移动学习采纳动因及其组态效应*

杨金龙，胡广伟，王 锰

0 引言

移动学习逐渐成为人们化解时间碎片化与素养提升矛盾的普遍方式[1]。移动端网民表现出碎片化学习、知识付费与社群社交特征[2]。移动学习因学校、社会、企业和个体等各方教育力量的加入，演变为在线教育领域新业态，覆盖学习、商业、娱乐和体验等的综合性教育学习新产业体系与新商业模式涌现[3]。其采纳的变量组合有哪些，不采纳的变量组合又有哪些，移动学习理论和实践应如何发展等，成为移动学习新业态中亟待解决的问题。本文通过构建移动学习采纳动因概念模型，引入模糊集定性比较分析方法，探索前因变量与结果变量间的非对称多重并发组态效应，以期为移动学习业态发展提供借鉴。

1 移动学习采纳动因研究综述

国外有关移动学习采纳动因的文献始见于2007年[4]，部分学者从移动学习用户视角基于TAM[5-6]、 UTAUT[7-10]、 UGT(Uses and Gratifi‐cation Theory)[11]等模型，新增变量构建新的模型进行验证，通过学习者知识管理系统中的用户数据研究采纳动因[12]；部分学者从教师[13-14]或高等教育机构[15]视角研究移动学习采纳问题，引入云移动学习(Cloud Mobile Learning，CML)概念。国内相关文献始见于2009年[16]，有的学者基于TAM模型[17-19]新增变量或结合任务技术匹配模型(Task-Technology Fit，TTF)[20]及沉浸体验理论、体验式学习理论[21]等，构建新的模型。有的学者基于UTAUT模型[22-24]新增变量或结合TTF模型和感知风险理论[25]、信息系统成功模型[26]等，研究移动学习采纳动因问题。有的学者基于任务价值模型[27]或直接构建新的模型[28-29]，如移动语言学习技术接受模型[30]，探究移动学习采纳问题。国内外移动学习采纳动因研究具有如下特点：

(1)从研究对象看，国外研究视角包括学生、成人、教师、教育机构等对象，较分散；国内主要研究对象是大学生，个别针对学前儿童、中学生、农民工。国内外研究对象群体越来越广，研究理念逐渐侧重于终身学习。因样本对象不同，部分变量呈现出截然不同的影响作用。

(2)从研究方法看，国内外基本都使用结构方程模型、相关分析、因子分析、回归分析等方法，使用大样本量，研究单个原因变量对结果变量、单个原因变量之间的影响关系，少见原因变量组合、个案深入剖析及采纳对立面——不采纳视角的研究。变量组合及个案深入研究只见1篇文献，使用多级顺序认知诊断模型Seq-gdina，将1，032个不同院校大学生分为118类积极或消极的接受模式，其中接收模式是因素组合，组合频数反映因素的重要程度[30]。

(3)从研究模型看，国内外基本都以TAM或UTAUT模型为原型，新增原因变量构建新模型，只有少数研究基于其他模型或通过一定方式构建新模型。相较于国外，国内研究集中于使用TAM或UTAUT模型，但国内外近年都趋向于使用解释力更强的UTAUT模型。同一原有变量、新增变量、调节变量对于结果变量的影响作用在不同学者的研究中出现各种差异。

综上，样本及样本数据、研究方法和模型变量等的科学性尤为重要，特别是部分文献鲜有考虑移动学习平台的社会性和移动性，如社交互动或感知移动方面的变量竟然没有被加入模型，具有局限性。下文弥补既有研究缺陷，充分体现移动学习特性，探究移动学习采纳的非对称性组态效应。

2 移动学习采纳动因概念模型

目前，业界对移动学习采纳的研究已有一定基础，尤其是UTAUT模型成为移动学习采纳研究最受欢迎的模型，因而本文在UTAUT模型基础上，统计主题相关文献的新增变量，充分考虑移动学习平台社会性、移动性等属性，构建新的移动学习采纳动因概念模型。

2.1 UTAUT模型

UTAUT 模型是Venkatesh 等在综合已有8个理论模型(技术任务适配模型、创新扩散理论、理性行为理论、规划行为理论、动机模型、复合的TAM与TPB模型、PC利用模型、社会认知理论)的基础上提出，见图1。Venkatesh等经过实证结果发现这8个模型对使用行为的解释力分布在17%~53%，而UTAUT 模型对使用行为的解释力高达70%，优于以上任何一个理论模型[31]，因此本文选取解释力更强的UTAUT模型作为潜在变量的主要来源。

图1 UTAUT模型

选取UTAUT模型中的绩效期望、努力期望、社群影响、自愿性等4个变量作为移动学习采纳的潜在变量，并将自愿性改为学习自主性，增加更多涵义。促进条件从文献前因变量统计中产生。性别、年龄和经验作为移动学习采纳样本案例的观察变量。移动学习是普遍接受的学习方式，经验不再是关键影响因素，因此作为观察变量。不再使用中介变量行为意愿，而将行为意愿和使用行为综合看作学习者采纳行为，因而将采纳/不采纳作为移动学习采纳动因概念模型的结果变量。

2.2 文献前因变量统计分析

在UTAUT模型基础上，选取国内外移动学习采纳研究相关度最高的文献49篇进行前因变量统计，全面梳理移动学习采纳的潜在变量，见表1。文献变量统计过程中，将ATM、UTAUT模型中已存在的变量予以排除，针对文献模型中新增的前因变量，进行同义归并，按照文献中的显著次数、不显著次数分别统计，共得到15个前因变量，记为“V1-V15”。V1-V4对应的前因变量显著频次超过10，尤其是感知趣味性显著频次达21，是学者在模型中使用最多的变量。但感知趣味性、学习自我效能、学习自我管理、学习者创新性和感知财政成本等变量都出现一定的不显著情况，尤其是学习自我管理变量，甚至出现5次不显著情况，变量对结果的影响具有很大差异性。

表1 移动学习采纳相关文献前因变量统计

本着潜在变量表征研究主题的全面性原则，综合考虑移动学习采纳行为特征，对统计得到的前因变量进行内容分析，并决定处理结果。15个变量中，采用、归并和摒弃各5个。采用的变量有V1(感知趣味性)、V2(感知移动性)、V4(学习自主性)、V8(社交互动性)、V11(感知成本)，充分体现了学习者日益增长的学习趣味需求、移动端的便利性或复杂性、学习者日益增长的积极进取精神和自我管理能力、移动端的强社交功能及知识付费的意愿。归并的变量有V3(努力期望)、V5(经验)、V10(绩效期望)、V14(绩效期望)、V15(学习自主性)，将这些变量的涵义并入括号中已有变量，如V3学习自我效能，即学习者使用移动终端进行学习的能力，但移动互联网的成熟发展使其不再紧要，因而归并；对于其他4个变量而言，专业相关性是学习者经验的一部分，资源优化性、服务关怀性都是绩效期望的一部分，焦虑感则是学习自主性促生的反动力之一，因而都可以并入已有变量。摒弃的变量有V6学习者创新性、V7不同设备、V9个人隐私、V12任务技术匹配、V13网络质量。V6学习者创新性指学习者对于移动学习的创新认知，而当下移动学习已不是新鲜事物，因此摒弃。V7、V9和V13在平台层面对于移动学习已不再是制约性或者激励性因素，随着社会进步和平台发展，设备、隐私及网络质量都已成为学习者无须过多考虑的因素。而V12任务技术匹配其实是绩效期望和学习自主性的结合，因此摒弃。

2.3 移动学习采纳动因概念模型

基于UTAUT模型选取的前因变量绩效期望、努力期望、社群影响、学习自主性，样本观察变量性别、年龄、经验(移动学习前有经验/无经验)，结果变量“采纳/不采纳”，通过相关文献变量统计分析采用的前因变量感知趣味性、感知移动性、学习自主性、社交互动性、感知成本，是本文概念模型的主要变量，同时在潜在变量说明和样本数据采集时将变量统计中的涵义归并到相应的变量中。另外，考虑到学生群体与非学生群体可能对于移动学习具有不同的采纳特征，在观察变量中增加群体(学生/非学生)变量。如表2所示，即为移动学习采纳的潜在变量(为方便研究，使用英文首字母代替变量)。

表2 移动学习采纳潜在变量

将表2潜在前因变量按照平台层面、社群层面和学习者层面进行划分，其中绩效期望、努力期望、感知趣味性和感知移动性属于平台层面；社群影响和社交互动性属于社群层面；学习自主性和感知成本属于学习者层面。图2即为移动学习采纳动因概念模型。由于本文使用定性比较分析法，前因变量对结果变量的影响表现为不同的前因变量组合，所有的前因变量都将被检验在组合中是否发挥作用、发挥了什么样的作用，因此使用椭圆表示前因变量对结果变量的组合影响。下文以此概念模型为蓝图，探究移动学习采纳动因的组态效应。

图2 移动学习采纳动因概念模型

3 研究方法与数据准备

3.1 研究方法

1987年，Ragin 提出定性比较分析方法(Qualitative Comparative Analysis，QCA)[32]。QCA是整体论思想的反映，认为案例是原因条件组成的整体，因此关注的是条件组态与结果间复杂的因果关系，具有多重并发因果关系、等效性和非对称性等特征[33]。传统研究范式中自变量被假设是独立起作用的，忽视自变量的组织属性——自变量之间是相互依赖相互作用的关系，而QCA正是基于变量组合影响结果的假定[34]。同时，QCA中出现同一个结果可能是由多条等效的不同组合路径导致，这破除了传统线性方法只能得到单一的或最佳的解的弊端[33]。QCA主张变量之间的关系不再是传统的统一对称关系，即导致移动学习采纳的原因和不采纳的原因是不一致的，同一个条件在不同的组合中也可能会发挥不同的影响作用，打破了传统定量回归分析因果关系的对称性。组态指任何共同发生的、概念上可区分的特征构成的多维度特征群[35]，因而组态分析同样采取的是整体的分析思路。组态视角使用QCA方法，是定性分析与定量分析优点的结合，既可以聚焦案例进行整体和深入分析，也可以聚焦大样本总结可推广的路径或模式。移动学习的采纳并不一定是单个原因导致的，不采纳的原因和采纳的原因也不尽相同，因此选用QCA 方法，以揭示采纳动因的组态路径。

QCA 分为清晰集QCA(csQCA)、多值集QCA(mvQCA)、模糊集QCA(fsQCA)和时序性QCA(TQCA)。由于 csQCA 二分类或 mvQCA 三分类的数据分类粗糙，因此本文选用fsQCA，使用fsqca3.0进行分析。具体实现过程是把研究对象按照相应的理论，校准为案例的集合隶属，得到2k(k个前因条件)个逻辑组态，通过真值表分析得到案例在各组态上的分布，进而通过前因变量或前因变量组合对于结果的充分和/或必要性、反事实分析，揭示复杂的因果关系[36]。在进行fsQCA分析之前，通过问卷调查获取样本数据。

3.2 问卷设计

问卷包括3个部分。第一部分是调查对象个人信息，包括性别、年龄、是否学生、移动学习前有无经验等，这部分数据用于描述性统计。第二部分是针对前因变量和结果变量设计的题项，是问卷的核心部分，量表主要依据成熟的UTAUT模型与相关文献前因变量统计结果，采用Likert5级量表，按调查对象满意程度、影响程度或强弱程度等分为5级。第三部分是开放式题项，主要针对调查对象移动学习付费意愿，采纳、不采纳的动因进行开放式问答，获取真实语料验证和支撑本文结论。表3即为第二、三部分的问卷设计。

表3 问卷设计

3.3 样本分布

样本使用问卷星通过移动学习社区(如英语流利说、熊猫小课群组)、移动知识问答社区(如手机知乎、手机百度知道)以及移动社交网络(如微信群、QQ群、朋友圈)等多个数据源在线获取，共收回问卷118份，其中有效问卷110份。表4即为有效样本分布情况，其中女性、14-24岁、学生群体、移动学习前已有经验的学习者居多，总体看样本基本均衡。

表4 样本分布

3.4 数据校准

在定性比较分析中，模糊集被视作连续变量，分析前必须要被校准以指代在一个界定清楚的集合中的隶属程度[36]。校准主要依据经典理论、实际知识或数据特征，设定集合中完全隶属、交叉点、完全不隶属3个值，其中交叉点值为0.5，是集合中最模糊的点。由于样本数据采用的是Likert5级量表，天然形成了3个转折点：5、3和1，因而采用(5，3，1)标准进行校准。为方便研究，将案例记为C1~C110，校准后的变量名称加后缀“fz”。

3.5 信度和效度检验

对样本的结构式量表部分，采用SPSS22.0进行信度和效度检验。根据Nunally[37]的理论，信度系数大于0.7 才较可信，本文Cronbach’s Alpha 值为0.814，表明量表信度较好，内在一致性程度较高。本文所有变量及问项来自经典理论和相关文献，具有较高的内容效度。根据Kaiser等人[38]的观点，KMO值大于0.7则效度较好，本文KMO值为0.826，且Bartlett’s球形检验显著性P=0.000<0.05，表明量表具有较好的效度。由于本文使用的fsQCA方法本身属于因子的探索研究，问卷结构属于一阶量表，单独变量只有一个问项，且变量所属的层面维度不参与定量研究，因此不再进行聚合效度和区分效度检验。

4 模糊集定性比较

4.1 条件的必要性检测

在数据校准及信效度检验的基础上，首先需要进行单一前因变量的必要性检测。为防止纳入逻辑余项之后简约解中必要条件的缺失，本文必要条件在后续分析中不剔除。必要性模糊子集关系的一致性如式(1)所示，覆盖度如式(2)所示：

其中，结果集合Yi作为条件集合Xi的子集的一致性，Consistency就是两者的交集占集合Xi的比例，而一致性Consistency≥0.9时该条件即为必要条件，并成为结果集合的一个超集(superset)，覆盖度Coverage表示条件集合Xi在经验上对结果集合Yi的解释力[39]。

对校准后的数据进行必要性分析，得到单一前因变量的一致性和覆盖度，如表5所示。其中变量名前缀“~”表示变量不存在或不隶属于变量。对于结果变量ADfz，Consistency≥0.9的前因变量是PEfz，且案例覆盖度达到0.89，说明PEfz 是ADfz 发生的必要条件。对于结果变量~ADfz，Consistency≥0.9 的前因变量是~LAfz，因而~LAfz是~ADfz发生的必要条件。

表5 单一前因变量的一致性与覆盖度

初步得到分析结果：绩效期望高是移动学习采纳的必要条件；学习自主性差是移动学习不采纳的必要条件。

4.2 真值表构建

真值表分析是结果变量的充分性分析。当每个变量、组态对应的隶属分数>0.5时，赋值为1，反之为0。将案例频数阈值设为≥1，得到表6真值表，即案例在各组态的分布。真值表原始一致性临界值可根据一致性值的间距而定，一般≥0.8，通常不低于0.75。一致性值大于等于临界值的前因组合构成结果的模糊子集，编码为1；低于临界值的组合不构成模糊子集，编码为0；而低于案例频数阈值的组合则成为逻辑余项[39]。本文真值表原始一致性临界值设为0.75，因而将前7个前因组合编码为1，最后1个前因组合编码为0，逻辑余项不再列出。

表6 案例在各组态的分布

4.3 前因变量组合分析

在真值表分析的基础上，进行变量的标准化分析，得到结果变量的3种解：复杂解、中间解和简约解，如表7所示。复杂解只分析具有实际观察案例的组态，中间解纳入了具有实际观察案例的组态和“容易”的逻辑余项，而简约解则纳入具有实际观察案例组态的同时，也包括“容易”的和“困难”的逻辑余项。“容易”的逻辑余项是基于一定的理论或实际知识进行组态探索，而“困难”的逻辑余项没有实际观察案例，缺乏理论或实际知识支撑，甚至可能和既有理论、实际知识发生冲突[33]。因此，中间解是较优的解。同时在中间解和简约解中出现的条件为核心条件，而只在中间解中出现的条件为辅助条件。

表7 前因变量标准化分析结果

从分析结果看出，对结果变量ADfz，复杂解和中间解是一致的，且解的一致性达到0.86，组态效应显著；而简约解显示，单一的前因变量PEfz、EEfz、PPfz、PMfz、PCfz 成为 5 种“组态”，一致性分布在0.74~0.80，解的一致性为0.74，但唯一覆盖度基本为0，说明纳入“困难”的逻辑余项，造成“组态”脱离了案例实际。而简约解的存在，显现其与中间解重合的条件：PEfz、EEfz、PPfz、PMfz、PCfz。因而这些条件是结果变量ADfz 的核心条件，而条件CIfz、SIfz、LAfz则是辅助条件。其复杂解/中间解前因组合路径可表示为(→表示“推导出”)：

其中3 个组态具有强隶属度的案例分别是C43、 C70、 C74、 C80、 C86、 C101； C10、C15、 C43、 C70、 C86； C5、 C43、 C70、C86。

对结果变量~ADfz，只得到了有效的一个复杂解，前文必要性检测可知~LAfz 是结果变量~ADfz的核心条件，其他条件则为辅助条件。其前因组合路径可表示为：

~PEfz*~EEfz*~PPfz*~PMfz*~SIfz*~LAf z*~PCfz→~ADfz

其中，该组态具有强隶属度的案例是C22、C49、C71、C75。

初步得到分析结果：绩效期望高、努力期望高、感知趣味性高、感知移动性高、感知成本满意是采纳的核心条件，而社群影响、社交互动性和学习自主性是采纳的辅助条件。在核心条件的基础上，可达采纳路径一：社交互动性好、学习自主性弱；可达采纳路径二：社群影响大、学习自主性强；可达采纳路径三：社群影响大、社交互动性好。导致不采纳的路径是：绩效期望低、努力期望低、感知趣味性低、感知移动性低、社交互动性低、学习自主性弱、感知成本不满意。

5 移动学习采纳组态效应

通过模糊集必要性检测、真值表分析和标准化分析，得到移动学习采纳动因的组态效应。组态效应揭示了移动学习采纳不同组合变量等效的多条影响路径。

(1)绩效期望高、努力期望高、感知趣味性高、感知移动性高、感知成本满意是采纳的核心条件，而社群影响、社交互动性和学习自主性影响较小。变量必要性检测显示，绩效期望高是采纳发生唯一的必要条件，符合大部分UTAUT模型研究者的结论。调查数据显示，移动学习者中36.67%会因为绩效期望高而采纳移动学习，如“使人进步、思考、助益工作，提高效率”“学习内容质量好、快捷”；34.29%因绩效期望与自身价值不匹配而不采纳，如“学习内容设计不好”“初学者应统一安排、高阶学习者应个性化定制，难度偏低”“碎片化知识不利于知识系统构建和个人提升”。这说明移动学习者最关注的是学习平台是否能够提供与自身价值匹配的学习资源、教学模式、服务质量，尤其是学习资源的质量和组织形式。碎片化的知识组织形式如何在保证学习效率的同时，满足不同阶段和目标的移动学习者对学习资源质量或知识体系化的需求，是摆在移动学习平台面前最重要的问题。对努力期望，学习者在采纳移动学习时不予考虑，同时2.86%因“不好用”而不予采纳，说明移动互联网的发展使得移动学习平台很容易实现学习者对努力期望的价值需求，变量不再具有制约性，但依然重要。

调查数据显示，移动学习者在决策是否采纳移动学习时，对感知趣味性的价值期待低于绩效期望和努力期望。与学习资源质量相比，资源趣味性更容易满足移动学习者的初级需求，但依然是资源质量不可或缺的补充变量。此外，学习者对感知移动性期待较高，40%因为平台天生的移动便利性而选择采纳。对感知成本，调查数据显示，42.3%“宁愿付费”，26.9%表示希望“通过朋友圈分享减免部分费用”，30.8%“宁愿朋友圈分享也不愿意付费”。虽然知识付费逐渐流行，但移动学习付费仍然具有阶梯特征。3.33%就是因为“可以通过朋友圈分享免费学到东西”而选择学习，8.57%因为“费用太高”而降低移动学习预期。“付费学习是否值得”依然是移动学习者非常关心的问题，因而移动学习平台在权衡定价机制的同时，需要建设高质量的学习资源。

(2)对自主性强的移动学习者，核心条件的基础上，尚需社群影响大，即可达采纳。这个结论来自可达采纳路径二。调查显示，仅有10%移动学习者具有较强烈的学习自主性，这类移动学习者具有较强的学习意愿，只需较少的社群影响，即可达成采纳。10%受社群影响大，如“朋友圈英语学习氛围影响”“朋友推荐”。社群影响虽对移动学习采纳的影响较小，但有助于促使自主性强的学习者更易采纳移动学习。

(3)对自主性弱的移动学习者，核心条件的基础上，尚需社交互动性好，即可达采纳。这个结论来自可达采纳路径一。调查显示，28.57%可能因“意志力不足，不能坚持”“惰性，懒”“不完成任务不给奖励，积极性受打击”等理由而放弃移动学习，自主性较弱。这说明平台监督和激励机制可提高学习自主性，而社交互动就是很好的平台机制，能发挥提醒、监督、激励、感染、影响等作用，增强移动学习者学习意愿和行为，从而达成采纳。但20%对社交互动性期待并不高，可能因“移动平台使学习分心”“学习比较私密，不想大张旗鼓分享互动”而降低进行移动学习的意愿。因此平台中社交互动的多少强弱，需要根据学习者类型进行动态平衡，过多过强或过少过弱都将可能导致出现不采纳的情况。

(4)对和自主性强弱无关的移动学习者，核心条件的基础上，尚需社群影响大、社交互动性好，即可达采纳。这个结论来自可达采纳路径三。调查数据显示，61.43%在开放式题项中并未提及学习自主性的强弱是否影响移动学习的采纳或不采纳，这类群体就是和自主性强弱无关的群体。他们采纳移动学习的动力源于学习或工作需要，如“持续更新，符合学习要求”“坚持学习，因为工作需要”，社交互动则在其中发挥着用户留存的作用，平台通过内容更新和适当的站内消息，可激发学习者学习的内生动力与外在压力。社群影响则营造了学习者周围同类移动学习平台的学习氛围，创造了一种学习者易于接受的移动学习情境，使得学习者不自觉参与学习。因而对和自主性强弱无关的移动学习者，社群影响与社交互动具有情境营造和驱动力激发的作用。

(5)学习自主性弱是导致移动学习不采纳的核心原因，社群影响无论大小都不会导致不采纳。这个结论是分析结果中导致不采纳的路径。必要性检测结果显示，学习自主性弱是移动学习不采纳必不可少的原因。调查数据也印证了移动学习者学习自主性弱及学习自主性弱导致不采纳的普遍性。这证明部分研究中学习自主性对于结果变量不具有显著影响的结论(前因变量统计不显著达5次)，有失偏颇；而本文QCA的非对称性分析恰好凸显方法的优越性：学习自主性强对于采纳影响较小，而学习自主性弱对于不采纳却是核心原因。调查数据同时显示，没有移动学习者表示因社群影响而放弃移动学习，社群影响对于不采纳没有任何作用。因此，对移动学习平台来说，防止移动学习产品不被采纳首要的工作就是通过外部激励机制促生移动学习者的学习自主性，增强学习者的学习意识和意志力。

6 结语

移动学习采纳动因概念模型创新使用了集合因果关系，并引入集定性与定量分析优势于一体的fsQCA，结合开放式调查数据进行非对称性分析、多重并发因果分析、反事实分析，冲破传统研究范式的牢笼，得出多条等效的组态路径，为移动学习业态的完善、推广与发展提供实践参考。本文从理论上构建集合关系的采纳动因概念模型，分解探究采纳和不采纳的不同路径，拓新移动学习业态的发展模式，将QCA 方法引入移动学习研究领域，采用组态研究范式调查数据支撑质性研究，得到移动学习采纳或不采纳的多条组合路径的结论，可为移动学习业态实践提供参考。未来将继续使用组态研究范式，针对移动学习采纳转化为持续的动因、学习效果等主题展开研究，助推移动学习业态纵深高效发展，使得移动学习者享有更佳的学习服务和体验。