MOOC背景下大学生网络自主学习能力培养研究

□李加军

(广州华商学院,广东 广州 511300)

1 引言

2 文献回顾

现有的MOOC学习行为的研究大体上可以分两类。(1)MOOC个性化学习研究。杨玉芹(2014)通过MOOC学习者个性化学习模型的建构，提出不断地完善MOOC设计来促进个性化学习[1]。李艳红等(2014)从个性化导学服务、学习共同体组建和学习路径推荐三个方面探究个性化在线学习环境构建[2]。江毅等(2020)对学习者的参与类型统计结果表明，将MOOC学习者分成积极型、消极型、偶尔型、旁观型四种类型,同时还提出未来MOOC的设计和开发，需注重交互功能的实现，为学习者提供丰富的个性化学习支持服务[3]。(2)MOOC学习影响因素的研究。虞鑫等(2014)通过对“学堂在线”平台用户的调查和研究发现，平台功能设计的互动性、学习者利用平台向他人分享的便利性、平台推行方的传播效果是影响学习者学习活跃度和满意度的重要因素[4]。王胤丰等[4](2016)基于信息技术采纳与行为理论，通过实证方法探究学习者参与MOOC的影响因素，并提出MOOC的发展建议[5]。吴华君等(2020)基于S-O-R框架和TAM模型，提出教师支持对MOOC课程持续学习意愿的影响模型，通过结构方程模型和中介效应检验，确定了各变量之间的关系[6]。

纵观现有的MOOC学习行为的研究，可以发现对MOOC学习者的需求关注较少，同时专门针对大学生MOOC学习的研究也较少，本研究可以弥补这方面的缺憾。

3 研究假设及模型

Davis(1989)首先提出了技术接受模型(TAM)，模型主要研究影响学习者采纳信息系统的因素[7]。Venkatesh & Davis(2003)在整合相关研究的基础上，提出了技术采纳与利用整合理论(UTAUT)。UTAUT模型认为绩效期望、努力期望、社群影响和促成因素是影响信息技术使用的主要因素[8]。

据此，本研究提出以下假设。

H1:期望绩效对学习者的MOOC学习意愿有显著的正向影响。

H2:努力期望对学习者的MOOC学习意愿有显著的正向影响。

H3:社群影响对学习者的MOOC学习意愿有显著的正向影响。

H4:促成因素对学习者的MOOC学习行为有显著的正向影响。

缠尸布碎成了絮，纷纷扬扬地飘落，吹散了一地。尸体重新落回台面，脸面朝下，后背朝上，已一丝不挂。天葬刀并不稍停，锋利的刀刃在筋骨与关节间如龙游走。猩红的血顺着刀身上纤细的云纹倒流而上，所经之处，刀身闪现起荧荧红光。血水继续蜿蜒向上，直流入刀柄前端墨玉骷髅的口中。

H5:MOOC学习意愿对学习行为具有显著正向影响。

研究提出的模型如图1所示。

图1 研究模型假设

4 研究设计

4.1 问卷设计

问卷中6个潜变量的观测变量设定是在UTAUT模型的基础上，同时结合MOOC的特点进行设计。设计的问卷首先邀请相关的专家进行审核修订；随后选择在校大学生进行预调研，根据反馈结果进一步修改和完善，从而最终确定问卷内容。最终问卷包含了6个潜变量、27个测度项，各变量的测量问题项和参考文献来源如表1所示。

表1 变量构造及来源

4.2 样本及数据收集

本研究于2020年9月进行小范围的预调查，在对预调查结果进行分析的基础上，调整问卷内容。2020年10月至2020年12月，通过问卷星发放问卷860份，回收有效问卷796份，有效率为92.56%。样本构成中，男性410人，占比51.46%，女性386人，占比48.54%；大一人数146人，占比18.34%，大二人数282人，占比35.45%，大三人数242人，占比30.42%，大四人数126人，占比15.79%；家庭所在地农村234人，占比29.45%，家庭所在地县镇218人，占比27.42%，家庭所在地城市343人，占比43.13%。

5 数据分析和假设检验

5.1 信度和效度检验

(1)信度检验。从表2可知,6个潜在变量Cronbach′sAlpha值在0.806～0.892，均大于0.8。所有观测变量的标准载荷系数值在0.701～0.842，均大于0.7,并在p<0.001水平下显著。平均提取方差(AVE)值在0.565～0.616，大于0.5,组合信度(CR)值在0.714～0.886，大于0.7,说明调查问卷信度较好。

表2 验证性因子分析

(2)效度检验。从表3效度检验结果可以发现模型a的拟合效果最好(χ2/df=1.865,GFI=0.926,AGFI=0.933,TLI=0.945,CFI=0.952,RMSEA=0.046,SRMR=0.042),各项指数都达到标准。

表3 验证性因子拟合指标

5.2 模型适配度评价

表4详细列出了结构方程模型检验的主要适配指标。χ2/df=2.016,GFI=0.942,AGFI=0.908,TLI=0.924,CFI=0.935,RMSEA=0.053,SRMR=0.041,模型适配指标的拟合值均在可接受水平。因此,模型的设定是可以接受的。

表4 结构方程模型的适配指标值

6 研究结论和建议

6.1 研究结论

运用AMOS23.0进行路径系数检验,具体结果见下页表6。期望绩效对学习意愿(β=0.313,t=4.057,p<0.001)有正向影响,H1假设得到验证;努力期望对学习意愿(β=0.219,t=12.316,p<0.001)有正向影响,H2假设得到验证;社群影响对学习意愿(β=0.437,t=14.490,p<0.001)有正向影响,H3假设得到验证;促成因素对学习行为(β=0.138,t=6.328,p<0.001)有正向影响,H4假设得到验证;学习意愿对学习行为(β=0.765,t=3.537,p<0.001)有正向影响,H5假设得到验证。实际得到的模型路径系数如表5所示。

表5 路径系数检验

图2 路径系数图

从总效应来看,学习意愿受到期望绩效、努力期望、社群影响三个因素的影响,影响效果排序为社群影响(β=0.437,p<0.001)、期望绩效(β=0.313,p<0.001)、努力期望(β=0.219,p<0.001);学习行为受到期望绩效、努力期望、社群影响、促成因素、学习意愿五个因素的影响,影响效果排序为学习意愿(β=0.765,p<0.001)、社群影响(β=0.334,p<0.001)、期望绩效(β=0.239,p<0.001)、努力期望(β=0.168,p<0.001)、促成因素(β=0.138,p<0.001),具体结果见表6。

表6 总效应

6.2 研究建议

(1)重视MOOC的社群传播

社群影响显著影响MOOC学习意愿，加大宣传力度，强化宣传效果。针对MOOC学习者类型及其相应的特点，推荐不同的教学资源。同时，优化课程内容从而改善用户体验，利用口碑效应带动更多人学习MOOC。

(2)丰富、优化教学资源

期望绩效是影响学习意愿非常重要的因素，MOOC平台应该提高MOOC学习资源的质量，提升MOOC学习者的学习效率和效果，增加MOOC参与意愿。可以与国外知名大学和平台合作，引进更多优质的课程资源。

(3)提高MOOC平台的易用性

MOOC平台的操作方便，响应速度快，平台资料方便用户下载和学习，界面操作简单。应用数据分析工具，提供个性化学习方案。通过对MOOC学习者进行数据挖掘与分析，及时诊断其薄弱环节，并向其推荐学习策略，以提升学习成效。

(4)为MOOC学习提供更多的便利

MOOC平台和MOOC设计者应该为MOOC学习提供便利的环境，包括MOOC学习互动机制、帮助系统等。如提供学习讨论组、场景、聊天功能、案例现场模拟等。