基于UTAUT模型的移动学习行为意愿影响因素研究

缪 玲

（广东开放大学，广东 广州 510091）

一、引言

移动学习是指利用无线移动通信网络技术以及无线移动通信设备获取教育信息、教育资源和教育服务的一种新型学习形式，移动设备包括：手机、Pocket PC、个人数字助理、学习机等[1]。随着移动通讯网络的全面覆盖和通讯速率的大幅度提升、移动终端的迅速普及以及移动通信资费的逐步下调，移动学习作为一种新的学习方式逐渐影响人们的学习、工作、生活，其具备的学习便捷性、社会交互性、情境敏感性等特性，能够满足学习者随时随地学习的需要，发挥和延伸网络远程教育的优势，是推动终身教育观发展的新模式[2]。

然而，大部分学习者利用移动设备的主要用途在于浏览网页、在线聊天[3][4]，而不是学习，还有一部分学习者甚至不知道“移动学习”[5]，可见移动学习还处于较低水平。与此同时，远程教育领域正在积极推动移动学习的发展。什么因素会影响远程学习者接受移动学习呢？

已有学者基于相关理论研究，引入不同变量，探究影响用户接受移动学习的关键性因素。研究发现，感知移动学习的有用性和移动学习设备的易用性是影响用户接受移动学习的关键性因素。还有其他重要影响因素，如任务负载匹配、使用情境、感知财政成本、资源优化性、沉浸体验、感知娱乐性、感知移动性价值、自我效能感、社群影响等等[6][7][8][9][10][11][12][13]。综合比较相关研究发现，一方面研究主要以技术接受模型（TAM)为理论基础，较少使用更具说服力的整合型技术接受理论（UTAUT）模型。TAM模型的研究者Davis等早期发现其模型不足，就对其进行了修正并命名为TAM2。理论模型自有的缺陷会导致研究结论的缺陷。另一方面主要采用以问卷调查为主的研究方法，并采用SPSS或结构方程软件进行数据分析，包括问卷的信息、效度、模型的拟合度等，验证相关的假设。问卷调查及数据分析软件的应用，为研究的顺利进行提供了方法指导。

因此，本研究以UTAUT模型为理论基础，结合远程教育学习者的特点，探析移动学习用户行为意愿的影响因素。

二、理论基础与研究假设

（一）理论基础

为了预测并解释众多领域的人类行为，学者们基于社会学、组织行为学、心理学等基本理论，分析、解释影响组织与个体行为产生的相关因素，提出诸多理论模型，包括计划行为理论（TPB）、技术接受模型（TAM）、动机模型（MM）、整合的TAM和TPB（C-TAM-TPB）、计算机使用模型（MPCU）、创新扩散理论（IDT）、社会认知理论（SCT）等。

2003年，Viswanath Venkatesh等人[14]综合分析比较相关理论模型，整合理性行为理论（TRA）、计划行为理论、技术接受模型、动机模型、整合的TAM和TPB、计算机使用模型、创新扩散理论、社会认知理论等八大理论，提出“整合型技术接受使用理论”模型（Unified Theory of Acceptance and Use of Technology，UTAUT）。其包括绩效期望、努力期望、社会影响和促进条件四个核心变量以及性别、年龄、经验和自愿性四个调节变量（见图1）。

图1 UTAUT模型

Viswanath Venkatesh等人还设计调查问卷，从四个组织收集数据进行实证研究，横向比较八大用户接受理论模型。研究结果表明，八大用户接受模型对个人行为意愿的预测解释能力介于17%-42%，而UTAUT的预测解释能力高达70%，可见，UTAUT更有说服力。

相关研究表明，UTAUT模型已经被广泛应用到移动技术相关领域的接受行为研究。基于UTAUT模型，研究大学生接受移动学习的影响因素[15][16]；从服务的角度探究用户接受，包括农村地区移动服务[17]、移动旅游服务[18][19]、移动政务服务[20]；以移动商务为关键词，探究用户对移动商务使用行为影响因素，包括用户接受移动商务的影响因素研究[21][22]、移动应用商城使用意向和使用行为研究[23]等；研究影响用户接受3G业务[24]、移动互联网业务[25]及移动搜索业务[26]、移动支付方式[27]等的因素；还有，用户对移动应用接受行为的研究，包括智能手机应用、移动图书[28]、移动银行[29]、移动增强现实应用[30]等方面。

（二）研究假设

在UTAUT模型和文献分析的基础之上，本研究结合半结构化访谈，新增研究变量，提出移动学习用户行为意愿的核心因素和研究假设。

UTAUT模型表明，行为意愿的核心影响因素仅包括绩效期望、努力期望、社会影响。绩效期望是指用户感知的使用某项技术可以帮助其获得更好的工作绩效的程度。努力期望是指用户感知的某项技术是否容易使用的程度。社会影响是指用户感知的对其重要的人或组织认为其应该或者不应该使用新技术的程度。因此本研究首先确定行为意愿的影响因素有绩效期望、努力期望和社会影响。

与此同时，结合文献，通过对移动学习的潜在用户、移动学习平台设计、开发人员进行半结构访谈，增加感知成本和感知娱乐性两大研究变量。

感知成本。我国移动互联网网民调查表明[31]，我国移动互联网网民的收入结构普遍偏低。移动互联网业务也并不是用户的刚性需求业务，且移动通讯费用包括接入互联网的费用还处于较高水平。因此，各种关于移动互联网业务的研究中，学者无一例外的提到价格会对移动互联网业务产生巨大影响。刘根萍、吴秀凤等[32]的研究更指出感知财政成本对大学生接受移动学习的行为意愿有直接的正向影响。实现移动学习的前提是拥有适用于移动学习的设备，比如平板电脑、智能手机等，并愿意承担相应的移动网络接入费用、移动学习系统、内容交易费用等等。在收入结构普遍偏低的情况下，本研究认为学习者感知的在使用移动学习的过程中所需付出各种代价的总和，包括移动设备成本、交易成本和接入成本会影响他们进行移动学习的行为意愿。

感知娱乐性。感知娱乐性是指个人在参与某项活动时感觉到好玩的程度，是一种内部动机。当用户觉得移动学习这种方式是愉快的、有趣的，娱乐感的激励作用将会反过来强化他们对移动学习的感知程度。通过分析移动学习使用行为意愿的影响因素，可以发现马如宇[33]、许玲等[34]认为感知移动学习内容的娱乐性是行为意图的直接影响因素；王富强[35]则强调移动学习的趣味性是影响移动学习的接受和推广的主要因素；Jen-hung Huang[36]认为感知愉悦度同样会影响用户的使用行为。因此本研究将感知娱乐性假设为移动学习用户行为意愿的重要因素之一。

基于以上研究变量，本研究提出如下研究假设。

假设1：绩效期望对行为意愿有正向影响作用。

假设2：努力期望对行为意愿有正向影响作用。

假设3：社会影响是用户使用移动学习行为意愿的影响因素。

假设4：感知成本是用户使用移动学习行为意愿的影响因素。

假设5：感知娱乐性对用户移动学习使用行为意愿有正向影响。

三、问卷设计与数据收集

本研究基于已有研究设计调查问卷，并通过两轮德尔菲法咨询14位兼具远程教育理论与移动学习实践的研究者，通过其反馈意见对变量内容进行调整。随后，对设计的问卷进行测试，根据调查结果所反映的问题进行相应的修正，并最终确定好问卷内容（如表1）。问卷中每个测量变量的题项都采用五点式计分法，即“1”到“5”分别代表“完全不符合”“比较不符合”“不一定”“符合”“完全符合”，分数越高表明同意的程度越高，反之越低。要求被调查者根据自己的实际情况，判断题目是否与自身情况相符。

本研究选取了两所现代远程教育试点高校网络教育学院及某省级广播电视大学远程学习者作为研究对象，主要采用网络发布调查问卷。共回收调查问卷528份，其中10份问卷无效，282份问卷的学习者是未进行过移动学习的，所以有效问卷236份，有效率44.70%。

本研究采用Cronbach α系数值进行信度分析。问卷整体的信度和各层面信度系数如表2所示。

表1 调查问卷内容

表2 问卷的α信度系数

从表中可见，问卷整体的信度和各层面信度系数都居于0.80以上，表明问卷维持较高的信度系数。

本研究采用总分与问卷各大测量维度得分之间的相关关系，根据相关是否显著判断是否有效。本研究内容效度检验如表3所示。

表3 问卷的内容效度检验表

可见，六个维度与总分之间的相关性程度都达到显著性水平（P≤0.01），根据相关系数的判断标准（相关系数大于0.4），六个维度与总分的相关系数为中高相关，表明问卷具备了较好的内容效度。

四、结构方程模型的分析

结构方程模型（Structureal Equation Model，SEM）是结合了多元回归分析、因子分析和路径分析等方法的一种用以清晰分析单向指标对总体的作用和单向指标间的相互关系的统计方法[44]。SEM利用因子分析技术，能够用可观测变量衡量不可直接观测的变量，通过多元回归分析探索潜变量之间的关系。结构方程模型的设定包括测量模型和结构模型两个部分。测量模型表明各个潜在变量与一组测量指标的共变效果。结构模型表明各个潜在变量间的关系或一组观察变量与潜在变量间的连接关系。

SEM方法一般的步骤通常包括模型设定、模型识别、参数估计、模型评价和模型修正五个步骤。

（一）结构方程模型的设定

结构方程模型的设定包括测量模型和结构模型两个部分。测量模型表明各个潜在变量与一组测量指标的共变效果。本研究中测量模型中共包括25个测量指标，6个潜在变量。25个测量指标即指本研究中25道测试题目，6个潜在变量即指绩效期望、努力期望、社会影响、感知成本、感知娱乐性和行为意愿。因此根据各题项对应的潜在变量，建立测量模型。结构方程模型的设定如图2所示。

图2 待测结构方程模型图

（二）结构方程模型的识别检验

在模型设定的过程中，必须让结构方程模型具有可识别性，从而使结构方程模型的各项数学估计可以顺利的进行下去。为了使构建的假设模型可识别，需遵从t规则和两步规则。

研究的假设模型中共有20个外生观测变量，5个内生观测变量，30个待估参数，故，根据t规则，模型是可能识别的。

同时，运用两步规则判断模型是否可识别。第一步，测量模型识别。由于假设模型的所有潜变量都有至少3个以上的测量变量，每一个测量变量也只测量一个特质，满足三指标规则，故测量模型可识别。第二步，结构模型识别。由于假设模型本身只有简单的因果关系，路径关系只有单一方向，而无直接或间接的反馈，不存在双向因果关系，且所有误差都设为不相关，因此，假设模型是递归模型，结构模型可识别。

因此本研究的结构方程模型满足模型识别的条件，可以识别。

（三）整体模型适配度

本研究采用AMOS进行结构方程模型的参数估计，分析假设的理论模型与实际数据的一致性程度，即整体模型适配度指标是否达到适配标准。本研究采用最大似然法进行参数估计，使用八个拟合参数验证模型的整体拟合度情况，八个指标分别是λ²值（卡方值）、比较拟合指数(Comparative Fit Index，CFI)、拟合优度（Goodness of Fit Index ，GFI）、调整拟合优度（Adjusted Goodness of Fit Index，AGFI）、 常规拟合度（Normed Fit Index，NFI）、非常规拟合度（Non-Normed Fit Index，NNFI）、NC值（λ²/df）、近似误差均方根（Root Mean Square Error of Approximation ，RMSEA）。本研究结构方程模型拟合指标如表4所示。

表4 整体模型适配度检验摘要表

从表中可见整体模型适配度，其中λ²值的显著性概率值 =0.061＞0.05、GFI=0.918＞0.90、AGFI=0.902＞0.90、RMSEA=0.069＜0.1、NFI=0.912＞0.90、NNFI=0.914＞0.90、CFI=0.909＞0.90、NC 值（λ²/df）=1.380。整体而言，整体模型的各个拟合指数的数值均符合建议值，表明本研究的结构方程模型与实际数据可以适配。

五、结构方程模型的路径分析[45]与结果讨论

（一）路径系数

本研究采用AMOS对模型参数进行估计。其中，估计值（Estimate）栏为非标准化回归的回归系数，S.E.为估计值的标准误差，回归系数值栏除以估计值的标准误差为临界比值（C.R.栏）。临界比值的绝对值若大于1.96，表示估计值达到0.05显著水平，表明检验通过，假设模型中对参数进行的自由估计是合理的；若临界比值的绝对值小于1.96，表明估计参数值没有达到显著性水平，应从模型中剔出。若显著性概率值p小于0.001，会呈现“***”符号；若显著性概率值p＞0.001，p栏中会直接呈现p值数值。本研究模型参数估计的结果如表5所示。

从表5中可见，五个直接路径效果的路径系数p值均达到显著水平，且临界比值栏所有系数值均大于1.96，表明本研究中研究假设的关系成立。

表5 非标准化的路径系数及显著性检验表

与此同时，本研究通过AMOS中的标准化估计值，将标准化的回归系数（β值）呈现在路径模型图中，如图3所示。

图3 标准化估计值的因果模型图

标准化估计值的因果模型图中，路径系数为标准化直接效果值。

（二）相关假设检验

1.绩效期望影响行为意愿

H1：用户对移动学习的绩效期望越高，其进行移动学习的行为意愿越强。

通过结构方程的路径分析数据发现，模型中绩效期望与行为意愿的标准化路径系数为0.558，临界比为5.376，达到0.05显著性水平，假设H1成立。

在各个影响行为意愿的因素中，绩效期望是直接影响效应最大的。本研究结果验证了Venkatesh提出的UTAUT模型中绩效期望影响行为意愿的结论，对移动学习绩效期望感知越高，移动学习的行为意愿越强。

2.努力期望影响行为意愿

H2：用户对移动学习的努力期望越低，其进行移动学习的行为意愿越强。

通过结构方程的路径分析数据发现，模型中努力期望与行为意愿的标准化路径系数为0.496，临界比为5.265，达到0.05显著性水平，假设H2成立。

本研究结果验证了Venkatesh提出的UTAUT模型中努力期望影响行为意愿的结论，努力期望影响行为意愿，即进行移动学习需要付出的努力越少，移动学习的行为意愿越强。这在一定程度上反映新的技术的复杂程度在推广初期可能会起阻碍作用。

3.社会影响影响行为意愿

H3：用户的社会影响与用户进行移动学习的行为意愿成正相关。

通过结构方程的路径分析数据发现，模型中社会影响与行为意愿的标准化路径系数为0.232，临界比为2.236，达到0.05显著性水平，假设H3成立。

本研究结果验证了Venkatesh提出的UTAUT模型中社会影响影响行为意愿的结论。可见，社会影响是影响行为意愿的因素，用户越感受到外界的影响，其移动学习的行为意愿越强烈。在移动学习的推广中，需要重视外部人际环境的影响。

4.感知成本影响行为意愿

H4：用户对移动学习的成本感知越低，其进行移动学习的行为意愿越强。

通过结构方程的路径分析数据发现，模型中感知成本与行为意愿的标准化路径系数为0.125，临界比为2.779，达到0.05显著性水平，假设H4成立。

研究结果显示，表明用户感知的移动学习成本越低，移动学习的行为意愿越强。但在本研究中，感知成本对行为意愿的影响最小，为0.125，表明感知成本对行为意愿的影响较小。

本研究中被调查对象是远程学习者，具有一定的工作经验，从而具备一定的经济基础，可能导致感知成本对行为意愿的影响最小。尽管感知成本对行为意愿有较小的影响作用，但结果仍表明移动学习成本越小，行为意愿会增强。这一定程度上反映移动学习的高成本对用户进行移动学习具有阻碍作用。

5.感知娱乐性影响行为意愿

H5：用户对移动学习的娱乐性感知越高，其进行移动学习的行为意愿越强。

通过结构方程的路径分析数据发现，模型中感知娱乐性与行为意愿的标准化路径系数为0.318，临界比为3.346，达到0.05显著性水平，假设H5成立。

研究结果显示，感知娱乐性对移动学习行为意愿具有显著的正向影响作用，用户感知的移动学习越有趣，移动学习的绩效认知越高，移动学习的行为意愿越强。

六、结束语

经过以上结构方程模型的设定、模型识别、参数估计等过程，表明模型的适配性良好，同时将各变量对行为意愿的效应从大到小进行排列，分别为：绩效期望、努力期望、感知娱乐性、社会影响、感知成本。

因此，建议移动学习提供单位应着重关注移动学习资源设计的有用性、易用性和娱乐性，满足学习者自身发展需求；其次扩大移动学习资源的影响力，通过各种宣传手段使学习者感受到移动学习的魅力；再者，与各级各类机构合作，降低移动通讯费用，提供免费学习资源，以减轻学习者经济负担，从而方便学习者更大程度的接受移动学习。

[1]叶成林,徐福荫,许骏.移动学习研究综述[J].电化教育研究,2004(3):12-19.

[2]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.

[3]吴贝贝.大学生移动学习现状调查分析[D].上海师范大学,2012.

[4]张浩,杨凌霞,陈盼.大学生移动学习现状调查与分析[J].软件导刊(教育技术),2010(1):48-50．

[5]张钰梅,王学明.大学生移动学习现状调查研究[J].计算机教育,2012(5):17-20．

[6]顾小清,付世容.移动学习的用户接受度实证研究[J].电化教育研究,2011(6):48-55.

[7]刘根萍,吴凤秀.温州在校大学生接受移动学习的影响因素分析——基于扩展技术接受模型的实证研究[J].现代教育技术,2011(6):109-114.

[8]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):56-62.

[9]马如宇.影响移动学习用户使用态度的前置性和潜在性因素探析——基于扩展式科技接受模型的视点[J].中国电化教育,2009(7):47-51.

[10]许玲,郑勤华. 大学生接受移动学习的影响因素实证分析[J].现代远程教育研究,2013(4):61-66.

[11]王富强. 基于TAM模型的移动学习影响因素探析[J].软件导刊(教育技术),2011(11):30-32.

[12]付世容.移动学习的用户接受研究[D].华东师范大学,2012.

[13]谢爱珍.基于UTAUT大学生手机移动学习使用意愿影响因素研究[D].浙江师范大学,2012.

[14]Viswanath Venkatesh, Michael G.Morris., Gordon B. Davis & Fred D. Davis, User Acceptance of Information Technology : Toward A Unified View. Mis Quarterly:(27:3),2003:425-478.

[15]谢爱珍.基于UTAUT大学生手机移动学习使用意愿影响因素研究[D].浙江师范大学,2012.

[16]许玲,郑勤华.大学生接受移动学习的影响因素实证分析[J].现代远程教育研究,2013(4):61-66.

[17]何德华.农村地区移动服务采纳模型和发展策略研究[D].华中科技大学,2008.

[18]石芝.移动旅游服务用户接受研究[D].西南交通大学,2010.

[19]刘莉.移动旅游个性化信息服务研究[D].广州大学,2012.

[20]邵坤焕,杨兰蓉.公众采纳移动政务服务的综合接受模型研究[J].现代情报,2011(12):3-6.

[21]叶卫国,林飞达,韩水华.组织采纳移动商务的影响因素分析[A].中国管理现代化研究会.第四届（2009）中国管理学年会——信息管理分会场论文集[C].中国管理现代化研究会,2009:8.

[22]闵庆飞,季绍波,曲刚. Mobile Commerce User Acceptance Study in China: A Revised UTAUT Model[J].Tsinghua Science and Technology,2008(3):257-264.

[23]李丽.消费者对移动应用商城使用意向和使用行为研究[D].南京邮电大学,2011.

[24]王莉.基于UTAUT模型的3G业务用户接受影响因素研究[D].北京邮电大学,2009.

[25]李鹤.移动互联网业务使用行为影响因素研究[D].北京邮电大学,2010.

[26]尹佳.用户接受移动搜索业务的关键影响因素研究[D].北京邮电大学,2010.

[27]郭倩瑜.用户接受和使用移动支付的关键影响因素分析[D].北京邮电大学,2009.

[28]高婷,周澍民.读者采纳手机图书的影响因素实证研究[J].科技与出版,2012(9):73-76.

[29]周涛,鲁耀斌,张金隆. 整合TTF与UTAUT视角的移动银行用户采纳行为研究[J].管理科学,2009(3):75-82.

[30]张鹏虎. 3G环境下基于TAM模型的移动增强现实应用研究[D].北京邮电大学,2012.

[31]中国互联网络信息中心.中国移动互联网发展状况报告[R].2013.4

[32]刘根萍,吴凤秀.温州在校大学生接受移动学习的影响因素分析——基于扩展技术接受模型的实证研究[J].现代教育技术,2011(6):109-114.

[33]马如宇.影响移动学习用户使用态度的前置性和潜在性因素探析——基于扩展式科技接受模型的视点[J].中国电化教育,2009(7):47-51.

[34]许玲,郑勤华.大学生接受移动学习的影响因素实证分析[J].现代远程教育研究,2013(4):61-66.

[35]王富强.基于TAM模型的移动学习影响因素探析[J].软件导刊(教育技术),2011(11):30-32.

[36]Jen-hung Huang,Yu-ruLin,Shu-ting Chuang..Elucidating user behavior of mobile learning:Aperspective of the extended technology acceptance mode[J].Electronic Library,2007,5(25):585-598.

[37]Thompson,R. L.,Higgins,C.A.,and Howell,J. M.Personal Computing: Toward a Conceptual Model of Utilization,MIS Quarterly(15:1),1991: 124-143.

[38]Moore,G. C., and Benbasat,I. Development of an Instrument to Measure the Perceptions of Adopting an Information Technology Innovation, Information Systems Research (2:3),1991:192-222.

[39]史薇薇.基于UTAUT模型对“使用者对信息中介的接受”的实证研究[D].中国人民大学,2008.

[40]王莉.基于UTAUT模型的3G业务用户接受影响因素研究[D].北京邮电大学,2009.

[41]Pagani,M.Determinants of adoption of third generation mobile multimedia services. Journal of Interactive Marketing,2004,18(3),47-59.

[42]Wu,Jen-her &Wang,Shu-ching. What drives mobile commerce: An empirical evaluation of the revised technology acceptance model. Information&Management,2004,42(5): 719-729.

[43] Mathieson,K. Predicting User Intentions: Comparing the Technology Acceptance Model with the Theory of Planned Behavior, Information Systems Research(2:3),1991:173-191.

[44]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,2011:432.

[45]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,2009:263-370.