数字素养视角下在线学习平台使用影响因素实证研究*

陈涛 石珂

摘   要：提高公众数字素养、发挥在线学习平台的作用，是跨越数字鸿沟的重要途径。这就需要对数字素养如何影响在线学习平台的使用进行分析。文章以在线学习平台典型用户大学生为对象，建立一个以技术接受和沉浸感理论为基础的精简结构模型，并通过问卷调查方法获取数据验证假设模型。结论是： 感知愉悦性与感知有用性是个人使用在线学习平台的重要影响因素;提高个人数字素养，能够增强其学习的感知愉悦性与感知有用性;数字素养对学习平台使用不仅直接产生影响，还以感知有用性与感知愉悦性为中介发挥作用。此外，感知有用性与感知愉悦性对学习平台使用意愿存在交互作用。

关键词：数字素养;感知有用性;感知愉悦性;在线学习平台

中图分类号：G434 文献标志码：A 文章编号：1673-8454（2019）21-0011-08

一、引言

社會进步水平要求大众相应的素养提升，数字化社会显然需要数字化素养与之相适应。欠发达地区之所以落后，教育资源相对落后是重要原因，特别是在互联网时代，那些不擅于通过IT和互联网获取知识与技能的人，必将成为新的“数字贫民”。而在线学习平台，为欠发达地区带来了海量学习资源，通过网络获取资讯、学习知识，正是跨越“数字鸿沟”，提高欠发达地区数字化水平的根本途径。这说明本研究具有现实意义。

数字素养的研究，这些年主要是以发达地区、发达国家为背景，以广大的发展中国家为背景的研究还很不足[1]。卢锋从媒介素养角度，通过对比法国、澳大利亚、日本等发达国家或地区的媒介素养教育， 提出面向欠发达地区、农村地区进行媒介素养研究的必要性[2]。许欢、尚闻一认为，我国已有研究大量集中在媒介素养、信息素养方面，数字素养的研究在国内应该得到更多的重视[3]。希望本研究是对相关理论有益的探索。

二、理论基础与研究假设

1.理论基础

“素养”是一个整体性概念，在传统社会，素养主要指公民的听、说、读、写能力，在信息社会，仅仅具有传统素养显然不能适应社会发展，公民需要更广泛意义上的媒介识读能力，这就是数字素养。Gilster[4]定义数字素养为理解及使用各种数字资源及信息的能力。Eshetalkalai[5]认为，数字素养是数字化时代的生存能力，是公民的基本技能要求。从上述数字素养概念介绍看，数字素养与数字能力显然有着非常紧密的关系，事实上，近年来，欧美国家研究者的确越来越多使用数字竞争能力（Digital Competence）来表征数字素养，反映出越来越重视从能力的角度对数字素养进行研究[6]，甚至以数字能力代表数字素养[7-8]。对于在线学习平台而言，数字能力的高低是否意味着个人使用在线学习平台的意愿强弱，本研究将对此进行验证分析。

Mohammadyari and Singh以UTAUT模型为基础，验证了数字素养对绩效期望有正向影响[9];Yu，Lin and Liao以台湾地区为例，分析认为信息素养对信息技术（ICT）采纳有调节作用，可以对数字素养进行操作性定义，形成问卷题项，利用结构方程，作为影响在线学习重要因素进行验证[10]。从实践看，就欠发达地区而言，数字素养最主要的体现在于，当地普通民众是否具有利用互联网开展社交、获取资讯，甚至能够在线学习专业知识的能力。欠发达地区由于学习资源相对更缺乏，通过网络进行学习就显得尤为重要，从这一现实出发，以欠发达地区为背景，针对在线学习影响因素的相关研究，基于系统采纳的研究至少有现实价值。基于此，本文以经典的TAM模型[11]为基础，将数字素养纳入模型作为最重要的外生变量。同时，考虑到学习乐趣对学习效果的重要性，将感知愉悦性纳入模型作为一个重要内生变量[12]。

2.研究假设

（1）感知有用性

源自理性行为理论[13]的技术接受模型因为对信息技术采纳影响因素的有力解释在国内外被广泛采用。感知有用性是TAM模型最主要的衡量指标。感知有用性衡量了采纳某一系统或技术可能会提升个人绩效的程度。Davis，Bagozzi and Warshaw证实了感知有用性是使用意向的主要影响因素[11];Nabavi，Hanafizadeh and Taghavi-Fard等[14]通过对IT技术持续使用文献回顾发现，有99篇文献以感知有用性为主要变量，感知有用性是近20年里，相关研究中被使用最多的变量之一。其中的一个应用就是将感知有用性作为在线持续学习（Online learning or E-learming）的重要影响因素。本文认为，对欠发达地区而言，感知有用性同样也是影响在线学习平台使用的重要因素，为此，作如下假设：

H1：在线学习平台感知有用性对个人的在线学习平台使用意愿有正向影响。

（2）感知愉悦性

感知愉悦性是一种用户在使用产品或服务中的内在感受，Webster and Martocchio[15]分析发现，感知愉悦性对计算机培训效果有影响，文献[12]将感知愉悦性作为重要变量，研究发现感知愉悦性对在线学习有正向影响。在本文中，感知愉悦性用来度量研究对象在使用在线学习平台时，个人在学习中体会到快乐的强弱。当人机互动进入一定状态后，个人心理上开始得到一种满足感，由于沉浸其中，往往会觉得时间过得很快，进而增加了使用特定系统或技术的可能性，基于此，本文提出以下假设：

H2：在线学习平台感知趣味性对个人的在线学习平台使用意愿有正向影响。

（3）数字素养

对于互联网一代，尤其是大学生，使用PC、手机等通过百度、微博、微信获取并分享资讯已成为日常生活，因此，传统意义上的听、说、读、写以及批判性思维能力的培养，已经不可避免地要求通过数码设备、应用软件或APP实现。传统信息贫乏早已被信息丰益所代替，民众对数字素养的要求应该体现在对海量信息的筛选、评估和吸收再形成新知识的能力等，并且随着数字环境的变化做出相应调整。通过对数字素养概念和相关研究的简要回顾，可以认为，数字素养越高，获取信息资源、分析信息资源的能力越强，对互联网和IT相关的技术越敏感，个人将更有自信以更少时间来了解新技术、获取新知识。就在线学习平台而言，这意味着，个人数字素养越高，就越能感受到在线学习平台海量资源的价值。基于此，从数字素养的角度，本文提出以下假设：

H3：个人的数字素养对在线学习平台感知有用性有正向影响。

对于数字土著或互联网一代，使用数字设备似乎是有天然亲切感的，数字设备的重要作用是刷微博、玩游戏，“有趣、好玩”成为采纳一个新系统或技术的重要标准，学习也不例外，所以有了游戏式学习的概念[16]。不应感到意外的是，越熟悉数字设备的使用，越了解系统或技术的特点，越可能产生亲近感，沉浸在系统或技术使用中[17-19]。在游戏行业，随着对游戏规则的熟悉，人们对游戏的使用越发得心应手，就越能产生更大的愉悦感，最终甚至可能成为网络游戏成瘾的原因[20]。就在线学习平台而言，本文认为，数字素养越高，对在线学习平台产生好感的可能性越大，就可能会在更快时间内沉浸其中，基于此，本文提出以下假设：

H4：个人的数字素养对在线学习平台感知趣味性有正向影响。

此外，个人数字素养越高，就越能够更快熟悉平台设计界面、搜索规则等，从而通过在线平台学习进一步提高的内在动力越强，更容易合理使用在线学习平台资源，以满足自己不同阶段的知识、信息需求;更能感受到在线学习平台海量资源的价值，进而通过对平台的价值评估影响对学习平台的使用意愿;用户初始使用能产生好感，并进而沉浸其中，进而通过对平台使用的沉浸影响进一步使用平台的意愿，基于以上分析，提出下列假设：

H5：个人的数字素养对在线学习平台使用意愿有正向影响。

H6：个人的数字素养透过感知有用性正向影响在线学习平台使用意愿。

H7：个人的数字素养透过感知趣味性正向影响在线学习平台使用意愿。

（4）感知有用与感知愉悦的交互效应

由于不同的人对同样的事物常常有不同的愉悦感体验，归纳感知愉悦性的特征比较困难。因此，研究者一般是基于沉浸理论（Flow Theory），刻画感知愉悦性作为与情景交互作用下的一种状态变量。就在线学习而言，感知有用性也是用户主观上认为使用或学习某一个技术可能在一定情景下产生的绩效。感知有用性与感知愉悦性之间应该有联系，事实上，文献[12]将感知愉悦作为有用性的前因变量，而Terzis and Economides[21]的研究则把感知愉悦作为感知有用性的结果变量。我们认为，感受到一个学习平台的学习乐趣，可能会提高用户对这一学习平台的价值评价，增强对平台的使用意愿，而感受一个学习平台的价值越高，可能会提高用户对这一学习平台的使用兴趣，也增强对平台的使用意愿，基于此，提出以下假设：

H8：感知趣味性与感知有用性之间的交互作用对在线学习平台使用意愿有正向影响。

根据上述分析假设，建立概念模型如图1所示。

三、研究方法

1.问卷设计

本研究以结构性问卷采用从完全不同意到完全同意的likert5点量度，采纳了Bollen[22]问卷设计中最好引用已有研究的建议，问卷主要量表题项来自于国内外已有设计，根据本文的研究对象与研究内容加以修改调整形成。其中，数字素养量表题项主要依据文献[9-10][23][25]、感知有用性量表题项主要依据文献[26-27]，感知愉悦性量表题项主要依据文献[12][17][19]、行为意愿量表题项主要依据文献[28]。在设计问卷题项过程中，首先进行了预调查，根据调查结果做了试探性信度分析，调整了部分题项，对部分题目的说法、编排等适当进行了调整，最终确定了现在的测量条目。

2.数据收集

依据创新扩散理论，在一个地区内，技术的扩散总是少数领先用户使用后逐渐在更大范围开始应用的[29]。在欠发达地区，大学生是在线学习平台的领先用户。 Lee[30]从信息素养角度，指出大学、研究机构是很好的信息素养提升场所。因此，以欠发达地区大学生为研究对象，研究欠发达地区的数字素养具有针对性。实际抽样中，主要选取了贵州某大学电子商务、信息管理相关专业的大三、大四学生为调查对象，进行相关问卷发放。经核实，所有调查对象均有慕课等在线学习的经验。整个调查修改过程耗时约3个月，总共回收有效问卷219 份。有效问卷中有男性51人、女性168人，所有调查对象均来自西部地区，其中来自县城及以下乡镇的问卷共有184份，约为调查总数的84%。

在工具使用上，近年来大量国际顶级社会科学期刊尤其是心理学期刊使用结构方程模型发表论文[31]，并且在潜变量数目为5-7内，使用AMOS是合适的。模型复杂潜变量超过7个时，尤其是形成型模型的分析，需要采用PLS软件进行分析。没有证据表明，使用AMOS比使用PLS、LISREL等其它软件撰写论文在国际权威期刊更可能被拒[32]。因此本研究将采用AMOS21.0软件进行分析。

四、数据分析与结果

问卷汇总后，按照AMOS的验证规范流程，首先对潜变量与观察变量之间关系的测量模型进行验证式分析，其次对潜变量之间关系的结构模型进行验证。其中数字素养用DL表示、感知有用性用PU表示、感知愉悦性用PP表示、行为意愿用BI表示。

1.信度与收敛效度验证

验证性因子分析（CFA：Confirmatory Factor Analysis）在SEM建模中扮演着关键的角色。由于通过测量模型就可以发现模型中的观察变量是否相关并具有内部一致性[33]，因此，在對结构模型进行分析之前，应该先分析测量模型[34]。平均变异数萃取量（AVE：Average of variance extracted）计算了观察变量对该潜变量的变异解释力，较高的AVE表示潜变量有较高的信度与收敛效度，Fornell and Larcker建议其标准值应大于0.5;组成信度（Composite Reliability，CR值）表征了构念指标的信度，CR值越高，指标的内部一致性越强，Fornell and Larcker[35]认为0.6以上是可以接受的。根据Hair，Anderson and Tatham等的分析建议，如因子载荷系数（Factor loading）>=0.6、多元相关系数的平方（Square  Multivariate Correlation，SMC）>=0.4、信度（CR）>0.7、AVE>0.5，那么可以接受模型具有收敛效度[36]，特别是探索性分析，稍微低于判断值也可接受。本研究模型的四个潜变量分别为数字素养、感知有用性、感知愉悦性、行为意愿。通过CFA分析，所有潜变量的标准负荷量除数字素养中信任维度（DL2）的标准因素负荷稍低（0.597），其余均在0.6～0.9之间，且达显著，如表1所示，符合 Fornell and Larcker（1981）及Hair et al（2009）的标准。本研究中，数字素养有一定的探索性，验证值均具可接受范围。因此，本研究测量模型具有收敛效度。

2.区别效度验证

区别效度用来验证两个不同变量在统计上是否有差异。验证区别效度的方法比较多，常用的有平均方差萃取法[35][37]、信赖区间法[38]等，其中，信赖区间法较为适合应用于变量之间相关性较高的情况[34][39]。信赖区间法通过Bootstrap建立变量之间相关系数的信赖区间，区间如果未包含1，则表示变量之间具有区别效度[38]。Bootstrap提供Bias-corrected和Percentile Method两种信赖区间的估计方式。本研究采用Bootstrap法进行1000次的重复抽样，在95%的信心水平下，得到以上两种方法估计的信赖区间，如表2所示。结果表明，点估计值显著（Z>2），所有的标准化相关系数信赖区间均未包含1，不能接受变量之间完全相关，因此，测量模型具有区别效度。

3.结构模型检验

通过对每一个潜变量的验证分析并不能保证模型没有违反估计的问题，这就需要将整个模型潜变量重新架构成验证性因素进行分析。验证结果表明，卡方值（chi-square）为49.897，自由度为38，卡方/自由度（chi-dquare=＼df）为1.313，GFI、AGFI、 CFI分别为0.962、0.934、0.988，RMESA为0.038，模型通过Bollen二阶段验证。另外，由表3可见，变量间没有相关系数大于0.8，也没有低于0.20，可以认为变量之间中度相关，无多重共线性关系，可进一步进行结构模型分析。

模型配适度是SEM分析的必要条件[40]。配适度越好即代表模型矩阵与样本矩阵越接近。依照参考文献[48][50][41][51]的标准，本研究配适度指标主要报告卡方检定、卡方值与自由度的比值、配适度指标（GFI）、调整后的配适度指标（AGFI）、比较配适度指标（Comparative Fit Index，CFI）、平均近似误差均方根（Root Mean Square Error of Approximation，RMSEA）、非基准配适指标（Non-Normed Fit Idex，NNFI）、渐增式配适指标（Icreamental Fit Index，IFI）。由表4可见，AGFI虽小于0.9，但也在可接受范围内，主要指标均符合标准要求。

表5表明了各变量之间路径系数估计值均达到显著水平，其中除数字素养在p < 0.01的水平上，其余系数均在p < 0.001水平上达到显著。

4.交互效应与中介效应分析

（1）交互效应分析

本研究假设了感知有用性与感知愉悦性对行为意愿有交互作用。交互效应的验证采用多层式回归的方法。为避免多重共线性问题，我们首先对变量进行标准化处理[47]，然后，将主效应（数字素养、感知有用性与感知愉悦性）放在第一层，将交互作用放在第二层。其线性回归方程如下：

BI=α+？茁0DL+？茁1PU+？茁2PP+？茁3PU·PP+？着（1）

在式（1）中，DL、BI、PU、PP与前述概念一致，α为截距，ε为随机误差项。根据已有主效应及其交互作用的文献方法[48]，本研究得到回归结果如表6所示。由表6可见，在第一层，数字素养、感知愉悦性与感知有用性对行为意愿均显著，这也与结构方程模型验证结果一致;第二层的结果再一次显示了数字素养、感知愉悦性与感知有用性对行为意愿影响的稳定性，则其交互效应存在。因此，在多层回归模型中，本研究前述所有相关假设均得到了支持。

根据表5与表6的结果，得到最终验证结果如图2所示。

（2）中介效应分析

Baron and Kenny[49]开创性地使用因果法（casual step method）进行了结构方程模型中潜变量之间的中介效应检验。不过Mackinnon已经指出了这一方法更大程度上是明确中介效应的条件[50]，而非进行中介效应检验，则这一方法主要应用在单一中介檢验[51]。系数相乘法是因果法的有力补充，系数相乘法主要是为处理多中介效应验证而设计[52]。Sobel Test是广受欢迎的系数相乘法[53]，然而该方法的最大缺陷是要求中介效应（ab）样本分布是正态的[54]，而Bollen and Stine[55]以及Stone and Sobel[56]证明了中介变量系数乘积样本分布存在较大峰度与偏度。因此，能有效避免相关缺陷的Bootsrape法成为多中介效应验证的主要方法。

在二个以上中介模型中，中介效应检验最重要的作用就是评估特定变量的中介效应[57]。本研究有二个中介效应需要检验。综合以上对中介效应验证方法的分析，借鉴Preacher and Hayes[58]的文献，本文采用Bootstrape方法进行中介效应验证。在95%水平下，得到中介效应分析结果如表7所示。由表7可见，总中介效应点估计、Bias-corrected估计与Pencentile method估计均不包含0，说明了总中介效应成立。同理，数字素养会透过感知有用性对行为意愿产生影响（DL-->PU-->BI）;数字素养会透过感知愉悦性对行为意愿产生影响（DL-->PP-->BI）。从估计值看，透过感知有用性的中介效应参数估计值为0.263;透过感知愉悦性的参数估计值为0.272。感知愉悦性的影响力约大于感知性有用性的影响力，但对二个变量的特定中介效应（PP-PU）进行对比，系数相乘法与Bootstrapping的置信区间均包含0，显见二变量之间的中介效应影响力并无明显差异。

5.结果

本研究基于数字素养视角分析欠发达地区在线学习平台的影响因素，建立了以数字素养为主要外生变量，以及以感知有用性和感知愉悦性为主要内生变量的精简模型，通过对模型假设进行统计验证，得到假设验证结果如表8所示。由表8可见，所有假设均得到支持，结合图2，所有变量对在线学习平台使用意愿的解释力（R2）达到了0.7，说明了数字素养、感知有用性与感知愉悦性对在线学习平台的使用有相当大的影响力。其中，感知愉悦性的路径系数最大，对行为意愿的路径系数为0.371;数字素养对行为意愿的路径系数为0.27，对在线学习平台的直接影响最小。虽然，数字素养对在线学习平台的直接影响相对较小，但数字素养对感知愉悦性有正向影响的假设得到验证，其路径系数为0.638;对感知有用性有正向影响的假设，验证结果显著，路径系数为0.63;对感知愉悦性、感知有用性的影响十分明显，则数字素养会透过感知愉悦性与感知有用性影响在线学习平台的假设得到验证，为部分中介效应。此外，在不同文献中，感知愉悦性与感知有用性存在互为前置变量的分析，本文由此假设，感知有用性与感知愉悦性存在交互作用，共同影响用户的在线学习平台使用意愿，经分析这一假设成立，统计结果显著。因此，拓展了二个变量关系的分析。

五、结论

在线学习平台为欠发达地区带来海量学习资源，是欠发达地区跨越“数字鸿沟”，提高地区数字化水平的根本途径。而数字素养对在线学习平台的使用有重要影响。本研究采用结构方程模型，基于数字素养的视角对在线学习平台影响因素进行假设验证。分析结果表明，感知有用性、感知愉悦性对在线学习平台的使用意愿有直接的正向影响，而提高个人数字素养能够有效增强在线学习的感知愉悦性与感知有用性，模型存在双重中介效应。因此，数字素养对在线学习平台的使用通过直接与间接的方式形成影响。其次，感知有用性与感知愉悦性会产生交互作用，对在线学习平台使用意愿产生影响。

参考文献：

[1]林晓华.少数民族媒介素养教育体系的构建[J].西南民族大学学报（人文社科版），2007，28（12）：115-119.

[2]卢锋，张舒予.家庭媒介素养教育：媒介素养教育本土化的重要途径[J].电化教育研究，2012（5）：11-16.

[3]许欢，尚闻一.美国、欧洲、日本、中国数字素养培养模式发展述评[J].图书情报工作，2017（16）：98-106.

[4]Gilster P. Digital literacy[M]. John Wiley & Sons， Inc.， 1997.

[5]Eshetalkalai Y. Digital Literacy： A Conceptual Framework for Survival Skills in the Digital Era.[J]. Journal of Educational Multimedia & Hypermedia， 2004，13（1）：93-106.

[6]Alamutka K. Mapping Digital Competence： Towards a Conceptual Understanding[J]. Institute for Prospective Technological Studies， 2011.

[7]王佑鎂， 杨晓兰， 胡玮等. 从数字素养到数字能力：概念流变、构成要素与整合模型[J].远程教育杂志， 2013（3）：24-29.

[8]Eshet Y. Thinking in the Digital Era： A Revised Model for Digital Literacy[J]. Issues in Informing Science & Information Technology， 2012（9）：267-276.

[9]Mohammadyari S， Singh H. Understanding the effect of e-learning on individual performance： The role of digital literacy[J]. Computers & Education， 2015，82（C）：11-25.

[10]Yu T K， Lin M L， Liao Y K. Understanding factors influencing information communication technology adoption behavior： The moderators of information literacy and digital skills[J]. Computers in Human Behavior， 2017（71）：196-208.

[11]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.

[12]Padilla-Meléndez A， Aguila-Obra A R D， Garrido-Moreno A. Perceived playfulness， gender differences and technology acceptance model in a blended learning scenario[J]. Computers & Education， 2013，63（1）：306-317.

[13]Fishbein M， Ajzen I. Belief， Attitude， Intention and Behaviour： an introduction to theory and research[J]. Philosophy & Rhetoric， 1975，41（4）：842-844.

[14]Nabavi A， Hanafizadeh P， Taghavi-Fard M T， et al. Information Technology Continuance Intention： A Systematic Literature Review[J]. International Journal of E-Business Research， 2016，12（1）：58-95.

[15]Webster J， Martocchio J J. Microcomputer Playfulness： Developing a Measure With Workplace Implications[J]. 1992，16（2）：201-226.

[16]Marc， Prensky， 胡智标 等. 数字土著 数字移民[J]. 远程教育杂志， 2009（2）：48-50.

[17]Csikszentmihalyi M. Beyond Boredom and Anxiety： The Experience of Play in Work and Games[J]. Quest， 1975.

[18]Kang Y S， Hong S， Lee H. Exploring continued online service usage behavior： The roles of self-image congruity and regret[J]. Computers in Human Behavior， 2009，25（1）：111-122.

[19]Lin C S， Wu S， Tsai R J. Integrating perceived playfulness into expectation-confirmation model for web portal context[J]. Information & Management， 2005，42（5）：683-693.

[20]魏華， 周宗奎， 田媛等. 网络游戏成瘾：沉浸的影响及其作用机制[J].心理发展与教育， 2012（6）：651-657.

[21]Terzis V， Economides A A. The acceptance and use of computer based assessment[J]. Computers & Education， 2011，56（4）：1032-1044.

[22]Bollen K. Structural equation models with latent variables[J].1989.

[23]Wan N. Can we teach digital natives digital literacy？[J]. Computers & Education， 2012，59（3）：1065-1078.

[24]Van Vliet P J A， Kletke M G， Chakraborty G. The measurement of computer literacy[J]. International Journal of Human-Computer Studies， 1994，40（5）：835-857.

[25]Koltay T. The Media and the Literacies： Media Literacy， Information Literacy， Digital Literacy[J]. Media， Culture & Society， 2011，33（2）：211-221.

[26]Davis F D. Perceived Usefulness， Perceived Ease of Use， and User Acceptance of Information Technology[J]. Mis Quarterly， 1989，13（3）：319-340.

[27]Hsu C L， Lin C C. Acceptance of blog usage： The roles of technology acceptance， social influence and knowledge sharing motivation[J]. Information & Management， 2008，45（1）：65-74.

[28]Venkatesh V， Morris M G， Davis G B， et al. User Acceptance of Information Technology： Toward a Unified View[J]. Mis Quarterly， 2003，27（3）：425-478.

[29]Rogers E M. Diffusion of Innovations， Fifth Edition[M]. 2003.

[30]Lee A S. Editor's comments： information systems literacy and the responsibilities of business schools and universities[J]. Mis Quarterly， 2001，25（2）：v-vi.

[31]Hershberger S L. The Growth of Structural Equation Modeling： 1994-2001[J]. Structural Equation Modeling  A Multidisciplinary Journal， 2003，10（1）：35-46.

[32]Babin B J， Hair J， Boles J S. Publishing research in marketing journals using structural equation modeling[J]. Journal of Marketing Theory and Practice， 2008，16（4）：279-285.

[33]Fornell C G， Bookstein F L. Two structural equation models： LISREL and PLS applied to consumer exit-voice theory.[J]. Journal of Marketing Research， 1982，19（4）：440-452.

[34]Anderson J C， Gerbing D W. Structural equation modeling in practice： A review and recommended two-step approach[J]. Psychological Bulletin， 1988，103（3）：411-423.

[35]Fornell C， Larcker D F. Evaluating Structural Equation Models with Unobservable Variables and Measurement Error[J]. Journal of Marketing Research， 1981，18（1）：39-50.

[36]Hair J F， Anderson R E， Tatham R L， et al. Multivariate data analysis， 7th Ed.[M]. Upper Saddle River， NJ：Prentice Hall.， 2009.

[37]Bagozzi R P， Fornell C， Larcker D F. Canonical Correlation Analysis As A Special Case Of A Structural Relations Model[J]. Multivariate Behavioral Research， 1981，16（4）：437-454.

[38]Torkzadeh G K X P K. Confirmatory analysis of computer self-efficacy[J]. Structural Equation Modeling， 2003，10（2）：263-275.

[39]Ping RA. On assuring valid measures for theoretical models using survey data[J]. Journal of Business Research， 2004，57（2）：125-141.

[40]Byrne B M. Structural equation modeling with AMOS：  Basic concepts， applications， and programming.[M]. Routledge， 2009.

[41]Jackson D L， Gillaspy J A， Purcstephenson R. Reporting practices in confirmatory factor analysis： An overview and some recommendations.[J]. Psychological Methods， 2009，14（1）：6-23.

[42]Schreiber J B. Core reporting practices in structural equation modeling.[J]. Research in Social & Administrative Pharmacy， 2008，4（2）：83.

[43]Chin W W， Todd P A. On the Use， Usefulness， and Ease of Use of Structural Equation Modeling in MIS Research： A Note of Caution[J]. Mis Quarterly， 1995，19（2）：237-246.

[44]Mcdonald R P， Ho M H. Principles and practice in reporting structural equation analyses[J]. Psychological Methods， 2002，7（1）：64-82.

[45]Hoyle R H. Structural Equation Modeling： Concepts， Issues， and Applications[J]. Library Quarterly， 1995，66（2）：253-256.

[46]Boomsma A. TEACHERS CORNER Reporting Analyses of Covariance Structures[J].2000.

[47]Cohen， Jacob. Applied multiple regression/correlation analysis for the behavioral sciences.[M]. L. Erlbaum Associates， 2003.

[48]Aiken L S， West S G. Multiple regression： testing and interpreting interactions-Institute for Social and Economic Research （ISER）[J]. Journal of the Operational Research Society， 1991，45（1）：119-120.

[49]Baron R M， Kenny D A. The moderator-mediator variable distinction in social psychological research： conceptual， strategic， and statistical considerations.[J]. Journal of Personality & Social Psychology， 1986，51（6）：1173.

[50]Mackinnon D. Introduction to statistical mediation analysis[M]. Mahwah， NJ： Lawrence Erlbaum Associates.， 2008.

[51]Holbert R L， Stephenson M T. The Importance of Indirect Effects in Media Effects Research： Testing for Mediation in Structural Equation Modeling[J]. Journal of Broadcasting & Electronic Media， 2003，47（4）：556-572.

[52]Sobel M E. Some New Results on Indirect Effects and Their Standard Errors in Covariance Structure Models[J]. Sociological Methodology， 1986（16）：159-186.

[53]Sobel M. Asymptotic intervals for indirect effects in structural euquation models[J]. Sociological methodology， 1982（18）：290-312.

[54]Hayes A F. Beyond Baron and Kenny： Statistical Mediation Analysis in the New Millennium[J]. 2009，76（4）：408-420.

[55]Bollen K A， Stine R. Direct and Indirect Effects： Classical and Bootstrap Estimates of Variability[J]. Sociological Methodology， 1990，20（1）：115-140.

[56]Stone C A， Sobel M E. The robustness of estimates of total indirect effects in covariance structure models estimated by maximum[J]. Psychometrika， 1990，55（2）：337-352.

[57]Brown R L. Assessing Specific Mediational Effects in Complex Theoretical Models[J]. Structural Equation Modeling A Multidisciplinary Journal， 1997，4（2）：142-156.

[58]Preacher K J， Hayes A F. Asymptotic and resampling strategies for assessing and comparing indirect effects in multiple mediator models[J]. Behavior Research Methods， 2004，40（3）：879-891.

（編辑：王晓明）