新媒体环境下大学生自主学习现状调查与分析

孙久翕　梁会会　曹慧蓉　李语泽　李梓睿

摘 要：在新媒体充斥着生活的环境下，大学生有了众多自主学习方式的多样化选择，并且其自主学习能力直接影响着区域内整体自主学习现状的水平。本文以长春理工大学为研究对象，立足新媒体环境，对学生的自主学习现状进行研究。首先获取具有典型意义的观测指标构成的数据集，通过聚类分析，了解大多数学生的学习现状，根据羊群效应，进而得出长春理工大学这一研究整体的学习现状如何。再进行因子分析，提取出能够客观反映学习能力的三个主成分，并针对性地提出改进大学生学习现状的建议和措施。

关键词：自主学习;因子分析;聚类分析;羊群效应

中图分类号：G4

文献标识码：Adoi：10.19311/j.cnki.1672-3198.2020.19.074

1 研究背景及目的

在当今社会，随着科学技术的发展，新媒体技术日益兴盛。它不仅改变了我们的生活方式，也极大地改变了大学生的学习方式。这对整个教育行业来说既是一次严峻的挑战，同时也是一次实现跳跃式发展的良机。在新媒体时代，知识飞速更新，作为大学生的我们要想掌握真正的知识，仅仅是通过课堂上老师的讲解是远远不够的，这就需要我们拥有自主学习的能力。而新媒体已经成为大学生自主学习的重要途径。虽然新媒体给我们的自主学习带来了方便，但是也带来了很多弊端。由于新媒体传播技术的开放性，信息的传播难以监督，导致不良信息的传播，大学生识别不良信息的能力弱，缺乏有效的引导，必然导致自主学习萎缩以及学习效率低下的现状。

因此，在新媒体环境下，分析大学生的自主学习现状，并在此基础上研究如何提高大学生自主学习能力与学习效率，使之与正在迅速发展的新媒体时代相适应，进而整体性地改善大学生自主学习现状，这就是我们这个项目的研究目的。

2 评价指标体系的构建

大学生身心发育成熟，学习时间自由支配余地较大，学习的自主性较强，学生对自主学习的意识、态度、方法等内在因素在很大程度上决定了学生在多大程度上想学、会学、乐学。除此之外，新媒体环境下学生的自主学习还会受到学校自主学习平台及资源的建设情况，周围同学的学习等外在因素的影响。本研究通过问卷、访谈等方法以1000名长春理工大学本科大学生为调研对象，调查大学生对自身自主学习能力认知的情况，并统计长春理工大学学生学习方法、学习习惯及学习渠道等相关方面信息，以此分析新媒体环境下大学生自主学习过程中存在的问题，及优化自主学习效果的关键。在此基础上，我们结合国内大学教育实际情况，查阅国内外相关资料，遵循设计评价指标的科学性、合理性和实用性等指导原则，最终确定了8个评价指标以及对应的30个具体二级指标，具体见表1。

3 学习现状聚类分析

聚类分析是研究指标分类问题的多元统计方法。不同学生的学习现状具有相似性，通过分类研究，有助于了解和分析不同分类群体的学习现状，并大致概括出长春理工大学的整体学习现状。

层次聚类分析是根据观察值或变量之间的亲疏程度，将最相似的对象结合在一起，以逐次聚合的方式，它将观察值分类，直到最后所有样本都聚成一类。层次聚类分析有两种形式：一种是对个案进行分类，称为Q型分类，它使具有共同特点的样本聚齐在一起，以便对不同类的样本进行分析;另一种是对研究对象的观察变量进行分类，成为R型聚类。它使具有共同特征的变量聚在一起，以便从不同类中分别选出具有代表性的变量作分析，从而减少分析变量的个数。

本论文采用层次聚类的Q型聚类，对个案进行聚类分析，利用所有学生的指标数据作为输入特征，产生聚类结果如表2所示，所有学生被分为四类。

根据所属类别找到原始的调查问卷的评分数据确定每一类大致的分数范围，得到第一类的分数范围为60.5-80分，第二类分数的范围为32-56分，第三类分数的范围为28.5-37.5，第四类分数的范围为14.5-31分。分析发现大多数学生处在第二类的等级，也就是较好的等级。根据羊群效应的原理，本文得出长春理工大学的整体自主学习现状是较好的。

4 学习能力因子分析

在得出以长春理工大学为研究整体的自主学习现状水平是较好的之后，本文将对如何进一步提高大学生的自主学习现状进行了深度的研究。通过文献等资料的搜集，本文选取45人根据建立的指标体系进行因子分析。

首先，在数据采集过程中，我们对可能影响大学生在新媒体环境下自主学习能力的众多因素进行了大量调查，但多变量会增加问题分析的复杂性，且多个变量之间可能存在相关性，进而导致多重共线性。因此有必要降维，用少量的变量反映综合信息，对大学生自主学习能力进行综合分析。因子分析就是这样一种在多个存在相关关系的变量中寻找潜在的起支配作用的公共因子的方法。

为了判断所采集到的数据是否适合做因子分析，利用Kaiser-Meyer-Olkin检验（简称KMO检验）和Bartlett球度检验来判断变量间的相关性。

KMO检验用于检验变量间的偏相关性，统计量的取值范围在0-1之间，越接近于1，分析效果越好。Bartlett球度检验以变量间相关系数为基础，如果相关系数在一定程度上（即显著性水平）可以认为是单位矩阵，则各变量间无相关性。表中KMO统计量值为0.887，Bartlett球度检验统计量为228.901，检验的P值接近于0，说明8个评价指标间具有一定相关性，可以采用因子分析。

表4为共同度量表，显示了所提取的主成分对原始指标的解释能力，从提取值看，大部分共同度量值在0.8以上，X4、X6的提取值稍低，但也在0.7左右，总体解释能力较强。

表5给出了每個主成分的贡献率和前n个主成分的累计贡献率，根据累计共享率大于80%的原则，可以提取出3个新的指标来替代原始指标，实现了数据降维。这3个新的指标累积贡献率达到了81.635%，足以实现评价新媒体环境下大学生自主学习能力的目标。

使用回归法估计成分得分系数矩阵结果见表6，根据表中所给的得分系数，可以得到3个公告因子关于原始指标的表达式：

F1=-0.329X1+0.691X2+0.253X3+0.099X4+0.247X5-0.054X6+0.252X7-0.474X8

F2=0.797X1-0.167X2-0.125X3+0.089X4-0.446X5+0.367X6+0.222X7+0.032X8

F3=-0.167X1-0.378X2+0.147X3+0.091X4+0.463X5-0.034X6-0.233X7+0.816X8

从3个指标表达式中原始指标的系数可以看出，第一个指标主要反映了2个评价指标（自主学习调控、自主学习计划），第二个指标主要反映了自主获取知识的意识、自主心理暗示，第三个指标主要反映了自主学习方法、外部环境。三个指标对X7（优良的学习品质）解释能力相差不大，但对X4（自主学习态度）解释能力较差，结合表2中数据可知该指标与其他变量的相关系数较高，故结果可以接受。

将参加测试的大学生在各个方面对自身学习能力的评价得分标准化之后代入上述3个的表达式，就可以得到其自主学习能力的得分。以对应的特征值为权数对3个指标进行加权加总，并将上述3个表达式代入即可得到对新媒体环境下大学生自主学习能力的综合评价模型。综合评分模型中系数最大的原拟定评价为是对综合评分影响最大的变量，方程如下：

Z=-0.1867774X1+0.5103271X2+0.1970422X3+0.0938864X4+0.1767136X5-0.0057308X6+0.2107575X7-0.3256798X8

由上述方程可知，拟定的指标中X2、X7、X8系数最大，因此X2（自主学习计划）、X7（优良的学习品质）、X8（外部环境）是对新媒体环境下大学生自主学习能力影响最大的因素。

5 研究结论

根据如上学习现状聚类分析和学习能力因子分析，研究得出长春理工大学自主学习现状较好。为进一步改善学习现状，通过学习能力因子分析，找出对大学生自主学习能力影响最大的三个因素，分别为：自主学习计划、优良的学习品质、外部环境。并针对这三个因素提出改善大学生自主学习现状的对策。

（1）在自主学习计划方面。

大学生要明确自己未来的发展方向，找准自己的定位，从而制定符合个人发展的长远计划。要制定合理的长远计划，这就要求学生在此过程中，首先，要做到慎独，制订详细的学习计划，树立明确的前进目标，合理分配每天的任务，在学习过程中，科学合理地运用新媒体资源，有所追求，有所舍弃，有所约束，有所用心，充分调动自主学习的能动性。其次，要培养良好的学习习惯，做到“今日事，今日毕”，充分利用时间，提高学习效率，这样才能时刻保持学习的信心，推动自身发展。最后，达到自己的长远发展目标。

（2）在优良的学习品质方面。

优秀的学习品质是大学生能否高效地进行自主学习的基础条件，但由于每个人的成长环境的不同，学习品质可能会存在很大的差异，因此，就需要在自主学习的过程进行不断的培养。在新媒体环境下进行自主学习，大学生首先需要特别注重个人的自理和自控能力，做到不被网络上的不良信息诱惑，以此来提高学习效率。其次，要踏踏实实地进行学习，不好高骛远，一步一个脚印，逐渐培养自己的钻研精神，从而实现自己的学习目标。

（3）在外部环境方面。

从学生角度来看，在自主学习的过程中，大学生要懂得利用各种资源，例如，校内图书馆、校内自习室、阅览室等学习氛围浓厚的地方，在这些地方进行学习的时候，能够调动自身学习的积极性，同时要加强与同学之间的合作与交流，相互学习，共同进步，提高学习效率，做到事半功倍;从学校角度来看，学校应为学生营造一个好的学习氛围，提供一个优良的学习环境，加强自身硬件设施建设，除此之外，也可以形成独特的校园文化（例如，勤奋好学、刻苦钻研等校园文化）来潜移默化地影响学生。

参考文献

[1]吴伏英.新媒体环境下大学生自主学习的现状调查与引导策略研究[D].扬州：扬州大学，2015.

[2]李玉光.spss19.0统计分析入门与提高[M].北京：清华大學出版社，2014：261-318.

[3]凌标灿，魏洪霞.各城市消费水平差异层次聚类及因子分析[J].华北科技学报，2017，14（1）：110-116.