网络环境下学习者动力性特征群体差异研究*

□ 李运福 傅钢善

近年来，学习科学与认知科学领域的一系列研究表明，适应性学习是网络环境下教与学的必然趋势，学习者模型是构建网络环境下适应性学习系统的核心要素。近年来越来越多的专家、学者以学习风格为突破口，对完善学习者模型，实现网络环境下适应性学习进行了尝试性的探索，并取得了丰硕的成果，如学习风格与网络学习路径、鼠标移动模式、导航模式、讨论交流、博客撰写等行为特征间关系的深入挖掘与剖析[1][2][3][4]；基于学习风格的网络适应性学习系统或模型的构建研究[5][6][7]；学习风格与学习态度、学习动机、学习者对学习环境或信息技术的感知能力等情感特征间关系的深入研究[8][9]；学习风格与小组协作学习、混合式学习、学习内容分析、信息推送服务等教学或学习模式与方法间的关系研究[10][11][12][13]；学习风格与记忆能力等认知特征间关系的研究[14]，等等。然而，有关网络学习风格与学习者动力性特征间关系的研究却较为罕见。

动力性特征是指在网络学习活动中对学习者认知加工过程起促进作用的各种特征的集合，如自我效能感、学习动机、学习归因、学习态度、个人兴趣与爱好，等等，是激发并维持网络认知活动顺利进行的源动力。文献分析表明，目前国内外有关网络环境下学习者动力性特征的研究主要集中在网络学习自我效能、网络学习动机两方面，且多数是以某个单一特征为核心变量开展的“点式研究”，未能将多个关键的动力性特征置于同一层面，开展“面式研究”，纵使前者能够增强某项特征的研究深度，但研究对象、研究方式的差异性在一定程度上削弱了研究结论间的相互参考价值。

鉴于此，本研究以学习风格为依据对学习群体进行聚类划分，从群体相似性特征与群体差异性特征两方面着手对学习者参与网络学习的关键动力性特征，如网络学习自我效能、网络学习动机、网络学习归因和网络学习态度等同时进行较为深入的分析，以期增强各项特征间研究数据的参考性，对构建动力性特征动态数据库，完善学习者模型，实现网络环境下适应性学习提供一定参考。

研究方法

1.研究平台

本研究以陕西师范大学“现代教育技术”网络课程学习平台 （http://edutech.snnu.edu.cn） 为依托。该平台是一个开放教育资源，以提高信息时代教师与学生的教育技术基本理论、教学技能为目标，主要由课程学习、辅导资源、媒体学习、讨论交流、软件下载及其他辅助功能模块组成，具有完善的学习过程跟踪、记录技术，能够对学习者登陆次数、登录时间、学习时长、学习路径、讨论交流等学习行为进行记录和管理。该课程完善的结构设计、学习内容设计、学习过程管理以及评价方式的多元化受到历届学生青睐。自2002年开始，每年承担陕西师范大学公共必修课教学。截至2013年7月1日，该课程已累计承担了21217名本科生、3162名成人教育硕士、1158名全日制教育硕士的教学任务，访问登陆次数高达1221457次。良好的教学效果与社会影响使该课程先后被评为全国教师教育优秀课程资源、国家级精品课程、国家级教学成果二等奖等。目前，该课程正在积极参与中国大学视频公开课程的建设。总之，该课程具备稳定的学习群体、丰富的学习对象、稳定的学习过程、较为成熟的学习过程管理模式，能够为本研究的开展奠定良好的基础。

2.研究对象

本研究选取2013年上学期参与该课程学习的陕西师范大学、华南师范大学、青海师范大学的2936名学习者为研究对象，涵盖16个学院、19个专业，涉及文科、理工科以及艺术类三大学科类别，具有一定的代表性。研究采取电子问卷的形式在网络课程上对所有学习者进行调查，最终回收问卷2762份，回收率94.05%。经筛选，最终保留有效问卷2639份，有效率95.55%。其中，从性别来看男生占21%，女生占79%；从学历层面来看，在校本科生占93.5%、硕士研究生占6.5%；从学科类别来看，理工类学习群体占52.4%，文科类与艺术类学习群体所占比例分别为34.5%、13.1%。

3.研究工具

本研究以研究量表为获取研究数据的主要工具，所涉及的研究量表主要包括网络学习风格量表、网络学习动力性特征量表。其中网络学习风格量表是在Felder-Silverman学习风格量表的基础上根据研究实际进行改编，包括信息感知风格、信息输入风格、信息理解风格与信息加工风格四个维度；网络学习动力性特征量表包括网络学习自我效能量表、网络学习动机量表、网络学习归因量表、网络学习态度量表四部分。

（1）网络学习风格量表

Felder-Silverman学习风格量表是技术支持学习领域应用最为广泛、最易区分学习者风格类型的风格量表之一。该量表为一两点式量表，根据信息加工的不同阶段将学习风格分为四个维度，即信息感知风格、信息输入风格、信息理解风格和信息加工风格，每一个维度11个题项，共计44个题项。该量表中学习风格采用各维度内各题项累计和的方式进行计算，每种学习风格的值介于11～11之间。整个量表中所有的A选项在各维度分别代表言语型、直觉型、综合型、沉思型学习风格（代数值为1），所有的B选项在各维度分别代表视觉型、感悟型、序列型、活跃型学习风格（代数值为-1），各维度代数值累计和则为学习者在该维度的风格偏好，如信息加工维度，某一学习者A选项累计值为2，B选项累计值为-9，则该学习者的信息加工风格代数值累计为-7B，较偏向活跃型学习风格。

（2）网络学习自我效能感量表

网络学习自我效能感量表主要测量学习者对自己能有效使用计算机、因特网及其他现有资源或工具完成网络课程并使自身得到完善和发展的自信程度的高低。该量表以童金皓等[15]对网络学习中自我效能感的研究为理论基础，在对“一般自我效能感量表”、王迎[16]以及Kun-Hung Cheng[17]等研究中使用的网络学习自我效能量表进行改编的基础上，最终生成包括一般自我效能和特殊自我效能两部分的网络学习自我效能量表。一般自我效能主要测量学习者对自身在网络学习中成功完成学习任务的一般能力判断；特殊自我效能主要测量学习者在网络学习中完成某项具体或特定的学习任务的过程中对自身能力的判断。经小范围初试后对量表进行修正，最终保留11个题项，其中一般自我效能5个题项，特殊自我效能6个题项。量表整体及一般自我效能、特殊自我效能的内部一致性系数分别为0.879、0.803、0.803，量表结构效度如表1所示。

（3）网络学习动机量表

网络学习动机量表主要测量学习者参与网络学习动力强度的高低。该量表以奥苏贝尔的学习动机理论为基础，以Matthew K.O.Lee等[18]研究中使用的网络学习动机量表为参考，在对部分学习者进行在线访谈的基础上自编了网络学习动机量表，包括内部学习动机和外部学习动机两个维度。内部学习动机主要包括“想通过网络学习开阔视野”、“想通过网络学习不断发展和完善自己”等；外部学习动机主要包括“网络资源丰富”、“网络学习比较方便、比较潮流”等。经小范围初试后对量表进行修正，最终保留7个题项，其中内部学习动机4个题项，外部学习动机3个题项。量表整体及内部动机、外部动机的内部一致性系数分别为0.876、0.821、0.750，量表结构效度如表1所示。

（4）网络学习归因量表

网络学习归因量表主要测量学习者为自身网络学习效果寻找原因的心理取向。本研究中使用的网络学习归因量表是根据研究实际对“多项—多维归因量表”[19]中的学习成就归因量表进行改编，包括情境归因、运气归因、努力归因和能力归因四个维度，每个维度6个题项，分别包括3个成功归因与3个失败归因。经小范围初试后对量表进行修正，最终量表整体及情境归因、运气归因、努力归因、能力归因的内部一致性系数分别为0.891、0.829、0.855、0.759、0.784，量表结构效度如表1所示。

（5）网络学习态度量表

网络学习态度量表主要测量学习者对网络学习及其效果认可程度的高低。该量表主要是以Baron[20]对态度及其结构的研究为基础，结合研究实际，对Jyh-Chong Liang[21]等编写的护士对网络继续教育的态度量表进行改编，最终生成包括认知、行为、情感三个维度的网络学习态度量表。其中，认知维度主要测量学习者对网络环境下信息加工的认识，如“丰富了信息的呈现方式”、“加深了对知识的理解和掌握”等；行为维度主要测量学习者在以往网络学习的基础上是否会继续使用网络辅助学习以及向其他同学推荐网络资源等行为倾向，如“今后，我愿意继续利用网络进行学习”、“我会投入更多的时间进行网络学习”等；情感维度主要涉及学习者在网络学习过程的情感体验，如“我不喜欢网络学习”、“网络学习使我感觉很轻松愉快”等。经小范围初试后对量表进行修正，最终共保留10个题项，其中认知维度4个题项、行为与情感维度均为3个题项。该研究量表整体及认知、行为、情感维度的内部一致性系数分别为0.894、0.805、0.741、0.801，量表结构效度如表1所示。

表1网络学习动力性特征量表结构效度分析

综上所述，本研究使用的动力性特征量表：网络学习自我效能量表、网络学习动机量表、网络学习归因量表、网络学习态度量表的整体α值分别为0.879、0.876、0.891、0.894；各研究量表中各维度 的 α 值 分 别 介 于 0.803～0.803、 0.750～0.821、0.759～0.855、0.741～0.805之间。根据吴明隆[22]的研究结论，本研究所用量表的整体及各维度内部一致性均能满足研究要求。此外，从表1可知，网络学习自我效能感量表、网路学习动机量表、网络学习归因量表、网络学习态度量表的卡方自由度比值均大于建议值，未达模型适配标准；然而，除网络学习归因量表各项指标略低于建议值、但仍在可接受范围内以外，其余量表各项适配指标如GFI、RMR、RMSEA、AGFI、NFI以及CFI的检验结果均能满足研究要求。当样本观察数足够大时，整体模型适配度的判断不应仅以卡方值或卡方与自由度的比值作为判断准则，其他适配度指标的作用将愈显得重要[23]。因此，本研究中各研究量表的结构效度能够满足研究要求。

群体差异分析

借助SPSS19.0将学习风格数据进行K均值聚类，将各维度学习群体划分为三类。信息感知维度：直觉型学习群体722人，占27.4%；均衡型学习群体1507人，占57.1%；感悟型学习群体410人，占15.5%。信息输入维度：言语型学习群体336人，占12.7%；均衡型学习群体506人，占19.2%；视觉型学习群体1796人，占68.1%。信息理解维度：综合型学习群体960人，占36.4%；均衡型学习群体1264人，占47.9%；序列型学习群体415人，占15.7%。信息加工维度：沉思型学习群体843人，占31.9%；均衡型学习群体1018人，占38.6%；活跃型学习群体778人，占29.5%。各维度中的“均衡型”为累计值处于其他两种学习风格之间灰色过渡区域的学习群体，未形成一种较为稳定的学习风格，在一定程度上兼具另外两种学习风格的特点。

1.信息感知风格

方差齐性检验的结果显示：各项动力性特征中，除网络学习内部动机方差齐性检验的显著性未达到统计学显著水平外，其他各项动力性特征方差齐性检验的显著性均达到统计学显著水平。也就是说，网络学习内部动机在单因素方差分析之后宜采用Scheffe(C)法进行事后多重比较分析，其他各项特征宜采用Dunnett’s T3(3)法进行事后多重比较分析。在此基础上对各项动力性特征进行单因素方差分析，结果如表2所示。

从表2可知，信息感知风格中，除网络学习内部归因与外部归因外，其余各项动力性特征单因素方差分析的结果均未达到统计学显著水平。也就是说，网络学习归因在感悟型、均衡型、直觉型学习群体间存在显著性差异。通过事后多重比较分析，我们发现，感悟型学习群体网络学习内部归因倾向与外部归因倾向均显著高于直觉型与均衡型学习群体，且均衡型学习群体外部归因倾向较直觉型学习群体更为明显。

此外，配对样本T检验的结果表明：直觉型、均衡型、感悟型学习群体内部，网络学习特殊自我效能水平均显著高于一般自我效能水平（t=10.249，Sig.=0.000＊＊＊； t=12.079，Sig.=0.000＊＊＊；t=4.976，Sig.=0.000＊＊＊）；网络学习内部动机均显著高于外部学 习 动 机 （t=6.687， Sig.=0.000＊＊＊； t=8.186，Sig.=0.000＊＊＊；t=4.656，Sig.=0.000＊＊＊）；网络学习内部归因倾向均显著高于外部归因倾向（t=26.942，Sig.=0.000＊＊＊；t=33.147，Sig.=0.000＊＊＊；t=11.103，Sig.=0.000＊＊＊）；网络学习态度中认知维度的均值均显著高于行为维度（t=9.186，Sig.=0.000＊＊＊； t=15.026，Sig.=0.000＊＊＊；t=5.817，Sig.=0.000＊＊＊），行为维度均值均显著高于情感维度（t=11.859，Sig=0.000＊＊＊；t=15.186，Sig.=0.000＊＊＊；t=5.363，Sig.=0.000＊＊＊）。

2.信息输入风格

方差齐性检验的结果显示：各项动力性特征中，除网络学习一般自我效能感、网络学习内部归因与外部归因、网络学习态度中的行为及情感等特征外，其他各项特征方差齐性检验的显著性均达到统计学显著水平。也就是说，网络学习一般自我效能感、网络学习内部归因与外部归因、网络学习态度中的行为及情感等特征在单因素方差分析之后宜采用Scheffe(C)法进行事后多重比较分析，其他特征宜采用Dunnett’s T3(3)法进行事后多重比较分析。在此基础上对各项特征进行单因素方差分析，结果如表3所示。

从表3可知，网络学习自我效能、网络学习动机、网络学习归因以及网络学习态度等特征单因素方差分析的显著性均达到统计学显著水平。也就是说，各项动力性特征在言语型、均衡型、视觉型学习群体间存在显著性差异。通过事后多重比较分析，我们发现：均衡型与视觉型学习群体网络学习自我效能、网络学习动机以及网络学习态度各维度的均值均显著高于言语型学习群体；视觉型学习群体网络学习特殊自我效能感、网络学习内部动机与外部动机以及网络学习态度中的认知维度的均值均显著高于均衡型学习群体；言语型学习群体具有较为显著的外部归因倾向，视觉型学习群体具有较为显著的内部归因倾向。

此外，配对样本T检验的结果表明：言语型、均衡型、视觉型学习群体内部，网络学习特殊自我效能水平均显著高于一般自我效能水平（t=4.019，Sig.=0.000＊＊＊；t=5.519，Sig.=0.000＊＊＊；t=15.064，Sig.=0.000＊＊＊）；网络学习内部学习动机均显著高于外部学习动机 （t=3.182，Sig.=0.002＊＊；t=5.263，Sig.=0.000＊＊＊；t=9.848，Sig.=0.000＊＊＊）；网络学习内部归因倾向均显著高于外部归因倾向（t=10.757，Sig.=0.000＊＊＊；t=17.593，Sig.=0.000＊＊＊；t=38.606，Sig.=0.000＊＊＊）；网络学习态度中的认知维度的均值均显著高于行为维度（t=3.476，Sig.=0.001＊＊＊；t=7.426，Sig.=0.000＊＊＊；t=17.101，Sig.=0.000＊＊＊），行为维度均显著高于情感维度（t=5.827，Sig=0.000＊＊＊；t=6.754，Sig.=0.000＊＊＊；t=17.831，Sig.=0.000＊＊＊）。

表2信息感知维度动力性特征群体差异分析

表3信息输入维度动力性特征单因素方差分析

3.信息理解风格

方差齐性检验的结果显示：各项动力性特征中，除网络学习动机以及网络学习态度中的认知、情感等特征以外，其余各项特征方差齐性检验的显著性均达到统计学显著水平。也就是说，网络学习动机以及网络学习态度中的认知、情感等特征单因素方差分析之后宜采用Scheffe(C)法进行事后多重比较分析，其余特征宜采用Dunnett’s T3(3)法进行事后多重比较分析。在此基础上对各动力性特征进行单因素方差分析，结果如表4所示。

从表4可知，除网络学习动机、网络学习态度中的认知维度单因素方差分析显著性未达到统计学显著水平以外，其他各项特征均达到统计学显著水平。也就是说，网络学习自我效能感、网络学习归因、网络学习态度中的行为及情感特征在综合型、均衡型、序列型学习群体间存在显著差异。通过事后多重比较分析，我们发现：序列型学习群体一般自我效能感水平显著高于综合型、均衡型学习群体；序列型学习群体内部归因与外部归因倾向均显著高于均衡型学习群体，均衡型学习群体显著高于综合型学习群体；序列型学习群体参与网络学习的行为投入与情感体验比综合型、均衡型学习群体更为积极。

表4信息理解维度动力性特征群体差异分析

表5信息加工维度动力性特征单因素方差分析

此外，配对样本T检验的结果表明：综合型、均衡型、序列型学习群体内部，网络学习特殊自我效能水平均显著高于一般自我效能水平（t=11.816，Sig.=0.000＊＊＊；t=12.339，Sig.=0.000＊＊＊；t=2.317，Sig.=0.021＊）；网络学习内部学习动机均显著高于外部学习动机 （t=6.813，Sig.=0.002＊＊；t=8.009，Sig.=0.000＊＊＊；t=4.672，Sig.=0.000＊＊＊）；网络学习内部归因倾向均显著高于外部归因倾向（t=28.649，Sig.=0.000＊＊＊；t=30.451，Sig.=0.000＊＊＊；t=12.681，Sig.=0.000＊＊＊）；网络学习态度中的认知维度均值显著高于 行 为 维 度 （t=11.070，Sig.=0.001＊＊＊； t=13.941，Sig.=0.000＊＊＊； t=5.097，Sig.=0.000＊＊＊），行为维度的均值显著高于情感维度（t=13.258，Sig=0.000＊＊＊；t=13.158，Sig.=0.000＊＊＊；t=6.763，Sig.=0.000＊＊＊）。

4.信息加工风格

方差齐性检验的结果显示：各项动力性特征中，除网络学习特殊自我效能感、网络学习动机以及网络学习态度等特征以外，其他各项特征方差齐性检验的显著性均达到统计学显著水平。也就是说，网络学习特殊自我效能感、网络学习动机以及网络学习态度在单因素方差分析之后宜采用Scheffe(C)法进行事后多重比较分析，其他各项特征宜采用Dunnett’s T3(3)进行事后多重比较分析。在此基础上对各项特征进行单因素方差分析，结果如表5所示。

从表5可知，网络学习自我效能感、网络学习动机、网络学习归因以及网络学习态度等各项动力性特征各维度单因素方差分析的显著性均达到统计学显著水平。也就是说，各项动力性特征在活跃型、均衡型、沉思型学习群体之间均存在显著的群体差异。通过事后多重比较分析，我们发现：活跃型学习群体网络学习自我效能感、网络学习动机、网络学习内部归因以及网络学习态度等特征的均值显著高于均衡型学习群体，均衡型学习群体显著高于沉思型学习群体；与沉思型学习群体相比，活跃型、均衡型学习群体具有较为显著的外部归因倾向。简而言之，信息加工维度动力性特征的总体趋势可以概括为活跃型学习群体显著高于均衡型学习群体，均衡型学习群体显著高于沉思型学习群体。

此外，配对样本T检验的结果表明：沉思型、均衡型、活跃型学习群体内部，网络学习特殊自我效能水平均显著高于一般自我效能水平（t=11.336，Sig.=0.000＊＊＊；t=10.090，Sig.=0.000＊＊＊；t=6.509，Sig.=0.000＊＊＊）；网络学习内部学习动机水平显著高于外部学习动机 （t=5.080，Sig.=0.000＊＊＊；t=7.323，Sig.=0.000＊＊＊；t=7.724，Sig.=0.000＊＊＊）；网络学习内部归因倾向显著高于外部归因倾向（t=25.884，Sig.=0.000＊＊＊；t=25.347，Sig.=0.000＊＊＊；t=23.833，Sig.=0.000＊＊＊）；网络学习态度中认知维度的均值显著 高 于 行为维度 （t=14.455，Sig.=0.001＊＊＊； t=10.499，Sig.=0.000＊＊＊；t=6.490，Sig.=0.000＊＊＊），行为维度的均值显著高于情感维度（t=11.539，Sig=0.000＊＊＊；t=11.629，Sig.=0.000＊＊＊；t=11.139，Sig.=0.000＊＊＊）。

研究结论与讨论

通过数据分析，我们从群体相似性特征与群体差异性特征两方面对数据分析结论进行了归纳总结，并以适应性学习为引导对研究结论进行了讨论分析。网络学习风格各维度，不同类型学习风格的学习群体网络学习动力性特征的群体相似性主要体现在以下几点：学习者参与网络学习的特殊自我效能感水平显著高于一般自我效能感水平；参与网络学习的内部动机显著高于外部学习动机；参与网络学习的内部归因倾向显著高于外部归因倾向；网络学习态度中的认知维度的均值显著高于行为维度，行为维度的均值显著高于情感维度。总体而言，相似性特征分析的结论较为乐观，但也存在较大的改善空间，如增强学习者参与网络学习的一般自我效能、提升学习者参与网络学习的积极情感体验、增强其使用网络辅助学习的行为意向、引导学习者逐步养成成功内部归因与失败外部归因的倾向，等等。为此我们可以通过课程广播、公告或公共讲座的形式向学习群体传授成功的学习体验、网络学习心得与经验，改善学习者参与网络学习的一般自我效能和对网络学习的认识；通过微资源的适时推送、网络学习进度的适时提醒、网络学习讨论的及时反馈等更为人性化、个性化的服务，增强学习者在网络学习活动中的归属感，进而从情感层面改善学习者对网络学习的态度，增强其参与网络学习的动力等。

此外，各种学习风格的学习群体间，参与网络学习动力性特征的群体差异性主要集中体现在以下几方面：感悟型学习群体内部归因倾向与外部归因倾向均高于直觉型与均衡型学习群体，未具有一种明显的归因倾向。视觉型学习群体具有较强的网络学习特殊自我效能感与内部学习动机，在网络学习认知维度对网络学习具有积极的态度，且具有较为显著的内部归因倾向；言语型学习群体具有较强的网络学习一般自我效能感、较为积极的情感体验以及较强的持续利用网络辅助学习的行为倾向与较为显著的外部归因倾向。序列型学习群体具有较强的网络学习一般自我效能感、网络学习外部归因与内部归因倾向以及积极的情感体验与较强的继续使用网络辅助学习的行为意愿。活跃型学习群体参与网络学习的动力显著高于均衡型学习群体，均衡型学习群体显著高于沉思型学习群体。这意味着，除对学习群体进行聚类、标识，并进行针对性培养，改善薄弱群体参与网络学习的动机以外，还可以依据各学习群体参与网络学习的动力，针对性地制定学习目标、学习时间跨度以及学习内容的难易程度、信息的表征方式、推荐扩展资源的形式等，对各学习群体实施“动力适应性”教学，最大限度地提升每个学习群体参与网络学习的效果。

研究展望

本研究以学习风格为依据对学习群体进行聚类，对不同学习群体动力性特征的群体相似性与差异性进行了较为深入的分析，对网络环境下学习动力的培养与改善进行了初步探究。然而，如何有效激发并维持学习者参与网络学习的动力才是网络环境下学习者动力性特征研究最为核心的问题。此外，学习者的动力性特征是学习者特征的一部分，与其他特征间存在较为复杂的作用关系。因此，动力性特征间相互作用关系的群体差异研究、动力性特征与其他特征间影响关系的研究，是实现动力性特征有效激发与维持的基础，也是下一步研究的重点。

]

[1]Danilo Spada,Manuel Sánchez-Montañés,Pedro Paredes,Rosa M.Car-ro.Towards Inferring Sequential-Global Dimension of Learning Styles from Mouse Movement Patterns[J].Lecture Notes in Computer Science.2008(5149),pp:337-340.

[2]Nabila Bousbia,Jean-Marc Labat,Amar Balla.Detection of Learning Styles from Learner’s Browsing Behavior During E-Learning Activities[J].Lecture Notes in Computer Science,2008(5091),pp:740-742.

[3]Jelena Naki,Nikola Maranguni,Andrina Grani.Learning Styles and Navigation Patterns in Web-Based Education[J].Lecture Notes in Computer Science,2011(6768),pp:587-596.

[4]Sabine Graf,Kinshuk.Analysing the Behaviour of Students in Learning Management Systems with Respect to Learning Styles[J].Studies in Computational Intelligence，2008(93),pp:53-73.

[5]Matteo Gaeta Æ Alessandro Micarelli.Adaptive course generation through learning styles representation Enver Sangineto Æ Nicola Capuano Æ[J].Univ Access Inf Soc,2008(7),pp:1-23

[6]Farman Ali Khan,Sabine Graf,Edgar R.Weippl,A Min Tjoa.Identifying and Incorporating Affective States and Learning Styles in Web-based Learning Management Systems[J].Interaction Design and Architecture(s)Journal-IxD&A,N.9-10,2010,pp:85-103

[7]Sabine Graf,Kinshuk,Qingsheng Zhang,Paul Maguire,Victoria Shtern.Facilitating Learning Through Dynamic Student Modelling of Learning Styles[J].In：Pedro Isaias,Dirk Ifenthaler,Demetrios G.Sampson,J.Michael Spector.Towards Learning and Instruction in Web 3.0(pp:3-16).ISSN:0302-9743(Print)1611-3349(Online),2012.

[8]Shaw,Marlow.The role of student learning styles,gender,attitudes and perceptions on information and communication technology assisted learning[J].Computers and Education,33,pp:223-234.

[9]Hsiao-Lin Tuan,Chi-Chin Chin,Chi-Chung Tsai,Su-Fey Cheng.Investigating The Effectiveness Of Inquiry Instruction On The Motivation Of Different Learning Styles Students[J].International Journal of Science and Mathematics Education.2005(3),pp:541-566.

[10]Maria Kyprianidou,Stavros Demetriadis,Thrasyvoulos Tsiatsos,Andreas Pombortsis.Group formation based on learning styles:can it improve students’teamwork?[J].Education Tech Research Dev.2012(60),pp:83-110.

[11]Enrique Alfonseca,Rosa M.Carro Estefanía,Martín Alvaro Ortigosa Pedro Paredes.The impact of learning styles on student grouping for collaborative learning:a case study[J].User Model User-Adap Inter.2006(16),pp:377-401

[12]Kate Sayer,Rachel Studd.Matching Learning Style Preferences with suitable Delivery Methods on Textile Design Programmes[J].International Journal of Technology and Design Education.2006(16),pp:163-176.

[13]Conor O’Leary,Jenny Stewart.The Interaction of Learning Styles and Teaching Methodologies in Accounting Ethical Instruction[J].J Bus Ethics.2013(113),pp:225-241.

[14]Sabine Graf,Tzu-Chien Liu,Kinshuk,Nian-Shing Chen,Stephen J.H.Yang.Learning styles and cognitive traits-Their relationship and its benefits in web-based educationalsystems[J].Computers in Human Behavior.2009(25):1280-1289.

[15]童金皓，边玉芳.网络学习中的自我效能感[J].现代远距离教育，2005，（3）：25-27.

[16]王迎，孔维强，张鹏，董艳.利用QQ群教学方式提高远程学习者的自我效能感初探[J].现代远距离教育[J]，2009，（1）：51-53.

[17]Kun-Hung Cheng,Chin-Chung Tsai.An investigation of Taiwan University students'perceptions of online academic help seeking,and their web-based learning self-efficacy[J].Internet and Higher Education.2011(14):150-157.

[18]Matthew K.O.Lee,Christy M.K.Cheung,Zhaohui Chen.Acceptance of Internet-based learning medium:the role of extrinsic and intrinsic motivation[J].Information&Management,2005(42)1095-1104.

[19]http://wenku.baidu.com/view/5c9aeb0c52ea551810a68782.html

[20]Baron R A,Byrnt D,Suls J.Exploring social psychology.(3rdEd).Boston:Allyn ndBacon,1988:79-82.

[21]Jyh-Chong Liang,Szu-Hsien Wu,Chin-Chung Ts.Nurses'Internet self-efficacy and attitudes toward web-based continuing learningai[J].Nurse Education Today.2011(31):768-773.

[22]吴明隆.问卷统计分析实务——SPSS操作与应用[M].重庆：重庆大学出版社，2010.

[23]吴明隆.结构方程模型——AMOS的操作与应用[M].重庆：重庆大学出版社，2019.