学历继续教育学习者在线自我调节学习现状与影响因素研究

王 斐

(1.西北大学 继续教育学院，西安 710069；2.西安交通大学 人文社会科学学院，西安 710049)

一、研究缘起

信息技术的深度应用推动了各级各类在线教育的蓬勃发展，在很大程度上促进了学习者的个性化发展。在基础教育领域、普通高等教育领域，在线学习只是线下学习的补充和拓展，而在高等学历继续教育中，在线学习是学习者完成教学计划、获取学历或学位的主要途径。1999年3月，教育部印发《关于启动现代远程教育第一批普通高校试点工作的几点意见》，不仅标志着我国现代远程教育(网络教育)的正式起步，也标志着我国系统性在线学习的正式开启。在20年的发展历程中，在线教育已不再是成人学历补偿教育的代名词，而是各级各类教育的重要补充。目前，研究者已从关注教师怎样“教”逐步转向学生如何有效“学”，但研究领域主要集中在以MOOC为代表的普通全日制高等教育中，对学历继续教育学习者的关注较为罕见。学历继续教育学习者往往身兼“多重角色”，平时担负工作并兼顾家庭责任，以在线自主学习与站点面授辅导相结合的方式完成学习深造。新冠疫情防控期间取消了全部线下学习活动，以“线上自主学习+线上答疑”的模式完成课程学习，这对学习者在线学习能力提出了更高的要求。以网络通信和智能终端为依托的信息技术飞速发展，促进在线教育迅速发展的同时，网络信息泛滥、热点推送繁多、心理监控缺失等问题给在线学习效果带来巨大挑战。对具有多重角色的学历继续教育学习者而言，在线自我调节能力对保障学习效果就显得更为重要。因此，本研究聚焦学历继续教育学习者，采用混合研究法对在线自我调节学习现状及影响因素进行了深度研究，并从不同层面提出了优化策略，以期对提升学历继续教育在线学习效果具有一定的参考价值。

二、国内外研究现状分析

(一)国内研究现状分析

通过对中国知网(CNKI)的检索，发现最早关注自我调节学习的研究成果是李宗林翻译的美国学者Barry J. Zimmerman发表在美国《教育心理学通讯》的文章，该成果详细介绍了社会认知视角下自我调节学习的概念、决定因素以及自我调节学习方法，为我国自我调节学习的相关研究奠定了理论基础。[1]

为获取国内在线自我调节学习的代表性研究样本，本研究以教育技术学和继续教育类高质量期刊为文献来源，以“自我调节学习”为主题进行检索，通过分析，我国对在线学习自我调节的研究对象主要集中在全日制大学生，其研究内容集中体现在以下几方面：

第一，基于开放教育资源的自我调节学习支持研究。如邓国民等人的优质教育资源支持下学习者自我调节学习支架的设计和检验以及自主学习环境概念框架的设计等等。[2—3]

第二，信息技术支持的自我调节学习的干预研究。如：范丽恒等对超文本学习环境中差生自我调节学习的优化，[4]郑兰琴等设计开发了大学生自我调节学习能力的培养工具，[5]赵蔚等人采用学习分析技术挖掘在线学习者自我调节学习路径以促进学习者学习能力发展的研究，[6]以及何克抗对促进自我调节学习能力发展的灵活学习环境进行了探讨与分析，[7]等等。

第三，以自我调节学习为自变量的在线学习优化研究。如：徐晓青等人的研究表明自我调节学习是影响大学生在线学习满意度的重要因素，[8]周琰的研究表明学习者元认知调节策略在认识信念对网络学习投入的影响中有着完全中介作用，[9]多召军等人从自我调节学习效能感培养的视角构建了移动网络学习社区构建新范式，[10]等等。

第四，自我调节学习与教学模式的相关研究。如：王正聪等人设计了基于网络教学平台的自我调节学习能力培养模式，并开发出了学习计划管理子系统；[11]林君芬在网络课堂教学中引入自我调节学习机制，并提出了网络课堂环境下的差异教学模式与策略；[12]徐运玲等人对网络环境下基于问题的学习和自我调节学习进行了探究，并详细论述了网络环境下基于问题学习的两种不同的自我调节学习方式；[13]邹晓玲的研究表明新型网考成绩反馈时，既告知考生总分，又提供各题型的分数和各题型分数在总体学习者中的位次情况，以及相应的自我调节策略反馈，较之传统的总分报告形式能更有效地促进学生的英语自我调节学习；[14]张成龙等人采用实验研究的方式证明了基于MOOC的混合式教学有助于提高学生网络自我调节学习水平，尤其在时间管理和目标设定两个层面；[15]等等。

(二)国外研究现状分析

为获取国外在线自我调节学习的代表性研究样本，本研究以Web of Science核心数据库为文献来源，以“‘online learning’、‘e-learning’、‘distance learning’”&“self-regulated learning”为篇名关键词进行检索。通过分析，国外在线自我调节学习研究主要集中在以下几方面：

第一，在线自我调节学习的优化策略研究。如：支持自我调节学习的智能系统的概念模型，能够考虑学生应达到的不同学习水平以及衡量学生进步的指标，以及为学习者提出学习路径；[16]适用于教育情境的个人信息学(Personal Informatics，PI)系统(Glance)能够帮助学习者了解自己的在线学习行为；[17]翻转课堂模式下在线学习中，为学生提供元认知支持有助于强化学生自我调节学习技能的发展；[18]自适应时间管理支持系统能够改善学习者自我调节学习。[19]此外，从被引频次来看，Kizilcec, R. F等人刊发在Computers & Education上的题为《Self-regulated learning strategies predict learner behavior and goal attainment in Massive Open Online Courses》的研究对在线自我调节学习的优化研究奠定了重要基础。①该研究明确了MOOC情境下学习者自我调节学习能有效预测学习者学习行为和学习目标达成，目标设定和策略计划可以预测个人课程目标的实现，而寻求帮助与较低层次目标实现相关，自我调节学习能力较强的学习者往往会重新访问以前学习过的内容，尤其是课程评价部分；学者的人口学特征、学习动机等对自我调节学习具有一定的预测作用。[20]

第二，不同情境下在线自我调节学习对学习效果的影响研究。如：对学习者心理变量的全面管理，包括目标定向、自我调节、考试焦虑、自我效能等方面，对于在线学习机构、指导者和管理员强化学习支持具有重要作用；[21]混合学习情境下，不同自我调节学习行为与学习绩效间存在弱到中等程度的正相关，每周访问在线课程时长和访问频率是学生成功的最强预测指标；[22]动机调节和自我调节学习策略对学业成就具有重要影响；[23]在线学习环境下，学生自我调节学习能力越强，基于虚拟社区的自我探究能力就越明显，且针对特定任务的态度和自我效能感越强；[24]除同伴学习和寻求帮助之外，在线学习者比混合学习者使用自我调节学习策略更为频繁，虽然预测值存在一定差异，但在线学习和混合学习学生之间自我调节学习对学习成绩的主要预测指标基本相同，都非常重视对时间管理和精细化策略的使用；[25]等等。

第三，在线自我调节学习的测量研究。如：适用数字化学习的自我调节框架，包括学习计划、共享记录或电子档案、评估、人工反馈、机器反馈、目标/过程/概念的可视化、脚手架和代理等八个功能；[26]适合学习者自定进度的开放和远程学习情境下学习者自我调节学习量表，包括目标设定、寻求帮助、自学策略、物理环境管理、努力调节五个维度，共30道题目；[27]支持MOOC学习者自我调节学习的Web应用程序(NoteMyProgress)；[28]适用于MOOC学习者自主学习情境的自我调节学习量表；[29]使用在线课程学习者行为数据挖掘学习者自我调节学习模式，比学习者自我报告的方式更精准；[30]等等。

三、研究设计与过程

(一)研究对象与工具

本研究通过对陕西、广东、云南等三省7所高校继续教育学院(远程教育学院)引入的在线课程进行调研发现，学生基于在线课程开展“在线自主学习”的个案百分比为73.1%，是当下在线课程的主流学习方式。因此，本研究聚焦在线课程中自主学习型学历继续教育学习者自我调节学习开展的现状及影响因素的研究。

通过对国内外在线自主学习相关量表进行比较分析后，本研究对Ruth Martinez-Lopez等人联合开发的《基于MOOC的自我调节学习量表》进行了本土化翻译，[31]翻译完成后选取10名系统学习过在线课程的学生和5名关注高校在线开放课程应用的学者进行访谈，对量表题目内涵的表述进行本土化调整，最终形成在线自我调节学习量表，累计24个题项。该量表包括目标设定(Goal Setting)、环境构建(Environment Structuring)、任务策略(Task Strategies)、时间管理帮助(Time Management Help)、寻求帮助(Help Seeking)、自我评价(Self-Evaluation)六个维度。

研究量表修订完成后，以西北大学继续教育学院学历继续教育学习者为主要研究对象，同时又通过问卷星向陕西、广东、云南等三省部分高校继续教育学院(远程教育学院)的在线学习者发放问卷，历时2周(2020年3月16日—29日)，共回收在线问卷358份。根据至少系统性学习完一门在线课程、问卷填写时间不低于180秒、题目选项不存在明显的规律性等条件对数据进行清洗后，最终共保留有效问卷287份，有效率80.17%。

(二)研究工具检验

研究数据清洗后，分别从项目分析、探索性因素分析、验证性因素分析和内部一致性检验等四个层面对研究量表进行检验。

首先，项目分析结果显示：极端组比较中，T值(决断值)的绝对值(|t|)介于8.351—15.473≥3.000；题项与总分相关分析中，题项与总分相关系数介于0.506***—0.751***≥0.400；同质性检验中，已删除的α值(内部一致性系数)均小于等于量表整体α值(0.941)、共同性指标介于0.228—0.581≥0.200、因素负荷量介于0.477—0.762≥0.450。各项指标均高于项目分析的建议值。[32]

其次，鉴于该量表对已有量表进行的本土化翻译，具有明确的维度划分和题目归属，因此，本研究采用分层面进行个别因素分析的方法进行因素分析，即根据各量表的层面，对层面包括的题项变量分别进行因素分析，而不对整个量表进行因素分析。[33]因素分析的结果如表1所示。

再次，验证性检验的结果如表2所示。

表1 在线自我调节学习量表因素分析结果

续表

表2 验证性检验结果

在模型拟合度评估方面，模型拟合度越高，则代表模型可用性越高，参数的估计越有效。然而，X2(Bartlett’s球形检验近似卡方分布)统计量容易受到样本大小的影响。因此，除X2统计量外，还需同时参考其他拟合指标，如GFI、RMR、RMSEA等绝对拟合指标，AGFI、NFI、CFI、IFI等增值拟合指标等。其判断准则分别为：CMIN/DF小于2.0，RMR、RMSEA越接近0表示模型拟合度越好，通常选取RMR小于0.05、RMSEA小于0.08，其他各项指标越接近1表示模型拟合度越好，通常采用建议值为大于0.9(大于0.8为基本合格)。以此为参考，本研究预设模型拟合度良好。

最后，内部一致性检验的结果显示：整体及目标设定、环境构建、任务策略、时间管理帮助、寻求帮助、自我评价等各维度的Alpha值(克隆巴赫α系数，又称内部一致性α系数)分别为0.941、0.863、0.695、0.715、0.756、0.795、0.842。

四、在线自我调节学习现状

(一)整体情况分析

描述性统计分析的结果显示：研究样本在线自我调节学习整体情况为3.41±0.028(李克特五点量表均值水平)；目标设定、环境构建、任务策略、时间管理帮助、寻求帮助、自我评价等各维度统计结果(M±SE)分别为3.34±0.0330、3.59±0.0332、3.50±0.0310、3.36±0.0333、3.26±0.0357、3.40±0.0324，且在不同性别间不存在显著性差异。

(二)相关性显著差异分析

为进一步判断学历继续教育学习者在线自我调节学习各维度相关强度在性别之间的群体差异，本研究在相关分析的基础上进行了相关性显著差异分析。具体实施时，本研究首先分别对男生、女生的在线自我调节学习各维度进行相关分析，确定相关系数(r值)。其次，利用Zr=1.1513lg[(1+r)/(1-r)][35]分别计算得出各相关系数对应的Zr值(相关系数的标准值)。再次，通过Z=(Zr1-Zr2)/SQRT[1/(n1-3)+1/(n2-3)]分别计算出各维度相关系数在不同性别群体间相关系数的差异值(Z值)。公式中n1、n2分别为两个样本的数量，SQRT表示平方根函数。[36]最后，若|Z|=2.38>1.96=Z0.05，则P值(显著性水平)小于0.05，表示该相关系数在不同性别间存在显著性差异。依据相关性显著差异判断准则，环境构建(ES)与寻求帮助(HS)的相关系数存在显著的性别差异，且男生群体二者的相关程度显著高于女生，其他各变量的相关系数不存在显著的性别差异。

五、影响因素与对策分析

(一)影响因素分析

1.研究工具与对象

以《在线自我调节学习量表》包括的目标设定、环境构建、任务策略、时间管理帮助、寻求帮助、自我评价六个维度的具体内涵为依据，按照每一个维度对应一道访谈问题的思路编制半结构访谈提纲，如目标设定维度的访谈问题表述为“在线学习时，你会不会设定短期学习目标和长期学习目标？影响你不能很好设定学习目标、合理安排学习节奏的因素主要有哪些？”在实际访谈中根据访谈对象对访谈内容表现出的困惑进行追问或引导。

访谈提纲编制完成后，选取了6名(3名男生、3名女生)学历继续教育学习者进行在线访谈，认真记录试访谈中发现的各种问题，根据结果对访谈提纲进行修订和完善。访谈提纲确定后，按照年级、性别、专业、性别均衡分布的原则，选取36名学历继续教育学习者(陕西27名、广东5名、云南4名)开展正式访谈。访谈结束后，第一时间完成转录。

2.研究过程与结果

访谈数据转录、校对后，采用NVivo8.0对访谈数据进行编码分析，具体过程如下所述：

首先，开放式编码。开放编码是通过分析原始资料中的句子或段落对类似的现象进行概念化，并在此基础上将相同或相似的概念集聚到相应范畴中的一个过程。[37]为确保数据编码的有效性，本研究由两位从事高校在线课程应用研究的教育技术学博士对访谈数据进行至少2次协同编码活动，不断协商原始访谈文本数据的概念化结果，增强编码的一致性。最终，通过开放式编码确定了205个自由节点。

其次，主轴编码。该阶段的主要工作是将自由节点归类成树状节点。[38]本研究将205条自由节点进行提炼和归类为树状节点。经编码，最终共总结归纳出四个树状节点，分别是个人因素、课程因素、文化因素和管理因素。

表3 在线自我调节学习影响因素编码结果

再次，核心编码。核心编码指的是在所有已发现的类属关系中经过系统分析后选择一个“核心类属”，并通过这个“核心类属”将其他类属串成一个整体，使所得到的资料形成一个清晰的故事线索的过程。[39]经分析，最终将4个树状节点提炼成1个核心节点，即学历继续教育学习者在线自我调节学习影响因素，如表3所示。

最后，理论饱和度检验。上述数据分析完成后，本研究采用在线的方式对4名学历继续教育学习者(2名男生、2名女生)进行访谈，以验证数据是否达到饱和。最终编码结果表明，未发现新的范畴，初始访谈通过了理论饱和度检验，研究数据具有较好的信度和效度。

通过对质性访谈数据的分析，本研究发现影响研究被试在线自我调节学习的因素主要包括个人因素、文化因素、管理因素和课程因素四个层面。从参考点的数量来看，个人因素占比例最高，其次是文化因素、管理因素和课程因素。其中个人因素主要包括在线学习动机、在线学习策略及学习意志力等因素；文化因素主要指的是就读学校缺乏在线学习文化氛围的营造、学习型组织的引导创建和发展及必要的基础性学习空间等；管理因素主要包括对在线自主学习缺乏过程性监督、提醒和有效考核等因素；课程因素主要涉及课程内容、平台功能及在线课程考核三个层面。

(二)优化对策分析

在明确学历继续教育学习者在线学习自我调节现状和影响因素的基础上，本研究着重从以下三个层面对优化学历继续教育学习者在线自我调节学习提出建议。

首先，加强专属课程建设，强化学生选课指导，精准学习，供需匹配。学习动机对自我调节学习有重要影响，尤其是内部学习动机。研究结果显示研究样本参加在线自主学习的动机以外部动机为主，主要缘于所选课程未能很好地满足学习者专业发展需求或兴趣爱好，课程学习内容在工作岗位上不能迅速产生应用效果，也就是说供需匹配存在一定程度脱节。造成脱节的原因主要有两点：一是学历继续教育的在线课程专属性不强，针对成人教育特点专门建设的课程占比偏低，所用的大部分课程要么来自全日制淘汰的精品课程，要么是使用现行的针对全日制本科生或研究生建设的MOOC。课程性质和内容特点与学历继续教育学习者的需求存在较为严重的不匹配现象。二是主办院校为学生提供的选课时间较为紧张，专业性指导不强。依成人学习者现有发展水平，很难在短时间内选择合适的课程。此外，在线自我调节学习能力的培养不是一蹴而就的。因此，主办院校要结合已有人才培养方案需求，在在线开放课程引入、应用与评估等各环节进行系统规划和布局。在办学经费预算允许的前提下，逐步加大专属性在线课程建设。同时，变革选课流程及管理模式，给学生留有足够时间，在充分了解自身需求、课程特征的基础上，理性选择课程。注重教师在学生选课环节中的引导作用，鼓励教师根据学习者发展阶段、能力水平、课程教学需要、人才培养需要，分层次、分阶段引导学生选择不同要求、不同类别的在线开放课程，使在线开放课程切实成为学历继续教育人才培养课程体系的坚强基石。

其次，重构学习空间，营造文化生态。群体动力学理论认为“一个人的行为是个体内在需要和环境外力相互作用的结果”。[40]因此，除强化学生内在学习动机外，主办院校还应注重“环境外力”对学生在线自我调节学习的影响，即基于创新型学习空间的文化生态的影响。在大数据、云计算、人工智能等新兴技术的支持下，衍生了泛在学习、无缝学习、碎片化学习等多种学习方式，不断激发了现有学习空间与新兴学习方式之间的矛盾。学历继续教育学习者在整个学习过程中与高校长期处于一种“准分离”的状态，他们比全日制大学生更需要院校归属感和网络校园文化生态。与教师主导、侧重知识传授的规制型学习空间相比，开放、弹性化的创新型学习空间更有助于弥补上述缺失，能更好地培养成人学习者与职业准备相关的认知与非认知能力。鉴于此，主办院校应以人才培养需求为导向，重构融入高校文化生态的学习空间，为多样化学习方式的应用和学习共同体的创建奠定基础，以在线学习文化创设为切入点，推动在线学习文化生态变革。

最后，加强过程监控，完善学分认定。总体看来，在线课程的发展速度越来越快、质量越来越高、在高等教育中的作用越来越凸显。在新冠疫情防控期间，为落实“停课不停学”的防控举措，在线课程的应用更加广泛，认可度大幅提升，但在过程监管措施和学习认定评价体系等方面也暴露出很多问题。这些问题也与本研究的访谈调研结果基本一致，如：学校相关管理制度的欠缺使跨平台学习课程的学分互认很难实现，对在线学习过程监控不到位容易产生只追求分数不考虑效果的问题，线下辅导、线上答疑与线上自主学习脱节，线上课程学习内容与电子教材和纸质教材匹配度欠佳等。这些问题很大程度上导致在线开放课程的应用流于形式。随着认知神经科学的发展，在在线课程开发阶段，应注重认知神经科学的深度应用，如利用生物信号采集技术对在线学习过程进行监控，时刻了解学习者的学习状态，并提供个性化学习过程和学习资源支持服务。同时，主办院校应以成果导向教育理念为指导，发挥信息技术优势，适度增加学历继续教育在线学习的经费投入，建立和完善在线自主学习过程监控与预警机制，促进学生在线学习投入。此外，还要建立和完善以能力评估为导向的多元化在线课程学分认定办法，在教学管理层面推动在线课程的深度应用。

六、结束语

在线自我调节学习能力是学历继续教育学习者利用互联网资源保持专业常态化发展的关键。本研究对基于MOOC的在线自我调节学习量表进行了本土化改编和应用，具有较高的信效度，为自主学习情境下，在线自我调节学习的量化研究提供了工具支撑。在此基础上，本研究采用混合研究法，对不同地区学历继续教育学习者在线自我调节学习的现状、影响因素进行了探索性分析，并从供需匹配、空间重构、过程监控三个层面提出了优化策略，以期对学历继续教育领域在线开放课程的深度应用具有一定的参考意义。

【注释】

①根据对应领域和出版年中的高引用阈值，到2019年6月为止，本高被引论文受到引用的次数已归入Computer Science学术领域同一出版年最优秀之列(前1%)。