇APP的意图和整合型科技接受模型（UTAUT）的应用。

二、文献综述

（一）游戏化英语词汇学习APP

首先，有必要对英语词汇应用中的游戏化进行界定。正如Yang等人所提出的，游戏化被称为将非游戏环境，如语言习得融入游戏中[6]。更具体地说，游戏化的定义是关于在非游戏中采用游戏功能和机制的广泛共识设置。换句话说，游戏化语境在词汇学习中不仅包括将各种游戏通过各种多媒体输入呈现，如文字、图像、音频和视频。用户可以通过数字游戏或视频游戏学习词汇，结合常见的游戏元素，如时间限制、随机抽取、奖励惩罚、答案反馈、角色扮演和闯关挑战。例如，国内英语学习者更喜欢通过“百词展”APP学习新的英语单词。在测试模式中，用户能根据给定的单词选择正确的图片并获得分数。与其他英语技能相比，英语词汇学习要求学习者频繁回忆词汇信息，其“记忆碎片”与“容易忘记”的特点引发应用游戏化词汇学习APP迅速开发，并带来相关的研究动机。研究证明，使用游戏化词汇应用程序的学习效果、乐趣和动机，对提高英语学习效率是有效的，指导教学，服务考试。目前还没有足够的研究调查游戏化词汇应用程序的影响要素。虽然游戏化词汇学习带来的影响有益，但其学习结果高度依赖于用户个人及游戏化本身。因此，本研究采用UTAUT模型来探讨高职学习群体使用游戏化的英语词汇应用程序的接受度。

图1 UTAUT模型

（二）基于UTAUT模型的游戏化英语词汇学习

整合型科技接受模型（UTAUT）指出，绩效期望（PE）、努力期望（EE）、社群影响（SI）、便利条件（FC）是学生用户对游戏化词汇学习APP接受行为意愿的4个直接因素。此外，性别、年龄、经验和使用自愿性作为调节变量，对于理解高职学生群体特性与调节他们在信息化技术接受上的差异发挥了重要作用[8]。

1.绩效期望

根据Venkatesh等人的研究，绩效预期表明了个人认为使用信息系统将帮助他（或她）在工作效率方面取得收益。在移动辅助语言学习的背景下，绩效期望对学习者使用游戏化词汇学习应用程序的行为意向有重要影响。假设如下:

假设1（H1）。高职学生在使用游戏化英语词汇APP时，绩效期望（PE）与行为意向（BI）呈正相关。

图2 。提出的UTAUT模型具有新的结构。

图2 变量关系框架

2.努力期望

UTAUT中的努力预期指的是使用某一特定事物的预期轻松程度的技术接受模型（TAM）。在移动辅助语言学习（mobileassisted language learning,MALL）研究中发现，EE与BI相关。假设如下:

假设2（H2）。高职学生在使用游戏化英语词汇APP时，努力期望（EE）与行为意向（BI）呈正相关。

3.社群影响

社群影响被定义为一个人在使用某种语言时受到影响的程度系统由他或她重要的其他人。尽管大量实证研究证实了这一点社群影响和行为意向之间存在显著的相关性，一些案例显示两者之间存在显著的相关性。变量之间不一定是相关的。因此，这项研究计划进一步研究游戏化词汇应用中的这对关系。

假设3（H3)。高职学生在使用游戏化英语词汇APP时，社群影响（SI）与行为意向（BI）呈正相关。

4.便利条件

便利条件的定义为个体认为组织和技术基础条件对促进游戏化英语词汇学习APP使用的支持程度。一些研究人员发现在移动辅助语言学习中便利条件与行为意向不相关，假设如下:

假设4（H4）。高职学生在使用游戏化英语词汇APP时，便利条件（FC）与使用行为（UB）呈正相关。

5.行为意向

本文将行为意图操作性地定义为用户的意图和使用游戏化词汇的动机。行为意向是理论与使用行为正相关。此外，这种相关性也是被众多关于商城和在线学习的实证研究证实。

假设5（H5）。高职学生在使用游戏化英语词汇APP时，便利条件（BI）与使用行为（UB）呈正相关。

三、研究方法

（一）参与者

这项研究的受访者是将英语作为一门外语并使用至少一种游戏化词汇应用程序的广州高职院校学生。参与者可以获得一个完成问卷后。

2022年，共 有278名 学 生参与了本次调查。在被告知该数据的潜在用途后参与者同意将他们的数据用于这项研究。他们来自广州1所高职院校，年龄在17-23岁之间，男生172人，女生106人，理科生188人，文科生90人。

（二）研究过程

1.问卷的设计

表1 问卷项目分析高职学生的意图和使用行为情况

表2 变量相关性数据

采取李克特五点式量表，根据积分标准计分为1-5分。1分表示完全不同意，2分表示不同意，3分表示中立，4分表示同意，5分表示完全同意。通过问卷星发布调查问卷，且允许发布人为278名受访者在完成调查后给予适当的红包作为完成问卷的回报。

2.问卷的分发和数据收集

问卷的发放主要分为三个阶段。因为发布人通过网络平台设计问卷，初步进行问卷调查发布于微信朋友圈和聊天群。接下来，部分群成员和教师主动将问卷转发给适合本研究的人。同时，作者发放了问卷二维码的打印版给高职学校食堂、操场、图书馆等场所的学生。告知问卷对象保证他们的私人信息不会被泄露且在自愿基础上完成问卷。

基于水利工程建设所处环境较为复杂，如果遇到软土地基，就会增加施工难度系数，一旦地基处理不当，还会给整体工程建设质量构成威胁。基于此，本文首先简要论述了落实软土地基处理技术的实际意义及关键施工技术，并结合实际工程案例，提出了切实可行的质量控制策略，旨在为业内人士提供有价值的参考意见。

数据收集时间为10天，从5月4日 至13日。图3展 示了整个研究过程。

本研究遵循两步程序分析结果。整体结构模型拟合近似等于每个测量模型拟合的平均值。

评估测量模型是检查潜在变量和之间的关系他们在评估结构模型时的措施（项目）是调查关系潜变量之间的关系。对所提出的测量模型进行初步拟合评估通过检验信度、效度、综合信度（C.R.）和平均方差提取（AVE）。经各测量模型拟合均满足要求，效果良好。

评估了整体模型的拟合度，并加入新的路径对整体模型进行改进。然后，通过检验R²和路径系数来评估结构模型。整个分析过程采用SPSS 25.0进行数据统计分析。

四、数据分析

表3 行为意向与其他变量回归分析

表4 使用行为与其他变量回归分析

在统计学中，皮尔逊相关性（Pearson product-moment correlation coefficient）。相关分析可通过相关系数来判断变量之间的关系程度。采用Pearson相关分析法，得到的相关性系数r值（Pearson Correlation）情况如下：当r大于0表示两个变量之间为正相关关系，当r小于0表示两个变量之间为负相关关系。当r的绝对值小于0.3时，表示两个变量之间基本不相关；当r的绝对值在0.3-0.5之间表示两个变量之间低度相关，当r的绝对值在0.5-0.8表示两个变量之间中度相关，当r的绝对值大于等于0.8表示两个变量之间高度相关。P值(也称显著性值或Sig值)，对于相关分析，一般规范的表格格式是:P值使用*号表示(标识在相关系数的右上角)，P＜0.01使用2个*号表示;P＜0.05使用1个*号表示。

为了研究PE、EE、SI、FC、BI和UB之间的关系，sig值均小于0.01，相关系数均大于0，说明各维度之间存在极显著性正相关关系。

为了研究绩效期望、努力期望、社群影响、便利条件、行为意向和使用行为之间的相关关系，研究结果如上表所示，sig值均小于0.01，相关系数均大于0，说明各维度之间存在极显著性正相关。

回归分析结果如上表所示，因变量为BI，自变量为PE、EE和SI，对模型进行F检验，模 型 通 过F检验（F=43.523，P=0.000＜0.01）,即表明PE、EE和SI对BI产生影响关系。R2为0.323，意味着变量对BI具有32.3%的变化原因。

分析自变量的回归系数可知，PE、EE和SI的sig值 均 小于0.05，说 明PE、EE和SI对BI产生显著性正向影响。

建立回归模型：BI=1.282+0.230*PE+0.339*EE+0.136*SI

由此可以证明假设一、二和三成立。

回归分析结果如上表所示，因变量为UB，自变量为BI和FC，对模型进行F检验，模 型 通 过F检验（F=75.401，P=0.000＜0.01）,即 表 明BI和FC对UB产 生 影 响 关 系。R2为0.354，意味着变量对UB具有35.4%的变化原因。

表5 BI做为PE和UB中介分析

表6 中介效应表

表7 BI做为EE和UB中介分析

表8 中介效应表

表9 BI做为SI和UB中介分析

针对模型的多重共线性进行检验发现，模型中VIF值均小于5，意味着不存在共线性问题；并且D-W值在数字2附近，表明模型不存在自相关性，样本数据之间没有关联关系，模型较好。

分析自变量的回归系数可知，BI和FC的sig值 均 小 于0.05，说 明BI和FC对UB产 生显著性正向影响。

建立回归模型：UB=1.247+0.183*BI+0.487*FC

由此可以证明假设四和五成立。

中介分析结果如上表所示，对模型进行F检验，模型通过F检验（F=52.098，P=0.000＜0.01）,即 表 明PE对UB产生影响关系。R2为0.275，意味着变量对UB具有27.5%的变化原因。

针对模型的多重共线性进行检验发现，模型中VIF值均小于5，意味着不存在共线性问题；并且D-W值在数字2附近，表明模型不存在自相关性，样本数据之间没有关联关系，模型较好。

BI的sig值 小 于0.05，说明中介效应显著，加入中介变量后，BI变量任然显著，说明之间存在部分中介关系，间接中介影响30.50%，详细见下表。

由此证明假设六成立，即BI在PE与UB之间存在中介关系。

中介分析结果如上表所示，对模型进行F检验，模型通过F检验（F=87.496，P=0.000＜0.01）,即 表 明EE对UB产生影响关系。R2为0.389，意味着变量对UB具有38.9%的变化原因。

针对模型的多重共线性进行检验发现，模型中VIF值均小于5，意味着不存在共线性问题；并且D-W值在数字2附近，表明模型不存在自相关性，样本数据之间没有关联关系，模型较好。

表10 中介效应表

表11 变量关系结论表

BI的sig值 小 于0.05，说明中介效应显著，加入中介变量后，BI变量任然显著，说明之间存在部分中介关系间接中介影响15.11%，详细见下表。

由此证明假设七成立，即BI在EE与UB之间存在中介关系。

中介分析结果如上表所示，对模型进行F检验，模型通过F检验（F=71.748，P=0.000＜0.01），即表明SI对UB产生影响关系。R2为0.343，意味着变量对UB具有34.3%的变化原因。

针对模型的多重共线性进行检验发现，模型中VIF值均小于5，意味着不存在共线性问题；并且D-W值在数字2附近，表明模型不存在自相关性，样本数据之间没有关联关系，模型较好。

BI的sig值 小 于0.05，说明中介效应显著，加入中介变量后，BI变量任然显著，说明之间存在部分中介关系，间接中介影响21.12%，详细见下表。

由此证明假设八成立，即BI在SI与UB之间存在中介关系。

五、结论

通过上表可知，八个假设均成立。通过移动应用程序（APP），应用整合型科技接受模式（UTAUT模型），采用SPSS 25.0分析对高职学生用户对游戏化英语词汇学习APP的接受程度进行数据统计分析的结果表明，绩效期望（PE）、努力期望（EE）、促进条件（FC）与行为意向（BI）呈成正相关，社群影响（SI）与使用行为（UB）呈成正相关城成立。