基于元分析的在線學習用戶使用行為研究

王建亞 牛曉蓉 萬莉

摘 要：[目的/意義]為發現不同研究背景中在線學習用戶使用行為的普遍規律，消除研究時間、調查樣本等帶來的影響，歸納和梳理該領域的研究結論。[方法/過程]采用元分析方法對國內外在線學習用戶使用行為研究的64篇文獻，21 227個獨立樣本進行綜合分析。[結果/結論]研究結論發現共有25個因素與在線學習用戶使用行為顯著相關，其中強度相關因素主要集中在用戶、系統兩方面，中度相關有社會影響方面，弱相關因素并未出現。具體而言，影響最大的是使用態度、感知便利性和感知娛樂性，影響較弱的是個人創新、計算機焦慮和信息質量，感知自主性和服務質量沒有顯著影響。同時，針對研究結果，結合在線學習平臺的現狀，從用戶、系統和社會方面提出了優化在線學習服務的建議。

關鍵詞：在線學習;用戶使用行為;元分析;CMA

DOI：10.3969/j.issn.1008-0821.2020.01.007

〔中圖分類號〕G252.0 〔文獻標識碼〕A 〔文章編號〕1008-0821（2020）01-0058-11

Research on User Behavior of Online Learning Based on Meta-analysis

Wang Jianya1 Niu Xiaorong2 Wan Li3*

（1.School of Management Science and Engineering，Tianjin University of Finance and Economics，

Tianjin 300022，China;

2.National Science Library，Chinese Academy of Science，Beijing 100190，China;

3.School of Journalism and Communication，Nanchang University，Nanchang 330031，China）

Abstract：[Purpose/Significance]In order to discover the universal law of online learning user behavior in different research backgrounds，eliminate the impact of research time，survey samples，etc.，and to summarize and comb the research conclusions in this field.[Method/Process]This paper used meta-analysis to study the behaviors of online learning users at home and abroad，a total of 64 articles and 21227 independent samples were analyzed comprehensively.[Result/Conclusion]The study found that there were 25 factors that were significantly related to the behavior of online learning users.The intensity-related factors were mainly concentrated in the user and system facts.The moderate correlation also added social impact.The weak correlation factors have not appeared，indicating that the exsisting researches were relatively concentrated.Specifically，the most influential factors were attitudes，perceived convenience，and perceived entertainment.The weaker impacts were individual innovation，computer anxiety，and information quality.Perceptual autonomy and quality of service had no significant impact.At the same time，according to the research results，based on the status quo of online learning platform，suggestions for optimizing online learning services were proposed from the user，system and social perspective.

Key words：online learning;user behavior;meta-analysis;CMA

互聯網和移動互聯網的發展對傳統教學模式帶來了深刻的變革，改變了用戶的學習觀念和學習文化[1]，基于網絡的學習為人類終身學習提供了便利的、低成本的途徑。據CNNIC報告顯示，截止到2018年12月，在線教育用戶規模2.01億，網民使用率24.3%，手機在線教育課程的用戶規模為1.94億，網民使用率23.8%，年增長率為63.3%[2]，由此可見，我國在線教育用戶規模增長迅速，但相對于其他網絡應用還有較大發展空間。為了解在線學習用戶的行為特征，提高在線學習的使用率，國內外學者展開了對在線學習用戶使用行為影響因素或動機的實證研究，并取得了較多的研究成果。

通過對國內外在線學習用戶使用行為實證研究文獻的調研發現，不同學者研究結論差異較大，一方面表現在同一因素在不同研究中的實證結論不同，另一方面表現在不同研究中學者驗證的因素有差異。首先，學者驗證最多的是技術接受模型中的感知有用性和感知易用性因素，在多篇文獻中被證實對在線學習用戶的使用行為有顯著影響，如Wang W T等[3]和Motaghian H等[4]都證實了感知有用性對用戶的在線學習使用行為有顯著影響，但Islam A K M N[5]卻發現感知有用性對用戶采納在線學習的行為影響不顯著;楊麗娜等[6]的研究發現感知易用性對用戶在線學習行為的影響不顯著;其次，感知娛樂性被一些學者認為是影響用戶使用在線學習的重要因素，Chen Y C等[7]發現感知娛樂性對用戶使用行為有顯著影響，而Lee M C[8]卻通過實證表明感知娛樂性對在線學習用戶使用的影響不顯著;還有信息質量因素，Roca J C等[9]和Lwoga E T[10]證實了信息質量對用戶的使用行為顯著相關，而Motaghian H等[4]卻發現信息質量對采納和使用行為沒有顯著的影響。這些差異的產生可能是學者研究視角、理論模型、調研背景、研究時間、調查樣本等多種綜合原因的差異造成的。實踐中如何利用這些差異的結果就顯得無所適從，為了發現這些差異中隱含的共性規律，為在線學習服務商提供可參考的用戶行為的一般規律，需要統一研究結論，因此，本文使用元分析方法，綜合已有的在線學習用戶使用行為的實證研究結論，系統分析在線學習用戶使用行為的影響因素，消除不同研究間的不一致，為后繼的研究提供綜合研究結論分析，為在線學習服務機構提供服務優化決策依據。

1 文獻綜述

1.1 在線學習和用戶使用行為概念的界定

在線學習在學術界沒有形成統一的概念，經常和以下名詞交替使用：網絡學習、移動學習、電子學習、在線教育、網絡教育、虛擬教育、遠程教育、開放教育等，但對在線學習的特征形成了以下共識：相對于面授教育，在線學習實現了學習者與教師時空上的分離;相對于自學，教育機構通過網絡對學習者產生影響，學習者之間、學習者和教師之間能夠基于互聯網進行多向交流[11]。結合已有的認識和研究目的，本研究從用戶視角，將在線學習看作是基于互聯網或移動互聯網的教學信息系統，教師通過網絡教室授課，學生通過終端學習的一種學習模式。

為優化在線學習服務，改善用戶體驗，提高用戶對在線學習的使用率，學者開始研究影響用戶使用在線學習的因素，研究時多使用采納、接受、使用、持續使用等概念，還有學者采用適應和內化[12]的概念，但在研究之前對這些概念進行辨析的學者并不多，也存在研究過程中多個概念交叉使用的現象，由于都是針對用戶使用體驗的研究，概念相似度較大，故本文統一將類似概念稱為在線學習用戶使用行為。

1.2 在線學習用戶使用行為的研究

對于在線學習用戶使用行為的研究，大都是針對某一在線學習情境，構建在線學習用戶使用行為理論模型，運用定量的方法開展實證研究。在研究對象方面，較多選擇在校大學生，因為他們是在線學習的主要用戶群，但也有研究選擇大學教師[3-4]、在線學習平臺的廣泛用戶[13-15]、公司員工[9，16]等作為研究對象。在理論模型方面，主要依據已有理論模型構建新的模型，采用的理論模型包括：信息技術接受模型及其擴展模型[17-21]、信息系統持續使用模型[22]、期望確認理論[23-24]、計劃行為理論[25]、任務技術匹配模型[12-13]、技術接受與使用整合理論[26-28]等，其中使用最多的是信息技術接受模型及其擴展模型。在數據收集方面，問卷調查是主要獲取數據方法，同時還有一些學者采用了訪談[23，29]、半結構化訪談[30]、焦點小組[31]等方法。在數據分析方法方面，主要有結構方程模型[30，32-36]、多元回歸分析[37]等，其中結構方程模型被學者使用次數最多。

1.3 在線學習用戶使用行為研究的綜述

隨著在線學習用戶研究數量的增多，國內外學者開始對在線學習用戶行為研究相關文獻進行綜述和分析。Means B等[38]采用元分析方法對1996-2008年有關在線學習實證研究的文獻進行分析，將在線學習與面對面學習、混合學習與面對面學習分別作為治療組與對照組，發現在線學習與面對面學習沒有顯著差異，而融合了在線和面對面兩種方式的混合學習效果最佳;郭紹青等[39]總結了國外移動學習發展的狀況，指出技術、市場、觀念、經濟、教育是影響移動學習的全面普及的主要方面;李玉斌等[40]以我國網絡學習行為研究文獻為基礎，指出網絡學習行為影響因素主要有學習者（心理因素、信息素養和技術準備度等）和網絡學習環境（學習資源和技術支持服務）兩個向度，網絡學習行為的研究手段有理性分析、調查統計、模型實證3個向度;王紅艷等[41]對我國在線學習行為研究進行分析，指出在線學習的應用研究由一開始的交互、共同體、監測和評價多個環節，轉變為以認知風格、學習動機、群體氛圍、情景感知、學習障礙、在線輔導等對學習者的學習行為和學習結果的影響因素的研究;彭文輝等[42]通過對10年的網絡學習行為研究期刊文獻的分析，指出學習行為的要素描述模型、因素影響模型等缺乏嚴謹性，還需要填補和加強模型的整合，以統一、協調、概括的方式全面反映網絡學習行為。

通過已有研究可以看出，學者對在線學習的研究在理論、方法和結論方面已經取得了豐碩的成果，但研究結論還存在不穩定性。國外在線學習發展較早，相應的實證研究也相對較早，因此，在2009年就出現了以實證研究為基礎的綜述研究，而我國在線學習發展較晚，對在線學習綜述的研究經歷了國外學習借鑒、研究設計探討、應用策略分析等階段，過渡到了以內容分析法為主的實證研究分析，但鮮有學者采用定量的方式對在線學習用戶行為研究結論進行整合。另一方面，由于研究背景的差異，研究結論的不穩定性，難以對實踐產生更廣泛的指導意義，因此，本研究認為有必要對在線學習用戶使用行為的實證研究進行定量地、系統地分析，以得出更具普遍意義的研究結論。

2 研究設計

2.1 研究方法

元分析（Meta-analysis）是基于Fisher“合并P值”的統計分析思想，對同一主題的大量實證研究結果進行綜合統計分析的一種方法，又稱為二次分析、薈萃分析、整合分析[43]。元分析是面向多個具體研究之間的差異，對其進行綜合評價，目的是發現在獨立研究中顯示不出來，但又可能對重大問題有高價值的研究結論，研究方法是對多個研究結果進行再統計分析，根據權重合并不同研究中的效應量，很多學者將元分析用于國內外文獻的綜合分析。元分析方法最受爭議的是“橘子與蘋果問題”，即將不同研究的結果結合在一起分析，但這一問題可以采用該方法的異質性檢驗進行解釋[44]。同時，相比傳統的文獻綜述，元分析方法對納入的文獻進行了嚴格的篩選，更能避免個人的主觀想法，使得研究結論更具有客觀性和普適性。

元分析最初主要應用于心理學和醫學領域，隨著元分析法的發展，該方法也受到其他領域學者的關注和認可。在管理學領域，黃永春等[45]對產品創新和績效的關系進行元分析，證實了二者之間的強相關關系，為企業管理人員如何處理二者之間的關系提供了有效的理論支持;李靖華等[46]對知識轉移影響因素進行元分析，發現知識受體與網絡特征是最重要的影響因素，知識的因果模糊性阻礙作用最大;在情報學領域，謝娟等[47]采用元分析法發現論文下載量與被引量之間有顯著的強相關關系，提出下載量可以作為科研指標的評價之一。元分析方法的特征、功能以及應用，對本研究的在線學習用戶行為綜合分析提供了借鑒和支持。

2.2 研究步驟

本研究借助CMA（Comprehensive Meta Analysis）實現元分析，整體研究步驟如圖1所示。首先，根據研究問題收集文獻，此步是本研究重要基礎，需要收集中外文文獻并根據研究要求進行文獻的篩選;其次對文獻進行編碼，包括內容抽取和確定單一效應量;然后是數據分析，包括異質性檢驗、具體效應分析、敏感性和出版偏倚分析;最后是元分析結果討論。本部分重點介紹文獻收集和文獻編碼過程，其他步驟在數據分析部分和研究結論部分介紹。

2.2.1 文獻搜集與篩選

為了全面獲取國內外在線學習用戶使用行為研究的相關文獻，本研究首先利用數據庫，從中國知為遴選本研究需要的學術成果，通過以下標準對文獻進行篩選與剔除：1）選取對在線學習用戶行為進行實證研究的文獻，剔除定性、綜述等非實證研究文獻;2）為保證樣本的獨立性，剔除同一研究的重復發表，特別是期刊論文和學位論文研究重復的部分，二者只選其一，如果某文獻包含多個獨立樣本，也應該進行多次編碼;3）為獲取滿足元分析定量分析需要的數據，剔除數據不完整的文獻，文獻中需要提供樣本量、相關系數或者P值或者T值等可以計算效應值的數據。經過嚴格篩選，共獲得64篇符合條件的文獻，其中中文20篇、外文44篇。

2.2.2 文獻編碼

文獻編碼工作包文獻內容抽取和確定統一效應量兩部分，文獻內容抽取分為文獻基本信息和定量數據抽取，文獻基本信息有作者、年限、主題、出版來源、研究對象、構念提取等，定量數據抽取主要是抽取元分析的效應值統計項，包括樣本量、相關系數、T值、P值等。抽取到的構念稱為效應量，同一構念在不同研究中在命名上可能稍有差異，但含義相同，因此還需要給效應量統一命名，如計算機自我效能感、網絡自我效能感、感知能力、自我效能感等，對此類概念進行合并，統一命名;對英文文獻中的構念進行翻譯，解釋其含義，與中文概念進行統一。為了保證編碼數據的準確性，特別是構念提取，需要避免因個人主觀認識而產生偏差，因此編碼工作由兩人同時進行，對兩人的編碼進行復核后，對編碼不一致的部分回溯原文獻進行協商，最終編碼信度為94.5%，部分文獻的編碼信息如表1所示。

3 研究結果分析

3.1 數據錄入與分析

本文借助CMA（Comprehensive Meta Analysis）3.0軟件來進行元分析的定量分析部分，由于文獻中提供的定量數據有差異，大部分文獻使用相關系數r作為效應值，少量未提供r值的文獻需將統計量T值、P值等經過Fisher轉換得到效應值。此外，元分析要求合并效應值的個數不少于3個，即需要同一構念在不同研究中出現3次以上，才會計入元分析，因此，對64篇文獻梳理后，歸納出27個構念可納入元分析，獲得331個效應值，21 227個獨立樣本，樣本量共計139 446。

3.2 異質性檢驗

異質性一般用Q和I2統計量來檢驗，本研究的異質性檢驗結果如表2所示，可以看出Q檢驗的結果均顯著（P<0.05），說明多個研究之間存在異質性;同時I2的值大于80%，表明各個影響因素的變異部分在總體效應值中所占比例較高，因此本研究的所有影響因素的檢驗均采用隨機效應模型進行分析，該模型計算權重時可以同時考慮研究內部和研究間的差異，在檢驗平均效應值時，能降低犯Ⅰ錯誤的概率（虛原假設是正確的，計算結果將其拒絕），更好地估計真實效應。但Higgins J P T等[52]的研究認為I2值較大不適合進行元分析，針對這種情況，謝娟等[53]依據Q與I2的計算公式進行了模擬分析，并得出結論，Higgins J P T等的判斷更多適用于小樣本研究，對于大樣本研究，則準則很難適用，更好地解釋了異質性檢驗的結果。

3.3 具體效應值分析

效應值分析是分析各因素對用戶使用在線學習的影響效應，本研究效應值分析結果如表3所示。在27個因素中，除服務質量和感知自主性未通過檢驗外，其他均通過檢驗。服務質量檢驗結果：Z=1.384，P=0.166，感知自主性的檢驗結果：Z=1.213，P=0.225，說明服務質量和感知自主性對在線學習的用戶使用行為影響不顯著。計算機焦慮對用戶的使用行為是負相關（r=-0.324，P<0.001），其余影響因素對用戶的使用行為均是正相關。

根據Cohen J[54]提出的相關系數r強弱的判斷準則：r值為0.00～0.09表示基本無相關關系，0.10～0.29為弱相關，0.30～0.49為中度相關，0.5～1.0為強相關，本研究將所有因素與在線學習用戶使用行為的相關性進行分析匯總，如表4所示。強相關的因素有14個，中度相關的因素有11個因素，沒有出現弱相關的因素，說明學者對在線學習用戶行為影響因素的選取相對比較集中，大部分呈現較強的相關性。

具體而言，在強相關因素中對用戶使用在線學習行為影響最大的是使用態度（K=12，r=0.680，P<0.001），這與多數學者認為的“感知有用性與感知易用性是在線學習用戶使用行為的關鍵影響因素”的論調不一致，但支持了Park S Y等[35]和Farahat T[55]的研究結論，雖然只有12篇文獻納入使用態度這一影響因素，但其與用戶使用行為的相關程度最大;其次，強相關程度較高的是感知便利性（K=5，r=0.660，P<0.001），這與Thomas等[56]認為便利條件顯著影響用戶行為意向的結論相一致，但不支持Al-Hujran O等[26]和Chiu C M等[27]的觀點;感知娛樂性（K=8，r=0.640，P<0.001）的影響因素顯著，支持了Chen Y C等[7]的研究結論，說明用戶進行在線學習時的愉悅感、趣味性對其使用行為影響較大;再次，滿意度、交互性、期望確認、預期績效等因素的強相關程度也較強;感知有用性（K=53，r=0.559，P<0.001）和感知易用性（K=42，r=0.514，P<0.001）是本次元分析中K值最高的兩個因素，雖然不是相關度最高的因素，但許多學者將其認為是重要的影響因素。對這些因素的含義進行深入分析，可發現，強相關因素中的主要構成是用戶與系統功能相關因素，其中情感態度以及體驗感知是用戶角度的關鍵因素，系統功能集中于期望確認、兼容性和任務技術匹配等方面。

根據中等強度相關的因素的含義，將其識別為用戶、系統、社會情景3類因素。沉浸體驗（K=8，r=0.462，P<0.001）排在首位，說明當用戶可以完全投入到學習活動中享受其帶來的愉悅感時，對用戶之后的使用行為有較大促進作用;社會影響（K=18，r=0.458，P<0.001）和主觀規范（K=11，r=0.404，P<0.001），說明對用戶重要的個人希望他進行在線學習的程度以及周圍人使用在線學習的行為，對用戶的使用行為有較大影響;自我效能感、感知相關性以及教師的指導行為和投入精力的多少也會對用戶行為產生影響;系統的信息質量、系統質量等功能對用戶使用行為的影響相關程度較低;影響較弱的是個人創新（K=6，r=0.330，P<0.001），說明在線學習在人們的生活中已經比較普遍，對用戶來說不算是新鮮事物，用戶不會因為好奇或想體驗新的產品或服務而去使用。計算機焦慮對用戶使用在線學習產生負向影響，但相對來說影響較低，說明調查樣本中計算機焦慮對在線學習的使用影響作用不是很大。

3.4 敏感性分析及出版偏倚分析

本研究是多因素分析，在假定這些因素都是相互獨立的情況下進行了敏感度分析，發現本研究的穩定性較好。出版偏倚的檢驗在元分析法中非常重要，偏倚的存在會對元分析的結果產生很大影響，甚至可能導致結論出現偏差，因此在現有元分析的文獻中，學者們借助多種技術相結合來判斷是否存在發表偏倚。本研究將漏斗圖、失安全系數和Egger回歸截距相結合進行出版偏倚檢驗。首先通過圖2的漏斗圖進行定性分析，多數研究結果集中在漏斗圖的頂端，有極少的結果出現在漏斗底端，并且豎線兩側研究結果的點分布比較均衡，說明本研究出版偏倚較小;失安全系數N=3529966（K=420），即對每個觀察到的研究需要8 404.6個陰性實驗的結果才能使結論逆轉;Egger回歸截距為0.752，P值為0.527，說明截距項與0沒有顯著差異，不存在出版偏倚。因此，本研究認為元分析結論將不受出版偏倚的影響。

4 結論與啟示

本文運用元分析方法對在線學習用戶使用行為進行分析，將納入元分析的影響因素分為3類：促進因素、障礙因素、無顯著相關因素。促進作用中影響最顯著的是用戶的使用態度;阻礙因素有：計算機焦慮;無顯著作用的因素有：服務質量、感知自主性等。同時根據這些因素的含義從用戶、系統、社會情景3個視角提出優化在線學習服務的相關建議。

用戶角度的因素主要集中在情感態度和感知體驗兩方面，廠商可以通過論壇、QQ、微信等社交媒體和APP及時收集用戶的反饋，和用戶建立良性互動關系，改善用戶體驗，進而提升用戶滿意度和忠誠度，根據用戶特征和學習需求，選擇課程表現形式，增加交互場景的真實感和交互信息的時效性和趣味性，吸引學習者積極參與學習過程，如針對學生可以通過打卡、游戲等形式，增加學習的趣味性;用戶可以根據自身情況設置學習內容和難度，并設置有效的激勵機制，以提升用戶學習過程中的專注度和愉悅感;注重用戶的個人特征，對用戶進行標簽設置，優化系統的個性化推薦功能;考慮用戶的計算機焦慮特征，不能因為信息技術的使用，給用戶帶來精神負擔或壓力，從用戶視角設計操作流程，從全過程消除用戶使用過程中的精神負擔，比如考慮用戶注視屏幕時間，提示用戶注意休息。

系統方面影響最大的是期望確認這一因素，對此應該不斷完善系統自身功能，增強內容的實用性，推廣時不應過度宣傳，使用戶在使用系統之后達到不小于預期的確認程度;其次是兼容性和任務技術匹配，對用戶滿意度和感知有用性有顯著影響，因此管理者和開發人員應通過各種途徑深入了解用戶的需求，不僅是學習內容的需求，還包括服務形式的需求等，使系統功能和用戶需求更匹配，給用戶帶來良好的體驗;再次是系統質量，開發人員應不斷提高系統自身的訪問可靠性、可理解性、可維護性等;移動學習內容供應商應整合高質量的課程信息，提升用戶的感知有用性和感知價值。

社會情境方面影響最大的是社會影響，人的行為是嵌入在社會行為中的，特別是網絡環境下，不僅有強關系影響，還有大量的弱關系影響，在線學習服務應該利用積極有效的影響，避免不良的影響;在線學習平臺打破了時空的限制，虛擬的學習環境下，學習者較難了解教師的一些信息，所以教師因素影響著在線學習用戶的使用，服務提供者應該利用教師因素影響用戶的決策，消除教師因素可能帶來的不利影響;主觀規范是對用戶重要的人希望他使用在線學習為帶來的影響，說明在線學習行為容易受到周圍重要人物的影響，比如對學生來說，來自同學的、教師的推薦影響力比較大，可以使更多用戶參與到在線學習中，在線學習服務上應充分發揮平臺用戶的引導和傳播作用，利用良好的口碑效應，大力發展潛在用戶。

為得到在線學習用戶使用行為研究普遍、客觀的研究結論，本研究在已有大量實證研究結果基礎上，在發表偏倚可能性較小的基礎上，對國內外在線學習用戶使用行為研究的結果進行了整體的估計，歸納出了與用戶使用行為顯著相關的因素，并將研究結論和已有研究進行比較，可以作為已有研究的重要補充，同時也為在線學習服務的優化提出了實踐啟示。本文研究的局限有：第一，本文遴選的文獻是含有效應值分析數據的文獻，可能因數據不完全而導致結論出現偏差，但從文獻調研來看，大部分重要研究都提供了詳細可分析的數據;第二，有些因素，如感知成本，因為在獨立樣本中出現次數僅有2次（小于3次），并未納入CMA元分析，可能導致分析的因素不夠全面。未來還可以進一步研究國內外在線學習用戶使用行為研究的差異，如調節變量分析，以得到更普適性的結論。

參考文獻

[1]錢瑛.在線學習用戶持續使用行為影響因素[J].商業研究，2014，（12）：87-92.

[2]CNNIC.中國互聯網絡發展狀況統計報告[DB/OL].http：//www.cnnic.net.cn/hlwfzyj/hlwxzbg/hlwtjbg/201803/P0201803054 09870339136.pdf，2018-03-20.

[3]Wang W T，Wang C C.An Empirical Study of Instructor Adoption of Web-based Learning Systems[J].Computers & Education，2009，53（3）：761-774.

[4]Motaghian H，Hassanzadeh A，Moghadam D K.Factors Affecting University Instructors Adoption of Web-based Learning Systems：Case Study of Iran[J].Computers & Education，2013，61（1）：158-167.

[5]Islam A K M N.The Determinants of the Post-adoption Satisfaction of Educators with an E-learning System.[J].Journal of Information Systems Education，2011，22：319-330.

[6]楊麗娜，顏志軍.信息技術采納視角下的網絡學習行為實證研究[J].中國遠程教育，2011，（4）：36-40.

[7]Chen Y C，Chen C Y，Lin Y C，et al.Predicting College Student Use of? E-learning Systems：An Attempt to Extend Technology Acceptance Model[C]//Pacific Asia Conference on Information Systems，Pacis 2007，Auckland，New Zealand，July.DBLP，2007：121.

[8]Lee M C.Explaining and Predicting Users Continuance Intention Toward E-learning：An Extension of the Expectation-confirmation Model[J].Computers & Education，2010，54（2）：506-516.

[9]Roca J C，Chiu C M，Martínez F J.Understanding E-learning Continuance Intention：An Extension of the Technology Acceptance Model[J].International Journal of Human-Computer Studies，2006，64（8）：683-696.

[10]Lwoga E T.Critical Success Factors for Adoption of Web-based Learning Management Systems in Tanzania.[J].International Journal of Education & Development Using Information & Communication Technology，2014，10（1）：4-21.

[11]譚明杰.在線教育中的信息技術采納與學習者保持研究[D].成都：電子科技大學，2015.

[12]何檀.移動教育持續使用的實證研究[D].哈爾濱：哈爾濱工業大學，2014.

[13]Wu B，Chen X.Continuance Intention to Use MOOCs：Integrating the Technology Acceptance Model（TAM）and Task Technology Fit（TTF）Model[J].Computers in Human Behavior，2016，67：221-232.

[14]李雅箏.在線教育平臺用戶持續使用意向及課程付費意愿影響因素研究[D].合肥：中國科學技術大學，2016.

[15]Wu B，Zhang C.Empirical Study on Continuance Intentions Towards E-learning 2.0 Systems[J].Behaviour & Information Technology，2014，33（10）：1027-1038.

[16]Ong C S，Lai J Y，Wang Y S.Factors Affecting Engineers Acceptance of Asynchronous E-learning Systems in High-tech Companies[M].Elsevier Science Publishers B.V.，2004.

[17]Ratna P A，Mehra S.Exploring the Acceptance for E-learning Using Technology Acceptance Model Among University Students in India[J].International Journal of Process Management & Benchmarking，2015，5（52）：194-210.

[18]方旭.MOOC學習行為影響因素研究[J].開放教育研究，2015，（3）：46-54.

[19]劉魯川，孫凱.M-Learning用戶接受機理：基于TAM的實證研究[J].電化教育研究，2011，（7）：54-60.

[20]Chen H R，Tseng H F.Factors that Influence Acceptance of Web-based E-learning Systems for the In-service Education of Junior High School Teachers in Taiwan[J].Evaluation & Program Planning，2012，35（3）：398-406.

[21]Chang C C，Liang C，Yan C F，et al.The Impact of College Students Intrinsic and Extrinsic Motivation on Continuance Intention to Use English Mobile Learning Systems[J].The Asia-Pacific Education Researcher，2013，22（2）：181-192.

[22]陳美玲.移動學習用戶持續使用行為的影響因素研究[D].徐州：江蘇師范大學，2013.

[23]李銳，倪傳斌，肖巍，等.泛在學習理念下的交互英語平臺持續使用影響因素調查研究[J].中國遠程教育：綜合版，2016，（10）：72-78.

[24]Wu J，Tsai R J，Chen C C，et al.An Integrative Model to Predict the Continuance Use of Electronic Learning Systems：Hints for Teaching[J].International Journal on E-learning，2006，5（2）：287-303.

[25]Lee M C.Explaining and Predicting Users Continuance Intention Toward E-learning：An Extension of the Expectation-confirmation Model[J].Computers & Education，2010，54（2）：506-516.

[26]Al-Hujran O，Al-Lozi E，Al-Debei M M.“Get Ready to Mobile Learning”：Examining Factors Affecting College Students Behavioral Intentions to Use M-learning in Saudi Arabia[J].Jordan Journal of Business Administration，2014，10（1）：111-128.

[27]Chiu C M，Wang E T G.Understanding Web-based Learning Continuance Intention：The Role of Subjective Task Value[J].Information & Management，2008，45（3）：194-201.

[28]Adwan A S A，Adwan A A，Berger H.Solving the Mystery of Mobile Learning Adoption in Higher Education[J].International Journal of Mobile Communications，2018，16（1）：24-49.

[29]劉莉莉.基于技術接受模型的大學生網絡學習平臺意向影響因素研究[D].金華：浙江師范大學，2013.

[30]鮑日勤.開放教育學習者移動學習使用意愿影響因素研究[J].遠程教育雜志，2017，35（3）：102-112.

[31]Khan I U，Hameed Z，Yu Y，et al.Predicting the Acceptance of MOOCs in a Developing Country：Application of Task-technology Fit Model，Social Motivation，and Self-determination Theory[J].Telematics and Informatics，2018，35（4）：964-978.

[32]王金濤.大學生采納移動學習行為影響因素研究——以高等師范院校為例[J].中國遠程教育，2015，（1）：49-54.

[33]趙英，楊閣，羅萱.大學生對MOOC接受與使用行為的調查研究[J].中國遠程教育：綜合版，2015，（8）：37-44.

[34]楊根福.MOOC用戶持續使用行為影響因素研究[J].開放教育研究，2016，（1）：100-111.

[35]Park S Y，Nam M W，Cha S B.University Students Behavioral Intention to Use Mobile Learning：Evaluating the Technology Acceptance Model[J].British Journal of Educational Technology，2012，43（4）：592-605.

[36]郭然然.高校學生手機移動學習行為意向影響因素研究[D].金華：浙江師范大學，2015.

[37]Tan W H，Ooi K B，Sim J J，et al.Determinants of Mobile Learning Adoption：An Empirical Analysis[J].Data Processor for Better Business Education，2012，52（3）：82-91.

[38]Means B，Toyama Y，Murphy R，et al.Evaluation of Evidence-based Practices in Online Learning：A Meta-analysis and Review of Online Learning Studies[EB/OL].https：//www.csus.edu/acse/archive/0910/us_doe_elearning_report_2009.pdf，2019-03-05.

[39]郭紹青，黃建軍，袁慶飛.國外移動學習應用發展綜述[J].電化教育研究，2011，（5）：105-109.

[40]李玉斌，姚巧紅，侯威，等.網絡學習行為研究的向度與分析[J].電化教育研究，2012，（9）：48-53.

[41]王紅艷，胡衛平.中國在線學習研究現狀與啟示[J].中國遠程教育，2013，（8）：30-34.

[42]彭文輝，曾東薇.近十年我國網絡學習行為期刊論文的內容分析研究[J].中國遠程教育，2015，（1）：42-48.

[43]Glass G V.Primary，Secondary，and Meta-analysis of Research1[J].Educational Researcher，1976，5（10）：3-8.

[44]夏凌翔.元分析方法的幾個基本問題[J].山西師大學報：社會科學版，2005，32（3）：34-38.

[45]黃永春，姚山季.產品創新與績效：基于元分析的直接效應研究[J].管理學報，2010，7（7）：1027-1031.

[46]李靖華，常曉然.基于元分析的知識轉移影響因素研究[J].科學學研究，2013，31（3）：394-406.

[47]Chiu C M，Sun S Y，Sun P C，et al.An Empirical Analysis of the Antecedents of Web-Based Learning Continuance[J].Computers & Education，2007，49（4）：1224-1245.

[48]Lee Y.An Empirical Investigation Into Factors Influencing the Adoption of an E-learning System[J].Bioinformatics，2013，31（11）.

[49]Ho C H.Continuance Intention of Learning Platform：Toward an Integrated Model[J].International Journal of Electronic Business Management，2010，8（3）：206-215.

[50]Raaij E M V，Schepers J J L.The Acceptance and Use of a Virtual Learning Environment in China[J].Computers & Education，2008，50（3）：838-852.

[51]Chang S C，Tung F C.An Empirical Investigation of Students Behavioural Intentions to Use the Online Learning Course Websites[J].British Journal of Educational Technology，2008，39（1）：71-83.

[52]Higgins J P T，Thompson S G，Deeks J J，et al.Measuring Inconsistency in Meta-analyses[J].British Medical Journal，2003，327（7414）：557-560.

[53]謝娟，龔凱樂，成穎，等.論文下載量與被引量相關關系的元分析[J].情報學報，2017，（12）：1255-1269.

[54]Cohen J.Statistical Power Analysis for the Behavioral Science[M].Lawrence Erlbaum Associates，US，1988.

[55]Farahat T.Applying the Technology Acceptance Model to Online Learning in the Egyptian Universities[J].Procedia-Social and Behavioral Sciences，2012，64（64）：95-104.

[56]Thomas，Troy Devon|Singh，Lenandlar|Gaffar，Kemuel.The Utility of the UTAUT Model in Explaining Mobile Learning Adoption in Higher Education in Guyana[J].International Journal of Education & Development Using Information & Communication Technology，2013，9（3）：71-87.

（責任編輯：郭沫含）