学习投入对在线学习绩效影响路径的实证研究

摘  要：在“数字中国”战略背景下，在线学习已成为现代高等教育的重要组成部分。该文结合554份有效问卷数据，采用结构方程模型分析认知投入、行为投入、情感投入和社会交互投入四个维度对在线学习绩效的影响。研究表明，社会交互投入对学习绩效有显著正向影响，情感投入则通过提升认知投入和行为投入间接影响学习绩效。进而提出认知加工和积极学习行为是提升在线学习效果的关键，强调社会交互投入和认知投入对改善学习绩效的重要性。该文揭示各维度在线学习投入在提升学习绩效中的关键作用，为优化在线教育策略提供实证依据。

关键词：在线学习；学习绩效；社会交互；认知投入；情感投入

中图分类号：G640      文献标志码：A         文章编号：2096-000X（2024）33-0094-05

Abstract： Under the background of 'Digital China' strategy， online learning has become an important part of modern higher education. Based on the data of 554 valid questionnaires， this paper uses the structural equation model （SEM） to analyze the impact of four dimensions of cognitive input， behavioral input， emotional input and social interaction input on online learning performance. The research shows that social interaction input has a significant positive impact on learning performance， and emotional input indirectly affects learning performance by improving cognitive input and behavioral input. Furthermore， it is proposed that cognitive processing and positive learning behavior are the key to improving the effect of online learning， emphasizing the importance of social interaction input and cognitive input to improve learning performance. This paper reveals the key role of online learning engagement in improving learning performance， and provides an empirical basis for optimizing online education strategies.

Keywords： online learning; learning performance; social interaction; cognitive input; emotional input

随着信息技术的迅猛发展，在线学习已成为现代高等教育的重要组成部分[1]。尤其在“数字中国”战略背景下，在线学习凭借所处虚拟空间具备的动态性、隐匿性、映射性，为学习者提供了更加自主、灵活、开放的学习环境。一方面，这种学习模式能够引导大学生认知真实需求，加强自我管理，提升综合素质；另一方面，在线学习还能够通过网络技术促进学习资源的共享和学习体验的提升。然而，尽管在线教育的普及程度日益提高，大学生在在线学习中依然面临一些挑战[2]。首先，在线学习以视频、直播为主，师生互动相对缺乏，可能造成学生理解不够深入透彻。此外，由于缺乏面对面的互动和监督，学生在线学习的参与感较低，容易产生懈怠情绪，学习投入不足[3]。在线学习对学生的自主学习能力和自我管理能力提出了更高的要求，这使得部分学生可能难以适应。因此，如何促进大学生在线学习的学习投入，有效提升学习绩效和质量，是当前教育研究领域关注的热点之一[4]。

在线学习投入指学习者参与在线学习活动以及与他人保持交互的复杂过程中展现出的持续积极状态，是衡量学习质量、预测学习效果的关键指标。学习投入理论认为：认知、情感和行为投入是衡量学习投入的重要维度。其中，行为投入是认知投入与情感投入的载体和中介[5]。此外，学习动机又是影响学习投入的根本因素。自我决定理论（SDT）指出，学习动机包含内在动机和外在动机，内在动机由个人的兴趣和享受所驱动，外在动机则是由外部奖励或压力所驱动[6]。因此从社会学角度出发，社会交互投入可以作为外在动机引入在线学习投入测量指标。在在线学习环境中，采取有效策略激发大学生的学习动机，增加学习投入，对提升学习绩效至关重要。一些学者针对在线学习投入与学习绩效展开了相关研究：易福侠[7]构建了信息素养、在线学习投入和在线学习绩效的结构方程模型，发现在线学习投入对学习绩效有显著正向影响。李运福等[8]指出，情感投入是学习的动力，影响学习行为表现；学习行为受认知活动支配，情感投入有助于深层次认知加工。线上交互和内部动机能增强情感投入，从而作用学习绩效。马志强等[9]指出，认知投入因素中的认知能力与策略、元认知和情感投入因素均显著影响社会性学习行为，在线讨论行为则显著影响满意度和课程持续使用意向。王福胜等[10]指出学习绩效是检验在线学习有效性的关键指标。在线学习绩效包括学业成绩和学习体验两个维度，其中学习体验是衡量在线教学质量的重要标准之一，体现在学习满意度上。肖康等[11]研究了在线学习绩效的测量方法，并指出学习者的在线学习成绩及满意度是评价学习绩效的重要指标。个人知识的积累和团队学习的效果也是衡量在线学习绩效的重要维度。综上可知，认知投入、行为投入、情感投入、社会交互投入是学习投入的四个维度，而课程学习成绩、满意度、学习效果、专业知识与应用技能掌握程度等则是度量在线学习绩效的重要指标[12]。

基于上述理论基础和研究现状，针对如何有效促进大学生在线学习投入水平，提高在线学习绩效问题，本文基于西部某高校水利类专业教育改革背景，整合自我决定学习理论与学习投入理论，选取某西部高校水利类专业学生为研究对象，采用结构方程模型分析方法，引入在线教育学习情境相关要素，测量并构建在线学习投入的结构模型，探究大学生的在线学习投入各维度的内部联系和相互作用，以及作为外部动机的社会交互投入对在线学习绩效的正向预测效应，以期探究在线课程学习设计的优化策略，探寻提升在线学习绩效的有效路径。通过了解学生在线学习的参与情况与学习效果，可为在线教育策略的改进提供建设性建议，有助于进一步推动“数字中国”背景下教学改革和水利类人才培养质量的提升[13]。

一  研究设计

（一）  研究方法概述

本文以西部某高校水利类专业学生为研究对象，旨在探讨学习投入影响在线学习绩效的有效路径。采用定性定量研究方法，通过分层抽样法和问卷调查法收集数据。采用结构方程模型（SEM），运用AMOS和SPSS软件对问卷数据进行分析，探索学习投入各维度对在线学习绩效的影响。

（二）  样本选择与数据收集

本研究采用分层抽样法来选择调查问卷对象。研究对象为西部某高校水利类专业学生，参与调查的学生样本具有多样性。性别方面，男生占79.5%，女生占20.5%；年级分布为大一19.8%，大二17.9%，大三16.7%，大四21.5%，研究生24.1%；家庭经济状况方面，中等收入家庭占82.7%，高收入家庭占3.1%，低收入家庭占14.2%；专业分类方面，农业水利类占28.9%，水利水电学类占44.5%，其他专业占26.6%。样本具有代表性，能够较全面地反映该校水利类专业学生的在线学习情况。

本研究数据来源于对上述样本学生的问卷调查，为保证调查问卷的科学性、合理性，参考成熟的李克特量表设置问卷，界定理论模型的潜在动因以及各因素的测量量表，涵盖基本情况问题、在线学习投入水平量表、学习绩效量表以及质量控制设置等方面。问卷通过水利建筑工程学院内网和在线学习平台分发，采用电子形式填写。起先简化了问卷结构，进行了预测试和修改，并剔除了答题时间异常的问卷。研究共发放592份问卷，回收有效问卷554份，有效回收率为93.6%。数据回收后，进行了清洗和筛选，以确保数据的可靠性和代表性。

（三）  数据分析方法

采用结构方程模型（SEM），运用AMOS和SPSS软件，对在线学习绩效理论模型中各变量关系之间假设关系进行验证。结构方程模型是一种结合因子分析和路径分析的统计方法，可以有效分析和处理研究中无法直接测量的变量及其因果关系。由于模型中的概念变量无法直接测量，需要对潜在变量进行操作化处理，使用可直接测量的问项来获取所需的样本数据。为分析学习投入的四大维度——认知投入、行为投入、情感投入、社会交互投入的内部联系和相互作用，以及作为外部动机的社会交互投入的正向预测效应，作出如下假设（图1）。

（四）  结构模型适配度检验

为了确保研究模型的有效性和可靠性，在进行结构模型分析之前，首先对模型的适配度进行了检验。研究者首先检验了模型的整体拟合情况，模型的卡方自由度比（CMIN/DF）为2.886，处于理想区间（1～3）内，表明模型与观测数据之间具有较好的拟合度。误差均方根（RMSEA）值为0.06，低于0.08的可接受阈值，进一步证实了模型的拟合质量。内在因子增量指数（IFI）、塔克-刘易斯指数（TLI）和比较拟合指数（CFI）均超过了0.9，这些指标的优异表现表明模型在结构上具有高度的一致性和可靠性。适配度检验分析结果见表1。

（五）  模型信效度检验

1  测量模型信效度检验

为了确保研究结论的可靠性和有效性，在进行结构模型检验之前，对测量模型的信度与效度进行了检验，以保证结构模型有实际意义。信度检验以克隆巴赫系数（Cronbach α）和组合信度为标准。Cronbach α 是检验量表或构念内在一致性的重要参考指标。当 α≥0.70 时，属于高信度；0.35≤α<0.70 时，属于尚可；α<0.35 则为低信度。若各变量的组合信度大于 0.6，说明潜在变量的测量题项有较好的内部一致性，即表示测量模型的内在质量良好。通过计算，本研究中所有潜在变量的组合信度均大于 0.6，具体数据如下：认知投入组合信度为 0.82，行为投入组合信度为 0.78，情感投入组合信度为 0.81，社会交互投入组合信度为 0.85。这些结果表明，测量模型信度较好，测量数据的内部一致性较高，支持后续的结构模型分析。

注：H1为社会交互投入对认知投入具有正向预测效应；H2为社会交互投入对行为投入具有正向预测效应；H3为社会交互投入对情感投入具有正向预测效应；H4为情感投入对认知投入具有显著的正向预测效应；H5为情感投入对行为投入具有显著的正向预测效应；H6为认知投入对行为投入具有显著的正向预测效应；H7为认知投入对学习绩效具有正向预测效应；H8为行为投入对学习绩效具有正向预测效应；H9为社会交互投入对学习绩效具有正向预测效应；H10为情感投入对学习绩效具有正向预测效应。

2  调查问卷结构效度检验

首先，通过进行KMO、巴特利特球形检验、旋转成分矩阵，以确定数据是否适合因子分析。结果表明，KMO值为0.932，接近于1，同时，巴特利特球形度检验显示，Bartlett检验p值小于0.05，表明量表具有优良的结构效度。旋转成分矩阵根据 AMOS得到因子载荷计算的CR和AVE都在可接受范围内。其次，进行了主成分分析（PCA）以提取潜在因子。因子分析结果表明，认知投入、行为投入、情感投入和社会交互投入四个因子可以解释在线学习投入的大部分方差。每个因子在统计上都具有显著性，表明这些因子在构建在线学习投入模型时具有重要作用。通过验证性因子分析，进一步确认了各个测量量表的结构效度，确保了问卷在不同维度上的有效性。最后，通过对问卷数据进行区分效度检验，五组数据的因子载荷量介于0.59到0.83之间，均高于0.5的标准，同时组合信度也超过0.6，这表明问卷具有良好的聚合效度。