基于“数字图像基础”混合教学满意度的影响因素分析*

2022-03-31向朝楚

教育与教学研究 2022年3期

向朝楚

(成都大学中国-东盟艺术学院四川成都 610106)

高等教育是我国教育人才培养体系中的一个重要环节，其教学工作也极为特殊与重要，特别是在当前“百年不遇之大变局”下，对高等教育高素质人才的培养，对国家核心竞争力的有效提高和中华民族伟大复兴的逐步实现具有显著积极的意义。

一、综述

多林(Doering)认为，混合教学是一种将传统课堂与在线资源进行有机整合的教学模式[1]。Popma认为，通过对线上线下教学的整合，混合教学的效果明显优于单纯课堂面授与在线教学[2]。近年来，我国一直在持续推进混合教学改革工作，然而在高校层面其效果并不理想。虽然大多数院校在混合教学硬件建设以及在线学习管理系统上进行了大量投入，也取得了一定效果，但是并没有针对课程结构进行深入调整。不少高校教师仅简单地将课件内容复制到在线学习平台中，未进行有针对性的区分。特别是艺术类专业学科，多数教师在混合教学中依然沿用传统教派思维，将学生的“自行领悟”放在首要位置，并未针对传统面授与在线教学两大维度对教学内容进行区分[3]。同时，高校也未能针对在线教学部分给出具体的教学质量评估措施，从而导致在线教学部分在整体教学构架中权重过低，自然无法形成让学生满意的教学效果。

随着2020年新冠肺炎疫情的暴发，全国范围内的高校开展了特定的大规模在线教学。该特殊现象促使部分忽略网络教学的一线教师，逐渐意识到了在线教学的巨大优势，因此混合教学研究的重要意义开始凸显。然而目前我国针对混合教学的学术研究成果可谓极为匮乏。截至2021年11月，在中国知网中检索“高等教育”共有452 912篇文献，但“混合教育”仅有1 259篇文献，且其中大量为定性研究，定量研究为数较少。在为数本已稀缺的定量研究成果中，针对接受理论模型，用验证性因子分析与结构方程模型作为研究方法，以此对多重建构变量进行严格模型测量的学术成果更为稀缺。笔者在《中国教育学刊》等37类CSSCI来源期刊中进行了详细检索，符合以上标准的学术成果仅19篇，普遍具有较高引用量，最高达到131次之多，足见其高度的学术价值。

二、研究意义、目标及问题

在教育学理论中，满意度(SAT)是在心理学层面评判学生是否有效接纳与认可特定教学模式与教学质量的一个极为重要的指标[4]。学习满意度是学生对教师实施相应教学行为体验的一种整体性评价[5]。因此，选择具有代表性的院校专业与学生样本，对其所接受混合教学课程的满意度进行研究，就显得十分必要。

(一) 研究意义

按照教育部颁发的《普通高等学校本科专业类教学质量国家标准》规定，“数字图像基础”课程是本科动画专业必修的一门专业核心课程。成都大学动画专业为国家级特色专业、教育部“双万计划”之“双一流”专业。根据笔者在成都大学“课程思政1212工程”立项示范专业核心课程“数字图像基础”近年来的教学实践，面对后疫情时期常态化的混合教学，本次研究旨在分析影响成都大学本科生面对“数字图像基础”课程混合教学满意度的核心潜在变量间的因果关系与作用机制，以此为教师后续的一线教学提供具有参考价值的建议，从而力求推动动画专业未来的混合教学模式的优化、发展与改革。

(二) 研究目标

基于前述研究意义，本研究将提出以下三项研究目标：首先，验证影响成都大学动画专业本科生针对 “数字图像基础” 课程的混合教学满意度的相应因素。其次，调查影响学生满意度的潜在变量彼此之间的作用机制。最后，提出对于进一步使用混合教学以提高学生学习质量的建议。

(三) 研究问题

基于研究目标，本研究提出两项研究问题：首先，影响动画专业学生对于混合教学满意度的作用机制到底是什么？其次，教师如何通过混合教学提升学生的学习能动性，进而提升相应的教学质量？

三、相关概念与假设

(一)概念矩阵

基于大量前期文献分析，本研究的概念矩阵的建构是从技术接受模型(Technology Acceptance Model)发展而来。首先，基于纳吉(Nagy)的学术成果，研究者确定了感知易用性(Perceived Ease of Use,PEOU)、感知有用性(Perceived Usefulness,PU)、态度(Attitude,ATT)以及满意度(Satisfaction,SAT)四个潜在变量的协作机制[4]。其次，依据Harsasi与Sutawijaya的前期研究，研究者确定了课程结构(Course Structure,CS)、在线教学灵活度(Online Tutorials Flexibility,OTF)、在线教学质量(Online Tutorials Quality,OTQ)与满意度(SAT)的因果联系，以此构成了本次研究的概念框架模型[6]。在该矩阵中,拥有4个自变量(PEOU、CS、OTF、OTQ)，两个中介变量(PU、ATT)，以及唯一一个因变量(SAT)。具体概念框架模型如图1所示。

图1 概念框架模型

(二)感知易用性

戴维斯(Davis)于1989年将感知易用性定义为，受众对于接受与使用特定系统容易性质的判断程度[7]。尼奥(Neo)等数位研究者认为，这一潜在变量反映了学生对于特定的教学模式与教育系统的难易性判断[8]。Venkatesh认为，感知易用性是在心理学层面，对于个体样本面对特定学习模式判断其是否有用，以及面对该学习模式的行为倾向与使用态度存在较为积极的影响[9]。基于以上文献，可以确定以下假设：

H1：感知易用性对感知有用性存在显著的直接正向因果关系。

H3：感知易用性对态度存在显著的直接正向因果关系。

H9：感知易用性对满意度存在显著的间接正向因果关系。

(三)感知有用性

戴维斯(Davis)认为，感知有用性是个体针对特定系统的使用，判断该系统是否有用的心理学评判指标[7]。Vululleh认为，感知有用性反映了学生使用特定的学习模式是否能获得有效学习并获得相应学习成就[10]。在混合教学的语境下，大量前期文献证明较高程度的感知有用性通常有助于学生获得较高程度的有效学习心理，并对其使用态度产生有效且明确的正向影响[11]。基于以上文献，可以确定以下假设：

H2：感知有用性对态度存在显著的直接正向因果关系。

H8：感知有用性对满意度存在显著的间接正向因果关系。

(四)态度

纳吉(Nagy)认为，在心理学与感官学上，态度反映了大学生针对特定教学模式所带来的积极或消极的相关心理反应[4]。Ajzen认为，态度是个体对特定对象或技术系统的一种确定的心理意向[12]。金(King)与He认为，态度是学生是否接受特定教育模式与技术的重要心理学指标[13]。Bahjat认为，态度是在教育过程中产生学习动机，树立正确价值观的重要因素，并且对学生的满意度存在较强的正向相关性[14]。基于以上文献，可以确定以下假设：

H4：态度对满意度存在显著的直接正向因果关系。

(五)课程结构

Harsasi与Sutawijyay认为，课程结构是影响学生满意度的重要自变量[6]。Paechter、梅尔(Maierl)与Macher认为，在混合教学语境下，教师应当将在线教学与传统面授各自的课程结构，恰当联动起来[15]。塞利姆(Selim)的研究成果证明：在混合教学定量研究问卷的因子分析中，在实施混合教学时建立合理的课程结构，将对学生的满意度形成具有显著性的积极正面影响[16]。基于以上文献，可以确定以下假设：

H5：课程结构对满意度存在显著的直接正向因果关系。

(六)在线教学灵活度

基于“数字图像基础”为混合教学，因此在线教学部分为本次研究的一个重要分析组件。德里斯科尔(Driscoll)认为，在混合教学中，基于互联网与图像技术，在线教学能为不同地域、环境的师生提供高度灵活的学习体验[17]。贝茨(Betas)认为，借助互联网与其他数码终端的优势，在线教学能够打破传统教育的时空限制[18]。哈格尔(Hagel)与肖(Shaw)认为，基于技术接受理论，在线教学因其高度的便捷性，可以让学习者在各种时空环境高度灵活地展开学习，因此对学习者的学习满意度存在积极的正面影响效能[19]。基于以上文献，可以确定以下假设：

H6：在线教学灵活度对满意度存在显著的直接正向因果关系。

(七)在线教学质量

Ardito等研究者认为，虽然在线教学提供了高度灵活便捷的思考、互动、协作的学习环境，但是合理的教学内容设置与安排才是保证教学质量的重要因素[20]。Mclsaac与Gunawardena认为，在混合教学中，高质量的在线教学将积极促成学生的正向学习动机[21]。Bhattacharya与夏尔马(Sharma)认为，高质量的在线教学能培养学生更高层次的专业技能，甚至涉及跨时间、跨地点协作解决复杂问题的综合技能。因此，在线教学的质量高度，将直接影响学生对于学习满意度的高度[22]。基于以上文献，可以确定以下假设：

H7：在线教学质量对满意度存在显著的正向因果关系。

(八)满意度

Annamdevula与Bellamkonda认为，学生的满意度，是当面对特定的学习模式或者使用特定的学习系统时，对于深度运用积极认知学习方法的一种反映指标[23]。纳吉(Nagy)同样认为，满意度代表了学生对于特定教学模式的积极认知心理[4]。洛克(Locke)认为，满意度是一种特定的心理行为倾向，它代表了个体对特定技术模式的质量或效能的主观评价[24]。Cigdem与Ozturk认为，满意度是评价混合教学模式有效学习效果的重要指标，特别体现在学生对传统学习与在线学习协作的感知，以及互动实践的积极程度[25]。

四、研究方法

本研究采用了定量研究法，旨在分析成都大学动画专业本科生对“数字图像基础”课程混合教学的满意度。研究者基于概念框架模型完成了相应调查问卷建构，具体问卷见表1。且该问卷通过五级李克特量表进行相应评测。在完成问卷建构之后，研究者邀请了3位专家对研究量表进行内容效度测评，并抽样了40名学生，通过克朗巴赫系数对研究量表进行内部一致性信度评估。

表1 对于“数字图像基础”混合教学满意度的影响因素的研究量表

当研究者确定研究量表具有较理想的有效性与可信度之后，通过判断抽样法抽取了290名成都大学动画专业本科生进行态度测试，其态度测试数据通过了KMO和Bartlett球形检验，以及第二轮内部一致性信度评测，进一步对其效度与信度进行评判。同时，研究者完成了相应的描述性统计分析。继而，研究者通过验证性因素分析(CFA)，进一步对相应变量的因子载荷、复合信度、平均方差提取值、区分效度进行了具体分析。当以上各指标均符合标准之后，研究者最终运用结构方程模型进行了假设检验与路径模型分析。

(一)内容效度判定

在实际测试前，研究者进行了效度与信度检验。Rovinelli与汉布尔顿(Hambleton)的研究认为,对于内容效度的确定，项目目标一致性测试是一项重要的评估准则，应当由3名及以上具有博士学位的专家，对研究量表进行测评，且每项分值不能低于0.5[26]。为确保本研究的有效性，研究者邀请了3名专家对研究量表进行了项目目标一致性测试。这3名专家具备博士学位与高级职称，其研究方向都属于影视艺术领域，且具备8年以上的混合教学经验。经过3位专家的测试，所有观测变量的分值都不低于0.67，足以证明本次研究的测量工具拥有良好的有效性，才能以此为基础进行样本抽取与内部一致性测试。

(二)总群、样本量、抽样方法

本次研究的总群为成都大学动画专业2018级—2020级所有接受过专业核心课程“数字图像基础”学习的全体学生(含重修)共290人。依据Halabí与More-Esquivel的前期成果，想在验证性因素分析(CFA)与结构方程模型(SEM)中获得有效统计结果，样本规模不能低于200人[27]。因此，本次将采取判断抽样，选择全部目标总群，并剔除其中对于混合教学表现不理想的学生。

(三)小规模测试与内部一致性信度判定

针对信度测试环节，基于艾萨克(Isaac)与迈克尔(Michael)的理论成果，样本量至少为30人的小规模测试可获得相对准确的可靠性指数[28]。因此，本研究邀请了40名学生进行了小规模测试，在收集数据并经SPSS分析后，所有潜在变量的克朗巴哈系数(Cronbach’s α)均大于0.8，见表2，表明研究工具具有令人满意的内部一致性信度。基于符合标准的项目目标一致性以及内部一致性信度测试结果，研究者才能进行大规模数据收集与测试的研究进程。

表2 内部一致性信度检验(n=40)

(四)全部收集数据和第二次信度与效度判定

确定了第一阶段信度与效度之后，研究者在成都大学动画专业本科生中进行了具体数据收集。在目标总群的290名学生中，先通过筛选问题剔除了19名在学习效果上不符要求的学生，在回收的271份问卷中又去掉了22份无效问卷，最终共获取249份有效问卷。当全部有效问卷回收之后，再次进行了第二阶段信度与效度检验。再次使用SPSS进行内部一致性效度分析，其结果是针对249份数据，所有潜在变量的克朗巴赫系数仍然全部大于0.8，见表3。在KMO与Bartlett球形检验中，KMO检验系数为0.896，概率显著性(Sig)为0.000，见表4。以上验证表明了相应数据具有令人满意的效度与信度，适宜进行下一步的因子分析检验。

表3 KMO和Bartlett球形检验(n=249)

表4 内部一致性信度检验(n=249)

(五)描述性统计分析

对于249名测试样本的详细描述性统计被整理在表5当中，其中涵盖了性别、年级、专业方向等三大组信息统计。在最终样本中：28.51%为男性，71.49%为女性；31.32%为2018级学生，32.93%为2019级学生，35.75%为2020级学生；在专业方向方面，二维动画学生占11.25%，三维动画学生占21.69%，实验动画学生占5.62%，漫画绘本学生占25.70%，余下35.74%的学生尚未进入专业方向划分阶段。

表5 样本描述性统计信息

(六)验证性因素分析

本研究采用了验证性因素分析来评估学生的态度测试结果，其中各观测变量的因子载荷的显著性，以及符合标准的拟合优度检验，是确保本次研究准确性的重要指标。各指标点的拟合优度值见表6。

表6 验证性因素分析的拟合优度数据统计

海尔(Hair)等研究者认为,CMIN/DF的可接受阈值应当小于3.000，CFI与NFI的可接受阈值应当不低于0.900[29]。Bagozzi与Yi认为,GFI的可接受阈值应当大于等于0.900[30]。Filippini等研究者认为,AGFI的临界值应当大于0.800[31]。布朗(Browne)与Cudeck认为,RMSEA的可接受范围应当低于0.050[32]。比照表2，整理本次测试结果，本研究所有的拟合数据全部符合相应要求，因此足以确定本次数据分析中相应回归直线对观测值拥有良好的适配度。

表7所示,在本次验证性因素分析数据分析中,所有因子载荷值都超过了0.500,所有T值高于1.980,所有P值低于0.001,所有CR值大于0.700，所有AVE值大于0.500。因此,目前本研究所有重要的验证性因素分析结果、复合信度、平均方差提取值都处于相对理想范围，说明本次研究的调查量表具有理想的收敛效度。

表7 验证性因素分析结果、复合信度(CR)、平均方差提取值(AVE)数据统计

(续表)

本研究的区分效度数据被整理在表8当中，可以看到量表中任何两个潜在变量的相关系数全部小于0.800；量表的对角线是AVE值的所有平方根，也全部大于任何潜在变量相关系数的平方。全部数据符合检验要求，充分说明本次研究的数据统计结果具有良好的区分效度。本研究验证性因素分析的所有测试数据都达到了相对理想的状态。本研究的结构方程模型中的各拟合优度指标均处于理想的标准。因此，才能确保各潜在变量、观测变量与所获数据之间形成良好匹配，从而保证基于结构方程模型所进行的假设检验与路径分析结论真实可信。

表8 区分效度数据统计

(七)结构方程模型

结构方程模型测试主要是通过特定的线性方程，来验证本次研究因果矩阵中的假设是否成立。在结构方程模型的6个拟合优度指标点中，CMIN/DF、GFI、AGFI、CFI以及RMSEA五大参数的可接受标准都与验证性因素分析相同。而基于Hair等和研究者的成果，TLI系数的理想阈值同样不应当低于0.900[32]。所有经过AMOS调整后的拟合指标都被记录在表9当中，可以看到结构方程模型的六大拟合优化指标都处于相对理想的阈值范围。

表9 结构方程模型的拟合优度数据统计

五、假设验证

本次研究的矩阵模型基于回归加权与R2方差分析，计算了所有潜在变量的显著性，本次研究所有假设的P值都低于0.001，因此本次研究的所有假设经过检验后被认为全部成立。

针对产生直接影响的假设H1至H7，在对满意度(SAT)产生直接影响的四个潜在变量中，具有最大影响效能的是在线教学质量(OTQ)，其标准路径系数(β)为0.496、T值为8.951，同时也是本次研究中潜在变量间最强的影响作用。其次则是课程结构(CS)，其标准路径系数(β)为0.275、T值为5.160。在线教学灵活度(OTF)排位第三，其标准路径系数(β)为0.254、T值为4.828。影响最低的是态度(ATT)，其标准路径系数(β)为0.218、T值为3.904。

此外，在基于技术接受模型框架下，感知易用性(PEOU)、感知有用性(PU)以及态度(ATT)这三个潜在变量的相互作用机制中，感知易用性(PEOU)对感知有用性(PU)产生了最大的影响作用，其标准路径系数(β)为0.451、T值为6.928。其次是感知有用性(PU)对态度(ATT)的影响，其标准路径系数(β)为0.391、T值为4.586。最弱的是感知易用性(PEOU)对态度(ATT)的影响，其标准路径系数(β)为0.331、T值为3.520，见表10。

表10 潜在变量间产生直接影响的假设检验结果

同时感知易用性(PEOU)、感知有用性(PU)通过中介变量态度(ATT)，分别对满意度(SAT)产生了间接显著影响，这一部分路径分析如图2所示。

针对路径分析，基于图2与表11中的统计信息，本次研究在概念矩阵中有两个中介变量感知有用性(PEOU)、态度(ATT)，以及唯一因变量满意度(SAT)。

图2 路径分析矩阵

表11 直接、间接与总体影响统计

首先，关于感知有用性(PEOU)，其R2值为0.203，代表20.3%的方差受到了感知易用性(PEOU)与感知有用性(PU)的共同影响。其中感知易用性(PEOU)对感知有用性(PU)产生了直接显著影响，其影响值为0.451。

其次，关于态度(ATT)其R2值为0.240，代表24%的方差受到了感知易用性(PEOU)、感知有用性(PU)、态度(ATT)的共同影响。其中，感知易用性(PEOU)对态度(ATT)产生了直接显著影响，其影响值为0.242；感知易用性(PEOU)通过感知有用性(PU)对态度产生了间接显著影响，其影响值为0.149。因此，感知易用性对态度的总效应为0.391，并且感知有用性对态度产生了直接显著影响，其影响值为0.331。

最后，关于满意度(SAT)其R2值为0.455，代表45.5%的方差受到了其他六个潜在变量的共同影响。其中，态度、在线教学灵活度、在线教学质量、课程结构对满意度产生了直接显著影响，其影响值分别为0.218、0.254、0.496、0.275；感知易用性、感知有用性对满意度产生了间接显著影响，其影响值分为0.085、0.072。

六、结论与建议

(一)结果讨论

本文旨在研究与验证成都大学动画专业本科生对于动画学科专业核心课程“数字图像基础”混合教学满意度的显著性影响因素。依据概念框架模型的建立与假设检验，感知易用性、感知有用性、态度、在线教学灵活度、在线教学质量都对满意度产生了显著性的正面影响。

在目标课程的混合教学中，对成都大学动画专业本科生满意度产生较大影响的三大维度分别是在线教学质量、课程结构以及在线教学灵活性。这一现象说明：首先，对于目前常态化的混合教学，学生对于逐渐提升的在线教学质量最为看重。基于目前艺术类专业课程的混合教学设计尚处于发展阶段的现状，“数字图像基础”课程建立了较为完善的在线课程内容，涵盖了大量的教程视频与素材文件，其涵盖的知识大大超过了课堂教学64课时的容量，本研究的绝大多数样本对这一维度的认可度也是最高的。其次，课程结构，区别于部分教师将课件讲义直接复制到在线平台的处理方式，“数字图像基础”将课程先导、理论教学、实践操作、课后强化四大环节的内容，依据传统课堂与在线平台的各自属性特征进行有效划分，最大程度通过合理的课程结构，将立德树人、专业伦理与专业技能等教学目标进行有效传达，因此本次研究的样本对课程结构也给了很高认可。最后，在线教学灵活度，得益于超星平台的完善功能，特别是移动终端APP的优化设计，无论是技能学习还是日常化教学管理，在“数字图像基础”课程学习中都发挥了显著的正向推进作用。

本研究中的另一层面，是技术接受模型中的感知易用性、感知有用性、态度三大变量对于满意度的影响分析。根据研究结果，绝大多数学生认为感知易用性对感知有用性存在较强的正面影响效能，因此对于在线教学平台的操作技术解析以及基于此的混合教学的难度设置，在较大程度上增强了学生对于相应专业课程的积极主动心态，继而对感知有用性与态度产生正向心理效应。感知有用性是判断学生对“数字图像基础”能够有效获得学习成就提升的一个很重要的心理指标。依据统计数据分析结果，证明本次实验样本对目标课程的有用性存在显著正向的判断，并产生对于学习的积极态度。而这一学习态度，作为衡量学生学习满意度的重要心理指标，在本次研究中同样也被证明了对最终因变量产生了显著的正向影响。

(二)研究结论

本研究分析了成都大学动画专业本科生对目标课程在线教学满意度的主要影响因素，经定量分析后，感知易用性、感知有用性、态度、课程结构、在线教学灵活度、在线教学质量，全部对满意度产生了重大显著性影响。

在对满意度直接产生影响的4个潜在变量中，在线教学质量的影响最为巨大，其次是课程结构，再者是在线教学灵活性。针对技术接受模型结构，感知易用性对感知有用性存在本次研究中位居第二的正向显著影响效应，感知有用性针对态度的影响作用稍微强于感知易用性。

(三)建议

Annamdevula和Bellamkonda确信满意度是有效学习中最重要的影响因素之一[23]，因此，提出以下建议：首先，教师应当重点关注在线课程的教育质量，并且着重关注课程结构、难度和辅助设计，以准确地利用混合教育平台。其次，教师要减少学生对混合式教学在线教学平台的陌生感和抵触情绪。教师要注重培养学习者必要的信息技术应用能力，帮助学习者建立对于信息技术应用的正确认识[33]。针对动画专业特点的教学课件和多媒体教材，教师在教学中应有效融入网络学习平台，作为课程引导内容和课外辅助的有效重要学习资源。教师应当充分运用在线教学平台的灵活性，严格考量学生对于目标课程学习的感知易用性、感知有用性、态度的前提下，进行高质量的在线教学内容设计与课程结构设计，这是在未来进一步推进动画专业混合教学，所需要进行思考与革新的部分。