临场感对在线学习者学习认知的影响

贾利锋 李海龙

[摘   要] 基于探究社区理论，探讨影响在线学习认知形成的各种临场感因素，构建结构关系模型，并对各临场感的结构关系进行相关、多重中介、调节分析。采用调查问卷的方式，对利用Sakai网络虚拟教学平台进行在线学习的614名大二本科生进行调查。分析结果表明：在线学习中教学行为与学习认知具有间接显著正相关，教学通过社交临场和学习者临场间接影响学习认知，自我调节学习对学习认知具有调节作用。研究揭示了在线学习中教学活动通过学习交互和自我效能对学习认知产生影响的内在机制以及自我调节学习的调节作用对学习认知形成带来的个体差异。

[关键词] 在线学习; 临场感; 学习认知; 自我效能; 自我调节学习

[中图分类号] G434            [文献标志码] A

一、引   言

据统计，截至2019年6月，我国在线学习注册用户高达到2.32亿，其中，移动用户1.99亿，占在线学习用户的85.8%[1]。规模大、移动化是当前在线学习的主要特征。然而，由于在线学习缺少了传统课堂的约束，其持续使用率很低，仅维持在20%左右，学习效果亦不太显著。如何提高在线学习的黏性、提升学习效果，探究影响在线学习体验及学习认知的主要因素，是在线学习研究的主要内容。

二、理论基础与研究假设

（一）探究社区理论

加拿大学者Garrison将探究社区理论（Community of Inquiry， CoI）引入在线学习研究领域[2]。该理论模型通过描述三大临场（Presence）来阐明在线学习过程中进行有效知识建构所需的行为和过程[3]。其中，教学临场（Teaching Presence）指教学的组织、设计、促进对话以及直接的教学指导[4];社交临场（Social Presence）指促进积极情感、互动和具备功能性协作凝聚力的在线话语[5];认知临场（Cognitive Presence）指在线学习社区中学习者通过会话和反思进行意义建构的程度[6]，是与实际学习效果相关联的产物[7]，反映学习者进行意义建构的程度。探究社区模型为在线学习研究提供了独特的视角、方法和工具，从而得到各国研究者的广泛认可。然而，关于探究社区模型中三种临场间关系的解读一直存在争议。相关性分析结果显示，教学临场与认知临场存在相关[8]，对最终的学习效果起调节作用[9];大样本（2159人）数据分析结果显示，教学临场与社交临场、社交临场与认知临场均存在显著相关[10];多元线性回归分析结果显示，教学临场和社交临场能够显著预测认知临场;还有研究结果表明，教学临场与社交临场的相关性在课程实施过程中逐步升高，相关系数R峰值高达0.97[11]。Kozan对三种临场进行偏相关分析，结果表明教学临场与认知临场存在相关，认知临场与社交临场存在相关，而它们与第三种临场无关，认知临场作为中介对教学临场和社交临场起调节作用[12-13]。Garrison通过建模方法分析得出了类似的结论，不同的是，他认为教学临场和认知临场存在相关，而社交临场则扮演着部分中介角色[14]。因此，本研究提出以下假设：

H1：在线学习活动中，教学行为（教学临场）与学习认知形成（认知临场）存在正向影响;

H2：在线学习交互（社交临场）在教学行为与学习认知形成的关系中有中介作用。

（二）学习者临场

探究社区理论过于强调学习过程中的环境因素，而忽略了学习者自身的内在作用，使其在实践应用中过多地依赖于标准化的网络学习社区[15]。学习者临场包含自我效能、学习努力等个性化学习因素。在原模型中增加学习者临场，能够更好地体现学习者自身因素的决定作用，使原模型更加符合信息时代个性化学习、自我导向学习以及自适应学习的理念[10]。学习者临场中，自我效能是其核心要素。班杜拉的社会认知理论认为，自我效能是个人对自身行为或信念的判断[16]，即判断个体在执行某些行为或在未来取得某些结果时的能力水平预期。它不一定是对个体实际能力水平的准确评估，具体的学习效果需要一定程度的自我分析和反思。在线学习环境下，自我效能可以被看作是学习者在学习过程中对取得特定学习效果的主观判断，它强调学习动机和学习认知的关联。学习者不仅要分析特定学习任务的复杂性，还要判斷自己的能力与具体学习任务要求相匹配的程度，并对自己在满足任务要求的程度上进行自我评价。总的来说，学习者临场依赖于学习者的努力程度以及积极的自我效能信念，包含积极的学习态度、可控的学习进度等特定认识论和动机论的信念体系。将学习者临场作为影响学习认知的因素是合适的。因此，本研究提出以下假设：

H3：学习者自我效能（学习者临场）在教学行为与学习认知形成的关系中有中介作用。

（三）自我调节学习

在将探究社区临场感作为解释在线学习本质的研究中，很少有研究考虑到学习者自我调节因素的决定作用。自我调节学习是基于完善的自我认识不断调节学习的动态过程，包括对复杂学习任务的分析、制定易于实现的学习目标、以有利的方式构建学习环境、选择适当的学习策略、持续监控学习进展、评估学习结果等。自我调节学习包含了认知、情感、动机和行为等多维结构特征，能够为学习者提供调整其行动和目标的能力，以便根据不断变化的环境条件达到预期效果。自我调节学习是联通主义和自主学习的主要学习形式，与自我导向学习的理念一致[17]。将其纳入影响在线学习认知因素关系模型是恰当的。因此，本研究提出以下假设：

H4：自我调节学习对在线学习认知的形成有正向调节作用。

基于上述4个假设，本研究构建了影响在线学习认知形成的因素关系模型，模型的组成结构及其关系如图1所示。本研究通过实证的方法对模型中的假设关系进行检验，对模型进行条件过程分析。验证各组成元素的相关、中介、调节关系是否成立，以探析影响在线学习认知形成各因素的关系。

三、研究方法、工具及过程

（一）研究样本

本研究以河南师范大学国家级教师教育实验教学示范中心为平台，对该校614名学生进行调查研究。该示范中心能够为学生提供开放、共享的信息化在线学习环境，以及基于Sakai平台开发的网络学习课程。被试样本为选修过在线课程、具备在线学习经验的二年级本科生，他们具有较好的信息技术素养，能够适应信息化环境下的在线教学模式以及个性化的学习方式。调查以李克特七级制网络问卷的形式展开，剔除填答完整率過低的无效问卷后，共收回有效问卷589份，有效回收率为95.9%。

（二）测量工具

1. 探究社区量表

探究社区量表（Community of Inquiry Survey， CoIS）由探究社区理论提出者Garrison设计，其信效度已经过多次实证检验。本研究选取兰国帅等人修订编制的中文版探究社区量表[18]，获取模型中教学临场、社交临场、认知临场的观测数据。该量表部分修改了原英文版探究社区量表，更加符合我国信息化在线学习环境，使用该量表有助于提升研究的科学性。根据兰国帅等人进行的探索性因子分析，结合研究需要及各题项主成分对应关系和网络学习特征，本研究对原量表的27个题项进行了删减，保留了20个题项，对应三种临场的观测指标。其中，教学临场10个、认知临场6个、社交临场4个。教学、认知、社交各维度的Cronbach's α系数分别为0.83、0.70和0.68，总量表的Cronbach's α系数为0.85。

2. 学习动机策略量表

学习动机策略量表（Motivated Strategies for Learning Questionnaire，MSLQ）由美国国家高等教育教学研究中心（NCRIFFA）与密歇根大学教育学院（SEUM）联合编制，用于获取模型中学习者临场的观测数据。根据上述对学习者临场核心要素的描述，本研究选取自我效能和学习努力两个维度来衡量学习者临场，自我效能前文已经介绍，不再赘述。而学习努力在概念上接近于学习意志，在操作上被定义为学习持久性和在完成相关学习任务过程中处理失败和挫折的能力，它可以作为影响学习者临场的重要观测指标。因此，本研究选取学习动机策略量表来获取学习者临场的观测数据[19]。学习动机策略量表用8个题项衡量学习者的自我效能，用4个题项评估学习者的学习努力程度，其中自我效能维度的Cronbach's α系数为0.80，学习努力维度的Cronbach's α系数为0.84，总量表的Cronbach's α系数为0.85。

3. 自我调节学习量表

自我调节学习量表（Online Self-regulated Learning Questionnaire，OSLQ）由得克萨斯理工大学教育学院（CETTU）的Barnard团队编制，用于评估学习者的自我调节水平。该量表被广泛应用于在线学习与混合学习环境中学习者自我调节水平的测量，其信效度已得到了验证[20]，本研究选取该量表用于获取模型中自我调节学习的观测数据。量表由24个题项构成，分别对目标设定、环境结构、学习策略、时间管理、寻求指导、自我评估六个维度的自我调节学习行为进行观测。为体现在线学习特性，本研究对原量表进行了微调，选取目标设定、时间管理、学习策略、自我评估四个维度作为观测指标，各维度的Cronbach's α系数分别为0.91、0.89、0.83、0.79，总量表的Cronbach's α系数为0.92。

（三）数据处理方法及过程

本研究采用SPSS23.0及插件PROCESS3.3和AMOS24.0进行数据分析。其中，SPSS主要用于原始数据的预处理和总调节效应的检验，PROCESS主要用于分支调节效应的检验，AMOS主要用于模型的拟合检验、路径分析以及模型的中介作用分析。

1. 原始数据的预处理与模型检验

首先，对网络问卷收集的原始数据进行了各项指标检验，包括正态性检验、共线性检验、同质性检验、共同方法偏差检验、分组后独立样本T检验和信效度检验。原始数据通过相关检验后，在结构方程模型（SEM）分析前，还对其进行了进一步的标准化处理、中心化处理、数据的分组处理、相关性分析等。

其次，对假设模型进行了各种检验，主要有模型各潜在变量检验、模型样本数检验和模型适配度拟合。潜在变量是假设模型的重要组成部分，本研究采用验证性因子分析法（Confirmatory Factor Analysis，CFA）对模型中的各潜在变量进行检验，以确定潜在变量是否能由一系列观测变量表示。为了保证研究的科学性，本研究在进行变量间路径分析、中介作用分析、调节效应检验前，对模型的样本数进行了检验。本研究的研究数据来自抽样样本，因而抽样误差必须加以考虑。由于研究误差不是来自模型结构本身，而是来自统计抽样部分，因此，本研究对模型进行了适配度拟合。

2. 中介作用分析

中介的存在及其产生的作用需要通过自变量对所观察现象的影响推论得来，即中介作用需要通过间接手段分析验证。在假设模型中，社交临场、学习者临场作为中介变量，是否具有显著性，各自的效益比例如何，是验证分析的重点。本研究采用Bootstrap及MacKinnon方法对模型进行多重中介分析，并对其效益比例进行计算。

3. 调节效应检验

本研究结合在线学习活动的实践经验，探讨自我调节学习对学习认知的调节作用。（1）研究将自我调节学习变量中的目标设定、时间管理、学习策略以及自我评估等调节因素在问卷中的单项得分进行累加求和并取平均数，然后对数据进行标准化、中心化处理，以及进行73、27分位处理，根据处理结果将研究对象分为高、中、低三组，用模型的群组比较法对高分组和低分组进行调节效应检验。（2）研究采用Hayes设计的PROCESS进行有调节的中介效果检验。

四、研究结果

（一）数据的预处理及模型检验结果

1. 原始数据的预处理

利用SPSS23.0对收回的589份有效问卷进行相关性分析和原始数据检验。其中，K-S test正态性检验中，各变量p值均大于0.05，原始数据符合正态分布;共线性检验中，各变量容差均大于0.1，VIF值均小于10，表明各变量间不存在多重共线性;同质性检验中，通过对各变量间方差齐性进行检验，p值均大于0.05，变量同质检验通过;共同方法偏差检验中，采用Harman單因素检验方法，将所有数据进行探索性因素分析（Exploratory Factor Analysis，EFA），结果显示主成分解释了36.72%的变异量，没有超过50%的临界值;分组后独立样本T检验中，将自我调节学习进行分组（对自我调节学习变量进行73、27分位分组[21]，用于检验中介模型的调节效应），对高分组和低分组进行独立样本T检验，p值为0.017，小于0.05，表明两组间存在显著差异，自我调节学习可以作为调节变量使用;信度检验中，各量表的Cronbach's α系数均大于0.8，表明原始数据具有较好的一致性。

2. 模型检验

对处理后的数据进行建模，并对假设模型的各潜在变量进行CFA检验和信效度检验，结果见表1。变量的内部一致性和信效度均符合相应指标要求[22-23]，表明潜在变量内部具有较高的一致性和较好的信效度。

根据温忠麟的研究，模型适配度需要满足一定要求[24]，这些适配度指标，可以进行假设模型与研究样本适配度的检验[25]。本研究对模型进行适配度拟合，各项指标均达到拟合标准，如图2所示。

（二）社交临场与学习者临场的中介作用分析

相关研究表明，研究样本少于100时，参数的估计是不稳定的，相关显著性鉴定也会缺乏统计效力[25-26]。MacKinnon等学者通过量化研究计算了不同模型中介分析所需的具体样本量，认为研究所需样本数与模型的相关路径系数有关[27]。本研究选取589个样本，完全符合进行中介分析的样本数要求。根据研究假设，所设计模型的中介变量由社交临场和学习者临场构成，属多重中介。因此，本研究采用多重中介分析法对模型进行中介作用分析，并对中介变量的总效应、直接效应、间接效应及其各自效益比例进行计算。

本研究采用Bootstrap和MacKinnon方法，进行2000次重复抽样，选取95%置信区间，对模型进行三种方法的中介作用检验，见表2。由检验结果可知：间接效应检验中点估计的Z值为4.47，大于1.96，中介作用存在;Bootstrap和MacKinnon检验的信赖区间均不包含0，间接效应显著，中介作用存在;直接效应检验中点估计的Z值为0.33，小于1.96，直接效应不显著;Bootstrap和MacKinnon检验的信赖区间均包含0，直接效应不显著。因此，假设模型为完全中介模型，即在教学临场与认知临场的相关关系中，社交临场和学习者临场承担完全中介作用。对中介变量的效益比例进行计算，结果显示，社交临场的中介作用略高于学习者临场，其效益比例分别为52.29%和47.71%。

（三）自我调节学习的调节效应检验

1. 总调节效应检验

根据研究假设，自我调节学习是模型中的调节变量，检验其是否对学习认知具有调节作用可以用来判断模型假设是否成立。相关理论认为，对潜在变量的调节效应分析有别于显变量。由于潜在变量由观测变量间接获取，其测量误差不可避免，所以潜在变量的调节效应要通过SEM中的群组比较来分析。检验群组间的结构系数、变异系数以及因素负荷量是否存在差异，如果结果显著，表明有差异，则调节效应存在，反之则调节效应不存在。

本研究对在线自我调节学习量表（OSLQ）所采集的原始数据进行标准化、中心化处理，并进行73、27分位割点切分，3.75分和4.5分为其分割点。以自我调节学习为分组依据，将589个有效样本分为高、中、低三组。为了简化研究程序，本研究仅对高分组和低分组进行群组比较，如果高分组与低分组存在显著差异，表明调节作用存在;如果高分组和低分组不存在显著差异，则高分组与中分组、中分组与低分组也不会存在显著差异。因此，无需对高、中、低三组分别进行两两比较。群组比较分析的具体方法为：（1）分别建立两个模型，模型1为原模型，模型2中设定高分组与低分组的斜率相同;（2）分别记录两个模型的卡方（x2）和自由度（df）数据，并求解两组数据的卡方差（△x2）与自由度差（△df）的比值，对比值进行卡方检验;（3）如果卡方检验中p大于0.05，接受原假设，表明高分组与低分组无差别，即两个模型无差别，调节效应不存在，反之则表明调节效应存在。结果显示：模型1的x2为75.94，df为39;模型2的x2为81.23，df为40。采用卡方检验公式CHIDIST检验p值为0.02，小于0.05，p值显著，拒绝原假设，即两个模型存在明显差异，自我调节学习变量的调节效应存在。

2. 分支调节效应检验

通过群组比较结果可以发现，自我调节学习变量具有调节效应。由于假设模型中存在两个中介变量，因此，仅分析总调节效应，不能反映对各分支的调节效应，也无法确定调节范围。由于自我调节学习为连续变量，可以采用J-N法（Johnson-Neyman）对其调节效应进行检验，即找到简单斜率显著不为0时（p小于0.05）调节变量的取值范围。J-N法克服了一次只能检验调节变量某一取值的局限[28]。本研究利用SPSS23.0中的PROCESS3.3插件，对各变量进行调节效应检验。各回归方程及检验效果的参数估计值见表3。

从表3可以看出，方程1和方程2检验以社交临场为中介的教学临场对认知临场正向相关中自我调节学习是否具有调节作用。其中，方程1中自我调节学习对教学临场与社交临场具有负向调节作用，方程2中自我调节学习对社交临场与认知临场具有正向调节作用。方程3和方程4检验以学习者临场为中介的教学临场对认知临场正向相关中自我调节学习是否具有调节作用。其中，方程4中自我调节学习对学习者临场与认知临场具有正向调节作用。整体来看，自我调节学习在调节以社交临场为中介的假设模型中，前后两段路径均显著;自我调节学习在调节以学习者临场为中介的假设模型中，只有后半段路径显著。

为揭示自我调节学习变量的具体调节作用，进行了简单斜率检验，如图3和图4所示。图3、图4分别显示了两个假设中介模型中，调节变量与中介效应的关系及调节临界点。其中，当自我调节学习变量值（标准化后）小于-0.46或大于1.24时，其对社交临场调节显著;当自我调节学习变量值（标准化后）大于-1.32时，其对学习者临场调节显著。

五、结论与不足

（一）教学行为间接显著影响在线学习认知的形成

教学临场与认知临场存在间接相关关系，教学行为尤其是教學设计和教学指导仍然是影响学习认知形成的重要因素，这与何克抗教授对网络环境下探究学习模式的研究结论相一致[29]。但不同于传统学习环境，在线教学行为是通过社交临场、学习者临场间接干预学习认知的，这种间接影响具有传导效应。因此，在线学习中需要加强适合虚拟场景的高水平教学设计和教学指导，增进教学交互和个性化学习体验，以适应建构的、混合的、复杂的虚拟学习认知。

（二）在线学习交互、自我效能对学习认知的中介作用

教学行为对学习认知的间接作用主要通过在线学习交互和学习者行为实现。在线学习交互是在线学习有别于课堂学习的重要变量，它反映了学习者线上学习的有效互动能力。在教与学相对“松散”的虚拟环境中，社会交互是影响学习效果的重要因素，学习者必须增进交互，转变网络学习类型，从被动到主动，从主动到建设性，最后形成深层次学习认知。同时，在线学习缺乏熟悉的传统课堂教学指导，可能会给学习者带来额外的不确定性。作为联系教学行为与学习认知的重要纽带，自我效能将发挥重要作用。提升自我效能，可以促进学习者使用更多学习策略，降低学习孤独感，提高学习持久力，实现由外部调控下的学习向自律下的高沉浸与反思性学习的转变[30]。

（三）自我调节学习在学习者认知形成中发挥部分调节作用

自我调节学习对教学行为与学习认知的关系具有显著调节作用。从对各个分支路径调节效应的检验结果来看，以在线学习交互为中介的教学行为对学习认知的关系中，自我调节学习在前后阶段均有影响，表明教学行为对学习交互的传导会受到学习者自我判断和反思等调节行为的影响，同时，也会受到学习目标设定和学习计划调整等自我调节学习行为的干扰。而关于以学习努力和自我效能为中介的教学行为对学习认知的影响中，由于已经附带了大量学习者学习意识和个性化行为的参与，自我调节学习在其中的调节作用较弱。自我调节学习的显著调节效应表明，在时空隔离的在线学习中，学习者的自我调节能力是维持学习状态、保证学习质量的必要条件，影响最终学习效果。同时，在不同阶段以及不同要素间表现出的不同调节效应，也从实证数据的角度佐证了自我调节学习的过程性、序列性和事件性[31]。

（四）研究的不足

第一，本研究采用的是横断研究设计，假设模型中各变量的关系考察主要依据各自相关关系而确定。因此，研究结果不能得出必然的因果关系推论。在进一步研究中，需要采用纵向研究设计，通过多层线性模型，利用交叉数据探讨教学行为与学习认知形成的因果关系。第二，本研究的基础数据来自学习者的单方自述，缺少教师方数据，同时，还缺少客观量化数据。数据的全面性、客观性需要进一步提升。第三，本研究主要关注了不同阶段自我调节学习行为的影响。这一结果也契合了相关学者在自我调节学习对学习认知的支持、干预和控制机制方面的研究[32]，但具体哪些行为及其能在多大程度上对学习认知产生影响，还需要进一步研究。

[参考文献]

[1] CNNIC.第44次中国互联网络发展状况统计报告[R].北京：中国互联网络信息中心，2019 ：49-51.

[2] GARRISON D R， ANDERSON T， ARCHER W. Critical inquiry in a text-based environment： computer conferencing in higher education[J]. Internet & higher education， 1999，2（2）：87-105.

[3] GARRISON D R， ANDERSON T， ARCHER W. Critical thinking， cognitive presence， and computer conferencing in distance education[J]. American journal of distance education， 2001，15（1）：7-23.

[4] ANDERSON T， ROURKE L， GARRISON D R， et al. Assessing teaching presence in a computer conference context[J]. Journal of asynchronous learning networks， 2001，5（2）：1-17.

[5] ROURKE T， ANDERSON L， GARRISON D R， et al. Assessing social presence in asynchronous text-based computer conferencing [J]. Journal of distance education， 1999，14（2）：50-71.

[6] HAMLYN D W， LIPMAN M. Thinking in education[J]. The American journal of psychology， 1992，40（2）：25-30.

[7] AKYOL Z， Garrison D R. Understanding cognitive presence in an online and blended community of inquiry： assessing outcomes and processes for deep approaches to learning[J]. British journal of educational technology， 2011，42（2）：233-250.

[8] AKYOL Z， GARRISON D R. The development of a community of inquiry over time in an online course： understanding the progression and integration of social， cognitive and teaching presence[J]. Journal of asynchronous learning networks，2008，12（3）：3-22.

[9] KOVANOVIC V， GASEVIC D， JOKSIMOVIC S， et al. Analytics of communities of inquiry： effects of learning technology use on cognitive presence in asynchronous online discussions[J]. Internet & higher education， 2015，27（4）：74-89.

[10] SHEA P， BIDJERANO T. Community of inquiry as a theoretical framework to foster "epistemic engagement" and "cognitive presence" in online education[J]. Computers & education， 2009，52（3）：543-553.

[11] SHEA P， HAYES S， VICKERS J， et al. A re-examination of the community of inquiry framework： social network and content analysis[J]. Internet & higher education， 2010，13（1）：10-21.

[12] KOZAN K， RICHARDSON J C. Interrelationships between and among social， teaching， and cognitive presence[J]. Internet & higher education， 2014，21（2）：68-73.

[13] KOZAN K. A comparative structural equation modeling investigation of the relationships among teaching， cognitive and social presence[J]. Online learning， 2016，20（3）：210-227.

[14] GARRISON D R， CLEVELAND-INNES M， FUNG T S. Exploring causal relationships among teaching， cognitive and social presence： student perceptions of the community of inquiry framework[J]. Internet & higher education， 2010，13（1）：31-36.

[15] STENBOM S， JANSSON M， HULKKO A. Revising the community of inquiry framework for the analysis of one-to-one online learning relationships [J]. International review of research in open & distance learning， 2016，17（3）：36-53.

[16] BANDURA A. Much ado over a faulty conception of perceived self-efficacy grounded in faulty experimentation[J]. Journal of social & clinical psychology， 2007，26（6）：641-658.

[17] 特里·安德森，肖俊洪.探究社區与数字时代的教与学[J].中国远程教育，2018（3）：34-44.

[18] 兰国帅，钟秋菊，吕彩杰，等.探究社区量表中文版的编制——基于探索性和验证性因素分析[J].开放教育研究，2018（3）：68-76.

[19] PINTRICH P R， SMITH D A， GARCIA T， MCKEACHIE W J. A manual for the use of the motivated strategies for learning questionnaire [J]. College students， 1993，48（3）：9-76.

[20] BARNARD L， LAN W Y， TO Y M， et al. Measuring self-regulation in online and blended learning environments[J]. Internet & higher education， 2009，12（1）：1-6.

[21] CURETON E E. The upper and lower twenty-seven per cent rule [J]. Psychometrika， 1957， 22（3）：293-296.

[22] HAIR J F， BLACK W C， BABIN B J， et al. SEM： an introduction， multivariate data analysis： a global perspective[M]. Upper Saddle River， New Jersey： Pearson Education， 2010：629-636.

[23] BAGOZZI R P， YI Y， PHILLIPS L W. Assessing construct validity in organizational research[J]. Administrative science quarterly， 1991，36（3）：421-458.

[24] 溫忠麟，侯杰泰，马什赫伯特.结构方程模型检验：拟合指数与卡方准则[J].心理学报，2004，36（2）：186-194.

[25] KLINE R B. Principles and practice of structural equation modeling[J]. Journal of the American statistical association， 2011，101（12）：283-292.

[26] FINKELSTEIN D M. A beginner's guide to structural equation modeling [J]. Technometrics， 2004， 47（4）：522-522.

[27] FRITZ M S， MACKINNON D P. Required sample size to detect the mediated effect[J]. Psychological science， 2007，18（3）：233-239.

[28] 方杰，温忠麟，梁东梅，李霓霓.基于多元回归的调节效应分析[J].心理科学，2015（3）：715-720.

[29] 何克抗.从“翻转课堂”的本质，看“翻转课堂”在我国的未来发展[J].电化教育研究，2014，35（7）：5-16.

[30] 张琪.e-Learning环境中大学生自我效能感与深度学习的相关性研究[J].电化教育研究，2015，36（4）：55-61.

[31] 邓国民，韩锡斌，杨娟.基于OERs的自我调节学习行为对学习成效的影响[J].电化教育研究，2016，37（3）：42-49，58.

[32] CHEN CM，HUANG S H.Web-based reading annotation system with an attention-based self-regulated learning mechanism for promoting reading performance[J].British journal of educational technology，2014，45（5）：959-980.