MOOCs学习参与度影响因素调查分析

2019-07-22黄荣伟

潍坊工程职业学院学报 2019年4期

李顺, 黄荣伟

(曲阜师范大学传媒学院，山东日照 276826 )

早期的研究将参与度定义为兴趣、努力、动机和投入时间[1]。笔者认为学习参与度是学习者为获得学习体验所发生的认知、行为和情感方面的投入，包括所使用的学习策略、所投入的时间和情感、与教师和学习同伴的沟通等等。与传统的课堂教学不同，MOOCs作为一种线上学习形式，其资源多元化,学习者多样化,师生、生生异地化,学习异步等特点决定了研究其学习参与度的复杂性。

2002年，我国学者丁兴富[2]提出了远程学习环境的洋葱头结构模型。该模型认为学生自主学习是远程教育的主要学习形式，其学习受课程资源，双向通信交互、学习支助服务、教师、同学、远程教育院校和社会环境等因素的影响，笔者对洋葱头模型进行了重新梳理，假设MOOCs学习参与度受学习者自身、教师、课程平台、课程建设、学习同伴、政策支持六个方面诸多因素的影响，并以此展开调查研究。

学习者自身因素包括学习者是否有学习兴趣；是否能够制定详细的MOOCs学习计划；是否有良好的自主学习能力；是否有较强的自律能力，可以不受外界干扰专心投入MOOCs学习。教师因素包括教师的讲课风格；教师/助教能否与学习者进行学习互动；对于作业，学习者提出的问题，教师/助教给予学生的反馈是否及时；教师/助教是否为MOOCs学习者提供了清晰、高效的学习指导。课程平台因素包括平台是否提供了作业、测验功能；平台上是否有聊天/讨论等社交功能；平台能否提供资源下载；平台是否操作方便、简单易用。课程建设因素包括课程视频是否有字幕；课程视频是否清晰；课程视频的长度是否合理。学习同伴因素包括学习过程中能否从学习同伴处获取学习帮助；是否能够得到来自同伴的评价；同伴之间是否有协作互助。政策支持因素包括社会推广MOOCs的程度，学校、工作单位对MOOCs证书的认可度。

1 问卷设计、分发与回收

1.1 问卷设计

调查问卷包含三部分，第一部分是导入语；第二部分是填写者基本信息，包括性别、年龄、职业、学历等；第三部分为问卷主体，包含20个题目，分别是影响MOOCs学习参与度的六个变量：学习者自身、教师、课程平台、课程建设、学习同伴和政策支持。所有题目均为单选题，采用李克特量表的五点形式，每个题包含 1、2、3、4、5 五个选项(1-5 分别表示完全不影响、比较不影响、一般、比较影响、非常影响)。得分越高，表明该选项的认可度越高，相反，分数越低，认可度就越低。

1.2 问卷分发与回收

问卷设计完成后，为了保证问卷的有效性，首先在曲阜师范大学2016级教育技术学班级里进行预测，共发放问卷30份，回收30份，回收率达100%，其中有效问卷28份，有效率93%，同时对这28份问卷进行信度分析，问卷可靠性结果为0.845，效度在接受范围内。

预测结束后采用线上线下同时发放的形式进行问卷的填写，最终一共发放315份问卷，回收300份，回收率95.2%。

2 学习参与度影响因素分析

2.1 信效度分析

(1)信度检验

目前研究中进行信度检验大多采取克隆巴赫α系数(Cronbach's Alpha)，用来测量量表的内部一致性，系数值介于 0-1 之间。一般来说，克隆巴赫α系数的值越高，说明数据内部的信度越高，克隆巴赫α系数的值大于 0.7，表明数据内部一致性较好。使用SPSS软件对调查问卷参与度影响因素数据进行了信度检验，表1显示了信度检验的结果。

表1 信度检验结果

由表1可以看出，Cronbach's Alpha的值为0.932，系数的值较高，说明问卷的信度值较好，也显示该数据是值得研究的。

(2)效度检验

通常在研究中采用KMO检验和Bartlett球状检验进行效度检验，KMO是“取样切当性”检验，系数值介于0-1之间，KMO的值越接近1，因子分析的效果越好。利用SPSS软件对问卷中参与度影响因素数据进行了KMO检验与Bartlett球状检验，结果如表2所示。

表2 KMO 和 Bartlett 的检验

从上表可得，KMO值为0.751，该数据适合进行因子分析。Bartlett的球形度检验的Sig值为0，近似卡方值为5755.029(自由度df=803)，说明其达到了显著水平，收集的数据适合因子分析。

2.2 因子分析

因子分析(Factor Analysis)可以简化数据，在众多变量中找出隐藏的具有代表性的因子，同时可以保存原有数据体现的信息[3]。因子分析法是从研究变量内部相关的依赖关系出发，把一些具有错综复杂关系的变量归结为少数几个综合因子的一种多变量统计分析方法[4]。本研究对MOOCs学习参与度的影响因素使用因子分析，抽取六个主要因子并进行因子命名。

为了了解因子与变量之间的相关性，通过SPSS分析旋转得到了因子载荷矩阵表(表3)。

表3 旋转成分矩阵

我们从表3中看出， Q1、Q2、Q3、Q4题目归于因子一， Q5、Q6、Q7、Q8题目归于因子二， Q9、Q10、Q11、Q12题目归于因子三， Q13、Q14、Q15题目归于因子四， Q16、Q17、Q18题目归于因子五， Q19、Q20题目归于因子六。每个变量的因子载荷值均大于0.5，相应变量都比较重要。

为了显示变量与因子的关系，把调查问卷的题目根据因子载荷矩阵的排列进行划分并进行了命名，结果如表4所示。

2.3 回归分析

在进行因子分析后，为进一步了解各因子与MOOCs学习参与度之间的关系，采用回归分析对各因子进行线性回归检验。结果如表5所示。对六个因子进行多元回归，F的值为12.049，F显著差异性为0.000，小于0.05，表明线性关系显著，可构建线性回归方程，由表6可以看出，常量和各影响因素的t检验显著性均小于0.05，所以该模型的构建有意义。可得到回归方程F(x)=0.222α+0.211β-0.33γ+0.571λ-0.585δ+0.036ε(注：F(x)是MOOCs参与程度，α是学习者自身，β是课程建设，γ是学习同伴，λ是教师，δ是课程平台，ε是政策支持)。

上述是对六个因子进行的回归分析，为了更了解各影响因素的回归性，对每个因子中的影响因素分别进行回归分析，得出如表6的回归分析结果。

由表6和其上的检验可以得出以下结果:

对于学习者自身因素。主要包括学生是否有强烈的学习兴趣(Q1)，自己是否可以制定学习计划(Q2)，是否具有良好的自主学习能力(Q3)以及是否具备较强的自律能力，可以不受外界干扰(Q4)四个因素。而从线性回归分析结果可得这四项的系数都为正数，说明其对于MOOCs学习参与度的影响为正相关，Q1、Q2、Q4的t检验显著性均小于0.05，说明这三项对MOOCs学习参与度都有显著的影响，而Q3的t检验显著性为0.868大于0.05，说明此项对于MOOCs学习参与度的影响没有显著差异。

表4 因子命名

表5 MOOCs学习参与度影响因子的回归系数a

a.因变量: MOOCs学习中的总体参与度

对于教师因素。主要包括教师的讲课风格(Q5)，教师/助教是否参与互动(Q6)，教师/助教的反馈是否及时(Q7)以及教师/助教是否提供学习指导(Q8)这四个因素。从表7中可以看出这四项的系数都为正数，说明其与MOOCs学习参与度呈现正相关，同时这四项的t检验显著性均小于0.05，说明它们均对MOOCs学习参与度有着显著影响。

对于课程平台因素。主要包括平台是否有作业、测验功能(Q9)，平台上是否有聊天/讨论等社交功能(Q10)，平台能否提供课程资源的下载(Q11)和平台是否操作方便，简单易懂(Q12)四个因素。对照表7可以发现Q9、Q10、Q11的系数是正数，说明它们与MOOCs学习参与度呈现正相关，而Q12的系数为负数，说明其与MOOCs学习参与度呈现负相关，平台越简单，MOOCs参与度越高。同时从表中可以看出Q10、Q11和Q12 的t检验显著性均小于0.05，说明这三项对于MOOCs参与度有着显著影响。

表6 各影响因素的回归系数a

a. 因变量: MOOCs学习中的总体参与度

对于课程建设因素。主要包括课程所运用的视频是否带有字幕(Q13)；课程视频是否清晰(Q14)以及课程视频的长度(Q15)这三个因素。Q14和Q13的系数为正数，说明其与MOOCs学习参与度呈现正相关，而Q15的系数为负数，说明其与MOOCs学习参与度呈现负相关，课程视频越长， MOOCs的学习参与度越低；同时这三项的t检验显著性均小于0.05，说明这三项对MOOCs学习参与度有着显著影响。

对于学习同伴因素。主要包括同伴之间是否有评价(Q16)；是否能从学习同伴处获取学习帮助(Q17)和同伴之间是否有协作互助(Q18)三个因素。这三项的回归系数都为正数，说明其与MOOCs学习参与度呈现正相关。Q16和Q17的t检验显著性均小于0.05，说明这两个因素对MOOCs学习参与度有着显著的影响。

政策支持因素。主要包括相关单位对MOOCs的认可程度(Q20)和社会推广MOOCs的程度(Q19)两个因素。从表6看出，这两个影响因素的回归系数均为正数，说明Q19和Q20与MOOCs学习参与度呈现正相关，同时这两项的t检验显著性均小于0.05，说明其对MOOCs学习参与度有着显著影响，社会对于MOOCs的认可程度越高，推广力度越大，学习者参与MOOCs的积极性就越高。