高职生的网络学习行为模型与实证研究*——基于三元交互理论

陈 平，王 军，王利钢

（南京信息职业技术学院 信息服务学院，江苏 南京210023）

一、引言

2016年6月教育部在教育信息化的“十三五”规划中提出要大力推进“网络学习空间人人通”，并且为确保职业教育信息化的推进，特提出要推动落实《职业院校数字校园建设规范》。[1]为响应教育信息化的要求，很多高职院校都纷纷建立了自己的数字化教学资源及网络教学平台，但如果要让学生借助平台主动去学习，提高他们的网络学习效果，就需要对学生的网络学习行为进行研究。

而关于网络学习行为的研究，国外的学者从1999年就已经开始，如维也纳大学的Karin Anna Hummel等人以在线学习者的学习行为为研究对象，提取在线学习数据库中的访问记录和服务器中的日志进行分析。Jia-Jiunn Lo等尝试以网络学习者的浏览行为为研究对象，分析学习者的学习风格。[2]而国内关于网络学习行为的研究较晚，截至2017年4月，在中国知网上以“网络学习行为”为检索词，采用精确匹配，检索结果为84条记录，最早的研究于2001年开始，随着高校数字资源平台的兴起，学者开始关注学生的网络学习行为，网络学习行为逐渐成为学者的研究热点，使研究规模逐渐扩张。通过对国内外的文献分析，有关网络学习行为的研究主要集中在以下两个方面：第一，通过问卷、访谈等形式调查学习者的网络学习行为现状和水平，总结影响学习者网络学习效果的行为因素；第二，研究多以自主学习能力较强的教师、本科生等对象为主，而关于高职学生的网络学习行为研究甚少，目前只有2篇文献。

由于高职学生与本科生的学业背景、学习动机、学习态度、心理以及信息素养能力都有一定的差距，要提高高职生的网络学习效果，那么研究高职生的网络学习行为就变得尤为重要。

本文拟根据班杜拉的三元交互理论，对高职生的网络学习行为的影响因素进行分析，构建高职生的网络学习行为结构模型并验证。

二、理论模型及研究假设

关于网络学习行为，学者彭文辉给出的定义是发生于E-Learning环境中的、与学习相关的各种行为。网络学习行为的主体是学习者，客体是网络学习资源，行为发生的环境是网络学习环境。[3]网络学习作为一项学习活动，其效果离不开学习者的主观能动性，为此，对于网络学习行为这样一个包含有很强心理学因素的内容，用三元交互理论能够进行比较科学和完整的研究。

三元交互理论是由心理学家班杜拉20世纪70年代在其著作《思想和行为的社会基础》中提出的，他指出，行为、环境、个体认知三方是相互影响和相互作用的，即所谓的三元交互理论模型。在该模型中，班杜拉用P代表个体的内在因素，E代表环境因素，B代表行为，双向箭头代表三者之间相互影响和作用。同时，班杜拉还提出自我效能感和结果期望对行为的影响，自我效能感是指人们对自身能否利用所拥有的技能去完成某项工作行为的自信程度。结果期望是指人对自己某种行为会导致某一结果的推测。[4]

而在网络学习中，P个体指的是特定的学习者，包括学习者的认知结构、心理结构、学习习惯、学习动机、学习能力等；E环境指的是网络学习环境，如学习场所、组织、规则等都属于学习环境，具体可包括技术环境和社会环境，如网络接入、学习界面、学习平台及网络学习资源等属于技术环境，而学习的组织、规则与支持服务等属于社会环境。B行为指的就是学习者通过网络环境自主完成学习任务或维系与他人的社会关系的行为，如观看视频、提交作业、自我测试、小组讨论、师生互动、分享学习心得等。在网络学习中这三个方面共同作用而又相互影响，三者缺一不可，否则都不能构成完整的、有效的网络学习交互模式。而学习者为达到一定的网络学习效果对网络学习能力和自我学习习惯的判断属于自我效能感，学习习惯和网络学习能力的自我效能感越强对学习行为和学习效果影响就越大。学习者的网络学习行为会直接影响网络学习的效果，进而达到学习者的结果期望。

因此，根据现有的研究成果，结合三元交互决定论的观点，本研究拟提出以下12种假设：

H1：高职生的学习习惯与网络学习行为存在显著正相关；

H2：高职生的学习动机与网络学习行为存在显著正相关；

H3：网络学习平台与网络学习行为存在显著正相关；

H4：社会环境与网络学习行为存在显著正相关；

H5：高职生的网络学习能力与网络学习行为存在显著正相关；

H6：网络学习平台与学习习惯存在显著正相关；

H7：社会环境与学习习惯存在显著正相关；

H8：社会环境与网络学习能力存在显著正相关；

H9：社会环境与网络学习动机存在显著正相关；

H10：学习习惯与网络学习能力存在显著正相关；

H11：社会环境与网络学习平台存在显著正相关；

H12：高职生的网络学习行为与网络学习效果存在正相关关系。

关于假设H1-H4，学者从不同的角度做了相应的研究。李玉斌等人在文献中提出，网络学习态度对网络学习行为具有显著的影响；[5]2015年周亚玲、郑莎[6]指出学习动机对学习者的学习活动的选择即学习行为起着决定性的作用；张家华在其论文中提出网络学习环境可保证网络学习行为正常持续进行；[7]贾斌在文献中通过相关的技术验证了师生交互与学习行为有显著的相关性。[8]但他们的研究对象是本科或研究生，对于是否适合高职学生，还有待再验证，所以笔者再次提出假设。

根据上面的阐述，本文给出的网络学习行为理论模型如图1所示。

图1 网络学习行为理论模型

图1中学习者的学习习惯、网络学习动机以及网络学习能力属于学习者的内在特质，其中学习习惯和网络学习能力的自我认知属于自我效能感；社会环境（教师及他人）和学习平台属于网络学习环境。

三、高职网络学习行为模型的实证研究设计与分析

1.研究设计与数据采集

为了检验研究假设和提出的理论模型，将采用问卷调查法对在校的高职生进行调查。根据现有的研究成果，结合理论模型，设计了调查问卷，问卷中确定了7个维度和37个测量变量，具体如表1所示。

表1 问卷的维度、测量项目

调查采用网络和纸质相结合的方式进行，调查时间为2017年3月13日到2017年3月26日。问卷采用Likert五点量表测量法，调查对象为南京地区在校的高职学生，调查共发放1050份问卷，回收有效问卷1014份，回收率96.6%，其中男生占57.99%，女生占42.01%；79.39%的学生选择有网络学习经历，表明大多数高职学生开始使用网络进行学习。

2.信度检验

笔者选取目前最常用的Cronbachα系数对问卷进行信度检验。Cronbachα信度检验的标准是：系数＞0.8，属于高信度；系数＞0.7，信度较好；系数＞0.6，可以接受；若系数＜0.6需要修改问卷。使用SPSS18统计软件计算出的总量表Cronbachα系数为0.961，各维度的信度检验如表2所示。

表2 各维度的Cronbachα系数

由表2可以看到，7个维度以及总量表的Cronbach α系数均在0.80以上，表明使用的量表具有较高的信度。

3.探索性因子分析

为了检验问卷设计中主要因子与测量变量之间的对应关系，需要对测量数据做探索性因子分析。因子分析中常使用主成分分析法得到因子，它不对理论因子的个数、测量变量与理论因子关系做任何预先的假定，这样就能发现问卷设计中的问题。主成分分析法一般要求测量变量与因子的载荷系数要大于0.4。[11]

在做因子分析之前，先要对问卷的效度进行分析，常使用KMO值来表示效度，若KMO＞0.8，说明效度非常高，若KMO＞0.7，说明效度较好。对样本经过分析得到的KMO值为0.967，表明本研究使用的量表具有较高的效度，适合做探索性因子分析。

在本次调查中，先对270名高职生调查，针对调查数据做了主成分因子分析，由于个别变量平均分布于几个因子，而且系数相差都不足0.1，需要删除，如测量变量 19、20、27，即“出于兴趣的学习动机”、“参与网络辅助的课程学习”、“我的网络学习与老师的的课程紧密相关”三项删除，然后再展开调查。

除了学习者的个体特征及网络学习效果10个测量变量之外，对其余的测量变量做因子分析，载荷系数设置为0.5，得到4个主成分，其对应的旋转成分矩阵如表3所示。

其中主成分1表示网络学习环境，主成分2表示学习者的自我效能感，主成分3表示网络学习行为，主成分4表示网络学习动机。

然后，再对网络学习环境中的测量变量Q26-Q27做因子分析，提取的因子数值设置为2，结果两个主成分中的变量分别是Q26-Q31、Q32-Q37，同理自我效能感中的测量变量Q6-Q14做因子分析，两个主成分的变量是Q6-Q9、Q10-Q14，这4个主成分分别对应问卷中的社会环境、网络学习平台、学习习惯、网络学习能力，结果与笔者当时设计问卷的想法基本一致。所以，对样本数据进行研究有较高的效度。

4.模型验证

本研究采用AMOS21软件工具建立网络学习行为结构方程模型，并检验理论模型。AMOS软件是分析变量间的一种线性结构关系(LinearStructuralRelationships,LISREL)，它是一种以协方差结构为基础的建模方法，所以称协方差结构模型为LISREL模型。LISREL模型已普遍应用于经济、营销、心理及社会学，用于探讨问卷调查或实验性的数据中潜在变量间的假设关系。基于LISREL的结构方程模型包括显变量和潜变量两种变量、测量模型和结构模型两种模型。潜变量又包括内生潜变量和外生潜变量，内生潜变量是指在模型中受到任一变量影响的变量；外生潜变量是指在模型中未受其他变量的影响，却直接影响别的变量的变量。

结构方程模型检验可通过X2检验、TLI、RMSEA、NFI、CFI、IFI、RMR 等各种拟合指数对模型进行评价，也可通过“t”检验值对模型中的变量做显著性检验。[12]

根据理论模型建模，AMOS软件运行结果的拟合度指标如表4所示，各项的拟合指标中除了CMIN/DF、RMSEA的值稍微有点偏高之外，其它都符合要求。因此，模型的拟合度较好。

表4 模型的拟合度指标

模型运行得到的模型参数估计如图2所示。图中的椭圆表示潜变量，内生变量上要加一个残差项，如图2中的e35-e41。矩形表示显变量或测量变量，单向箭头表示外生潜变量与内生潜变量间的因果关系，箭头旁边的数字表示路径系数。

图2 网络学习行为模型实证结果

从图2可以看出，各潜变量间的路径系数均为正值，其中学习动机和学习能力与网络学习行为间的系数为0.07和0.11，说明学习动机和学习能力对网络学习行为有影响，但影响程度较小。

5.假设检验结果分析

检验变量间的关系是否显著，要看各潜变量间的检验统计量临界比C.R.值和P值，若C.R.＞1.96且P＜0.001，则表明关系显著。表5表明，H2、H5的路径系数0.067和0.11，两者P值都大于0.001，说明网络学习动机、网络学习能力对网络学习行为有正向影响，但不显著，即假设检验未通过，而 H1、H3、H4、H6、H7、H8、H9、H10、H11、H12这9个假设都通过了显著性检验，即学生的学习习惯、网络学习平台、社会环境与网络学习行为正相关，学习平台、社会环境与学习习惯正相关，社会环境与网络学习能力、学习动机正相关，学习习惯与网络学习能力正相关，社会环境与网络学习平台正相关，网络学习行为与网络学习效果正相关。从表5可以看出，H3、H6、H10、H11、H12 的路径系数都大于 0.4，变量影响程度强，而H1的路径系数小于0.2，表明高职生的学习习惯对网络学习行为的影响程度较弱。

表5 变量间的路径系数和假设检验情况表

根据上面的分析结果，对网络学习行为模型进行修正，修正后的模型如图3所示。

图3 修正的网络学习行为模型

四、研究结论

影响高职学生网络学习行为的因素包括学生的学习习惯、网络学习平台、教师同学及他人等社会环境，其中网络学习平台和教师同学对学习行为的影响较大，而学生的学习习惯对学习行为的影响较低。具体来说，教师的指导、监控、互动交流、教师对学习的反馈、同学及网络上他人的知识分享和学习建议、学习平台上学习资源的丰富性和系统性、平台的易操作以及平台上教学内容安排的合理性和导向性，是影响网络学习行为的主要因素，而高职生学习的目标性、计划性、主动性则对网络学习行为有显著的影响。

同时，结果中显示网络学习行为对网络学习效果有很强的影响，所以学习习惯、网络学习平台、教师同学及他人等社会环境与网络学习行为一起影响着网络学习效果，那么就有必要分析这几个因素之间的关系。

高职学生的学习习惯受到教师同学以及网络教学平台的影响。意味着在高职院校教师如果对学生倾注较多的关注，利于学生良好学习习惯的养成，譬如教学中教师抓紧考勤、加强师生交流、采取学习激励措施、及时的学习反馈能增强学生的学习激情，专业教师也可引导低年级的学生确定自己的学习目标、制订学习计划，这样学生就比较容易进入学习的良性循环，而保持学习的动力，学会学习，促进他们养成良好的学习习惯。另一方面，由于网络学习平台主要是教师根据课程目标和学生需求进行的教学设计，合理的设计会增加学生学习的自我测试次数、增加师生互动及同学间相互沟通的机会，同时学生也会按照学习平台设计的思路有时间性和针对性地完成学习目标，当这些都按要求完成之后，平台和教师就会给出相应的学习反馈，譬如完成率、正确率、测试成绩、班级排名等，这样无形中就培养了学生良好的学习习惯。

虽然，本研究中网络学习能力、网络学习动机对网络学习行为的影响假设未得到验证，但它们之间还是存在着一定的影响，还是需要对学习能力和学习动机进行分析。

高职学生的网络学习能力受到学生自身学习习惯和教师同学及他人的影响。在大数据背景下，高职院校的学生若要适应信息化社会，就需要有较强的网络学习能力，即通过网络能快速地搜索到目标知识、高效地辨别和筛选有价值的信息并能够理解网络中获得的知识和内容。这种网络学习能力需要学生主动地、有计划地去培养和学习，而有良好学习习惯的学生，本身对学习就有一定的目标性、计划性和主动性，所以学习习惯对网络学习能力有非常显著的影响。

网络学习动机主要受到教师和他人的影响。高职生的网络学习动机大多是外在动机，譬如作业、考试、就业等，而自发的网络学习较少，所以教师和同学是网络学习动机的直接影响者，张文兰、牟智佳[13]在文献中指出教师对教学活动的设计、学习资源、教师的教学反馈及奖励、同伴协助都会影响学生的学习动机。

五、结束语

本文研究过程中，对学习者、网络学习环境及学习行为这几个因素是通过文献、访谈和咨询等方式进行的探讨和筛选，所以构建的理论模型还有一些重要因素，如学生喜欢使用的搜索工具、学生沟通工具的倾向等都可能会对网络学习行为产生影响，所以后期还需要对网路学习行为模型进一步细化，并扩大研究范围。

[1]教育部关于印发《教育信息化“十三五”规划》的通知[EB/OL].http://www.moe.edu.cn/srcsite/A16/s3342/201606/t20160622_269367.html.

[2]黄克斌.网络学习行为及其分析系统研究[D].华中师范大学,2006.

[3]彭文辉.网络学习行为分析及建模[D].华中师范大学,2012.

[4]BANDURA A;陈欣银,李伯黍译.社会学习理论[M].沈阳:辽宁人民出版社,1989:20-22.

[5]李玉斌,严雪松,姚巧红,褚芸芸,南丽岚.网络学习行为模型的建构与实证——基于在校大学生的调查[J].电化教育研究,2012(2):39-43.

[6]周亚玲,郑莎.大学生网络学习行为的影响因素分析及改进策略[J].软件导刊(教育技术),2015(4):44-46.

[7]张家华.网络学习的信息加工模型及其应用研究[D].西南大学,2010.

[8]贾斌.师生交互对网络学习绩效的影响研究[D].聊城大学,2014.

[9]万达.硕士研究生网络自主学习影响因素探究[D].南京邮电大学,2013.

[10]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,2012.

[11]徐云杰.社会调查设计与数据分析——从立题到发表[M].重庆:重庆大学出版社,2011.1:189-190.

[12]李晓鸿.LISREL与PLS建模方法的分析与比较[J].科技管理研究,2012(20):230-233.

[13]张文兰,牟智佳.高师院校大学生网络学习动机影响因素的实证研究[J].电化教育研究,2013(12):50-55,59.