移动学习用户持续使用行为影响因素实证研究*

□ 陈美玲 白兴瑞 林 艳

引言

据中国互联网络信息中心（CNNIC）2014年7月发布的第34次《中国互联网络发展状况统计报告》显示，截至2014年6月，我国手机网民规模为5.27亿，在整体网民中占比达83.4%，手机已经成为我国网民的第一大上网终端[1]。移动互联网和手机终端的发展为移动学习的开展奠定了物质基础。目前国外已开展有120多个针对不同应用情景的移动学习项目。国内自从教育部高教司启动移动教育理论与实践研究项目后，许多知名网站、终端设备制造商等也开始致力于移动学习产品和服务等的研发[2]。

尽管有着巨大的潜力，移动学习的接受度和持续使用行为依然存在许多挑战。各种移动应用层出不穷，但是能被长期使用的却不多。“值得指出的是，移动学习系统，同任何信息系统的成功一样，其推广普及不仅仅在于技术本身先进与否，还在于用户的认知、接受和持续使用等行为问题的解决”[2]。用户对移动学习的认知是影响其初始接受和持续使用最为关键的要素。同时，用户对移动学习的认识是变化的，其最初的接受行为并不能保证持续的使用，没有长期有效的使用，最初接受的信息系统也不可能给用户带来所期望的价值。IT/IS持续使用行为成为近年来国际信息系统领域的研究热点。然而通过对国内外移动学习初始接受和持续使用行为相关文献的检索发现，目前已有学者研究移动学习的初始接受，但对持续使用行为的研究几乎还是一纸空白。深入分析究竟哪些是影响移动学习用户持续使用行为的因素，哪些因素更重要，从而有重点和有针对性地提出促进移动学习用户持续使用行为的建议已经迫在眉睫。

一、理论依据与模型假设

1.理论依据

考虑到用户初始接受理论把注意力主要放在了用户信息技术的初始接受使用行为上，而信息技术初始接受或采纳的因素，并不等同于信息技术持续使用的因素。用户在整个信息系统使用行为过程中必定存在心理认知和反应过程，而Bhattacherjee的信息系统持续使用模型本身就是为了研究用户信息技术持续使用行为而提出的，因此本文将选择Bhattacherjee的信息系统持续使用模型作为本研究的理论依据。

Bhattacherjee（2001）[3]借鉴经典的技术接受模型与期望确认理论，提出了信息系统持续使用模型。模型如图1所示：

图1 Bhattacherjee的信息系统持续使用模型

由图1可以看出，用户信息系统的持续使用意愿受“感知有用性”“期望确定度”“满意度”三个因素的影响。模型提出如下假设：用户对某一特定信息系统的满意度对其持续使用意愿有积极的影响，用户对某一特定信息系统的满意度由感知有用性和期望确认度所决定，感知有用性对用户采纳某一信息系统的意愿有着极大的正向影响，感知有用性受用户期望确认度的影响。

2.研究模型与假设

信息系统持续使用模型是有效且简单的，但是很多学者认为，仅仅从确认度和感知有用性来研究用户的满意度和持续使用意向，无法完整地进行解释分析。因此，本研究在Bhattacherjee的信息系统持续使用模型的基础上，对模型进行扩展，根据移动学习的相关特性，增加感知易用性和感知移动性价值变量，构建了如图2所示的移动学习用户持续使用研究模型，并进行研究假设论证。

图2移动学习用户持续使用研究模型

Bhattacherjee的信息系统持续使用模型可以类推到移动学习的使用情境中。移动学习刚开始出现时，移动学习提供商会通过网络、电视广告、报纸等多种途径对用户进行宣传，周围的亲人、朋友、同事等也会对移动学习的体验效果进行反馈，用户根据自身的生活经验对移动学习将抱有一定的期望。当用户体验或使用移动学习之后，获得了意料之中的好处，也就是说符合甚至超出了个人未使用之前的期望，即移动学习用户的期望确认程度很高，就会对移动学习感到很满意，并且认为移动学习很有用。用户在体验中感觉移动学习系统平台功能很强大，工作绩效、学习效果、生活水平等得到了提高，用户感觉移动学习的有用程度很高，满意度必然跟着上升，将愿意继续使用移动学习。若用户对移动学习感到不满意，将会影响其对移动学习的持续使用意愿。因此，本研究提出如下假设：

假设1（H1）：移动学习用户的期望确认度对其满意度有正向影响。

假设2（H2）：移动学习用户的期望确认度对其感知有用性有正向影响。

假设3（H3）：移动学习用户的感知有用性对其满意度有正向影响。

假设4（H4）：移动学习用户的感知有用性对其持续使用意愿有正向影响。

假设5（H5）：移动学习用户的满意度对其持续使用意愿有正向影响。

另外，Davis等（1989）[4]在提出的技术接受模型中，将感知易用性定义为：用户所能感觉到使用某一特定信息系统的容易程度。自从移动学习出现以来，这一新的学习方式遭到了一些挑战。Kukuls⁃ka-Hulme（2007）[5]评述了英国两个移动学习项目的可用性研究后指出，人们不断用手机、平板电脑等设备进行学习，并不是因为这些设备本身是专门设计出来用于教育的，而是这些设备被频繁地报道可以用在教育上。Corbeil和Valdes-Corbeil（2007）[6]声称，移动学习中有各种不同类型的应用，学生想要收听相应的音视频需要会操作一些技术，但许多学生的操作还不熟练。对此，Wang等（2008）[7]指出，“这些挑战意味着从现有的数字化学习到移动学习的适应过程并不是一件容易的事情，用户可能会倾向于不接受移动学习”。换句话说，这些研究表明，如果学习者发现移动学习很容易进行，他们将会更愿意进行移动学习。因此，本研究中将感知易用性定义为用户感受到的使用移动学习的容易程度，并提出如下假设：

假设6（H6）：移动学习用户的感知易用性对其感知有用性有正向影响。

假设7（H7）：移动学习用户的感知易用性对其持续使用意愿有正向影响。

最后，Huang等（2007）[8]最早提出感知移动性价值这一概念，将其定义为：用户对移动学习移动性价值的认知。移动性包括便利性、实用性和及时性三个不同的要素[9]。移动性允许用户随时随地通过移动设备获得各种信息和服务，也就是说无论何时何地有需要，移动性具有在新的环境下引导和支持用户的能力。移动用户认为移动学习的主要优势是效益和实用性，而这些优势是移动设备移动性的结果[10][11]。另外Huang等（2007）[8]在最初提出的模型中只假设了感知移动性价值对感知有用性有积极影响，但在数据分析时发现，感知移动性价值也对用户的行为意愿有直接的正向影响。本文也认为感知移动性价值将是其中一个关键因素，并将其定义为用户个人感觉移动学习移动性所能带来价值的大小，认为当用户意识到移动性价值能够体现出移动学习本身所具有的独特魅力时，就会对移动学习的有用性有强烈的感触，并觉得移动学习很容易，很愿意去接受和采纳。因此，本研究提出如下假设：

假设8（H8）：移动学习用户的感知移动性价值对其感知有用性有正向影响。

假设9（H9）：移动学习用户的感知移动性价值对其感知易用性有正向影响。

假设10（H10）：移动学习用户的感知移动性价值对其持续使用意愿有正向影响。

二、问卷设计与数据收集

1.问卷设计

本研究整份问卷包括以下三部分内容：

第一部分是被调查者的个人基本信息，包括性别、专业、年级等，该部分的数据主要用于描述性统计。

第二部分通过设置五个题项来让被调查者回忆自己最近的移动学习经历。如果被调查者有过列出的五个题项中的任何一项或多项经历，则根据自身的经历与感受继续填写问卷的第三部分。如果一个也没有经历过，说明被调查者根本没有移动学习的经历，则停止答卷。

第三部分是对移动学习用户持续使用研究模型中的6个研究变量的度量，是整份调查问卷的核心部分。由于国内与本研究相关的文献很少，因此本研究问卷的量表部分大量借鉴和参考了国外的成熟量表（如表1所示），同时邀请了相关专家就量表内容、题项表述进行讨论，再结合他们的意见做必要的调整和修正，形成最终量表。为了避免被调查者在填写问卷时产生困惑和不耐烦，本研究将测量同一变量的题项放在一起。采用李克特五分制量表的自陈式问卷，设置了22个测量题项，要求被调查者根据以往的移动学习经历与感受，依其同意程度，从“非常不同意”（1分）、“不同意”（2分）、“中立”（3分）、“同意”（4分）、“非常同意”（5分）五等分量表中勾选最符合自己的选项。

2.数据收集

移动学习的对象有学生、教师、企业员工等各行各业的人员。其中学生比较乐意尝试和接受新技术/产品/服务，以学生群体作为移动学习的接受者具有一定的代表性。因此，本研究选择大学生作为问卷调查对象。

问卷调查是在本校开展的，调查对象分布在教育科学院、管理学院等8个学院，涵盖了文科、理工科和艺术类。抽取的对象以大一到大四的本科生为主，研究生占部分比例。抽取的专业有教育技术学、物流管理、计算机科学与技术等。本次调查一共发放问卷523份，回收有效问卷475份，总体来说本次随机调查抽样是科学可靠的。

三、数据分析

1.测量信度和效度检验

根据回收的数据，本研究采用SPSS 18.0统计分析软件和Amos 18.0结构方程模型分析软件来对量表（研究变量的测量题项）进行信度和效度分析。其中信度分析采用Cronbach’s α信度系数内部一致性的检验方法。根据吴明隆（2003）[16]的研究，分量表的信度系数在0.7以上才比较可信，（如表2所示）本研究中各潜变量（研究变量）Cronbach’s α均在0.8以上，说明本量表的各个测量题项之间的内在一致性程度很高。

另外，本研究采用验证性因子分析对量表进行建构效度检验。建构效度通常从收敛效度和区别效度两方面同时衡量，这两方面效度要同时获得，才能认为具有良好的建构效度[17]。根据Fornell和Larcker（1981）[18]的建议，通过标准化因子负荷、组合信度值和平均萃取变异量来评估测量模型中各潜变量的收敛效度。（如表2所示）本研究模型中的6个潜变量所对应的观测变量的标准化负荷值都远大于建议值0.5，其对应的p值都大于0.05，均达到了显著水平，说明本量表具有很好的收敛性。关于组合信度CR，通常认为各个潜变量的组合信度要大于0.7以上，使用的测量工具才算可靠。本研究模型中6个潜变量的组合信度值都达到了0.8以上，说明本研究的测量模型具有很好的内在一致性。至于平均萃取变异量AVE，一般而言，当测量模型中各潜变量的AVE大于0.5以上，则说明测量模型的构建是比较成功的。表2中6个潜变量的AVE值均大于0.5，说明这几个潜变量从对应的观测变量中获得了程度较高的变异量，测量模型具有很好的收敛性。

表1研究变量的操作性测量题项

根据Fornell和 Larcker（1981）[18]的建议，如果研究模型中各潜变量的平均萃取变异量AVE的平方根大于其与其它潜变量之间的相关系数，则表明该测量模型各潜变量之间具有良好的区别效度。如表3所示，表格中对角线上加粗数字为各潜变量AVE值的平方根，下三角为各潜变量相关系数矩阵，可以看出各潜变量AVE值的平方根均大于其与其它潜变量之间的相关系数，说明本研究的测量模型具有较强的区别效度。

表2信度及效度分析

表3潜变量对应的AVE值的平方根与相关系数列表

2.模型整体拟合评价与假设检验

本研究通过Amos 18.0结构方程模型分析软件来进行研究模型的整体拟合评价与假设检验。模型整体拟合评价部分通过7个拟合度指标来考察研究模型与数据的适配程度，这7个拟合度指标分别为差异除以自由度（CMIN/DF）、拟合优度指标（GFI）、调整拟合优度指标（AGFI）、比较适合度指标（CFI）、非常规拟合度指标（TLI）、增量适合度指标（IFI）和平均平方误差平方根(RMSEA)。结合Fornell和Larcker（1981）[18]、Bentler和 Bonett（1980）[19]以及Yu等（2012）[20]的研究，7个拟合度指标的建议值如表4所示。从表中可以看出，本研究模型的各个拟合度指标均符合建议值，说明本研究模型具有良好的拟合度，模型明确阐释了移动学习用户的持续使用意愿情况。

表4模型拟合度指标

本研究模型中的标准化路径系数如图3所示，各潜变量之间的标准化路径系数用来衡量变量之间的影响程度，其值介于（-1，1）之间，系数为正，表明自变量对因变量的影响是正向的；反之，系数为负，表明自变量对因变量的影响是负向的。一般来说，标准化路径系数的绝对值越大，表明自变量对因变量的影响作用越大。另外，p值用来进行路径系数/负荷系数统计显著性检验，p值越小，说明自变量对因变量的影响作用越显著，一般认为p值小于0.05就可说明达到了显著水平。从图3中的数据可以看出，除了假设4之外，其余假设都得到了较好的支持。

图3结构模型的路径系数

如图3所示，移动学习用户的期望确认度对其满意度（β=0.603，p＜0.001）和感知有用性（β=0.19，p＜0.001）均有正向影响，假设1和假设2成立。移动学习用户的感知有用性对其满意度有正向影响（β=0.334，p＜0.001），假设3成立。移动学习用户的满意度对其持续使用意愿有正向影响（β=0.541，p＜0.001），假设5成立。这个实证结果进一步为Bhattacherjee的信息系统持续使用模型和已有文献中提到的期望确认度、感知有用性、满意度、持续使用意愿之间的关系提供了证明。但是，移动学习用户的感知有用性与持续使用意愿之间存在负向影响（β=-0.036，p=0.637＞0.05），而且显著性检验也不显著，假设4不成立。可能的原因是用户还没有进行移动学习之前，认为移动学习确实能够节省工作、学习时间，提高工作、学习效果等，也就是说觉得移动学习很有用，才会去体验移动学习。但是体验几次之后，已经知道移动学习对自己有用后，更加关注的是移动学习系统所提供的功能界面、学习资料等是否能够满足自己的需要等，由此导致感知有用性对持续使用意愿不产生直接影响。移动学习用户的感知易用性对其感知有用性（β=0.539，p＜0.001） 和持续使用意愿 （β=0.173，p＜0.001）均有正向影响，假设6和假设7成立。这也为Davis等（1989）提出的科技接受模型和已有文献中提到的感知易用性与感知有用性、持续使用意愿之间的关系提供了证明。移动学习用户的感知移动性价值对其感知有用性（β=0.264，p＜0.001）、感知易用性（β=0.674，p＜0.001）和持续使用意愿（β=0.173，p=0.009＜0.05）均有正向影响，假设8到10成立。移动学习跟传统学习和网络学习方式不一样，用户只要随身携带移动设备，遇到需要时，就可以随时随地拿出移动设备获取各种信息和服务，非常方便。当移动用户意识到这种移动性价值能够体现出移动学习本身所具有的独特魅力时，对移动学习的感知有用性和感知易用性就会增强，进而经常拿出移动设备来学习。

3.模型修正

Amos 18.0结构方程模型分析软件的分析结果显示，移动学习用户的感知有用性和持续使用意愿之间的路径系数（β=-0.036，p=0.637＞0.05）为负，表示两者之间存在负向影响，这与假设移动学习用户的感知有用性与其持续使用意愿成正向影响不符，而且显著性检验也不显著，说明假设得不到数据支持，因此在模型修正中将该条路径删除。删除该条路径之后，再通过Amos 18.0结构方程模型分析软件进行分析，修正之后的模型参数与整体拟合评价均通过了检验。修正后的新模型及路径系数如图4所示：图中椭圆形表示本研究模型中的6个潜变量（研究变量），如果两个潜变量之间有单向箭头连接，表示这两个潜变量之间建立了因果关系，而两个潜变量之间单相箭头连线上的数值（两潜变量之间的回归系数）为路径系数。长方形表示各潜变量所对应的观测变量（量表中的测量题项），每个潜变量都有对应的3～4个观测变量，6个潜变量总共对应了22个观测变量。潜变量是无法直接观测并测量的，因此需要通过这些对应的观测变量来反映，模型中潜变量与观测变量之间单向箭头连线上的数值（潜变量与观测变量之间的回归系数）为标准化负荷系数。

图4修正后的模型及路径系数（Amos 18.0）

四、研究结论

本研究将Bhattacherjee的信息系统持续使用模型应用于提供内容服务的移动学习系统，提出移动学习用户持续使用意愿的研究模型，实证检验表明除了假设4之外，其余假设都得到了支持。修正后的模型标准化总体效应如表5所示：

表5修正后模型的标准化总体效应

图4中潜变量的路径系数与表5中的标准化总体效应相比，有些潜变量对移动学习用户持续使用意愿的总体效应相对于其相应的路径系数有所变化。感知移动性价值、期望确认度、感知易用性、感知有用性、满意度这5个变量都会直接或间接影响移动学习用户的持续使用意愿。这是因为模型的总体效应要同时考虑直接效应和间接效应，直接效应与间接效应的总和反映了原因变量对结果变量的影响大小。从表5可以看出，按照影响力的大小，对移动学习用户持续使用意愿产生影响的因素依次为：满意度（0.526）、感知移动性价值（0.379）、期望确认度（0.350）、感 知 易用性 （0.263）、感知 有 用性（0.175），总的来说影响效果都是比较明显的。

已有科技接受模型认为，感知易用性和感知有用性是移动学习用户初始接受的关键影响因素。而通过以上研究结果发现，满意度、感知移动性价值、期望确认度才是移动学习用户持续使用的关键影响因素，感知易用性和感知有用性虽然也会产生一定的影响，但已经不再是关键影响因素了。

五、研究展望

后续研究将会把模型的因变量从移动学习用户的持续使用意愿扩展到移动学习用户的实际使用行为，收集纵向数据，考察持续使用意愿与实际持续使用行为之间的关系。另外，根据研究发现的关键影响因素，将重点和有针对性地提出促进移动学习用户持续使用行为的建议。

[1]第34次中国互联网络发展状况统计报告[R].中国互联网络信息中心，2014，（07）：21.

[2]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.

[3]Bhattacherjee,A.An empirical analysis of the antecedents of elec⁃tronic commerce service continuance[J].Decision support systems,2001,32(2):201-214.

[4]Davis,F.D.,Bagozzi,R.P.,Warshaw,P.R.User acceptance of com⁃puter technology:a comparison of two theoretical models[J].Manage⁃ment science,1989,35(8):982-1003.

[5]Kukulska-Hulme,A.Mobile usability in educational contexts:what have we learnt?[J].The International Review of Research in Open and Distance Learning,2007:8(2):1-31.

[6]Corbeil,J.R.,Valdes-Corbeil,M.E.Are you ready for mobile learn⁃ing?[J].Educause Quarterly,2007,30(2):51-58.

[7]Wang,Y.S.,Wu,M.C.,Wang,H.Y.Investigating the determinants and age and gender differences in the acceptance of mobile learning[J].British Journal of Educational Technology,2008,40(1):92-118.

[8]Huang,J.H.,Lin,Y.R.,Chuang,S.T.Elucidating user behavior of mobile learning:A perspective of the extended technology accep⁃tance model[J].The Electronic Library,2007,25(5):586-599.

[9]Seppälä,P.,Alamäki,H.Mobile learning in teacher training[J].Jour⁃nal of Computer Assisted Learning,2003,19(3):330-335.

[10]Coursaris,C.,Hassanein,K.,Head,M.M-Commerce in Canada:An Interaction Framework for Wireless Privacy[J].Canadian Journal of Administrative Sciences/Revue Canadienne des Sciences de l'Ad⁃ministration,2003,20(1):54-73.

[11]Hill,T.R.,Roldan,M.Toward third generation threaded discus⁃sions for mobile learning:opportunities and challenges for ubiquitous collaborative environments[J].Information Systems Frontiers,2005,7(1):55-70.

[12]Park,S.Y.,Nam,M.W.,Cha,S.B.University students'behavioral intention to use mobile learning:Evaluating the technology accep⁃tance model[J].British Journal of Educational Technology,2012.，43(4):592-605.

[13]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.

[14]Liaw,S.S.Investigating students’perceived satisfaction,behavioral intention,and effectiveness of e-learning:A case study of the Black⁃board system[J].Computers&Education,2008,51(2):864-873.

[15]Thong,J.Y.L.,Hong,S.J.,Tam,K.Y.The effects of post-adoption beliefs on the expectation-confirmation model for information tech⁃nology continuance[J].International Journal of Human-Computer Studies,2006,64(9):799-810.

[16]吴明隆.SPSS统计应用实务：问卷分析与应用统计[M].北京：科学出版社，2003.

[17]朱星宇，陈勇强.SPSS多元统计分析方法及应用[M].北京：清华大学出版社，2011.

[18]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.

[19]Bentler P.M.,Bonett D.G.Significance tests and goodness of fit in the analysis of covariance structures[J].Psychological bulletin,1980,88(3):588.

[20]Yu,T.F.,Lee,Y.C.,Wang T.S.The Impact of Task Technology Fit,Perceived Usability and Satisfaction on M-Learning Continu⁃ance Intention[J].International Journal of Digital Content Technolo⁃gy and its Applications,2012,6(6):35-42.