网络环境下学习者特征模型的构建及量表的研制*
2018-05-24王改花傅钢善
王改花 傅钢善
（1．陕西师范大学 教育学院，陕西西安 710062；2．西安职业技术学院 现代教育技术中心，陕西西安 710077）
一、引言
随着信息技术的快速发展及其在教育领域的广泛应用，网络学习已成为当今“互联网+”时代重要的学习方式，尤其是大规模在线开放课程的应用及产生的影响，受到教育界的高度关注，因此，网络学习的研究成为当前热点之一，且越来越多的研究开始探索网络环境下的自适应学习系统[1-7]。自适应学习系统是指根据每个学习者独特的个性特征和具体的情况，通过呈现适当的信息、教学材料、反馈与建议，来提供一个符合学习者需要的智能学习环境。自适应学习系统的一个重要挑战是了解学习者特征，创建有效的学习者模型，例如，学习者的先前知识、学习风格、认知能力、情感态度、学习兴趣、学习动机等。目前，越来越多的研究开始关注学习者模型，但学习者模型所需的实证证据依然贫乏，理论基础薄弱，且尚没有对学习者特征全面系统地进行研究的成果[8]。
情境学习理论认为，学习是情境性的，人的认知与其情境性背景、伴随的具体事件以及个体所从事的活动之间具有紧密的联系[9]。换句话说，处理认知任务的方式随着环境和情境而改变。远程教育专家丁兴富认为，远程教育的学生具有与传统教育的学生不同的特征[10]。因此，关于传统学习的研究结论是否适用于网络环境的问题，要求我们必须重新审视学习者在网络环境下学习时的特征，构建一套适用于网络环境的学习者特征模型，并能够通过相应的工具测量网络环境下学习者的特征。
二、文献综述
关于网络环境下学习者特征的研究，主要集中在以下几方面：一是对远程环境或网络环境下学习者特征模型进行理论描述，相关研究如表1所示；二是针对网络环境下学习者特征的某一项或某几项因素进行深入的理论或实证研究：（1）人口学和社会文化因素，包括性别、年龄、种族、文化、语言、学科背景等，研究表明，这些差异可能影响学习效果[27]；（2）认知因素，包括认知能力[28-30]、先前知识[31]、认知风格[32]、学习风格[33-35]等；（3）情感因素，包括情感状态（如，积极、信心、满意、沮丧、厌倦等）[36]、学习态度[37]、焦虑[38]等；（4）动力因素，包括学习动机[39]、自我效能感[40]、归因[41]等；（5）其他因素，包括空间定位感[42]、虚拟能力[43]等。
表1 远程环境或网络环境下学习者特征的相关理论研究
续表
我们通过文献综述，发现关于网络环境下学习者特征的含义及包含的内容，目前，仍没有达成共识，且国内还缺乏适合我国国情的网络学习以及能准确测量我国网络学习者特征的标准化测量工具，这严重阻碍了对网络学习者特征状况的全面认识以及网络环境下的有效学习和适应性推送服务的实现。
为了清晰地了解网络环境下学习者特征，我们基于文献综述、专家咨询以及前期实证研究[44-52]，构建了网络环境下学习者特征模型CEV，并编制了网络环境下学习者特征量表。
三、研究过程
（一）建立网络环境下学习者特征模型
1.理论依据
从心理学视角，何克抗认为，学习者特征是指影响学习过程有效性的学习者内部心理过程的各个方面[53]。关于“网络环境下学习者特征”的概念与内容尚没有统一的界定[54]，借鉴“特征”[55]、“学习者特征”[56]、“远程学习者特征”[57]等概念的定义，立足心理学视角，我们认为，网络环境下学习者特征是指学习者在网络环境下学习时影响学习过程有效性的学习者内部心理过程的各个方面。心理学认为，个体心理过程包括认知、情感与意志三个方面[58]，因此，本研究构建的网络环境下学习者特征模型的内容，包括认知、情感与意志三个要素。
网络学习是一个开放的、动态性的概念。我们所研究的网络学习是指学习者为完成学习任务、达到预期目标，利用计算机网络进行的有目的、有计划的学习活动。例如，学习者为完成学习任务或掌握现代教育技术理论与技能，主动参与《现代教育技术》在线开放课程的学习。
2.模型框架及关键指标的确立
根据文献综述中对学习者特征的描述与研究、专家咨询、实证研究以及研究团队十余年的网络教育实践经验，从心理过程视角出发，构建了网络环境下学习者特征模型（Cognition Emotion Volition，CEV），包括认知（Cognition）、情感（Emotion）与意志（Volition）三个维度的特征，三者相互联系、相互影响。我们的目的并不在于构建一个全面、完善的模型，而是构建一个突出重点、具有可操作性、可测量性的模型，强调相关因素对网络环境下学习者学习效果的影响作用，以此来指导有效学习和适应性教学系统的形成。
我们通过文献综述发现，网络环境下学习者特征包含的指标特征有很多。但由于测验时间和测查方式上的限制，在大型调查中，通常只能选择一些基本的或重要的学习者特征作为关键指标。为了确保网络环境下学习者特征测查的关键指标选取，既有代表性又有科学性，首先，以已有研究对学习者特征的描述以及测量量表为先导，通过文献综述与专家咨询，对各级关键指标进行反复与深入的分析和论证；其次，关键指标的建立与测评遵循以下三条基本原则：关键指标具有典型性与代表性、关键指标能够体现个体差异、关键指标能满足问卷施测的要求；最终，选取了网络学习策略、网络学习元认知、网络学习风格、网络学习注意力、网络学习空间定位感、网络学习态度、网络学习焦虑、网络学习动机、网络学习自我效能感、网络学习成败归因作为网络环境下学习者特征的一级测查指标，并在一级指标下建立各自的二级测查指标。
（1）认知（Cognition）。认知因素指学习者基于网络环境学习时，在信息加工过程中就感知、想象、注意、记忆、思维等方面所表征出来的相对稳定的心理特性，主要包括网络学习策略、网络学习元认知、网络学习风格、网络学习注意力、网络学习空间定位感等。
网络学习策略是指在网络学习活动中，为达到一定的学习目标而应掌握的学习规则、方法和技巧，即学生能够自觉地用来提高学习成效的谋略，是一种在网络学习活动中思考问题的操作过程。网络学习元认知是指学习者在网络学习中，对个人关于自己的认知过程、结果及其他相关事情的知识和活动进行调节的能力。网络学习风格是指在网络学习时，学习者所具有或偏爱的学习方式，以及表现出来的相应的学习特征。网络学习注意力是指在网络学习时，学习者的心理活动指向和集中于网络学习的能力。我们通过访谈和实践发现，大多数学习者表示：网络学习与传统学习相比，不能保持较高的或较持久的注意力。网络学习空间定位感，是指学习者对自己在网络体系中位置的理解，及对取得所需信息所必要的策略和活动的理解。
（2）情感（Emotion）。情感因素指学习者对网络学习的态度体验，主要包括网络学习态度、网络学习焦虑等。网络学习态度，指学习者对网络学习及其效果认可程度的一种心理倾向。网络学习焦虑是指在网络学习中，学习者在信息加工过程中因学习情境中各种不确定性因素而引起的紧张、不安的情感状态。
（3）意志（Volition）。意志因素指学习者自觉确立学习目标和计划，抵制诱惑，克服困难，主动调节自身行为，以达到预期目的的心理过程，主要包括网络学习动力，含动机、自我效能感、归因等。学习动机理论认为学习动机、自我效能与归因，对学习者参与网络学习的动力有着极其重要的影响。网络学习动机指直接推动学生进行网络学习的一种内部动力，是激励和指引学生进行网络学习的一种需要。网络学习自我效能感是自我效能感在网络学习领域的具体表现，是指学习者对自己能在网络学习活动中取得成功的信念，是学习者对自己使用计算机、网络信息资源或网络通讯工具等完成学习任务，使自身得到充实和完善所需能力的一种主观判断[59]。网络学习归因是指为网络学习行为或学习效果寻找原因的认知活动。
（二）量表编制过程
1.测量对象
预测与正式测量的测量对象均为陕西师范大学参加《现代教育技术》在线开放课程学习的全日制本科生、全日制教育硕士、成人教育硕士，包括16个学院、20个专业。正式量表问卷共有2935位学习者进行了填写，其中有效问卷2639份。
2.量表来源
量表来源主要有三个方面：对国内外已广泛使用的测验量表进一步修订；对国外较权威但国内较少使用的测验工具进行修订；根据相关研究理论自编量表。
3.适用范围
该量表主要适用参加在线开放课程学习的在校大学生及成人学习者。
4.计分方式与结果解释
所有量表均采取里克特5点计分，题目全部为单项选择题，每个题项的“完全同意、基本同意、一般、基本不同意、完全不同意”分别计分为“5、4、3、2、1”，各心理特征量表中各维度所包含题目的得分均值为该维度的得分，将各维度均分相加除以维度数为量表总均分，总均分越高表示该心理特征水平越高。
5.试测过程
自2011年9月开始，经过六年时间，在相关专家与研究生共同参与下，对量表进行六轮9900人次预试，对量表题项进行了20次研讨、选择和修订，最终形成十个子量表，分别为网络学习策略量表、网络学习元认知量表、网络学习风格量表、网络学习注意力量表、网络学习空间定位感量表、网络学习态度量表、网络学习焦虑量表、网络学习动机量表、网络学习自我效能感量表、网络学习成败归因量表。由于网络学习风格量表与其他量表的测试题格式不同，故不做详细说明。
量表的编制过程严格按照标准化流程进行。首先，在文献综述和咨询专家意见的基础上，根据测量指标初步选定或编制量表；其次，通过五次预测，进行了测试工具的确定、题目表述的修订、题项删减、信效度检验、施测方式适用性的调整等；再次，在此基础上对量表进行多次修订，考查修改后或新调整工具的适用性，包括量表、题目、指导语、评定语和信效度等；最后，形成了包括施测方式、指导语、测试题目、计分方式以及编码规则在内的标准化测量工具，并对正式量表施测。
6.预试量表分析
因为九个心理特征量表无法一一呈现研制过程，在此以网络学习元认知量表的研制为例，来说明量表的预试量表分析。
（1）量表编制依据。 在“温斯坦（Weinstein）学习策略量表LASSI”以及王迎等编制的“远程学习者学习策略量表”中，并没有涉及元认知维度，因此，我们单独编制了网络学习元认知量表。目前，尚缺少针对网络学习的元认知标准化的研究工具，国内研究者在研究中所使用的网络学习元认知量表，大多数是自编量表。例如，衷克定等自编了远程学习者元认知问卷，包括三个维度（元认知知识、元认知体验、元认知监控）30个题项，探讨了远程元认知与自我效能感的关系[60]；詹泽慧自编了远程学习者元认知问卷，探讨了远程学习元认知作用机制[61]。
我们以弗拉维尔的理论框架为理论基础，主要参考 Schraw等编制的 “元认知意识问卷”[62]、Cartwright-hatton等编制的“元认知问卷”[63]、衷克定等编制的“远程学习者元认知问卷”[64]等，自编了网络学习元认知量表。
（2）量表内容与结构。网络学习元认知量表，主要测量学习者在网络学习中，对个人关于自己的认知过程、结果及其他相关事情的知识和活动进行调节的能力，是一种学生自评量表。元认知知识维度主要测量学习者关于自我、任务、策略等方面的知识；元认知体验维度主要测量学习者在认知活动中所产生的认知体验和认知情感；元认知监控维度主要测量学习者在认知活动中对认知任务进行计划、控制、调节、评价的能力。
依据各维度的内容与结构，研究者编制了量表初稿，共30题，三个维度，分别为元认知知识（10题，主体相关3题、任务相关3题、策略相关4题）、元认知体验（6题）、元认知监控（14题，计划3题、控制4题、调节4题、评价3题）。在此过程中，专家对量表的题目、指导语、施测方式等进行了严格把关。
（3）量表预试。量表编制完成后，进入量表首次预试阶段。预试对象是2012年参加陕西师范大学《现代教育技术》在线开放课程的学习者，预试量表通过在线开放课程平台发放，为了避免被试的反应倾向性，在发放问卷时，将学习者特征总量表所有题项的顺序打乱。共有2366位学习者填写问卷，删除公共用户数据、删除填答问卷完整度低于90%的学习者数据、删除填答时间少于4分钟的学习者数据（问卷共140题，虽然不同学习者阅读水平不同，但根据试测，完整填写问卷最少需4分钟），共剩余有效问卷1801份，有效率76%。
量表项目分析，包括检查键入数据有无极端值或错误值、反向题反向计分（34题与105题是反向题）、极端组比较、项与总分相关、同质性检验。未达判断标准项目分析如表2所示，第88题和第105题在四项指标的统计量上均不理想，故删除；虽然第34题在三项指标和第41题在四项指标上未达标，但与判断标准[65]很接近，可以接受，故保留。其余题项均达到评判标准。
表2 元认知预试量表未达判断标准项目分析摘要表
进行信度检验采用Cronbach’s Alpha系数，结果显示第34题未达到判断标准[66]，再次将其删除。校正后总量表及元认知知识、元认知体验、元认知监控三个分维度的 Cronbach’s Alpha系数分别为0.931、0.833、0.726、0.888，达到判断标准。
进行效度检验采用线性结构方程AMOS软件进行验证性因素分析，CMIN/DF、GFI、RMR、RMSEA、NFI、CFI 分 别 为 6.911、0.909、0.020、0.057、0.887、0.901，达到判断标准[67]。
网络学习元认知预试量表，最终共保留27题，其中，元认知知识10题、元认知体验4题、元认知监控13题，之后又进一步验证了两次，分析过程与预试量表的分析过程一致，最终形成正式量表。
（三）正式量表
1.网络学习策略量表
（1）量表编制依据。温斯坦等在1990年编制了学习策略量表LASSI，该量表能够实现对学习策略较为全面的测量，是目前国内外使用和引证最为广泛的量表。而且，温斯坦还针对网络学习编制了网络学 习 策 略 量 表 （The LASSI for Learning Online Scales），该量表包括11个维度，即焦虑、态度、交流、专心、信息加工、动机、自我测查、选择要点、学习辅助手段、时间管理、考试策略[68]，共计88道题。与传统LASSI相比，网络学习策略量表更加凸显网络环境的情境性以及合作交流策略的重要性，该量表尚无中文版。国内本土化的较典型量表是王迎等编制的远程学习者学习策略量表，包括辅助工具、信息素养、时间和任务管理、反思总结、合作交流、考试策略、情绪缓解和意志管理[69]。该量表在国内并没有得到广泛应用，且其主要是针对远程学习，研究对象主要是远程成人学习者，与本研究中所指的网络学习有一定差异。
我们在参考温斯坦网络学习策略量表和王迎等编制的远程学习者学习策略量表的基础上，改进了网络学习策略量表。
（2）量表内容与结构。网络学习策略量表，主要测量学习者在网络学习活动中，为完成学习任务、达到学习目标，使用各种学习策略的意识和水平，是一种学生自评量表，共24题，有五个维度，分别为资源管理策略（6题）、反思总结策略（5题）、信息素养策略（4题）、合作交流策略（4题）以及自我调节策略（5题）。
资源管理策略维度主要测量学习者对网络学习时间、各类数字学习资源以及教师或伙伴等人力资源的使用和管理水平；反思总结策略维度主要测量学习者在网络学习中，利用自身原有知识和经验以及各种合适的学习工具，对所学内容进行反思和总结的水平；信息素养策略维度主要测量学习者在网络学习中，检索、筛选、加工和应用信息的水平；合作交流策略维度主要测量学习者使用网络交流工具与老师或伙伴，进行学习交流的水平；自我调节策略维度主要测量学习者在网络学习活动中，制定或调整学习计划、学习目标以及对学习进度、学习内容的调节水平。
（3）正式量表。网络学习策略量表，如表3所示。
表3 网络学习策略量表
2.网络学习元认知量表
网络学习元认知量表的编制依据、内容与结构在前文已经详细阐述，故不再赘述。该量表为学生自评量表，共25题，三个维度，分别为元认知知识（9题）、元认知体验（4题）、元认知监控（12题），如表 4所示。
3.网络学习注意力量表
（1）量表编制依据。网络学习注意力量表主要是通过观察与调查，根据注意的含义与特征，自编量表。
（2）量表内容与结构。网络学习注意力量表主要测量学习者在网络学习时的注意力集中程度，是一种学生自评量表，共8题，分正向题（4题）、反向题（4题），为单维量表。
（3）正式量表。网络学习注意力量表，如表5所示。
表4 网络学习元认知量表
表5 网络学习注意力量表
4.网络学习空间定位感量表
（1）量表编制依据。结合网络学习实际，以Hill和Hannafin在1997年提出的影响远程学习质量的空间定位感为理论基础[70]，参考郑晓齐和董杜骄所做的“大学生网络迷航现象的调查研究”，自编网络学习空间定位感量表[71]。
（2）量表内容与结构。网络学习空间定位感量表主要测量学习者对自己在网络体系中位置的理解及对取得所需信息所必要的策略和活动的理解，是一种学生自评量表，共5题，为单维量表。
（3）正式量表。网络学习空间定位感量表，如表6所示。
表6 网络学习空间定位感量表
5.网络学习态度量表
（1）量表编制依据。国外学者Webster和Hackley认为，影响网络学习的学习者特性，包括网络学习的舒适感和对学习伙伴的态度[72]。我国学者张敬环等从经验角度，探讨了远程学习者学习态度的成因及其转变策略，他认为，学习者对于远程学习的态度大致可归结为对远程学习课程的态度、对远程学习技术的态度、对远程学习中人际交互的态度[73]。总体而言，目前关于网络或远程学习态度的研究还较少。
结合研究实际，我们以Baron对学习态度及其结构的研究为理论基础，对Jyh-Chong Liang等编写的护士对网络继续教育的态度量表[74]进行改编，形成网络学习态度量表。
（2）量表内容与结构。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，为学生自评量表，共11题，分别有认知（4题）、行为（3题）、情感（3题）三个维度。认知维度主要测量学习者对网络环境下信息加工的认识；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；情感维度主要涉及学习者在网络学习过程中轻松、愉悦、自由等的情感体验。
（3）正式量表。网络学习态度量表，如表7所示。
表7 网络学习态度量表
6.网络学习焦虑量表
（1）量表编制依据。关于网络或远程学习焦虑的研究目前并不多。国外学者 Joine[75]、Chou[76]以及Torkzadeh等[77]编写了网络学习焦虑量表；国内尚无针对网络学习焦虑的量表，已有研究均是关于网络环境下或多媒体环境下外语学习焦虑的研究。
我们以Presno对网络焦虑及其结构的研究为理论基础[78]，对 Joiner、Chou、Torkzadeh 等在研究中使用的网络焦虑量表或计算机焦虑量表进行改编或修订，形成网络学习焦虑量表。
（2）量表内容与结构。网络学习焦虑量表主要测量学习者在网络学习过程中表现出的各项焦虑水平的高低，为学生自评量表，共12题，分别有网络延迟焦虑（3题）、网络搜索焦虑（3题）、网络术语焦虑（3题）和网络总体焦虑（3题）四个维度。网络延迟焦虑维度，主要测量学习者因资源下载过慢、网页加载或跳转过慢等因素引起的学习焦虑情绪；网络搜索焦虑维度，测量学习者面对网络海量信息而不能准确确定检索关键词或无法从大量信息中有效提取信息等，而引起的学习焦虑情绪；网络术语焦虑维度，测量学习者在网络学习中遇到难以理解的词语或英文缩写，而阻碍学习顺利进行时引起的焦虑情绪；网络总体焦虑维度，测量学习者因自我调节能力和自我管理能力较弱、学习效果不佳等，引起的学习焦虑情绪。
（3）正式量表。网络学习焦虑量表，如表8所示。
表8 网络学习焦虑量表
7.网络学习动机量表
（1）量表编制依据。目前，研究者在研究中所使用的网络学习动机量表大多数是自编量表，尚缺少标准化的研究工具。国内学者王迎等以奥苏贝尔的学习动机理论为理论基础，编制了远程学习者学习动机测量工具，该量表分为三个维度（认知内驱力、自我提高内驱力和附属内驱力）34个题项[79]。
本研究分别在2011年12月、2012年1月使用王迎编制的远程学习者学习动机量表进行了试测，但回收问卷结果显示，信效度检验均达不到统计学标准。因此，以奥苏贝尔的学习动机理论为理论基础，参考Matthew等在其研究中使用的网络学习动机量表[80]，并对部分学习者进行在线访谈，自编了网络学习动机量表。
（2）量表内容与结构。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，为学生自评量表，共7题，分别有内部学习动机（4题）和外部学习动机（3题）两个维度。内部学习动机主要测量“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”等内在学习动力；外部学习动机主要测量“网络资源丰富”、“网络学习比较方便”等外在学习动力。
（3）正式量表。网络学习动机量表，如表9所示。
表9 网络学习动机量表
8.网络学习自我效能感量表
（1）量表编制依据。目前，国外使用的网络学习自我效能感量表，偏重于在网络学习中使用网络学习工具的自我效能感测量，对网络学习一般效能感的测量甚少。而我国主要关注远程学习自我效能感的测量，且多为研究者自编量表，尚无统一定论。例如，彭华茂与王迎等编制的远程学习效能感量表，将远程学习自我效能划分为一般自我效能和特殊自我效能，该量表在国内远程学习领域得到了较多应用[81]；谢幼如等根据班杜拉的三元交互理论，将网络学习自我效能感划分为四个维度，分别为能力感、努力感、环境感、控制感[82]，但该量表尚没有得到广泛验证。而Schwarzer等编制的一般自我效能感量表（GSES）是被国内外广泛认可的测量一般自我效能感的典型量表[83]。
我们对一般自我效能感量表 （GSES）、王迎和Cheng等[84]编制的网络或远程学习自我效能感量表进行了改编，形成了网络学习自我效能感量表。
（2）量表内容与结构。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、因特网及其它现有资源或工具，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，为学生自评量表，共11题，分别为一般自我效能（5题）和特殊自我效能（6题）两个维度。一般自我效能维度，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；特殊自我效能维度，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。
（3）正式量表。网络学习自我效能感量表，如表10所示。
表10 网络学习自我效能感量表
9.网络学习成败归因量表
（1）量表编制依据。 韦纳（Weiner）编制的“多项-多维归因量表”（Multidimensional-Multiattributional Causality Scale，MMCS）中的学习成就归因量表，在国内外得到了广泛认可，国内一些学者将其应用于远程学习或网络学习归因测量中，均得到了较好的信效度。
我们根据研究实际对 “多项-多维归因量表”（MMCS）中的学习成就归因量表进行修订，形成了网络学习成败归因量表。
（2）量表内容与结构。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，为学生自评量表，共24题，分别为努力归因（6题）、能力归因（6 题）、情境归因（6 题）、运气归因（6题）四个维度，每个维度包括3个成功归因和3个失败归因。例如，用能力来解释学业成功的条目有3个，用能力解释学业失败的条目亦有3个。
（3）正式量表。网络学习成败归因量表，如表11所示。
10.正式量表信效度检验
（1）信度分析。我们通过对量表题项进行反向题反向计分、极端值比较、题项与总分相关、同质性检验来判断量表信度。
表11 网络学习成败归因量表
网络学习策略总量表及资源管理策略、反思总结策略、信息素养策略、合作交流策略、自我调节策略五个分维度的Cronbach’s Alpha系数，分别为0.946、0.828、0.814、0775、0.787、0.791； 网络元认知总量表及元认知知识、元认知体验、元认知监控三个分维度的 Cronbach’s Alpha系 数分别为 0.948、0.872、0.743、0.911；网络学习注意力总量表的Cronbach’s Alpha系数为0.779；网络学习空间定位感总量表的Cronbach’s Alpha系数为0.813；网络学习态度总量表及认知、行为、情感三个分维度的Cronbach’s Alpha 系数分别为 0.894、0.805、0.801、0.741；网络学习焦虑总量表及网络延迟焦虑、网络搜索焦虑、网络术语焦虑、网络总体焦虑四个分维度的Cronbach’s Alpha 系 数 分 别 为 0.932、0.840、0.786、0.807、0.814；网络学习动机总量表及内部学习动机、外部学习动机两个分维度的Cronbach’s Alpha系数分别为0.876、0.821、0.750；网络学习自我效能感总量表及一般自我效能、特殊自我效能两个分维度的Cronbach’s Alpha系数分别为 0.879、0.803、0.803；网络学习成败归因总量表及努力、能力、情境、运气四个分维度的 Cronbach’s Alpha系数分别为0.891、0.759、0.784、0.829、0.855。 各量表均达到了评判标准[85]，表明各心理特征量表信度良好。
（2）效度分析。本研究主要采取了专家效度与建构效度。专家效度，即可以将编制好的量表请相关学者专家加以检视，学者、专家根据各构念所包括的题项进行逐一检查，看题项是否能真正测出构念所代表的心理特质或所包含的内涵，看词句是否适切并提供修正意见[86]。本研究所有量表均是通过学者专家逐一检查的。
建构效度主要采用线性结构方程AMOS软件进行验证性因素分析或SPSS软件因素分析。样本观察值愈大，卡方值则愈大，由于假设模型有相同的自由度，因而卡方自由度比值会变得愈大，此时，整体模型适配度的判别，不应只以卡方值或卡方自由度比值两个指标作为判断准则，其他的适配度指标也是重要的判别标准[87]。样本数N=2639，属于大样本，整体模型适配度的判别不应只以CMIN值作为唯一的判别依据，应该参考AMOS提供的RFI值、NFI值、TLI值、IFI值、GFI值、AGFI值、RMSEA 值、CN 值等指标，因为这些指标波动性较小。
对网络学习策略量表、网络学习元认知量表、网络学习态度量表、网络学习焦虑量表、网络学习动机量表、网络学习自我效能感量表、网络学习成败归因量表进行验证性因素分析，结果显示均达到了心理测量学建议值[88]，这表明各量表的结构效度良好，具体结果见表12。
表12中网络学习成败归因量表没有达到建议值，是由于所呈现的数据均是2013年6月正式问卷的测量结果，因此，本文中网络学习归因量表的效度分析结果是2013年6月的测量结果。而在之前几次试测以及之后的使用中，网络学习归因效度分析结果均达到了建议值。另外，韦纳编制的“多项-多维归因量表”在国内外已经得到了广泛认可。这表明网络学习归因量表的结构效度良好。
表12 网络学习者特征验证性因素分析的模型拟合指数
四、研究结论与讨论
网络环境下学习者特征包括认知、情感、意志三个方面。学习者模型的研究，大政可以分为基于认知和情感、基于行为记录和复合型三种[89]。经过初步研究表明，网络学习策略量表、网络学习元认知量表、网络学习注意力量表、网络学习空间定位感量表、网络学习态度量表、网络学习焦虑量表、网络学习动机量表、网络学习自我效能感量表、网络学习成败归因量表等信效度良好，符合心理测量学意义，是一个较有效的测量网络学习者特征的测量工具。但由于研究样本数据仅来源于参加陕西师范大学 《现代教育技术》在线开放课程的学习者，受样本选取范围的局限，并没有形成可以作为其他研究者参考标准的常模，还需要在更大范围做进一步验证。
目前，随着大数据的发展与应用，越来越多的研究采用大数据分析、ERP脑电实验的方法来测评学习者的特征。大数据分析方法可以克服问卷调查的局限性，但是只能收集学习者的行为数据，对学习者的心理特征并不能准确获取或分析，还需借助问卷调查法。
ERP脑电实验被誉为 “观察脑高级功能的窗口”，近年来，随着认知神经科学研究的突飞猛进，ERP更是受到脑科学界更为广泛的关注，目前在认知心理学领域得到了广泛应用。但是ERP脑电实验由于价格昂贵，测试条件要求极高，并不能对被试进行广泛的测试与实验。而问卷调查法具有易于操作与分析，便于大规模测试，节省时间与成本等优点。因此，任何研究方法都有其优势和局限性，研究需要恰当采用合适的研究方法。
[参考文献]
[1][35]Graf S， Kinshuk， Liu T C.Supporting Teachers in Identifying Students’ Learning Styles in Learning Management Systems： An Automatic Student Modeling Approach[J].Educational Technology&Society， 2009（4）：3-14.
[2]Graf S，Kinshuk.Dynamic Student Modeling of Learning Styles for Advanced Adaptivity in Learning Management Systems[J].International Journal of Information Systems and Social Change， 2013（1）：85-100.
[3]Woolf B P，Burleson W，Arroyo I，Dragon T，Cooper D，Picard R.Affect-aware Tutors：Recognising and Responding to Student Affect[J].International Journal of Learning Technology， 2009（3/4）：129-164.
[4][8][54]Vandewaetere M，Desmet P，Clarebout G.The Contribution of Learner Characteristics in the Development of Computer-based Adaptive Learning Environments[J].Computers in Human Behavior，2011（1）118-130.
[5]黄志芳，赵呈领，黄祥玉等.基于情境感知的适应性学习路径推荐研究[J].电化教育研究，2015（5）：77-84.
[6]赵呈领，陈智慧，黄志芳.适应性学习路径推荐算法及应用研究[J].中国电化教育，2015（8）：85-91.
[7]李文宏.以认知建模为支架的适应性学习系统构建[J].电化教育研究，2011（9）：75-78，94.
[9]Greeno J G.Perspectives on Thinking[J].American Psychologist，1989（44）：134-141.
[10][16]丁兴富.远程教育学[M].北京：北京师范大学出版社，2001：205-210.
[11]Adult Learning （K.P.Cross） [EB/DL].[2018-03-01].http：//www.instructionaldesign.org/theories/adult-learning.html.
[12][42][70]Hill J R，Hannafin M J.Cognitive Strategies and Learning from the World Wide Web[J].Educational Technology Research&Development， 1997（4）：37-64.
[13]Boyd D.The Characteristics of Successful Online Students[J].New Horizons in Adult Education， 2004（2）： 31-39.
[14]Graf S，Lin T，Kinshuk.The Relationship Between Learning Styles and Cognitive Characteristics-Getting Additional Information for Improving Student Modeling[J].Computers in Human Behavior，2008：122-137.
[15]Spector J M，Merrill M D，Merrienboer J，Marcy P D 著.教育传播与技术研究手册[M].任友群，焦建利，刘美凤等主译.上海：华东师范大学出版社，2012：316-317.
[17]刘儒德，江涛.学习者特征对网络学习的影响[J].中国电化教育，2004（6）：11-15.
[18]吴战杰.网络远程教育中学习者特征分析体系的构建及学生模型的设计[D].西安：陕西师范大学，2004：27-33.
[19]何克抗，林君芬，张文兰.教学系统设计[M].北京：高等教育出版社，2006：58-78.
[20][53][56][57]王迎，安玉洁，黄荣怀.远程学习者特征模型的构建研究[J].开放教育研究，2006（1）：47-53.
[21]冯锐.网络学习支持系统中学生特征分析模型的构建及技术实现[J].中国电化教育，2006（12）：101-103.
[22]张家华.网络学习的信息加工模型及其应用研究[D].成都：西南大学，2010：103-104.
[23]王泽.网络环境下在校学习者特征模型的构建研究[J].中国电化教育，2010（3）：58-61.
[24]谢幼如，尹睿.网络教学设计与评价[M].北京：北京师范大学出版社，2010：111-153.
[25]周晶晶，袁冰.社区网络学习者特征调查分析[J].中国远程教育，2011（10）：57-60.
[26]李芒.远程教育教学设计[M].北京：中央广播电视大学出版社，2012：55-110.
[27]Fan X， Chen M.Parental Involvement and Students’ Academic Achievement： A Meta-analysis[J].Education Psychology Review，2001（1）：1-22.
[28]Lin T，Kinshuk.Dichotomic Node Network and Cognitive Trait Model[C]//Proceedings of IEEE International Conference on Advanced Learning Technologies， 2004：702-704.
[29]Azevedo R.Computer Environments as Metacognitive Tools for Enhancing Learning[J].Educational Psychologist， 2005（4）：193-197.
[30]Karahoca D，Karahoca A.Assessing Effectiveness of the Cognitive Abilities and Individual Differences on E-learning Portal Usability Evaluation[J].Procedia Social and Behavioral Sciences，2009 （1）：368-380.
[31]Yang Y J，Wu C.An Attribute-based Ant Colony System for Adaptive Learning Object Recommendation[J].Expert Systems with Applications， 2009（2）：3034-3047.
[32]Triantafillou E，Pomportsis A，Demetriadis S，Georgiadou E.The Value of Adaptivity Based on Cognitive Style：An Empirical Study[J].British Journal of Educational Technology， 2004（1）： 95-106.
[33]Felder R M，Silverman L K.Learning and Teaching Styles in Engineering Education[J].Engineering Education， 1988（7）：674-681.
[34]Popescu E.Adaptation Provisioning with Respect to Learning Styles in a Web-based Educational System：An Experimental Study[J].Journal of Computer Assisted Learning， 2010（4）：243-257.
[36]D’Mello S， Craig S， Fike K， Graesser A.Responding to Learners’Cognitive-affective States with Supportive and Shakeup Dialogues[C]//Proceedings of the International Conference on Human Computer Interaction.Berlin： Springer， 2009： 595-604.
[37]Khan F A，Graf S，Weippl E R，Tjoa A M.Identifying and Incorporating Affective States and Learning Styles in Web-based Learning Management Systems[J].International Journal of Interaction Design&Architectures， 2010：9-10， 85-103.
[38]Mehrak R，Samaneh Y.Success in Learning English as a Foreign Language as a Predictor of Computer Anxiety[J].Procedia Computer Science， 2011（3）：175-182.
[39][80]Matthew K O Lee， Christy M K Cheung， Chen Z.Acceptance of Internet-based Learning Medium：The Role of Extrinsic and Intrinsic Motivation[J].Information&Management， 2005（42）：1095-1104.
[40]Mc Quiggan S，Mott B，Lester J.Modeling Self-efficacy in Intelligent Tutoring Systems：An Inductive Approach[J].User Modeling and User-Adaptive Interaction， 2008（1-2）：81-123.
[41]衷克定，赵海玲.远程学习者的成败归因方式研究[J].开放教育研究，2006（3）：66-69.
[43]Wan Z， Wang Y L， Haggerty N.Why People Benefit from E-learning Differently：The Effects of Psychological Processes on E-learning Outcomes[J].Information&Management，2008 （8）：513-521.
[44]李运福，佟海静，傅钢善.网络环境下学习策略群体差异研究[J].现代教育技术，2012（12）：26-30.
[45]李运福，傅钢善.大学生网络学习焦虑影响因素研究——基于网络学习者特征的逐步多元回归分析[J].电化教育研究，2013（5）：31-38，54.
[46]Fu G S， Wang G H.The Cluster Analysis of Learners’ Behavior Characteristics in the Network Environment[C]//International Conference of Educational Innovation through Technology， 2013：89-98.
[47]Fu G S， Li Y F.Group Differences： E-learning Anxiety and Sense of Spatial Orientation-Groups Divided by Felder-Silverman Learning Style[C]//International Conference of Educational Innovation through Technology， 2014：178-183.
[48]李运福，傅钢善.网络环境下学习者动力性特征群体差异研究[J].中国远程教育，2014（7）：31-37，95.
[49]李运福，傅钢善.网络环境下学习者特征间影响权重群体差异研究[J].中国远程教育，2014（10）：45-52，95.
[50]傅钢善，王改花.基于数据挖掘的网络学习行为与学习效果研究[J].电化教育研究，2014（9）：53-57.
[51]傅钢善，李运福.网络学习焦虑与空间定位感间作用关系研究[J].电化教育研究，2015（1）：103-109.
[52]李运福，傅钢善.网络环境下学习者策略性特征群体差异研究[J].现代教育技术，2015（6）：102-107.
[55]中国工具书网络出版总库.特征[EB/OL].[2018-03-21].http：//gongjushu.cnki.net/refbook/BasicSearch.aspx.
[58]全国十二所重点师范大学联合编写.心理学基础[M].北京：教育科学出版社，2008：6.
[59][82]尹睿，谢幼如，刘春华，朱静静.大学生网络学习自我效能感的结构、影响因素及培养策略研究[J].电化教育研究，2011（10）：30-34.
[60][64]衷克定，潘海燕.远程学习者元认知与学习效能感关系分析与研究[J].中国远程教育，2007（12）：40-43.
[61]詹泽慧.远程学习者的元认知作用机制研究[J].中国电化教育，2011（5）：50-53.
[62]Schraw G Dennison.Assessing Metacognitive Awareness[J].Contemporary Educational Psychology， 1994（19）：460-475.
[63]Cartwright H S， Wells A.Beliefs about Worry and Intrusions： The Metacognitions Questionnaire and Its Correlates[J].Journal of Anxiety Disorders， 1997（11）：279-296.
[65][66][85]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， 2010：158-193，249.
[67][86][87][88]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，2010：491.
[68]LASSI for Learning Online[EB/OL].[2018-03-01].http：//www.hhpublishing.com/_assessments/LLO/index.html.
[69]王迎，彭华茂，时之平，侯彦华.远程学习者学习策略的问卷修订与测量[J].中国电化教育，2007（10）：48-52.
[71]郑晓齐，董杜骄.大学生网络迷航现象的调查研究[J].北京航空航天大学学报（社会科学版），2002 （3）：46-50.
[72]Webster J，Hackiey P.Teaching Effectiveness in Technology-mediated Distance Learning[J].Academy of Management Journal，1997（6）：1282-1309.
[73]张敬环，任瑞仙.远程学习者学习态度成因分析及其转变策略[J].现代远程教育研究，2005（2）：44-47.
[74]Liang J C， Wu S H， Ts C C.Nurses’ Internet Self-efficacy and Attitudes Toward Web-based Continuing Learning[J].Nurse Education Today， 2011（8）：768-773.
[75]Joiner R ，Brosnan M，Duffield J，Gavin J，Maras P.The Relationship between Internet Identification，Internet Anxiety and Internet Use[J].Computers in Human Behavior， 2007（3）：1408-1420.
[76]Chou C.Incidences and Correlates of Internet Anxiety among High School Teachers in Taiwan[J].Computers in Human Behavior，2003（19）：731-749.
[77]Torkzadeh G，Thomas P V.Effects of Training on Internet Self-efficacy and Computer User Attitudes[J].Computers in Human Behavior， 2002（18）：479-494.
[78]Presno C.Taking the Byte Out of Internet Anxiety：Instructional Techniques that Reduce Computer/Internet Anxiety in the Classroom[J].Journal of Educational Computing Research，1998（2）：147-161.
[79]王迎，彭华茂，黄荣怀.远程学习者学习动机测量工具的编制与应用[J].开放教育研究，2006（5）：74-78.
[81]彭华茂，王迎，黄荣怀，陈庚.远程学习效能感的结构和影响因素研究[J].开放教育研究，2006（5）：41-45.
[83]一般自我效能感量表.[EB/DL].[2018-03-01].http：//wenku.baidu.com/view/65ba6614cc7931b765ce15cd.html.
[84]Cheng K H，Tsai C C.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.
[89]丁继红，刘华中.影响教育资源选择的学习者模型构建[J].远程教育杂志，2017（4）：97-103.
