由于MOOC存在完成率低、辍学率高的现状，笔者通过构建分析 MOOC 学习行为的 UTAUT 模型，据此 UTAUT 模型提出相关研究假设，并设计和发放调查问卷以采集数据。研究对77份有效样本数据的特征进行了描述，并分析了量表的信度和效度。利用SPSS对调查结果进行回归分析，得出影响学生 MOOC 学习行为的核心因素对学生的 MOOC 学习意愿和学习行为具有正向影响的结论，七个因素的影响程度为：绩效期望>便利条件>课程属性>努力期望>社会影响>MOOC声望>感知交互性，最终得出结论且提出改进建议。

MOOC；学习意愿；UTAUT；影响因素

近几年，大规模在线课程——MOOC（Massive Open Online Courses，MOOC）作为新型学习方式在全球范围内迅速发展^[1]，对高等教育的发展产生了巨大的影响。MOOC自问世以来，便受到了中国各大高校的关注，其凭借着多元化、大规模、简单便捷、内容丰富的特点吸引了无数用户，得到了来自不同国家学者的热烈追捧。但MOOC的发展也并非是一帆风顺的，其发展过程中存在了一些不可忽视的问题，其中最为核心的问题便是学习者利用MOOC进行学习的完成率并不是很高，大部分学习者在注册并使用MOOC一段时间后，便逐渐停止了MOOC平台的学习行为。相较于国外，国内大学生利用MOOC进行学习的意愿较低，使用持续性较短，MOOC课程的完成率低下。然而，对于MOOC现存的这个问题，国内的相关研究与探索还是较少。虽然国内关于MOOC的关注度和相关研究的文章数量在近几年飞速增长，但同国外的MOOC研究程度相比较，国内的MOOC研究仍有很长一段路要走。在关于MOOC的文献研究中，可以发现大多数研究的深度和广度都存有不足，缺乏全面深入的研究成了MOOC相关领域的一大问题。 因此本次研究针对大学生关于MOOC的学习意愿展开调查，扎根于信息化社会，对比国外的MOOC发展与研究现状，结合主观因素和客观因素，致力于解决当前面对的一系列问题：①在当前的大学生利用MOOC平台进行学习的过程中，哪些因素对大学生的学习意愿及学习行为起到了关键作用；②面对当前较低的MOOC学习通过率和完成率，应当采取哪些具体措施。

笔者在中国知网（CNKI）通过对“MOOC影响因素”、“MOOC现状”、“MOOC特点”和“MOOC发展”为主题词进行检索，期刊来源为CSSCI期刊和核心期刊，对2012年到2020年相关文献在Excel中进行量化处理，得到MOOC研究关注度趋势图（图1），可以看出MOOC研究关注度总体发文量“MOOC发展”>“MOOC特点”>“MOOC现状”>“MOOC的影响因素”。其中，关于MOOC影响因素为主题的学术论文，在2020-2021年度开始上升。

图1 MOOC研究关注度趋势图

通过对比以上趋势发展图，可以看出2015年—2017年是MOOC受到较高关注的一段时期，而后均有所下降。其中虽然关于MOOC影响因素的学术关注度较低，但是从2018年开始已经呈现了上升趋势，这也说明目前已经有较多的人关注到MOOC完成率低、辍学率高的问题，并开始对其影响因素展开研究，但是同国外对MOOC的研究程度相比，还是有所不足。在危妙等人的研究中了解到，学生课程页面的访问积极性并不高，有一部分学习者虽然注册了课程但没有或很少学习课程内容，学生的辍学率相对较高，并且及格率较低^[2]。在MOOC发展的热潮下，这些问题的出现无疑是一盆冷水，网络学习平台的出现对传统教育产生了一定的冲击，其“大规模”、“快捷”的特点吸引了大量的用户，但在这种无时间和环境约束的空间中，学习者除非具有较高的管控能力及学习自主性，否则其网络课程学习将很难维持下去，其辍学的可能性将急剧增大。

除此之外，研究还发现，MOOC平台的不足之处也在影响着学习者的学习意愿，当学生不能和教师及其他学习者进行实时互动，且在学习中感受不到乐趣和动机时，学生将会逐渐放弃继续利用MOOC平台学习^[3]。虽然MOOC平台也设有互动、交流、反馈的环节，但是让学习者充分参与到各个环节中还是比较困难的，学生的学习效率不能被保证，教师的讲授也可能达不到预期效果^[4]。结合前人的研究成果以及MOOC当前发展现状，我们不难看出，MOOC平台更适合学生对于知识的获取及拓展，但是并不能很好地对学生展开全面教育。比如教师在准备一节课时，大面积且广泛地分析学习者的特征是不太可能的，这就会出现一些学生在学习过程中并不能突出自身的学习特色从而被埋没或者被忽视的情况。

综上所述，MOOC对学生造成的影响是多角度的，影响学生MOOC使用意愿的因素也是多方面的，因此探索出其关键因素对提高MOOC使用率、促进MOOC发展有着重要作用。

（一）UTAUT模型

UTAUT理论最早是是一类探讨“影响使用者认知因素”相关问题的整合型科技接受模式^[5]，其包括四个核心维度，分别是：1.绩效期望，是指“个人使用系统对工作有所帮助的程度”；2.努力期望，指“个人使用系统所需付出多少努力”；3.社会影响，指“个人行为受周围群体的影响程度”；4.便利条件，则指“个人所感受到组织在技术和设备等方面对系统使用的支持程度”。同时，UTAUT还提出对以上变量具有影响的控制变量, 在此可分为学习者的性别、年龄、经验和自愿使用等（图2）^[6]。

图2  UTAUT模型

本次构建的模型主要包含影响因素、学习者个人特征和学习者的学习意愿及学习行为等方面，同时还考虑到感知交互性可能也会对学生的学习意愿及行为造成影响，学生是否可以和教师进行交流以及是否可以和其他学习者进行互动都在影响着学生学习的意愿。除此之外，MOOC声望和课程的属性也是不可忽视的重要影响因素，在学生选择课程进行学习的过程中，较高的声望和较好的课程属性能够有效吸引学生的眼球，提高学生学习这门课程的可能性。因此，本次研究将在原有的UTAUT模型基础上，还加入了感知交互性、MOOC声望、课程属性三个重要因素。在本次构建的研究模型中，影响因素作为自变量，共包含感知交互性、MOOC声望、课程属性、绩效期望、努力期望、社会影响和便利条件七个方面；将学生的个人特征作为控制变量，主要包括学生的性别、年龄、经验和自愿使用程度四个方面；最后将学生利用MOOC平台的学习意愿和学习行为作为因变量（图3）。根据本次构建的研究模型，学生的属性如性别、专业、年级和经验会对感知交互性、绩效期望、努力期望、社会影响和便利条件造成影响，进而会对学生关于MOOC的学习意愿造成影响，最后影响学生的学习行为，而关于MOOC的声望和课程属性则可能会直接影响学生的学习意愿及学习行为。

图3 关于大学生MOOC学习意愿模型

(二)确定相关影响因素

通过构建研究模型，大致可以推断出，影响学生对MOOC的学习意愿的影响因素主要在于感知交互性、绩效期望、付出期望、社会影响和便利条件等方面，同时还考虑到MOOC声望以及课程属性对学习者学习行为的直接影响，因此，本次研究便从这些方面确定相关的影响因素，主要内容如下表1：

表1 模型变量及相应测量项

（三）研究假设

根据MOOC学习意愿UTAUT模型与研究目标，探讨MOOC学习行为的影响因素及其最佳的测量问题组合，以及学生个体属性对MOOC学习影响因素、学习意图的影响。为此，设定以下7个研究假设内容。

H1：MOOC的声望会影响学生关于MOOC平台的学习意愿。MOOC的声望不仅包含平台的声望，同时还包含课程以及授课教师的声望，学生在选择学习的平台时，更倾向于选择广泛听说的、声望较好的平台，同时在选择同一类课程时，相比于普通教师，学习者更倾向选择名师的课程进行学习。

H2：感知交互性可以影响学生利用MOOC进行学习的意愿。在利用MOOC平台进行学习时，用户是否能够和老师及其他学习者进行有效互动，以及能否得到老师的实时反馈也是一个潜在的影响因素，MOOC学习中的感知交互性对学生利用MOOC学习的意愿有着积极影响。

H3：课程的属性会影响学生的学习意愿。如果学习者迫切需要学习一门很重要的课程，那么在考虑学习方式上，会更大程度地考虑该课程内容是否容易理解、吸收与消化，比较注重课程本身的属性^[7]。课程属性主要包括课程内容是否生动有趣，是否可提高学习动机，课程形式是否丰富以满足学习者需要，以及课程是否实用能够解决当前面临问题等。

H4：较高的绩效期望可以有效促进学习者的MOOC使用意愿。绩效期望是指个人感觉使用系统对工作有所帮助的程度，方旭认为学习绩效与有用性感知显著正相关。当学习者认为利用MOOC平台可以带来更高的绩效以及对学习或者工作有较大的贡献时，如提升对课程的理解、加深对知识点的记忆等，就会提高自己使用MOOC的意愿^[8]。

H5：较低的努力期望可以有效提高学习者的MOOC使用意愿。努力期望作为个人使用该平台所需付出努力的多少，可以看出当学生使用该平台付出的努力越少时，学生的学习动机将越强，将更有利于提高学生使用MOOC学习的意愿。

H6：较高的社会影响会提高学习者的MOOC的使用意愿。个体的行为及选择易于受环境影响，当MOOC的社会影响越大，周围使用MOOC学习的人数越多时，学习者使用MOOC平台学习的意愿将会有增强的倾向。

H7：便利条件会影响学生对于MOOC的学习行为。便利条件主要是指学生所感受到的利用MOOC学习时受到支持服务支持的程度，比如平台的主页设置是否便利于学生对课程的搜索查找，学生是否可以顺利观看课程、参与课后活动等^[9]。如果MOOC平台能为学习者提供丰富的学习资源、完善的课程体系、优质的学习环境和简捷的平台功能，学习者的学习动机将会得到极大调动，从而提高自身的学习意愿。

（一）问卷设计

本研究采用调查研究法，问卷主要包括五部分。第一部分是对学生的个人情况进行调查，主要包括学生的性别、年级、专业、学校类型、地区、是否具有使用MOOC进行学习的经验等。第二部分借助UTAUT模型，主要调查利用MOOC进行学习的影响因素。这一部分是问卷的核心部分，主要设置了25个问题，其中关于MOOC声望、感知交互性、课程属性设置、绩效期望、努力期望、社会影响的问题均设置3个，关于便利条件设置的问题共4个。以上问题的选项均采用李克特的五级量表。第三部分是成就目标调查，其中学习意愿的问题共计3个，主要是关于学生是否愿意主动利用MOOC进行学习、是否会提高MOOC学习频率等；关于学习行为的问题设置2个，主要内容是学生是否会按照计划进行MOOC学习、学生是否会主动推荐他人进行MOOC学习。最终对有效问卷77份进行量化分析。

（二）量表分析

1.量表信度分析

通过计算MOOC声望、感知交互性、课程属性、绩效期望、努力期望、社会影响和便利条因素等7个核心变量的Cronbach Alpha值，分析核心变量的信度,从而确定问卷调查的可信性和准确性。利用Cronbach Alpha系数a(0<a<1)，来衡量量表信度大小，本次调查样本的核心变量Cronbach a系数值见表2。

通过IBM SPSS软件的数据分析，我们得到核心变量的Cronbach a系数值在0.94左右，观察“CITC值”发现分析项的CITC值均大于0.4，说明分析项之间相关关系为良好。此时研究数据信度系数值高于0.9，数据信度质量高，因此可用于进一步分析。

2.量表效度分析

通过对模型使用KMO 和 Bartlett 检验进行效度分析，以分析问卷测量题是否合理,从而确定问卷调查的正确性。见下表3。

使用KMO 和 Bartlett 检验进行效度验证，从上表可以看出：KMO值为0.891，KMO值大于0.8，研究数据效度非常好。

（三）调查结果分析

1.相关分析

下面对MOOC声望、感知交互性、课程属性、绩效期望、努力期望、社会影响、便利条件七个因素与学习意愿展开相关分析，计算各个变量的Pearson相关系数，说明它们之间存在的关联关系，并验证本文7个研究假设的准确性。本次样本的各个变量的相关系数见表4：

通过以上分析可知：七个变量的相关系数均大于0且大于0.4，说明学习意愿与变量间存在正向相关关系且关系紧密。

2.线性回归分析

下面对MOOC声望、感知交互性、课程属性、绩效期望、努力期望 、社会影响、便利条件与学习意愿的回归分析，计算学习意愿与各个变量之间的线性回归系数，说明它们之间存在的关联，并验证本文7个研究假设的正确性。本次样本的模型、非标准化系数、标准系数、t和 F等值见下述各表。

从表5可以看出，模型R方值为0.525，因此MOOC声望可以解释学习意愿的52.5%变化原因。对模型进行F检验时发现模型通过F检验(F=82.848，p=0.000<0.05)，说明MOOC声望一定会对学习意愿产生影响，对应的模型公式为：学习意愿=1.033 + 0.696*MOOC声望。具体分析可知：MOOC声望的回归系数值为0.696(t=9.102，p=0.000<0.01)，即MOOC声望会对学习意愿产生显著的正向影响。

从表6可以看出，模型R方值为0.188，因此感知交互性可以解释学习意愿的18.8%变化原因。对模型进行F检验时发现模型通过F检验(F=17.404，p=0.000<0.05)，发现感知交互性与学习意愿存在影响关系，对应的模型公式为：学习意愿=2.292 + 0.417*感知交互性。具体分析可知：感知交互性的回归系数值为0.417(t=4.172，p=0.000<0.01)，说明感知交互性会对学习意愿产生正向影响。

从表7可以看出，模型R方值为0.749，发现课程属性可以解释学习意愿的74.9%变化原因。对模型进行F检验时发现模型通过F检验(F=223.345，p=0.000<0.05)，也说明课程属性会对学习意愿产生影响，对应的模型公式为：学习意愿=0.254+ 0.924*课程属性。具体分析可知：课程属性的回归系数值为0.924(t=14.945，p=0.000<0.01)，因此课程属性会对学习意愿产生显著的正向影响。

从表8可以看出，模型R方值为0.742，说明绩效期望可以解释学习意愿的74.2%变化原因。对模型进行F检验时发现模型通过F检验(F=215.322，p=0.000<0.05)，即绩效期望一定会对学习意愿产生影响，其模型公式为：学习意愿=0.195 + 0.959*绩效期望。最终具体分析可知：绩效期望的回归系数值为0.959(t=14.674，p=0.000<0.01)，因此绩效期望会对学习意愿产生极其显著的正向影响。

从表9可以看出，模型R方值为0.738，发现努力期望可以解释学习意愿的73.8%变化原因。对模型进行F检验时发现模型通过F检验(F=210.866，p=0.000<0.05)，这说明努力期望一定会对学习意愿产生影响关系，该模型公式为：学习意愿=0.309 + 0.874*努力期望。具体分析可知：努力期望的回归系数值为0.874(t=14.521，p=0.000<0.01)，因此努力期望与学习意愿存在显著的正向影响关系。