基于UTAUT模型的高職學生對游戲化英語詞匯學習APP使用意愿的研究*

聶 瓊

（廣州城建職業學院）

一、引言

近年來，信息技術帶動智慧教育的發展，推進英語詞匯學習應用程序的開發與應用，激發了英語學習者英語詞匯的學習動機[1]。這不斷要求高職教育教學適應應用程序時代學生的詞匯學習需求，而提升學生的課堂的參與度和學習動機[2]。將英語詞匯學習應用程序通常與游戲有機結合，以幫助用戶獲取和記憶新詞匯。時間限制、隨機抽取、獎勵懲罰、答案反饋、角色扮演和闖關挑戰等都是詞匯中的游戲化學習APP的通用程序，讓詞匯學習過程變得游戲般輕松與有趣[3]。游戲化的詞匯學習應用程序能極大改善英語詞匯學習低成就高職學生的語言習得結果[4]。通過網絡輔助游戲化英語詞匯學習方法的效果顯著優于其他方法，還提升了高職學生用戶的參與動力，并促成其享受學習過程。作為高效利用碎片時間學習的平臺，游戲化應用程序受到了廣泛歡迎。與傳統的單詞學習模式相比，英語詞匯學習應用程序開發者、用戶與高職教師三方結合學科培養目標，將理論轉化為游戲化教法實踐中去，讓學生“玩中學、學中樂、樂中長”[5]。然而，當前很少有研究關于因素促進或阻礙學習者使用的詞匯學習應用程序。只有進一步研究績效預期、努力預期、社群影響和促進條件這4個自變量及其對學生用戶使用英語詞匯學習應用程序的影響，才能解決這一問題。因此，本研究旨在找出可能的影響因素用戶使用游戲化英語詞匯APP的意圖和整合型科技接受模型（UTAUT）的應用。

二、文獻綜述

（一）游戲化英語詞匯學習APP

首先，有必要對英語詞匯應用中的游戲化進行界定。正如Yang等人所提出的，游戲化被稱為將非游戲環境，如語言習得融入游戲中[6]。更具體地說，游戲化的定義是關于在非游戲中采用游戲功能和機制的廣泛共識設置。換句話說，游戲化語境在詞匯學習中不僅包括將各種游戲通過各種多媒體輸入呈現，如文字、圖像、音頻和視頻。用戶可以通過數字游戲或視頻游戲學習詞匯，結合常見的游戲元素，如時間限制、隨機抽取、獎勵懲罰、答案反饋、角色扮演和闖關挑戰。例如，國內英語學習者更喜歡通過“百詞展”APP學習新的英語單詞。在測試模式中，用戶能根據給定的單詞選擇正確的圖片并獲得分數。與其他英語技能相比，英語詞匯學習要求學習者頻繁回憶詞匯信息，其“記憶碎片”與“容易忘記”的特點引發應用游戲化詞匯學習APP迅速開發，并帶來相關的研究動機。研究證明，使用游戲化詞匯應用程序的學習效果、樂趣和動機，對提高英語學習效率是有效的，指導教學，服務考試。目前還沒有足夠的研究調查游戲化詞匯應用程序的影響要素。雖然游戲化詞匯學習帶來的影響有益，但其學習結果高度依賴于用戶個人及游戲化本身。因此，本研究采用UTAUT模型來探討高職學習群體使用游戲化的英語詞匯應用程序的接受度。

圖1 UTAUT模型

（二）基于UTAUT模型的游戲化英語詞匯學習

整合型科技接受模型（UTAUT）指出，績效期望（PE）、努力期望（EE）、社群影響（SI）、便利條件（FC）是學生用戶對游戲化詞匯學習APP接受行為意愿的4個直接因素。此外，性別、年齡、經驗和使用自愿性作為調節變量，對于理解高職學生群體特性與調節他們在信息化技術接受上的差異發揮了重要作用[8]。

1.績效期望

根據Venkatesh等人的研究，績效預期表明了個人認為使用信息系統將幫助他（或她）在工作效率方面取得收益。在移動輔助語言學習的背景下，績效期望對學習者使用游戲化詞匯學習應用程序的行為意向有重要影響。假設如下:

假設1（H1）。高職學生在使用游戲化英語詞匯APP時，績效期望（PE）與行為意向（BI）呈正相關。

圖2 。提出的UTAUT模型具有新的結構。

圖2 變量關系框架

2.努力期望

UTAUT中的努力預期指的是使用某一特定事物的預期輕松程度的技術接受模型（TAM）。在移動輔助語言學習（mobileassisted language learning,MALL）研究中發現，EE與BI相關。假設如下:

假設2（H2）。高職學生在使用游戲化英語詞匯APP時，努力期望（EE）與行為意向（BI）呈正相關。

3.社群影響

社群影響被定義為一個人在使用某種語言時受到影響的程度系統由他或她重要的其他人。盡管大量實證研究證實了這一點社群影響和行為意向之間存在顯著的相關性，一些案例顯示兩者之間存在顯著的相關性。變量之間不一定是相關的。因此，這項研究計劃進一步研究游戲化詞匯應用中的這對關系。

假設3（H3)。高職學生在使用游戲化英語詞匯APP時，社群影響（SI）與行為意向（BI）呈正相關。

4.便利條件

便利條件的定義為個體認為組織和技術基礎條件對促進游戲化英語詞匯學習APP使用的支持程度。一些研究人員發現在移動輔助語言學習中便利條件與行為意向不相關，假設如下:

假設4（H4）。高職學生在使用游戲化英語詞匯APP時，便利條件（FC）與使用行為（UB）呈正相關。

5.行為意向

本文將行為意圖操作性地定義為用戶的意圖和使用游戲化詞匯的動機。行為意向是理論與使用行為正相關。此外，這種相關性也是被眾多關于商城和在線學習的實證研究證實。

假設5（H5）。高職學生在使用游戲化英語詞匯APP時，便利條件（BI）與使用行為（UB）呈正相關。

三、研究方法

（一）參與者

這項研究的受訪者是將英語作為一門外語并使用至少一種游戲化詞匯應用程序的廣州高職院校學生。參與者可以獲得一個完成問卷后。

2022年，共 有278名 學 生參與了本次調查。在被告知該數據的潛在用途后參與者同意將他們的數據用于這項研究。他們來自廣州1所高職院校，年齡在17-23歲之間，男生172人，女生106人，理科生188人，文科生90人。

（二）研究過程

1.問卷的設計

表1 問卷項目分析高職學生的意圖和使用行為情況

表2 變量相關性數據

采取李克特五點式量表，根據積分標準計分為1-5分。1分表示完全不同意，2分表示不同意，3分表示中立，4分表示同意，5分表示完全同意。通過問卷星發布調查問卷，且允許發布人為278名受訪者在完成調查后給予適當的紅包作為完成問卷的回報。

2.問卷的分發和數據收集

問卷的發放主要分為三個階段。因為發布人通過網絡平臺設計問卷，初步進行問卷調查發布于微信朋友圈和聊天群。接下來，部分群成員和教師主動將問卷轉發給適合本研究的人。同時，作者發放了問卷二維碼的打印版給高職學校食堂、操場、圖書館等場所的學生。告知問卷對象保證他們的私人信息不會被泄露且在自愿基礎上完成問卷。

基于水利工程建設所處環境較為復雜，如果遇到軟土地基，就會增加施工難度系數，一旦地基處理不當，還會給整體工程建設質量構成威脅。基于此，本文首先簡要論述了落實軟土地基處理技術的實際意義及關鍵施工技術，并結合實際工程案例，提出了切實可行的質量控制策略，旨在為業內人士提供有價值的參考意見。

數據收集時間為10天，從5月4日 至13日。圖3展 示了整個研究過程。

本研究遵循兩步程序分析結果。整體結構模型擬合近似等于每個測量模型擬合的平均值。

評估測量模型是檢查潛在變量和之間的關系他們在評估結構模型時的措施（項目）是調查關系潛變量之間的關系。對所提出的測量模型進行初步擬合評估通過檢驗信度、效度、綜合信度（C.R.）和平均方差提取（AVE）。經各測量模型擬合均滿足要求，效果良好。

評估了整體模型的擬合度，并加入新的路徑對整體模型進行改進。然后，通過檢驗R2和路徑系數來評估結構模型。整個分析過程采用SPSS 25.0進行數據統計分析。

四、數據分析

表3 行為意向與其他變量回歸分析

表4 使用行為與其他變量回歸分析

在統計學中，皮爾遜相關性（Pearson product-moment correlation coefficient）。相關分析可通過相關系數來判斷變量之間的關系程度。采用Pearson相關分析法，得到的相關性系數r值（Pearson Correlation）情況如下：當r大于0表示兩個變量之間為正相關關系，當r小于0表示兩個變量之間為負相關關系。當r的絕對值小于0.3時，表示兩個變量之間基本不相關；當r的絕對值在0.3-0.5之間表示兩個變量之間低度相關，當r的絕對值在0.5-0.8表示兩個變量之間中度相關，當r的絕對值大于等于0.8表示兩個變量之間高度相關。P值(也稱顯著性值或Sig值)，對于相關分析，一般規范的表格格式是:P值使用*號表示(標識在相關系數的右上角)，P＜0.01使用2個*號表示;P＜0.05使用1個*號表示。

為了研究PE、EE、SI、FC、BI和UB之間的關系，sig值均小于0.01，相關系數均大于0，說明各維度之間存在極顯著性正相關關系。

為了研究績效期望、努力期望、社群影響、便利條件、行為意向和使用行為之間的相關關系，研究結果如上表所示，sig值均小于0.01，相關系數均大于0，說明各維度之間存在極顯著性正相關。

回歸分析結果如上表所示，因變量為BI，自變量為PE、EE和SI，對模型進行F檢驗，模 型 通 過F檢驗（F=43.523，P=0.000＜0.01）,即表明PE、EE和SI對BI產生影響關系。R2為0.323，意味著變量對BI具有32.3%的變化原因。

分析自變量的回歸系數可知，PE、EE和SI的sig值 均 小于0.05，說 明PE、EE和SI對BI產生顯著性正向影響。

建立回歸模型：BI=1.282+0.230*PE+0.339*EE+0.136*SI

由此可以證明假設一、二和三成立。

回歸分析結果如上表所示，因變量為UB，自變量為BI和FC，對模型進行F檢驗，模 型 通 過F檢驗（F=75.401，P=0.000＜0.01）,即 表 明BI和FC對UB產 生 影 響 關 系。R2為0.354，意味著變量對UB具有35.4%的變化原因。

表5 BI做為PE和UB中介分析

表6 中介效應表

表7 BI做為EE和UB中介分析

表8 中介效應表

表9 BI做為SI和UB中介分析

針對模型的多重共線性進行檢驗發現，模型中VIF值均小于5，意味著不存在共線性問題；并且D-W值在數字2附近，表明模型不存在自相關性，樣本數據之間沒有關聯關系，模型較好。

分析自變量的回歸系數可知，BI和FC的sig值 均 小 于0.05，說 明BI和FC對UB產 生顯著性正向影響。

建立回歸模型：UB=1.247+0.183*BI+0.487*FC

由此可以證明假設四和五成立。

中介分析結果如上表所示，對模型進行F檢驗，模型通過F檢驗（F=52.098，P=0.000＜0.01）,即 表 明PE對UB產生影響關系。R2為0.275，意味著變量對UB具有27.5%的變化原因。

針對模型的多重共線性進行檢驗發現，模型中VIF值均小于5，意味著不存在共線性問題；并且D-W值在數字2附近，表明模型不存在自相關性，樣本數據之間沒有關聯關系，模型較好。

BI的sig值 小 于0.05，說明中介效應顯著，加入中介變量后，BI變量任然顯著，說明之間存在部分中介關系，間接中介影響30.50%，詳細見下表。

由此證明假設六成立，即BI在PE與UB之間存在中介關系。

中介分析結果如上表所示，對模型進行F檢驗，模型通過F檢驗（F=87.496，P=0.000＜0.01）,即 表 明EE對UB產生影響關系。R2為0.389，意味著變量對UB具有38.9%的變化原因。

針對模型的多重共線性進行檢驗發現，模型中VIF值均小于5，意味著不存在共線性問題；并且D-W值在數字2附近，表明模型不存在自相關性，樣本數據之間沒有關聯關系，模型較好。

表10 中介效應表

表11 變量關系結論表

BI的sig值 小 于0.05，說明中介效應顯著，加入中介變量后，BI變量任然顯著，說明之間存在部分中介關系間接中介影響15.11%，詳細見下表。

由此證明假設七成立，即BI在EE與UB之間存在中介關系。

中介分析結果如上表所示，對模型進行F檢驗，模型通過F檢驗（F=71.748，P=0.000＜0.01），即表明SI對UB產生影響關系。R2為0.343，意味著變量對UB具有34.3%的變化原因。

針對模型的多重共線性進行檢驗發現，模型中VIF值均小于5，意味著不存在共線性問題；并且D-W值在數字2附近，表明模型不存在自相關性，樣本數據之間沒有關聯關系，模型較好。

BI的sig值 小 于0.05，說明中介效應顯著，加入中介變量后，BI變量任然顯著，說明之間存在部分中介關系，間接中介影響21.12%，詳細見下表。

由此證明假設八成立，即BI在SI與UB之間存在中介關系。

五、結論

通過上表可知，八個假設均成立。通過移動應用程序（APP），應用整合型科技接受模式（UTAUT模型），采用SPSS 25.0分析對高職學生用戶對游戲化英語詞匯學習APP的接受程度進行數據統計分析的結果表明，績效期望（PE）、努力期望（EE）、促進條件（FC）與行為意向（BI）呈成正相關，社群影響（SI）與使用行為（UB）呈成正相關城成立。