2018年 2月
软件导刊•教育技术
Journal of Educational Technology
Vol.l7No.2Feb.2018
影响大学生使用移动学习的因素分析
宋志鹏，李玉斌
(辽宁师范大学计算机与信息技术学院，辽宁大连116033)
摘要：通过开发一种结合创新扩散理论（IDT)和创新抵抗模型（MIR)的综合研究模型，分析大学生 抵制和使用移动学习的影响因素。在自定义了惯性和创新性的概念后，揭示了学生个人方面抵制移动学 习的因素。研究发现，移动学习抵抗能够调解相对优势和复杂性对移动学习的使用意图的影响，研究结 果为教育工作者制定和实施适当的移动学习策略提供了借鉴意义。
关键词：大学生；移动学习；影响因素
中图分类号：G434 文献标识码：A
文章编号：1672-7800(2018)02-0017-0$
《教育信息化十年发展规划（2011-2020年）指出，要推 进信息技术与教育教学深度融合，关注信息技术在教学中
的创新应用[1]。移动学习是移动技术与数字化学习技术（e- Leaming)发展相结合产生的一种新型数字化学习形式。欧 洲和美国一般以m-Learning或m-Education来指称，而我国 一般表述为移动学习或移动教育％]。作为特定类型的学习 模式，有关移动学习的学术讨论和实践应用越来越热门，特 别是在大学校园。
本研究旨在确定影响大学生抵制移动学习的因素。研 究将已有的移动学习理论内涵进一步扩展。第一，已有研 究主要集中在基于理论的范式，包括技术接受模型（TAM) 和创新扩散理论（IDT)预测移动学习的采用度和满意度。 却忽略了个体对创新的抵制能力的重要作用，因为学生抵 抗移动学习的情况和影响这种抵抗力的因素很少被调查。 第二，已有研究解决了新技术和创新特征的影响，即对IDT 和TAM结构的研究。在此基础上，文章结合了个人的心理 特征以及创新特征的影响。
习，也包括正规场景，利用移动设备促进个体探究和协作[]。 西北师范大学的郭绍青教授认为移动学习是指学习者利用 无线移动通信网络技术以及无线移动通信设备获取教育信 息、教育资源和教育服务，并在适当的情境下通过移动技术 实现教与学的丰富交互，随时随地进行的数字化学习形式[]。 1\"创新扩散理论
对于消费者是否采用新技术和新技术扩散过程的预测
和解释，一直是学术界和工业界都非常感兴趣的课题，并提 出了许多相关的研究模式。其中最具代表性的是IDT和 TAM。IDT，是Roggs[10&研究了一系列有关创新扩散的案 例后提出来的理论。通常应用于创新采用、扩散过程和影 响因素的相关研究。应用IDT的实证研究已经得出创新应 用的五个特征，为创新的相对优势、兼容性、可行性、可观察 性和复杂性[1]。其中前四项在IDT中得到了广泛的认可， 而对复杂性认识尚不全面。虽然创新特征的影响已经在已 有许多研究中得到证实，但在同一层次上各个特征的重要 性尚未得到充分的认识。多数研究已经忽略了可试验性和 可观察性的影响，认为相对优势，复杂性和兼容性的解释力 相对较高。有学者通过应用IDT审查了移动学习的使用， 发现在五个创新特征中只有相对优势和复杂性的影响才是 重要的。尤其是这两个因素在概念上与感知的有用性和感 知的易用性相关联，并且被认为是影响TAM的因素。在教 育研究和应用TAM的各个领域，感知的有用性和感知的易 用性已被证明可用于预测计算机的使用程度和新的信息技 术采用程度％2]。
IDT的理论描述的是创新本身的性质，而消费者的心 理特征是解释创新应用的另一个因素。创新性被概念化为
1文献综述
1.1 移动学习
作为一个动态发展中的研究领域，有关移动学习的概 念并没有形成共识。国外学者提出了众多定义[37]，常用的 定义是在学习背景下学习者通过移动技术随时随地访问信 息，进行真实活动时发生的学习。国内学者中，北京师范大 学的黄荣怀教授认为移动学习是在非固定的、非预先规划
的时间和地点的非正式场所，利用移动设备与虚拟的和物 理的世界交互发生的个人的、协作的或者混合方式的任何学
收稿日期=2017-09-15作者简介：宋志鹏（1993-)，男，辽宁师范大学计算机与信息技术学院硕士研究生，研究方向为数字化学习；李玉斌（1980-)，男，辽宁师范大
学计算机与信息技术学院教授，博士生导师，研究方向为数字化学习、信息技术教育。
• 18 •宋志鹏，李玉斌:影响大学生使用移动学习的因素分析
第2期
心理学中的“冒险主义”或品种寻求和新奇寻求，被认为是 解释创新应用最具特色的消费者个人特征。!3创新抵抗模型
尽管现有研究具有相当大的解释力，但这些理论只考虑创新采纳的观点，所以具有根本的局限性---接受这一概念不包括负面意义。如果接受程度为1-5级，意味着用户 无论选择哪一级都表示用户会接受，只是程度不同。因此， 难以确定用户是否存在不满或抵抗的负面反应。综上，我 们应该更好地了解影响创新抵制力的因素，而不仅仅是创 新采用。MIR是应用阻力范式的代表性理论。Ram[13]将创 新抵抗定义为消费者在采用创新的同时抵制变革。Ram%4& 动学习的局限性。例如，移动设备通常屏幕小，因此文本输 入不方便，编辑文件很困难。另外，移动学习在学习管理上 与面对面或基于计算机的学习相比，测试难度大，效率较 低。由于移动学习在很大程度上是独立和自愿的，因此如 果学生在使用移动学习服务方面缺乏技术技能，学生就难 以顺利学习。移动学习的局限性增加移动学习用户的复杂
性感知，反过来又可以增加IDT和MIR中的移动学习抵制 力，从而阻碍移动学习的采用。在许多实证研究中，复杂性 也被认为对学习相关技术的采用产生负面影响。因此，提 出 下 :
H2a:感知复杂性对移动学习使用意图有负面影响。提出创新特征、消费者特征和传播机制是影响创新抵抗的 因素。在实际中，消费者倾向于在评估某些行为的结果时 考虑是否会带来损失。因此，如果其他条件相同，他们通常 选择现有做法，抵制新的变革。
影响创新抵抗的消费者特征变量分为心理变量和人口 统计学变量。心理变量，包括个性、信仰和态度，这些可以 判断消费者是否“愿意创新”，而年龄，教育和收入等人口统 计学变量则说明了消费者的“创新能力”。
2研究模型和假设
基于已有研究和相关理论，本研究设计了以下研究模
式和方法，揭示包括相对优势、复杂性、惯性和创新性四个 因素在内的创新特征和个人特征的影响效应（见图1\"。2\"相对优势的影响
移动学习可以随时随地开展，以提高效率。移动学习 还能够重复使用教育资源，并允许学习在最佳时间和地点 灵活地进行。因此，移动学习提供了有效的教学和学习环 境。移动学习促进学习体验更具个性化，定制化和协作化， 并能够克服课堂学习的局限性。
在IDT和MIR中，相对优势是促进新技术或创新采用 并减少阻力的关键因素。许多已有的数字化学习和移动学 习研究表明，相对优势对接受新技术设备或服务有积极的 作用。基于已有研究的结果，本研究假设学生对移动学习 相对优势的较高认知度与使用移动学习的较高意图和降低 移动学习抵抗力相关联。因此，提出以下假设：
Hla:感知相对优势对移动学习使用意图有积极影响。Hlb:感知相对优势对移动学习阻力有负面影响。
2\"复杂性影响
在已有的研究中，认可了移动学习的优点，也提出了移
H2b:感知复杂性对移动学习抵抗有积极的影响。2.3惯性和移动学习抵抗力
在人机关系领域，惯性这一个性特征受到重视。个人 层面的惯性意味着个人倾向于坚持和保持目前的行为模式 或状态，并且不关心各种现在或将来的替代方案，即使存在 更好的替代或激励措施。'K15&认为惯性会导致个人倾向 于继续做出类似的决定，即惯性可以被认为是个人倾向或 维持现状的心理状态。
教育领域的惯性研究十分有限，而在商业领域的诸多 研究中，惯性被认为是解释品牌忠诚度和消费者回购意图 的一个重要变量，也是抵制新服务采用和遵守现有服务的 一个因素。MIR也强调了抵抗创新能力的个人心理变量的 重要性。本研究假定，惯性可以作为一种个人特征，增加对 移动学习的抵抗力，并作出假设：
H3:惯性对移动学习抵抗有积极影响。2\"创新性
Roggs%6&将个人创新定义为在相同社会结构的其他组 成部分之前接受新技术的意图水平。在其他领域进行的一 些研究已经证明，具有较高创新能力的人往往更有兴趣获 得有关高科技产品和使用新技术的知识。个人创新性作为 在教育领域接受新技术或服务的重要预测因素，可能对采 用移动学习和基于计算机的学习有积极的影响。因此假设：
H4 :创新性对移动学习使用意图有积极的影响。2\"用户抵抗的影响
创新抵抗消 者在创新采 过程 体
的
理
状态。虽然移动学习作为一种新的教育工具，特别是在高 等教育中，引起了人们的兴趣，但有些学生对移动设备的学 习不熟悉，有些学生担心移动环境会分散他们的注意力。 因此，了解用户抵抗的影响是移动学习的采用和传播的必 要条件。在现有文献中，用户抵抗已被证实对采用创新或 新技术和IT使用行为有负面影响。因此，提出以下假设：
H5:移动学习抵抗对使用移动学习的意图有负面影响。 2\"用户抵制的调节作用
用户抵抗可以是创新采用的自变量，也可能是受各种 因素影响的因变量。在前因变量与创新收益之间的关系中
扮演着中介角色。一项研究发现，用户抵抗会调节电子学 习资源对电子学习使用的影响％7]。本研究预测，相对优势
第2期宋志鹏，李玉斌:影响大学生使用移动学习的因素分析• 19 •
和复杂性是IDT和MIR中使用移动学习的先决变量，受到 学生对移动学习的抵抗力的调节，并作以下假设：
H6a:移动学习抵抗力能够调节相对优势对移动学习使 用意图的影响。
H6b:移动学习抵抗力能够调节复杂性对使用移动学习 的意图的影响。
型的拟合度。本研究采用的拟合度指数如下：最小样本差 异（CMIN)，比较拟合指数（CFI) Mucker-Lews 指数（TLI)， 均方根残差（RMR)和根平均值近似平方误差（RMSEA)。 应用以下拟合指数来确定假设模型是否与样本数据拟合良 好：卡方，比较拟合指数(CFI，拟合为0.90)，塔克-路易斯指 数（TLI，拟合为0.90)，均方根残差（RMR，拟合为0.50)和 根平均值近似平方误差（RMSEA，拟合为0.80)[18]。
3研究方法
4
结果
3.1测量
在本研究中使用问卷测量六个维度：相对优势，复杂 性，惯性，创新性，移动学习抵抗以及移动学习使用意图，采 用李克特量表编制方法，从“强烈不同意”（1)到“强烈同意”
(5)中选择一个选项。指标均从已有文献整理改编，以确保 内容的有效性。调查问卷列于附录A。3.2数据收集和样本描述
调查是在2017年8月28日之前通过在线调查问卷进 行的。参与者的征集和数据收集由问卷星（https://www. sojump. com/)，一家专业的在线调查公司进行。
由于移动学习是一个相当广泛的概念，所以受访者可 能认识不同。因此，问卷开始时首先提出本研究中定义的 移动学习概念。本研究将移动学习定义为“通过互联网或 网络使用个人移动设备（如平板电脑，智能手机和笔记本电 脑)上的移动应用、社交互动软件或在线学习网站参与学习 的学习方式。共回收问卷580份，有效问卷$93份。样本的 描述性统计如表1。
表1样本统计（N=493)
变量性别
分类男女
年龄
\"22<22
年级
大一大二大大四
学校
辽宁师范大学西北民族大学兰州石油化工学院
赤峰学院
频数2372562642299710911717012813713789
分48.151.953.546.519.622.123.734.525.927.827.818.5
4.1测量模型检测
使用Conbach的a值检查六个测量量表的内部一致性 可靠性。如表2所示，所有值均大于推荐的阈值0.7[19]。为 了确定结构并评估测量的有效性，进行了验证性因子分析
(CFA)。测量模型显示了数据与模型之间的适应度（c2 = 200.82，d/=89，c2A//=2. 256，f<0. 001)。检查常见指 标，结果表明指标适合。使用三个标准评估模型的信度：（) 项目的标准化因子负荷应该是显著的[20](@)复合可靠度 (CR)应大于0. 70[21] ; (m)构建物的平均提取方差（AVE)应 大于0. 50[22]。如表2所示，所有标准化因素负荷均具有统 计学意义，大于0.50,超过了可接受的基准。另外，每个构 造的CR& AVE也大于所需阈值。总体而言，测量模型表 现出良好的信度。
表2
概念相对优势
项目RA1RA2RA3
性
CL1CL2CL3
性
IT1IT2IT3
创新性
IV1IV2IV3
移动学习抵抗
RTIRT2
移动学习使用意图
IU1IU2
测量模型结果
^值-12.92713.838-20.95821.598-17.73915.234-11.37011.069-13.991-16.346
0.975
0.952
0.793
0.970
0.942
0.726
0.973
0.926
0.743
0.983
0.950
0.823
0.988
0.964
0.875
复杂可靠度0975
平均提取方差0.930
内部一
性0.746
标准因子载荷0687067007640817082008540770086606690552073708250750079109030741
3.3数据分析
研究使用SPSS20.0进行描述性分析，使用AMOS20.0
注+1)当P<0. 05,所有因子栽荷为显著（2)拟合统计量：X2(200. 82(89) ,CFI=0. 968,TLI=0. 957,RMR = 0. 038,RMSEA = 0. 047对结构方程模型进行验证性因子分析，评估数据和结构模
表3平均值、相关性和判别效度
念势性性创新性移动学习抵抗移动学习使
平均值2.9072.5473.0793.2722.7183.152
SD0.7820.8690.7990.7320.8160.844
⑴0.864-0.013-0.0140.165— 0.204**0. 527 $$
0.9350. 325 **0.0130. 385 **—0. 132**
0.907—0.0660. 391**—0. 122**
0.862—0.0470. 235 **
0.852—0. 350**
0.890
()
()
!4)
!5)
!6)
注：对角线元素是AVE的平方根；非对角线元素是结构方程统计数据！户<0. 05, $$户<0. 01
• 20 • 宋志鹏，李玉斌:影响大学生使用移动学习的因素分析 第2期
4.2结构方程模型检验
在确定测量的有效性后，使用结构方程模型评估研究 模型。假设模型的结果与数据吻合良好U2 = 203. 08, 25，c2/J/ = 2.232，p<0. 001)。所有拟合指数均在可接受 的阈值内（CFI = 0. 968，TLI =0• 958，i^MR = 0. 039，i^M- SEAaO.046)。因此，建议的研究模型代表变量之间的因果 关系，结构模型的路径系数具有统计学意义，如表$所示。
表4结构模型结果
路径
Hla相对优势％移动学习使用意图Hlb相对优势％移动学习抵抗H2a复杂性％移动学习使用意图0. 556 ***-0. 285***0. 033T值10. 477
P值<0 0010. 476结果支持支持反对调解复杂性对使用移动学习的意图的影响。
5讨论和结论
(1)
在已有研究中，相对优势或感知有用性被认为是
高学生满意度或促进采用移动学习的变量。本研究的结果 表明，相对优势不仅是促进移动学习使用意图的最重要因 素，而且还降低了移动学习的抵制力。因此，为了帮助学生 体验移动学习的相对优势，教师应该通过将使用移动学习 获得的收益与现有学习方法获得的收益进行比较，并向学 生提供有效地移动学习方案，同时开发适合移动环境的学 习内容和服务，而不是简单地将现有的基于网络的学习内
-5 626<0 0010. 713H2b复杂性％移动学习抵抗0. 330***6. 383<0 001支持H3惯性％移动学习抵抗0. 372***6 935<0 001支持H4创新性％移动学习使用意图
0. 158***
3. 700
<0 001
支持H5移动学习抵抗％移动学习使用意图-0. 344***
-6 276<0 001
支持
注：$$$ 户<0. 001
标准化结构模型测试结果（如图2)表明，相对优势！= 0.285，^<0. 001)，复杂度！ = 0. 330，p<0. 001)和惯性 =0. 372，^<0.001)对学生抵制移动学习有显着影响，结论 支持 Hlb，H2b 和 H3。相对优势！=0. 556，^<0. 001\"创 新性！ = 0. 158，^<0. 001)和抵制力（6=0. 344，p<0. 001) 对移动学习使用意图有显着影响，结论支持Hla，H4和 H5。从复杂性到移动学习使用意图的路径并不重要，因此， H2a不受支持。其他变量中，相对优势对移动学习使用意 图贡献最大，其次是抵制力和创新。
注：$$$ 户<0.001
4\"调解效应
如表5所示，通过自举置信区间程序分析移动学习抵 抗作为中间变量的直接效应和间接效应。结论如下（多动 学习抵制力对相对优势有不显著的直接影响，移动学习抵 制力对复杂性有显著的直接影响。也就是说，移动学习抵 制力部分调解相对优势对移动学习使用意图的影响，完全
表5调节测试
路
直接影响间接影响总体影响结果H6a:相对优势％移动学习抵抗％ 移动学习使
0 556 **
0 098 *
0. 654*
支持
H6b:复杂性％移动学习抵抗％移 动学习使
0. 033一0. 113**一 0. 080支持
注：自举偏差矫正置信区间！户<0.05, $$户<0.01
容转换成基于移动的内容。
(2) 在最近研究中，复杂性或感知易用性的解释力低趋势。本研究认为复杂性对移动学习使用意图并没有显 著地直接影响。但是，由于复杂性完全由移动学习抵抗力 调节，因此可以最终抑制移动学习的采用和传播。移动设 备不是专门用于学习的，而是作为通信工具普遍使用。人 们使用移动设备主要是接打电话、上网、听音乐、观看视频 和玩游戏。学习与这些活动不同，需要充分的意愿和注意 力集中。因此，应该指出，随着服务复杂性的增加，用户对 移动学习的抵制也可能增加。
(3)
本研究将研究视野扩展到个人特征和创新特揭示了个人特征对移动学习的抵抗和使用的影响。研究发 现，继续现有学习风格和维持现状的个人学习惯性是抵制 移动学习的主要因素。惯性程度高的人，一般不会投入时 间来适应新事物。因此，分析个体惯性程度可以有效地应 用于预测其对移动学习等新学习方法的抵制情况。
研究发现，高创新性会提高学生的移动学习使用意图。 具有高度创新能力的个体，通常会认可和享受高科技设备 和服务，在评估创新时，个体不仅会评估创新收益，还有会 评估创新的刺激性。因此，应该充分考虑学生的个性、态度 和价值观等心理特征，以帮助学生了解包括移动学习在内 的新的学习 法。
移动学习抵抗是一种自然现象，抵抗水平会根据创新 或技术的特点而变化。移动学习抵制力可以调节相对优 势，复杂性和移动学习使用意图之间的关系。即使新技术 被引入并传播给大量的消费者，抵抗仍旧是存在的。因此， 虽然移动学习抵抗可能对相关技术的态度和使用产生负面 影响，但也有助于研究人员发现创新的局限性。参考文献：
[1] 教育部.教育信息化十年发展规划（2011-2020年）[DB/OL].
http：//www. moe. gov. cn/ewebeditor/uploadfile/2012/03/ 29/20120329140800968. doc,2012-04-01.
[2] [9] 郭绍青，黄建军，袁庆飞.国外移动学习应用发展综述[J].
电化教育研究，2011 (5) : 105-107.
[3] Clark Quinn. mlearning： Mobile, Wireless, In-Your-Pocket
Learning[EB/OL]. http：//www. 1 inezine, com/2. 1/feature/ cqmmwiyp. html.
有征
第17卷第2期
2018年 2月
软件导刊•教育技术
Journal of Educational Technology
Vol.l7No.2Feb.2018
创客教育融合下中小学信息技术课的教学研究
滕国文，李然
(吉林师范大学计算机学院，吉林四平136000)
摘要：创客教育将掀起教育界的新热潮，归纳了各个学者对于创客教育概念的理解，并在此基础上 总结出创客教育的特征。根据对东北地区信息技术课程的调查，分析信息技术课程存在的问题，根据创 客教育的特点，吸收创客教育的优点，在信息技术课程中开展创客教育，不仅能促进信息技术教育的发 展，又能在中小学顺利开展创客教育，培养学生创新能力。
关键词：创客；创客教育；中学小信息技术中图分类号：G434
文献标识码：A
文章编号：1672-7800(2018)02-0021-03
义教育家杜威认为，教育即生活，教育就是儿童生活的过
〇引言
在建设创新型国家的进程中，需要大批具有创新能力 的人才，培养创新型人才，既是学校的使命，也是社会的共 同期待。信息技术进入教育领域，并且不断尝试着改变教 育，在这个大众创新的时代，信息技术与教育教学的深度融 合，为培养学习者的创新能力提供了平台[1]。美国实用主
[4] Keegan D. The Future of Learning： From e Learning to m
Learning[EB/OL]. http://learning, ericsson. net/leonardo/ thebook/book . html http ： //learning. ericsson . net/mlearn- ing2/project_one/book. html.
[5] AleksanderDye,Mobile Education----A Glance at the Future
[EB/OL]. http ：//nettskolen . nki. no/forskning/mobile_ education. pdf. 2009-12-07.
[] 杨俊锋，王以宁.国外重点移动教育研究项目案例[EB/OL],
http://www.edu.cn/solutions_1660/20060512/t20060512_ 178129. shtml,2010-11-10.
[7] Al-Emran M， Elsherif H M， Shaalan K. Investigating atti
tudes towards the use of mobile learning in higher education [J], Computers in Human Behavior，2016(56) ： 93-102.[8] 黄荣怀，王晓晨，李玉顺.面向移动学习的学习活动设计框架
[J].远程教育杂志，2009(1) :3-7,
[10] [16] RogersEM. Diffusion of innovations[M]. New York：
Free Press，2003 ： 3th ed.
[11] KleijnenM，Lee， N?WetzelsM. An exploration of consumer
resistance to innovation and its antecedents [J], Journal of Economic Psychology，2009,30(3) ： 344-357.
程，而不是将来生活的准备[2]。他主张“从做中学”也就是 “从活动中学”、“从经验中学”使从学校中获得的知识与生 活过程中的活动联系起来[3]。在活动过程中掌握其科学规 律和方法，培养科学的思维方法和态度。这恰恰与创客精 神相谋和。
本文调查了东北地区实验课的实施情况，根据其特点
[12] PorterCE，DonthuN. Using the technology acceptance mod
el to explain how attitudes determine Internet usage ： The role of perceived access barriers and demographics)]. Journal of Business Research，2006,59(9) ： 999-1007.
[13] [14] Ram S. A model of innovation resistance)]. Advances
in Consumer Research，1987(14) : 208-212.
[15] Gal D. A psychological law of inertia and the illusion of loss
aversion)]. Judgment and Decision Making， 2006,1 (1): 23-32.
[17] Macfadyen L P，Dawson S. Numbers are not enough： Why
e-learning analytics failed to inform an institutional strategic plan [ J]. Journal of Educational Technology W Society， 2012,15(3):149-163.
[18] [19]
HairJF，BlackWC, Babin BJ， et al. Multivariate dataanalysis[M]. Upper Saddle River: NJ，2006:6th ed.
[20] Nunnally J. Psychometric methods [ M ]. New York：
McGraw-Hill, 1978 ： 1st ed.
[21] 刘应芬.基于复杂适应系统理论的移动学习教学设计[J].软
件导刊•教育技术，2014(12)22-24.
(编辑：李飒）
收稿日期=2017-10-11作者简介：滕国文（1963-)，男，吉林师范大学计算机学院教授，研究方向为人工智能；李然（1991-)，女，吉林师范大学计算机学院研究生，
研究方向为智能教学系统。
因篇幅问题不能全部显示，请点此查看更多更全内容