数字休闲动机干扰对网络学习投入的影响机制*

郭晓荣 安宏玉②△ 龚少英

①华中师范大学心理学院(湖北武汉) 430079 ②山西青年职业学院 △通信作者 E-mail:79962600@qq.com

伴随信息技术的高速发展,学生借助网络平台实现在线学习和休闲娱乐等活动趋于常态[1]。信息技术赋予学习活动更大的灵活性,但一定程度上也模糊了学习与休闲的边界,加深了两类活动之间的干扰。基于线下学习的研究发现,学生在学习时常常遭受休闲动机干扰,这会降低学习投入[2-3]。但在信息技术加速渗透学习者生活的背景下,尚不清楚数字休闲动机干扰(digital leisure motivational interference,DLMI)对网络学习投入的影响。网络学习投入是个体在网络学习时表现出的心理状态[4],可以较为准确地预测网络学习效果。大学生肩负着高学业期望和自我探索的重任[5],在学习生活安排和时间分配上享有更大的自由度,对移动设备的使用更加熟练。因此探讨DLMI对大学生网络学习投入的影响及作用机制,这对提高在线学习质量具有重要意义。

DLMI是指暂时放弃数字休闲活动(如聊天互动、玩网络游戏等)对当前正在进行的网络学习活动造成的干扰性体验的现象[6]。动机干扰理论[7]认为,个体在同一时间内具有不同的活动倾向,相互之间存在竞争,引发动机干扰体验。因此,当学习者放弃数字休闲活动而选择网络学习时,休闲动机一定程度上对学习活动产生干扰,影响个体在网络学习活动的投入程度。基于线下环境的实证研究显示,休闲动机干扰降低学习投入时间和坚持[3]。综上,本研究假设DLMI显著负向预测大学生网络学习投入(H1)。已有研究指出,面对休闲动机干扰时,被拒绝的休闲活动附带的激励价值促使学习者在学习时进行自我调节[8],这需要消耗大量的自我控制资源。自我损耗理论指出[9],当个体经过一段需要消耗自我控制资源的任务后,有限的自我控制资源会处于暂时性耗竭状态,出现自我损耗。实证研究也显示,冲突引发的动机干扰会引发自我损耗[10]。研究发现,自我损耗导致学习倦怠[11],而学习倦怠负向预测学习投入[12]。因此,自我损耗可能降低网络学习投入。本研究假设自我损耗可能在DLMI与大学生网络学习投入之间起中介作用(H2)。

未来时间洞察力作为一种能力和动力特质,代表着个体对未来社会以及自我发展的可能性预期、计划和构造[13]。研究表明,未来时间洞察力可以减少休闲动机干扰[14]。高未来时间洞察力个体优先考虑长期学业目标,为收益指向未来的行为赋予更高的价值,感知到的被拒绝的休闲活动附带的激励价值较低,因冲突产生的自我调节较少[5],在面对DLMI时可能处于较低的自我损耗水平。相反,低未来时间洞察力个体优先考虑带来即时满足和享受的休闲目标,被拒绝的休闲活动附带的激励价值较高,面对DLMI时需要进行大量的自我调节,更可能处于较高的自我损耗水平。故未来时间洞察力可能调节DLMI和自我损耗的关系。来自跨文化的多方法的研究一致表明,未来时间洞察力可以积极预测学习投入[15-16],有效缓解风险因子对学习的不利影响[17]。高未来时间洞察力个体在DLMI时,优先选择学习目标,更可能在网络学习时保持较高的学习投入。同样地,尽管高/低未来时间洞察力个体均处于自我损耗的不利境地,高未来时间洞察力个体意识到学习对未来发展的重要性,仍可能保持较高的网络学习投入。本研究提出H3:未来时间洞察力可能调节了“DLMI-自我损耗-网络学习投入”这一中介模型。具体模型图见图1。

图1 有调节的中介作用理论模型图

1 对象与方法

1.1 对象

选取来自华中某地参加网络学习的本科生为研究对象,通过在线发放问卷的方式测量。共发放问卷750份,剔除未参加网络学习和回答不认真的被试后,得有效样本721份(96.1%)。年龄20.46±1.08岁,其中,男生355人(49.2%),女生366人(50.8%);理科189人(26.2%),工科169人(23.4%),文科160人(22.2%),艺术类203人(28.2%)。

1.2 方法

1.2.1 数字休闲动机干扰量表 该量表为学习-休闲冲突体验的分量表,由胡炳政等人[18]翻译并修订。量表开始为网络学习和数字休闲活动的冲突情境描述,随后给出假定选择(网络学习)。要求被试回答15道题目(包含11道反向计分题),采用4点计分。得分越高,说明数字休闲动机干扰越强烈。α系数为0.92。

1.2.2 自我损耗量表 采用Lanaj等人[19]编制的简版自我损耗量表,已被证明适用于中国被试,共5个题项。要求被试根据网络学习的经验作答,进行5点计分。得分越高,表明个体的自我损耗程度越高。α系数为0.89。

1.2.3 未来时间洞察力量表 采用王晨[20]修订的中文版津巴多未来时间洞察力量表,共5个题项,采用5点计分。得分越高,表明个体的未来时间洞察力水平越高。α系数为0.90。

1.2.4 网络学习投入量表 采用方来坛等人[21]修订翻译的学习投入量表,包含活力、奉献、专注3个维度,共17道题。为适用于网络学习情境,对条目进行修改。采用7点计分,得分越高,表明个体对学习的投入度越高。量表各维度的α系数分别为0.94、0.92、0.94,验证性因素分析显示该量表结构效度良好(χ2/df=4.61,RMSEA=0.06,SRMR=0.04,CFI=0.93,TLI=0.92)。

1.2.5 控制变量 为检测数字休闲动机干扰对网络学习投入独特的预测作用,研究对人口学变量(性别、年龄)和每天网络学习时长作为控制变量。

1.3 统计处理

在得到学生本人的知情同意后展开研究。问卷采用匿名方式填写,并要求被试真实、独立完成。被试完成问卷需15～20分钟。采用RStudio和SPSS 21.0软件进行数据处理。

2 结 果

2.1 共同方法偏差检验

采用Harman单因素法和控制未测量的潜在方法因子进行检验。Harman单因素检验结果显示共有5个特征值大于1的公因子,第一个因子解释总变异量的30%,小于临界指标40%。

2.2 数字休闲动机干扰、自我损耗、未来时间洞察力和网络学习投入的相关分析

DLMI与自我损耗呈显著正相关;DLMI与网络学习投入呈显著负相关;自我损耗与网络学习投入呈显著负相关;未来时间洞察力与网络学习投入呈显著正相关,见表1。

表1 描述性统计结果及相关分析(r)

2.3 数字休闲动机干扰对网络学习投入的影响机制分析

在对性别进行虚拟变量处理(男=1;女=0)和对所有预测变量进行标准化处理后,利用PROCESS插件进行分析。结果显示,DLMI对网络学习投入有负向预测作用(β=-0.09,P=0.015),假设1得到支持。加入自我损耗后,如表2所示,DLMI显著正向预测自我损耗(β=0.18,P=0.000),自我损耗显著负向预测网络学习投入(β=-0.15,P=0.000),此时,DLMI对网络学习投入的直接预测作用边缘显著(β=-0.07,P=0.062)。自我损耗的中介路径效应值为-0.03(Bootstrap95%置信区间为[-0.045,-0.009],不含0),中介效应占总效应比值为33.33%,假设2得到支持。

表2 有调节的中介模型

有调节的中介分析表明,DLMI和未来时间洞察力的交互项对自我损耗的预测作用不显著(β=0.03,P=0.417),DLMI和未来时间洞察力的交互项对网络学习投入的预测作用显著(β=0.10,P=0.008),自我损耗和未来时间洞察力的交互项对网络学习投入的预测作用显著(β=-0.13,P=0.000)。说明未来时间洞察力分别调节了DLMI与网络学习投入,以及自我损耗与网络学习投入的关系。假设3得到部分支持。

以M±1SD的原则区分出未来时间洞察力的高分组与低分组,进行简单斜率检验。如图2所示,当未来时间洞察力低时,DLMI对网络学习投入的负向预测作用显著(Bsimple=-0.16,t=-2.87,P=0.004);当未来时间洞察力高时,DLMI对网络学习投入的预测作用不显著(Bsimple=0.03,t=0.62,P=0.537)。此外,结果还表明,如图3所示,当未来时间洞察力低时,自我损耗对网络学习投入的预测作用不显著(Bsimple=-0.03,t=0.63,P=0.531);当未来时间洞察力高时,自我损耗对网络学习投入有显著的负向预测作用(Bsimple=-0.28,t=-5.56,P=0.000)。

图2 未来时间洞察力对数字休闲动机干扰-网络学习投入的调节作用

图3 未来时间洞察力对自我损耗-网络学习投入的调节作用

3 讨 论

3.1 数字休闲动机干扰对网络学习投入的影响

研究发现DLMI显著负向预测网络学习投入。该结果支持了动机干扰理论[7],也与基于线下学习的研究结果相似[3],即休闲动机干扰损害个体学习,例如导致学习者产生较差的课堂表现,较低的学习满意度、最终从学习中脱离[3,8]。相比于线下环境的休闲动机干扰学习,发生的网络空间中的数字休闲动机干扰更隐蔽、更具渗透性[6]。大学生不仅在学习和生活安排、社会互动等方面有更大的自由度,而且对网络的利用更充分、深入,个体可以在不同活动间“一键”切换。已有研究显示,不同目标的多任务处理对学习者的学习产生不利影响[22],任务转换难度的降低客观上增加了网络学习过程中的数字休闲干扰,进而降低个体的学习投入。本研究为网络背景下DLMI对大学生网络学习投入的负面影响提供了新证据。

3.2 自我损耗的中介作用

研究揭示了自我损耗在DLMI与网络学习投入之间的中介作用。该结果印证了自我损耗理论,与以往研究结果相呼应。在学习时发生的休闲动机干扰促使学习者进行大量的自我调节[5,8],例如控制行为,避免转换到休闲活动;调节认知加工,使学生的注意力重新回到学习任务;调节负面情绪等。这会消耗较多的自我控制资源,从而产生自我损耗[9]。自我损耗后的个体倾向于浅层认知加工,难以专注于学习活动,从而导致学习投入降低。此外,以往研究中较少考察休闲动机干扰和学习过程或结果之间的中介变量,更多是对休闲动机干扰的前因(如正念)及后果变量(如自我调节学习)进行探讨[5,8]。本研究考察自我损耗的中介作用,为DLMI相关研究搭建了新的整合视角。

3.3 未来时间洞察力的调节作用

研究发现,未来时间洞察力调节了“DLMI→自我损耗→网络学习投入”的直接路径和后半路径,揭示了未来时间洞察力对网络学习投入的保护性作用,这验证了以往研究结果[16-17]。相比低未来时间洞察力个体,高未来时间洞察力个体更能意识到学习对未来发展的重要价值,因此,无论在遭受数字休闲动机干扰或是处于自我损耗状态下,倾向于依据未来目标指导当前的活动,优先选择学习目标,保持较高网络学习投入。然而,研究并未发现未来时间洞察力在模型前半路径的调节作用,这可能是未来时间洞察力发挥作用需要消耗有限的自我控制资源[23]。因此,即使高未来时间洞察力个体面对DLMI时较少因调节学习过程而产生自我损耗,也可能处于高自我损耗中。

3.4 研究启示与不足

研究揭示了DLMI对大学生网络学习投入的负面影响及作用机制。基于此,本研究提出降低大学生DLMI风险的对策与建议,这对在信息技术加速渗透学习者生活的背景下,提高在线学习质量具有重要意义。

首先,教师及网课设计者可以采用严肃游戏等个性化教育手段,增加学习的趣味性,以平衡学习活动的严肃性和娱乐性。大学生是网络学习的主力军,但网络学习因缺少监管和互动,其效果并不理想。数字教育游戏作为一种新型的学习手段,在充分利用多媒体素材的基础上实现对学习材料的组织和整合。这不仅可以激发学习者的学习动机,还有助于创造真实有效的学习情境,提高学习效果。其次,教师可以从自我损耗恢复的角度入手,设计缓解数字休闲干扰后效的干预方案。网络学习的优势在于可以充分利用学习者的碎片化时间,然而这也可能导致学习者因缺乏必要的休息而陷入不良状态。教师可以帮助学生建立符合实际情况的学习任务计划,并指导学生将计划细化成更容易实践的每日任务,这样可以更好地帮助学生实现学习与生活的平衡。最后,教师可以帮助学习者树立未来时间观念,增加学习价值权重,从而提高网络学习投入。例如教师可以利用学校心理课开展生涯辅导,引导学生了解自己的时间人格特质和认知方式,启发学生对未来生活进行思考和规划,从而让学生更好地把握当下事件,提高学习投入。教师也可以组织小组合作,进行想象训练。在想象的基础上,引导学生建立较为长期的具体目标,并将具体目标与日常学习任务联系起来,在长期的目标框架中给赋予日常学习任务一定的意义,从而提升学生的未来时间洞察力。

本研究虽取得一些进展,但仍存在不足之处。首先,本研究为横断设计,未来可采用纵向研究或实验法进一步检验变量间的因果关系;其次,自我损耗分为持续效应和短暂效应,本研究关注的是前者,未来可在实验室环境考察数字休闲对学习的即时性干扰、状态性自我损耗对学习投入的影响;最后,随着网络使用的低龄化和在线学习的普及,青少年在不同时间段发展任务和身心特点各不相同,未来可针对不同学段(如小学)展开深入探讨。

总之,研究揭示了数字休闲动机干扰对大学生网络学习投入的负面影响及作用机制,证明了自我损耗的中介作用,并探查了未来时间洞察力在这一过程中的保护性因素,即未来时间洞察力可以缓冲数字休闲动机干扰和自我损耗对网络学习投入的不利影响。