高校学生e-learning系统使用影响因素研究——以H大学云课堂为例

张慕文，吴 姜,曹太合，刘来兵

（1.淮北师范大学 教育学院，安徽 淮北235000；2.华中师范大学a.国家数字化学习工程技术研究中心；b.教育学院，湖北 武汉430079）

在“互联网+教育”发展战略驱动与推进下，人工智能、自适应学习、学习分析、教育大数据等技术迅猛发展，混合式学习成为教育信息化时代的学习新常态。《国家教育事业发展“十三五”规划》指出：“要鼓励教师利用信息技术提升教学水平、创新教学模式，利用翻转课堂、混合式教学等多种方式，形成线上线下有机结合的网络化泛在学习新模式。”《教育信息化2.0 行动计划》也明确指出：“要提升慕课服务，汇聚高校、企业等各方力量，提供精品大规模在线开放课程，达成优质的个性化学习体验，满足学习者、教学者和管理者的个性化需求。”目前，国内各高校采用混合式学习已趋日常化。[1]在线学习逐渐成为传统经典教育的一部分，师生以混合学习形式开展教学活动，基于e-learning 系统的混合学习已成为高校教学改革的重要内容。[2]有效实施混合学习对于获得教育和培训机会、提高教学质量和降低教育成本具有重要意义，然而高校混合学习的实施效果与预期效果还存在一定的差距，学生使用e-learning系统开展在线学习的积极性有待于进一步提高，未能基于在线学习平台开展深入互动。以往的研究通过使用多种信息技术接受理论模型来开展研究，主要基于学生的自我报告数据，学生自我报告的使用行为数据存在不精确和不客观的问题。本研究基于学生自我报告数据和后台行为数据采用整合型技术接受和使用理论模型（UTAUT）作为理论基础来探究大学生使用e-learning 系统的影响因素。

一、文献综述

（一）整合型信息技术接受与使用模型（UTAUT）

信息技术接受研究已经产生了许多模型，比如理性行为理论模型（Theory of Reasoned Action，简称TRA）、计划行为理论模型（Theory of Planned Behavior,简称TPB）、技术接受模型（Technology Acceptance Model，简称TAM）等，每个模型具有不同的信息技术接受决定因素。2003 年Venkatesh等学者通过对历年信息技术接受相关研究进行总结,提出了整合型信息技术接受模型(Unified Theo⁃ry of Acceptance and Use of Technology，UTAUT）[3]，如图1所示。UTAUT包括绩效期望、努力期望、社会影响和促进条件四个核心潜变量，该理论模型表明行为意愿受绩效期望、努力期望和社会影响影响，行为意愿和促进条件影响具体使用行为，同时，四个调节变量性别、年龄、经验和自愿性可以显著影响以上潜变量。UTAUT为管理者需要评估新技术是否引进成功提供了一个有效评估工具，并帮助其了解该新技术接受的驱动力，以便针对不太接受该新技术的用户群体设计干预措施。

图1 整合型信息技术接受与使用模型(UTAUT)

（二）e-learning系统及其接受度

混合学习正被越来越多的高校采用，它可以提供及时、连续和灵活的学习，混合学习逐渐成为高等教育的“新常态”。[4]混合学习得以在高校持续推广主要原因是其面对面教学和在线活动的结合为优化学习提供了新的机会。[5]近年来，在混合学习环境中使用UTAUT 模型进行的研究有所增加。e-learning 系统作为混合式学习的一种重要载体和平台越来越受到高校和研究者重视。elearning 系统可以帮助学习者实现更好的内容传递、个性化学习、按需可用性和自定步伐的学习，然而系统的成功取决于最终用户对它们的接受和使用。[6]Fishbein 和Ajzen 在1975 年提出了理性行为理论（TRA），该模型认为个体的行为意愿由对行为的态度和主观规范决定，行为意愿在某种程度上可以合理地推断个体的实际使用行为。[7]1985 年Ajzen 在理性行为理论的基础上提出了计划行为理论（TPB），该理论模型增加了感知行为控制，TPB模型认为个体对行为的态度、主观规范和感知行为控制三项因素共同影响其行为意愿，行为意愿和感知行为控制又影响人们的实际使用行为。[8]1989 年，Davis 将TRA 和TPB 应用到信息系统领域，提出了技术接受模型（TAM），TAM认为系统设计特征、用户特征、任务特征等外部变量影响人们的感知易用性和感知有用性，其共同影响人们的行为态度，而感知有用性和行为态度共同影响人们的行为意愿，行为意愿最终影响人们对信息技术的使用行为。[9]如前所述，Venkatesh 等学者在已有理论基础上提出了整合型信息技术接受模型（UTAUT），该模型可以有效预测和解释人们接受信息技术的行为。[3]不同学者和实践者基于以上模型开展了实证研究，其中部分研究将行为意愿作为解释和预测的变量，另一部分研究将信息技术使用行为作为解释和预测变量。目前，大多数研究主要是采用问卷调查法基于用户自我报告的数据来进行，很少考虑后台用户行为数据，然而用户自我报告的使用行为数据存在不精确和不客观的问题，这是研究中需要考虑的重要因素。

二、研究模型与研究假设

UTAUT模型的优势是易于应用同时考虑到社会影响方面，其对实际使用行为具有很强的预测和解释能力。根据类似研究中提到的概念和模型并考虑到混合学习模式下高校e-learning 系统应用的特定环境，本研究以UTAUT 模型为理论基础提出了高校e-learning系统使用影响因素模型，如图2 所示。本研究选择学生的使用行为作为预测和解释变量，后台系统日志记录学生在e-learning系统上的学习行为数据。

图2 高校e-learning系统使用关键影响因素模型

（一）绩效期望（Performance Expectancy PE）

绩效期望被定义为个人认为使用该系统将帮助他或她获得工作绩效的程度[3],在UTAUT模型的最初发展中，研究表明绩效期望（PE）是预测行为意愿的最强因子。王钱永等研究MOOC学习行为因素，发现绩效期望（PE）对系统的行为意愿有显著的正向影响。[10]在本研究中，绩效期望描述了学生对他们使用e-learning系统学习、合作和实现学业目标等的价值感知。如果学生认为系统能够提高他们在学习中的表现，学生将会倾向于使用e-learning系统。因此提出以下假设：

H1:绩效期望对行为意愿有显著性正向影响。

（二）努力期望（Effort Expectancy EE）

努力期望被定义为与系统的使用相关联的容易程度[3]，UTAUT 模型显示努力期望（EE）与个体对系统行为意愿呈显著正相关。赵英等学者开展大学生对MOOC接受与使用行为的调查研究发现努力期望（EE）对行为意愿有显著性正向影响。[11]当学生发现系统使用不是很困难时，他们倾向于接受与使用系统，因此提出以下假设：

H2:努力期望对行为意愿有显著性正向影响。

（三）社会影响（Social Influence SI）

社会影响被定义为个人认为重要的人相信他或她应该使用系统的程度。[3]鲍日勤进行学习者移动学习使用意愿影响因素研究，结果显示社会影响可以积极影响用户行为意愿。[12]社会影响反映了学生在决定是否使用e-learning 系统时所感受到的外部影响，其影响来自学校主管部门、教师、学生等。因此提出以下假设：

H3：社会影响对行为意愿有显著性正向影响。

（四）促进条件（Facilitating Conditions FC）

促进条件被定义为个人相信组织和技术基础设施支持系统使用的程度。[3]张思等基于UTAUT探究影响中小学教师使用网络学习空间的因素发现促进条件（FC）与行为意愿呈显著正相关。[13]促进条件代表学生对操作e-learning 系统的所需个人知识和支持服务，其支持服务如教师或助教能够及时回答学生关于课程的问题，维护人员会及时修复系统出现的技术问题等。因此提出以下假设：

H4：促进条件对使用行为有显著性正向影响。

(五）行为意愿（Behavioral Intention BI）

行为意愿是指用户为了执行某种行为打算要付出努力的程度。[14]相关研究结果表明行为意愿（BI）与系统的实际使用行为存在关联性，强行为意愿可以导致用户的使用行为。[15]随着行为意愿的增加，用户将会更努力地执行某种行为，因此提出以下假设：

H5：行为意愿对使用行为有显著性正向影响。

（六）性别、专业调节变量（Gender、Major）

UTAUT 模型表明性别对绩效期望（PE）、努力期望（EE）、社会影响（SI）与行为意愿（BI）的关系具有调节作用。[3]因为参与者处于相同年龄组，具有类似的e-learning系统使用经验，所以本研究没有考虑年龄和经验的调节作用，同时被调查学生处于强制使用系统的环境下，自愿性调节作用也不考虑。另外，有研究表明专业会干扰努力期望（EE）对使用意愿（BI）的影响[16]，因此提出以下假设：

H6a：绩效期望对行为意愿的影响受性别调节；

H6b：努力期望对行为意愿的影响受性别调节；

H6c：社会影响对行为意愿的影响受性别调节；

H7a：绩效期望对行为意愿的影响受专业调节；

H7b：努力期望对行为意愿的影响受专业调节；

H7c：社会影响对行为意愿的影响受专业调节；

H7d：促进条件对行为意愿的影响受专业调节。

三、研究设计与实施

（一）测量方式

本研究采用问卷调查和H大学云课堂系统后台行为记录的方式收集数据，调查问卷用来收集学生自我报告数据，云课堂后台系统日志记录学生在线学习行为数据。问卷包括以下两部分：第一部分为被调查对象的性别、专业等基本信息，第二部分为研究模型所涉及到潜变量的测量题目。本研究的测量题目参考UTAUT 模型的成熟量表，课题组成员对题目进行适应性修改，同时请教育技术专家对内容效度进行验证，使其对高校elearning 系统用户更具针对性。在正式收集问卷数据前，通过随机抽取H大学55名学生进行预试，基于预试调查对象的反馈意见，进行了小组讨论和专家咨询修改意义模糊的题目，最终确定了正式量表。量表所有题目均采用李克特7 点尺度量表，从“1=非常不赞同”到“7=非常赞同”。

（二）实验过程

本研究的调查对象为H 大学使用e-learning系统开展混合学习的在校大学生。在教育信息化的浪潮下，H大学顺势而为，利用混合学习的理论与先进的信息技术研发了e-learning 系统云课堂。该e-learning 系统能够有效支持师生开展混合式学习，同时学校充分调动教师使用的积极性，为他们提供系统使用培训，鼓励教师将e-learning系统融合到日常教学实践中。

H 大学开发的e-learning 系统可以提供通知分发、作业布置和收集、论坛讨论等功能,系统后台日志实时记录学生的在线学习行为数据，如登录课程频率、学习时长、互动交流等，教师可以实时了解学生学习情况、及时调整教学策略，并对学生进行有效的过程性评价。本研究的调查问卷在H大学开发的e-learning系统内发布，所有处在系统内的学生随机参与调查，在其参与调查问卷填写后，通过在后台系统查看填写问卷的学生的使用行为来搜集使用行为指标数据。

（三）分析方法

本研究使用Amos 24.0 软件进行SEM 分析，首先进行验证性因素分析（CFA）验证测量模型，然后再使用结构模型分析来检验模型假设关系。

四、数据分析与结果

（一）描述性统计分析

本研究经过两个月的时间在系统内回收问卷共计329份，剔除不完整和极端问卷后得到有效问卷274份，调查问卷的有效率为83.3%。本研究的样本包括196名女生、78名男生，120名理工类专业学生、154 名文史类专业学生，这与H 大学男女比例1：3，学科分布文史类多余理工类相关。通过计算测量变量的偏度从-0.828 到1.979，峰度从0.067到5.826，当偏度小于3，峰度小于10时，表明当前数据满足多元正态分布假设[17]。在本研究中，采用Amos 24.0 软件中的极大似然估计法（MLE）对研究模型的有效性进行评估。

（二）测量模型评估

本研究采用验证性因素分析法（CFA）对测量模型进行验证。每个因子载荷量的非标准化值在0.05 的显著性水平下具有统计学显著性，标准化值在0.60 以上为可接受，大于0.70 为理想[18]。经删除不符合条件的题目，所有潜变量因子载荷量的非标准化值具有统计学显著性，标准化值都在0.6以上，如表1所示。

进一步检验测量模型的信度和效度。使用组合信度（CR）来检验测量模型的信度，测量模型的每个潜变量的CR值应该大于0.70[19]。测量模型的效度分为收敛效度和区别效度，在收敛效度方面，平均方差萃取量（AVE）应超过0.5，通过比较每个潜变量的AVE的平方根及与其它潜变量之间的相关系数来检验区别效度，每个AVE 的平方根应大于相应的相关系数[19]。本研究的测量模型结果如表2所示，可以看出该测量模型具有满意的测量模型信度和效度。

表1 潜变量指标的因子载荷量

表2 信度和效度分析

（三）结构模型评估

为确保结构模型具有足够好的模型拟合度，需要进行结构模型评估。模型拟合可以依据以下七个指标来进行评估：卡方与自由度的比值（λ2/df）、拟合优度指数（GFI）、调整拟合优度指数（AG⁃FI）、比 较 拟 合 指 数（CFI）、Tacker Lewis 指 数（TLI），标准化均方根残差（SRMR）和近似均方根误差（RMSEA）。[20]当λ2/df 小于3、GFI 和AGFI 大于0.8、CFI 和TLI 大于0.9，SRMR 和RMSEA 小于0.08时，模型拟合度通常被认为是可接受的。[21]表3列出了拟合指数的评价标准值和实际值，结果表明所有拟合指数值都在可接受的范围内，表明所收集的数据与结构模型具有很好的拟合。

表3 结构模型拟合度分析

（四）假设验证结果

本研究通过结构方程模型分析，结果表明五个假设中有三个得到支持，绩效期望（β＝0.23，p＜0.001），努力期望（β＝0.29，p＜0.01）和社会影响（β＝0.41，P＜0.001）均对行为意愿有显著的正向影响，假设H1、H2、H3得到了支持，其中社会影响对行为意愿的影响作用最明显。然而分析结果并没有发现促进条件（β＝-0.05，P＞0.05）、行为意愿（β＝-0.10、p＞0.05）和使用行为之间存在显著性关系，因此拒绝了假设H4 和H5。进行调节效果分析检验性别和专业对模型中关系的调节作用，如表4 所示，结果发现只有假设H7a 得到了验证，绩效期望对行为意愿的影响受专业类型调节，对理工类专业学生的影响作用明显大于文史类专业学生。分析结果并没有发现模型中的其它关系受到性别和专业的调节作用，因此拒绝假设H6a、H6b、H6c、H7b、H7c、H7d。

表4 调节分析结果

五、结论与建议

（一）结论与讨论

本研究通过基于学生自我报告数据和后台行为数据，以整合型技术接受与使用模型（UTAUT）为理论基础，探讨大学生使用e-learning系统的影响因素。研究结果表明，绩效期望、努力期望和社会影响均对行为意愿有显著的正向影响，在学习情境中社会影响对行为意愿的影响方面起着最重要的作用，然而并没有发现促进条件和行为意愿影响学生的系统使用行为。此外，研究结果表明性别对模型中的关系没有显著性调节作用，专业仅对绩效期望与行为意愿之间的关系有显著性调节作用。

研究结果表明绩效期望对行为意愿有显著性的积极影响，再次证实了王钱永和毛海波进行的研究[10]，说明当学生意识到该系统确实能够对自己的学习产生实质性的帮助，他们将倾向于使用该e-learning 系统开展学习。研究结果表明努力期望与行为意愿之间存在显著的正相关关系，说明如果学生认为系统易于使用，他们将更愿意使用该e-learning系统，这与赵英等学者进行的研究具有相同的结果[11]。本研究的主要发现是在我们研究的学习情境中社会影响对行为意愿起着最重要的作用，这与鲍日勤得到的研究结果相一致[12]，从该研究结果得知学生认为对其重要的人的观点将极大地影响他们使用该系统的行为意愿。本研究与张思等学者开展的研究[13]不同的是并没有发现促进条件对学生的使用行为具有显著影响，其中可能原因是本研究所调查的对象所在高校具有全国领先的教学信息化环境，在e-learning 系统学习的学生都很方便地使用。在最初的UTAUT模型中，Venkatesh 宣称行为意愿对使用行为有显著性的正向影响[3]，接下来的研究也证明了此论断[14]，但是在本研究中并没有发现它们之间的显著性关系。其中可能原因是无论行为意愿是否强烈，由于课程任务的需要，学生必须完成一定的课程任务，行为意愿的差异并未造成学生具体使用行为的差异。在研究中并没有发现UTAUT 模型中显示的性别对绩效期望、努力期望、社会影响与行为意愿的关系具有调节作用[3]，其中可能原因是无论男生与女生对系统使用具有类似的感知。研究发现绩效期望对行为意愿的影响受专业类型调节且对理工类的学生的影响明显大于文史类专业学生，可能原因是部分理科知识难以理解，理工类专业学生希望系统使用切实能够解决自己的实际问题。

（二）建议

1.增强e-learning 系统学习成效性，构建以学生为中心的混合式学习模式

绩效期望对行为意愿有显著性的积极影响，这表明只有学生认为使用该e-learning 系统进行学习对自己的学习产生实质性的帮助时会更有使用意愿。努力期望对使用意愿也有显著性的积极影响，这表明当学生认为该e-learning系统易于使用时会更有使用倾向。基于此，高校在e-learning系统设计、开发和完善过程中，要注重提高elearning 系统学习内容的有用性与系统操作的便利性，要始终坚持以学生为中心，把学生的需要同实际工作相结合，在高校中广泛开展以学生为中心的混合式学习模式，让高校e-learning系统真正成为教师和学生都受益的教学和学习的平台，提高教师教学效率性和学生学习成效性。

2.提升e-learning 系统社会影响性，营造让师生自发使用的共同学习情境

社会影响对行为意愿起着最重要的影响作用，这表明当使用该e-learning系统的学生受到其重要的人影响时直接会影响到他们使用意愿。基于此，对于e-learning 系统应加强宣传和培训，特别是高校应该重视对教师宣传和培训。具体来说，高校可以开展基于e-learning系统的混合学习优秀案例研修，鼓励教师积极尝试使用该系统探索适合所在学科的混合学习模式，同时在教师绩效考核时适当倾斜，让教师成为高校e-learning系统的“品牌代言人”积极地去影响学生。只有营造让师生都喜欢使用的共同学习情境，高校e-learn⁃ing系统才能发挥出令人满意的教学效果。

3.重视e-learning 系统学习者差异，满足不同专业类型学生的日常学习需要

专业类型对绩效期望与行为意愿之间的关系有显著性调节作用，这表明不同专业的学生对学习内容的不同需求会导致其使用意愿的差异。因此，在高校设计、开发和建设e-learning系统时，要依据高校自身的校情来开发具有自身高校课程类别特色的系统，避免一个模子刻出来的情形。另一方面，可以加强对不同专业类别学习者的调研，从实际出发，不断满足各类学生的日常学习需要，从而提升e-learning系统使用者的积极性。