后疫情時代線上學習平臺的使用意愿分析
——基于UTAUT模型

丁麗，方曉，王景蘭

（亳州職業技術學院 信息工程系，安徽 亳州 236800）

疫情期間職教云、學習通、愛課程、e會學、網易云課堂等平臺被高校廣泛使用，輔助線上教學。隨著疫情的有效控制，各高校都陸續開學，學生重新回到了教室上課。這些線上學習平臺是否還會被學生繼續使用，是本文研究的出發點。本文以高校大學生為研究對象，以職教云為例，以技術采納與利用整合理論模型為研究的理論基礎，構建了職教云平臺使用意愿的影響因素模型。

技術采納與利用整合理論模型（unified theory of acceptance and use of technology，簡稱UTAUT）旨在解釋用戶使用新技術的行為意圖和隨后的使用行為[1]。該模型有四個核心變量（自變量）、兩個因變量以及四個調節變量。這四個核心變量是：績效期望（PE）、努力期望（EE）、社會影響（SI）和便利條件（FC）；兩個因變量分別是行為意愿（BI）和使用行為；四個調節變量即性別（gender）、年齡（age）、經驗（experience）、自愿使用（voluntarily），具體結構如圖1所示[2]。

圖1 UTAUT模型Fig.1 UTAUTmodel

1 模型構建與研究假設

對大學生使用線上平臺的意愿研究是在UTAUT模型的基礎上，結合大學生的群體特點及線上學習平臺的特性，在UTAUT模型的基礎上，構建了職教云平臺使用行為意愿模型，對各個自變量與因變量之間的影響關系提出正向假設，并通過論證探索和定量分析檢驗假設。

1.1 模型設計

1.1.1 自變量設計

保留經典UTAUT模型中的四個核心變量，增加系統靈活性作為第5個自變量。在以往的研究中，系統靈活性被用于基于web的用戶意圖培訓研究（alrawashdeh和Al-mahadeen，2014）。E-learning系統的靈活性定義為個人認為他/她可以在任何時間從任何地方訪問該系統的程度。因此，本文將靈活性（flexibility）納入UTAUT，以調查它是否對BI產生重大影響[3]。FL被定義為大學生認為他/她可以在任何時間任何地點進入在線學習平臺進行線上課程學習的程度。

1.1.2 因變量設計

由于大學生使用線上學習平臺進行學習的意愿直接決定其使用行為，所以本研究將大學生對線上學習平臺使用的行為意愿BI作為因變量進行研究。

1.1.3 調節變量設計

在校大學生年齡差別都不大，也不存在使用經驗上的差別，且都是自愿使用或者在周圍人的印象下自愿使用的，因此本文剔除了經典UTAUT模型中的年齡、經驗和自愿性這三個調節變量[4]。本研究對象中的大學生類型包括本科生和專科生，二者學習的自主性是有差別的，所以增加受教育程度作為調節變量。最終確定調節變量為性別和受教育程度，構建的研究模型如圖2所示。

圖2 職教云使用意愿模型Fig.2 Cloud usage intention model of vocational education

1.2 研究假設

根據以上模型設計，提出以下7個假設：

H1：績效期望正向影響大學生使用職教云平臺的行為意愿；

H2：努力期望正向影響對大學生使用職教云平臺的行為意愿；

H3：社會影響正向影響大學生使用職教云平臺的行為意愿；

H4：便利條件正向影響大學生使用職教云平臺的行為意愿；

H5：靈活性正向影響大學生使用職教云平臺的行為意愿；

H6：男生和女生使用職教云平臺的行為意愿有所不同；

H7：專科生和本科生使用職教云平臺的行為意愿有所不同。

2 問卷設計與數據收集

2.1 問卷設計

對大學生使用線上學習平臺意愿的問卷設計主要包括個人基本信息和各個研究維度的量表部分。

個人基本信息主要包括：性別、教育程度（本科、高職）、年級（大一、大二、大三、大四）。

各個研究維度的量表設計對于各個變量問題的設計采取7級量表的形式，從非常不贊同到非常贊同分別用1～7表示，即非常不贊同用1分表示，不贊同用2分表示，有點不贊同用3分表示，沒有意見用4分表示，有點贊同用5分表示，贊同用6分表示，非常贊同用7分表示，每個維度設計3個問題，具體如表1所示。

表1 各個研究維度的量表設計Tab.1 Scale design of each research dimension

2.2 收集數據

高職和本科生是本次問卷調查的對象，為了使收集到的數據更具有代表性，問卷設計好之后放在問卷星上進行在線發放。分別轉發到以順德、亳州、深圳三所城市命名的職業技術學院的本科和專科班級群中，讓學生在線填寫。問卷發放時間為2020年8月21日—2020年8月23日，共收到問卷218份。為了使收集到的數據能夠反映大學生的真實意愿，刪除漏選、答題時間過短等無效問卷及答案有很多為同一個選項的問卷，保留100個有效數據。

3 實證分析

選擇基于偏最小二乘法的結構方程模型（PLSSEM）進行分析。采用Smart PLS軟件，用PLS方法和自助法及多群組分析MGA法進行計算。

3.1 描述性統計

對篩選出的100份數據進行分類統計，其中男生人數為22，占總額比例的22%；女生人數為78人，占總數比例的78%；專科人數為78，占總數比例的78%。

3.2 信度與效度檢驗

3.2.1 構面信度與效度分析

采用Smart PLS軟件，用PLS方法進行計算得出構面的信度與效度如表2所示：其中cronbach’s alpha、組合信度（composite reliability，CR）的值均大于0.8（一般要求0.7），表明構面的內部各個衡量指標之間一致性很高，問卷的信度很高，是可靠的[6]。平均抽取變異量（AVE）的值大于0.8（一般要求0.5），說明構面的收斂效度很高，問卷是有效的。

表2 構面信度與效度Tab.2 Construct reliability and validity

3.2.2 區別效度分析

效度除了用平均抽取變異量（AVE）的值來衡量，還可以用弗奈爾-拉克準則和交叉負荷量來檢驗。即弗奈爾-拉克準則中每個潛在構面AVE的平方根計算結果是否大于其余構面的相關系數；各個指標的負荷量是否高于其所有交叉負荷量。PLS計算的弗奈爾-拉克準則結果（如表3所示）顯示，所有構面間的相關系數均大于0.5小于0.85，且主對角線AVE的算術平方根都大于其潛變量之間相關系數[6]。說明問卷的各個變量之間具有很好的聚合效度和區別效度，反映出這六個構面之間的相關性是合理、可以接受的。

表3 弗奈爾-拉克準則Tab.3 Fornell Larcker criterion

另外，PLS計算得到的各個因子負荷量均大于0.7且大于其交叉負荷量，說明各個變量之間具有很高的聚合效度和區分效度。

3.3 共線性VIF分析

變異數膨脹因子是衡量共線性的依據，一般VIF值大于5表示模型的各個變量之間存在共線性問題[7]。模型的R2表示各個變量對整合模型的解析力度（如表4所示）。

表4 VIF及R2Tab.4 VIF and R2

由表4可以得出各個因子的VIF值都小于5，表明各個變量之間均不存在共線性問題，問卷的數據是有效的。R2一般等于0.5，模型中R2等于0.801，表示各個自變量對因變量使用意愿有80%的解析力度，整個模型是合理的。

3.4 結構方程模型分析

在Smart PLS程序中對5 000個子樣本進行bootstrapping分析，以評估這五個自變量之間的路徑系數是否顯著。其結構方程模型及自助法計算后的數據如圖3所示。

圖3 PLS-SEM分析結果Fig.3 PLS-SEM analysis results

根據PLS-SEM結果，SI和FL的P值小于0.05。因此，支持H3和H5，但忽略H1、H2和H4，因為其P值超過0.05。表4顯示的是PLS法和自助法計算的路徑系數。

3.4.1 P值

由表5可以得出研究模型中假設1的P值大于0.05，因此假設1不成立，即很多學生并不認為職教云平臺很有用，因而沒有產生主動使用的意愿；

假設2的P值也大于0.05，所以假設2也不成立，即很多學生并不贊同因為職教云平臺容易使用而產生想主動使用其進行學習的意愿；

假設3的P值為0.046小于0.05，故假設3成立，即老師、同學及身邊的人的看法或做法會對自己是否使用職教云平臺產生正向影響；

假設4的P值大于0.05，得知假設4不成立，即職教云平臺內容的豐富性與否與大學生是否使用職教云平臺進行自主學習沒有直接影響。另外，現在大學生都有智能手機且流量都是無限的，所以這些也不是他們能否使用網絡平臺進行自主學習的影響因素。

假設5的P值為0小于0.05，故假設5成立，即靈活性正向影響大學生使用職教云平臺的行為意愿。假設驗證情況見表5。

表5 假設驗證情況Tab.5 Hypothesis verification

3.4.2 路徑系數

由表5中的PLS法路徑系數值可以看出：SI→BI和FL→BI的值較大，說明社會影響和靈活性對大學生使用職教云平臺的使用行為作用比績效期望、努力期望和便利條件大。

3.4.3 T值

由各個路徑的T值大小可以看出SI和FL的T值大于1.96，PE、EE和FC的T值小于1.96，說明社會影響和靈活性對大學生使用職教云平臺的使用意愿作用較大。

綜上所述，以上三個衡量標準對模型假設的驗證是一致的，即研究模型中H1、H2、H4不成立，H3、H5成立。因此，社會影響和靈活性對行為意愿有顯著作用，績效期望、努力期望和便利條件對行為意愿的作用不顯著。

3.5 多群組分析（MGA）

多群組分析用于將樣本按照某一變量分成兩個或多個子樣本，通過每個子樣本的PLS路徑建模估計路徑系數，若P值小于0.025，則說明該變量對整個模型是有影響的。按照性別和學歷分別分組，進行MGA計算，其P值如表6所示。

表6 PLS-MGA計算結果Tab.6 PLS-MGA calculation results

由表6可以看出，按性別進行分組計算的P值均大于0.025，說明性別對整個模型的調節作用是無效的，男生和女生在使用線上平臺進行自主學習方面沒有差別，從而驗證了研究模型中假設6不成立。按受教育程度分組中FL→BI的P值為0.021，說明專科生和本科生在使用線上平臺進行學習的靈活性方面是有差別的，這也表明不同受教育程度的學生對學習的主動性不同，從而驗證了假設7是成立的。

4 研究結論與建議

在UTAUT模型的理論基礎上，選取偏最小二乘法（PLS）構建結構方程模型（SEM），在經典的行為意愿BI的影響因素的基礎上增加靈活性自變量，研究影響大學生使用線上學習平臺進行自主學習的意愿受哪些因素的影響；通過信度、效度、共線性、P值、T值等分析，得出影響學生使用線上平臺進行自主學習的影響因素主要有社會影響和靈活性。使用的靈活性也會對大學生的使用意愿有顯著作用。同時分別按照性別和學歷進行分組，采用多群組分析方法進行計算，通過比較PLS-MGA計算的P值得出專科生和本科生在平臺使用的靈活性方面是不同的，本科生的自主學習意愿更強些。