“互联网+教育”行业存在问题的调查与分析

　　【摘要】

八年前提出“互联网+”传统产业的想法提出，到今天，各式各样的产业层出不穷，如“互联网+出租车”就是我们使用的滴滴打车服务，“互联网+视频”就变成直播、抖音等，“互联网+支付”就变成支付宝、微信支付等等。当然也少不了“互联网+教育”，国外在上世纪就开始进行在线教育平台的研究设计，例如MOOC、Coursera等。国内起步较晚，现有知名的在线教育平台也有不少，如流利说、猿辅导等等。在线教育平台相较传统教育也有其自身优势，如便捷性、成本低，因此吸引了各式各样的人群开始接受使用这种授课的方式。同时现在越来越多人讲求个性化设计，国家的政策也提倡和鼓励个性发展。

为此本文将提出“互联网+教育”中个性化学习的影响因素，利用UTAUT模型结合在线教育个性化的特点，提出五个影响因素：绩效期望、努力期望、社群影响、便利条件、感知成本，做出假设并设计调查问卷，再对收集的数据进行实证分析，进而验证哪些因素对个性化学习有显著性影响，最后为个性化学习提出建议。研究结果显示：绩效期望、社群影响、变量条件对在线教育个性化学习行为意愿有正向影响，线上学习使用频率对学员使用个性化学习存在显著性差异。根据回归分析结果发现，对在线教育个性化学习影响因素最大的是便利条件，其次是绩效期望，最后是社群影响。针对便利条件企业可以从网站的安全性入手，保护好学员的各种信息，避免泄露学生隐私。结合绩效期望和社群影响，企业可以吸引部分学员率先进行个性化学习，再利用该部分学员进行宣传吸引更多的学生。

　　1前言

　　1.1研究背景

在互联网大势发展的潮流趋势下，教育行业也与互联网接轨，对教育者、受教育者、教学方法、教育技术手段以及教学组织形式等教育要素产生深刻的影响。在有关教育技术的报告中指出，移动学习是未来教育走向，移动技术支撑着教育行业使得未来教育离不开智能设备，移动技术将会未来不久对教育行业产生重大影响[1]。而目前的发展却还处于问题较多的阶段，仍然存在诸多的不足。教育是相伴我们一生的，一直是处于多人关注的话题，同时也由于教育问题会关系到我国人才培养甚至关系到我国的发展前途，因此是亟待解决的问题。2012年教育部颁布的《教育信息化十年发展规划（2011-2020）》中指出想要发展教育，使其变得更加科学化以及信息化，需要我们在展望未来的蓝图里，把培育下一代作为根本任务，努力提高教育水平，在未来的国际较量中、在我国发展对先进人才的强大需求中发挥作用，争取在未来为每位学员提供个性化学习以及终身学习的环境[2]。2015年7月xxx颁布《关于积极推进“互联网+”行动的指导意见》，对“互联网+”十一个重点领域提出建议性的改革计划。其中，XX提倡教育服务应紧随互联网的发展，推进教育供给侧改革，形成互联网企业与教育机构合作新模式，互联网为人才培养提供更多的资源和渠道，教育服务为互联网发展提供更优质的人才，形成互联网与教育相辅相成的局面，提供更多优质的教育资源，开放更多共享的学习材料等网络学习模式[3]。2018年4月教育部研究制定了《教育信息化2.0行动计划》，计划在2023年达成教育资源数字化、信息化，学习环境走向虚拟化，融入互联网大环境的目标，让各个教育要素都能参与到互联网大平台中，充分发挥互联网的作用，开创信息化的教育新模式，形成互联网为基础的XXX人才培养方式[4]。在《国家中长期教育改革和发展规划纲要（2010-2020）》中对未来教育方向重新进行研究探讨，对人才培养方面指出，要改变旧时人才培养观念，培养多样化、全面发展的人才，同时提高人才培养质量，尊重每个人的选择，让学习从被动走向主动，坚持面向世界、面向未来，办人民满意的教育[5]。

这种种政策说明我国的“互联网+教育”时代真正到来，同时也要注重个人兴趣的发展，对个性化学习的重视，不仅服务供给方设计设计课程，也要让学员自己能够根据自身情况提出相应需求。因此，本文将“互联网+教育”中个性化学习为研究重点，从学员的角度展开讨论，着重研究影响个性化学习的重要因素，使得服务供给侧方能了解学员的需求以便做出调整。

　　1.2研究意义

教育是国家培养人才的重要途径，必然少不了“互联网+教育”的形式出现，越来越多的教育机构都以线上的方式开展学习活动，企业为了响应国家的号召，且要在这么多的品牌中脱引而出，需要有独特的风格，但目前仍然有不少机构都没有为学员提供个性化的服务。从心理方面来看，每个人或多或少都想要被关注，而在传统教育中经常以大班级的形式存在，这使得每个人成为焦点就不存在焦点，但这点在移动学习的个性化学习中成为现实，这也是该服务能够在近几年大放光彩的原因之一。个性化学习重点突出个性，而该学习模式之所以会被推行并且行之有效，是因为每个人生而不同，有不同的学习方式，不同的学习效率，但在传统教育都不敢直视这个特点甚至避而不谈，但在这个凸显个性的时代，这种教学方式显然落后了，早在20世纪90年代，瑞典就开始实施教育券制度，保障家长和学生的教育选择权，还创办了一群名为“知识学校”中学，其教育理念和教育实践都是强调个性化学习，引起社会极大的关注。移动学习能够吸引各式各样的人群原因有以下几点：第一，形式、时间自由，可以充分利用碎片时间进行学习。线上学习可以不像学校课程那样需要在规定时间去特定地点上课，可以根据每个人的时间灵活上课，上班族也可以在下班时间利用空闲时间上课。第二，种类多样，适合各年龄层的人群。现在不仅学习学校要求的课程，各式各样的课程都需要学习，不仅年轻人学习，各年龄层的人士都在往自己喜欢的方向学习，但线下资源不够丰富，利用互联网可以补充此不足，同时随时随地都能学习自己想学的。第三，更加便捷和高效的进行管理。在传统培训教育中，都需要耗费大量的人才、资源，对学习者学习数据的统计也只能通过人工的方式输入，但进入互联网时代后，这些工作不再复杂，此外，基于大数据的统计和分析使得学习更加高效和科学。第四，节省成本。在还没进入互联网时代时，只能在特定地区听某个讲师的课，还要加上车马费、场地费等各种各样的费用，而有了移动学习的平台后，学员可以随时随地听课，老师也可以在任何地方进行线上授课方式，实现了一次投入无限享用的目的，也为社会节省很多资源。第五，可以减少甚至消除心理负担。在线上进行学习可以避免遇到某些传统课堂中面对面学习的尴尬场面，促使那些性格内向、害羞的学生更有机会融入课堂，没有交流的胆怯心理反而能为学生提供轻松、愉快的学习环境。将“互联网+教育”和个性化学习两种方式结合是未来必然的选择，究竟哪些因素在影响“互联网+教育”的个性化学习，是一个值得我们探究的课题。

　　1.3国内外的研究现状

国内研究者对个性化学习影响因素有不同的意见。从对线下教育的个性化学习研究方面来看，王晓针对学习者的个体差异，认为个性化学习的影响因素有年龄、学习动机、认知方式、学习风格以及智力因素[6]。马玉霞对学生和部分有关的教师进行问卷调查，结果显示是一个综合指标，即环境、学校、教师以及学生个人都会产生一定的影响且互相作用，既与学校、社会环境氛围的营造相关，也与教师的认识、责任心有关，也有教师、学生个体因素，还有学生的动力、主动性等因素，每个因素都不可或缺，要引起参与个性化学习各主体的高度重视[7]。樊雅琴学者分别在2018年和2019年对初中生进行访问，探究个性化学习的影响因素有哪些同时是如何相互影响的，最终结果归纳为环境因素、教师因素和学生特征因素这三者对个性化学习都具有影响且相互制约［8］[9]。从对线上教育的个性化学习研究方面来看，韩闯采用UTAUT模型进行问卷调查研究，从教育者的角度出发，在原有UTAUT模型引进了两个核心因素自我效能感、个人创新性和调节因素手机系统，研究结果表明只有绩效期望、社会影响和个人创新性对学习者手机移动学习有正向影响［10］。

国外最先对线上学习影响因素的研究出现在2005年,马利什等人利用了TAM(技术接受度模型)对3G移动互联网技术环境中移动学习用户行为意向的影响因素进行研究,并加入新的研究变量感知趣味性[11]。到2011年，诺巴亚等人在原来基础上，又增加了感知娱乐性、感知实用性两个变量，研究学员接受移动学习的程度的影响因素，结果显示这两个变量都有正向影响[12]。而在2016年宾厄姆等研究者设计的个性化学习模型主要有以下四个因素：（1）学习者特征，包括优势、劣势、目标和兴趣。（2）个人学习路径，制定适应学习者进步、需求、动机和目标的定制化学习路径。（3）基本掌握和能力的进程，持续不断地评估学生的进步。（4）灵活的学习环境，要有与学习需求相适应的教职员工、学习空间以及时间分配[13]。

　　1.4国内外研究现状综述

从在线教育平台研究方面来看，自1997年宋树生提出要利用网络进行新学习[14]后，就陆陆续续就有学者开始进行这方面的研究，但主要集中研究系统的开发设计方面或者理论研究方面。从个性化影响因素来看，在知网上输入“个性化学习”，出现的相关论文大多是系统开发和理论研究，实证研究较少，或者搜集的数据较集中小范围。总的来说，环境、教师、学生个人都对个性化学习有着不同程度的影响，而对于“互联网”这个特定环境来看，又与设备等软硬件有关，这也关系到成本的问题。本论文主要从个性化学习的角度出发,以学员的视角,探索出影响在线教育个性化学习行为意愿的因素。研究以UTAUT模型为基础，再根据以往调查研究进行重建模型，将以往各种小因素归纳到UTAUT模型的核心因素中，对各个核心因素提出相对应问题，作出假设，采用分发调查问卷的模式收集数据，主要对问卷的信度、效度、描述性统计、模型的适配度等方面对研究假设进行检验，修正重构后的模型，并得出相应的结论。

　　2“互联网+教育”个性化学习影响因素确定与模型构建

　　2.1UTAUT模型简介

技术采纳与利用整合模型（UnifiedTheoryofAcceptanceandUseofTechnology，UTAUT）是文卡塔斯&戴维斯在2003年采纳和整合利用了其他八个模型而衍生的新模型。UTAUT模型综合各模型的参数，集成四个核心决定因素(CoreDeterminant)以及四个调节变量，四个核心决定因素分别为绩效期望(PerformanceExpectancy,PE)、努力期望(EffortExpectancy,EE)、社会影响(SocialInfluence,SI)和促成因素(FacilitatingConditions,FC),四个调节变量分别是:性别(Gender)、年龄(Age)、经验(Experience)和自愿性(VoluntarinessofUse)。UTAUT模型整合改进了以往的科技接受模型，提供一个更为完整的模型来解释使用者的采用行为，该模型提出后被广泛应用于各个领域中，后经学者实证结果显示,UTAUT模型对使用行为的解释力高达70%,比过去所知的任何一个模型都更加有效，因此UTAUT模型在科技接受度的研究上重要性大增[15]。UTAUT模型如图1所示。

图1UTAUT模型

　　2.2“互联网+教育”个性化学习UTAUT模型构建

根据UTAUT模型的定义,结合个性化的特点,重构适用于在线教育个性化学习调查的UTAUT模型。本研究仍采纳UTAUT模型中影响使用行为的四个核心自变量。期望绩效是指个人相信使用系统将有助于得到工作绩效利益的程度，个人对个性化学习的期望绩效越高，即学习效果有提高，那么使用在线教育的个性化学习的频率就会越高。努力期望是指个人使用系统所需付出的努力程度。换句话说，假如操作者觉得使用该种方式学习的操作简单、方便，那他进行个性化学习的意愿就会越强。社会影响是指个人知觉重要他人认为自己应该使用系统的程度，即个人受周围群体影响从而进行相同动作的程度，包括社会群体、舆论、社会交往等，如果社群影响对实际行为产生正向影响，那么会在某种程度上有提升学生的学习意图。促成因素（又称便利条件）是指个人所感受到组织在相关技术、设备方面对系统使用的支援程度，即个人认为客观条件对在线教育个性化学习是有利的，则会倾向于采取线上个性化学习的行为。另外，尽管线上学习十分便捷，但还是必须拥有支持线上学习的设备、用于上网的宽带或流量等等，特别是在有提供个性化服务的课程中需要支付另外的费用，因此在另一方面来说也不是绝对免费的，需要学者支付一定的经济费用。

艾什等学者在影响学生接受m-learning的因素分析中提到感知成本是一个很重要的影响因素，且二者呈负相关，即感知成本越高，接受度就会越低[16]。因此，在模型中加入感知成本作为核心自变量研究对行为意图的影响。使用意愿是指消费者期望他们将来在可接受的条件下采取某一行为的程度。文卡塔斯等学者研究发现，使用意愿可以不受其他因素的影响，对使用行为有显著作用，换句话说，当一个人对某项行为的愿望越强，其进行该项行为的可能性就越大，因此用行为意愿（BehavioralIntention）代替行为意图和使用行为合并后的结果[17]。为了适合在线教育个性化学习研究的需求，对UTAUT模型中的控制变量进行了调整，保留了性别、年龄、经验变量，称之为个体属性。不考虑原UTAUT模型中“自愿性”对在线教育个性化学习的干扰，文卡塔斯在研究中指出如果研究是在用户的自愿前提下进行的，那么自愿性就不是主要的影响因素，也不会对其他的因素造成影响，可从模型中剔除[17]。当个人愿意进行个性化学习那么使用意愿也不存在强制性，因此可以删除“自愿性”。而上网学习的经验可以理解为进行在线教育的频率，因此把其中的“经验”变量修改为“使用频率”。重构后的UTAUT模型如下图2所示：

图2“互联网+教育”个性化学习行为模型

该模型的具体解释如下：

（1）由于本研究是基于探究“互联网+教育”个性化学习的影响因素，来为提供教育服务的企业提供建议。因此，该研究模型主要包括影响因素、个体属性以及行为意愿3个板块，整合3个板块进行回归分析，将个体属性作为控制变量，影响因素作为自变量，行为意愿作为因变量，调查问卷也是以此为依据进行设计。

（2）控制变量个体属性包括三个变量分别为使用频率、性别、年龄，自变量影响因素包括五个核心变量，分别是原UTAUT模型中四个核心变量绩效期望、努力成本、社群影响、便利条件再加上感知成本。

（3）模型中箭头所表示的关系，根据以往研究的解释，影响因素的5个核心变量以及控制变量的3个变量分别对因变量行为意愿产生影响，通过研究变量之间的关系来探索影响因素以及控制变量中哪些因素对行为意愿有影响以及行为意愿受其影响的程度。

　　3研究设计与研究假设

　　3.1调查问卷设计

本文将以分发调查问卷的形式搜集研究数据，借助“问卷星”为搜集数据平台。根据研究目的和内容，并在阅读大量文献后提出主要变量，对变量设计测量项目，设计相应的调查问卷，分发到网络平台让用户进行填写，后对数据进行收集并统计回收分析，以达到本论文研究调查的目的。对于每个测量问题都采用李克特量表作为测量标准，每一陈述都有“非常符合”、“符合”、“一般”、“不符合”、“非常不符合”五个回应等级，分别记为5、4、3、2、1分，通过分数的高低能看出被调查者在每一测量题目的状态。问卷测量项目设计如下表3-1所示：

表3-1问卷测量项目

　　3.2研究假设

根据Venkatesh、Davis等学者在研究中的假设，在本研究中，关于绩效期望、努力期望、社群影响和便利条件对使用行为的假设与以往保持一致，新提出的核心变量感知成本对个性化学习行为的假设做出以下解释：

感知成本是用户在进行学习时所必要的客观物品，如硬件、软件、无线网络等设备，成本越高，用户的行为意愿就会相应降低，因此提出H5假设。

表3-2研究假设

　　4数据统计与分析

　　4.1样本描述性统计分析

一般情况下，对变量进行描述性分析是数据分析的第一步，大致了解数据的基本情况从而进行更深的分析。本文的描述性统计分析从用户的个体属性变量描述统计和在线教育个性化学习的各维度影响因素与行为意愿变量的描述统计两方面来进行。

4.1.1个体属性变量描述统计

从表4-1中可以看出

（1）性别：样本中女性的比例多于男性，根据极光大数据的调查发现，在线教育用户的男女比例为2:3，而本研究选择的样本男女比例符合当前在线教育市场的实际情况。

（2）年龄：样本中主要年龄在18-28岁，这个年龄层处于接受高等教育时期，对于自身素质追求也正是积极的时候，他们更容易接受新鲜事物，适应使用网络进行学习，符合研究的需要。

（3）使用频率：从样本中使用频率的角度来看，“偶尔”和“经常”使用线上教育平台的调查人员占绝大多数，可以看出当前的在线教育平台的前景充满光明，在本次调查中也具有参考性。

表4-1样本基本特征

4.1.2“互联网+教育”个性化学习的各维度影响因素与行为意愿变量的描述统计

本研究将各维度以李克特量表为标准进行评分，如表4-2所示，在各影响因素中，各个均值都在3以上，其中个性化学习意愿接近4，根据李克特量表的测量标准，被调查者们都倾向同意，这也与当前发展潮流相符合，愿意使用在线教育的个性化学习。对于各影响因素的均值接近行为意愿也有均值较低的，但也都大于3.3，至于与个性化学习意愿之间的关系是否显著还需进行下一步的检验。

表4-2各变量描述性统计

　　4.2信度检验

调查问卷的可信度(也称信度)是指采用同样的方法对同一对象重复测量时所得结果一致性的程度，即测试量表内部一致的程度。选用内部一致性来测算各个项目之间的相关程度，目前最常用Cronbach’sAlpha信度系数测量，α系数评价的是量表中各题项得分间的一致性，α系数值介于0与1之间，α值越大表明测量项目间的关联性越好，一般认为α值介于0.6-0.8之间问卷的可信度较好，大于0.8时问卷的可信度极好，如果可信度不高，需要对问卷中可信度较低的问题进行修改再进行评估，直到有较高的α值才能进行下一步分析[18]。总量表的信度如下表4-3所示：

表4-3量表信度

本文除了对整体量表的测量外，还对各个影响因素的各个维度、行为意愿进行Cronbach’sα系数测量，得到的结果如表4-4所示：

表4-4各变量信度分析结果

由表4-4结果显示，各题观测变量的Cronbach’sAlpha值均大于0.7，且项已删除的α系数值均低于对应变量的α系数，无须剔除任何项。由此可得在线教育个性化学习影响因素量表有较好的内部一致性，数据比较可靠，可进行下一步的研究。

　　4.3效度检验

调查问卷的有效度（也称效度）通常是指该问卷的有效性，是指测量工具或手段能够准确测出所测量事物的程度，即检测调查问卷测量得到结果反映想要考察内容的程度。本文采用结构有效度来评价问卷，常用的方法是因子分析法。

　　4.3.1KMO检验和巴特利球形检验

在进行分析前需要进行因子分析适合性的评估，一般采用KMO检验和巴特利球形检验来进行该项分析。KMO统计量的取值在0到1之间，KMO值接近1，意味着变数间的相关性越强，原变数越适合进行因子分析。KMO值大于0.9是最好的结果，大于0.8是较好水平，大于0.7是中等水平，大于0.6是较差水平，大于0.5是最差水平，而低于0.5则说明不宜作因子分析。对于巴特利球形检验，要做因子分析要求巴特利球形检验结果的Χ2值达到显著性水平，即p<0.05，否则不宜作因子分析。首先对问卷所有变量进行效度分析，分析结果如下表4-5所示：

表4-5KMO与Bartlett检定

由表4-5可以看出，总表的KMO值是0.834，大于0.7，Bartlett球形测试的卡方值近似1148.141，其sig值小于0.05，依据评估标准，表明统计数据是相关的，可以进行下一步的因子分析。

4.3.2因子分析

因子分析采用主成分分析，通过降维的方法将众多的指标整合到主要的指标中的分析方法，本文主要通过公因子方差和因子累计贡献率来检验是否适宜进行因子分析，假如某项对应的共同度值低于0.4，就需考虑对该项进行删除。

表4-6公因子方差

表4-6显示，问卷中各变量的初始值都是1，因子分析的变量共同度都大于0.5，多数大于0.7，说明提取的公因子对于初始变量的解释程度比较高，因子分析的结果是有效的，因此无需删除题目，在数据分析中保留所有的题项。

表4-7因子贡献率

从表4-7数据可以看出，共提取了6个因子，在公共归因因子中，因子的贡献率达到了78.645%，具有较高的拟合度，所以可以得出调查问卷数据在整体和各个因素都有较好的效度。

　　5研究假设检验分析

　　5.1个体属性对“互联网+教育”个性化学习影响因素、行为意愿的差异分析

这部分主要研究个体属性（性别、年龄、使用频率）对在线教育个性化学习影响因素和行为意愿的影响，采用独立样本T检验来分析性别在各个影响因素和行为意愿中是否有显著性差异，而对于分析年龄、使用频率对影响因素和行为意愿的差异性则采用单因素方差分析的方法。

（1）性别对研究变量的分析

调查样本中男生有68人，女生有103人，借助独立样本T检验的方式来分析性别在各个影响因素和行为意愿中是否有显著性差异，分析结果如下表4-8所示：

表4-8性别对研究变量的分析

由表4-8中数据能看出，虽然女生在各个变量的平均值都高于男生，但他们之前的差异在0.05水平上并不显著，可以得出性别对在线教育个性化学的行为意愿没有显著性差异。

（2）年龄对研究变量的分析

从被调查人群的年龄分布来看，18岁以下有21人，18-28岁有134人，29-50岁有10人，50岁以上有6人，在不同年龄层中对线上教育个性化学习各影响因素以及行为意愿的平均值和单因素方差分析的结果如下表4-9所示：

表4-9年龄对研究变量的分析

由表4-9中数据可以看出，年龄对绩效期望、努力期望、社群影响在0.05水平上存在显著性差异，但对行为意愿的差异并不显著，因此可以得出年龄对在线教育个性化学习没有显著性差异。

（3）使用频率对研究变量的分析

从被调查人群的线上学习的使用频率分布来看，从没有过线上学习经历的有15人，偶尔学习的有108人，经常学习的有44人，大部分上网时间都用于学习的有4人，在不同使用频率上对在线教育个性化学习各影响因素以及行为意愿的平均值和单因素方差分析的结果如下表所示：

表4-10使用频率对研究变量的分析

由表4-10统计结果表明，在影响因素方面，绩效期望、感知成本在使用频率上的sig值都大于0.05，说明在0.05水平上并不显著,努力期望、社群影响和便利条件在使用频率上sig值都小于0.05，说明在0.05水平上是显著的，而且使用频率越高的用户越认为这三个变量对其使用在线教育个性化学习有影响。同样地，行为意愿在使用频率上的sig值等于0.01<0.05，说明对于行为意愿，不同的使用频率在0.05水平上有显著性差异，且使用频率越高越愿意进行个性化学习。因此得出使用频率对个性化学习有显著性影响。

　　5.2“互联网+教育”个性化学习各维度影响因素与行为意愿的相关分析

相关关系也指变量间的相互关系，但在相关关系中一个变量的值往往受多个变量的影响，换句话说当变量一取某个固定值时，变量还会受其他因素的影响从而导致变量取值的不确定性，所以相关关系并不能用函数关系精准表达出来。一般用相关系数表示出来，相关系数的取值区间在-1到1，当相关系数在0到-1之间表示变量间为负相关关系，当在0到1之间表示变量间为正相关关系，等于0则表示变量之间没有不相关，相关系数越趋近于0表示相关关系越弱[19]。

本文主要研究影响个性化学习的各个因素与行为意愿之间的相关性，具体的结果显示如下表4-11所示：

表4-11个性化学习影响因素与行为意愿的相关分析

从表数据可知，绩效期望、努力期望、社群影响、便利条件与行为意愿之间的相关系数值分别为0.440、0.338、0.366、0.507，均大于0，对应的p值均小于0.01，呈现出0.01水平的显著性，因而说明绩效期望、努力期望、社群影响、便利条件与行为意愿之间有着显著的正相关关系，而感知成本与行为意愿之间的相关系数为0.033，约等于0，且对应p值为0.666>0.05，因而说明感知成本与行为意愿之间没有相关关系。

　　5.3“互联网+教育”个性化学习各维度影响因素与行为意愿的回归分析

回归分析是描述一个或多个预测变量与响应变量之间的统计学关系，并预测新观测值，即确定两组或两组以上变量间是否相关、相关方向与强度，并建立数学模型以便观察特定变数来预测研究者感兴趣的变数。回归结果可以确定预测变量与响应变量间关系的方向、大小和统计显著性。按照自变量的个数将回归分析分为一元回归和多元回归[20]。本文涉及五个自变量，因此为多元线性回归。回归分析结果如下表4-12所示：

表4-12个性化学习影响因素与行为意愿的回归分析

将绩效期望、努力期望、社群影响、便利条件、感知成本作为自变量，将行为意愿作为因变量进行线性回归分析。根据表4-12数据，针对模型的多重共线性进行检验发现，模型中的VIF值最大为1.526，远小于10，因此意味着不存在自变量间的多重共线性的问题。其中努力期望和感知成本的p值都大于0.05，意味这两个自变量对行为意愿不会产生影响关系，假设H2和H5不成立。而绩效期望、社群影响和便利条件的p值分别为0.016、0.009和0.000，且回归系数值分别为0.187、0.168和0.320，意味着这三个自变量对行为意愿产生显著的正向影响关系，假设H1、H3和H4成立。从权重系数来看，便利条件的权重系数最高，其次是绩效期望，接下来是社群影响，而努力期望和感知成本没有进入回归方程。

通过以上分析，本文的研究假设验证结果如下表4-13所示：

表4-13研究假设验证结果

　　6研究总结

　　6.1研究结论

在足不出户的情况下就能学到各自想学的课程，是线上学习的一大好处，但需要把这个优势再进行扩展。本文根据过去学者对在线教育的研究结果以及对个性化学习的研究进行综合设计，选择出五个核心的影响因素，分别为：绩效期望、努力期望、社群影响、便利条件、感知成本，以及三个个体属性，分别是：性别、年龄、线上学习进行的频率，进行对线上个性化学习行为的回归分析，相比之前其他学者得到有不同的结果。企业应该根据大众的需求进行针对性的调整。

（1）根据不同用户的个体属性，有些因素对在线教育的个性化学习有显著性差异,其中在绩效期望、努力期望、社群影响这三个影响因素，不同年龄的人存在显著性差异，但年龄对个性化学习的行为意愿却没有显著性差异，这也为该行业增加了更多的机会。而网民的使用频率对个性化学习有显著性影响，而且使用频率越高的越愿意进行个性化学习，经常学习的人群会对自己的薄弱点清楚，知道自己需要的是什么，在大数据的时代下，平台可以对这部分的人群进行定位，采集学生的数据，对他们进行数据挖掘，跟进他们的学习进度、学习计划等，预测学生的学习情况，为他们提供更适合的课程、老师。

(2)注重平台课程涉猎范围，做到多样化，同时保持精准。根据调查结果显示，绩效期望对个性化学习有正向显著性影响，学生在线上可以学到自己感兴趣的或者能够提高学习效率、提高成绩，这对平台来说是个机会，可以引进资质较好的老师，提供多样化的课程，不同学员可以按照自己偏好来选择，这不仅会提高兴趣，也可以补充线下私教课又贵又不足的缺点。

（3）注重社会因素的影响。根据研究结果显示，社群影响也是其中很重要的影响因素，一个平台做得好会让一个学员传给十个学员，以此类推，产生蝴蝶效应。企业应该抓住用户该特点，做好个性化服务，结合其他因素可以看出，可以率先推荐使用频率较高的学员使用个性化学习，来提高学习者的学习兴趣，再让这部分学员将这种新的学习方式推荐给身边的亲朋好友等等，带动更多的学员进行这种方式的学习。

（4）注重网站平台本身安全性，加强教师质量。便利条件对学员产生的影响是最大的，意味着当前对网站的各种软硬件的要求越来越高，如网站使用的方便性，网站的稳定性，网站的安全性，教师质量的高低等，都是影响学员是否愿意花费时间与精力到课程中的重要因素，这需要企业从网站到教师的全方面打造，让一些客观的因素去刺激学员进行个性化学习的行为。换个说法，假如没有这些技术的支持，即使学员有非常强烈的愿望也无法达成个性化学习的行为。

　　6.2研究建议

互联网提供了一个免费平台，企业能够利用这个资源为大众学员提供优质服务，从某角度来说会提升国民素质。现在人手一部智能手机是常见现象，所以智能设备、流量等对大众来说已经不是影响进行线上教育的主要因素了，这相比较于十年前是很大变化，但单独对于个性化学习来说，还是有些人会考虑成本，认为进行这样的课程或者有该项服务会花费较多的钱，可能是把线上个性化学习简单的等于线下的一对一课程。假如能够很好的结合计算机有存储记忆、计算功能，线上的个性化学习就不只是一对一的课程，也可以是由学习者自主选择教学内容，自主的制定学习计划，灵活的安排时间等等一系列活动，每个学员的能力都有所不同，各自也有不同的学习习惯、学习进度，按照这样的方式学员也会对自己的学习任务更加重视，服务供给方即在线教育平台可以在每个操作环节中无时无刻对学员进行个性化精准学习的灌输。首先对每个学员进行学前测评，让每个学员接受诊断性测评，可以采取人工一对一的调查，也可以在平台上进行问卷填写，根据每位学员的成绩进行等级评分，根据该评分为学员提供后续一系列学习目标的服务。接下来为学员用户匹配相应的学习资源，可以根据之前的等级匹配，也可以根据不同学习目标，如英语四级、六级，或者初级会计等等，还可以判断不同学习者个体的学习风格，例如有的学员通过讲课、音频等有声读物从中获益，有的是喜欢阅读材料、书籍等视觉途径来学习，这需要学习平台能够记录学习者的学习偏好进行数据分析，然后判断并选择适当的媒体形式与各种各样的课程进行匹配，帮助学员一键到底，达到学习目标，协助学习。另外，也有不少学员对学习进度有自己的安排，企业也应该抓住这部分学生，定期或不定期的对这部分学生进行阶段性评估，提供反馈，帮助学员了解自己的学习进度。最后，移动学习平台需要记录不同学员各种学习的详细数据，如学习时间、所学的知识点等内容，然后进行数据分析，为学员提供适合他们的学习策略和方案。而数据记录以及可视化，不仅为学习活动提供者和指导者有用，便于他们对学习者作出评价和指导，也为学习者本人有用，可以发挥学员的能动性和培养学员的元认知能力，可以激发他们的学习兴趣。

　　参考文献

[1]SergioMartin,GabrielDiaz,ElioSancristobal,RosarioGil,ManuelCastro,JuanPeire.Newtechnologytrendsineducation:Sevenyearsofforecastsandconvergence[J].Computers&Education,2011,57(3).

[2]教育信息化十年发展规划(2011-2020年)[J].中国教育信息化,2012(08):3-12.

[3]xxx印发《关于积极推进“互联网+”行动的指导意见》[J].电子政务,2015(07):52.

[4]徐靖程.教育部印发《教育信息化2.0行动计划》[J].中小学信息技术教育,2018(05):4.

[5]《国家中长期教育改革和发展规划纲要(2010-2020年)》[J].实验室研究与探索,2018,37(06):273.

[6]王晓.英语的个性化学习影响因素及教学策略[J].重庆科技学院学报,2005(02):77-79.

[7]马玉霞.影响个性化学习效果因素的调查分析[J].甘肃广播电视大学学报,2011,21(01):11-13.

[8]樊雅琴,孙东梅,崔迎,周东岱.个性化学习影响因素分析[J].现代远距离教育,2018(05):73-80.

[9]樊雅琴.初中生个性化学习影响因素与促进策略研究[D].东北师范大学,2019.

[10]韩闯.个性化学习视角下大学生手机移动学习影响因素分析[D].辽宁师范大学,2018.

[11]Phuangthong,D,Malisawan,S.Astudyofbehavioralintentionfor3Gmobileinternettechnology:preliminaryresearchonmobilelearning.[A]ProceedingsoftheSecondInternationalConferenceoneLearningforKnowledge-BasedSociety2005.2005:1-6

[12]NorazahM,NorbayahM.user’sbehaviortowardsubiquitousm-learning[J].TurkishOnlineJournalofDistanceEducation-Tojde,2011（12）：118-129.

[13]Bingham,A.J.,PaneJ.F.,Steiner,Z.D.&Hamilton,L.S.2016.AheadoftheCurve:ImplementationChallengesinPersonalizedLearningSchoolModels.EducationalPolicy.1-36.epx.sagepub.com.

[14]宋树生.在线学习──利用计算机网络进行学习的新方式[J].中国电化教育,1997(06):13-14.

[15]孙建军,成颖,柯青.TAM模型研究进展——模型演化[J].情报科学,2007(08):1121-1127.

[16]Abu-Al-Aish,A.,Love,S.Factorsinfluencingstudentsacceptanceofm-learning:Aninvestigationinhighereducation[J].InternationalReviewofResearchinOpenandDistanceLearning,2013,14(5):82-107.

[17]Venkatesh,V.,Morris,M.,Davis,G.,&Davis,F.(2003).UserAcceptanceofInformationTechnology:TowardaUnifiedView.MISQuarterly,27(3),425-478.

[18]曾五一,黄炳艺.调查问卷的可信度和有效度分析[J].统计与信息论坛,2005(06):13-17.

[19]郝依寒.浅谈相关分析与回归分析的关系[J].数字通信世界,2018(04):234-235.

[20]王振友,陈莉娥.多元线性回归统计预测模型的应用[J].统计与决策,2008(05):46-47.

【关键词】“互联网+教育”UTAUT模型个性化学习影响因素