网络学习中学习者个人特征对学习投入的影响：一个有调节的中介效应模型*

雷玉菊张冬静牛更枫胡祥恩

（1华中师范大学国家数字化学习工程技术研究中心，武汉 430079） （2青少年网络心理与行为教育部重点实验室，武汉 430079）（3华中师范大学心理学院，武汉 430079）

网络学习中学习者个人特征对学习投入的影响：一个有调节的中介效应模型*

雷玉菊1,2,3张冬静2,3牛更枫2,3胡祥恩2,3

（1华中师范大学国家数字化学习工程技术研究中心，武汉 430079） （2青少年网络心理与行为教育部重点实验室，武汉 430079）（3华中师范大学心理学院，武汉 430079）

以参与网络课堂的387名大学生为被试，考察自我效能感、内隐智力信念和动机调节等学习者特征对网络学习环境中学习投入的影响及其作用机制。结果表明： （1）网络学习者的自我效能感、动机调节、内隐智力信念均能正向预测学习投入； （2）动机调节在自我效能感和学习投入的关系中起部分中介作用； （3） “自我效能感→动机调节→学习投入”这一中介效应的后半路径受到学习者内隐智力信念的调节。相较于智力实体论者，动机调节的中介效应在智力增长论者中更强。

动机调节，网络学习，自我效能感，内隐智力信念，学习投入。

1 引言

随着信息技术在教育领域的应用，特别是网络的普及，使学习者随时随地进行学习成为了可能。越来越多的研究者也开始思考教育信息技术的革新对学习效果的影响。在网络学习领域，学习投入 （student engagement）最为研究者所关注。学习投入是学习者在学习中表现出的一种持续的、充满积极情感的学习状态，它以活力 （vigor）、奉献 （dedication）和专注（absorption） 为主要特征 （Schaufeli,Salanova, González-Romá,&Bakker,2002）。在网络学习环境中也存在这种积极的学习状态 （Rashid&Asghar, 2016），网络学习中的学习投入不仅可以预测网络学习者的学业成就 （Phan,McNeil,&Robin,2016），还可以预测其网络学习的坚持性及后续学习意愿（Henrie,Halverson,&Graham,2015;Howard,Ma,& Yang,2016;Pellas,2014;Sun&Rueda,2012）。因此，学习投入是网络学习行为的重要指标之一 （高洁,李明军,张文兰,2015）。

此外，网络学习中学习者的学习投入依赖于多种复杂因素。目前有关网络学习的研究，主要关注信息交流技术因素的影响，对学习者个人特征的关注较少。有关学习者个人特征的研究表明学习者的自我效能感 （Bates&Khasawneh,2007）、内隐智力信念 （Greene,Costa,Robertson,Pan,&Deekens, 2010）、动机调节 （Schwinger&Stiensmeier-Pelster, 2012）等均能直接或者间接地影响学习投入，然而鲜有研究对其中的作用机制进行深入探讨。本研究基于信息交流技术的期望—价值动机模型，考察学习者特征 （内隐智力信念:增长论、实体论,自我效能感和动机调节）与学习投入的关系及其作用机制，以期为建立个性化自适应网络学习平台提供理论支持和实证依据。

1.1 网络学习者的自我效能感与学习投入的关系

期望—价值动机理论认为，个体的自我概念和自我相关信念在动机发展中起重要作用，是决定其成就行为选择及后续表现的关键因素 （Wigfield& Eccles,2000）。自我效能感是个体对其在某一特定领域任务的成功表现的预期和确认 （Zimmerman, 2000）， 是自我概念中的自我能力知觉部分（Christoph,Goldhammer,Zylka,&Hartig,2015）。在学习领域，个体的自我效能感水平会影响其对学习任务的选择、学习活动的坚持和学习投入程度进而影响其学业成就表现 （Abulibdeh&Hassan, 2011;Joo,Lim,&Kim,2013;Kim,Wang,Ahn,& Bong,2015;Yusuf,2011）。在网络学习环境中，学习者的自我效能感也能够显著预测个体的学习行为表现 （谢幼如,刘春华,朱静静,尹睿,2011;Howard,Ma,&Yang,2016;Sun&Rueda,2012; Yukselturk&Bulut,2007）。网络学习者的自我效能感越高，其对使用网络进行学习持更积极态度（Tsai,Chuang,Liang,&Tsai,2011）、具有更强的网络学习动机 （Liang&Wu,2010）、学习过程中倾向于采用更多的动机调节 （Bates&Khasawneh, 2007;Liem,Lau,&Nie,2008）、具有更多的学习投入及坚持程度 （Joo,Lim,&Kim,2013;Pellas, 2014）和更好的学业成绩 （Bong,2001;DeTure, 2004;Wang&Newlin,2002;Wang,Shannon,& Ross,2013）。基于此，本研究假设，网络学习者的自我效能感对其学习投入具有显著的正向预测作用。

1.2 动机调节的中介作用

动机调节也是学习投入的重要预测因素。根据Cleary和Zimmerman（2004）以及Pintrich（2004）等人基于Bandura的社会认知理论提出的自我调节学习模型，在学习过程中，学习者不仅需要对自身的认知过程进行监控、调节，还需要对自己当前的动机状态进行控制和调节，以维持在学习过程中所需的动力 （Schwinger,Steinmayr,&Spinath,2009, 2012;Schwinger&Stiensmeier-Pelster,2012）。动机调节 （motivational regulation）是个体自我调节学习的重要组成部分 （Wolters,1998,1999,2003），它是指学习者主动采用一定的策略对当前学习动机水平进行调节以确保高效的学习投入，进而完成学习任务的过程 （李昆,2011,2013;李晓东,薛玲玲,韩沁彤,2006;苏琪,2015;Wolters&Benzon,2013）。

依据期望—价值动机理论，学习者的自我效能感将影响其在学习中的自我调节学习策略的使用和努力程度 （Bates&Khasawneh,2007;Kim et al., 2015），且有研究证实作为自我调节学习重要组成部分的动机调节也受自我效能感等因素的影响。如，学习者的自我效能感水平与动机调节中的掌握性目标取向呈正相关 （袁新,2014）。高自我效能感的学习者，更注重学习活动本身的价值，期望掌握知识、获得自身能力的提高，更倾向于采用掌握性目标调节策略，从内部因素着手调节动机水平。在传统课堂中，个体的动机调节策略使用能正向预测其学习努力程度和学业成就 （李昆,2011,2013;苏琪,2015;Fritea&Fritea,2013;Schwinger& Stiensmeier-Pelster,2012;Yusuf,2011）。Schwinger和Stiensmeier-Pelster（2012）研究表明，高中生的动机调节策略总分及掌握性学习目标和目标接近策略显著预测了学习者的努力程度。因此，本研究假设在网络学习过程中，动机调节在自我效能感和学习投入之间可能起中介作用。

1.3 内隐智力信念的调节作用

另一方面，个体的学习投入也会受到内隐智力信念的影响。内隐智力信念 （implicit theories of intelligence）指个体对其能力、智力等方面的自我信念（Dweck,1995），它将会影响个体在学习中的行为表现 （Dweck and Master,2008,2009）。内隐智力信念可以分为两种：智力实体论 （entity theorists），个体将其智力看做是固定的，即使通过个人努力其智力也不会得到很大的发展；相反，智力增长论 （incremental theorists），个体认为通过他们的努力、训练、自我调节策略使用能够提升他们的智力。持两种不同内隐智力信念的个体在面临失败、挑战等学习情境的表现截然不同 （Blackwell,Trzesniewski,&Dweck, 2007;Burnette,O′Boyle,VanEpps,Pollack,&Finkel, 2013;King,McInerney,&Watkins,2012）。如，Liu（2014）证实内隐智力信念能够预测个体在逆境和挑战情境下的反应，相对于实体论者，智力增长论的个体在挑战情境中感知到更多的价值，倾向于投入更多的时间和精力。Rheinschmidt和Mendoza-Denton（2014）研究发现内隐智力信念影响不同社会阶层的学习动力及学习结果，持智力实体论的低阶层个体向上努力改变自身处境的动力更少，学业成就更低。此外，Greene等 （2010）发现在网络学习中，内隐智力信念对自我调节学习策略与学业成就之间的关系具有调节作用，比较有意思的是自我调节策略的使用缓解了实体论对学业成就的消极作用，即实体论的个体选择了较多自我调节策略进而取得较好的学业成就。基于此，我们假设，在网络学习中，内隐智力信念可能对动机调节与学习投入的关系具有调节作用。

本研究基于期望—价值理论，拟考察在网络学习环境中，学习者个人特征 （自我效能感、内隐智力信念、动机调节）对学习投入的作用机制。既往研究表明，学习者的自我效能感既可以直接影响其学习投入，也可以通过动机调节间接作用于学习投入。因此，本研究假设H1：在网络学习环境中，动机调节在自我效能感与学习投入的关系之间起中介作用。另一方面，个体的内隐智力信念能够调节学习者的自我调节策略使用与学业成就之间的关系，本研究假设H2：内隐智力信念对 “自我效能感→动机调节→学习投入”这一中介效应的后半路径有调节作用，且相较于智力实体论者，动机调节的中介效应在智力增长论者中更强。

2 研究方法

2.1 被试

选取参与 “心理学基础”、 “C语言设计”、“无机化学”和 “教师职业技能”网络课程的420名本科生为被试进行问卷调查，其中 “心理学基础”为公共必修课，其他三门为专业必修课程，被试需报告其参与的网络课程名称，并对所报告的网络课程的学习情况进行过自我报告。回收整理后得有效问卷387份，有效回收率为92.14%。男生200人（51.68%），女生187人 （48.42%），年龄 （20.32± 2.13）。在本次研究中，被试平均的网络学习时间均在一学期以上，网络学习的频率在每周2次以上。

2.2 研究工具

2.2.1 内隐智力信念量表

采用Dweck等 （1995）编制的内隐智力稳定性信念问卷，该问卷包括三个题项： （1）你的智力是一定的，你确实做不了什么来改变它； （2）智力是某种你无法改变的东西； （3）你可以学会新东西，但是无法改变你的基本智力；采用Likert 6点计分 （1非常同意—6非常不同意），得分越低说明被试的内隐智力信念越趋于实体论，得分越高越倾向于增长论。Dweck（1995）和 Greene等（2010）的研究证实三个题项能够很好地测量个体智力信念的内隐特征值。在本研究中，内隐智力信念量表的探索性因素分析结果表明，因素负荷依次为：0.88，0.92，0.87，因素对测度的方差解释率为89.2%，量表的Cronbach′s α系数为0.88。

2.2.2 自我效能感量表

采用Pintrich等 （1993）编制的动机与学习策略问卷 （motivated strategies for learning questionnaire,MSLQ）中的自我效能感分量表，8个题项，采用Likert 7点计分 （1非常不符合—7非常符合）。在本研究中，增加了 “网络学习”这一背景条件，如 “我确信我能理解这门网络课程中最难的内容”，自我效能感量表的验证性因素分析结果为：χ2/df= 3.36，RMSEA=0.078，SRMR=0.034，CFI=0.96，TLI=0.95，量表的Cronbach′s α系数为0.92。

2.2.3 动机调节量表

采用袁新 （2014）修订的 Wolters和 Benzon（2013）编制的动机调节问卷 （Motivation Regulation Scales,MRS），该问卷共30道题，分为自我强化、价值调节、表现性目标调节、学习环境构建、情境兴趣调节和掌握性目标调节6个维度，采用Likert 7点计分 （1非常不符合—7非常符合）。在本研究中，动机调节量表也增加了 “在网络学习过程中”这一背景条件，验证性因素分析结果为：χ2/df=2.205，RMSEA=0.057，SRMR=0.043，CFI= 0.94，TLI=0.93，各维度的Cronbach′s α系数分别为0.90，0.88，0.91，0.86，0.89，0.85。

2.2.4 学习投入量表

采用由Schaufeli等 （2002）编制的学生学习投入量表 （utrecht work engagement scale-student, UWES-S）。该量表包含活力、奉献与专注三个分量表，共17个项目，采用Likert 5点计分 （1非常不符合—5非常符合），有研究者采用该量表考察网络学习环境中的学习投入，证明信效度较好（Rashid&Asghar,2016;高洁等,2015）。在本研究中，也纳入了 “网络学习”这一背景条件，如“我很乐意进入网络课程进行学习”， “在进行网络学习时，我感到精力充沛”等。本研究中，学习投入量表的验证性因素分析结果为：χ2/df=2.596，RMSEA=0.066，SRMR=0.052，CFI=0.94，TLI=0.93，各维度的Cronbach′s α系数分别为0.85，0.84，0.82。

2.3 共同方法偏差检验

本研究数据全部经由问卷收集，需进行共同方法偏差检验。根据周浩和龙立荣 （2004）推荐的方法进行共同方法偏差的检验；采用验证性因素分析，设定公因子数为1，结果发现拟合指数 （χ2/df=5.58, RMSEA=0.11,SRMR=0.10,CFI=0.48,TLI=0.46）不理想，表明不存在严重的共同方法偏差。

3 结果与分析

3.1 内隐智力信念、自我效能感、动机调节和学习投入的相关分析

对网络学习者的自我效能感、内隐智力信念、动机调节和学习投入的平均分进行相关分析，发现：学习者的自我效能感与内隐智力信念显著正相关；自我效能感、内隐智力信念与动机调节、学习投入均呈显著正相关，动机调节与学习投入也显著正相关 （表1）。

3.2 网络学习者特征与学习投入的关系：有调节的中介模型检验

依据温忠麟和叶宝娟 （2014）推荐的有调节的中介效应检验的程序，考察网络学习者的自我效能感与学习投入的关系，动机调节在上述关系中的中介效应及内隐智力信念对这一中介效应后半路径的调节效应。所有变量均做标准化处理，使用Hayes（2013）编制的SPSS宏PROCESS2.1完成所有运算。

表1 变量的描述性统计结果和相关分析

首先，检验自我效能感对学习投入的影响及直接效应是否受内隐智力信念的调节。结果表明，网络学习者的自我效能感对学习投入有显著的预测作用 （β=0.41,t=8.87,95%的置信区间为 [0.32, 0.50],p＜0.01），自我效能感与内隐智力信念的交互项对学习投入的预测作用不显著 （β=-0.01,t=-0.26,95%的置信区间为 [-0.08,0.06],p＞0.05）（见表2,方程1）。然后，建立有调节的中介模型，检验自我效能感经过动机调节对学习投入的中介效应的后半路径是否受内隐智力信念的调节。结果表明：网络学习者的自我效能感正向预测动机调节（β=0.56,t=13.55,95%的置信区间为 [0.48,0.64], p＜0.01） （方程2），自我效能感对学习投入的直接预测作用显著 （β=0.27,t=5.51,95%的置信区间为 [0.17,0.37],p＜0.01），动机调节对学习投入的主效应显著 （β=0.35,t=6.36,95%的置信区间为[0.24,0.46],p＜0.01），内隐智力信念对学习投入的主效应显著 （β=0.18,t=4.06,95%的置信区间为 [0.10,0.27],p＜0.01），动机调节与内隐智力信念的交互项对学习投入的预测作用也显著 （β= 0.12,t=2.79,95%的置信区间为 [0.03,0.20],p＜0.01）。模型估计结果验证了在网络学习环境中，动机调节在自我效能感和学习投入之间起部分中介作用，且这一中介作用的后半路径 （动机调节与学习投入的关系）受内隐智力信念的调节。

表2 有调节的中介效应分析

为了更清晰呈现调节作用的实质，按照内隐智力信念的平均分加减一个标准差将被试分为智力增长论倾向组 （高于平均数一个标准差）和智力实体论倾向组 （低于平均数一个标准差） （Greene et al.,2010;Lee,Heeter,Magerko,&Medler,2012），并在这两组被试中考察动机调节对学习投入的预测效应。结果发现，随着个体内隐智力信念水平的提高，动机调节对学习投入的正向预测作用呈上升趋势 （B实体论=0.16,SE=0.12,p＞0.05;B增长论=0.48, SE=0.13,p＜0.01） （图1），表明动机调节与内隐智力信念的交互效应为相互促进作用，相对于智力实体论者，持智力增长观的个体其自我效能感通过动机调节对学习投入的间接效应更强。

图1 内隐智力信念在动机调节与学习投入之间的调节作用

4 讨论

4.1 动机调节在自我效能感与学习投入之间的中介作用

本研究发现，网络学习者的自我效能感是其学习投入的有效预测变量，其不仅可以直接影响学习投入，还可通过动机调节间接影响学习投入，即动机调节在自我效能感和学习投入之间起部分中介作用。该结果一方面契合了社会认知理论 （Bandura,1986, 1997）和期望—价值动机模型提出的自我效能感作为动机因素对个体学习行为具有巨大的推动作用，另一方面也吻合了自我调节学习模型中的动机信念与调节活动阶段性递进影响关系 （Cleary&Zimmerman, 2004;Pintrich,2004）。自我调节学习模型的第一阶段为事先思考和计划，激活学习者的动机信念；第二阶段，为学习者的认知调节阶段，既包含对认知和元认知的监控、调节，也包含对动机状态的调节。在网络学习环境中，自我效能感更高的学习者对自身学习能力有较高自信，动机水平较高，对使用网络进行学习具有更多的兴趣与热情，愿意投入较多的精力去坚持学习 （Bates&Khasawneh,2007;Puzziferro,2008; Wang et al.,2013），愿意使用较多的动机调节策略激发与维持学习动机，且大量动机调节策略的使用也会增加学习者的学习投入 （Schwinger et al.,2009, 2012;Wolters,2003）。相应的，低自我效能感的学习者动机水平较低，更可能回避依赖于计算机的网络学习环境 （Christoph,Goldhammer,Zylka,&Hartig, 2015），特别是当遇到困难时不能很好地对自我的学习动机状态进行调整时，会因畏难、厌烦等情绪状态而放弃学习，而这种不能坚持的学习状态又会影响其自我效能感，长此以往学习者会越来越远离学习。因此，本研究中发现的自我效能感作为动机因素通过动机调节间接影响学习投入，不仅肯定了动机调节在网络学习环境中的重要性，而且揭示了动机因素促进学习者始终保持高效学习投入的内在作用机制。

4.2 内隐智力信念对动机调节与学习投入关系的调节作用

本研究发现，在网络学习中，内隐智力信念调节了 “自我效能感→动机调节→学习投入”这一中介效应的后半路径。具体而言，相较于智力实体论者，持智力增长观的个体在动机调节策略使用增加中获益更大，内隐智力信念与动机调节的交互效应为相互促进作用。产生这种调节模式的原因可能为：其一，从归因理论角度来解释。持智力增长论的个体，认为自身的智力可以通过自己的行为努力而改变，倾向于将行为结果做内归因，且归因为可控的因素：努力等 （Chen&Usher,2013;Davis et al., 2011;Dweck&Master,2008,2009）。而智力实体论者倾向于将行为结果做不可控内归因 （能力）和不可控外归因 （运气、环境等） （Dweck&Master, 2009;Lee et al.,2012）。智力实体论者认为影响成败结果的主要因素为自身能力，能力高不需要付出努力也可获得成功；失败是无能的证据，且他们对自身的能力、智力发展无能为力，因此在学习的过程中更被动地采用动机调节策略。其二，根据自我价值理论 （self-worth），智力实体论者，将每次挑战看作是对其智力的评估，其更关注结果表现而不是从中能学习到多少知识。为了得到较好结果表现，实体论者倾向于寻找熟悉任务和回避可能失败的任务，且在任务执行过程中动机调节较少、投入的努力程度也较小 （Haimovitz,Wormington,&Corpus, 2011;Komarraju& Nadler,2013;Snyder,Malin, Dent,&Linnenbrink-Garcia,2014）。智力增长论者将挑战看做学习的机会，他们更可能选择具有挑战性且能真正能让他们学到知识的任务，且在任务执行过程中投入更多的努力 （Lam,Yim,&Ng,2008）。

本研究结果证实，在网络学习中，学习者的动机调节在自我效能感与学习投入的关系中起部分中介作用，且这一中介作用的后半路径受内隐智力信念的调节，相较于智力实体论者，动机调节的中介效应在智力增长论个体中更强。这启示我们，在网络教育中，教师不仅需要了解学习者的动机信念，还需要通过动机调节策略培训或在线实时干预来保证持智力实体论的学习者能够维持理想的动机调节水平，同时注重提升低动机调节个体的智力增长信念。尽管作为学习者的个人特征，内隐智力信念相对稳定，但是有研究者也提出内隐智力信念是可以在教学中培养训练的 （Blackwell et al.,2007;Dai &Cromley,2014）。

4.3 本研究的不足与启示

本研究也存在一些局限。首先，所有的变量均采用问卷调查法。在网络学习环境中的学习投入的测量指标上我们可以借鉴Henrie等 （2015）总结的方法，采用网络学习行为指标，如，学习投入频次，学习时长等。其次，本研究中网络学习的学习者均为在校大学生，为了体现 “网络学习”这一特殊情境，虽然我们在测量工具的选择和 “网络课程”等方面进行了考虑，如，测评工具添加网络学习背景，在问卷调查的过程中被试需报告其参与的网络课程名称，并针对其所报告的网络课程的学习投入情况进行自我报告，但是如果能考察一个单纯的 “网络学习”情境，如MOOC可能会更好。此外，相较于传统课堂，网络学习有其自身特点，如刺激材料呈现方式，有无教学代理，有无讨论等等。本研究仅考虑了学习者个人特征对网络学习的影响，未来可联合考察学习者个人特征与网络学习特点对网络学习行为的交互作用，以期建立能够惠及更多网络学习者的个性化自适应网络学习平台。

高洁,李明军,张文兰.(2015).主动性人格与网络学习投入的关系—自我决定动机理论的视角.电化教育研究,36(8),18-22.

李昆.(2011).动机调控策略对学习策略和英语成绩的影响研究.外语与外语教学.(2),28-32.

李昆.(2013).中学生英语学习动机调节策略研究.外语教学理论与实践.(1),86-90.

李晓东,薛玲玲,韩沁彤.(2006).大学生动机调节策略研究.江苏大学学报:高教研究版,28(1),17-21.

苏琪.(2015).远程学习者外语学习动机衰竭与调节策略研究.外语界.(2),53-60.

温忠麟,叶宝娟.(2014).有调节的中介模型检验方法:竞争还是替补?.心理学报,46(5),714-726.

谢幼如,刘春华,朱静静,尹睿.(2011).大学生网络学习自我效能感的结构,影响因素及培养策略研究.电化教育研究,10,30-34.

袁新.(2014).大学生网络学习动机信念对学习投入,元认知调节策略的影响:动机调节策略的中介作用.华中师范大学.

周浩,龙立荣.(2004).共同方法偏差的统计检验与控制方法.心理科学进展,12(6),942-950.

Abulibdeh,E.S.,&H.assan,S.S.S.(2011).E-learning interactions, information technology self-efficacy and student achievement at the University of Sharjah, UAE. Australasian Journal of Educational Technology,27(6).1014-1025.

Bandura,A.(1986).Social foundations of thought and action:A social cognitive theory.Englewood Cliffs,N.J:Prentice-Hall.

Bandura,A.(1997).Self-efficacy:The exercise of self-control.New York:Freeman.

Bates,R.,& Khasawneh,S.(2007).Self-efficacy and college students′perceptions and use ofonline learning systems. Computers in Human Behavior,23(1),175-191.

Blackwell,L.S.,Trzesniewski,K.H.,& Dweck,C.S.(2007). Implicit theories of intelligence predict achievement across an adolescent transition:A longitudinal study and an intervention. Child development,78(1),246-263.

Burnette,J.L.,O′Boyle,E.H.,VanEpps,E.M.,Pollack,J.M.,& Finkel,E.J.(2013).Mind-sets matter:A meta-analytic review of implicit theories and self-regulation.Psychological Bulletin, 139(3),655-701.

Bong,M.(2001).Role of self-efficacy and task-value in predicting college students′course performance and future enrollment intentions.Contemporary educational psychology,26(4),553-570.

Chen,J.A.,&Usher,E.L.(2013).Profiles of the sources of science self-efficacy.Learning and Individual Differences,24,11-21.

Christoph,G.,Goldhammer,F.,Zylka,J.,& Hartig,J.(2015). Adolescents′computer performance:The role of self-concept and motivational aspects.Computers&Education,81,1-12.

Cleary,T.J.,& Zimmerman,B.J.(2004).Self-regulation empowerment program:A school-based program to enhance selfregulated and self-motivated cycles of student learning. Psychology in the Schools,41(5),537-550.

Dai,T.,&Cromley,J.G.(2014).Changes in implicit theories of ability in biology and dropout from STEM majors:A latent growth curve approach.Contemporary Educational Psychology,39 (3),233-247.

Davis,J.L.,Burnette,J.L.,Allison,S.T.,&Stone,H.(2011). Against the odds:Academic underdogs benefit from incremental theories.Social Psychology of Education,14(3),331-346.

DeTure,M.(2004).Cognitive style and self-efficacy:Predicting student success in online distance education.American Journal of Distance Education,18(1),21-38.

Dweck,C.S.,Chiu,C.,&Hong,Y.(1995).Implicit theories and theirrole in judgments and reactions:A word from two perspectives.Psychological inquiry,6(4),267-285.

Dweck,C.S,&Master,A.(2008).Self-theories motivate selfregulated learning.Motivation and self-regulated learning:Theory, research,and applications,31-51.

Dweck,C.S,&Master,A.(2009).Self-theories and motivation. Handbook of motivation at school,123-140.

Fritea,I.,&Fritea,R.(2013).Can motivational regulation counteract the effects of boredom on academic achievement?.Procedia-Social and Behavioral Sciences,78,135-139.

Greene,J.A.,Costa,L.,Robertson,J.,Pan,Y.,&Deekens,V.M. (2010).Exploring relationsamong college students′prior knowledge,implicit theories of intelligence,and self-regulated learning in a hypermedia environment.Computers&Education, 55(3),1027-1043.

Haimovitz,K.,Wormington,S.V.,&Corpus,J.H.(2011).Dangerousmindsets:How beliefs about intelligence predict motivational change.Learning and Individual Differences,21(6),747-752.

Hayes,A.F.(2013).Introduction to mediation,moderation,and conditionalprocess analysis:A regression-based approach. Guiford Press.

Henrie,C.R.,Halverson,L.R.,&Graham,C.R.(2015).Measuring student engagement in technology-mediated learning:A review. Computers&Education,90,36-53.

Howard,S.K.,Ma,J.,&Yang,J.(2016).Student rules:Exploring patterns of students′computer-efficacy and engagement with digital technologies in learning.Computers&Education,101,29-42.

Joo,Y.J.,Lim,K.Y.,&Kim,J.(2013).Locus of control,selfefficacy,and task value as predictors of learning outcome in an online university context.Computers&Education,62,149-158.

Kim,D.,Wang,C.,Ahn,H.S.,&Bong,M.(2015).English language learners′self-efficacy profilesand relationship with selfregulated learning strategies.Learning and Individual Differences, 38,136-142.

King,R.B.,McInerney,D.M.,&Watkins,D.A.(2012).How you think about your intelligence determines how you feel in school: Theroleoftheoriesofintelligenceon academicemotions. Learning and Individual Differences,22(6),814-819.

Komarraju,M.,&Nadler,D.(2013).Self-efficacy and academic achievement:Why do implicit beliefs,goals,and effort regulation matter?.Learning and Individual Differences,25,67-72.

Lam,S.,Yim,P.,&Ng,Y.(2008).Is effort praise motivational?The role of beliefs in the effort-ability relationship.Contemporary Educational Psychology,33(4),694-710.

Lee,Y.H.,Heeter,C.,Magerko,B.,&Medler,B.(2012).Gaming mindsets:Implicit theories in serious game learning.Cyberpsychology,Behavior,and Social Networking,15(4),190-194.

Liang,J.C.,&Wu,S.H.(2010).Nurses′motivations for web-based learning and the role of Internet self-efficacy.Innovations in Education and Teaching International,47(1),25-37.

Liu,C.H.(2014).Helpful but insufficient:Incremental theory on challenge-confronting tendencies for students who fear being laughed at.Motivation and Emotion,38(3),367-377.

Liem,A.D.,Lau,S.,&Nie,Y.(2008).The role of self-efficacy,task value,and achievement goals in predicting learning strategies,task disengagement, peer relationship, and achievement outcome. Contemporary Educational Psychology,33(4),486-512.

Pellas,N.(2014).The influence of computer self-efficacy,metacognitive self-regulation and self-esteem on student engagement in online learning programs:Evidence from the virtual world of second life. Computers in Human Behavior,35,157-170.

Phan,T.,McNeil,S.G.,&Robin,B.R.(2016).Students′patterns ofengagementand courseperformancein aMassiveOpen Online Course.Computers&Education,95,36-44.

Pintrich,P.R.(2004).A conceptualframework forassessing motivation and self-regulated learning in college students. Educational psychology review,16(4),385-407.

Pintrich,P.R.,Smith,D.A.,García,T.,& McKeachie,W.J. (1993).Reliability and predictive validity of the motivated strategies for learning questionnaire(MSLQ).Educational and psychological Measurement,53(3),801-813.

Puzziferro,M.(2008).Online technologies self-efficacy and selfregulated learning as predictors of final grade and satisfaction in college-levelonline courses.American JournalofDistance Education,22(2),72-89.

Rashid,T.,&Asghar,H.M.(2016).Technology use,self-directed learning, student engagement and academic performance: Examining the interrelations.Computers in Human Behavior,63, 604-612.

Rheinschmidt,M.L.,&Mendoza-Denton,R.(2014).Social class and academic achievement in college:Theinterplayofrejection sensitivity and entity beliefs.Journal of Personality and Social Psychology,107(1),101-121.

Schaufeli,W.B.,Salanova,M.,González-Romá,V.,&Bakker,A.B. (2002).The measurement of engagement and burnout:A two sample confirmatory factor analytic approach. Journal of Happiness studies,3(1),71-92.

Schwinger,M.,Steinmayr,R.,& Spinath,B.(2009).How do motivational regulation strategies affect achievement:Mediated by effort management and moderated by intelligence.Learning and Individual Differences,19(4),621-627.

Schwinger,M.,Steinmayr,R.,&Spinath,B. (2012).Not all roads lead to Rome-Comparing different types of motivational regulation profiles.Learning and Individual Differences,22(3), 269-279.

Schwinger,M.,& Stiensmeier-Pelster,J.(2012).Effects of motivational regulation on effort and achievement:A mediation model.International Journal of Educational Research,56,35-47.

Snyder,K.E.,Malin,J.L.,Dent,A.L.,&Linnenbrink-Garcia,L. (2014).The message matters:The role of implicit beliefs about giftedness and failure experiences in academic self-handicapping. Journal of Educational Psychology,106(1),230-241.

Sun,J.C.,&Rueda,R.(2012).Situational interest,computer selfefficacy and self-regulation:Their impact on student engagementin distance education.British Journal of Educational Technology, 43(2),191-204.

Tsai,C.C.,Chuang,S.C.,Liang,J.C.,&Tsai,M.J.(2011).Selfefficacy in internet-based learning environments:A literature review.Educational Technology&Society,14(4),222-240.

Wang,A.Y.,&Newlin,M.H.(2002).Predictors of web-student performance:The role of self-efficacy and reasons for taking an on-line class.Computers in human behavior,18(2),151-163.

Wang,C.H.,Shannon,D.M.,&Ross,M.E.(2013).Students' characteristics,self-regulated learning,technology self-efficacy, and course outcomes in online learning.Distance Education,34 (3),302-323.

Wigfield,A.,&Eccles,J.S.(2000).Expectancy-value theory of achievement motivation.Contemporary educational psychology,25 (1),68-81.

Wolters,C.A.(1998).Self-regulated learning and college students′regulation of motivation.Journal of educational psychology,90 (2),224-235.

Wolters,C.A.(1999).The relation between high school students' motivational regulation and their use of learning strategies,effort, and classroom performance.Learning and individual differences, 11(3),281-299.

Wolters,C.A.(2003).Regulation of motivation:Evaluating an underemphasized aspect of self-regulated learning.Educational psychologist,38(4),189-205.

Wolters,C.A.,&Benzon,M.B.(2013).Assessing and predicting college students′use of strategies for the self-regulation of motivation.The Journal of Experimental Education,81(2), 199-221.

Yukselturk,E.,&Bulut,S.(2007).Predictors for student success in an online course.Educational Technology&Society,10(2),71-83.

Yusuf,M.(2011).The impactofself-efficacy,achievement motivation,and self-regulated learning strategies on students′academic achievement.Procedia-Social and Behavioral Sciences, 15,2623-2626.

Zimmerman,B.J.(2000).Self-efficacy:An essential motive to learn. Contemporary Educational Psychology,25(1),82-91.

The Impact of Learners Characteristic on Student Engagement during Online Learning: A Moderated Mediation Model

Lei Yuju1,2,3,Zhang Dongjing2,3,Niu Gengfeng2,3,Xiangen Hu2,3
(1 National Engineering Research Center for E-Learning,Central China Normal University,Wuhan 430079;2 Key Laboratory of Adolescent Cyberpsychology and Behavior,Ministry of Education,Wuhan 430079;3 School of Psychology,Central China Normal University,Wuhan 430079)

The present study investigates the predictors of student engagement during online learning.The specific predictors were self-efficacy,motivational regulation,and implicit theories of intelligence,and the moderated mediating effect of student engagement was also tested.The participants were 387 learners who enrolled in an online course in 2015 and a series of online surveys were administered.The results revealed that self-efficacy, motivational regulation,and implicit theories of intelligence were significant predictors of student engagement.The positive association between self-efficacy and student engagement was mediated by the motivational regulation. Moreover,the mediating effect of motivational regulation was moderated by the implicit theories of intelligence, Relation to the individual endorsing entity theorists,the mediating effect of motivational regulation was stronger for individual holding increment theorists.

motivational regulation,online learning,self-efficacy,implicit theories of intelligence;student engagement.

B842.3

2016-12-1

国家社科基金重大攻关项目 （11&ZD151）、中国基础教育质量监测协同创新中心课题 （2016-04-003-BZK01）、华中师范大学优秀博士学位论文培育计划项目 （2016YBZZ006）。

胡祥恩，E-mail：xiangenhu@mail.ccnu.edu.cn。