社交媒体使用提高学习绩效还是降低学习绩效？
2020-11-06任高飞陈瑶瑶
任高飞 陈瑶瑶
【摘要】
在当今互联网时代，使用社交媒体已成为每个人学习、生活的一部分，社交媒体对学习绩效的影响正成为一个不可忽视的因素。然而，以往对社交媒体使用与学习绩效之间关系的研究结论仍存在一定分歧。为了探讨社交媒体使用能否提高学习绩效，本研究运用元分析方法考察了社交媒体使用对学习绩效的影响以及使用情境和研究方法的调节效应。基于对2011—2018年国际英文期刊35项实证研究的元分析，结果表明：社交媒体使用与学习绩效存在中等程度的正相关（ES=0.49）;使用情境的调节效应检验发现，社交媒体类型、使用群体、应用平台和学科领域对社交媒体使用与学习绩效的关系具有调节作用;研究方法的调节效应检验发现，测量模型、数据属性和学习绩效指标对社交媒体使用与学习绩效的关系同样具有调节作用。
【关键词】 社交媒体使用;学习绩效;元分析;使用情境;研究方法;调节效应;技术接受模型（TAM）
【中图分类号】 G434 【文献标识码】 A 【文章编号】 1009-458x（2020）9-0044-09
一、引言
在基于Web2.0的数字技术飞速发展的时代背景下，当前学习环境已发生巨大变化。社交媒体通过社交网络和虚拟社区可以促进思想、知识、信息的交流和共享（Nielsen， 2017）。随着网络工具的易用性和社交媒体的爆炸式增长，社交媒体用户通过互联网，利用电脑或移动设备（如智能手机或平板电脑）的应用程序（Shepherd， 2018），访问社交媒体服务，可以主动进行自我导向的专业学习，社交媒体普遍影响年轻人的日常生活，尤其是大学生（Stathopoulou， et al.， 2019）。社交媒体改变了大学生在教育机构学习过程中交流、互动和社交的方式（Terzi， 2019），并在大学生和社会大众之间的内容共享中发挥着至关重要的作用。数字媒体和社交网络正在革新日常沟通、协作、信息共享和信息消费的方式（Tulin， 2018）。
基于社交媒体的混合式教学作为一种广义的授课方式在教育中处于上升趋势，社交媒体使用对学习绩效的影响研究引起了学者的高度关注，但相关研究在社交媒体使用和学习绩效之间的关系强度、效应方向及其影响显著性上仍存在分歧。随着社交媒体使用倦怠、手机依赖、信息超载等方面研究数量的不断增加，社交媒体使用对学习绩效的“双刃剑”效应更加突出。因此，明确两者之间的关系对推进在线学习、社交媒体使用具有重要的现实意义。近年来，来自不同国家的学者在社交媒体与学习绩效方面开展了大量的实证、实验研究，为采用元分析方法辨析社交媒体使用与学习绩效之间的效应关系提供了充实的文献资料。基于此，本研究将对社交媒体使用与学习绩效关系及其可能影响的调节因素进行元分析，以期厘清现有文献在研究结论上的对立，并进一步探讨影响两者关系产生差异的社交媒体使用情境和研究方法因素，为社交媒体使用的绩效研究提供新的证据和研究视角。
二、研究假设
社交媒体是一种在线工具，通过认知参与和社交互动为更好的结果和体验提供了巨大优势（Lockyer & Patterson， 2008）。当前，社交媒体已成为流行的电子学习平台，可用于知识共享和积极协作学习（Rau， 2008），也可以被用来创建虚拟教室，为学生提供交流和娱乐（Blattner & Fiori， 2009），促进和锻炼学生的创造力和沟通技巧（Kabilan， et al.， 2010）。在教育领域，社交媒体的使用增强了学生的主动协作学习（Ractham & Firpo， 2011; Liao， et al.， 2015）。Jung等人（2002）的研究发现，参与在线协作任务的本科生与没有参与的学生相比，对自己的学习感到更满意。特别是Selwyn 和 Grant（2009）、Arnold和Paulus（2010）强调了这种协作学习方法的潜力。同时，Al-rahmi等（2015）和Karpinski等（2013）也发现教育中的社交媒体使用可以提高学生的学习成绩，改善学习环境。但如今，学生越来越依赖于在社交媒体和互联网上获取信息，这就是为什么学生的学习、研究能力在某些情况下下降的原因，因为他们对这些社交媒体的参与分散了他们的注意力，使得他们花在学习上的时间更少，导致他们的学业成绩下降（Hoffmann， 2017）。Junco 和 Cotton（2011）在多任务处理和学业成绩的研究中，发现大学生在学习或做作业的时候使用Facebook很常见，这种行为与大学平均绩点（general point average， GPA）呈负相关。Wood等人（2012）也研究了MSN、Facebook同时处理多项任务对实时学习的影响，结果表明：使用指定的任何一种社交媒体进行多任务处理都与学习成绩负相关。
社交媒体的使用对学习绩效的影响究竟是积极的还是消极的？影响强度有多大？哪些因素导致现有文献研究结果的差异？基于此，本研究以“社交媒体使用”为自变量，以“学习绩效”为因变量，同时根据样本文献的研究内容和结论，将社交媒体使用情境因素（社交媒体类型、使用群体、应用平台、学科领域）和研究方法因素（测量模型、数据属性、学习绩效指标）作为社交媒体使用影响学习绩效的调节变量（研究模型见图1），并提出三个研究假设：
假设1：社交媒体使用对学习绩效存在显著正向影响;
假设2：社交媒体使用情境因素对社交媒体使用与学习绩效之间的关系具有调节效应;
假设3：研究方法因素对社交媒体使用与学习绩效之间的关系具有调节效应。
三、研究方法与文献检索
（一）研究方法
本研究采用元分析（Meta-analysis）方法。元分析方法可以对同一问题的不同实证或实验研究数据、结果进行归纳整合，通过综合统计分析得出总效应值等指标，以此对所研究的问题形成一个综合视点和研究结论。本研究使用CMA3.3（Comprehensive Meta-analysis 3.3）并结合 SPSS26 进行数据处理与分析。由于部分学者的研究结果仅报告了回归系数，本研究采用Peterson 和 Brown（2005）提出的方法，通过转换公式将回归系数转换为相关系数后再进行元分析，转换公式为：[相关系数=β×0.98+0.05β≥0];[相关系数=β×0.98-0.05β<0][β∈-0.5，0.5]（吕鸿江， 等， 2018）。同时，在分析过程中为了减少研究量表因信度不高带来的相关系数衰减问题，按照Hunter 和 Schmidt（1990）提出的方法，对报告了相关系数[ r ]值的研究数据进行信度修正，修正公式为：[ES'r=ESr/rxxryy]，[rxx]為自变量的量表信度系数，[ryy]为因变量的量表信度系数。另外，由于部分研究没有报告变量量表的信度值，本研究采用Geyskens、Steenkamp 和 Kumar（1998）提出的方法，以其他相似研究中的变量加权平均信度来代替缺失信度值。最后通过CMA软件对纳入元分析的效应值进行数据分析和检验，主要的分析检验包括异质性检验、主效应检验、调节效应检验、出版偏倚分析和敏感性分析。
（二）文献检索
本研究检索的文献数据库来源于Web of Science核心合集。虽然Facebook和Twitter这两大社交应用于2004年、2006年相继成立，但直到2010年其移动终端月活跃用户才突破百万，随着移动端活跃用户数的逐年激增，与社交媒体相关的研究在2011年以后才逐渐增多。因此，本研究文献检索时间跨度为2011年到2018年。以社交媒体和学习绩效为关键词，社交媒体关键词包括Social Media、Social Network、Facebook、Twitter、Wiki、Social Learning Media、Social Learning Networks等，学习绩效关键词包括Learning Performance、Learning Achievements、Learning Outcomes、Learning Effect、Learning Effectiveness、Effect of Learning等，语种为English，文献类型为Article。初步检索文献结果为82篇。在元分析过程中，遵从以下原则选择纳入文献：①研究设计必须包含社交媒体使用和学习绩效变量，且自变量必须是社交媒体使用;②研究类型必须是基于数据分析的实证或实验类研究;③研究必须报告了计算效应量的完整数据，如样本量、相关系数、t值、平均值等数据指标;④每项研究所选的样本必须是独立的，且样本对象必须为本科生、研究生或教师。通过对检索的文献进行逐一研读，最终符合本研究元分析标准的有35篇实证文献（见表1），共包含35项独立样本，涉及的调查对象总共11，522名。
（三）文献编码
根据研究目的和内容，在元分析之前首先对纳入研究的35篇文献进行数据编码。编码内容主要由研究特征和效应值两部分构成。研究特征主要包括文献作者、发表年份、样本数量及特征、变量测量方式和采用的理论模型等;效应统计量包括自变量与因变量量表的Cronbach alpha值、相关系数、回归系数、p值、t值等。此外，由于本研究还涉及调节效应的分析，因此对社交媒体类型、使用群体、应用平台和学科领域四个社交媒体使用情境因素和测量模型、数据属性、学习绩效指标三个研究方法因素也进行了编码，编码体系见表2。為保证编码的准确性及结果具有较高信度，由两组工作人员分别对文献进行编码，初步编码工作完成后对所有编码内容进行比对，如果发现有不一致的编码内容，则通过共同查看原文和讨论达成编码内容一致。本研究采用 Cohen Kappa系数计算了编码结果的一致性，一致性系数为0.89，表明本编码结果稳健可信。
四、研究结果
（一）效应值异质性及主效应检验
异质性检验是测量不同研究效应值之间的异质性水平。如果所有效应值表现为同质性，则后续主效应检验采用固定效应模型，否则采用随机效应模型（吕鸿江， 等， 2018）。本研究的异质性检验结果显示（见表3），Q值= 500.115（p < 0.05），说明纳入元分析的研究之间存在异质性。因此，本研究的主效应分析将采用随机效应模型，并进一步检验使用情境和方法因素是否存在调节效应。同时，分析结果显示I2 =93.2% > 75%，按照异质性小、中、大界限25%、50%、75%（Higgins J， et al.， 2013），进一步说明35项研究之间存在较大的异质性，而且93.2%的观察变异是由于效应值的真实差异造成的，只有6.8%的观察变异是由随机误差导致的，分析结果较为稳定;Tau2= 0.196，说明研究间有19.6%可用来计算权重，整体效应的异质性检验结果具有统计意义。
基于各效应值的异质性，本研究选择随机效应模型进行主效应检验，并采用Hattie（2009，p102）提出的效应量衡量标准。Hattie根据效应值将效应量分为小效应量（ES≤0.2）、中效应量（0.2
（二）调节效应检验
表4-表9的异质性检验结果表明，社交媒体使用情境因素（社交媒体类型、使用群体、应用平台和学科领域）以及研究方法因素（测量模型、数据属性和学习绩效衡量指标）对社交媒体使用与学习绩效之间的关系可能存在一定的调节效应。因此，本研究通过亚组分析检验了情境因素和方法因素对社交媒体使用与学习绩效二者关系的调节效应（见表10）。由于有些文献报告了多个相关系数，在调节效应分析中均被作为独立样本，因此在部分调节效应检验结果中的存在总样本数和总被试人数超出整体的情况。
1. 情境因素的调节效应
表4结果显示，Facebook、YouTube、Wiki和Myspace四种社交媒体的效应值分别为0.616***（k=12）、0.383***（k=5）、0.384***（k=7）、0.438*（k=3），表明使用Facebook对学习绩效具有显著较高程度正向影响，YouTube、Wiki和Myspace对学习绩效具有显著中等程度正向影响。组间异质性检验结果显著（p<0.05），说明社交媒体类型对社交媒体使用与学习绩效之间的关系具有调节作用。
表5结果显示，本科生、研究生和教师使用社交媒体的效应值分别为0.482***（k=21）、0.246*（k=10）、0.427***（k=4），表明本科生和教师对社交媒体的使用相比研究生更能预测学习绩效。组间异质性检验结果显著（p<0.05），说明使用群体对社交媒体使用与学习绩效之间的关系具有调节作用。
表6结果显示，基于桌面平台的社交媒体应用效应值0.587**显著高于基于移动平台的效应值0.422***，表明社交媒体桌面应用相比移动应用更能提高学习绩效。组间异质性检验结果显著（p<0.05），说明应用平台的不同对社交媒体使用与学习绩效之间的关系具有调节作用。
表7结果显示，在自然科学学科领域社交媒体使用的效应值0.561**（k=9）显著高于医学科学0.478***（k=21）和社会科学0.390***（k=5），表明社交媒体使用在自然科学领域比在医学科学和社会科学领域更能提高学习绩效。组间异质性检验结果显著（p<0.05），说明学科领域的不同对社交媒体使用与学习绩效之间的关系具有调节作用。综上所述，社交媒体类型、使用群体、应用平台和学科领域四个社交媒体使用情境因素对社交媒体使用与学习绩效之间的关系具有调节作用，假设2被支持。
2. 研究方法因素的调节效应
表8结果显示，采用技术接受模型（TAM）和使用满足模型（UGT）研究社交媒体使用对学习绩效影响的效应值分别为0.545***（k=17）和0.543**（k=12），显著高于其他研究模型0.333**（k=8），表明采用TAM和UGT模型更能预测社交媒体使用对学习绩效的积极影响。组间异质性检验结果显著（p<0.05），说明现有研究由于采用了不同的测量模型而导致社交媒体使用对学习绩效影响方向和强度的差异，测量模型对二者关系具有调节作用。
表9结果显示，研究变量数据采用客观指标的效应值0.552***（k=13）高于采用主观指标的效应值0.472***（k=25），学习绩效采用学习成绩指标的效应值0.493***（k=14）高于采用学习效能指标的效应值0.479***（k=21），表明研究变量采取客观指标、学习绩效采取学习成绩指标更能预测社交媒体使用对学习绩效的积极影响。组间异质性检验结果均显著（p<0.05），说明现有研究由于采用了不同的数据属性和学习绩效指标而导致社交媒体使用对学习绩效影响方向和强度的差异。综上所述，测量模型、数据属性和学习绩效指标三个研究方法因素对社交媒体使用与学习绩效之间的关系具有调节作用，假设3被支持。
（三）出版偏倚检验
文献的检索、变量的解释和研究结论都有可能存在偏差，因此需要对纳入元分析的文献进行出版偏倚检验。出版偏倚可以衡量需要多少未达到显著水平的研究才能使研究結论达到不显著水平。目前用于检验出版偏倚的方法有Egger法、Begg法、漏斗图法和失安全系数法等。本研究引入“失安全系数N”（Fail-safe N）和漏斗图检验出版偏倚，失安全系数的判断临界值为5k + 10（k为纳入元分析的文献数量），如果计算的数值N小于临界值，则可能存在出版偏倚问题（Rothstein， Sutton & Borenstein， 2005）。表10结果显示，失安全检验 p值小于0.05，失安全系数N为3364，远大于临界值185（k=35）。此外，如图2所示，本研究的效应值大多分布在漏斗顶端，且较均匀地分布在合并效应值中线两侧，表明本研究所选文献存在出版偏倚的风险较小。基于以上分析结果，说明本研究的元分析结论精度较高。
（四）敏感性分析
为了检验是否存在影响总体效应值的异常值，本研究进一步采用One-study removed进行敏感性分析，检验所选样本文献的极端效应值对总体效应值是否有显著影响。通过敏感性检验，删除任何一项研究数据后在95%置信区间的效应值范围仍然是 [0.335，0.411]（固定模型）和[0.323，0.650]（随机模型），意味着删除任何一项研究后都不会影响总体效应值的估计，表明本研究元分析的结果比较稳健。
五、结论与建议
（一）结论
1. 社交媒体使用与学习绩效的关系
本研究采用元分析方法对2011—2018年近八年的国际英文期刊的35项有关社交媒体使用与学习绩效的实证研究进行了统合分析，研究发现社交媒体使用与学习绩效之间存在中等程度的正相关关系，相关系数为 0.49（p< 0.001），说明社交媒体使用是预测学习绩效的重要变量，社交媒体的使用总体上与学习绩效存在显著正相关关系，社交媒体的使用有助于提高学习绩效。近些年最新相关研究也发现，社交媒体使用可以带来积极的学习效果和参与体验（Tur， et al.， 2017），社交媒体也可以整合到问题式学习（Problem-Based Learning， PBL）中去，它可以促进学习者的参与和反馈（Barberet， al.， 2015），通过社交媒体进行全面、积极的协作学习和参与，可以丰富学生的学习活动，促进小组讨论（Al-Rahmi， 2018），高校教师也承认他们通过社交媒体学习是有价值的、非正式的和自我导向的，社交媒体提供了选择机会，对他们的课堂教学具有积极影响（Prestridge， 2019），这些研究结果在一定程度上与本研究的元分析结论具有一致性。随着社交媒体在全球范围内的不断增长，越来越多的大学生加入了这些社交媒体网站，与朋友、家人、老师和陌生人进行即时互动。社交媒体影响着人们的行为，网络信息技术进步促进了社交互动、信息共享以及通过社交网络接收知识更新。社交媒体的使用可以带来一个积极的、有利于学习的环境，能让师生之间产生轻松融洽的关系，促进学习环境和知识的共同创造，提高学生对主动协作学习的满意度，从而提高他们的学习成绩。此外，教师可以在支持学生使用社交媒体时发挥重要作用，帮助学生及时提出问题和寻求解决方案，促进积极的协助学习。
2. 社交媒体使用情境对社交媒体使用与学习绩效关系的调节效应
社交媒体使用类型、使用群体、应用平台和学科领域对社交媒体使用与学习绩效之间关系的调节效应被支持。本研究元分析结果表明，使用Facebook对学习绩效具有显著较高程度正向影响，YouTube、Wiki和Myspace对学习绩效具有显著中等程度正向影响;本科生和教师对社交媒体的使用相比研究生更能预测学习绩效;社交媒体桌面应用相比移动应用更能提高学习绩效;社交媒体使用在自然科学领域比在医学科学和社会科学领域更能提高学习绩效。Ratneswary 和 Rasiah（2013）也认为，使用Facebook作为交流工具被认为是一个威胁更小、用途更广的学习空间，可以改善积极的协作学习，并以一种具有吸引力的方式强化师生之间的联系。对于Facebook在学习中的有效使用，除了社交媒体本身以外，良好的教学设计、积极的教师态度和强大的技术支持等因素也至关重要（Ozkan & Koseler， 2009），没有这些要素支撑就很难实现其潜力。Flickr、wiki、播客、博客和数字语音记录器可以很好地利用Web基础工具和应用程序来开发学习环境，Wiki技术的广泛应用促使学习者积极参与到协作学习中来（Zorko， 2009）。Li等人（2012）也报告了当学生通过Wiki接触到积极的协作学习时，他们对写作的兴趣增加了（Rohrbeck， 2003）。
3. 研究方法对社交媒体使用与学习绩效关系的调节效应
研究的测量模型、数据属性和学习绩效指标对社交媒体使用与学习绩效之间关系的调节效应也被支持。本研究元分析结果表明，采用技术接受模型（TAM）和使用满足模型（UGT）更能预测社交媒体使用对学习绩效的积极作用;研究变量采取客观指标、学习绩效采取学习成绩指标更能预测社交媒体使用对学习绩效的积极作用。在当前有关社交媒体与学习绩效关系的研究中，TAM和UGT模型被广泛采用，因为技术的易用性和有用性对学生选择使用社交媒体起着决定性作用。Al-Rahmi（2019）的研究结果表明，学生对社交媒体的满意度、易用性和有用性的感知对他们的协作学习和参与有积极影响，并最终影响他们的学习成绩。社交媒体的技术贡献表明它是一个重要的社会技术信息平台（Wan， 2017），Fusch（2011）基于UGT模型证明了这一结果。他发现诸如社交媒体这样的学习工具与学习目标同样重要，因为他们需要有一个社会存在，包括互动学习和积极的协作学习。在实证研究中，通过调查问卷等形式获取的主观数据容易受调查对象对题项的理解力、作答态度等因素影响而产生数据和估计偏差，而客观数据属于行为形成性数据，相比主观数据更能反映被试的真实情况，这在一定程度上避免了估计的偏差，更能准确地预测研究变量的效果。
（二）建议
1. 社交媒体使用对学习绩效的负面影响需要关注
尽管本研究结果显示社交媒体的使用对学习绩效的影响总体上是积极的，但社交媒体的社交连通是一把“双刃剑”，在学习和教学过程中也应对社交媒体使用的负面影响予以重视。当大学生过度使用社交媒体时，社交网络会影响他们的健康（Gaspar， 2016）。一些学生在社交媒体上花费过多的时间，导致大量的时间浪费在社交媒体上（Malita， 2011）。高校辅导员、班主任应对学生适度、合理使用社交媒体多进行引导和教育，因为过度使用社交媒体可能会对学生学业和身心健康产生负面影响。学生在使用社交媒体的过程中可能会遭遇诸如网贷等网络欺诈，教师对社交媒体使用设置不现實的期望和制造的压力也可能对学生产生负面影响。因此，社交媒体使用对学习绩效产生的负面影响同样需要引起学界和教育者的关注。此外，在文献检索过程中，起初本研究试图纳入中文文献并进行中外比较元分析，但在Cnki文献库中以“社交媒体+学习绩效”为主题，发表时间截至2019年6月30日，检索的中文文献仅有6篇，且均以企业、组织员工作为研究对象，这一主题在教育领域的研究属于空白;以“微信+学习绩效”为主题检索的文献有8篇，但涉及教育领域的文献仅有1篇;以“QQ+学习绩效”为主题检索的文献为0篇;以“微博+学习绩效”为主题检索的文献为7篇，涉及教育领域的文献仅有2篇。虽然近年来我国学者对于如何利用社交媒体进行教育教学改革进行了大量有益的研究探索，但对以“社交媒体使用与学习绩效”为主题的研究关注度相对较低，未来我国学者有待在教育领域针对这一主题予以更多关注与探索。
2. 探索使用本土不同类型的社交媒体提高学习绩效
社交媒体工具允许教师方便地与学生进行信息交流，可以促进积极的学习态度，通过在线沟通最大化学生社会资本。有国外学者建议应尽量使用本国、本地区最受欢迎的社交媒体平台用于教育和教学（Abbas， 2019）。我国学者和教育者可以深度探索将微信、QQ、微博等社交媒体用于不同学科的在线学习，并进一步探究、交叉比较不同社交网络平台在不同特定学科的使用对学习绩效的交互效应和影响。Kimme 和 Hea（2014）的研究也鼓励学生使用社交媒体，尤其是基于桌面的应用程序，因为社交媒体对课堂上的学生具有广泛的影响（Kimme， 2014）。同时，社交媒体对学习绩效的影响不仅包括学生，还包括教师。Israel（2015）在其关于社交媒体对学习效果影响的初步研究中，认为混合MOOC模式下社交媒体对学生和教师均具有积极影响。Stathopoulos等人（2019）的研究也表明，在自然科学教育中融入社交媒体对学生的深度学习体验有积极的影响，对教育者也有帮助，这些研究结果与本研究结论具有一致性。因此，未来在将社交媒体用于教育教学的过程中，对本土社交媒体及其类型、使用对象、应用平台和适用学科的选择等问题有待进行探索实践。
3. 未来社交媒体使用与学习绩效研究的方向
社交媒体使用行为测量既包括客观绩效评价，也包括主观效用测度，采用不同类型的数据测度社交媒体使用行为和学习绩效，其研究结果可能会存在一定差异。学习绩效中的学习效能维度的测量一般多采用问卷调查，测量数据易受主观干扰因素的影响，而学习绩效中的学习成绩维度测量则大多采用被试的课程成绩、积点等客观数据指标，相比问卷测量其数据更加客观准确。学习效能涉及学习态度、学习行为、心理期望等变量，其影响因素往往具有多维性和动态性特点。因此，社交媒体使用对学习效能的影响比较有限，其预测精度和效果受到了一定限制。未来的社交媒体使用和学习绩效关系的研究可以对学习绩效的主观维度指标进行具体细分（如学习态度、学习满意度、学习意愿等），分别考察社交媒体对学习绩效的不同维度、主客观指标有何影响，这些影响之间是否存在差异，不同影响的机制又是什么，并分析社交媒体使用时长、使用频率等使用情境变量对社交媒体使用与学习绩效之间的关系有无调节效应。
[参考文献]
吕鸿江，韩承轩，王道金. 2018. 领导者情绪智力对领导力效能影响的元分析[J]. 心理科学进展，26（02）：204-220.
Abbas， J.， Aman， J.， Nurunnabi， M， Bano， S. （2019）. The Impact of Social Media on Learning Behavior for Sustainable Education： Evidence of Students from Selected Universities in Pakistan. Sustainability， 11， 1683.
Al-Rahmi W.M.， Alias N.， Othman M.S.， Marin V. I. & Tur G. （2018）. A model of factors affecting learning performance through the use of social media in Malaysian higher education. Computers & Education， 121（06），59-72.
Gaspar， R.， Pedro， C.， Panagiotopoulos， P.， Seibt， B. （2016）. Beyond positive or negative： Qualitative sentiment analysis of social media reactions to unexpected stressful events. Computers in Human Behavior， 56， 179-191.
Hattie， H. （2009）. Visible learning： A synthesis of over 800 meta-analyses relating to achieveme- nt. London， England：Routledge.
Higgins J， Thompsom S， Deeks J， Altman D. （2003）. Measuring inconsistency in meta -analyses. British medical journal， 327， 557-560.
Hoffmann， C.， Bublitz， W. （2017）. Pragmatics of Social Media. Politeness and impoliteness， 607-632.
Hutchison， A. & Colwell， J. （2012）. Using a wiki to facilitate an online professional learning community for induction and mentoring teachers. Education， Information Technology， 17， 273-289.
Hunter J. E.， Schmidt F. L. （1990）. Dichotomization of continuous variables： The implications for meta-analysis. Journal of Applied Psychology， 75（3）， 334.
Israel M. J. （2015）. Effectiveness of integrating MOOCs in traditional classrooms for undergraduate students. International Review of Research in Open and Distributed Learning， 16（5）， 102-118.
Kim， T. T.; Karatepe， O.， Lee， G.， Demiral， H. （2018）. Do Gender and Prior Experience Moderate the Factors Influencing Attitude toward Using Social Media for Festival Attendance？. Sustainability， 10， 3509.
Kimme Hea， A.C. （2014）. Social Media in Technical Communication. TECH COMMUN-STC， 23， 1-5.
Malita， L. （2011）. Social media time management tools and tips. Procedia Computer Science， 3， 747-753.
Nielsen， M. I. S. W. （2017）. Computer-mediated communication and self-awareness-A selective review. Computers in Human Behavior， 76， 554-560.
Peterson R. A.， Brown S. P. （2005）. On the use of beta coefficients in meta-analysis. Journal of Applied Psychology， 90（1），175.
Rothstein H R， Sutton A J， Borenstein M. （2005）. Publication bias in meta-analysis. Publication bias in meta-analysis： Prevention， assessment and adjustments， 1-7.
Shepherd， S.V.， Freiwald， W. A. （2018）. Functional Networks for Social Communication in the Macaque Monkey. Neuron， 99， 413-420.e3.
Stathopoulou， A.， Siamagka， N.-T.， Christodoulides， G. （2019）. A multi-stakeholder view of social media as a supporting tool in higher education： An educator-student perspective. European Management Journal， 01， 8-10.
Terzi， B.; Bulut， S.; Kaya， N. （2019）. Factors affecting nursing and midwifery students attitudes toward social media. Nurse Educ. Pract，35， 141-149.
Tulin， M.; Pollet， T.V.， Lehmann-Willenbrock， N. （2018）. Perceived group cohesion versus actual social structure： A study using social network analysis of egocentric Facebook networks. Soc. Sci. Res，74， 161-175.
Wan， J.， Lu， Y.， Wang， B.， Zhao， L. （2017）. How attachment influences users' willingness to donate to content creators in social media： A socio-technical systems perspective. Information management， 54， 837-850.
收稿日期：2019-10-15
定稿日期：2020-03-28
作者简介：任高飞，副教授，博士生;陈瑶瑶，副教授。九江學院会计学院（332005）。
责任编辑 张志祯 刘 莉
