基于UTAUT模型的学生MOOC学习意愿的影响因素研究

王胤丰，闫　强

(北京邮电大学 经济管理学院，北京　100876)



·教育研究·

基于UTAUT模型的学生MOOC学习意愿的影响因素研究

王胤丰，闫强

(北京邮电大学 经济管理学院，北京100876)

摘要:大规模在线开放课程(MOOC)是一种新兴的教学模式，近年来在全球范围内得到了快速发展，并深刻影响着人们学习知识、交流知识的方式。但是，MOOC在快速发展过程中也遇到了学生流失、结业率低等问题。针对这个问题，基于信息技术采纳与行为理论建立研究模型，通过实证研究的方法探索影响学生参与MOOC的因素。结果显示，学生的绩效期望、努力期望、社会影响及MOOC平台的便利条件对其MOOC学习意愿具有显著影响，学生的学习意愿对其学习行为具有显著影响。涉入度对努力期望、社会影响与学习意愿之间的关系具有显著的正向调节效应，对便利条件与学习行为之间的关系具有显著的负向调节效应。根据分析结论，提出了当前MOOC的发展策略建议。

关键词:MOOC；在线课程；UTAUT；学习意愿；影响因素

一、引言

大规模在线开放课程(massive open online course, MOOC)是一种新型教学模式，具有资源多元化、受众面广、易于使用、自主参与等特点, 国内亦有人将MOOC译为“慕课”。近年来，MOOC在全球范围内得到了快速发展，并被赋予了普及教育、促进知识交流的厚望。同时，国内外学者也正在关注MOOC的研究，特别是从2012年开始，国内外数据库中与MOOC相关的文献数量呈现快速增长。

然而，MOOC在快速发展的过程中，也遇到了课程完成率较低的共性问题。例如，根据宾夕法尼亚大学提供的数据，在MOOC注册学员中，只有一半的学习者浏览了课程材料，更只有4%的人完成了课程学习。针对这个问题，目前多数研究主要从MOOC本身出发寻求解决思路，很少有研究关注MOOC学习者的感知和需求。而MOOC要想得到持续发展，研究和了解哪些因素会影响学习者的参与意愿与学习行为是非常重要的。本研究将从学习者对MOOC的感知入手，基于信息技术采纳与行为理论，通过实证研究的方法探索学习者参与MOOC的影响因素，并从学习者感知的角度为MOOC的发展提供合理建议。

二、文献回顾

现有的学习者参与MOOC行为的研究大体上可以分为以下两类。

(1)通过对学习者学习过程中的行为进行大致分类，研究不同类型学习者参与MOOC的行为规律。例如Anderson et al[1]通过挖掘coursera上两门课程的三次开课数据记录，总结出五种不同的学习者类型：观看者、解决者、全能者、收集者和旁观者。王哲[2]对MOOC学习者进行分类并分析重要的学习者行为参数，发现学习者行为分化的原因和不同学习者的潜在需求。贾积有等[3]对北京大学6门MOOC课程的平台数据进行分析，研究课程层面上学员的网上学习行为及其对学员学业成绩的影响。

(2)研究学习者参与MOOC的影响因素。例如Guo et al[4]研究了学习者参与在线视频课程的影响因素，发现视频长度、教师语速、视频类型、制作风格是重要的影响因素。Jordan[5]研究了课程特征(包括课程时长、学校排名、注册人数等)对学习者学习效果的影响。虞鑫等[6]从MOOC本身的创新特征、MOOC推行方的努力程度、学习者的决策方式等3个方面，对影响学习者参与MOOC学习的因素进行分析。

纵观现有的学习者参与MOOC行为的研究，可以发现对MOOC学习者的感知和需求依然关注较少。然而学习者参与MOOC学习的动机是多种多样的，学习者自身的特征与需求对MOOC的学习效果具有直接影响[7]。学生是MOOC教学体系中的重要参与者，MOOC系统的设计必须与学生的需求吻合。因此，下面将从学习者对MOOC的感知入手研究学习者参与MOOC的影响因素。

三、研究假设及模型

学习者对MOOC的使用最主要的目的就是获取知识，同时也会考虑学习课程需要的付出、MOOC平台提供的反馈与支持等因素。因此，针对学习者参与MOOC学习的影响因素，本文将基于技术采纳与利用整合理论(UTAUT)展开研究。

UTAUT理论最早由Venkatesh提出，整合了技术/任务匹配模型、创新扩散理论、理性行为理论等模型中的观点，更有效地解释了个体使用行为。UTAUT理论已经被大量学者应用于研究用户对信息技术以及互联网服务的接受和使用意愿。例如，Kohne et al[8]利用UTAUT理论研究了用户使用电子谈判支持系统的情况。Anderson et al[9]研究了商学院教员对平板电脑的使用意愿。Pynoo et al[10]研究了中学教师对数字化教学环境的接受意愿。还有很多学者在原理论基础上进行调整与修正，使模型更加适合于不同的研究场景与领域。例如Shin et al[11]引入支付安全、信任、自我效能等变量研究用户使用移动支付的影响因素。Cody-Allen et al[12]在电子商务研究背景下增加了质量、信任和满意变量。

UTAUT模型中，用户采纳和使用信息技术主要受4个因素的影响：绩效期望、努力期望、社会影响和便利条件。绩效期望是指个人相信技术的使用可以帮助其获得更好表现的程度。用户的绩效期望越高，其对该技术或系统的使用意愿将越强。Hew et al[13]指出学习者注册MOOC往往是为了学习新的内容，拓展自己的知识并获取更多的认证。因此，本研究提出以下假设。

H1：绩效期望对学习者的MOOC学习意愿有显著的正向影响。

努力期望是指用户对一项技术或信息系统感知到的容易使用的程度。当学习者感知到MOOC系统及课程易于使用和掌握时，他将有较高的使用意图，否则学习者的使用意图将下降。根据Hew et al[13]的研究，MOOC系统中，90%的学生中途退出是因为课程难以理解，或者无法获得所需的帮助。因此，本研究提出以下假设。

H2：努力期望对学习者的MOOC学习意愿有显著的正向影响。

社会影响指个人所感受到的周围群体的影响程度。个体总是会受到特定的人或群体的思想和行为的影响，以决定自己是否使用特定的技术或系统。Gillani et al[14]指出MOOC学员之间的社会关系与互动模式对学习成绩具有影响。Li et al[15]的研究表明学习者更倾向于与其他人同步观看学习MOOC视频，而当周围的人在使用MOOC时，个体也会产生好奇心与尝试的意愿。因此，本研究提出以下假设。

H3：社会影响对学习者的MOOC学习意愿有显著的正向影响。

便利条件是指顺利使用某技术或系统所需的条件以及各种技术支撑条件的完备程度。如果用户能够方便地获得使用一项技术或一个系统所需的资源、技术等条件，则其使用意愿会相应更高。作为一种仍处于发展中的教育形式，MOOC系统提供的便利性、帮助系统以及互动机制等，都会对学习者使用MOOC产生重要的影响。因此，本研究提出以下假设。

H4：便利条件对学习者的MOOC学习行为有显著的正向影响。

在调节变量方面，Gillani et al[14]指出学习者的涉入度对其学习效果具有显著影响。涉入度指的是产品或服务对个体的相关程度或重要程度。如果MOOC课程内容对学习者的重要性越大时，学习者对课程的涉入度也将越大，学习者将会更主动地参与到课程学习中，有更强的学习意愿。因此，本研究将涉入度作为调节变量，提出以下假设。

H5：涉入度对绩效期望、努力期望及社会影响对MOOC学习意愿的影响具有调节作用，涉入度对便利条件对学习者MOOC学习行为的影响具有调节作用。

参考Venkatesh的研究，当使用者具有MOOC学习意愿时，这种意愿会引导出MOOC学习的实际行为。因此，本研究提出以下假设。

H6：MOOC学习意愿对学习行为具有显著正向影响。

本研究提出的修正后的UTAUT模型如图1所示。

四、研究设计及数据获取

本研究的量表设计参考了以往相关研究的成熟量表，如表1所示。运用李克特5级量表，1～5级分别表示非常不同意、不同意、一般、同意、非常同意。采用问卷调查的方式，主要调查对象是高校学生群体，利用专业问卷调查网站“问卷星”发放在线问卷，最终回收得到280份问卷，再剔除未完整完成调查和明显存在错误的问卷，得到有效问卷为276份。

表1　量表问题设计

五、 数据分析与结果

1. 信度和效度检验

信度检验结果显示各变量的Cronbachα值均大于0.7，且大部分在0.8以上，整体Cronbachα值为0.925，表明本研究的量表有较高的内部一致性，具有较强的可信度。

采用因子分析法对各因变量进行效度分析。测量变量的Bartlett球形检验通过了显著性检验，KMO值为0.806，适合做因子分析。使用主成分分析法提取公因子，共提取出4个因子，累计方差贡献率超过了81%，4个因子较好地保留了变量信息。采用最大方差正交旋转法旋转后的因子载荷矩阵如表2所示。结果显示，每个变量的问题项在提取公因子后均属于该变量，具有很好的收敛效度；各测量项在对应因子的负载均大于0.7(表中以黑体显示)，在其他因子的交叉负载均小于0.4，不存在具有横跨因子的现象，具有很好的区别效度。

表2　旋转成分矩阵

2. 假设检验

(1) MOOC学习意愿及其影响因素

① 相关性分析

MOOC学习意愿与绩效期望、努力期望、社会影响均具有较高的正向相关性，Pearson系数分别为0.709、0.540、0.612，且在0.01水平(双侧)上显著。同时，便利条件及MOOC学习意愿与MOOC学习行为也具有高度相关性，Pearson系数分别为0.658及0.690，同样在0.01水平(双侧)上显著。

② 回归分析

回归模型的方差分析F统计值为154.360，显著性概率小于0.01，表明回归模型有统计意义；R2值为0.63，说明模型的拟合程度较好。根据表3可知，绩效期望、努力期望、社会影响对MOOC学习意愿均具有正向的显著影响(β=0.487，P<0.01；β=0.241，P<0.01；β=0.253，P<0.01)，验证了假设H1、H2、H3。这三个影响因素中，绩效期望对学习意愿的影响最大，社会影响对学习意愿的影响次之，努力期望对学习意愿的影响最小。

表3　 MOOC学习意愿变量回归分析

2. MOOC学习行为分析

回归模型的方差分析F值为229.931，显著性概率小于0.01，表明回归模型具有统计意义；R2值为0.625，说明模型的拟合度较好。根据表4可知，学习意愿和便利条件对学习行为具有显著的正向影响，假设H4、H6得到验证。其中，学习意愿的影响稍大于便利条件的影响。

表4　MOOC学习行为变量回归分析

3. 涉入度的调节效应分析

采用层次回归分析方法检验调节效应。先分析涉入度对学习意愿影响因素的调节作用。

根据表5中ΔR2值的大小以及F值变化的显著性可以看出，涉入度对努力期望、社会影响与学习意愿之间的关系具有显著影响，并且这种调节效应与因变量受自变量影响的程度成正比；涉入度对绩效期望与学习意愿之间的关系的影响不大。表6的分析结果表明涉入度对努力期望、社会影响与学习意愿之间的关系具有正向调节作用(β=0.157，β=0.141)。

表5　涉入度对学习意愿模型拟合度影响分析

基准模型中自变量为涉入度(中心化), 绩效期望(中心化)，努力期望(中心化), 社会影响(中心化)。

对比模型1中自变量为涉入度×绩效期望, 涉入度(中心化), 绩效期望(中心化)，努力期望(中心化), 社会影响(中心化)。

对比模型2中自变量为涉入度×努力期望, 涉入度(中心化), 绩效期望(中心化)，努力期望(中心化), 社会影响(中心化)。

对比模型3中自变量为涉入度×社会影响, 涉入度(中心化), 绩效期望(中心化)，努力期望(中心化), 社会影响(中心化)。

表6　涉入度对学习意愿影响因素调节作用回归分析

涉入度对便利条件与学习行为之间关系的调节效应的分析,根据表7和表8可知，涉入度对便利条件与学习行为之间的关系具有负向的调节效应。

表7　涉入度对学习行为模型拟合度影响分析

基准模型中自变量为涉入度(中心化), 学习意愿(中心化)，便利条件(中心化)。

对比模型1中自变量为涉入度×便利条件, 涉入度(中心化), 学习意愿(中心化)，便利条件(中心化)。

表8　涉入度对学习行为影响因素调节作用回归分析

六、讨论与建议

本研究发现绩效期望、努力期望、社会影响对学习意愿具有显著的正向影响，并且绩效期望的影响最大，社会影响的影响次之，努力期望的影响最小；MOOC学习意愿对MOOC学习行为有显著影响；便利条件对MOOC学习行为有显著的正向影响。涉入度对努力期望、社会影响与学习意愿之间的关系具有显著的正向调节效应，对绩效期望与学习意愿之间的关系没有明显的调节效应；对便利条件与学习行为之间的关系具有显著的负向调节效应。这说明如果学习者迫切需要学习一门对自己来说很重要的课程，那么在考虑学习方式(是否考虑通过MOOC学习)上，会更多地考虑课程内容是否容易理解、消化与吸收，比较注重课程本身的属性，对于使用课程平台的方便程度不是特别重视。

基于以上分析，提出对MOOC平台建设的意见和建议。

1.提高MOOC学习资源的数量与质量

鉴于绩效期望是影响学习意愿最重要的因素，MOOC平台应该提供更丰富、更优质的教学资源，使学习者能够更好地提升学习兴趣与效率，增加MOOC参与意愿。国内MOOC平台可以与国外名牌大学开展更深入的合作，增加课程数量与质量，完善学科类别；与国外MOOC平台合作，引入国外平台上的优秀资源，通过提供多语言字幕，使学习者更好理解课程内容。

2.优化MOOC的宣传方式及加强口碑传播

鉴于社会影响显著影响MOOC学习意愿，MOOC相关机构需要加大对MOOC的宣传力度，优化MOOC的宣传方式，提高宣传效果。MOOC平台可以通过分析学习者的搜索、浏览、学习行为，识别、总结归纳出不同的学习者类型及其相应的特点，针对学习者的特点宣传、推荐不同的教学资源。同时，MOOC平台需要不断优化整个课程平台及教学体系，改善用户体验，使学习者产生良好的口碑，从而自发进行口碑传播，带动其他人学习MOOC。

3.增强MOOC学习系统的便利性并借助群体学习提升学习效果

鉴于便利条件对学习行为的积极影响，MOOC设计者应该增强MOOC学习系统的便利程度，具体措施包括完善帮助系统、增强互动机制等。例如，针对学习者的社交和群体学习需求，提供更多互动性强、有社交功能的应用，包括聊天功能、场景/案例现场模拟、学习讨论组等。通过互动交流，学习者一方面贡献了自己的聪明才智，一方面也吸收了他人的智慧，在群体学习中逐步提高学习效果。同时，学习者可以体验到相互的接纳和支持，从而增强克服困难的信心、增加学习的动力。此外，由于MOOC学习者们具有不同的文化背景、知识水平、人生经历和工作领域，组成了一个能够多角度认识问题的异质性群体，在讨论的过程中各种观点碰撞能够引发学习者更加广泛深入地思考，产生真知灼见。

4.区分学习者类型并有针对性地设计课程与教学体系

鉴于涉入度的调节作用，不同学习者对MOOC的关注点是不同的，MOOC平台应该区分学习者的类型、关注不同学习者的特征，设计面向特定学习者群体的教学课程与教学体系。不同学习者的知识基础、学习能力、学习风格、学习动机等特征存在差异，会表现出不同的学习者类型。MOOC虽然具有大规模、普适性等特点，但是要想保证教学质量与学习效果，也需要考虑其适宜的对象即学习者类型。在设计课程内容时，需要权衡把握学习者的起点水平、心理特征与行为特征，对课程进行准确的定位，针对特定学习者群体进行课程的精细设计；在设计教学体系时，结合学习者特征与课程特点设计恰当的教学模式，建立有效的学习指导与学习支持体系；在展示课程信息时，突出展示课程的学前要求，帮助学习者了解课程定位与要求从而选择符合自身特点的课程进行学习。

七、结束语

MOOC以“开放、共享知识”为理念，成功地实现了优质教育资源的全球共享。但是，MOOC也面临着学生流失、结业率低等问题。针对这个问题，目前多数研究主要从MOOC本身出发寻求解决思路，很少有研究关注MOOC学习者的感知和需求。本文则基于信息技术采纳与行为理论建立模型，并通过实证研究的方法探索了影响学习者参与MOOC的因素。研究发现学习者的绩效期望、努力期望、社会影响及MOOC平台的便利条件都是影响MOOC参与的重要因素，并且涉入度是其中重要的调节因素。

本研究也还存在一些不足。首先，考虑影响学习者参与MOOC的因素还不够全面，未来的研究可以考虑参考其他理论、探索其他影响因素；其次，研究对象主要为高校学生，未来的研究可以将研究对象扩展到其他层次的社会群体。

参考文献:

[1] Anderson A, Huttenlocher D, Kleinberg J, et al. Engaging with massive online courses[C]//International World Wide Web Conferences Steering Committee, 2014: 687-698.

[2] 王哲. 大规模开放在线课程的用户行为研究[J]. 计算机教育, 2014(21): 21-26.

[3] 贾积有, 缪静敏, 汪琼. MOOC学习行为及效果的大数据分析——以北大6门MOOC为例[J]. 工业和信息化教育, 2014(9): 23-29.

[4] Guo Philip J, Kim J, Rubin R. How video production affects student engagement an empirical study of MOOC videos [J]. ACM Learning at Scale, 2014(2): 3-11.

[5] Jordan K. Initial trends in enrolment and completion of massive open online courses [J]. The International Review of Research in Open and Distributed Learning, 2014, 15(1): 134-160.

[6] 虞鑫, 陆洪磊. 学习者采用MOOC的影响因素研究: 基于清华大学“学堂在线”的用户调查[J]. 现代远距离教育, 2014(5): 3-8.

[7] DeBoer J, Ho A D, Stump G S. et al. Changing “course” reconceptualizing educational variables for massive open online courses [J]. Educational Researcher, 2014, 43(2): 74-84.

[8] Kohne F, Schoop M, Staskiewicz D. An empirical investigation of the acceptance of electronic negotiation support system features[C] //Proceedings of the 13th European Conference on Information Systems, Information Systems in a Rapidly Changing Economy, ECIS 2005. Regensburg: 2005.

[9] Anderson J E, Schwager P H, Kerns R L. The drivers for acceptance of tablet PCs by faculty in a college of business[J]. Journal of Information Systems Education, 2006, 17(4): 429-432.

[10] Pynoo B, Devolder P, Tondeur J, et al. Predicting secondary school teachers’ acceptance and use of a digital learning environment: a cross-sectional study[J]. Computers in Human Behavior, 2011, 27(1): 568-575.

[11] Shin D H. Towards an understanding of the consumer acceptance of mobile wallet[J]. Computers in Human Behavior, 2009, 25(6): 1343-1354.

[12] Cody-Allen E, Kishore R. An extension of the UTAUT model with e-quality, trust, and satisfaction constructs[C]//Proceedings of the 2006 ACM SIGMIS CPR Conference on Computer Personnel Research 2006. Claremont: [s.n.], 2006: 82-89.

[13] Hew K F, Cheung W S. Students’ and instructors’ use of massive open online courses (MOOCs): motivations and challenges [J]. Educational Research Review, 2014(12): 45-58.

[14] Gillani N, Eynon R. Communication patterns in massively open online courses [J]. The Internet and Higher Education, 2014(23): 18-26.

[15] Li N, Verma H, Skevi A, et al. Watching MOOCs together: investigating co-located MOOC study groups [J]. Distance Education, 2014, 35(2): 217-233.

Influencing Factors on Students’ MOOC Learning Intentions Based on UTAUT Model

WANG Yin-feng，YAN Qiang

(School of Economics and Management, Beijing University of Posts and Telecommunications,Beijing 100876, China)

Abstract:Online course (MOOC) is a new teaching method, which has got fast development all over the world in recent years and deeply influenced people’s way of learning. But MOOC also encountered problems of losing students and low graduation rate. Aiming at these problems, a theory model is proposed based on the theory of information technology acceptance and behavior, and the influencing factors on students’ participation in MOOC are analyzed through empirical research method. Results show that performance expectancy, effort expectancy, social influence and the MOOC platform’s facilitating conditions significantly affect students’ learning intentions, and students’ learning intentions significantly affect the learning behavior. Involvement positively moderates the relationship between effort expectancy, social influence and learning intention, and negatively moderates the relationship between facilitating conditions and learning behavior. Suggestions for MOOC’s development strategy at current stage are proposed based on the research.

Key words:MOOC; online course;UTAUT; learning intention; influencing factor

中图分类号:G434

文献标识码:A

文章编号:1008-7729(2016)02-0096-08

作者简介：王胤丰(1992—)，女，黑龙江大庆人，北京邮电大学经济管理学院2014级硕士研究生，主要研究方向为管理科学与工程，电信运营管理。

基金项目：北京市级教育教学改革项目(2015-ms040)

收稿日期：2016-01-18