大学生网络学习行为模型与实证研究

【摘 要】 网络已成为当代大学生学习生活的重要组成部分，网络学习行为正不断渗透到大学生的日常学习生活中，关于网络学习行为的研究也引起了很多学者的关注。本文首先对国内外有关网络学习行为研究的现状进行了分析；然后基于理理论，从技术接受视角构建了资源因素及技术因素对大学生网络学习态度和行为意图影响的研究模型；最后采用SPSS与Amos相结合的统计方法，通过网络调查收集数据，对研究模型进行了实证分析，测量了模型的解释能力。研究表明，资源来源和资源内容与系统有用性正相关，资源形式和任务特征与系统易用性正相关，系统有用性与系统易用性与学习态度正相关，学习态度与学习行为正相关。

【关键词】 技术接受模型；大学生；网络学习行为

【中图分类号】 G640 【文献标识码】 A 【文章编号】 1009—458x（2013）05—0059—05

一、引言

经过十多年的发展，互联网产业正越来越深刻地影响着我国的政治、经济、文化乃至每个人的生活。当代大学生是最早接受互联网的群体之一，受互联网的影响较大。据第30次CNNIC统计数据显示，截至2012年6月底，中国网民数量达到5.38亿，互联网普及率为39.9%。通过手机接入互联网的网民数量达到3.88亿，相比台式电脑的3.80亿，手机已成为我国网民的第一大上网终端。网民职业中，学生占比为28.6%，远远高于其他群体，其中，大专及以上学历人群中互联网使用率基本饱和[1]。在各类互联网应用中，即时通信多年来始终是中国网民第一大应用。搜索引擎、网络音乐、网络新闻在网络应用中所占的比例也居于前列。随着网络应用的不断拓展，各类高校及相关部门正在不断推出内容丰富、形式多样的网络学习资源，如中国大学视频公开课、高等学校精品课程等。倡导大学生有效开展网络学习，推进教育信息化纵深发展，是目前高等教育改革与发展的方向之一。在网络学习条件不断完善、网络学习资源日趋丰富的大背景下，大学生网络学习行为正在引起学者们的高度重视，如在专业问卷调查网站——“问卷星”平台上，以“大学生”及“网络学习”为关键词可以检索到150份调查问卷（最后检索时间：2012年11月28日），一些学者开始用实证方法研究大学生网络学习行为的影响因素、有效性等[2]。

目前，关于网络学习行为的研究模型中，技术接受模型（Technology Acceptance Model，简称TAM）是认可度较高的理论模型之一。技术接受模型是Davis在1989年运用理理论研究用户对信息系统接受度时提出的一个模型[3]。后来又经过多位学者的完善，形成了现在应用最为广泛的技术接受模型（如图1所示） 。技术接受模型提出了两个主要的决定性因素：第一，感知有用性，反映一个人对使用某一具体系统来提高他的工作业绩的认可程度；第二，感知易用性，反映一个人对使用某个具体系统所认为的容易度。根据技术接受模型，外部变量影响感知有用性和感知易用性，而感知有用性和感知易用性决定系统使用者的行为态度，行为态度决定行为意图，行为意图最终决定用户对系统的使用。

二、相关研究

近年来国内外学者关于“网络学习”及“大学生网络学习”的研究不断深入。以CNKI检索结果为例（最后检索时间为2012年11月28日），近十年国内以“网络学习”、“大学生网络学习”及“技术接受、网络学习”为关键词的学术论文数量呈逐年递增趋势，详见图2。国内学者关于网络学习行为的研究主要集中在网络学习行为的内涵、影响因素、特征、模式及评价等方面。

国内学者对网络学习行为的涵义有着不同的看法，卢如荣总结了国内学者对网络学习行为概念的理解，认为网络学习行为是指学习者在现代信息技术背景下，在具有强大学习平台、丰富学习资源和便捷沟通工具的互联网环境中，为满足一定的学习目标而开展的远程自主学习行为，学习者在整个学习过程中具有自，但时刻得到教师或专家的帮助、引导与纠正。[5]

国内学者关于网络学习行为模型的实证研究开始起步，并形成了初步的研究成果。如杨丽娜等从信息技术采纳视角出发，以计划行为理论、理理论和技术接受模型为理论框架，主要从心理、技术和资源等方面建立了网络学习行为模型，并采用结构方程的统计方法，从实证角度分析了网络学习者学习行为发生的影响因素。[6] 李玉斌以计划行为理论为指导，构建了包含9个潜在变量的网络学习行为模型（USEBM），并测量了该模型的解释能力。[2]但从整体来看，关于大学生网络学习行为的研究还处于起步探索阶段，基于技术接受模型的研究还需要从多角度、多层面不断深入探索。

国外学者关于网络学习的研究早于国内相关研究，研究深度和广度也在不断提升。与“网络学习”一词对应的英文术语有多种，以对EBSCOHOST学生研究中心检索结果为例（最后检索时间为2012年12月6日），将“网络学习”以“e-learning”表述的文章有1731篇，以“network learning” 表述的文章有3771篇，以“web-based learning”表述的文章有354篇。Webster和Hackley在1997年提出了一个基于技术的网络学习结果概念模型，认为影响学习者参与网络学习结果的因素有7种，分别是：学习参与度、认知参与度、自我效能感、技术认可度、技术有效性、网络学习态度、产生优越感[7]。Hannafin等在2003年提出了一个更为完善的网络学习行为研究框架，包括学习者——学习因素、领域——任务因素、教师——教学因素、社区——交流因素、组织——安排因素、评价因素等六个方面[8]。

三、实证分析

1. 模型构建与研究假设

随着大数据时代的来临、网络环境的不断优化以及大学生信息素养的逐渐提升，系统易用性与系统有用性的内涵正在不断丰富，大学生网络学习行为过程中对学习资源的要求也在不断提高。内容丰富、来源可靠、形式多样、任务驱动的网络学习资源是吸引大学生参与网络学习的重要影响因素，也是提高网络学习用户黏性的关键要素。基于此，以理理论和技术接受模型为理论框架，本研究提出如下理论假设，即：大学生网络学习过程中，系统易用性受到资源形式与任务特征的影响，系统有用性受到资源内容与资源来源的影响，系统有用性及系统易用性同时影响学习者的学习态度，学习者的学习态度影响学习者的行为意图。当然研究不排除其他因素对大学生网络学习行为的影响，如杨丽娜等[9]提出的心理因素的影响。本研究侧重于从资源及技术角度探讨大学生网络学习行为的影响因素。研究假设模型如图3所示。

该研究模型重点研究和测量资源因素中的资源内容、资源来源、资源形式和任务特征，以及技术因素中的系统易用性和系统有用性共6个变量对网络学习态度和行为意图的影响。研究假设认为，丰富的网络学习资源和安全可靠的资源来源可以增强系统的有用性，多样化的资源形式和具有激励性的任务特征能够提升系统的易用性，系统的易用性和有用性同时又正向影响网络学习者的学习态度，使得网络学习者保持较为长久的网络学习热情和学习动力，进而促进大学生网络学习行为的发生并取得良好的学习效果。在网络学习环境中，资源因素主要表现为学习者对学习资源的认可度，学习资源与用户需求的一致性越高，学习者就越会产生积极的学习态度；技术因素主要表现为学习者对系统易用性及系统有用性的采纳态度，学习系统的易用性和有用性越接近学习者的需求，学习者的学习态度就越积极，积极的学习态度会直接影响学习者的网络学习行为意图，行为意图主要从网络学习及信息分享意愿来测量。基于上述分析，提出本研究的研究假设，如下：

H1：网络学习资源的内容正向影响系统有用性；

H2：网络学习资源的来源正向影响系统有用性；

H3：网络学习资源的形式正向影响系统易用性；

H4：网络学习资源的任务特征正向影响系统易用性；

H5：网络学习系统的易用性正向影响网络学习者的学习态度；

H6：网络学习系统的有用性正向影响网络学习者的学习态度；

H7：网络学习态度正向影响网络学习者的学习行为意图。

需要说明的是，以上研究假设中的H5、H6、H7与杨丽娜等[10]的研究假设一致，本研究将以上假设进行重复验证的原因有二：一是杨丽娜等的研究收稿日期为2011年1月，而近两年来网络技术及网络资源本身得到了极大的发展，因此，网络学习系统的易用性及有用性对学习者学习态度的影响、学习态度对学习行为意图的影响可能会随着网络资源及网络环境的改变而有所变化；二是杨丽娜等的研究调查样本为天津科技大学与天津外国语大学两所高校的在校大学生，样本具有一定的地域性，而本次调查在专业问卷调查平台上开展，样本在一定程度上突破了地域限制，可以对已有研究进行进一步的验证。

2. 模型构件的操作化

为了检验研究假设并测量模型的解释能力，研究对初始模型的理论构件进行了操作化处理，将模型中的理论构件由不能直接测量的潜变量转化为测量变量。测量项目主要来源于两个方面：一是参考相关文献的测量项目，二是按照本研究目的新增的测量项目。模型构件操作化处理结果见表1。

3. 研究设计与数据收集

为了验证本研究提出的大学生网络学习行为模型，研究采用网络调查问卷的方式进行数据收集。采用网络调查问卷的方式开展调查，主要原因在于相较传统调查而言，网络调查在成本、速度、跨越时空、弹性、多媒体、精确性、固定样本等方面具有优 势[14]。本次网络调查借助专业问卷调查平台开展，调查时间为2012年11月28日到2012年12月7日。问卷采用Likert五点量表测量法，1表示很不符合，2表示不符合，3表示一般，4表示符合，5表示很符合。本次调查活动的调查对象主要为普通高校在校大学生，根据样本IP地址记录显示，调查样本主要来自浙江和北京地区。调查共回收有效问卷302份，其中男生占33.1%，女生占66.9%；大一年级学生占8.9%，大二年级学生占50.7%，大三年级学生占11.9%，大四年级学生占23.2%，其他占5.3%。调查样本每周参与网络学习的时间及上网所使用的工具情况如图4、图5所示。

本研究采用SPSS软件计算的Cronbach α系数来测量问卷信度，计算公式为：

Cronbach α值大于等于0.70时，属于高信度；Cronbach α值大于等于0.35而小于0.70时，属于尚可；Cronbach α值小于0.35为低信度 [15]。本研究测量问卷的信度检验结果如表2所示。

由表2可以看到，8个分量表的Cronbach α系数均在0.70以上，总量表的Cronbach α系数为0.938，表示本研究所使用的数据量表具有较好的信度。

4. 模型测量与分析

本研究采用Amos17.0对大学生网络学习行为建立结构方程模型，并进行检验。Amos是一种处理结构方程模型的软件，比单独使用因子分析或回归分析能获得更精确、更丰富的综合分析结果，受到很多学者的认可。在模型拟合度（goodness-of-fit）评估方面，若模型拟合度越高，则代表模型可用性越高，参数估计越具有意义。不少学者以卡方统计量进行检验，但卡方统计量容易受到样本大小的影响，因此本研究没有采用卡方统计量进行检验。在本研究中，参照国际通行评价标准，采用模型拟合优度指数（GFI）、调整后的拟合优度指数（AGFI）、近似误差均方根（RMSEA）、标准拟合指数（NFI）、比较拟合指数（CFI）、修正拟合指数（IFI）这六个测量指标验证模型。表3为假设模型拟合结果。

以上测量指标度量的只是本假设模型对样本数据总的拟合程度的检验，实际上没有任何一个测量指标可以完全判定模型的质量。因此，在评价模型时，应将多个测量指标综合起来考虑，并与模型的理论分析有效结合，才能更好地解释模型的整体质量。由表3给出的模型拟合结果可以看出，本研究提出的假设模型基本正确。

5. 模型检验

在结构方程建模过程中，临界比例（Critical Ratio，简称C.R.）是判断回归系数是否显著差异于零的标准。当|C.R.|>=1.96，回归系数值即可认为是显著差异于零。本研究采用Amos17.0分析得出的参数估计值验证各变量间的因果关系，并检验研究假设是否成立。表4给出了本研究模型的参数估计值。

以上回归结果表明，资源来源和资源内容与系统有用性正相关，资源形式和任务特征与系统易用性正相关，系统有用性和系统易用性与学习态度正相关，学习态度与学习行为正相关。路径系数的估计值表明，在研究模型的潜在变量中确实存在一定的因果关系。这说明，技术接受模型用于分析大学生网络学习行为较为合理。大学生网络学习态度与行为意图受到技术因素的影响，而在大数据时代到来的今天，技术因素又受到网络学习资源的影响，影响的强度可以通过路径系数得出。

需要解释的是：第一，资源来源较资源内容对系统有用性的影响强度更大。这正符合目前网络资源的整体状况。新摩尔定律指出，数据量每18个月翻一番，即每年以约59%的速度增长，海量数据的规模日益浩如烟海[16]。目前，网络学习资源相对丰富，基本能够满足学习者的学习需求，但随着社交网络的急速增长，网络资源的来源范围更为广泛，也造成了很多网络学习资源并没有明确的出处，给学习者的网络学习带来一定的疑虑。如何高质量地获取有效的网络学习资源正逐渐引起网络学习者的重视；第二，任务特征较资源形式对系统易用性的影响强度更大。目前，形式多样的网络学习资源如雨后春笋般出现，尤其是视频类及互动类学习资源在近几年得到大幅增长，而任务驱动、符合移动学习特征的网络学习资源还不能很好地满足网络学习者尤其是大学生的网络学习需求，此类资源将成为未来几年网络学习资源建设的重点内容之一；第三，杨丽娜等[17]在研究中指出，“系统易用性对学习态度的影响并不显著”，而本研究的模型却显示系统易用性与学习态度正相关，这与目前网络学习资源形式的多样发展、任务驱动内容的不断丰富有着密不可分的关系，尤其是近两年来Android手机在大学生中的广泛应用，更为大学生随时随地参与网络学习提供了技术可能性。因此，在可选择的学习资源形式与任务特征极大丰富的背景下，系统易用性正不断影响大学生的网络学习态度，如目前大学生更愿意选择视频资料进行学习等。

四、结语

网络早已成为当代大学生学习生活的重要组成部分，网络学习也正不断渗透到大学生的学习生活当中。本文以大学生网络学习行为为主体开展研究，重点从资源及技术两方面分析大学生网络学习行为的影响因素，为网络学习行为研究提供初步的实证参考。但人类的学习行为本身是个复杂深奥的系统，也是一个不断演进、不断发展创新的过程，网络学习行为受到多方面因素的影响，本文仅从技术接受视角研究了系统有用性及系统易用性对学习态度及行为意图的影响，只是网络学习研究的一个侧面。随着网络资源的日趋丰富，关于大学生网络学习行为的研究还需要更多的实证探讨，大学生网络学习行为模型还需要进一步的解释和完善。

[参考文献]

[1] CNNIC. 第30次中国互联网络发展状况统计报告[EB/OL]. 中国互联网络信息中心，2012，（7）.

[2] 李玉斌. 网络学习行为模型的建构与实证[J]. 电化教育研究，2012，（2）：39.

[3] Davis， F. D.. Perceived usefulness， perceived ease of use， and user acceptance of information technology [J]. MIS Quarterly，1989，13（3）：319-342.

[4] Davis， F. D. ， Bagozzi， R.P. ， & Warshaw P. R.. User acceptance of computer technology： a comparison of two theoretical models[J]. Management Science，1989，35（8）：982-1003.

[5] 卢如荣. 影响大学生网络学习行为的因素分析研究[D]. 华中师范大学硕士论文，2012，（5）.

[6][9][10][12][17] 杨丽娜，颜志军. 信息技术采纳视角下的网络学习行为实证研究[J]. 中国远程教育，2011，（4）：36.

[7] Webster， J.，& Hackley，P.. Teaching Effectiveness in Technology-Mediated Distance Learning [J].Academy of Management Journal，1997，40（6）：1282-1309.

[8] Hannafin， M.J.， Hill， J.R.， Oliver， K. ， Glazer， E.，& Sharma， P.. Cognitive and Learning Factors in Web-Based Distance Learning Environments[A].Handbook Of Distance Education[M].London：Lawrence Erlbaum Associates， Inc.， 2003：245-257.

[11] Koufaris， M.. Applying the technology acceptance model and flow theory to online consumer behavior [J]. Information Systems Research，2002，13 （2）：205-223.

[13] Gefen，D.. What makes an ERP implementation relationship worthwhile：linking trust mechanisms and ERP usefulness. Journal of Management Information Systems [J]， 2004， 21（1）：275-301.

[14] 荣泰生. AMOS与研究方法[M]. 重庆：重庆大学出版社，2010，（8）：65.

[15] Gilford，J.P.. Psychometrics Methods[M]. New York：McGraw-Hill，1954.

[16] 中信证券. 大数据（Big Data）专题研究报告[R]. 中信证券股份有限公司，2011：1.

收稿日期：2012-12-15

作者简介：季志，助理研究员，浙江湖州师范学院（313000）。