感知交互性对在线学习者持续学习意愿的影响:基于S-O-R视角

2018 年 5 月 18 日 MOOC

| 全文共9341字,建议阅读时10分钟 |


本文由《现代远距离教育》杂志授权发布

作者:赵呈领、王娴、马晨星

摘要

 

以“刺激-机体-反应”(S-O-R)模型为理论基础,深入探讨感知交互性对在线学习者持续学习意愿的影响,将感知交互性分为四个维度:感知控制、感知响应性、感知个性化和感知互助。以某师范大学的部分在校生为研究对象,采用问卷调查的方法收集数据,利用AMOS和SPSS软件对数据进行处理从而对已建构的理论模型进行检验和分析。研究结果表明,感知控制、感知响应、感知互助均正向影响社会临场感;感知控制直接影响学习者的心流体验;社会临场感通过心流体验对学习者的持续学习意愿存在显著影响;而感知个性化对社会临场感和心流体验的影响在本研究中没有得到证实;不同受教育程度、学习动机的在线学习者在持续学习意愿上无显著差异。

关键词:S-O-R模型;在线学习;感知交互性;持续学习意愿

 

一、引言

 

党的十九大报告指出,“我国社会主要矛盾已经转化为人民日益增长的美好生活需要和不平衡不充分的发展之间的矛盾”,并明确提出,“建设教育强国是中华民族伟大复兴的基础工程,必须把教育事业放在优先位置,深化教育改革,加快教育现代化,办好人民满意的教育”[1]。杨宗凯指出,要“办好人民满意的教育”,就必须依靠互联网新思维,推进信息技术与教育深度融合[2]。在线开放课程以其开放性、个性化、网络化等特点为实现教育模式的变革与创新提供了契机,同时也使得全民学习、终身学习成为可能。但在线学习存在完成率低、辍学率高的问题。因此,如何提升在线学习者的持续学习意愿,对于在线开放课程的发展及其价值实现至关重要。在线学习主要是学习者与系统的交互、学习者与教师的交互和学习者之间的交互的过程[3],即人与学习系统的交互、人与人之间的交互。但目前的成果多聚焦于交互的行为特征,研究其对学习质量的影响,而忽视了学习者在学习上的主观能动性,较少关注在线学习中学习者对交互质量的感知[4]。在线购物、社交媒体(微信和学术博客)的相关研究中,已有大量文献表明感知交互性会直接影响用户的心流体验和社会临场感,从而间接影响用户的行为意向。无论是在线购物、社交媒体,还是在线学习,就其本质而言都是与平台交互、与人交互的过程。可见,其他相关领域的相关结论对在线学习的研究是有借鉴之处的。因此,以“刺激-机体-反应”(S-O-R)模型为理论基础,将学习者感知的交互性作为前因变量,将心流体验和社会临场感作为中介变量,将在线学习者的持续学习意愿作为结果变量,来探究感知交互性对在线学习者的持续学习意愿的影响机理。在丰富持续学习意愿影响因素研究的基础上,为在线开放课程的设计和实施提供理论参考。

 

二、研究基础  

 

(一)感知交互性特征

 

视角、过程视角和感知视角是目前研究交互性的三种常见视角[5]。过程交互性视角主要关注对信息的控制过程,考虑到研究的可行性,学者无法重点关注。特征视角侧重于对互动媒介特征的研究,认为具有某一功能的互动媒介比没有这项功能的媒介具有更高的交互性。而感知视角则关注人的感知与感受,把交互性看作学习者在在线交互过程中所获得的体验。因此,学习者在学习过程中的感受以及对其后续在线习行为的影响能更好地在该视角下体现。

 

纽翰根(Newhagen)等最早提出感知交互性这一概念,并将“对效能的心理感受”和“对媒体系统交互性的感觉”作为感知交互性的两个维度[6]。随后,有学者将上述两个维度应用于网站的研究,并将感知交互性分为感知控制、感知响应和感知个性化[7]。该界定充分考虑了网站使用过程中交互的两个方面:人与系统的交互和人与人的交互,这与在线学习情景下的交互情形十分吻合。


根据上述观点,结合在线学习的特征,本研究对感知交互性的各维度界定如下。


感知控制:学习者能够根据自己的意图控制在线学习过程,关注的是学习者对技术属性的感知。如:路径导航清晰、功能布局合理便于查找学习资源、平台的可操作性高等。


感知响应:学习者感知他人对自己行为的回应。在网络购物中,有学者将其界定为在线客服对消费者行为的回应[8]。根据在线学习的特点,文中的感知响应是指学习者感知到教师对其行为的回应。如:教师能及时回答学习者所关心的问题并提供相应的学习支持、当学习进度较慢时教师会督促学习者进行学习、教师很乐意与学习者进行沟通等。


感知个性:交互过程中,学习者感知到满足其需求的程度。如:学习平台调查学习者的学习需求、学习平台会根据学习者的学习情况推荐适合的学习内容。


感知互助:学习者除了与学习平台和教师进行交互,还有与学习同伴之间的互动交流。在对购物网站的研究中,有学者将消费者之间的沟通界定为互助性[8],而在线学习中学习者之间的交互显然也具有互助性特征。因此,本文增加了感知互助维度。感知互助具体包括以下几方面:从其他学习者的评价中得到很多好的建议、分享自己的学习体会与感受、分享学习资源。 


(二)社会临场感


社会临场感(social presence),又称社会存在、社会呈现,我国的学者多将其翻译为社会临场感。不同研究者对社会临场感的理解不一样,因此并没有一个统一的界定,对其较为经典的解释是:在利用媒体进行沟通过程中,一个人被视为“真实的人”的程度及与他人联系的感知程度[9]。简单来说,其反映的是“与他人共在”的感受。社会临场感有助于降低网络学习环境中可能出现的孤独感,这弥补了在线学习的不足。因此,学者越来越重视社会临场感对网络学习效果的影响。 


(三)心流体验


心流体验理论最初由美国著名心理学家特米哈依(Csikszentmihalyi)提出,该理论认为当个体将全部精力集中在某一件事的时候,会产生心流(flow),具体表现为注意力高度集中、感觉时间飞逝、心情愉悦等[10]。这种体验能降低学习者在网络环境下出现的被孤立和被隔绝的感觉,继而激励学习者积极参与在线学习活动,而这可能是降低在线学习高辍学率的有效途径之一。因此,有学者将该理论引入在线教育的研究中。如王卫等基于心流体验理论,探讨了在线学习过程中影响心流体验产生的条件因素及其导致的结果因素,从而研究心流体验对在线学习持续意愿的影响[11]。  


(四)S-O-R模型


基于环境心理学,梅拉比安和拉塞尔(Mehrabian & Russell)开创性地提出了刺激-机体-反应(Stimulus-Organism-Response,S-O-R)模型,该模型认为环境刺激会影响个体在认知和情感上的反应,继而影响他们的行为反应[12]。S-O-R模型多被用于电子商务领域的研究,在研究购物行为、线上销售等方面发挥着重要的作用。储海丽将社会影响因素作为环境刺激,沉浸体验作为消费者的内在状态,购买倾向作为行为反应,建立了研究模型,研究了人际互动因素对购买意愿的影响[13]。黄利伟以S-O-R模型为框架,对消费者互动和品牌忠诚的作用机制进行了细致的探讨[14]。因此,S-O-R模型为本文提供了坚实的理论基础。 


 三、研究模型及建构


以S-O-R模型为研究框架,结合临场感理论和心流体验理论,将感知交互性作为外界刺激,社会临场感和心流体验作为学习者的内在状态,持续学习意愿作为行为反应,来考量感知交互性对在线学习者持续学习意愿的影响机理。研究模型如图1所示。



(一)感知交互性与社会临场感


在线开放课程的相关研究中,较少对感知交互性和社会临场感的关系进行探讨,但其他研究领域的相关论点也可对这一关系进行论证。控制性体现了学习者对技术属性的感知,当学习平台可控且易用时,更容易给学习者带来接近真实学习环境的体验,继而产生类似于传统课堂的社会临场感。姜参等通过对网络购物消费者冲动性购买行为的研究,发现感知响应和感知互助均会显著影响社会临场感[8]。在对消费者的信任研究中,赵宏霞等也证实了感知响应对社会临场感产生正向影响[15]。根据学习者的实际学习情况提供个性化的学习服务,在一定程度上等同于教师一对一的辅导,从而促进社会临场感的产生。基于此,提出以下假设:


H1:在线学习中,感知控制影响学习者的社会临场感;


H2:在线学习中,感知响应影响学习者的社会临场感;


H3:在线学习中,感知个性化影响学习者的社会临场感;


H4:在线学习中,感知互助影响学习者的社会临场感。


(二)感知交互性与心流体验


甘春梅等的研究表明,学术博客的交互性能促进心流体验的产生[16]。通过对在线购物网站满意度的研究,杜云证实了感知控制、感知响应对顾客的情感体验和信任体验均有积极影响[17]。在对网络购物的实证研究中,发现感知控制、感知个性化对消费者心流体验的形成有显著的正向影响[8]。在线学习时,学习者之间互相分享学习的体会和经验,可以营造一种愉悦的学习氛围,从而引起心流体验。因此,提出如下假设:


H5:在线学习中,感知控制影响学习者的心流体验;


H6:在线学习中,感知响应影响学习者的心流体验;


H7:在线学习中,感知个性化影响学习者的心流体验;H8:在线学习中,感知互助影响学习者的心流体验。  


(三)社会临场感与心流体验


社会临场感体现的是“与他人在一起之感”。在网络购物情景中,已有研究证实社会临场感会显著影响消费者的心流体验[8]。在社交媒体中,社会临场感会对微信用户的心流体验产生积极影响[18]。同样的,在线学习过程中,社会临场感越高,学习者的体验就越接近真实情景,也就越容易达到心流状态。基于此,提出如下假设:


H9:在线学习中,社会临场感影响学习者的心流体验。  


(四)社会临场感与持续学习意愿


社会临场感作为一种备受关注的虚拟体验,已有大量研究表明在线活动中的社会临场感对网络用户的行为意向有积极的影响。在对弹幕用户持续参与的影响研究中,表明社会临场感正向影响持续参与意愿[19]。代宝等研究指出,社会临场感通过影响微信用户的感知有用性,从而影响用户的持续使用意愿[18]。在胡勇的研究中,也证实了社会临场感正向影响在线学习者的满意度[20]。


H10:在线学习中,社会临场感影响学习者的持续学习意愿。  


(五)心流体验与持续学习意愿


目前,学者们已经探讨并证实了多种在线活动中心流体验显著影响用户的在线行为意向。朱珂的研究表明,沉浸感会对网络学习空间的持续使用意愿产生积极影响[21]。同样的,王卫等也证实了心流体验对在线学习者持续学习意愿产生正向的显著影响[11]。因此,提出假设:


H11:在线学习中,心流体验影响学习者的持续学习意愿。  


四、实证研究  


(一)调查问卷设计、发放和回收


调查问卷共分为两个部分,第一部分为个人基本信息,如性别、专业、受教育程度和学习动机等;第二部分为问卷核心部分,共21个题项,测量的潜在变量共7个维度:感知控制(3个题项)、感知响应(4个题项)、感知个性化(2个题项)、感知互助(3个题项)、社会临场感(3个题项)、心流体验(3个题项)、持续学习意愿(3个题项)。每个题项均采用5点李克特量表进行记分,分别为非常不同意(1分)、不同意(2分)、一般(3分)、同意(4分)、非常同意(5分)。本次研究采取线上和线下两种途径收集数据,线上利用问卷星发放网络问卷,线下主要是在学校图书馆和课堂上分发纸质问卷,线上线下总计发放340份问卷。其中,线上网络问卷120份,线下纸质问卷220份。回收问卷320份,回收率为94.1%,有效问卷281份,有效率为87.8%。  


(二)数据统计与分析


1.调查问卷描述性统计分析


此次研究的调查对象为某师范大学的部分大学生,研究生为128人(45.6%),本科生为153人(54.4%)。对学习动机的统计分析发现,有123人(43.8%)是因为自身兴趣学习在线课程,135(48%)人是由于学业规定,还有23(8.2%)人则是出于其他原因。



2.测量模型检验

 

一般在分析数据前,需对测量模型的信效度进行检验。只有信效度符合要求,得出的研究结论才有意义。信度分析一般采用克隆巴赫系数(Cronbach’sα),若α系数大于或等于0.7,说明测量模型的信度较好[26]。除了克隆巴赫系数,复合信度(Composite Reliability,简称CR)也是一种检验测量模型信度的方法,其表示测量题项间的内在一致性。若复合信度大于0.7,可认为潜在变量的测试题项间具有较好的一致性。从表2可以得知,7个潜在变量的α值均在0.7以上,且复合信度也都大于0.7,由此可认为本研究的测量模型拥有较好的信度。


测量模型的效度包括收敛效度和区分效度。测量模型的收敛效度有以下三个检验标准:(1)测量题项的因子载荷需高于0.7;(2)潜在变量的平均方差提取值(Average Variance Extracted,AVE)需高于0.5;(3)潜在变量的复合信度需高于0.7[26]。测量模型的收敛效度如表3所示,本研究的测量模型同时满足以上三个指标要求,由此可认为该测量模型拥有较好的收敛效度。



表4反映了测量模型区分效度的检验情况。表4中主对角线上的值是将表3中平均方差提取值开平方计算而来,而其它值是该变量与其他潜在变量的相关系数值。由于表中对角线上的值均大于与它同行同列的数值,因此,可认为本研究测量模型的区分效度较好[27]。由于同时获得了较好的收敛效度和区分效度,因此,本研究的建构效度较好。


3.结构模型检验


AMOS软件有多种评估模型拟合度的指标,本文采用该软件来评估研究模型的拟合效果,常用的拟合指标有以下几种:CMIN/DF、RMR、GFI、AGFI、NFI、RFI、TLI、CFI、RMSEA。由表5可知,各项拟合指标均高于要求值,说明该研究模型有较好的拟合度。


4.假设检验


本研究通过AMOS21.0验证理论模型的各路径假设,验证情况如图2所示。学习者在在线课程学习中的社会临场感受到感知交互性的影响,感知响应对社会临场感的影响最高(β=0.28,P<0.001),其次是感知互助(β=0.26,P<0.05)和感知控制(β=0.17,P<0.05)。在线学习过程中,学习者的心流体验显著受到感知控制的影响(β=0.27,P<0.001)。学习者的社会临场感对心流体验有积极的正向影响(β=0.26,P<0.01),而且心流体验显著影响持续学习意愿(β=0.76,P<0.001)。本研究中没有证实感知响应和感知互助对心流体验的影响、感知个性化对社会临场感和心流体验的影响、社会临场感对持续学习意愿的影响。说明感知响应和感知互助只有通过社会临场感才能影响心流体验,而社会临场感通过心流体验对在线学习者的持续学习意愿具有间接影响,感知个性化则不是影响持续学习意愿的因素。



5.受教育程度、学习动机对在线学习者持续学习意愿的作用


本研究分析了不同受教育程度、学习动机的在线学习者在持续学习意愿上是否有显著性差异,样本数据的描述性统计信息如表6所示。本研究采用独立样本T检验来分析在线学习者的受教育程度、学习动机对持续学习意愿的影响,在进行独立样本T检验前,应先检验数据是否满足正态分布。通过SPSS软件的计算分析,得到持续学习意愿变量的偏度和峰度值分别为-0.04和0.311,均小于1,由此可认为该样本数据服从正态分布。



(1)不同受教育程度的在线学习者在持续学习 意愿上的差异性检验


不同受教育程度的在线学习者在持续学习意愿上的差异如表7所示。在“列方差相等性检验”框中的显著性为0.059,大于0.05,则选择“已假设方差齐性”这一行的t检验结果。在“平均值相等性的t检验”中显著性(双尾)为0.291,大于0.05,说明两组数据的均值不存在显著性差异,即不同受教育程度的在线学习者在持续学习意愿上并无显著性差异。


(2)不同学习动机的在线学习者在持续学习意愿上的差异性检验


不同学习动机的在线学习者在持续学习意愿上的差异如表7所示。在学习动机因素中,“列方差相等性检验”框中的显著性为0.735,大于0.05,则选择“已假设方差齐性”这一行的t检验结果。在“平均值相等性的t检验”中显著性(双尾)为0.385,大于0.05,说明两组数据的均值不存在显著性差异,即不同学习动机的在线学习者在持续学习意愿上并无显著性差异。


 

五、讨论与建议  


(一)讨论


本研究从学习者的在线体验出发,以S-O-R模型为理论基础,探讨了感知交互性对在线学习者持续学习意愿的影响。通过分析问卷数据,对构建的理论模型和研究假设进行验证,以下是本文得出的研究结论:


1.感知个性化不是影响在线学习者持续学习意愿的因素


从文章的分析得出结论,个性化对社会临场感和心流体验的假设没有得到支持,即学习者的持续学习意愿不受个性化的影响。通过郑勤华等人的调研发现,622门MOOC课程中,仅有66门(占10.6%)课程发布了调查问卷来调查学习者的学习需求[28]。还有些在线课程虽然有调查问卷这个功能模块,但是并没有实际发布问卷,所以学习者可能已经习惯并接受了这种现状。


2.感知控制、感知响应、感知互助均影响社会临场感,其中,感知响应的影响作用最大


感知响应和感知互助产生于学习者与教师以及学习者与学习者之间的交互,这两种交互都属于社会性交互,具有社会性和真实性,从而能促进社会临场感的产生。但相比于同伴之间的互助,学习者更信服教师的专业性。先前研究也得出类似的结论,在线学习者更倾向于与教师互动,并参与教师引导的交互学习活动[4]。


3.感知控制直接影响学习者的心流体验,而感知互助和感知响应对学习者的心流体验有间接影响


控制性关注学习者对技术属性的感知,当学习者感觉能控制自己的在线学习过程时,会有更好的学习体验。感知互助和感知响应体现的是人与人的交互,因而通过社会临场感间接影响学习者的心流体验。


4.社会临场感只有通过心流体验才能间接影响在线学习者的持续学习意愿


从数据分析得知,心流体验是在线学习者持续学习意愿的直接影响因素。心流体验是积极的认知体验和情感体验的最高形式表现。在线开放课程能否让学习者产生心流体验,是检验其价值高低的重要依据。通过在线课程的交互设计,来为学习者创造良好的学习体验,成为提升在线学习者持续学习意愿的新路径。5.不同受教育程度、学习动机的在线学习者在持续学习意愿上无显著差异  


(二)建议


根据研究结果从在线学习平台、教师和学习者三个层面提出相关建议,以期完善在线开放课程的设计和实施,从而提升学习者的在线持续学习意愿。


1.学习平台:提供良好的在线学习体验


互动反馈是提升学习者满意度的核心[29],因此,在线学习平台应为学习者提供交互的途径。如讨论区、聊天室、QQ群、直播课中的弹幕等,使学习者能够与教师和学习同伴进行实时交流。然而也不能忽视学习者与自己的交互。在“学习笔记”中,学习者可以总结自己的学习情况,记录自己的学习心得。但通过郑勤华的研究发现,其调研的14个平台中,仅有6个平台提供笔记功能[28],这需要予以重视。如果学习者在与学习过程中使用技术进行交互时感觉困难,他们会因此对技术产生负面态度,从而影响他们的在线学习质量。因此,清晰的界面设计、合理的功能布局、易操作性、路径导航也应成为学习平台设计的重点。


2.教师:提供学习支持以帮助在线学习者成为自我调节的学习者


根据果壳网对MOOC学习者的调查,只有6.7%的学习者不需要和老师交流[30],说明绝大部分学习者是喜欢与教师进行交流互动的。首先,教师应该起到“督学”的作用。当学习者学习进度较慢,或者错过交作业日期时,需发邮件提醒学习者,督促其学习。其次,教师应该起到“导学”的作用。在线学习因为缺乏师生面对面的交流,因此教师的在线引导和调节就显得更为重要。不同于传统课堂,在线学习的教师支持多体现在教学视频和论坛中。在设计教学视频时,教师应根据自己的教学经验或者以往的学习情况,预设学习者会出现的问题,并在视频中以提问的形式与学习者进行互动,帮助学习者理解重难点知识。在论坛中,提出与课程内容相关、引发学生深入理解课程的讨论话题,引导学习者进行思考;同时,教师的响应速度也很关键。针对在线环境的分析证实,在线学习者渴望得到教师的及时反馈[31]。教师的及时回复是对学习者行为的积极强化,让学习者感觉自己是受重视的,从而提升在线持续学习意愿。当然,除了“督学”和“导学”,教师对学习者的情感支持也是必不可少的,教师的鼓励和表扬会积影响学习者态度,从而激发他们的学习动机和提高在线学习满意度。


3.学习者:意识到交互的重要性


在线学习过程中,参与协作的学习者往往只关心如何完成学习任务、如何通过课程考核。不知道讨论也是学习,帖子也是学习资源;不理解“回想/总结帖”是一个学习工具;学习者并没有意识到积极的交互会改变他们的态度和解决问题的技能。学习者自身需要提升自己的在线学习意识,除此之外,在线教师也应进行引导,多展开合作学习、同伴互评等活动。  


六、总结与展望


通过以S-O-R模型为理论基础,探究了感知交互性对在线学习者持续学习意愿的影响。结果发现感知交互性影响学习者的社会临场感和心流体验,从而间接影响学习者的持续学习意愿。由此可见,感知交互性是影响在线学习质量的关键因素,需引起高度重视。心流体验是影响在线学习者持续学习意愿的直接因素,因此,也不能忽视对学习者心流体验的培养。本研究还存在两个方面的不足。其一,本研究的调查样本范围较狭窄,研究对象仅仅是某师范大学的在校生,数据存在一定的局限。其二,仅仅考虑了感知交互性、社会临场感、心流体验对在线学习者持续学习意愿的影响,其他因素如学习者的在线学习能力则考虑得较少。在后续的研究中,需扩大研究范围,完善理论模型。


 


基金项目:2017年湖北省技术创新专项(重大项目)“互联网+精准教育关键技术研究与示范”(编号: 2017AA105)。 

作者简介:赵呈领,华中师范大学教育信息技术学院教授,博士生导师;王娴,马晨星,华中师范大学教育信息技术学院硕士研究生。


转载自:《现代远距离教育》2018年第3期

排版、插图来自公众号:MOOC(微信号:openonline)


喜欢我们就多一次点赞多一次分享吧~


有缘的人终会相聚,慕客君想了想,要是不分享出来,怕我们会擦肩而过~

《预约、体验——新维空间站》

《【会员招募】“新维空间站”1年100场活动等你来加入》

有缘的人总会相聚——MOOC公号招募长期合作者


产权及免责声明 本文系“MOOC”公号转载、编辑的文章,编辑后增加的插图均来自于互联网,对文中观点保持中立,对所包含内容的准确性、可靠性或者完整性不提供任何明示或暗示的保证,不对文章观点负责,仅作分享之用,文章版权及插图属于原作者。如果分享内容侵犯您的版权或者非授权发布,请及时与我们联系,我们会及时内审核处理。


了解在线教育,

握MOOC国际发展前把沿,请关注:
微信公号:openonline
公号昵称:MOOC

   


登录查看更多
4

相关内容

持续学习(continuallearning,CL) 是 模 拟 大 脑 学 习 的 过 程,按 照 一 定 的 顺 序 对 连 续 非 独 立 同 分 布 的 (independentlyandidenticallydistributed,IID)流数据进行学习,进而根据任务的执行结果对模型进行 增量式更新.持续学习的意义在于高效地转化和利用已经学过的知识来完成新任务的学习,并且能够极 大程度地降低遗忘带来的问题.连续学习研究对智能计算系统自适应地适应环境改变具有重要的意义
异质信息网络分析与应用综述,软件学报-北京邮电大学
专知会员服务
107+阅读 · 2020年6月12日
【ICMR2020】持续健康状态接口事件检索
专知会员服务
17+阅读 · 2020年4月18日
多模态深度学习综述,18页pdf
专知会员服务
211+阅读 · 2020年3月29日
新时期我国信息技术产业的发展
专知会员服务
69+阅读 · 2020年1月18日
【机器学习课程】机器学习中的常识性问题
专知会员服务
72+阅读 · 2019年12月2日
支持个性化学习的行为大数据可视化研究
在线学习体验影响因素结构关系探析
MOOC
7+阅读 · 2019年3月20日
基于MOOC数据的学习行为分析与预测
计算机研究与发展
6+阅读 · 2017年10月11日
CoCoNet: A Collaborative Convolutional Network
Arxiv
6+阅读 · 2019年1月28日
Arxiv
5+阅读 · 2018年10月11日
A Survey on Deep Transfer Learning
Arxiv
11+阅读 · 2018年8月6日
Arxiv
25+阅读 · 2018年1月24日
VIP会员
相关VIP内容
Top
微信扫码咨询专知VIP会员