基于元分析的在线学习用户使用行为研究

王建亚 牛晓蓉 万莉

摘 要：[目的/意义]为发现不同研究背景中在线学习用户使用行为的普遍规律，消除研究时间、调查样本等带来的影响，归纳和梳理该领域的研究结论。[方法/过程]采用元分析方法对国内外在线学习用户使用行为研究的64篇文献，21 227个独立样本进行综合分析。[结果/结论]研究结论发现共有25个因素与在线学习用户使用行为显著相关，其中强度相关因素主要集中在用户、系统两方面，中度相关有社会影响方面，弱相关因素并未出现。具体而言，影响最大的是使用态度、感知便利性和感知娱乐性，影响较弱的是个人创新、计算机焦虑和信息质量，感知自主性和服务质量没有显著影响。同时，针对研究结果，结合在线学习平台的现状，从用户、系统和社会方面提出了优化在线学习服务的建议。

关键词：在线学习;用户使用行为;元分析;CMA

DOI：10.3969/j.issn.1008-0821.2020.01.007

〔中图分类号〕G252.0 〔文献标识码〕A 〔文章编号〕1008-0821（2020）01-0058-11

Research on User Behavior of Online Learning Based on Meta-analysis

Wang Jianya1 Niu Xiaorong2 Wan Li3*

（1.School of Management Science and Engineering，Tianjin University of Finance and Economics，

Tianjin 300022，China;

2.National Science Library，Chinese Academy of Science，Beijing 100190，China;

3.School of Journalism and Communication，Nanchang University，Nanchang 330031，China）

Abstract：[Purpose/Significance]In order to discover the universal law of online learning user behavior in different research backgrounds，eliminate the impact of research time，survey samples，etc.，and to summarize and comb the research conclusions in this field.[Method/Process]This paper used meta-analysis to study the behaviors of online learning users at home and abroad，a total of 64 articles and 21227 independent samples were analyzed comprehensively.[Result/Conclusion]The study found that there were 25 factors that were significantly related to the behavior of online learning users.The intensity-related factors were mainly concentrated in the user and system facts.The moderate correlation also added social impact.The weak correlation factors have not appeared，indicating that the exsisting researches were relatively concentrated.Specifically，the most influential factors were attitudes，perceived convenience，and perceived entertainment.The weaker impacts were individual innovation，computer anxiety，and information quality.Perceptual autonomy and quality of service had no significant impact.At the same time，according to the research results，based on the status quo of online learning platform，suggestions for optimizing online learning services were proposed from the user，system and social perspective.

Key words：online learning;user behavior;meta-analysis;CMA

互聯网和移动互联网的发展对传统教学模式带来了深刻的变革，改变了用户的学习观念和学习文化[1]，基于网络的学习为人类终身学习提供了便利的、低成本的途径。据CNNIC报告显示，截止到2018年12月，在线教育用户规模2.01亿，网民使用率24.3%，手机在线教育课程的用户规模为1.94亿，网民使用率23.8%，年增长率为63.3%[2]，由此可见，我国在线教育用户规模增长迅速，但相对于其他网络应用还有较大发展空间。为了解在线学习用户的行为特征，提高在线学习的使用率，国内外学者展开了对在线学习用户使用行为影响因素或动机的实证研究，并取得了较多的研究成果。

通过对国内外在线学习用户使用行为实证研究文献的调研发现，不同学者研究结论差异较大，一方面表现在同一因素在不同研究中的实证结论不同，另一方面表现在不同研究中学者验证的因素有差异。首先，学者验证最多的是技术接受模型中的感知有用性和感知易用性因素，在多篇文献中被证实对在线学习用户的使用行为有显著影响，如Wang W T等[3]和Motaghian H等[4]都证实了感知有用性对用户的在线学习使用行为有显著影响，但Islam A K M N[5]却发现感知有用性对用户采纳在线学习的行为影响不显著;杨丽娜等[6]的研究发现感知易用性对用户在线学习行为的影响不显著;其次，感知娱乐性被一些学者认为是影响用户使用在线学习的重要因素，Chen Y C等[7]发现感知娱乐性对用户使用行为有显著影响，而Lee M C[8]却通过实证表明感知娱乐性对在线学习用户使用的影响不显著;还有信息质量因素，Roca J C等[9]和Lwoga E T[10]证实了信息质量对用户的使用行为显著相关，而Motaghian H等[4]却发现信息质量对采纳和使用行为没有显著的影响。这些差异的产生可能是学者研究视角、理论模型、调研背景、研究时间、调查样本等多种综合原因的差异造成的。实践中如何利用这些差异的结果就显得无所适从，为了发现这些差异中隐含的共性规律，为在线学习服务商提供可参考的用户行为的一般规律，需要统一研究结论，因此，本文使用元分析方法，综合已有的在线学习用户使用行为的实证研究结论，系统分析在线学习用户使用行为的影响因素，消除不同研究间的不一致，为后继的研究提供综合研究结论分析，为在线学习服务机构提供服务优化决策依据。

1 文献综述

1.1 在线学习和用户使用行为概念的界定

在线学习在学术界没有形成统一的概念，经常和以下名词交替使用：网络学习、移动学习、电子学习、在线教育、网络教育、虚拟教育、远程教育、开放教育等，但对在线学习的特征形成了以下共识：相对于面授教育，在线学习实现了学习者与教师时空上的分离;相对于自学，教育机构通过网络对学习者产生影响，学习者之间、学习者和教师之间能够基于互联网进行多向交流[11]。结合已有的认识和研究目的，本研究从用户视角，将在线学习看作是基于互联网或移动互联网的教学信息系统，教师通过网络教室授课，学生通过终端学习的一种学习模式。

为优化在线学习服务，改善用户体验，提高用户对在线学习的使用率，学者开始研究影响用户使用在线学习的因素，研究时多使用采纳、接受、使用、持续使用等概念，还有学者采用适应和内化[12]的概念，但在研究之前对这些概念进行辨析的学者并不多，也存在研究过程中多个概念交叉使用的现象，由于都是针对用户使用体验的研究，概念相似度较大，故本文统一将类似概念称为在线学习用户使用行为。

1.2 在线学习用户使用行为的研究

对于在线学习用户使用行为的研究，大都是针对某一在线学习情境，构建在线学习用户使用行为理论模型，运用定量的方法开展实证研究。在研究对象方面，较多选择在校大学生，因为他们是在线学习的主要用戶群，但也有研究选择大学教师[3-4]、在线学习平台的广泛用户[13-15]、公司员工[9，16]等作为研究对象。在理论模型方面，主要依据已有理论模型构建新的模型，采用的理论模型包括：信息技术接受模型及其扩展模型[17-21]、信息系统持续使用模型[22]、期望确认理论[23-24]、计划行为理论[25]、任务技术匹配模型[12-13]、技术接受与使用整合理论[26-28]等，其中使用最多的是信息技术接受模型及其扩展模型。在数据收集方面，问卷调查是主要获取数据方法，同时还有一些学者采用了访谈[23，29]、半结构化访谈[30]、焦点小组[31]等方法。在数据分析方法方面，主要有结构方程模型[30，32-36]、多元回归分析[37]等，其中结构方程模型被学者使用次数最多。

1.3 在线学习用户使用行为研究的综述

随着在线学习用户研究数量的增多，国内外学者开始对在线学习用户行为研究相关文献进行综述和分析。Means B等[38]采用元分析方法对1996-2008年有关在线学习实证研究的文献进行分析，将在线学习与面对面学习、混合学习与面对面学习分别作为治疗组与对照组，发现在线学习与面对面学习没有显著差异，而融合了在线和面对面两种方式的混合学习效果最佳;郭绍青等[39]总结了国外移动学习发展的状况，指出技术、市场、观念、经济、教育是影响移动学习的全面普及的主要方面;李玉斌等[40]以我国网络学习行为研究文献为基础，指出网络学习行为影响因素主要有学习者（心理因素、信息素养和技术准备度等）和网络学习环境（学习资源和技术支持服务）两个向度，网络学习行为的研究手段有理性分析、调查统计、模型实证3个向度;王红艳等[41]对我国在线学习行为研究进行分析，指出在线学习的应用研究由一开始的交互、共同体、监测和评价多个环节，转变为以认知风格、学习动机、群体氛围、情景感知、学习障碍、在线辅导等对学习者的学习行为和学习结果的影响因素的研究;彭文辉等[42]通过对10年的网络学习行为研究期刊文献的分析，指出学习行为的要素描述模型、因素影响模型等缺乏严谨性，还需要填补和加强模型的整合，以统一、协调、概括的方式全面反映网络学习行为。

通过已有研究可以看出，学者对在线学习的研究在理论、方法和结论方面已经取得了丰硕的成果，但研究结论还存在不稳定性。国外在线学习发展较早，相应的实证研究也相对较早，因此，在2009年就出现了以实证研究为基础的综述研究，而我国在线学习发展较晚，对在线学习综述的研究经历了国外学习借鉴、研究设计探讨、应用策略分析等阶段，过渡到了以内容分析法为主的实证研究分析，但鲜有学者采用定量的方式对在线学习用户行为研究结论进行整合。另一方面，由于研究背景的差异，研究结论的不稳定性，难以对实践产生更广泛的指导意义，因此，本研究认为有必要对在线学习用户使用行为的实证研究进行定量地、系统地分析，以得出更具普遍意义的研究结论。

2 研究设计

2.1 研究方法

元分析（Meta-analysis）是基于Fisher“合并P值”的统计分析思想，对同一主题的大量实证研究结果进行综合统计分析的一种方法，又称为二次分析、荟萃分析、整合分析[43]。元分析是面向多个具体研究之间的差异，对其进行综合评价，目的是发现在独立研究中显示不出来，但又可能对重大问题有高价值的研究结论，研究方法是对多个研究结果进行再统计分析，根据权重合并不同研究中的效应量，很多学者将元分析用于国内外文献的综合分析。元分析方法最受争议的是“橘子与苹果问题”，即将不同研究的结果结合在一起分析，但这一问题可以采用该方法的异质性检验进行解释[44]。同时，相比传统的文献综述，元分析方法对纳入的文献进行了严格的筛选，更能避免个人的主观想法，使得研究结论更具有客观性和普适性。

元分析最初主要应用于心理学和医学领域，随着元分析法的发展，该方法也受到其他领域学者的关注和认可。在管理学领域，黄永春等[45]对产品创新和绩效的关系进行元分析，证实了二者之间的强相关关系，为企业管理人员如何处理二者之间的关系提供了有效的理论支持;李靖华等[46]对知识转移影响因素进行元分析，发现知识受体与网络特征是最重要的影响因素，知识的因果模糊性阻碍作用最大;在情报学领域，谢娟等[47]采用元分析法发现论文下载量与被引量之间有显著的强相关关系，提出下载量可以作为科研指标的评价之一。元分析方法的特征、功能以及应用，对本研究的在线学习用户行为综合分析提供了借鉴和支持。

2.2 研究步骤

本研究借助CMA（Comprehensive Meta Analysis）实现元分析，整体研究步骤如图1所示。首先，根据研究问题收集文献，此步是本研究重要基础，需要收集中外文文献并根据研究要求进行文献的筛选;其次对文献进行编码，包括内容抽取和确定单一效应量;然后是数据分析，包括异质性检验、具体效应分析、敏感性和出版偏倚分析;最后是元分析结果讨论。本部分重点介绍文献收集和文献编码过程，其他步驟在数据分析部分和研究结论部分介绍。

2.2.1 文献搜集与筛选

为了全面获取国内外在线学习用户使用行为研究的相关文献，本研究首先利用数据库，从中国知为遴选本研究需要的学术成果，通过以下标准对文献进行筛选与剔除：1）选取对在线学习用户行为进行实证研究的文献，剔除定性、综述等非实证研究文献;2）为保证样本的独立性，剔除同一研究的重复发表，特别是期刊论文和学位论文研究重复的部分，二者只选其一，如果某文献包含多个独立样本，也应该进行多次编码;3）为获取满足元分析定量分析需要的数据，剔除数据不完整的文献，文献中需要提供样本量、相关系数或者P值或者T值等可以计算效应值的数据。经过严格筛选，共获得64篇符合条件的文献，其中中文20篇、外文44篇。

2.2.2 文献编码

文献编码工作包文献内容抽取和确定统一效应量两部分，文献内容抽取分为文献基本信息和定量数据抽取，文献基本信息有作者、年限、主题、出版来源、研究对象、构念提取等，定量数据抽取主要是抽取元分析的效应值统计项，包括样本量、相关系数、T值、P值等。抽取到的构念称为效应量，同一构念在不同研究中在命名上可能稍有差异，但含义相同，因此还需要给效应量统一命名，如计算机自我效能感、网络自我效能感、感知能力、自我效能感等，对此类概念进行合并，统一命名;对英文文献中的构念进行翻译，解释其含义，与中文概念进行统一。为了保证编码数据的准确性，特别是构念提取，需要避免因个人主观认识而产生偏差，因此编码工作由两人同时进行，对两人的编码进行复核后，对编码不一致的部分回溯原文献进行协商，最终编码信度为94.5%，部分文献的编码信息如表1所示。

3 研究结果分析

3.1 数据录入与分析

本文借助CMA（Comprehensive Meta Analysis）3.0软件来进行元分析的定量分析部分，由于文献中提供的定量数据有差异，大部分文献使用相关系数r作为效应值，少量未提供r值的文献需将统计量T值、P值等经过Fisher转换得到效应值。此外，元分析要求合并效应值的个数不少于3个，即需要同一构念在不同研究中出现3次以上，才会计入元分析，因此，对64篇文献梳理后，归纳出27个构念可纳入元分析，获得331个效应值，21 227个独立样本，样本量共计139 446。

3.2 异质性检验

异质性一般用Q和I2统计量来检验，本研究的异质性检验结果如表2所示，可以看出Q检验的结果均显著（P<0.05），说明多个研究之间存在异质性;同时I2的值大于80%，表明各个影响因素的变异部分在总体效应值中所占比例较高，因此本研究的所有影响因素的检验均采用随机效应模型进行分析，该模型计算权重时可以同时考虑研究内部和研究间的差异，在检验平均效应值时，能降低犯Ⅰ错误的概率（虚原假设是正确的，计算结果将其拒绝），更好地估计真实效应。但Higgins J P T等[52]的研究认为I2值较大不适合进行元分析，针对这种情况，谢娟等[53]依据Q与I2的计算公式进行了模拟分析，并得出结论，Higgins J P T等的判断更多适用于小样本研究，对于大样本研究，则准则很难适用，更好地解释了异质性检验的结果。

3.3 具体效应值分析

效应值分析是分析各因素对用户使用在线学习的影响效应，本研究效应值分析结果如表3所示。在27个因素中，除服务质量和感知自主性未通过检验外，其他均通过检验。服务质量检验结果：Z=1.384，P=0.166，感知自主性的检验结果：Z=1.213，P=0.225，说明服务质量和感知自主性对在线学习的用户使用行为影响不显著。计算机焦虑对用户的使用行为是负相关（r=-0.324，P<0.001），其余影响因素对用户的使用行为均是正相关。

根据Cohen J[54]提出的相关系数r强弱的判断准则：r值为0.00～0.09表示基本无相关关系，0.10～0.29为弱相关，0.30～0.49为中度相关，0.5～1.0为强相关，本研究将所有因素与在线学习用户使用行为的相关性进行分析汇总，如表4所示。强相关的因素有14个，中度相关的因素有11个因素，没有出现弱相关的因素，说明学者对在线学习用户行为影响因素的选取相对比较集中，大部分呈现较强的相关性。

具体而言，在强相关因素中对用户使用在线学习行为影响最大的是使用态度（K=12，r=0.680，P<0.001），这与多数学者认为的“感知有用性与感知易用性是在线学习用户使用行为的关键影响因素”的论调不一致，但支持了Park S Y等[35]和Farahat T[55]的研究结论，虽然只有12篇文献纳入使用态度这一影响因素，但其与用户使用行为的相关程度最大;其次，强相关程度较高的是感知便利性（K=5，r=0.660，P<0.001），这与Thomas等[56]认为便利条件显著影响用户行为意向的结论相一致，但不支持Al-Hujran O等[26]和Chiu C M等[27]的观点;感知娱乐性（K=8，r=0.640，P<0.001）的影响因素显著，支持了Chen Y C等[7]的研究结论，说明用户进行在线学习时的愉悦感、趣味性对其使用行为影响较大;再次，满意度、交互性、期望确认、预期绩效等因素的强相关程度也较强;感知有用性（K=53，r=0.559，P<0.001）和感知易用性（K=42，r=0.514，P<0.001）是本次元分析中K值最高的两个因素，虽然不是相关度最高的因素，但许多学者将其认为是重要的影响因素。对这些因素的含义进行深入分析，可发现，强相关因素中的主要构成是用户与系统功能相关因素，其中情感态度以及体验感知是用户角度的关键因素，系统功能集中于期望确认、兼容性和任务技术匹配等方面。

根据中等强度相关的因素的含义，将其识别为用户、系统、社会情景3类因素。沉浸体验（K=8，r=0.462，P<0.001）排在首位，說明当用户可以完全投入到学习活动中享受其带来的愉悦感时，对用户之后的使用行为有较大促进作用;社会影响（K=18，r=0.458，P<0.001）和主观规范（K=11，r=0.404，P<0.001），说明对用户重要的个人希望他进行在线学习的程度以及周围人使用在线学习的行为，对用户的使用行为有较大影响;自我效能感、感知相关性以及教师的指导行为和投入精力的多少也会对用户行为产生影响;系统的信息质量、系统质量等功能对用户使用行为的影响相关程度较低;影响较弱的是个人创新（K=6，r=0.330，P<0.001），说明在线学习在人们的生活中已经比较普遍，对用户来说不算是新鲜事物，用户不会因为好奇或想体验新的产品或服务而去使用。计算机焦虑对用户使用在线学习产生负向影响，但相对来说影响较低，说明调查样本中计算机焦虑对在线学习的使用影响作用不是很大。

3.4 敏感性分析及出版偏倚分析

本研究是多因素分析，在假定这些因素都是相互独立的情况下进行了敏感度分析，发现本研究的稳定性较好。出版偏倚的检验在元分析法中非常重要，偏倚的存在会对元分析的结果产生很大影响，甚至可能导致结论出现偏差，因此在现有元分析的文献中，学者们借助多种技术相结合来判断是否存在发表偏倚。本研究将漏斗图、失安全系数和Egger回归截距相结合进行出版偏倚检验。首先通过图2的漏斗图进行定性分析，多数研究结果集中在漏斗图的顶端，有极少的结果出现在漏斗底端，并且竖线两侧研究结果的点分布比较均衡，说明本研究出版偏倚较小;失安全系数N=3529966（K=420），即对每个观察到的研究需要8 404.6个阴性实验的结果才能使结论逆转;Egger回归截距为0.752，P值为0.527，说明截距项与0没有显著差异，不存在出版偏倚。因此，本研究认为元分析结论将不受出版偏倚的影响。

4 结论与启示

本文运用元分析方法对在线学习用户使用行为进行分析，将纳入元分析的影响因素分为3类：促进因素、障碍因素、无显著相关因素。促进作用中影响最显著的是用户的使用态度;阻碍因素有：计算机焦虑;无显著作用的因素有：服务质量、感知自主性等。同时根据这些因素的含义从用户、系统、社会情景3个视角提出优化在线学习服务的相关建议。

用户角度的因素主要集中在情感态度和感知体验两方面，厂商可以通过论坛、QQ、微信等社交媒体和APP及时收集用户的反馈，和用户建立良性互动关系，改善用户体验，进而提升用户满意度和忠诚度，根据用户特征和学习需求，选择课程表现形式，增加交互场景的真实感和交互信息的时效性和趣味性，吸引学习者积极参与学习过程，如针对学生可以通过打卡、游戏等形式，增加学习的趣味性;用户可以根据自身情况设置学习内容和难度，并设置有效的激励机制，以提升用户学习过程中的专注度和愉悦感;注重用户的个人特征，对用户进行标签设置，优化系统的个性化推荐功能;考虑用户的计算机焦虑特征，不能因为信息技术的使用，给用户带来精神负担或压力，从用户视角设计操作流程，从全过程消除用户使用过程中的精神负担，比如考虑用户注视屏幕时间，提示用户注意休息。

系统方面影响最大的是期望确认这一因素，对此应该不断完善系统自身功能，增强内容的实用性，推广时不应过度宣传，使用户在使用系统之后达到不小于预期的确认程度;其次是兼容性和任务技术匹配，对用户满意度和感知有用性有显著影响，因此管理者和开发人员应通过各种途径深入了解用户的需求，不仅是学习内容的需求，还包括服务形式的需求等，使系统功能和用户需求更匹配，给用户带来良好的体验;再次是系统质量，开发人员应不断提高系统自身的访问可靠性、可理解性、可维护性等;移动学习内容供应商应整合高质量的课程信息，提升用户的感知有用性和感知价值。

社会情境方面影响最大的是社会影响，人的行为是嵌入在社会行为中的，特别是网络环境下，不仅有强关系影响，还有大量的弱关系影响，在线学习服务应该利用积极有效的影响，避免不良的影响;在线学习平台打破了时空的限制，虚拟的学习环境下，学习者较难了解教师的一些信息，所以教师因素影响着在线学习用户的使用，服务提供者应该利用教师因素影响用户的决策，消除教师因素可能带来的不利影响;主观规范是对用户重要的人希望他使用在线学习为带来的影响，说明在线学习行为容易受到周围重要人物的影响，比如对学生来说，来自同学的、教师的推荐影响力比较大，可以使更多用户参与到在线学习中，在线学习服务上应充分发挥平台用户的引导和传播作用，利用良好的口碑效应，大力发展潜在用户。

为得到在线学习用户使用行为研究普遍、客观的研究结论，本研究在已有大量实证研究结果基础上，在发表偏倚可能性较小的基础上，对国内外在线学习用户使用行为研究的结果进行了整体的估计，归纳出了与用户使用行为显著相关的因素，并将研究结论和已有研究进行比较，可以作为已有研究的重要补充，同时也为在线学习服务的优化提出了实践启示。本文研究的局限有：第一，本文遴选的文献是含有效应值分析数据的文献，可能因数据不完全而导致结论出现偏差，但从文献调研来看，大部分重要研究都提供了详细可分析的数据;第二，有些因素，如感知成本，因为在独立样本中出现次数仅有2次（小于3次），并未纳入CMA元分析，可能导致分析的因素不够全面。未来还可以进一步研究国内外在线学习用户使用行为研究的差异，如调节变量分析，以得到更普适性的结论。

参考文献

[1]钱瑛.在线学习用户持续使用行为影响因素[J].商业研究，2014，（12）：87-92.

[2]CNNIC.中国互联网络发展状况统计报告[DB/OL].http：//www.cnnic.net.cn/hlwfzyj/hlwxzbg/hlwtjbg/201803/P0201803054 09870339136.pdf，2018-03-20.

[3]Wang W T，Wang C C.An Empirical Study of Instructor Adoption of Web-based Learning Systems[J].Computers & Education，2009，53（3）：761-774.

[4]Motaghian H，Hassanzadeh A，Moghadam D K.Factors Affecting University Instructors Adoption of Web-based Learning Systems：Case Study of Iran[J].Computers & Education，2013，61（1）：158-167.

[5]Islam A K M N.The Determinants of the Post-adoption Satisfaction of Educators with an E-learning System.[J].Journal of Information Systems Education，2011，22：319-330.

[6]杨丽娜，颜志军.信息技术采纳视角下的网络学习行为实证研究[J].中国远程教育，2011，（4）：36-40.

[7]Chen Y C，Chen C Y，Lin Y C，et al.Predicting College Student Use of  E-learning Systems：An Attempt to Extend Technology Acceptance Model[C]//Pacific Asia Conference on Information Systems，Pacis 2007，Auckland，New Zealand，July.DBLP，2007：121.

[8]Lee M C.Explaining and Predicting Users Continuance Intention Toward E-learning：An Extension of the Expectation-confirmation Model[J].Computers & Education，2010，54（2）：506-516.

[9]Roca J C，Chiu C M，Martínez F J.Understanding E-learning Continuance Intention：An Extension of the Technology Acceptance Model[J].International Journal of Human-Computer Studies，2006，64（8）：683-696.

[10]Lwoga E T.Critical Success Factors for Adoption of Web-based Learning Management Systems in Tanzania.[J].International Journal of Education & Development Using Information & Communication Technology，2014，10（1）：4-21.

[11]譚明杰.在线教育中的信息技术采纳与学习者保持研究[D].成都：电子科技大学，2015.

[12]何檀.移动教育持续使用的实证研究[D].哈尔滨：哈尔滨工业大学，2014.

[13]Wu B，Chen X.Continuance Intention to Use MOOCs：Integrating the Technology Acceptance Model（TAM）and Task Technology Fit（TTF）Model[J].Computers in Human Behavior，2016，67：221-232.

[14]李雅筝.在线教育平台用户持续使用意向及课程付费意愿影响因素研究[D].合肥：中国科学技术大学，2016.

[15]Wu B，Zhang C.Empirical Study on Continuance Intentions Towards E-learning 2.0 Systems[J].Behaviour & Information Technology，2014，33（10）：1027-1038.

[16]Ong C S，Lai J Y，Wang Y S.Factors Affecting Engineers Acceptance of Asynchronous E-learning Systems in High-tech Companies[M].Elsevier Science Publishers B.V.，2004.

[17]Ratna P A，Mehra S.Exploring the Acceptance for E-learning Using Technology Acceptance Model Among University Students in India[J].International Journal of Process Management & Benchmarking，2015，5（52）：194-210.

[18]方旭.MOOC学习行为影响因素研究[J].开放教育研究，2015，（3）：46-54.

[19]刘鲁川，孙凯.M-Learning用户接受机理：基于TAM的实证研究[J].电化教育研究，2011，（7）：54-60.

[20]Chen H R，Tseng H F.Factors that Influence Acceptance of Web-based E-learning Systems for the In-service Education of Junior High School Teachers in Taiwan[J].Evaluation & Program Planning，2012，35（3）：398-406.

[21]Chang C C，Liang C，Yan C F，et al.The Impact of College Students Intrinsic and Extrinsic Motivation on Continuance Intention to Use English Mobile Learning Systems[J].The Asia-Pacific Education Researcher，2013，22（2）：181-192.

[22]陈美玲.移动学习用户持续使用行为的影响因素研究[D].徐州：江苏师范大学，2013.

[23]李锐，倪传斌，肖巍，等.泛在学习理念下的交互英语平台持续使用影响因素调查研究[J].中国远程教育：综合版，2016，（10）：72-78.

[24]Wu J，Tsai R J，Chen C C，et al.An Integrative Model to Predict the Continuance Use of Electronic Learning Systems：Hints for Teaching[J].International Journal on E-learning，2006，5（2）：287-303.

[25]Lee M C.Explaining and Predicting Users Continuance Intention Toward E-learning：An Extension of the Expectation-confirmation Model[J].Computers & Education，2010，54（2）：506-516.

[26]Al-Hujran O，Al-Lozi E，Al-Debei M M.“Get Ready to Mobile Learning”：Examining Factors Affecting College Students Behavioral Intentions to Use M-learning in Saudi Arabia[J].Jordan Journal of Business Administration，2014，10（1）：111-128.

[27]Chiu C M，Wang E T G.Understanding Web-based Learning Continuance Intention：The Role of Subjective Task Value[J].Information & Management，2008，45（3）：194-201.

[28]Adwan A S A，Adwan A A，Berger H.Solving the Mystery of Mobile Learning Adoption in Higher Education[J].International Journal of Mobile Communications，2018，16（1）：24-49.

[29]劉莉莉.基于技术接受模型的大学生网络学习平台意向影响因素研究[D].金华：浙江师范大学，2013.

[30]鲍日勤.开放教育学习者移动学习使用意愿影响因素研究[J].远程教育杂志，2017，35（3）：102-112.

[31]Khan I U，Hameed Z，Yu Y，et al.Predicting the Acceptance of MOOCs in a Developing Country：Application of Task-technology Fit Model，Social Motivation，and Self-determination Theory[J].Telematics and Informatics，2018，35（4）：964-978.

[32]王金涛.大学生采纳移动学习行为影响因素研究——以高等师范院校为例[J].中国远程教育，2015，（1）：49-54.

[33]赵英，杨阁，罗萱.大学生对MOOC接受与使用行为的调查研究[J].中国远程教育：综合版，2015，（8）：37-44.

[34]杨根福.MOOC用户持续使用行为影响因素研究[J].开放教育研究，2016，（1）：100-111.

[35]Park S Y，Nam M W，Cha S B.University Students Behavioral Intention to Use Mobile Learning：Evaluating the Technology Acceptance Model[J].British Journal of Educational Technology，2012，43（4）：592-605.

[36]郭然然.高校學生手机移动学习行为意向影响因素研究[D].金华：浙江师范大学，2015.

[37]Tan W H，Ooi K B，Sim J J，et al.Determinants of Mobile Learning Adoption：An Empirical Analysis[J].Data Processor for Better Business Education，2012，52（3）：82-91.

[38]Means B，Toyama Y，Murphy R，et al.Evaluation of Evidence-based Practices in Online Learning：A Meta-analysis and Review of Online Learning Studies[EB/OL].https：//www.csus.edu/acse/archive/0910/us_doe_elearning_report_2009.pdf，2019-03-05.

[39]郭绍青，黄建军，袁庆飞.国外移动学习应用发展综述[J].电化教育研究，2011，（5）：105-109.

[40]李玉斌，姚巧红，侯威，等.网络学习行为研究的向度与分析[J].电化教育研究，2012，（9）：48-53.

[41]王红艳，胡卫平.中国在线学习研究现状与启示[J].中国远程教育，2013，（8）：30-34.

[42]彭文辉，曾东薇.近十年我国网络学习行为期刊论文的内容分析研究[J].中国远程教育，2015，（1）：42-48.

[43]Glass G V.Primary，Secondary，and Meta-analysis of Research1[J].Educational Researcher，1976，5（10）：3-8.

[44]夏凌翔.元分析方法的几个基本问题[J].山西师大学报：社会科学版，2005，32（3）：34-38.

[45]黄永春，姚山季.产品创新与绩效：基于元分析的直接效应研究[J].管理学报，2010，7（7）：1027-1031.

[46]李靖华，常晓然.基于元分析的知识转移影响因素研究[J].科学学研究，2013，31（3）：394-406.

[47]Chiu C M，Sun S Y，Sun P C，et al.An Empirical Analysis of the Antecedents of Web-Based Learning Continuance[J].Computers & Education，2007，49（4）：1224-1245.

[48]Lee Y.An Empirical Investigation Into Factors Influencing the Adoption of an E-learning System[J].Bioinformatics，2013，31（11）.

[49]Ho C H.Continuance Intention of Learning Platform：Toward an Integrated Model[J].International Journal of Electronic Business Management，2010，8（3）：206-215.

[50]Raaij E M V，Schepers J J L.The Acceptance and Use of a Virtual Learning Environment in China[J].Computers & Education，2008，50（3）：838-852.

[51]Chang S C，Tung F C.An Empirical Investigation of Students Behavioural Intentions to Use the Online Learning Course Websites[J].British Journal of Educational Technology，2008，39（1）：71-83.

[52]Higgins J P T，Thompson S G，Deeks J J，et al.Measuring Inconsistency in Meta-analyses[J].British Medical Journal，2003，327（7414）：557-560.

[53]谢娟，龚凯乐，成颖，等.论文下载量与被引量相关关系的元分析[J].情报学报，2017，（12）：1255-1269.

[54]Cohen J.Statistical Power Analysis for the Behavioral Science[M].Lawrence Erlbaum Associates，US，1988.

[55]Farahat T.Applying the Technology Acceptance Model to Online Learning in the Egyptian Universities[J].Procedia-Social and Behavioral Sciences，2012，64（64）：95-104.

[56]Thomas，Troy Devon|Singh，Lenandlar|Gaffar，Kemuel.The Utility of the UTAUT Model in Explaining Mobile Learning Adoption in Higher Education in Guyana[J].International Journal of Education & Development Using Information & Communication Technology，2013，9（3）：71-87.

（责任编辑：郭沫含）