李晓静 王志涛

（1.上海交通大学媒体与传播学院 上海 200240）

（2.上海市习近平新时代中国特色社会主义思想研究中心 上海 200031）

党的二十大报告明确提出建设数字中国的战略规划，发展数字乡村乃是重中之重［1］。《数字乡村发展战略纲要》指出，立足新时代国情农情，要将数字乡村作为数字中国建设的重要方面，加快信息化发展［2］。当前，我国正迈入数字化转型的关键期。从实践层面来看，加快农民数字技能培育是推进数字中国建设的重要举措。2021 年，中国社会科学院信息化研究中心发布了一项针对我国乡村居民数字素养的调研报告中提到：“加快数字化发展，要提高全民数字技能，实现信息服务全覆盖。”［3］推进数字乡村建设，有必要从数字技能的角度切入，认识和利用农民群体的内部数字潜能，构建农民群体数字技能评估体系，揭示该群体在数字融入方面存在的具体问题，从而有针对性地为农民群体提供信息及数字技能培训［4］。

近年来，随着国家政策的倾斜，西部地区在基础设施建设、产业经济发展等方面取得了显著成就，与东中部地区的差异逐渐缩小。然而，由于数字经济发展基础薄弱、农民数字文化水平不高，西部地区的整体数字建设进程与东部沿海地区相比仍有较大差距。人力资本支撑不足，政府数字政务能力与资金投入欠缺，西部欠发达地区在数字乡村建设方面挑战大于机遇［5］。为此，应当深入分析问题，寻找东西部地区差异。其中，构建农民群体数字技能量表，是评估当前西部农民数字技能水平、发现东西部差距所在的关键举措，也是数字中国战略下推进数字乡村建设、弥合城乡数字鸿沟的题中之义。

数字技能（Digital Skills）是数字鸿沟第二层“使用沟”的重要组成部分，也被称为“生存技能”或“信息社会的重要资产（Van Deursen）”，是指人们使用数字媒介的能力和水平［6］。它不仅是人们日常学习和生活中的重要能力，也是农民群体适应数字工作要求、加快数字融入的重要条件。现有研究中，关于数字技能的研究多从教育视角出发，集中于成年网民、学生群体数字素养的评估，以农民群体作为测量对象的研究尚付阙如。构建面向农民群体数字技能的评估体系，有望从学理层面弥补我国数字鸿沟研究的不足。

现实层面，党中央提出建设数字中国以来，在推进整体发展的同时，也存在较为明显的城乡发展不均衡，农民的数字素养存在“掉队”风险［7］。在乡村振兴战略规划下，为充分发挥数字技术赋能作用，推动提升全民数字素养，应注重补足短板，整体提升我国西部地区农民群体的数字技能水平，尤其需要对其数字技能展开系统的测量评估。构建专门面向西部地区农民群体的数字技能量表，可从实践层面为数字乡村建设提出具体的应用及治理对策。

综上，本研究将在梳理过往数字技能理论框架和研究方法的基础上，使用随机抽样调查方法，构建我国农民群体数字技能评估体系，并以此进行实证分析。此外，还将从应用层面探讨我国西部数字乡村建设中存在的问题并尝试给出治理对策，以期帮助提升我国农民群体的数字素养，为地方政府开展农民群体的数字技能培育工作提供借鉴。

1 文献综述与研究进展

1.1 数字技能与数字素养

欧盟将数字技能界定为人类终身学习的八项重要技能之一，认为它是数字化时代公民参与社会生活、学习和工作的基本技能［8］。数字技能研究对教育培训、学科发展和政策制定都有着重要的启示作用。

由于数字信息技术发展迅猛，不同发展阶段对使用者的要求不同，数字技能的概念内涵也在不断变化。过去二十年间，数字鸿沟研究者曾提出许多与数字技能（digital skills）相近的概念，包括“信息素养（information literacy）”“数字素养（digital literacy）”“互联网技能（internet skills）”“媒介素养（media literacy）”等。

国际上，数字素养的概念最早由保罗·吉尔斯特（Paul Gilster）在1997 年《数字素养》（Digital Literacy）一书中提出。他将其界定为“一种理解和使用来自各种数字资源的信息的能力”［9］。此后，各大公共组织相继提出了数字技能的概念和框架。联合国教科文组织（UNESCO）为进一步提升公民数字素养、监测世界各国的数字素养教育质量，在2018 年发布了数字素养全球框架，将数字技能定义为“参与经济和社会生活中通过数字技术和联网设备，安全恰当地定义、获取、管理、整合、传播、评估和创建信息的能力”。欧盟（EU）提出的最新版数字技能框架，则将数字技能定义为“合理使用数字技术的能力和信心，包括在信息化时代，拥有使用数字技术的知识、技能和积极的态度”。国内学者也指出，中国城乡儿童之间的接入沟在缩小，包括媒介技术的自主使用、使用多样性等在内的使用沟才是更关键的数字鸿沟，使用动机和兴趣、数字技能等是造成城乡儿童数字鸿沟的核心因素［10］，研究强调了数字技能对城乡数字鸿沟的影响作用。

结合过往文献，本研究将农民群体的数字技能界定为：农民使用电脑、手机等数字设备进行检索、筛查、创造、分享数字信息，并具体应用到生活学习与农业实践当中的能力。开发农民群体数字技能评估量表，对于帮助农民群体共享数字红利、规避数字风险、融入数字进程并加快建设数字乡村，有着重要的战略意义。

1.2 数字技能测评框架

关于数字技能的测量维度与要素，有学者从“数字素养”“信息素养”等概念出发，逐步展开了相关研究。国外对数字技能测评的研究起步较早。1994 年，以色列学者阿尔卡莱（Yoram Eshet-Alkalai）就曾从五个维度对“数字素养”做出界定，提出包括图片-图像素养、再创造素养、分支素养、信息素养、社会-情感素养在内的概念框架［11］。阿尔卡莱在此基础上加入了实时思维能力，强调人们在先进的数字环境中实时处理大量刺激信息的能力，由此构成了数字素养的六大技能框架。恩格（W.Ng）则主要将数字素养划分为三个维度，包括技术维度、认知维度和社会情感维度［12］，这也与欧盟在最新版数字技能研究框架（the DIGCOMP framework 2.2）中的划分方式一致。2022 年，由欧盟提出的公民数字技能框架提出将数字技能纳入技能、社交和态度的研究架构中。欧洲公民数字技能框架同时列举了五方面的数字技能：对信息和数据的基本理解、沟通与合作、数字内容的创新和创造、数字安全与可持续发展、问题解决能力。国内方面，王佑镁等通过分析数字素养的概念流变指出，素养常常包含能力要素，从数字素养（Digital Literacy）到数字能力（Digital Competency），还必须跨域素养与能力之间的概念差异［13］，并将数字技能研究框架划分成了工具性知识与技能、高级知识与技能、应用态度三个方面。

在国内，虽有围绕农民群体数字素养的框架建构评估研究，但专为农民群体开发的数字技能量表较为鲜见且存在不足。苏岚岚和彭艳玲将农民群体数字素养的测量分为“数字化通用素养”“数字化社交素养”“数字化创意素养”与“数字化安全素养”等四个维度［14］，该体系设计过程缺乏理论基础。方伟和向川子从经济、政治、文化、社会、生态这五个视角出发，对雄安新区的农村居民进行了抽样调查，以了解农民群体的数字素养现状［15］，但在框架设计过程中未能围绕农民群体的数字设备使用需求、技能特性展开针对性研究。武小龙和王涵基于胜任素质理论，依托冰山模型与洋葱模型，从基础知识、专业技能、个体特质、意识态度维度构建农民数字素养框架体系，但层级简单，相应维度未设二级指标［16］。类似研究一方面缺乏框架设计的理论基础，另一方面均只停留在理论讨论层面，尚未开展实地调查，其适用性与有效性有待验证。

既有研究对农民群体数字技能的分析尚有大量可深入拓展的学术空间。一方面，有关农民群体数字素养与技能的评估体系研究有待完善，尚缺乏一个能被认可接受、泛用性高的量表。开发并验证农民群体数字技能量表，能够助力政府为推动农村数字化制定合理的资源配置和数字培训政策；另一方面，当前有关农村地区和农民数字技能的评估体系研究仍然以理论探讨为主，将研究所得投入量表评估及应用、具体检视农民数字技能问题的实证研究十分稀缺。

研究采用定量与定性结合的方法，对农民群体数字技能展开测量评估，包含以下目的：（1）明确农民群体数字技能的定义；（2）设计数字技能的测量结构和二级指标；（3）通过实地应用与数据分析，验证农民群体数字技能量表的有效性。具体而言，以农民群体为研究对象，基于深度访谈、随机抽样问卷调查与数据分析，对构建的农民群体数字技能量表（DiSSF）展开实践应用，进而检验该量表的科学性与可靠性。

1.3 数字乡村背景下农民群体数字技能研究

2019 年5 月16 日，《数字乡村发展战略纲要》明确提出，要实施数字乡村战略，做好整体规划设计，加快农村地区宽带网络，开发适应“三农”特点的信息技术、产品、应用和服务，推动远程医疗、远程教育等应用普及，弥合城乡数字鸿沟。2022 年《中国数字乡村发展报告》显示，当前我国数字乡村建设已取得阶段性胜利，具体表现在乡村数字基础设施建设加快推进、智慧农业建设快速起步、乡村数字经济新业态和新模式不断涌现等八个方面［17］。对我国农民而言，随着数字化服务向农村地区的延伸，数字技能不仅是日常学习和生活的重要能力，也是农民群体适应数字工作要求、加快数字融入的重要条件。

信息化时代，数字技术的更迭既增加了农民数字融入的可能，也带来城乡数字鸿沟进一步加剧的风险。数字乡村战略背景下，开展农民群体数字技能研究是发挥数字技术赋能作用，推动提高全民数字素养的关键举措。构建农民群体数字技能量表，是评估当前西部农民数字技能水平、发现东西部差距所在的关键举措，也是数字中国战略下推进数字乡村建设、弥合城乡数字鸿沟的题中之义。

在构建农民数字技能量表及二级维度设计过程中，尤其要关注农民群体职业相关数字技能。联合国教科文组织（UNESCO）在2018 年发布的数字素养全球框架（Digital Literacy Global Framework）中，在欧盟数字素养框架基础上，补充增加了“职业相关域数字技能”（Career-related digital skills），指“专业生产过程中识别需求和发现问题、解决数字环境中的概念性问题，使用数字工具创新流程和产品，并跟上数字发展步伐的能力”［18］。对职业相关技能的补充进一步增强了数字素养框架的实践性和操作性。未来，在农民群体的职业化教育、新型职业农民培育中，对农民群体职业相关数字技能的培训都将会是重要的培训内容。

2 数字乡村战略下农民群体数字技能评估量表构建

2.1 测量维度与量表编制

2.1.1 数字使用惯习：马斯洛需求理论

1943 年，美国社会心理学家亚伯拉罕·马斯洛在《人类激励理论》中首次提出需求层次理论，将人类需求从低至高划分为生理、安全、归属与爱、尊重和自我实现需求［19］。该理论目前已在教育学、社会学、新闻传播学等多学科的个体动机研究中取得了广泛应用。立足数字环境，研究试图以农民群体接触和数字设备使用的需求动机为切入点，划分农民群体数字技能的不同维度。

为了使量表更好地契合农民群体数字技术使用惯习，使测量维度与题项设计更适应本土，研究人员先进入“李家庄村微信群”“甘肃甜瓜种植农业培训能力提升”等微信群开展了三个月的线上观察，这些微信群以甘肃本地农民为主，群成员以农业种植、瓜果虫害防治、栽培技术、果蔬产品销售等为主要讨论话题。

将潜水观察与质性访谈的研究发现进行整理后，根据马斯洛需求理论，可以将农民群体的数字技能按照基础生存-追求安全-寻求爱与归属-受到尊重-实现个人价值等不同层次的需求，分别对应农民群体的数字操作技能、信息技能；社交技能、安全技能；创新技能、问题解决与职业相关技能等。这启发研究者在设计农民数字技能量表及其二级指标过程中采取渐进式思维逻辑，围绕农民群体数字设备使用与数字技术学习的不同层次需求进行初始题项设计。

2.1.2 量表设计依据：国际数字技能框架

在实际构建农民群体数字技能量表（Digital Skills Scale for Farmers，DiSSF）中，首先摘录、翻译了现有的成熟量表作为初步量表题库。在编制过程中同时结合了欧盟（EU）发布的公民数字技能研究框架（DigComp 2.2，2022）与联合国教科文组织（UNSECO）提出的全球数字素养框架（Digital Literacy Global Framework，2018）。2018 年，联合国教科文组织在欧盟2016 年提出的公民数字技能框架（Dig-Comp 2.0）基础上补充引入了操作技能与职业相关技能，最终形成了包含7 维度26 题项的全球数字素养框架（DLGF），该量表是现有研究中较为成熟、完善的研究框架，是制作预量表题库的可靠模板；其次，对原版框架中的英文问题进行中文翻译编，同时对其中部分问题进行了本土化调整或精简。如将原题中“我知道不是所有网络信息都是真实的”，简化为“我知道网络中存在虚假信息”，从而使题项更好适应本土研究。需要说明的是，现有的研究框架中缺乏对“问题解决技能”与“职业相关技能”的场景化的测量题项描述。对于农民群体的职业相关技能，研究人员参考了中央一号文件对“新农人”的培育要求，完成了题项设计。由此创新性地构建出农民群体“问题解决技能”与“职业相关技能”，结合前期访谈中有关“农业生产”“数字乡村建设”“数字增收”等话题设计了相应场景化测量题，最终共整理出包括7 个维度的45 个题项，由此形成了预量表题库（见表1）。

表1 农民群体数字技能预量表原始题项

2.1.3 量表结构：农民数字技能框架构成

在参考欧盟、联合国教科文组织、美国国际教育协会等国际组织的研究后，构建出包括操作技能（operational skills）、信息技能（information skills）、社交技能（social skills）、创新技能（creative skills）、安全技能（safety skills）、问 题 解 决 技 能（problem-solving skills）、职业相关技能（career-related skills）在内的七维度农民群体数字技能量表（DiSSF）。

其中，操作技能指对设备的使用熟练程度和完成基础的软硬件操作的能力。信息技能指搜集、识别、判断、理解信息和数据的能力。社交技能指利用媒介与他人开展沟通合作、社会交往的能力。创新技能指数字内容的创新创造能力。安全技能指数字安全意识和个人隐私保护能力。问题解决技能指使用网络知识与数字技术解决实际生活、工作问题的能力。职业相关技能指在专业工作领域内利用数字技术、数字工具提高自身专业生产质量的能力（在本研究中，农民群体的职业相关技能特指利用数字技术提高农业生产水平、实现数字增收的能力）。

对于量表题项的表述，研究人员在问卷中提供了李克特五级选项供受访者选择，包括“完全不符合-比较不符合-不一定-比较符合-完全符合”［30］，要求其逐题选出最符合自身实际情况的选项。初始问卷（DiSSF 1.0）含有55 个题项，除了对应不同技能维度的题项之外，还包括关于智能手机、电脑等数字设备的拥有，数字媒介接触渠道、接触时长与使用动机等问题。随后，研究人员在“李家庄村微信群”“甘肃甜瓜种植农业培训能力提升”群内发布了受访者招募通知，结合问卷填写结果与线上观察，邀请了八名农民受访者参与小组访谈。访谈主要对DiSSF 1.0 包含的维度与题项进行了讨论，同时引导受访者彼此开放式对谈，为补充引入其他技能维度提供思路。结合访谈结果，对初始量表中的部分题项进行调整，形成了DiSSF 2.0 版本。

在问卷正式投放前，研究人员随机邀请了20 位农民进行了问卷预填写，确保不同背景和知识水平的受试者都能理解问卷中的表述。根据预填写结果，研究者对部分题项的措辞进行了调整。如将“我会使用一些简单的技术进行多媒体内容的输出”，修改为“我会使用一些简单的技术创造出包含图片、文字、声音在内的电子作品”，以便受试者能更好地理解题项中“多媒体”这一概念。由此，最终形成了DiSSF 3.0 版本并正式实施问卷调查。

2.2 数据来源与抽样方法

本文选择甘肃省作为调研地区。甘肃地处我国西北，农民群体分布广泛，数字技能在全国范围内处于落后水平［31］。通过对甘肃省农民群体的数字技能进行测量，能更全面地发现农民群体在数字技术使用中存在的问题，挖掘农民群体数字技能短板。

综合考虑农村信息化水平、经济发展水平、问卷投放便利性等因素，选取兰州市榆中县、兰州市皋兰县、金昌市永昌县、白银市会宁县、白银市靖远县、酒泉市玉门市、张掖市高台县、平凉市庄浪县等八地开展分层随机抽样。前期观察结果显示，以上市县的农村居民表现出了更高的数字技能需求，以新型职业农民为代表的“新农人”数量规模更大。其中，酒泉市玉门市、张掖市高台县、兰州市皋兰县三地于2020年获批成为全国首批数字乡村试点地区。

在以上市县的各1-2 个村镇中随机邀请15-20个农户进行问卷填写。本阶段调研共发放256 份问卷，覆盖6 市8 县（区）12 个乡镇（村落）。在数据清洗后，最终回收有效问卷220 份，有效回收率为87.7%，此作为样本A 用于量表的探索性因子分析（EFA）。为了提高量表的稳定性及外部效度，将优化得到的DiSSF 4.0 再次在问卷星、甘肃农民报网页端等平台投放，第二次回收有效问卷428 份，作为样本B 用于量表的验证性因子分析（CFA）。

2.3 维度及指标选取：探索性因子分析

（1）信度检验。在对样本A 完成数据清洗后，对数据执行EFA，首先进行量表的信度检验。分析结果显示，量表的KMO 值为0.865，巴特利球形检验（Barlett）达到显著性水平（p＜0.0001），适合开展探索性因子分析（Field，2013）。

（2）分析步骤与方差解释。采用最大似然法执行Promax 正交旋转，提取出特征值大于1 的因子共7 个，累计方差解释率为73.372%。首次EFA 结果显示，因子萃取数量与因子题项结构均符合预期。这表明，前期的抽样过程是严谨的，数据表现良好。

为了最大程度区分数字技能的不同维度，本研究采用变轴旋转法形成了旋转后的因子矩阵，采用最大似然法展开因子萃取，输出最大方差旋转后的结果。从既有研究中得知，数字技能的不同维度彼此相关［32］，研究者预计一些题项的定位是模糊的，可能存在部分题项在一个以上的因子上载荷较高。

（3）题项优化与因子解决方案。为进一步提高量表信度，需要删除量表中因子载荷较低的题项。根据特征值超过1 的因子数量、因子累计解释方差的百分比与各题项因子载荷来确定因子解决方案。因子载荷达到0.5 被认为是将题项纳入某个因子维度下的显著标准（Field，2013），本研究在执行了EFA 后综合采取了三步，以确定量表保留哪些题项：

首先，依据因子载荷逐一比对，删除因子载荷（λ）小于0.5 的题项；其次，删除负载因子含混不清的题项（如落在不同因子下的题项）；最后，如果因子载荷差异不大于0.2，则删除负载超过0.5 的多个因子的交叉加载项。

在删除部分题项后，重新对量表执行了第二次EFA。结果显示，因子维度结构发生改变，“操作技能”与“信息技能”维度下存在部分题项交叉载荷较高，“安全技能”维度下部分题项因子载荷较低，且仅提取出了五维结构。基于此，选择强制执行七维度萃取，最终得到的量表结构符合预期，共提取出七个特征值大于1 的因子（见表2）。因子分析解释了79.667%的方差变异（SD=2503.832，Df=351，p＜0.0001）。

表2 探索性因子分析结果

在EFA 的基础上，通过因子载荷（λ）、可靠性（信度系数λ2）和内部一致性信度（α）分析，可以确定农民群体数字技能的七大维度。结合理论基础与前人研究，为提取出的七个因子分别命名为“操作技能（operational skills）”“信息技能（information skills）”“社交技能（social skills）”“创新技能（creative skills）”“安全技能（safety skills）”“问题解决技能（problemsolving skills）”与“职业相关技能（career-related skills）”，结合研究内容，末者后被命名为“数字农业增收技能（digital farming income-increasing skills）”。

除前五项技能外，“问题解决技能”与“职业相关技能”这两个维度尚未在国内得到数据验证，针对农民群体的数字技能量表也暂未涉及，这是本文提出的创新性维度。七个维度的Cronbach’s alpha 值分布在0.822 和0.955 之间，量表总体信度较高，适合开展验证性因子分析（CFA）。

2.4 维度及指标确认：验证性因子分析

将执行EFA 后的量表进行了平台的二次规模化投放，经过数据清洗得到样本B，对样本B 执行了CFA，以确保量表的结构性和稳定性。同时，也对样本B 执行了收敛效度、区分效度和外部效度检验，从而验证该量表模型在不同群组间的测量等价性，确保该模型可用来解释调查的总体数据。

2.4.1 结构效度检验

对样本B 进行了结构效度、收敛效度和区分效度的计算检验。根据CFA 结果拆分出不同的测量模型。由于“社交技能”“操作技能”和“安全技能”仅含有3 个题项，无法执行模型拟合，因此仅对其余四项技能展开验证性因子分析。对构建的四个测量模型分别展开路径系数（因子载荷）分析与SMC 检验，检验结果显示，“信息技能”“创新技能”“问题解决技能”与“数字农业增收技能”各模型路径系数均大于0.6，SMC 值大于0.36，此时再将各测量模型整合为结构模型并重新执行CFA。

结构模型的初次CFA 拟合结果较差，绝对匹配指标中，卡方Chi-square = 701.755，CHi/Df=2.347，GFI=0.659，AGFI=0.569；近似均方根误差RMSEA=0.127，标准化均方根残差SRMR=0.678；比较适度指标NFI=0.753，IFI=0.841，CFI=0.838。根据模型拟合指数提供的调整意见，研究者调整了属于同一因素的残差项，以提高模型的精确度。

依据模型修正意见，删去题项A2、C6、J3 将显著降低卡方值（越小越好），因此将这三个题项删去并重新执行了CFA。

2.4.2 收敛效度与区分效度检验

为了检验收敛效度与区分效度，在AMOS输出的基础上分别计算了各维度组合信度CR、平均变异数萃取量AVE 和最大共享变异MSV。计算结果显示，各维度组合信度CR 均大于0.7，收敛效度AVE均大于0.5，量表表现了出良好的收敛性。

为了检验量表的区分效度，对数字技能七个维度的MSV 值（每对维度间的相关性）分别计算，并与各维度AVE 开方根后的数值进行比较，由此得到了因子间相关性MSV 与AVE 平方根（见表3）。结果显示，每个维度的AVE 的平方根数值都大于每对维度间相关性MSV，七个维度的MSV 都低于AVE 值，这表明量表具有较好的区分效度。

表3 每对维度间相关性MSV 和AVE 值比较结果

重新在AMOS 中进行模型拟合，修改后的测量模型结果显示出了良好的适配度（整体拟合指标结果见表4）。拟合结果显示，CMIN/DF 值为1.506，小于3，适配良好；近似均方根误差RMSEA 为0.072，小于0.08，可接受；标准化残差均方和平方根SRMR 为0.0476，小于0.05，结果适配良好；拟合优度指数GFI值为0.817，大于0.8，可接受；相对拟合指数NFI 值为0.865，大于0.8，可接受；比较拟合指数CFI 值为0.949，大于0.9，结果适配良好。综合来看，农民数字技能量表（DiSSF）的整体模型适配度良好。

表4 修改后的模型拟合结果

3 DiSSF 在我国西部农村地区的应用

在完成DiSSF 构建后，对样本B 展开数据分析，用于检视我国西部农村地区农民群体数字技能的发展水平。首先围绕人口统计学变量对西部农民的整体数字技能展开分析，检视年龄、受教育水平对农民数字技能表现的影响。此外，为了进一步检视在乡村振兴背景下推行的新型职业农民培育工程建设效果，本研究引入了“是否为新农人”的问项，并将具体分析传统农民与“新农人”在不同数字技能维度上的差异。

3.1 西部地区农民的整体数字技能表现

为了检验年龄和受教育水平对农民数字技能的影响，本文对样本执行单因素方差分析。先分别在不同年龄和受教育水平下对各维度数字技能执行方差齐性检验，再分别对各组间显著性水平进行比较。以受教育水平为例，分析受教育水平对农民数字农业增收技能影响的单因素方差结果（见表5），对其它自变量、因变量之间也进行多重比较。

方差分析结果显示，当自变量设置为年龄时，年龄组2（31 岁-40 岁）的操作技能、信息技能、创新技能、安全技能和问题解决技能均显著高于年龄组4（51 周岁及以上）；当自变量设置为受教育水平时，学历组4（本科及以上）的操作技能、创新技能、安全技能和问题解决技能均显著高于学历组1（初中及以下）。

这说明农民群体的数字技能水平会受到年龄和受教育水平因素的影响，进一步分析显示：中青年组（18 岁-40 岁）及高学历组（本科及以上）的数字技能水平最高，农民群体数字技能水平与学历呈正相关。这与过往研究结论一致，体现了教育和职业培训在提升农民群体数字技能水平中的重要意义。综合独立样本T 检验与单因素方差分析结果，量表整体表现出了良好的外部有效性。

3.2 传统农民与“新农人”数字技能表现差异

为了分析“性别”与“是否为新农人”对农民数字技能水平的影响，研究者对样本执行了独立样本T检验。结果显示，不同性别的农民在数字技能各维度的表现均无显著性差异（p＞0.05）；与传统农民相比，“新农人”在“信息技能”“社交技能”“安全技能”和“数字农业增收技能”方面表现更好（p＜0.05）；而在“操作技能”“创新技能”和“问题解决技能”方面，两者没有显著性差异（p＞0.05）。

独立样本T 检验结果显示，“新农人”与传统农民的表现差异包括数字信息技能、数字安全技能与数字农业增收技能三项。“新农人”的信息技能（M=17.06，SD=3.61）显著高于传统农民（M=15.31，SD=4.32）；安全技能（M=12.42，SD=2.48）显著高于传统农民（M=10.63，SD=3.55）；数字农业增收技能（M=15.82，SD=3.80）显著高于传统农民（M=12.98，SD=4.94）。在数字农业增收技能方面，两者差异最为显著。这一结果体现了我国的“新农人”培育政策在农民群体数字技能提升方面取得的效果。掌握了数字技术的“新农人”，在数字信息、网络社交、数字安全、农业增收等技能方面都高于传统农民。两者间的差异也进一步体现了在西部农村推广数字技能培训、加快“新农人”培育的重要性。

4 研究总结

本研究基于在甘肃省6 市8 县（区）12 乡镇（村落）开展的分层随机抽样调查数据，在国内首次构建了包括“操作技能”“信息技能”“社交技能”“创新技能”“安全技能”“问题解决技能”和“数字农业增收技能”等七维度在内的农民数字技能评估量表（DiSSF）。研究结果表明：当前我国西部地区农民的数字技能整体水平较弱，传统农民的“信息技能”“社交技能”“安全技能”和“数字农业增收技能”显著低于掌握了数字技术生产的新型职业农民，加快提升农民数字素养与技能，是未来我国数字乡村建设和乡村振兴的重要方向。

4.1 DiSSF 构建结果与贡献

本研究结合农民群体的数字使用与需求，梳理国内外理论梳理及前期质性研究发现，开发并验证了专门面向农民群体的数字技能量表（DiSSF）。回顾整个研究过程，研究人员主要采取了“四步法”以实现研究目标：

第一步，参考相关文献与国际组织的研究，在借鉴范迪克（Van Dijk），范德森（Van Deursen）等的研究［21-22，32-33］、马 斯 洛 需 求 理 论［19］与 联 合 国 教 科 文 组 织提 出 的 数 字 技 能体系框 架（DLGF，2018）［28］的 基 础上，完成了初始测量工具的开发编制。

第二步，研究人员遵循分层抽样的原则，进入甘肃省6 市8 县（区）12 个乡镇（村落）的共计15 个微信群，展开了为期3 个月的线上潜水式观察。期间研究人员根据观察到的成员发言情况，邀请了8 位农民个体接受半结构访谈并组织这8 位农民展开线上焦点小组访谈。结合访谈结果，研究人员对初始量表进行了结构性调整。

第三步，正式投放问卷前，随机邀请了20 位农民进行问卷预填写，完善了题项表述，确保题项内容无歧义后进行了第一阶段的问卷投放，在15 个微信群中各随机邀请10 名-20 名群成员参与问卷填写形成样本A，对样本A 执行探索性因子分析，确认了数字技能量表的七维度，并删除了部分题项以提高量表信度。

第四步，借助外部平台完成了第二阶段的问卷规模化投放，对样本B 执行了验证性因子分析，借助AMOS 结构方程模型分别验证了量表的结构效度、收敛效度与区分效度，调整后的量表模型从数值上表现出了良好的拟合度，说明量表具有较高的稳定性与外部效度。最终得到了一个兼具测量有效性和可靠性的农民群体数字技能量表（DiSSF），包含7 个数字技能维度（14 个子维度）及24 个题项（见表6）。

过往鲜有研究结合国内外理论框架实证开发、建构并验证、应用针对农民群体的数字技能量表，本研究弥补了这一不足；验证了“信息技能”应单独作为一项数字技能在量表结构中加载。过往研究中，“信息技能”常被合并至“操作技能”维度下。然而已有有研究表明，信息技能是数字技能的重要内容，应单独被设置为一个构面［33］。本研究经过因子旋转成功萃取出独立的“信息技能”因子，因子载荷和信度表现良好，得到的量表结构更加贴合测量农民数字技能的实际；第三，本研究提炼出“数字农业增收技能”维度，这是本研究的重要创新发现。在设计预量表时，参考中国社会科学院信息中心发布的《中国乡村数字素养调查分析报告》与中央一号文件对“新型职业农民”的培育要求，结合前期定性研究结果，具体设计了“职业相关技能”的测量题项。在实际验证的过程中，该维度的题项表现出良好的可靠性和有效性，因子载荷值与内部收敛效度在所有维度中是最高的。这体现出在DiSSF 中引入“职业相关技能”并展开具体测量的必要性。

4.2 提升农民群体数字技能的对策建议

研究发现，上述七维数字技能存在“浅层外显”与“深层内隐”的结构关系［34］。“浅层外显”能力主要包括基础层与应用层数字技能，前者包括操作技能、信息技能，强调农民群体对数字技术的基础运用和对数字设备的操控能力；后者包括问题解决技能、数字农业增收技能，指农民群体将数字技术运用到实际生活与农业生产中解决现实问题、实现数字创收的能力。“深层内隐”层面的价值维度包括数字创新技能、安全技能，泛指农民群体在数字使用过程中体现的数字伦理道德、安全意识与创新能力等。

DiSSF 应用结果显示，农民群体的信息技能、数字农业增收技能、数字安全技能这几项得分较低，是未来乡村地区开展数字技能培育工作的重点方向。

4.2.1 基础层：提升信息技能操作应用能力

信息是数字时代重要的资源和财富，当前城乡经济发展的“马太效应”带来了信息基础设施建设与数字基础应用能力的“马太效应”［35］。当前，我国城乡地区的数字设备接入差距已经逐渐缩小，但农村地区居民的信息素养水平相对较低，具体表现为信息获取的渠道和形式较为单一、信息搜集筛查能力弱、智能设备使用熟悉程度低等。提升农民群体数字操作能力，帮助农民群体在基础层面缩小与城市居民的差距，获取数字资源，享受信息时代的数字红利。

4.2.2 应用层：引导乡村农民数字农业增收

数字技术的发展对传统农业生产效益的提升作用显著。本研究围绕农民群体利用数字技术开展农业生产、农业增收的技能水平展开了专项测量，并将相应题项归入“数字农业增收技能”。应用结果显示，西部地区农民在该维度上得分较低。

当前，我国智慧农业建设快速进步。数字育种探索起步，智能农机装备研发应用取得重要进展，智慧大田农场建设多点突破，畜禽养殖数字化与规模化、标准化同步推进，数字技术支撑的多种渔业养殖模式相继投入生产。提升乡村及农民群体的数字农业增收技能，才能更好帮助其实现从技能学习到生产增收的效益转换，更好助力数字乡村的建设与长远收益。

4.2.3 价值层：加强农民群体数字安全教育

数字信息时代，网络信息纷繁复杂，农民群体由于受教育水平较低，对于网络上的复杂信息辨识能力较低。同时，近年来针对农村地区老年群体的电信诈骗、网络传销案件层出不穷。农民群体由于数据隐私素养较低，会引发一系列网络风险。因此，乡村基层政府需要重视农民群体的数字安全教育，切实帮助他们规避各类网络风险。

此外，对我国农村地区新型职业农民的培育而言，尤其要关注培育并提升其职业素养和数字技能。培育具有高数字技能、懂管理善经营的“数字新农人”［36］，进而激发我国数字乡村建设的内生活力。提升“新农人”的职业相关数字技能，对于提升农民综合素质和技能，推动数字乡村建设都将起到关键作用。