论文部分内容阅读
【摘 要】 近年来，在线学习日益成为一种重要的学习方式，但在线学习中学习者学习动力不足、持续性不强等问题持续影响着在线学习成效的提升。本研究借鉴学习粘性的概念，从全视角学习理论视角出发构建了在线学习内容、互动、动机、满意度以及学习粘性各要素之间的影响因素模型，并通过结构方程模型法分析了各要素间的作用关系和影响效应。从总效应分析来看，全视角学习理论中的内容、互动、动机3个维度均对学习粘性有显著正向影响;从直接效应分析来看，内容和互动对学习粘性的影响均不显著，动机和满意度对学习粘性的影响显著;从中介效应分析来看，动机、满意度是内容与互动对学习粘性影响的关键中介变量。基于此，本研究提出了在线教学建议与策略，为教师开展在线教学提供借鉴。
【关键词】 在线学习;在线教育;全视角学习理论;学习粘性;学习效果;影响因素;正式学习;非正式学习
【中图分类号】 G442 【文献标识码】 A 【文章编号】 1009-458x（2021）10-0068-08
一、问题的提出
随着网络技术的普及，目前在线学习已经成为一种重要的学习方式，越来越多的人正通过这种方式进行学习。但在在线学习中学习者学习动力不足、持续性不强等问题也持续影响着在线学习的成效（Moore， 2019）。那么在线学习应如何“粘”住学习者，吸引其持续学习？针对这一问题，不少学者开始关注“粘性”概念，研究在线学习粘性的影响因素。例如：宁胜芳基于期望确认模型（ECM）分析了虚拟学习社区中影响用户粘度的因素（宁胜芳， 2015）;谭明杰从技术接受模型（TAM）视角探讨在线教育中的用户粘性（谭明杰， 2015）;李爱霞在期望确认模型的基础上加入了学习者特质因素，研究在MOOC学习中学习者粘性的影响因素（李爱霞， 2017），等等。
这些研究都进行了有价值的探索，但其所用的理论模型多是从信息系统持续使用的角度出发，关注的重点在技术平台的易用性和使用性，影响因素主要包括感知易用性、感知有用性、感知交互性、期望确认度等，而对在线学习中的教与学却关注不够，也缺少对影响因素的整体性思考。笔者认为，探究在线学习粘性是为了改善在线教学、提升学习者的学习效果，应从人类学习的视角出发，借鉴学习理论中的成熟理论或模型，才能更紧密地与学习过程相结合，更好地通过理论促进实践。丹麦克努兹教授提出的全视角学习理论，为分析人类的学习提供了一种整合性的视角，适合正式学习和非正式学习、线下学习和在线学习（邱德峰， 2018）。基于此，本研究依托全视角学习理论，从教与学的角度探究在線学习粘性的影响因素和因素间的效应关系，以期为教师的在线教学提供建议。
二、基于全视角学习的在线学习
粘性影响因素模型构建
（一）关于学习理论的体系化研究——全视角学习理论
丹麦克努兹教授吸收学习研究领域的多个理论成果，并将这些研究有机地整合在一个理论体系中，形成了一种全新的学习理论——全视角学习理论。克努兹教授（2010）认为，所有学习都包含内容与动机的获得过程和个体与环境的互动过程（图1）。只有这两个过程同时活跃，学习才能真正发生。
上述两个过程涉及内容、动机和互动三个维度（图2）。内容维度关注学习什么，目的是让学习者在不同情境下培养意义能力，发展人的功能性;动机维度涉及学习所需的心智能量的运用，发展人的敏感性;互动维度是为了寻求自己认为可以接受的人际交往与社会整合，发展人的社会性（克努兹·伊列雷斯， 2010）。
在学习的获得过程中，内容和动机两个维度存在相互作用关系，心智能量的性质和强度将影响所学的内容，学习内容也影响着学习的动力、情绪和意志。而在学习的互动过程中，所有的学习都是在某个具有社会和人际交往特性的情境中发生的，通过不同形式的互动，成为学习者必不可少的部分。
（二）在线学习与全视角学习理论
全视角学习理论揭示了学习的两个过程与三个维度，是一种普适而综合的学习理论，提供了一个非常有价值的分析框架。在线学习作为学习的一种形式，也适合采用该理论作为框架进行分析，其内容、互动和动机更加值得关注。
在线学习的内容是保证在线教育质量的重要因素。Norman等在网络学习者退学因素的研究中发现，课程内容和课程设计对学习者决定是否坚持学习有显著影响（Norman， King， Clarke， Viney， & Street， 2010）。《美国在线教育发展全景报告》（2019）指出，美国许多高校要求在线课程的开发必须有教学设计人员参加，从而保证在线课程内容的质量（钱玲， 等， 2019）;在线学习动机既影响学习的内容、时间和方式，也影响学习的表现（Schunk & Usher， 2012），在学习中起着至关重要的作用;在互动方面，相比传统教学，在线学习不仅包含师生、生生之间的互动，还包括学习者和平台、学习者和数字学习材料之间的互动（Thurmond & Wambach， 2004）。
（三）在线学习粘性影响因素模型构建
“粘性”这一概念由来已久，应用也十分广泛。在信息系统领域，用户粘性是指用户关于产品或者网站的忠诚、信任和体验等结合起来形成的满意度和依赖度（杜伟军， 2009）。在教育领域，有学者将MOOC学习者粘性定义为学习者对MOOC的依赖感和再使用期望值，反映了学习者在未来坚持使用与重复访问MOOC平台的行为和意愿（李爱霞， 2017）。还有学者研究了教育信息化环境下的粘性学习，并将其定义为学习者在内驱力的推动下，与优质学习资源之间产生了强大的亲和力，维持学习活动向深度学习发展并能实现有效迁移的学习过程和模式（阎登科， 等， 2019）。该定义指出了粘性学习的三大基础条件，即学习动力的激发、学习资源的智能提供和学习互动的高效实现。由此可见，粘性反映用户使用网站或资源之后产生了满意或依赖的心理，从而持续地使用。 基于上述分析，笔者将在线学习粘性定义为学习者对在线学习过程的依赖感以及持续学习的意愿和行为。全视角学习理论指出，在线学习过程中的内容、动机和互动三个维度不可或缺，在线学习内容和互动将能提高学习者在线学习的满意度，进而增加持续使用的程度。学习动机将能直接促进在线学习的持续性。基于此，本研究构建了在线学习粘性影响因素模型（图3），将在线学习的内容、动机、互动和满意度作为主要影响因素，以分析其相互作用和效应关系。
在本研究中，内容指在线学习资源的统称，包括录播和直播过程中的各类资源，如视音频、文本、PPT课件等;互动指学习者在线学习过程中与同伴、教师、学习资源、学习平台之间的交互;动机包括学习者在线学习的动力、情绪和持续学习的意志;满意度是指学习者对在线学习内容、互动效果的满意程度，是在线学习的实际体验与预期比较的一种主观体验。
1. 在线学习中的内容、互动、动机与学习者满意度
在线学习的内容、互动将直接影响学习者的学习体验。刘斌等（2016）认为在线学习体验是学习者对在线内容、活动、交互等多个方面的感知和反应。它是一种情绪情感（愉快、满意等），也是一个认知过程。因此在线学习的内容和互动将会直接影响在线学习体验，使学习者产生满意或失望的情感。而这种情感将会影响学习者的学习动机。基于此，本研究提出如下假设：
H1：在线学习的内容对学习者满意度有显著正向影响;
H2：在线学习的互动对学习者满意度有显著正向影响;
H5：学习者满意度对学习动机有显著正向影响。
正如前文所述，克努兹教授通过研究将内容、动机、互动作为学习发生的三个最本质的因素，由此构建了全视角学习理论模型。因此，这三者之间相互的作用关系，本文不做假设和详细探讨。
2. 内容、动机、互动、满意度与学习粘性
信息系统持续使用理论认为提高满意度可以增加用户的持续使用意向和使用行为（韩金凤， 2015）;王小宁等（2013）认为影响用户持续使用行为的最重要的因素是用户的满意度。动机理论中的自我决定理论认为动机可以在个体处于自我决定的状态时自发地维持个体行为（夏惟怡， 2010）。基于此，本研究提出如下假设：
H3：在线学习的内容对学习粘性有显著正向影响;
H4：在线学习的互动对学习粘性有显著正向影响;
H6：学习者的满意度对学习粘性有显著正向影响;
H7：学习者动机对学习粘性有显著正向影响。
三、研究设计
（一）研究对象
研究采用分层抽样和随机抽样相结合的方法。分层抽样主要体现在学校的层次上，本研究从上海、宁夏、甘肃、广东、辽宁5个省市、自治区选取了含双一流高校、普通高校与高职高专院校在内的6所高校发放问卷。随机抽样指在这三类高校中随机选取在校大学生作为主要研究对象。研究主要通过网络问卷的形式收集数据，最终收集了500份问卷。其中，非在校大學生作答问卷22份，整份问卷勾选了同一个选项且作答时间低于60秒的问卷64份，剔除上述无效问卷86份，剩余有效问卷414份，有效率为82.8%。
在有效被调查者中，女性为337人，占总样本的81.4%;男性为77人，占总样本的18.6%。在学历分布上，专科26人（6.3%），本科267人（64.5%），硕士112人（27.1%），博士9人（2.2%）。
（二）问卷编制与试测分析
在全视角学习理论的指导下，本研究设计了“在线学习粘性影响因素调查问卷”。本问卷涉及两部分，“学习者基本信息”包含9个题项，“在线学习粘性影响因素调查”包含24个题项。其中，第二部分的题项从在线学习的内容、动机、互动、满意度和学习粘性5个维度，采用李克特（Likert）五点式进行设计，并邀请相关专家进行了两次论证。为了保证问卷的信度与效度，本研究进行了试测（随机选取一半，共207份问卷）。在试测阶段，主要对量表进行了信度分析、项目分析和探索性因子分析。在信度分析中，量表克隆巴赫 Alpha系数为0.930，信度较好;在项目分析中，删除了题项与量表总分的相关检验值不显著且相关系数小于0.5的题项Q32;在探索性因子分析中，删除了因子载荷低于0.5的题项Q16。最终保留了在线学习粘性调查的22个题项（见表1），用于下一步的模型验证。
（三）研究方法
本研究主要基于问卷调查，采用了结构方程模型的方法。主要运用SPSS26.0和AMOS24.0工具对有效数据进行分析，并以卡方值（X2）、卡方自由度比（X2/df）、渐近残差均方和平方根（RMSEA）、比较拟合指数（CFI）、增量拟合指数（IFI）等作为模型拟合度判别与验证的参照指标。
四、研究结果分析
（一）在线学习粘性影响因素模型检验
一个完整的结构方程模型由测量模型与结构模型组成，前者主要用于描述测量指标与结构模型之间的关系，后者用于描述结构变量之间的关系（尹睿， 等， 2017）。
1. 测量模型检验
在测量模型检验之前，本研究对剩余的207份问卷进行了信度与效度分析。信度分析是指检验量表所得结果的稳定性和一致性。信度检验最常用的方法是克隆巴赫Alpha系数和组合信度（CR）（吴明隆， 2010）。有研究指出当Alpha系数≥0.70时，属于高信度;0.35≤Alpha系数<0.70时，属于尚可;Alpha系数<0.35则为低信度（荣泰生， 2010）;组合信度应大于0.60，才能说明潜在变量的测量题项有较好的内部一致性。由表2可知，测量模型中潜在变量的克隆巴赫Alpha系数均大于0.74，组合信度（CR）均大于0.76，表明测量模型信度较好，测量数据的内部一致性较高。
效度是衡量问卷题项能否准确反映评价目的和要求的指标。效度越高，说明调查结果越能较好地集中反映所要测量对象的特征（李爱霞， 2017）。KMO和Bartlett球形检验的值决定着数据是否适合做因子分析，通常KMO>0.6时才适合。本研究中KMO=0.909，Bartlett球形检验近似卡方值为2688.552（p<0.001），说明本研究采集的问卷调查数据适合作因子分析。在验证性因子分析（CFA）中，各观测变量的因子载荷最小值为0.526，最大值为0.895，符合因子载荷大于0.5的要求。有学者指出，因子载荷>0.71表示“优秀”;因子载荷在0.63—0.71之间表示“非常好”;在0.55—0.63之间表示“好”（邱皓政， 等， 2009）。本模型中只有一个因子低于0.55，其余均达到了“好”的标准。 2. 结构模型检验
本研究参照结构方程模型统计方法，采用AMOS 24.0软件对结构模型进行绘制（图4）和验证。常用判断模型拟合程度的指数包括X2/df、CFI、IFI、RMSEA、NFI、TLI等。一般来说：X2/df<2说明模型质量理想，2<X2/df<5说明模型可以接受，X2/df>5说明模型需要调整;RMSEA<0.05说明模型质量理想，0.05<RMSEA<0.08说明模型可以接受;CFI、NFI、TLI、IFI均大于0.09说明模型理想。同时，还可利用AMOS中的Modification Indices（MI）指标修正模型。通过对模型进行部分修正后，得到的拟合指数为：X2/df=2.252、RMSEA=0.078、CFI=0.886、NFI=0.815、TLI=0.863、IFI=0.888。由此说明本模型拟合良好。
3. 假设检验
本研究通过模型的假设检验分析在线学习粘性的影响因素，从表3可知各路径的S.E.值均大于0。H1的显著性p<0.001，H2和H5的显著性p<0.01，H6和H7的显著性p<0.05;H3和H4的显著性p>0.05，即不显著。由此本研究的H1、H2、H5、H6、H7假设成立，H3、H4假设不成立。
从H1、H2、H6来看，内容对满意度有显著正向影响（β=0.612，p<0.001），互动对满意度有显著正向影响（β=0.295，p<0.01），满意度对粘性有显著正向影响（β=0.487，p<0.05），說明在线学习的内容、互动能有效地影响学习者的在线学习体验，这种体验会极大地增加在线学习满意度，从而提升在线学习粘性;从H5和H7来看，满意度对动机有显著正向影响（β=0.302，p<0.01），动机对学习粘性有显著正向影响（β=0.712，p<0.05），有力地证明了学习者在线学习的满意程度能够有效激发学习者的学习动机，使学习者更愿意参加在线学习，更愿意“黏附”在平台或课程中。从H3和H4来看，内容对粘性的直接影响不显著（β=-0.420，p>0.05），互动对粘性的直接影响不显著（β=-0.264，p>0.05），说明内容和互动不会直接对粘性产生显著的影响，而主要是通过满意度或动机等中介变量产生影响。
（二）影响效应分析
经过对模型的分析，本研究的自变量包括在线学习的内容和互动，因变量是学习粘性，满意度和动机是中介变量，各变量之间既有直接效应，也有通过中介变量的间接效应，关系较为复杂。为了更好地理解模型，进一步厘清各变量之间的关系，本研究对模型进行效应分析。
1. 总效应分析
以内容为自变量，在线学习内容对各要素的总效应（见表4）分别为满意度0.462、动机0.482、粘性0.281;以互动为自变量，其对各要素的总效应分别是满意度0.316、动机0.395、粘性0.174;以满意度为自变量，其对各要素的总效应分别是动机0.310、粘性0.452;以动机为自变量，动机仅对粘性有影响，其总效应为0.388。由表4可知，内容、互动、动机、满意度均对粘性有显著影响，满意度影响最大，动机次之，说明激励在线学习动机、提升在线学习内容质量和增加在线互动能有效促进在线学习粘性。
2. 中介效应分析
中介效应分析基于Hayes（2013）的Bootstrap检验方法，即重复抽样5，000次分别计算95%的置信区间，若置信区间BootLLCI-BootULCI不含0，则表示统计显著。在本研究中，内容与粘性之间存在三条影响路径，即：内容→满意度→粘性，内容→动机→粘性，内容→满意度→动机→粘性。互动与粘性也同样存在三条影响路径。可见，满意度和动机都是中介变量，这是一种链式中介效应。根据Hayes编制的PROCESS插件，链式中介的效应模型如图5所示（X代表自变量，Y代表因变量，M1和M2分别代表中介变量）（Hayes， 2013）。为了分析的科学性和严谨性，本研究将自变量内容和互动分开进行链式中介效应分析。
（1）内容对粘性的影响机制
内容对粘性的总效应为0.281，p<0.001，直接效应为-0.059，p=0.449，不显著。由表5可知，内容和学习粘性之间的总间接效应0.340，间接效应1（内容→满意度→粘性）为0.153，间接效应2（内容→满意度→动机→粘性）为0.055，间接效应3（内容→动机→粘性）为0.131。间接效应的置信区间BootLLCI-BootULCI均不包含0，说明中介效应显著。
（2）互动对粘性的影响机制
互动对粘性的总效应为0.174，p<0.001，显著。直接效应为-0.084，p=0.242，不显著。由表6可知，互动和粘性的总间接效应0.258，间接效应1（互动→满意度→粘性）为0.105，间接效应2（互动→满意度→动机→粘性）为0.038，间接效应3（互动→动机→粘性）为0.115。间接效应的BootLLCI-BootULCI置信区间均不包含0，说明中介效应显著。
上述中介效应分析结果表明，满意度和动机具有显著的中介效应，是内容、互动通向学习粘性重要的“桥梁”。各个要素间的效应关系如图6所示。
五、研究结论与启示
本研究基于克努兹的全视角学习理论，分析在线学习粘性的影响因素及其因素之间的作用机制。通过结构方程模型构建了在线学习中内容、互动、动机、满意度和在线学习粘性5个因素之间的影响关系模型，同时分析了6所在校大学生在线学习情况的调研数据，验证了在线学习粘性影响因素理论模型的合理性，并进一步探索了各要素之间的影响效应。研究结果表明：其一，在总效应的分析中，全视角理论中的内容、互动、动机三个维度均对在线学习粘性有显著影响，说明这三个维度是在线学习粘性的重要影响因素，其中满意度的影响效应排在首位，动机第二;其二，在直接效应的分析中，互动和内容对学习粘性的直接效应均不显著，但间接效应显著，动机和满意度对学习粘性的直接影响显著;其三，从中介效应分析来看，动机、满意度是内容与互动对学习粘性影响的关键中介变量，是学习粘性变化的重要预测因素。基于上述结论，我们尝试进行进一步的理论分析并提出实践建议。 （一）从整合的视角来理解在线学习
本研究揭示了全视角学习理论中的内容、互动，动机三个维度对在线学习粘性的重要影响。其所构建的两个过程、三个维度的学习框架是任何学习都不可或缺的，所倡导的整合的视角为我们理解在线学习带来了非常有价值的启示。
其一，关于内容與动机。获得过程连接着内容和动机。动机是学习发生的原因，内容是学习发生的基础。在线学习更是如此。在线学习中的获得过程代表了学习者在动机的激发下，登录网络平台，接触学习内容，获得心理或心智的提升。因此，教师在开展在线教学时，要时刻注意教学内容对动机的激发，如设置有梯度的问题，挑战学习者已有的认知;还要从真实情境出发设计实践项目，激发学习者探究的兴趣;更要丰富学习内容的形式（动画、音乐、图片、微视频、虚拟现实等），产生多感官的刺激。
其二，关于内容与互动。互动过程代表着个体与环境的互动，是学习发生的必要条件。虽然全视角学习理论中并没有论述内容与互动之间的相互关系，但是高质量的内容能在一定程度上激发学习者互动的参与，互动也能够加深学习者对内容的理解（姜宛彤， 等， 2017）。当在线学习形成了某种虚拟社群或学习共同体时，学习内容会通过成员之间不断的互动逐渐积累在公共的空间中。因此，良性的互动成了学习内容产生的一种动力机制，所以教师不能仅仅把在线教学当作知识传递的一种途径，而更要通过在线活动的设计不断引导学习者开展对话和交流。同时，教师需要更多地关注互动中的生成性资源，去粗取精，将正确、合理的资源加工成新的学习内容供学习者学习。
其三，关于互动与动机。互动的形式和过程在一定程度上会影响动机的激发，动机的水平也会反过来影响学习者互动的参与情况。温格的实践共同体理论强调个体通过互动实现在共同体中身份与知识的双重建构（Wenger， 1998）。因此，教师在开展在线教学时应注重学习共同体的建立和维护，采用简单、轻松的在线互动方式，拉近师生之间的关系，减轻在线社交压力。
综上所述，教师在在线教学时，应采用整合的视角从内容、互动和动机三个方面整体考虑如何开展在线教学，将能在一定程度上提升在线教学的实效。
（二）以多元的策略来提升学习者动机
本研究揭示了动机对学习粘性既有直接作用，又起到重要的中介作用，是提高在线学习粘性的重要保障。正如弗里德曼在《世界是平的》一书中指出，不久的将来数字鸿沟将消失，但取而代之的是我们将面临一个更为巨大的“动机鸿沟”（第一教育， 2014）。因此，在线教学教师或课程建设者需要充分了解可用于提升学生学习动机水平的策略手段，用以激发学习者动机，提升在线学习粘性。
其一，关于ARCS策略。美国教学设计专家凯勒认为影响学习者学习动机的主要因素有4个，即注意、相关、自信和满足（谢幼如， 等， 2017），并以此形成ARCS动机模型及22项具体的教学策略，以期提升教学对学习动机的激励作用（刘爽， 2016）。教师可以结合ARCS的4个要素进行在线教学设计或活动设计。例如：合理运用公告、讨论版、私信等明确在线学习的任务和要求;设计奖励机制或积分规则给予学习者适当的激励;提供灵活的学习模式，建立学习者主人翁意识，等等。
其二，游戏化设计策略。自2011年以来，在新媒体联盟每年发布的《地平线报告》中，游戏化一直被记录为在线教育的中期趋势（Johnson， 2016）。游戏化指的是一种将动机、参与和情感置于学习技术和学习场景设计中心的心态（Fischer， 2016）。在在线教育中实施游戏化能提高学生的动机和参与度（Burke， 2014），游戏化设计有助于教师重新思考在线学习。有学者认为动机的背后存在八大核心驱动力，即使命、成就、授权、拥有、社交、稀缺、未知和亏损，并在此基础上构建了八角行为分析框架（周郁凯， 2018），此即游戏和行为设计的经典模型之一。笔者认为教师在进行在线教学时也可以从这八个角度进行思考。例如：在在线教学开始前，对教学目标进行梯度化设计，难度逐级增加;告知学生本次学习将能学到的知识、获得的提升以及对未来生涯发展的帮助，培养其学习的使命感;建立社交圈或学习小组，并对成员进行分工和职责的授权，使其能够充分交流并对自己及团队的发展负责;在线教学中，对学习者达到的成就进行不断的鼓励和奖励，并告知下个阶段所要达成的目标和要求;通过比赛的方式营造稀缺感，激发学习者获胜的动力;在提供教学资源时，每次提供有限的资源，激发其探索未知的渴望;适时增加任务难度，给学生适当的挫败感等。
六、结语
本研究基于全视角学习理论，构建了在线学习粘性的影响因素模型。运用结构方程模型方法验证了其合理性，探索了在线学习过程中的内容、互动、动机对学习粘性的影响机制和效应关系，并在此研究的基础上探讨了研究结果对实践教学的启示及对教学的建议，为教师开展在线教学提供帮助。
本研究也存在不足之处：一方面，本研究的研究样本以在校大学生为主，学习方式以正式学习为主，未来研究可以扩大样本范围，将正式在线学习和非正式在线学习进行对比研究;另一方面，本研究没有将在线教学的技术手段（平台等）作为粘性的影响要素，但在线教学中这部分是不可缺少的。未来可以研究技术手段对内容、互动、动机的影响效应。
[参考文献]
第一教育. 2014. 上海基础教育信息化趋势蓝皮书[M]. 上海：上海教育杂志社.
杜伟军. 2009. 基于用户粘性度的B2C电子商务营销战略：以JS网营销为例[D]. 上海：复旦大学.
韩金凤. 2015. 信息检索系统持续使用研究综述[J]. 图书馆学刊，37（5）：136-140.
姜宛彤，王翠萍，唐烨炜，吴靖. 2017. 基于克努兹全视角学习理论的微课程设计研究[J]. 现代远距离教育（1）：51-56. 克努兹·伊列雷斯. 2010. 我们如何学习：全视角学习理论[M]. 孙玫璐. 北京：教育科学出版社.
李爱霞. 2017. MOOC学习者粘性影响因素研究[D]. 吉林：吉林大学.
刘斌，张文兰，江毓君. 2016. 在线课程学习体验：内涵、发展及影响因素[J]. 中国电化教育（10）：90-96.
刘爽. 2016. ARCS模型视角下中小学教师培训微课程的设计研究[D]. 吉林：东北师范大学.
宁胜芳. 2015. 虚拟学习社区用户粘度的影响因素研究[D]. 山东：曲阜师范大学.
钱玲，徐辉富，郭伟. 2019. 美国在线教育：实践、影响与趋势——CHLOE3 报告的要点与思考[J]. 开放教育研究，25（3）：10-21.
切顿·切普莱杰特，万切尔扑·列锡柴可，乔瑟琳·威沙特，王志军. 2012. 在线学习环境中提升学习动机的移动交流工具设计[J]. 现代远距离教育（1）：27-33.
邱德峰. 2018. 学生作为学习者的身份建构研究[D]. 重庆：西南大学.
邱皓政，林碧芳. 2009. 结构方程模型的原理与应用[M]. 北京：中国轻工业出版社.
荣泰生. 2010. AMOS与研究方法[M]. 重庆：重庆大学出版社.
谭明杰. 2015. 在线教育中的信息技术采纳与学习者保持研究[D]. 四川：电子科技大学.
王小宁，师伟伟. 2013. 移动搜索持续使用行为研究[J]. 电子商（12）：50，55.
吴明隆. 2010. 问卷统计分析实务：SPSS操作与应用[M]. 重庆：重庆大学出版社.
夏惟怡. 2010. 自我决定就业动机及其作用机制研究[D]. 上海：复旦大学.
谢幼如，张惠颜，吴利红，邱艺. 2017. 基于ARCS的在线开放课程自组织学习模式研究[J]. 电化教育研究，38（7）：43-50.
阎登科，熊文瑾. 2019. 论教育信息化环境下的“粘性学习”及其实现[J]. 教育学术月刊（11）：104-111.
尹睿，徐欢云. 2017. 在线学习投入结构模型构建——基于结构方程模型的实证分析[J]. 开放教育研究，23（4）：101-111.
周郁凯. 2018. 游戏化实战[M]. 武汉：华中科技大学出版社.
Burke， B. （2014）. Gamify： how gamification motivates people to do extraordinary things. Brookline， MA： Bibliomotion.
Fischer， H.， Schlenker. L.， Follert. F.， et al. （2016）. Gamifying Higher Education. Beyond Badges， Points and Leaderboards[C]// International Forum on Knowledge Asset Dynamics.
Hayes， A. F. （2013）. Introduction to mediation， moderation， and conditional process analysis： A regression-based approach. Journal of Educational Measurement， 335-337.
Hee， J. Choi.， Johnson， S. D. （2005）. The Effect of Context-Based Video Instruction on Learning and Motivation in Online Courses [J]. The American Journal of Distance Education， 4： 215-227.
Johnson， L.， Becker， S.， Cummins， M.， Estrada， V.， Freeman， A.， Hall， C. （2016）. NMC Horizon Report： 2016 Higher Education Edition. Austin， Texas， USA： The New Media Consortium.
Moore， M. G. （2019）. Handbook of Distance Education. New York： Routledge.
Norman， R.， King， M. T.， Clarke， D.， Viney， R.， & Street， C. D.. （2010）. Does mode of administration matter？ comparison of online and face-to-face administration of a time trade-off task. Quality of Life Research， 19（4）， 499-508.
Schunk， D. H. & Usher， E. L. （2012）. Social cognitive theory and motivation.//Ryan R.M. （Eds）. The Oxford handbook of human motivation （pp.13-27）. New York， Oxford University Press.
Thurmond， V. & Wambach， K. （2004）. Understanding interactions in distance education： A review of the literature （pp.9-26）. International journal of instructional technology and distance learning.
Wenger， E. . （1998）. Communities of Practice： Learning， Meaning and Identity. CUP， Cambridge.
收稿日期：2020-09-11
定稿日期：2020-12-08
作者簡介：苗冬玲，博士研究生，华东师范大学教育信息技术学系（200062）。
吴昭，讲师;闫寒冰，教授，博士生导师，本文通讯作者。华东师范大学开放教育学院（200062）。
责任编辑 郝 丹
【关键词】 在线学习;在线教育;全视角学习理论;学习粘性;学习效果;影响因素;正式学习;非正式学习
【中图分类号】 G442 【文献标识码】 A 【文章编号】 1009-458x（2021）10-0068-08
一、问题的提出
随着网络技术的普及，目前在线学习已经成为一种重要的学习方式，越来越多的人正通过这种方式进行学习。但在在线学习中学习者学习动力不足、持续性不强等问题也持续影响着在线学习的成效（Moore， 2019）。那么在线学习应如何“粘”住学习者，吸引其持续学习？针对这一问题，不少学者开始关注“粘性”概念，研究在线学习粘性的影响因素。例如：宁胜芳基于期望确认模型（ECM）分析了虚拟学习社区中影响用户粘度的因素（宁胜芳， 2015）;谭明杰从技术接受模型（TAM）视角探讨在线教育中的用户粘性（谭明杰， 2015）;李爱霞在期望确认模型的基础上加入了学习者特质因素，研究在MOOC学习中学习者粘性的影响因素（李爱霞， 2017），等等。
这些研究都进行了有价值的探索，但其所用的理论模型多是从信息系统持续使用的角度出发，关注的重点在技术平台的易用性和使用性，影响因素主要包括感知易用性、感知有用性、感知交互性、期望确认度等，而对在线学习中的教与学却关注不够，也缺少对影响因素的整体性思考。笔者认为，探究在线学习粘性是为了改善在线教学、提升学习者的学习效果，应从人类学习的视角出发，借鉴学习理论中的成熟理论或模型，才能更紧密地与学习过程相结合，更好地通过理论促进实践。丹麦克努兹教授提出的全视角学习理论，为分析人类的学习提供了一种整合性的视角，适合正式学习和非正式学习、线下学习和在线学习（邱德峰， 2018）。基于此，本研究依托全视角学习理论，从教与学的角度探究在線学习粘性的影响因素和因素间的效应关系，以期为教师的在线教学提供建议。
二、基于全视角学习的在线学习
粘性影响因素模型构建
（一）关于学习理论的体系化研究——全视角学习理论
丹麦克努兹教授吸收学习研究领域的多个理论成果，并将这些研究有机地整合在一个理论体系中，形成了一种全新的学习理论——全视角学习理论。克努兹教授（2010）认为，所有学习都包含内容与动机的获得过程和个体与环境的互动过程（图1）。只有这两个过程同时活跃，学习才能真正发生。
上述两个过程涉及内容、动机和互动三个维度（图2）。内容维度关注学习什么，目的是让学习者在不同情境下培养意义能力，发展人的功能性;动机维度涉及学习所需的心智能量的运用，发展人的敏感性;互动维度是为了寻求自己认为可以接受的人际交往与社会整合，发展人的社会性（克努兹·伊列雷斯， 2010）。
在学习的获得过程中，内容和动机两个维度存在相互作用关系，心智能量的性质和强度将影响所学的内容，学习内容也影响着学习的动力、情绪和意志。而在学习的互动过程中，所有的学习都是在某个具有社会和人际交往特性的情境中发生的，通过不同形式的互动，成为学习者必不可少的部分。
（二）在线学习与全视角学习理论
全视角学习理论揭示了学习的两个过程与三个维度，是一种普适而综合的学习理论，提供了一个非常有价值的分析框架。在线学习作为学习的一种形式，也适合采用该理论作为框架进行分析，其内容、互动和动机更加值得关注。
在线学习的内容是保证在线教育质量的重要因素。Norman等在网络学习者退学因素的研究中发现，课程内容和课程设计对学习者决定是否坚持学习有显著影响（Norman， King， Clarke， Viney， & Street， 2010）。《美国在线教育发展全景报告》（2019）指出，美国许多高校要求在线课程的开发必须有教学设计人员参加，从而保证在线课程内容的质量（钱玲， 等， 2019）;在线学习动机既影响学习的内容、时间和方式，也影响学习的表现（Schunk & Usher， 2012），在学习中起着至关重要的作用;在互动方面，相比传统教学，在线学习不仅包含师生、生生之间的互动，还包括学习者和平台、学习者和数字学习材料之间的互动（Thurmond & Wambach， 2004）。
（三）在线学习粘性影响因素模型构建
“粘性”这一概念由来已久，应用也十分广泛。在信息系统领域，用户粘性是指用户关于产品或者网站的忠诚、信任和体验等结合起来形成的满意度和依赖度（杜伟军， 2009）。在教育领域，有学者将MOOC学习者粘性定义为学习者对MOOC的依赖感和再使用期望值，反映了学习者在未来坚持使用与重复访问MOOC平台的行为和意愿（李爱霞， 2017）。还有学者研究了教育信息化环境下的粘性学习，并将其定义为学习者在内驱力的推动下，与优质学习资源之间产生了强大的亲和力，维持学习活动向深度学习发展并能实现有效迁移的学习过程和模式（阎登科， 等， 2019）。该定义指出了粘性学习的三大基础条件，即学习动力的激发、学习资源的智能提供和学习互动的高效实现。由此可见，粘性反映用户使用网站或资源之后产生了满意或依赖的心理，从而持续地使用。 基于上述分析，笔者将在线学习粘性定义为学习者对在线学习过程的依赖感以及持续学习的意愿和行为。全视角学习理论指出，在线学习过程中的内容、动机和互动三个维度不可或缺，在线学习内容和互动将能提高学习者在线学习的满意度，进而增加持续使用的程度。学习动机将能直接促进在线学习的持续性。基于此，本研究构建了在线学习粘性影响因素模型（图3），将在线学习的内容、动机、互动和满意度作为主要影响因素，以分析其相互作用和效应关系。
在本研究中，内容指在线学习资源的统称，包括录播和直播过程中的各类资源，如视音频、文本、PPT课件等;互动指学习者在线学习过程中与同伴、教师、学习资源、学习平台之间的交互;动机包括学习者在线学习的动力、情绪和持续学习的意志;满意度是指学习者对在线学习内容、互动效果的满意程度，是在线学习的实际体验与预期比较的一种主观体验。
1. 在线学习中的内容、互动、动机与学习者满意度
在线学习的内容、互动将直接影响学习者的学习体验。刘斌等（2016）认为在线学习体验是学习者对在线内容、活动、交互等多个方面的感知和反应。它是一种情绪情感（愉快、满意等），也是一个认知过程。因此在线学习的内容和互动将会直接影响在线学习体验，使学习者产生满意或失望的情感。而这种情感将会影响学习者的学习动机。基于此，本研究提出如下假设：
H1：在线学习的内容对学习者满意度有显著正向影响;
H2：在线学习的互动对学习者满意度有显著正向影响;
H5：学习者满意度对学习动机有显著正向影响。
正如前文所述，克努兹教授通过研究将内容、动机、互动作为学习发生的三个最本质的因素，由此构建了全视角学习理论模型。因此，这三者之间相互的作用关系，本文不做假设和详细探讨。
2. 内容、动机、互动、满意度与学习粘性
信息系统持续使用理论认为提高满意度可以增加用户的持续使用意向和使用行为（韩金凤， 2015）;王小宁等（2013）认为影响用户持续使用行为的最重要的因素是用户的满意度。动机理论中的自我决定理论认为动机可以在个体处于自我决定的状态时自发地维持个体行为（夏惟怡， 2010）。基于此，本研究提出如下假设：
H3：在线学习的内容对学习粘性有显著正向影响;
H4：在线学习的互动对学习粘性有显著正向影响;
H6：学习者的满意度对学习粘性有显著正向影响;
H7：学习者动机对学习粘性有显著正向影响。
三、研究设计
（一）研究对象
研究采用分层抽样和随机抽样相结合的方法。分层抽样主要体现在学校的层次上，本研究从上海、宁夏、甘肃、广东、辽宁5个省市、自治区选取了含双一流高校、普通高校与高职高专院校在内的6所高校发放问卷。随机抽样指在这三类高校中随机选取在校大学生作为主要研究对象。研究主要通过网络问卷的形式收集数据，最终收集了500份问卷。其中，非在校大學生作答问卷22份，整份问卷勾选了同一个选项且作答时间低于60秒的问卷64份，剔除上述无效问卷86份，剩余有效问卷414份，有效率为82.8%。
在有效被调查者中，女性为337人，占总样本的81.4%;男性为77人，占总样本的18.6%。在学历分布上，专科26人（6.3%），本科267人（64.5%），硕士112人（27.1%），博士9人（2.2%）。
（二）问卷编制与试测分析
在全视角学习理论的指导下，本研究设计了“在线学习粘性影响因素调查问卷”。本问卷涉及两部分，“学习者基本信息”包含9个题项，“在线学习粘性影响因素调查”包含24个题项。其中，第二部分的题项从在线学习的内容、动机、互动、满意度和学习粘性5个维度，采用李克特（Likert）五点式进行设计，并邀请相关专家进行了两次论证。为了保证问卷的信度与效度，本研究进行了试测（随机选取一半，共207份问卷）。在试测阶段，主要对量表进行了信度分析、项目分析和探索性因子分析。在信度分析中，量表克隆巴赫 Alpha系数为0.930，信度较好;在项目分析中，删除了题项与量表总分的相关检验值不显著且相关系数小于0.5的题项Q32;在探索性因子分析中，删除了因子载荷低于0.5的题项Q16。最终保留了在线学习粘性调查的22个题项（见表1），用于下一步的模型验证。
（三）研究方法
本研究主要基于问卷调查，采用了结构方程模型的方法。主要运用SPSS26.0和AMOS24.0工具对有效数据进行分析，并以卡方值（X2）、卡方自由度比（X2/df）、渐近残差均方和平方根（RMSEA）、比较拟合指数（CFI）、增量拟合指数（IFI）等作为模型拟合度判别与验证的参照指标。
四、研究结果分析
（一）在线学习粘性影响因素模型检验
一个完整的结构方程模型由测量模型与结构模型组成，前者主要用于描述测量指标与结构模型之间的关系，后者用于描述结构变量之间的关系（尹睿， 等， 2017）。
1. 测量模型检验
在测量模型检验之前，本研究对剩余的207份问卷进行了信度与效度分析。信度分析是指检验量表所得结果的稳定性和一致性。信度检验最常用的方法是克隆巴赫Alpha系数和组合信度（CR）（吴明隆， 2010）。有研究指出当Alpha系数≥0.70时，属于高信度;0.35≤Alpha系数<0.70时，属于尚可;Alpha系数<0.35则为低信度（荣泰生， 2010）;组合信度应大于0.60，才能说明潜在变量的测量题项有较好的内部一致性。由表2可知，测量模型中潜在变量的克隆巴赫Alpha系数均大于0.74，组合信度（CR）均大于0.76，表明测量模型信度较好，测量数据的内部一致性较高。
效度是衡量问卷题项能否准确反映评价目的和要求的指标。效度越高，说明调查结果越能较好地集中反映所要测量对象的特征（李爱霞， 2017）。KMO和Bartlett球形检验的值决定着数据是否适合做因子分析，通常KMO>0.6时才适合。本研究中KMO=0.909，Bartlett球形检验近似卡方值为2688.552（p<0.001），说明本研究采集的问卷调查数据适合作因子分析。在验证性因子分析（CFA）中，各观测变量的因子载荷最小值为0.526，最大值为0.895，符合因子载荷大于0.5的要求。有学者指出，因子载荷>0.71表示“优秀”;因子载荷在0.63—0.71之间表示“非常好”;在0.55—0.63之间表示“好”（邱皓政， 等， 2009）。本模型中只有一个因子低于0.55，其余均达到了“好”的标准。 2. 结构模型检验
本研究参照结构方程模型统计方法，采用AMOS 24.0软件对结构模型进行绘制（图4）和验证。常用判断模型拟合程度的指数包括X2/df、CFI、IFI、RMSEA、NFI、TLI等。一般来说：X2/df<2说明模型质量理想，2<X2/df<5说明模型可以接受，X2/df>5说明模型需要调整;RMSEA<0.05说明模型质量理想，0.05<RMSEA<0.08说明模型可以接受;CFI、NFI、TLI、IFI均大于0.09说明模型理想。同时，还可利用AMOS中的Modification Indices（MI）指标修正模型。通过对模型进行部分修正后，得到的拟合指数为：X2/df=2.252、RMSEA=0.078、CFI=0.886、NFI=0.815、TLI=0.863、IFI=0.888。由此说明本模型拟合良好。
3. 假设检验
本研究通过模型的假设检验分析在线学习粘性的影响因素，从表3可知各路径的S.E.值均大于0。H1的显著性p<0.001，H2和H5的显著性p<0.01，H6和H7的显著性p<0.05;H3和H4的显著性p>0.05，即不显著。由此本研究的H1、H2、H5、H6、H7假设成立，H3、H4假设不成立。
从H1、H2、H6来看，内容对满意度有显著正向影响（β=0.612，p<0.001），互动对满意度有显著正向影响（β=0.295，p<0.01），满意度对粘性有显著正向影响（β=0.487，p<0.05），說明在线学习的内容、互动能有效地影响学习者的在线学习体验，这种体验会极大地增加在线学习满意度，从而提升在线学习粘性;从H5和H7来看，满意度对动机有显著正向影响（β=0.302，p<0.01），动机对学习粘性有显著正向影响（β=0.712，p<0.05），有力地证明了学习者在线学习的满意程度能够有效激发学习者的学习动机，使学习者更愿意参加在线学习，更愿意“黏附”在平台或课程中。从H3和H4来看，内容对粘性的直接影响不显著（β=-0.420，p>0.05），互动对粘性的直接影响不显著（β=-0.264，p>0.05），说明内容和互动不会直接对粘性产生显著的影响，而主要是通过满意度或动机等中介变量产生影响。
（二）影响效应分析
经过对模型的分析，本研究的自变量包括在线学习的内容和互动，因变量是学习粘性，满意度和动机是中介变量，各变量之间既有直接效应，也有通过中介变量的间接效应，关系较为复杂。为了更好地理解模型，进一步厘清各变量之间的关系，本研究对模型进行效应分析。
1. 总效应分析
以内容为自变量，在线学习内容对各要素的总效应（见表4）分别为满意度0.462、动机0.482、粘性0.281;以互动为自变量，其对各要素的总效应分别是满意度0.316、动机0.395、粘性0.174;以满意度为自变量，其对各要素的总效应分别是动机0.310、粘性0.452;以动机为自变量，动机仅对粘性有影响，其总效应为0.388。由表4可知，内容、互动、动机、满意度均对粘性有显著影响，满意度影响最大，动机次之，说明激励在线学习动机、提升在线学习内容质量和增加在线互动能有效促进在线学习粘性。
2. 中介效应分析
中介效应分析基于Hayes（2013）的Bootstrap检验方法，即重复抽样5，000次分别计算95%的置信区间，若置信区间BootLLCI-BootULCI不含0，则表示统计显著。在本研究中，内容与粘性之间存在三条影响路径，即：内容→满意度→粘性，内容→动机→粘性，内容→满意度→动机→粘性。互动与粘性也同样存在三条影响路径。可见，满意度和动机都是中介变量，这是一种链式中介效应。根据Hayes编制的PROCESS插件，链式中介的效应模型如图5所示（X代表自变量，Y代表因变量，M1和M2分别代表中介变量）（Hayes， 2013）。为了分析的科学性和严谨性，本研究将自变量内容和互动分开进行链式中介效应分析。
（1）内容对粘性的影响机制
内容对粘性的总效应为0.281，p<0.001，直接效应为-0.059，p=0.449，不显著。由表5可知，内容和学习粘性之间的总间接效应0.340，间接效应1（内容→满意度→粘性）为0.153，间接效应2（内容→满意度→动机→粘性）为0.055，间接效应3（内容→动机→粘性）为0.131。间接效应的置信区间BootLLCI-BootULCI均不包含0，说明中介效应显著。
（2）互动对粘性的影响机制
互动对粘性的总效应为0.174，p<0.001，显著。直接效应为-0.084，p=0.242，不显著。由表6可知，互动和粘性的总间接效应0.258，间接效应1（互动→满意度→粘性）为0.105，间接效应2（互动→满意度→动机→粘性）为0.038，间接效应3（互动→动机→粘性）为0.115。间接效应的BootLLCI-BootULCI置信区间均不包含0，说明中介效应显著。
上述中介效应分析结果表明，满意度和动机具有显著的中介效应，是内容、互动通向学习粘性重要的“桥梁”。各个要素间的效应关系如图6所示。
五、研究结论与启示
本研究基于克努兹的全视角学习理论，分析在线学习粘性的影响因素及其因素之间的作用机制。通过结构方程模型构建了在线学习中内容、互动、动机、满意度和在线学习粘性5个因素之间的影响关系模型，同时分析了6所在校大学生在线学习情况的调研数据，验证了在线学习粘性影响因素理论模型的合理性，并进一步探索了各要素之间的影响效应。研究结果表明：其一，在总效应的分析中，全视角理论中的内容、互动、动机三个维度均对在线学习粘性有显著影响，说明这三个维度是在线学习粘性的重要影响因素，其中满意度的影响效应排在首位，动机第二;其二，在直接效应的分析中，互动和内容对学习粘性的直接效应均不显著，但间接效应显著，动机和满意度对学习粘性的直接影响显著;其三，从中介效应分析来看，动机、满意度是内容与互动对学习粘性影响的关键中介变量，是学习粘性变化的重要预测因素。基于上述结论，我们尝试进行进一步的理论分析并提出实践建议。 （一）从整合的视角来理解在线学习
本研究揭示了全视角学习理论中的内容、互动，动机三个维度对在线学习粘性的重要影响。其所构建的两个过程、三个维度的学习框架是任何学习都不可或缺的，所倡导的整合的视角为我们理解在线学习带来了非常有价值的启示。
其一，关于内容與动机。获得过程连接着内容和动机。动机是学习发生的原因，内容是学习发生的基础。在线学习更是如此。在线学习中的获得过程代表了学习者在动机的激发下，登录网络平台，接触学习内容，获得心理或心智的提升。因此，教师在开展在线教学时，要时刻注意教学内容对动机的激发，如设置有梯度的问题，挑战学习者已有的认知;还要从真实情境出发设计实践项目，激发学习者探究的兴趣;更要丰富学习内容的形式（动画、音乐、图片、微视频、虚拟现实等），产生多感官的刺激。
其二，关于内容与互动。互动过程代表着个体与环境的互动，是学习发生的必要条件。虽然全视角学习理论中并没有论述内容与互动之间的相互关系，但是高质量的内容能在一定程度上激发学习者互动的参与，互动也能够加深学习者对内容的理解（姜宛彤， 等， 2017）。当在线学习形成了某种虚拟社群或学习共同体时，学习内容会通过成员之间不断的互动逐渐积累在公共的空间中。因此，良性的互动成了学习内容产生的一种动力机制，所以教师不能仅仅把在线教学当作知识传递的一种途径，而更要通过在线活动的设计不断引导学习者开展对话和交流。同时，教师需要更多地关注互动中的生成性资源，去粗取精，将正确、合理的资源加工成新的学习内容供学习者学习。
其三，关于互动与动机。互动的形式和过程在一定程度上会影响动机的激发，动机的水平也会反过来影响学习者互动的参与情况。温格的实践共同体理论强调个体通过互动实现在共同体中身份与知识的双重建构（Wenger， 1998）。因此，教师在开展在线教学时应注重学习共同体的建立和维护，采用简单、轻松的在线互动方式，拉近师生之间的关系，减轻在线社交压力。
综上所述，教师在在线教学时，应采用整合的视角从内容、互动和动机三个方面整体考虑如何开展在线教学，将能在一定程度上提升在线教学的实效。
（二）以多元的策略来提升学习者动机
本研究揭示了动机对学习粘性既有直接作用，又起到重要的中介作用，是提高在线学习粘性的重要保障。正如弗里德曼在《世界是平的》一书中指出，不久的将来数字鸿沟将消失，但取而代之的是我们将面临一个更为巨大的“动机鸿沟”（第一教育， 2014）。因此，在线教学教师或课程建设者需要充分了解可用于提升学生学习动机水平的策略手段，用以激发学习者动机，提升在线学习粘性。
其一，关于ARCS策略。美国教学设计专家凯勒认为影响学习者学习动机的主要因素有4个，即注意、相关、自信和满足（谢幼如， 等， 2017），并以此形成ARCS动机模型及22项具体的教学策略，以期提升教学对学习动机的激励作用（刘爽， 2016）。教师可以结合ARCS的4个要素进行在线教学设计或活动设计。例如：合理运用公告、讨论版、私信等明确在线学习的任务和要求;设计奖励机制或积分规则给予学习者适当的激励;提供灵活的学习模式，建立学习者主人翁意识，等等。
其二，游戏化设计策略。自2011年以来，在新媒体联盟每年发布的《地平线报告》中，游戏化一直被记录为在线教育的中期趋势（Johnson， 2016）。游戏化指的是一种将动机、参与和情感置于学习技术和学习场景设计中心的心态（Fischer， 2016）。在在线教育中实施游戏化能提高学生的动机和参与度（Burke， 2014），游戏化设计有助于教师重新思考在线学习。有学者认为动机的背后存在八大核心驱动力，即使命、成就、授权、拥有、社交、稀缺、未知和亏损，并在此基础上构建了八角行为分析框架（周郁凯， 2018），此即游戏和行为设计的经典模型之一。笔者认为教师在进行在线教学时也可以从这八个角度进行思考。例如：在在线教学开始前，对教学目标进行梯度化设计，难度逐级增加;告知学生本次学习将能学到的知识、获得的提升以及对未来生涯发展的帮助，培养其学习的使命感;建立社交圈或学习小组，并对成员进行分工和职责的授权，使其能够充分交流并对自己及团队的发展负责;在线教学中，对学习者达到的成就进行不断的鼓励和奖励，并告知下个阶段所要达成的目标和要求;通过比赛的方式营造稀缺感，激发学习者获胜的动力;在提供教学资源时，每次提供有限的资源，激发其探索未知的渴望;适时增加任务难度，给学生适当的挫败感等。
六、结语
本研究基于全视角学习理论，构建了在线学习粘性的影响因素模型。运用结构方程模型方法验证了其合理性，探索了在线学习过程中的内容、互动、动机对学习粘性的影响机制和效应关系，并在此研究的基础上探讨了研究结果对实践教学的启示及对教学的建议，为教师开展在线教学提供帮助。
本研究也存在不足之处：一方面，本研究的研究样本以在校大学生为主，学习方式以正式学习为主，未来研究可以扩大样本范围，将正式在线学习和非正式在线学习进行对比研究;另一方面，本研究没有将在线教学的技术手段（平台等）作为粘性的影响要素，但在线教学中这部分是不可缺少的。未来可以研究技术手段对内容、互动、动机的影响效应。
[参考文献]
第一教育. 2014. 上海基础教育信息化趋势蓝皮书[M]. 上海：上海教育杂志社.
杜伟军. 2009. 基于用户粘性度的B2C电子商务营销战略：以JS网营销为例[D]. 上海：复旦大学.
韩金凤. 2015. 信息检索系统持续使用研究综述[J]. 图书馆学刊，37（5）：136-140.
姜宛彤，王翠萍，唐烨炜，吴靖. 2017. 基于克努兹全视角学习理论的微课程设计研究[J]. 现代远距离教育（1）：51-56. 克努兹·伊列雷斯. 2010. 我们如何学习：全视角学习理论[M]. 孙玫璐. 北京：教育科学出版社.
李爱霞. 2017. MOOC学习者粘性影响因素研究[D]. 吉林：吉林大学.
刘斌，张文兰，江毓君. 2016. 在线课程学习体验：内涵、发展及影响因素[J]. 中国电化教育（10）：90-96.
刘爽. 2016. ARCS模型视角下中小学教师培训微课程的设计研究[D]. 吉林：东北师范大学.
宁胜芳. 2015. 虚拟学习社区用户粘度的影响因素研究[D]. 山东：曲阜师范大学.
钱玲，徐辉富，郭伟. 2019. 美国在线教育：实践、影响与趋势——CHLOE3 报告的要点与思考[J]. 开放教育研究，25（3）：10-21.
切顿·切普莱杰特，万切尔扑·列锡柴可，乔瑟琳·威沙特，王志军. 2012. 在线学习环境中提升学习动机的移动交流工具设计[J]. 现代远距离教育（1）：27-33.
邱德峰. 2018. 学生作为学习者的身份建构研究[D]. 重庆：西南大学.
邱皓政，林碧芳. 2009. 结构方程模型的原理与应用[M]. 北京：中国轻工业出版社.
荣泰生. 2010. AMOS与研究方法[M]. 重庆：重庆大学出版社.
谭明杰. 2015. 在线教育中的信息技术采纳与学习者保持研究[D]. 四川：电子科技大学.
王小宁，师伟伟. 2013. 移动搜索持续使用行为研究[J]. 电子商（12）：50，55.
吴明隆. 2010. 问卷统计分析实务：SPSS操作与应用[M]. 重庆：重庆大学出版社.
夏惟怡. 2010. 自我决定就业动机及其作用机制研究[D]. 上海：复旦大学.
谢幼如，张惠颜，吴利红，邱艺. 2017. 基于ARCS的在线开放课程自组织学习模式研究[J]. 电化教育研究，38（7）：43-50.
阎登科，熊文瑾. 2019. 论教育信息化环境下的“粘性学习”及其实现[J]. 教育学术月刊（11）：104-111.
尹睿，徐欢云. 2017. 在线学习投入结构模型构建——基于结构方程模型的实证分析[J]. 开放教育研究，23（4）：101-111.
周郁凯. 2018. 游戏化实战[M]. 武汉：华中科技大学出版社.
Burke， B. （2014）. Gamify： how gamification motivates people to do extraordinary things. Brookline， MA： Bibliomotion.
Fischer， H.， Schlenker. L.， Follert. F.， et al. （2016）. Gamifying Higher Education. Beyond Badges， Points and Leaderboards[C]// International Forum on Knowledge Asset Dynamics.
Hayes， A. F. （2013）. Introduction to mediation， moderation， and conditional process analysis： A regression-based approach. Journal of Educational Measurement， 335-337.
Hee， J. Choi.， Johnson， S. D. （2005）. The Effect of Context-Based Video Instruction on Learning and Motivation in Online Courses [J]. The American Journal of Distance Education， 4： 215-227.
Johnson， L.， Becker， S.， Cummins， M.， Estrada， V.， Freeman， A.， Hall， C. （2016）. NMC Horizon Report： 2016 Higher Education Edition. Austin， Texas， USA： The New Media Consortium.
Moore， M. G. （2019）. Handbook of Distance Education. New York： Routledge.
Norman， R.， King， M. T.， Clarke， D.， Viney， R.， & Street， C. D.. （2010）. Does mode of administration matter？ comparison of online and face-to-face administration of a time trade-off task. Quality of Life Research， 19（4）， 499-508.
Schunk， D. H. & Usher， E. L. （2012）. Social cognitive theory and motivation.//Ryan R.M. （Eds）. The Oxford handbook of human motivation （pp.13-27）. New York， Oxford University Press.
Thurmond， V. & Wambach， K. （2004）. Understanding interactions in distance education： A review of the literature （pp.9-26）. International journal of instructional technology and distance learning.
Wenger， E. . （1998）. Communities of Practice： Learning， Meaning and Identity. CUP， Cambridge.
收稿日期：2020-09-11
定稿日期：2020-12-08
作者簡介：苗冬玲，博士研究生，华东师范大学教育信息技术学系（200062）。
吴昭，讲师;闫寒冰，教授，博士生导师，本文通讯作者。华东师范大学开放教育学院（200062）。
责任编辑 郝 丹