基于ISM与AHP的学习者在线学习投入 影响因素研究

王均霞 王郁琪

摘 要：在線学习投入程度影响在线学习质量，探究在线学习投入影响因素对于改善在线学习效果具有重要意义。将解释结构模型（ISM）和层次分析法（AHP）相结合，在文献研究与专家访谈基础上建立在线学习投入影响因素多层次结构，确定各层级因素的综合权重系数。研究结果表明：学习动机、自我效能感和教学方法是最直接影响因素，网络技术环境、学习动机、自我效能感、教师参与度、学习支持服务和在线交互环境为最主要影响因素。提出引导和激励在线学习者，提供良好的情感支持;提升教师存在感和参与度，提供充足的教师支持;营造积极的在线交互环境，提供多元的学习支持等策略，提升学习者在线学习投入。

关键词：在线学习投入;解释结构模型（ISM）;层次分析法（AHP）;教育信息化

DOI：10. 11907/rjdk. 201602                                                                                                        开放科学（资源服务）标识码（OSID）：

中图分类号：G434    文献标识码：A                               文章编号：1672-7800（2020）011-0227-05

Research on the Factors Affecting Online Learning engagement of

Learners Based on ISM and AHP

WANG Jun-xia，WANG Yu-qi

（School of Humanities， Jiangnan University， Wuxi 214122，China）

Abstract：The degree of online learning engagement affects the quality of learners online learning， and it is of great significance to explore the influencing factors of online learning engagement to improve the effect of online learning. In this study， by adopting the methodology of interpretative structure model （ISM） and analytic hierarchy processing （AHP）， based on literature research and expert interviews， we establish a multi-level structure of factors that influence online learning engagement， and define the comprehensive weights coefficient of each factor. The results show that learning motivation， self-efficacy and teaching methods are the most direct influencing factors. Network technology environment， learning motivation， self-efficacy， teacher participation， learning support services and online interactive environment are the most important influencing factors. It is recommended that we can guide and motivate online learners and provide good emotional support， enhance teachers presence and participation and provide adequate teacher support， create a positive online interactive environment and provide diverse learning support to enhance learners online learning engagement.

Key Words： online learning engagement; explanatory structural model; analytic hierarchy processing; education informationization

0 引言

伴随着信息技术的迅猛发展，在线学习成为十分盛行的学习方式。尤其疫情当前，学校积极响应教育部“停课不停学”号召，利用各种网络平台实施在线教学，全国上下开展规模最大的在线教育服务保障大作战[1]，掀起在线学习热潮。如何测评在线学习行为改善在线学习效果成为研究热点。

在线学习投入指学习者在线学习活动中表现出来的积极状态，包括行为投入、情感投入和认知投入3个维度[2]，它是衡量在线学习行为和质量、预测学习满意度和学业成就的有效观测变量[3]。正是由于在线学习投入能对学习绩效产生重要影响，国内外许多研究者都对此展开研究，主要包括在线学习投入的内涵与结构、测量方法以及影响因素3个方面。纵观已有的在线学习投入影响因素研究，从内源和外源两个视角分别探究在线学习投入影响因素研究较多，但综合考虑内部和外部因素研究非常少[4]，尚未全面分析影响在线学习投入因素及其系统层次结构，而且在线学习投入行为涉及多方面因素，难以确定哪些因素是根本的、关键的，同时也无法确定各个因素的影响程度。

基于此，本文首先梳理相关文献，在访谈研究和专家咨询基础上建立在线学习投入影响因素指标体系，然后运用解释结构模型法（Interpretive Structural Modeling，ISM）），建立在线学习投入影响因素层次结构模型，深入分析因素间的作用机制与内在联系，最后采用层次分析法（Analytic Hierarchy Process，AHP） 确定各因素影响比重，以期在开展在线教学实践时，为促进学生者在线学习投入提供理论支撑和实证依据。

1 在线学习投入影响因素分析及指标体系构建

经文献资料分析，梳理出 25个影响在线学习投入的主要因素，继而采用德尔菲法展开调查，选取了2名副教授、2名讲师和4名硕士研究生组成专家咨询小组，经过三轮访谈，最终明确在线学习投入主要受到学习者、教师、学习平台及外部环境4个维度共15个因素的影响，影响因素指标体系见表1，具体包括：

（1）学习者因素。Robinson等[5]研究者分析发现学习者年龄对其学习投入有显著影响;刘在花[6]认为学生的年龄与学习投入呈负相关，即随着年龄的增长学习投入呈下降趋势。研究表明在线学习者学习动机和自我效能感会显著影响在线学习投入水平[7];尹睿等[8]学者发现学生自身的技能素质如阅读写作能力、沟通技能、信息素养等越高，其在线学习参与度与坚持度也会更高;高洁等[9]通过问卷调查得出学习者在线学业情绪与在线学习投入相关，消极学业情绪对在线学习投入影响更大。基于上述研究，选取年龄、学习动机、自我效能感、技能素质和学业情绪为影响在线学习投入的学习者因素。

（2）教师因素。Shi[10]通过实证研究发现，教师参与和学生投入尤其是智力投入程度呈正相关，研究表明教师选取合适的教学方法有助于提升学习者的社会存在感和学习投入[11];Guo等[12]通过对比实验后发现，教师适时的反馈能够有效促进学习者认知投入。此外，教师设计的学习任务新颖性、难易度和关联度会影响学生在线学习投入质量。学习任务具有新颖性、难度适中或是与学生个人经验、真实生活情景联系愈紧密时，学习者在线学习投入水平也愈高[13]。基于以上分析，选取教师参与度、教学方法、教学反馈和任务设计为影响在线学习投入的教师因素。

（3）学习平台因素。已有研究表明，在线学习者之间的社会交互，如论坛研讨、同伴交流、作品互评等，直接影响其情感投入水平 [14];在线学习平台中数字资源质量会在很大程度上影响学习者在线学习投入[15];在线视频的呈现方式和画面风格会影响学习者认知加工和在线学习投入[16];高洁[17]通过调查发现，在线学习支持服务会影响学生在线学习投入;资源库、社区论坛发展和咨询服务等在线学习支持服务对在线学习投入都有影响[18]。基于上述分析，选取在线交互环境、数字资源质量和学习支持服务为影响在线学习投入的学习平台因素。

（4）外部环境因素。研究表明，学习者的学习设备、网速等网络技术条件以及技术使用量等都显著影响在线学习投入[19]。此外，学习者生活经验，社会、经济、文化背景等也会影响在线学习投入水平[20];刘在花[6]通过研究发现，城市学生的学习投入程度相对较高;张建茹等[21]通过问卷调查得出家庭亲友的期望与支持影响学习者在线学习投入。基于以上研究，选取网络技术环境、社会经济环境和家庭亲友支持为影响在线学习投入的外部环境因素。

2 ISM模型建立

解释结构模型（Interpretive Structural Modeling，ISM）是复杂网络中一种建模方法，用于定性分析系统内部所有影响因素之间的逻辑关系，具体操作过程包括：①分析影响因素之间关系并建立邻接矩阵;②计算可达矩阵;③划分层级关系;④建立解释结构模型。

2.1 建立邻接矩阵

根据提炼的影响因素指标体系，在文献分析基础上形成初始判断矩阵，请专业领域3位专家对影响因素之间的相互关系进行校对和修改，建立邻接矩阵P如表2所示。如果要素Si和Sj不存在任何相互关系，元素Pij取值为 0;要素Si对Sj有影響时，元素Pij取值为1，以此确定各要素的关联性[22]。

2.2 计算可达矩阵

根据表2的邻接矩阵P，利用布尔运算法则确立可达矩阵Q，即设单位矩阵为I，（P+I）K-1≠（P+I）K=（P+I）K+1=Q（K≥2）。利用MATLAB计算可知，当K=4时满足（P+I）3≠（P+I）4=（P+I）5，Q=（P+I）5 即为可达矩阵。

2.3 划分层级关系

在生成的可达矩阵中，可达集 R（Si）表示从Si出发能够达到的全部要素集合。先行集Q（Si）表示所有能够到达Si的要素集合。通过R（Si）和Q（Si）可求出R（Si）∩Q（Si）的集合，它表示从要素Si可能到达并且又能够到达Si全部要素的集合，如表3所示。层级划分可达矩阵规则是：若满足R（Si）∩Q（Si）=R（Si），则Si为最高层级要素集;确定最高层级要素集之后，在可达矩阵中划去其对应的行和列，再从剩余的可达矩阵中继续寻找最高层级要素[23]。

2.4 建立解释结构模型

基于上述计算与分析，得出在线学习投入影响因素的层次结构模型，如图1所示。

3 基于AHP确定在线学习投入影响因素权重

层次分析法（Analytic Hierarchy Processing）是美国学者Saaty于 20 世纪70 年代提出的一种系统分析方法，用于全面系统地分析、计算出各影响因素的权重系数，具体操作过程如下：①建立递阶层次结构模型;②构造两两比较判断矩阵;③计算权重特征值;④一致性检验;⑤综合权重。

3.1 建立递阶层次结构模型

基于ISM构建的影响因素层级结构明确各影响因素的相互关系，将各控制因素分解形成不同层次，将分层排列模型中各要素作为层次分析的指标体系。

3.2 成对比较

依据AHP的九级比较尺度规则，邀请相关领域专家，首先构造出表层直接影响因素判断矩阵，同理构造出中层间接因素和深层根本因素的判断矩阵;其次利用几何平均法对判断矩阵A= aij按行求其相对应的特征向量 Wi，即，Wi=j=1nxijn，i，j=1，2…，n;再對Wi作归一化处理，Wni=Wi/i=1nWi，所求得的W=Wn1，Wn2，…，WniT表明学习者在线学习投入所有影响因素对其影响程度，即权重比例系数[22];最后，为了确定权重系数合理性，需对每层的判断矩阵进行一致性检验。当一致性比例C.R.=0时，表示为完全一致性矩阵;当C.R.<1时，认为该矩阵具有满意的一致性，所得到的权重系数较为合理。表4为专家对第一层因素即表层直接因素之间的重要度评价情况。专家认为S2学习动机相比S7教学方法而言“强烈重要”一些，因此在相应位置aij=7，而aji=1/7。经计算，该矩阵的C.R.=0.028 7，满足一致性要求。

3.3 综合权重

在上述工作基础上，将全部专家的成对比较数据进行一致性检验，逐步形成各自的判断矩阵，自上而下计算各级要素相对于总体的综合权重。先求得相邻两层因素间权重，再通过各权重相乘分别求得第二层、第三层、第四层与学习者在线学习投入的综合影响权重系数并进行总排序，呈现各因素作用于在线学习投入这一“决策目标”的综合权重排序结果，如表5所示。

4 在线学习投入影响因素分析及提升策略

4.1 关系结构分析

在线学习投入影响因素ISM模型是一个四级递阶结构体系，体现各因素之间的作用机制和逻辑关系。

4.1.1 表层直接影响因素

表层直接影响因素涉及学习者和教师因素。在线学习者的学习动机与自我效能感较低，会对自身完成学业任务的能力判断偏低，导致信心不足，进而降低在线学习投入;反之，学习动机和自我效能感较高的学习者，相信自己有能力胜任学习任务，能够科学制定学习目标与计划、整合资源、积极互动，展现出较高的学习投入。另外，教师利用技术手段创新教学方式，有利于提升学生的在线学习体验，从而促进其在线学习投入。

4.1.2 中层间接影响因素

中层间接影响因素涉及学习者、教师、学习平台和外部环境所有因素。在学习者因素方面，一般在线学习者成熟度越高，自我管理能力、网络学习能力和信息素养等自身技能素养越强，学习者学习动机与自我效能感也越高，其在线学习投入水平也越高，更易取得理想的学习效果。此外，学生积极的学业情绪会通过学习动机和自我效能感影响在线学习投入，而在线教学中的“轻情感激励”现象也会促使学生产生消极情绪，继而降低学业投入。在教师因素方面，首先，如果教师存在感低，那么学生可能会因为孤独感和焦虑感而丧失学习动力、降低学习投入;其次，许多教师与学生线上互动不足，所参与的交流活动也大多停留在咨询答疑层面[24]，缺乏深度交流，导致学生的学习参与度与投入度较低;最后，非常困难或非常容易的课程任务都不会给学习者带来挑战，难度适中的学习任务才会激发其自主性动机[25]。在学习平台因素方面，第三方资源繁冗庞杂、更新周期较短、呈现形式不够多元等问题，会在一定程度上降低学习投入度。另外，外部环境中家庭亲友的理解与支持程度会直接影响到学习者的学业情绪，进而影响其在线学习投入水平。

4.1.3 深层根本影响因素

深层根本影响因素涉及到学习平台和外部环境因素。在学习平台因素方面，在线交互环境缺乏明确主题讨论与监督机制，促使学习者出现应付心理，讨论容易偏离主题，讨论内容往往停留在问题表面，降低了学生的参与热情和投入水平[26]。此外，在线学习平台提供丰富的支持服务与学习工具，有益于提升学习者的认知投入和情感投入。在外部环境因素方面，社会经济背景对少数民族或偏远地区学习者的投入及学业表现有显著影响。网络技术环境会影响学生的学习满意度和教师的教学热情，继而对在线学习投入及教学效果产生影响。因此，从政策上改善社会经济环境与网络硬件环境是促进在线学习投入的前提。

4.2 影响力分析

由在线学习投入影响因素综合权重排序表可知，在线学习投入水平主要受网络技术环境、学习动机和自我效能感影响，其次是教师参与度、学习支持服务、在线交互环境和学业情绪。网络技术环境、学习动机和自我效能感对在线学习投入的影响权重比例远远大于其它因素。基于ISM层次模型和AHP分析结果可知，学习者因素和教师因素是影响在线学习投入的主要直接因素;学习平台和外部环境因素是影响在线学习投入产生的根本原因。完善学习平台功能、改善外部环境对提升学习者在线学习投入水平起到关键的支撑作用。

4.3 在线学习投入提升策略与建议

由上述分析可知，学习者、教师、学习平台与外部环境等因素之间相互作用，共同决定在线学习投入水平。针对学习者在线学习投入中存在的问题与不足，提出以下在线学习投入提升策略与建议。

4.3.1 引导和激励在线学习者，提供良好的情感支持

首先，引导学习者认识在线学习的价值，通过学分认证、建立奖惩机制、设立任务期限等策略激发学习者的学习动机 [25];其次，设计合理的综合评价体系，提高在线学习者自我效能感，从而提升其在线学习投入[17];再次，培养大学生信息素养和自我管理能力，避免无关信息干扰，专心投入课程学习;最后，引导学生调节不良情绪，为学习者提供充分、有效的情感支持，帮促学生积极应对消极学业情绪。

4.3.2 提升教师存在感和参与度，提供充足的教师支持

首先，加强师生互动，及时反馈，积极引导学生协作学习，促进学习者深度参与;其次，加强学习任务的趣味性和实用性，依照最近发展区理论构建脚手架任务，提高学习者的学习效能感，促进其在线学习投入;最后，创新教学方法，开展直播式教学辅导或答疑活动，利用企业微信、钉钉等新媒体组织讨论互动，提升在线学习体验感。

4.3.3 营造积极的在线交互环境，提供多元的学习支持

首先，学习平台建设者应该营造一个促进和激励师生之间、生生之间沟通的在线交互环境。如基于学习分析技术，将学生互动情况以仪表盘形式呈现，便于教师据此为学习者提供反馈与指导[26];其次，开发良好的数字资源，及时更新、多样化呈现;最后，提供丰富的学习支持服务，如个性化学习空间、清晰的平臺导航服务，学习工具如思维导图、知识管理等，互动工具如论坛、微信群等，从多方面提高在线学习平台的实用性和易用性，促进在线学习投入。

参考文献：

[1] 杨金勇，裴文云，刘胜峰，等. 疫情期间在线教学实践与经验[J].中国电化教育，2020，54（5）：1-13.

[2] FREDRICKS J A， BLUMENFELD P C， PARIS A H. School engagement： potential of the concept， state of the evidence[J].Review of Educational Research， 2004， 74（1）： 59-109.

[3] PHAN T， MCNEIL S G， ROBIN B R. Students patterns of engagement and course performance in a massive open online course[J]. Computers & Education， 2016， 95（7）： 36-44.

[4] 况姗芸，李颖，蓝琰，等.  在线学习投入研究进展述评[J]. 教育信息技术，2019，32（11）：3-9，15.

[5] ROBINSON C C， HULLINGER H. New benchmarks in higher education： student engagement in online learning[J]. Journal of Education for Business，2008，84（2）：101-109.

[6] 刘在花. 中学生学习投入发展的现状与特点研究[J]. 中国特殊教育，2015，22（6）：71-77，85.

[7] LIANG D，JIA J，WU X，et al. Analysis of learners behaviors and learning outcomes in a massive open online course[J]. Knowledge Management & E-Learning ：An International Journal，2014，6（3）：281-298.

[8] 尹睿，徐欢云. 国外在线学习投入的研究进展与前瞻[J]. 开放教育研究，2016，22（3）：89-97.

[9] 高洁.  外部动机与在线学习投入的关系：自我决定理论的视角[J]. 电化教育研究，2016，15（10）：64-69.

[10] SHI S F. Teacher moderating and student engagement in synchronous computer conferences[J].  Association for Educational Communications & Technology， 2004，15（1）：58-66.

[11] AMADOR J A，MEDERER H. Migrating successful student engagement strategies online： opportunities and challenges using jigsaw groups and problem-based learning[J]. Journal of Online Learning and Teaching， 2013， 9（1） ： 89-105.

[12] GUO W，CHEN Y，WEN Y. The effectsof facilitating feedback on online learners cognitive engagement： evidence from the asynchronous online discussion[J]. Education Sciences，2014，9（4）：193-208.

[13] MCNAUGHT C，LAM P，CHENG K F. Investigatingrelationships between features of learning designs and student learning outcome[J]. Educational Technology， Research and Development，2012， 60（2）： 271-286.

[14] 张屹，郝琪，陈蓓蕾，等. 智慧教室环境下大学生课堂学习投入度及影响因素研究—以“教育技术学研究方法课”为例[J].  中国电化教育 ，2019，33（1）：106-115.

[15] PHILIP J GUO， JUHO KIM， ROB RUBIN. How video production affects student engagement： an empirical study of MOOC videos[J]. ACM Conference on Learning， 2014， 43（2）：41-50.

[16] 陈侃，周雅倩，丁妍，等.  在线视频学习投入的研究——MOOCs视频特征和学生跳转行为的大数据分析[J]. 远程教育杂志，2016，34（4）：35-42.

[17] 高洁. 在线学业情绪对学习投入的影响—社会认知理论的视角[J]. 开放教育研究，2016，22（2）：89-95.

[18] HE H， ZHENG Q， DI D， et al. How learner support services affect student engagement in online learning environments[J]. IEEE Access，2019，18（7）：49961-49973.

[19] PECK J J. Keeping it social： engaging students online and in class[J].  Asian social science，2012，8（14）：81-90.

[20] 王敏娟，贺昉. 学习者的文化因素对投入性在线學习的影响[J]. 中国远程教育，2006，45（12）：16-21，78.

[21] 张建茹，哈萨. 远程学习者学业表现影响因素分析[J]. 教育学术月刊，2012，11（1）：76-79.

[22] 李乃文，杨思美.  基于ISM和AHP的高危岗位工人反生产行为影响因素分析[J]. 科技促进发展，2018，14（5）：380-386.

[23] 牟智佳，张文兰.  基于Moodle平台的网络学习动机影响因素模型构建及启示[J]. 电化教育研究，2013， 34（4）：37-42.

[24] 刘斌，张文兰，刘君玲.  教师支持对在线学习者学习投入的影响研究[J]. 电化教育研究，2017，38（11）：63-68，80.

[25] 周琰. 网络学习投入影响因素与应对策略——基于自我决定理论的视角[J]. 中国电化教育，2018，17（6）：115-122.

[26] 黄庆双，李玉斌，任永功.  探究社区理论视域下学习者在线学习投入影响研究[J]. 现代远距离教育，2018，17（6）：73-81.

（责任编辑：杜能钢）