数字经济时代下学习者数字学习行为实证研究

张秋红 赵贵玉

[   摘 要   ] 从学习者视角出发，以在校大学生的数字学习行为作为研究对象，设计了数字学习行为研究模型，包括个人内部特征、心理因素和外部环境因素三类，提出11个假设；针对383名在校大學生的网络问卷数据，应用多元逐步回归模型对假设进行检验，得出结论：大学生的年级、使用经验、感知易用性、有用性和娱乐性以及自我效能感六方面对数字学习有显著正向影响，其余五因素对数字学习的影响不显著。提出加强数字学习，提升教育产业数字化的对策建议。

[   关键词   ] 数字学习；学习者；数字经济；多元回归模型

[   中图分类号    ]  G434；G442[    文献标志码   ] A

习近平总书记在《求是》杂志发表的题为“不断做强做优做大我国数字经济”的文章，指出要推动我国数字经济和实体经济融合发展，并推进重点领域数字产业发展。数字经济包括数字产业化和产业数字化两个方面。随着5G，AR，VR技术的发展，教育产业数字化将大有可为。一提到教育就涉及施教者和学习者两个主体，而教育内容的设计以及技术手段的应用和改革，都应该符合学习者的学习需求和学习规律。目前，教育产业数字化的发展仍然主要集中于线上学习和远程授课等基本形式，学习者的体验尚未达到与现场学习同样的效果。在教育产业数字化的发展中，如果能将各种先进的数字技术与学习者的学习行为规律相结合，在提升学习者学习感受和效果的同时，也将有助于教育产业数字化的大力发展。

一、研究基础及假设

（一）模型的构建

所谓数字学习就是将学习内容数字化后，以计算机等终端设备为辅助工具进行的学习活动。[1]20使学习不再局限于固定的时间、地点及学习教材，而是任何时间、任何地点、任何情境的数字学习甚至是终生学习。[2]105数字学习的效果，不仅取决于技术本身，更与学习者对技术的选择、接纳和使用行为紧密关联。Davis（1989）依据理性行为理论（TRA）提出了技术接受模型（TAM）。[3]325-326通过观察外部变量对用户感知新技术的有用性与易用性的影响，进而获得用户对该项新技术的使用态度和行为意向。Abdullah和Ward（2016）在TAM模型的基础上提出专门针对在校大学生数字化学习采纳意愿分析的通用扩展技术接受模型（GETAMEL）。[4]242该模型将TAM模型中的外部因素细化为自我效能感、主观规范、满意度、计算机焦虑和经验五个维度。但随着研究对象和情况的变化，具体的外部因素被不断修正。例如，随着现代信息技术的普遍采用，计算机焦虑对技术采纳的影响程度越来越小，因此近几年学者普遍将其排除在主要考察范围之外。[5]97-98

本文设计了基于GETAMEL模型的数字学习意向的改良模型，如图1所示。影响数字学习行为的因素包括学习者内部特征、外部环境因素和个人心理因素三大类，共11个方面。

（二）研究假设

影响数字学习行为的用户内在特征因素包括用户的性别、年龄、使用经验等。由于所处年级、所学专业的差异，数字学习程度也有显著差异。[5]98另外，由于一些有价值的学习课程或APP需要付费，月平均消费水平也会影响数字学习情况。因此，本研究将年级、专业、月平均消费水平引入到研究中，考察他们与数字学习意愿之间是否存在有相关性。由于引入了年级这个与年龄高度相关的变量，故将年龄变量去除。最终提出五个与用户内在特征有关的基本假设：H1（性别对数字学习行为具有正向影响作用），H2（年级对数字学习行为具有正向影响作用），H3（专业对数字学习行为具有正向影响作用），H4（月消费水平对数字学习行为具有正向影响作用），H5（使用经验对数字学习行为具有正向影响作用）。

用户的心理因素包括对数字学习的感知娱乐性、感知有用性、感知易用性和自我效能感四个方面。其中，感知娱乐性是指在使用数字设备进行学习时，能够感到的愉快程度。[6]1118感知有用性是指数字学习对提高学习成绩等表现学习成效指标的提升程度。[7]277感知易用性是指使用数字技术进行学习时感到的付出努力的程度。[8]88自我效能感是指对于应用数字信息技术完成某项学习任务的自信程度。[9]85关于用户心理因素方面提出四个基本假设：H6（感知娱乐性对数字学习行为具有正向影响作用），H7（感知有用性对数字学习行为具有正向影响作用），H8（感知易用性对数字学习行为具有正向影响作用），H9（自我效能感对数字学习行为具有正向影响作用）

外部影响因素包括社会影响和系统功能两方面。社会影响是指是否采纳数字学习行为所感受到的来自环境以及社交群体的压力程度。[10]81系统功能是指数字学习系统所提供的资源服务、交互协作、信息管理等方面对学习行为的支持情况。[11]310关于外部影响方面提出两个假设：H10（社会影响对数字学习行为具有正向影响作用），H11（系统功能对数字学习行为具有正向影响作用）。

二、研究设计及数据收集

（一）构建回归模型

根据研究模型和基本假设，建立如下回归模型：

其中，Y表示数字学习行为意向，E表示常数项，En表示感知娱乐性，PU表示感知有用性，PE表示感知易用性；SE表示自我效能感，SI表示社会影响，SF表示系统功能，Exp表示使用经验，Sex表示性别，Gra表示年级，Maj表示专业，Con表示月平均消费。a ，b，c...k表示上述各个变量的系数，ε表示误差项。

（二）数据搜集

采用问卷调查法搜集数据。参考国内外相关研究，编制了初步的调查问卷，咨询了4名相关专家，并在吉林农业大学市场营销专业39名学生中进行了前测，根据专家意见以及前测结果对调查问卷进一步修改。调查问卷包括两个部分：第一部分是被调查者基本信息部分，包括性别、年级、专业、月平均消费。第二部分是影响移动学习意愿核心要素部分，包括感知有用性（4个题目），感知易用性（3个题目），感知娱乐性（3个题目），自我效能感（3个题目），社会影响（4个题目），系统功能（4个题目），使用经验（3个题目），行为意向（1个题目）。第二部分的题目采用李克特5分法量表，从1到5表示非常不同意到非常同意。

在2021年4月到7月期间，通过微信群、朋友圈、QQ空间以及新浪微博等方式发放调查问卷450份，回收448份，其中有效调查问卷383份，有效回收率85.5%。根据Gorsuch的观点，实证研究中的样本量要符合“總样本量大于100”以及“模型变量与样本数量的比例为1∶5”两方面基本要求。本研究涉及的解释变量一共11个，29个题项，样本数量应该在150-500之间，383份有效问卷在这个范围内，样本数量符合要求。调查样本的描述性统计情况如表1所示。

三、数据分析与结果讨论

（一）问卷的信度与效度分析

采用Cronbach's Alpha系数检验调查量表的内部一致性，得到整体Cronbach's Alpha系数为0.929，即量表具有较高可信度。采用探索性因子分析对量表的结构效度进行检验，得到KMO值为0.944，Sig为0.000，说明量表具有较好的效度。

（二）多元逐步回归分析

使用SPSS20.0对数据进行处理分析，采用多元逐步回归分析方法对研究假设进行检验。因变量Y表示行为意向，自变量是数字学习行为影响因素的11个变量，其中性别为二分类变量，专业为无序多分类变量，其余9个变量为连续变量，在逐步回归之前需要对无序多分类变量进行虚拟化处理，结果如表2所示。表中显著性系数均大于0.05，说明所学专业与数字学习行为相关性不显著。

剔除专业这个虚拟变量之后，对其余自变量进行多元逐步回归，分析结果如表3所示。

研究所得的多元相关系数调整后的R2均大于0.4，最后一步的R2为0.458，说明回归模型的拟合度很好。最终得到回归方程：

即影响学习者数字学习行为的因素包括感知娱乐性、感知易用性、感知有用性、自我效能感、使用经验和年级六个方面。

（三）假设检验结果及分析

根据回归分析的结果，假设中H1，H3，H4，H5，H10，H11被拒绝。第一，性别与数字学习行为没有正向影响作用。随着计算机和互联网设备的普及，男女学习者都可能进行数字学习；第二，所学专业与数字学习行为也不存在正向影响，即任何专业都有开展数字学习的可能性；第三，月消费水平与数字学习行为也没有正向影响关系，并不是月消费水平高的学生更容易购买付费数字学习产品，可见数字学习行为是一种自主性选择，受个人需求的影响程度更高，如果个人需求不足，即使没有财务方面的负担也不会促使学习者开展数字学习；第四，社会影响对数字学习行为没有正向影响关系。本研究的调查数据从大学生中获取，在大学阶段学习行为的自主性非常强，大学生不会因为周围同学都采用数字学习就主动采用或增加数字学习的程度；但如果授课教师要求采用，或课程确实需要，则大学生就会进行数字学习。最后，系统功能也不会对数字学习行为有正向影响作用。学习者不会因为系统功能非常完备就主动选择数字学习，这进一步证明数字学习更多受到个人主观需求和学习习惯的影响。

其余六个假设被证实。第一，年级对数字学习有正向影响作用，调查发现年级越高，数字学习的程度越高。随着年级的升高，个人发展目标、未来职业规划也变得越来越清晰，因此开展独立自主学习的程度也会随之增加。第二，使用经验对数字学习行为有正向影响作用。过去曾经进行过数字学习，并从中获益的学习者更容易采纳数字学习。第三，感知娱乐性对数字学习有正向影响作用。娱乐性能有效减少学习的枯燥乏味之感，促进学习者对学习内容产生更多的兴趣和偏好，从而获得更好的学习效果，因此可以促进数字学习行为的发生。第四，感知有用性对数字学习有正向影响作用。如果通过数字学习，学习者发现个人的学习效率和学习成绩有明显提升，则可促进其进一步开展数字学习。第五，感知易用性对数字学习有正向影响作用。与传统学习相比，如果学习者主观感到开展数字学习更加便利，减少学习时间，提高学习效率，则会有效促进数字学习的开展。最后，自我效能感对数字学习有正向影响。学习者对使用现代移动技术开展学习的自信程度越高，越会促进他们在采用数字学习时的易用性与娱乐性的感知增加，从而进一步促进数字学习的发生。

四、对策与建议

其一，加强数字学习使用场景的开发。根据实证分析可知，使用经验对数字学习具有显著正向影响作用。故应该加强课程与数字学习的关联度，增加数字学习的使用场景。有了这种学习经验，学习者自主进行数字学习的可能性会进一步增加。在产业数字化的进程中，随着使用端用户以及使用时长已经逐渐达到极值，想要进一步从用户数量、使用时长等方面突破来扩大数字产业的发展，空间已经非常有限。因此应该转向从生产端寻找突破口，开发更多的数字学习应用场景，提升教育产业数字化发展。

其二，打造更加科学合理的数字学习手段，提升学习成效。实证分析表明，感知有用性是影响数字学习开展的最显著因素。如果学习者发现数字学习可以有效促进学习效率和成绩的提升，则会更加积极开展数字学习。因此，要加强教育产业数字化发展，推动数字学习的开展，就要设计出更加科学合理有价值的学习环节来切实提升学生学习效率和成绩，就要求数字学习的软硬件提供商应该与教育部门和教育工作者紧密合作，深刻理解学生的学习规律，使所开发的数字学习产品更有助于提升学习成效。

其三，将数字学习的趣味性和有用性有机结合。感知娱乐性是另一个影响数字学习的重要因素。教育心理学指出学习时的情绪会极大影响学习效果。如果学习过程中趣味性强，则会激发学习者产生积极情绪，进而增加学习兴趣和专注时长。[12]122与传统学习行为相比，数字学习更加便利，受时间和空间的约束性更小，这是数字学习的重要优越性。但它也有一个重大弊端，就是容易受到其他与互联网相连的娱乐因素的干扰，从而导致学习精力不集中，学习时间缩短等问题出现。因此，数字学习设备提供商和内容发布者要清晰认知数字学习的优缺点，在软硬件开发以及内容设计发面，充分发挥数字学习的趣味性优势，摒弃干扰因素，真正促进学习效果的提升。

其四，加強数字学习操作使用的便利性。实证分析表明，感知易用性和自我效能感都对数字学习有正向促进作用，而上述两因素也相互关联，感知易用性强的调查者表现出较高的自我效能感。这一方面由学习者的使用经验所致，另一方面由数字学习使用的便利性所致。在调查中许多被试反映数字学习的课程设计存在问题，例如没有板书讲解，操作迟缓响应时间长，界面设计不合理，主要操作按键不好辨认，主题不突出等多方面问题。这些都极大影响了数字学习的体验。因此在进行软硬件开发时，应该充分掌握使用者的操作习惯，开发出使用更加便利的数字学习产品。同时，授课教师等内容发布者也要精心设计课程内容，了解学习的规律性行为，突出重点内容，加强数字学习的便利性。

[参考文献]

[1]Gikas，Ｊ&Grant，M.M.Mobile computing devices in higher education：Students perspectives on learning with cellphones smart phones and social media[J].The Internet and Higher Education，2013（19）：18-26.

[2]Krotov，V.Critical Success Factors in M-learning：A Socio-Technical Perspective[J].Communications of the Association for Information Systems，2015（1）：105-126.

[3]Davis F D.Perceived Usefulness，Perceived Ease of Use，and User Acceptance of Information Technology [J].MIS Quarterly，1989（9）：319-339.

[4]Abdullah，F.，& Ward，R.Developing a general extended technology acceptance model for E-learning （GETAMEL）by analyzing commonly used external factors [J].Computers in Human Behavior， 2016（3）：238-256.

[5]张进良，叶求财，段娟.基于GETAMEL的师范生微学习行为影响因素的实证研究[J].当代教育论坛，2019（4）：95-107.

[6]Davis.F，Bagozzi R，Warshaw P.Extrinsic and Intrinsic Motivation to Use Computers in the Workplace [J].Journal of Applied Social Psychology，1992（14）：1111-1132.

[7]Venkatesh V， Bala H.Technology acceptance model 3 and a research agenda on interventions [J].Decision sciences， 2008（2）：273-315.

[8]Love， E.G.， Love， D.W.， & Northcraft， G.B.Is the end in sight？Student regulation of in-class and extra-credit effort in response to performance feedback [J].The Academy of Management Learning and Education， 2010（1）：81-97.

[9]Zimmerman，B.J.Self-efficacy：An essential motive to learn.Contemporary Educational Psychology， 2000 （1） ：82-91.

[10]焦东亮，李艺婷，马猛弟，常磊鑫.大学生线上学习情绪状况及影响因素分析[J].牡丹江师范学院学报：社会科学版.2022（01）：76-83.

[11]Agudo-Peregrina A F， Pascual-Miguel F J.Behavioral intention， use behavior and the acceptance of electronic learning systems：Differences between higher education and lifelong learning [J].Computers in Human Behavior， 2014（15）：301-314.

[12]赵静，王文娟，朱琳，薛芳.大学生学习投入及学业自我效能感研究[J].牡丹江师范学院学报：社会科学版，2020（06）：131-137.

[ 责任编辑 ]甄 欣

An Empirical Study on Learners' Digital Learning Behavior

in the Digital Era

ZHANG Qiuhong，ZHAO Guiyu

（Economics and Management College，Jilin Agriculture University，Changchun，Jilin，130118，China）

Abstract：From the perspective of learners，taking the digital learning behavior of college students as the research object，this paper designed  a digital learning behavior research model，including characteristics，psychological factors and External features.According above three types factors presented 11 hypotheses.Then used the Internet questionnaire data on 383 college students，tested these 11 hypotheses by using multiple stepwise regression models.Get conclusions that，Grades，Learning experience，perceived entertainment，perceived ease，perceived useful and self-efficacy have a positive impact on the digital learning behavior.But the impacts of the other five factors is not significant on digital learning.At last according to the conclusion of the empirical study，presented  countermeasures and suggestions to strengthen digital learning and improve the digitalization of education industry.

Keywords：digital learning； learners； digital economy； multiple regression models