苗冬玲 吳昭 閆寒冰

【摘要】? 近年來，在線學習日益成為一種重要的學習方式，但在線學習中學習者學習動力不足、持續(xù)性不強等問題持續(xù)影響著在線學習成效的提升。本研究借鑒學習粘性的概念，從全視角學習理論視角出發(fā)構建了在線學習內容、互動、動機、滿意度以及學習粘性各要素之間的影響因素模型，并通過結構方程模型法分析了各要素間的作用關系和影響效應。從總效應分析來看，全視角學習理論中的內容、互動、動機3個維度均對學習粘性有顯著正向影響;從直接效應分析來看，內容和互動對學習粘性的影響均不顯著，動機和滿意度對學習粘性的影響顯著;從中介效應分析來看，動機、滿意度是內容與互動對學習粘性影響的關鍵中介變量。基于此，本研究提出了在線教學建議與策略，為教師開展在線教學提供借鑒。

【關鍵詞】? 在線學習;在線教育;全視角學習理論;學習粘性;學習效果;影響因素;正式學習;非正式學習

【中圖分類號】? G442? ? ? ? ?【文獻標識碼】? A? ?【文章編號】? 1009-458x（2021）10-0068-08

一、問題的提出

隨著網絡技術的普及，目前在線學習已經成為一種重要的學習方式，越來越多的人正通過這種方式進行學習。但在在線學習中學習者學習動力不足、持續(xù)性不強等問題也持續(xù)影響著在線學習的成效（Moore， 2019）。那么在線學習應如何“粘”住學習者，吸引其持續(xù)學習？針對這一問題，不少學者開始關注“粘性”概念，研究在線學習粘性的影響因素。例如：寧勝芳基于期望確認模型（ECM）分析了虛擬學習社區(qū)中影響用戶粘度的因素（寧勝芳， 2015）;譚明杰從技術接受模型（TAM）視角探討在線教育中的用戶粘性（譚明杰， 2015）;李愛霞在期望確認模型的基礎上加入了學習者特質因素，研究在MOOC學習中學習者粘性的影響因素（李愛霞， 2017），等等。

這些研究都進行了有價值的探索，但其所用的理論模型多是從信息系統(tǒng)持續(xù)使用的角度出發(fā)，關注的重點在技術平臺的易用性和使用性，影響因素主要包括感知易用性、感知有用性、感知交互性、期望確認度等，而對在線學習中的教與學卻關注不夠，也缺少對影響因素的整體性思考。筆者認為，探究在線學習粘性是為了改善在線教學、提升學習者的學習效果，應從人類學習的視角出發(fā)，借鑒學習理論中的成熟理論或模型，才能更緊密地與學習過程相結合，更好地通過理論促進實踐。丹麥克努茲教授提出的全視角學習理論，為分析人類的學習提供了一種整合性的視角，適合正式學習和非正式學習、線下學習和在線學習（邱德峰， 2018）?；诖?，本研究依托全視角學習理論，從教與學的角度探究在線學習粘性的影響因素和因素間的效應關系，以期為教師的在線教學提供建議。

二、基于全視角學習的在線學習

粘性影響因素模型構建

（一）關于學習理論的體系化研究——全視角學習理論

丹麥克努茲教授吸收學習研究領域的多個理論成果，并將這些研究有機地整合在一個理論體系中，形成了一種全新的學習理論——全視角學習理論?？伺澖淌冢?010）認為，所有學習都包含內容與動機的獲得過程和個體與環(huán)境的互動過程（圖1）。只有這兩個過程同時活躍，學習才能真正發(fā)生。

上述兩個過程涉及內容、動機和互動三個維度（圖2）。內容維度關注學習什么，目的是讓學習者在不同情境下培養(yǎng)意義能力，發(fā)展人的功能性;動機維度涉及學習所需的心智能量的運用，發(fā)展人的敏感性;互動維度是為了尋求自己認為可以接受的人際交往與社會整合，發(fā)展人的社會性（克努茲·伊列雷斯， 2010）。

在學習的獲得過程中，內容和動機兩個維度存在相互作用關系，心智能量的性質和強度將影響所學的內容，學習內容也影響著學習的動力、情緒和意志。而在學習的互動過程中，所有的學習都是在某個具有社會和人際交往特性的情境中發(fā)生的，通過不同形式的互動，成為學習者必不可少的部分。

（二）在線學習與全視角學習理論

全視角學習理論揭示了學習的兩個過程與三個維度，是一種普適而綜合的學習理論，提供了一個非常有價值的分析框架。在線學習作為學習的一種形式，也適合采用該理論作為框架進行分析，其內容、互動和動機更加值得關注。

在線學習的內容是保證在線教育質量的重要因素。Norman等在網絡學習者退學因素的研究中發(fā)現，課程內容和課程設計對學習者決定是否堅持學習有顯著影響（Norman， King， Clarke， Viney， & Street， 2010）?！睹绹诰€教育發(fā)展全景報告》（2019）指出，美國許多高校要求在線課程的開發(fā)必須有教學設計人員參加，從而保證在線課程內容的質量（錢玲， 等， 2019）;在線學習動機既影響學習的內容、時間和方式，也影響學習的表現（Schunk & Usher， 2012），在學習中起著至關重要的作用;在互動方面，相比傳統(tǒng)教學，在線學習不僅包含師生、生生之間的互動，還包括學習者和平臺、學習者和數字學習材料之間的互動（Thurmond & Wambach， 2004）。

（三）在線學習粘性影響因素模型構建

“粘性”這一概念由來已久，應用也十分廣泛。在信息系統(tǒng)領域，用戶粘性是指用戶關于產品或者網站的忠誠、信任和體驗等結合起來形成的滿意度和依賴度（杜偉軍， 2009）。在教育領域，有學者將MOOC學習者粘性定義為學習者對MOOC的依賴感和再使用期望值，反映了學習者在未來堅持使用與重復訪問MOOC平臺的行為和意愿（李愛霞， 2017）。還有學者研究了教育信息化環(huán)境下的粘性學習，并將其定義為學習者在內驅力的推動下，與優(yōu)質學習資源之間產生了強大的親和力，維持學習活動向深度學習發(fā)展并能實現有效遷移的學習過程和模式（閻登科， 等， 2019）。該定義指出了粘性學習的三大基礎條件，即學習動力的激發(fā)、學習資源的智能提供和學習互動的高效實現。由此可見，粘性反映用戶使用網站或資源之后產生了滿意或依賴的心理，從而持續(xù)地使用。

基于上述分析，筆者將在線學習粘性定義為學習者對在線學習過程的依賴感以及持續(xù)學習的意愿和行為。全視角學習理論指出，在線學習過程中的內容、動機和互動三個維度不可或缺，在線學習內容和互動將能提高學習者在線學習的滿意度，進而增加持續(xù)使用的程度。學習動機將能直接促進在線學習的持續(xù)性?；诖?，本研究構建了在線學習粘性影響因素模型（圖3），將在線學習的內容、動機、互動和滿意度作為主要影響因素，以分析其相互作用和效應關系。

在本研究中，內容指在線學習資源的統(tǒng)稱，包括錄播和直播過程中的各類資源，如視音頻、文本、PPT課件等;互動指學習者在線學習過程中與同伴、教師、學習資源、學習平臺之間的交互;動機包括學習者在線學習的動力、情緒和持續(xù)學習的意志;滿意度是指學習者對在線學習內容、互動效果的滿意程度，是在線學習的實際體驗與預期比較的一種主觀體驗。

1. 在線學習中的內容、互動、動機與學習者滿意度

在線學習的內容、互動將直接影響學習者的學習體驗。劉斌等（2016）認為在線學習體驗是學習者對在線內容、活動、交互等多個方面的感知和反應。它是一種情緒情感（愉快、滿意等），也是一個認知過程。因此在線學習的內容和互動將會直接影響在線學習體驗，使學習者產生滿意或失望的情感。而這種情感將會影響學習者的學習動機?；诖?，本研究提出如下假設：

H1：在線學習的內容對學習者滿意度有顯著正向影響;

H2：在線學習的互動對學習者滿意度有顯著正向影響;

H5：學習者滿意度對學習動機有顯著正向影響。

正如前文所述，克努茲教授通過研究將內容、動機、互動作為學習發(fā)生的三個最本質的因素，由此構建了全視角學習理論模型。因此，這三者之間相互的作用關系，本文不做假設和詳細探討。

2. 內容、動機、互動、滿意度與學習粘性

信息系統(tǒng)持續(xù)使用理論認為提高滿意度可以增加用戶的持續(xù)使用意向和使用行為（韓金鳳， 2015）;王小寧等（2013）認為影響用戶持續(xù)使用行為的最重要的因素是用戶的滿意度。動機理論中的自我決定理論認為動機可以在個體處于自我決定的狀態(tài)時自發(fā)地維持個體行為（夏惟怡， 2010）?；诖?，本研究提出如下假設：

H3：在線學習的內容對學習粘性有顯著正向影響;

H4：在線學習的互動對學習粘性有顯著正向影響;

H6：學習者的滿意度對學習粘性有顯著正向影響;

H7：學習者動機對學習粘性有顯著正向影響。

三、研究設計

（一）研究對象

研究采用分層抽樣和隨機抽樣相結合的方法。分層抽樣主要體現在學校的層次上，本研究從上海、寧夏、甘肅、廣東、遼寧5個省市、自治區(qū)選取了含雙一流高校、普通高校與高職高專院校在內的6所高校發(fā)放問卷。隨機抽樣指在這三類高校中隨機選取在校大學生作為主要研究對象。研究主要通過網絡問卷的形式收集數據，最終收集了500份問卷。其中，非在校大學生作答問卷22份，整份問卷勾選了同一個選項且作答時間低于60秒的問卷64份，剔除上述無效問卷86份，剩余有效問卷414份，有效率為82.8%。

在有效被調查者中，女性為337人，占總樣本的81.4%;男性為77人，占總樣本的18.6%。在學歷分布上，?？?6人（6.3%），本科267人（64.5%），碩士112人（27.1%），博士9人（2.2%）。

（二）問卷編制與試測分析

在全視角學習理論的指導下，本研究設計了“在線學習粘性影響因素調查問卷”。本問卷涉及兩部分，“學習者基本信息”包含9個題項，“在線學習粘性影響因素調查”包含24個題項。其中，第二部分的題項從在線學習的內容、動機、互動、滿意度和學習粘性5個維度，采用李克特（Likert）五點式進行設計，并邀請相關專家進行了兩次論證。為了保證問卷的信度與效度，本研究進行了試測（隨機選取一半，共207份問卷）。在試測階段，主要對量表進行了信度分析、項目分析和探索性因子分析。在信度分析中，量表克隆巴赫 Alpha系數為0.930，信度較好;在項目分析中，刪除了題項與量表總分的相關檢驗值不顯著且相關系數小于0.5的題項Q32;在探索性因子分析中，刪除了因子載荷低于0.5的題項Q16。最終保留了在線學習粘性調查的22個題項（見表1），用于下一步的模型驗證。

（三）研究方法

本研究主要基于問卷調查，采用了結構方程模型的方法。主要運用SPSS26.0和AMOS24.0工具對有效數據進行分析，并以卡方值（X2）、卡方自由度比（X2/df）、漸近殘差均方和平方根（RMSEA）、比較擬合指數（CFI）、增量擬合指數（IFI）等作為模型擬合度判別與驗證的參照指標。

四、研究結果分析

（一）在線學習粘性影響因素模型檢驗

一個完整的結構方程模型由測量模型與結構模型組成，前者主要用于描述測量指標與結構模型之間的關系，后者用于描述結構變量之間的關系（尹睿， 等， 2017）。

1. 測量模型檢驗

在測量模型檢驗之前，本研究對剩余的207份問卷進行了信度與效度分析。信度分析是指檢驗量表所得結果的穩(wěn)定性和一致性。信度檢驗最常用的方法是克隆巴赫Alpha系數和組合信度（CR）（吳明隆， 2010）。有研究指出當Alpha系數≥0.70時，屬于高信度;0.35≤Alpha系數<0.70時，屬于尚可;Alpha系數<0.35則為低信度（榮泰生， 2010）;組合信度應大于0.60，才能說明潛在變量的測量題項有較好的內部一致性。由表2可知，測量模型中潛在變量的克隆巴赫Alpha系數均大于0.74，組合信度（CR）均大于0.76，表明測量模型信度較好，測量數據的內部一致性較高。

效度是衡量問卷題項能否準確反映評價目的和要求的指標。效度越高，說明調查結果越能較好地集中反映所要測量對象的特征（李愛霞， 2017）。KMO和Bartlett球形檢驗的值決定著數據是否適合做因子分析，通常KMO>0.6時才適合。本研究中KMO=0.909，Bartlett球形檢驗近似卡方值為2688.552（p<0.001），說明本研究采集的問卷調查數據適合作因子分析。在驗證性因子分析（CFA）中，各觀測變量的因子載荷最小值為0.526，最大值為0.895，符合因子載荷大于0.5的要求。有學者指出，因子載荷>0.71表示“優(yōu)秀”;因子載荷在0.63—0.71之間表示“非常好”;在0.55—0.63之間表示“好”（邱皓政， 等， 2009）。本模型中只有一個因子低于0.55，其余均達到了“好”的標準。

2. 結構模型檢驗

本研究參照結構方程模型統(tǒng)計方法，采用AMOS 24.0軟件對結構模型進行繪制（圖4）和驗證。常用判斷模型擬合程度的指數包括X2/df、CFI、IFI、RMSEA、NFI、TLI等。一般來說：X2/df<2說明模型質量理想，25說明模型需要調整;RMSEA<0.05說明模型質量理想，0.05

3. 假設檢驗

本研究通過模型的假設檢驗分析在線學習粘性的影響因素，從表3可知各路徑的S.E.值均大于0。H1的顯著性p<0.001，H2和H5的顯著性p<0.01，H6和H7的顯著性p<0.05;H3和H4的顯著性p>0.05，即不顯著。由此本研究的H1、H2、H5、H6、H7假設成立，H3、H4假設不成立。

從H1、H2、H6來看，內容對滿意度有顯著正向影響（β=0.612，p<0.001），互動對滿意度有顯著正向影響（β=0.295，p<0.01），滿意度對粘性有顯著正向影響（β=0.487，p<0.05），說明在線學習的內容、互動能有效地影響學習者的在線學習體驗，這種體驗會極大地增加在線學習滿意度，從而提升在線學習粘性;從H5和H7來看，滿意度對動機有顯著正向影響（β=0.302，p<0.01），動機對學習粘性有顯著正向影響（β=0.712，p<0.05），有力地證明了學習者在線學習的滿意程度能夠有效激發(fā)學習者的學習動機，使學習者更愿意參加在線學習，更愿意“黏附”在平臺或課程中。從H3和H4來看，內容對粘性的直接影響不顯著（β=-0.420，p>0.05），互動對粘性的直接影響不顯著（β=-0.264，p>0.05），說明內容和互動不會直接對粘性產生顯著的影響，而主要是通過滿意度或動機等中介變量產生影響。

（二）影響效應分析

經過對模型的分析，本研究的自變量包括在線學習的內容和互動，因變量是學習粘性，滿意度和動機是中介變量，各變量之間既有直接效應，也有通過中介變量的間接效應，關系較為復雜。為了更好地理解模型，進一步厘清各變量之間的關系，本研究對模型進行效應分析。

1. 總效應分析

以內容為自變量，在線學習內容對各要素的總效應（見表4）分別為滿意度0.462、動機0.482、粘性0.281;以互動為自變量，其對各要素的總效應分別是滿意度0.316、動機0.395、粘性0.174;以滿意度為自變量，其對各要素的總效應分別是動機0.310、粘性0.452;以動機為自變量，動機僅對粘性有影響，其總效應為0.388。由表4可知，內容、互動、動機、滿意度均對粘性有顯著影響，滿意度影響最大，動機次之，說明激勵在線學習動機、提升在線學習內容質量和增加在線互動能有效促進在線學習粘性。

2. 中介效應分析

中介效應分析基于Hayes（2013）的Bootstrap檢驗方法，即重復抽樣5，000次分別計算95%的置信區(qū)間，若置信區(qū)間BootLLCI-BootULCI不含0，則表示統(tǒng)計顯著。在本研究中，內容與粘性之間存在三條影響路徑，即：內容→滿意度→粘性，內容→動機→粘性，內容→滿意度→動機→粘性。互動與粘性也同樣存在三條影響路徑?？梢姡瑵M意度和動機都是中介變量，這是一種鏈式中介效應。根據Hayes編制的PROCESS插件，鏈式中介的效應模型如圖5所示（X代表自變量，Y代表因變量，M1和M2分別代表中介變量）（Hayes， 2013）。為了分析的科學性和嚴謹性，本研究將自變量內容和互動分開進行鏈式中介效應分析。

（1）內容對粘性的影響機制

內容對粘性的總效應為0.281，p<0.001，直接效應為-0.059，p=0.449，不顯著。由表5可知，內容和學習粘性之間的總間接效應0.340，間接效應1（內容→滿意度→粘性）為0.153，間接效應2（內容→滿意度→動機→粘性）為0.055，間接效應3（內容→動機→粘性）為0.131。間接效應的置信區(qū)間BootLLCI-BootULCI均不包含0，說明中介效應顯著。

（2）互動對粘性的影響機制

互動對粘性的總效應為0.174，p<0.001，顯著。直接效應為-0.084，p=0.242，不顯著。由表6可知，互動和粘性的總間接效應0.258，間接效應1（互動→滿意度→粘性）為0.105，間接效應2（互動→滿意度→動機→粘性）為0.038，間接效應3（互動→動機→粘性）為0.115。間接效應的BootLLCI-BootULCI置信區(qū)間均不包含0，說明中介效應顯著。

上述中介效應分析結果表明，滿意度和動機具有顯著的中介效應，是內容、互動通向學習粘性重要的“橋梁”。各個要素間的效應關系如圖6所示。

五、研究結論與啟示

本研究基于克努茲的全視角學習理論，分析在線學習粘性的影響因素及其因素之間的作用機制。通過結構方程模型構建了在線學習中內容、互動、動機、滿意度和在線學習粘性5個因素之間的影響關系模型，同時分析了6所在校大學生在線學習情況的調研數據，驗證了在線學習粘性影響因素理論模型的合理性，并進一步探索了各要素之間的影響效應。研究結果表明：其一，在總效應的分析中，全視角理論中的內容、互動、動機三個維度均對在線學習粘性有顯著影響，說明這三個維度是在線學習粘性的重要影響因素，其中滿意度的影響效應排在首位，動機第二;其二，在直接效應的分析中，互動和內容對學習粘性的直接效應均不顯著，但間接效應顯著，動機和滿意度對學習粘性的直接影響顯著;其三，從中介效應分析來看，動機、滿意度是內容與互動對學習粘性影響的關鍵中介變量，是學習粘性變化的重要預測因素。基于上述結論，我們嘗試進行進一步的理論分析并提出實踐建議。

（一）從整合的視角來理解在線學習

本研究揭示了全視角學習理論中的內容、互動，動機三個維度對在線學習粘性的重要影響。其所構建的兩個過程、三個維度的學習框架是任何學習都不可或缺的，所倡導的整合的視角為我們理解在線學習帶來了非常有價值的啟示。

其一，關于內容與動機。獲得過程連接著內容和動機。動機是學習發(fā)生的原因，內容是學習發(fā)生的基礎。在線學習更是如此。在線學習中的獲得過程代表了學習者在動機的激發(fā)下，登錄網絡平臺，接觸學習內容，獲得心理或心智的提升。因此，教師在開展在線教學時，要時刻注意教學內容對動機的激發(fā)，如設置有梯度的問題，挑戰(zhàn)學習者已有的認知;還要從真實情境出發(fā)設計實踐項目，激發(fā)學習者探究的興趣;更要豐富學習內容的形式（動畫、音樂、圖片、微視頻、虛擬現實等），產生多感官的刺激。

其二，關于內容與互動?；舆^程代表著個體與環(huán)境的互動，是學習發(fā)生的必要條件。雖然全視角學習理論中并沒有論述內容與互動之間的相互關系，但是高質量的內容能在一定程度上激發(fā)學習者互動的參與，互動也能夠加深學習者對內容的理解（姜宛彤， 等， 2017）。當在線學習形成了某種虛擬社群或學習共同體時，學習內容會通過成員之間不斷的互動逐漸積累在公共的空間中。因此，良性的互動成了學習內容產生的一種動力機制，所以教師不能僅僅把在線教學當作知識傳遞的一種途徑，而更要通過在線活動的設計不斷引導學習者開展對話和交流。同時，教師需要更多地關注互動中的生成性資源，去粗取精，將正確、合理的資源加工成新的學習內容供學習者學習。

其三，關于互動與動機?；拥男问胶瓦^程在一定程度上會影響動機的激發(fā)，動機的水平也會反過來影響學習者互動的參與情況。溫格的實踐共同體理論強調個體通過互動實現在共同體中身份與知識的雙重建構（Wenger， 1998）。因此，教師在開展在線教學時應注重學習共同體的建立和維護，采用簡單、輕松的在線互動方式，拉近師生之間的關系，減輕在線社交壓力。

綜上所述，教師在在線教學時，應采用整合的視角從內容、互動和動機三個方面整體考慮如何開展在線教學，將能在一定程度上提升在線教學的實效。

（二）以多元的策略來提升學習者動機

本研究揭示了動機對學習粘性既有直接作用，又起到重要的中介作用，是提高在線學習粘性的重要保障。正如弗里德曼在《世界是平的》一書中指出，不久的將來數字鴻溝將消失，但取而代之的是我們將面臨一個更為巨大的“動機鴻溝”（第一教育， 2014）。因此，在線教學教師或課程建設者需要充分了解可用于提升學生學習動機水平的策略手段，用以激發(fā)學習者動機，提升在線學習粘性。

其一，關于ARCS策略。美國教學設計專家凱勒認為影響學習者學習動機的主要因素有4個，即注意、相關、自信和滿足（謝幼如， 等， 2017），并以此形成ARCS動機模型及22項具體的教學策略，以期提升教學對學習動機的激勵作用（劉爽， 2016）。教師可以結合ARCS的4個要素進行在線教學設計或活動設計。例如：合理運用公告、討論版、私信等明確在線學習的任務和要求;設計獎勵機制或積分規(guī)則給予學習者適當的激勵;提供靈活的學習模式，建立學習者主人翁意識，等等。

其二，游戲化設計策略。自2011年以來，在新媒體聯(lián)盟每年發(fā)布的《地平線報告》中，游戲化一直被記錄為在線教育的中期趨勢（Johnson， 2016）。游戲化指的是一種將動機、參與和情感置于學習技術和學習場景設計中心的心態(tài)（Fischer， 2016）。在在線教育中實施游戲化能提高學生的動機和參與度（Burke， 2014），游戲化設計有助于教師重新思考在線學習。有學者認為動機的背后存在八大核心驅動力，即使命、成就、授權、擁有、社交、稀缺、未知和虧損，并在此基礎上構建了八角行為分析框架（周郁凱， 2018），此即游戲和行為設計的經典模型之一。筆者認為教師在進行在線教學時也可以從這八個角度進行思考。例如：在在線教學開始前，對教學目標進行梯度化設計，難度逐級增加;告知學生本次學習將能學到的知識、獲得的提升以及對未來生涯發(fā)展的幫助，培養(yǎng)其學習的使命感;建立社交圈或學習小組，并對成員進行分工和職責的授權，使其能夠充分交流并對自己及團隊的發(fā)展負責;在線教學中，對學習者達到的成就進行不斷的鼓勵和獎勵，并告知下個階段所要達成的目標和要求;通過比賽的方式營造稀缺感，激發(fā)學習者獲勝的動力;在提供教學資源時，每次提供有限的資源，激發(fā)其探索未知的渴望;適時增加任務難度，給學生適當的挫敗感等。

六、結語

本研究基于全視角學習理論，構建了在線學習粘性的影響因素模型。運用結構方程模型方法驗證了其合理性，探索了在線學習過程中的內容、互動、動機對學習粘性的影響機制和效應關系，并在此研究的基礎上探討了研究結果對實踐教學的啟示及對教學的建議，為教師開展在線教學提供幫助。

本研究也存在不足之處：一方面，本研究的研究樣本以在校大學生為主，學習方式以正式學習為主，未來研究可以擴大樣本范圍，將正式在線學習和非正式在線學習進行對比研究;另一方面，本研究沒有將在線教學的技術手段（平臺等）作為粘性的影響要素，但在線教學中這部分是不可缺少的。未來可以研究技術手段對內容、互動、動機的影響效應。

[參考文獻]

第一教育. 2014. 上海基礎教育信息化趨勢藍皮書[M]. 上海：上海教育雜志社.

杜偉軍. 2009. 基于用戶粘性度的B2C電子商務營銷戰(zhàn)略：以JS網營銷為例[D]. 上海：復旦大學.

韓金鳳. 2015. 信息檢索系統(tǒng)持續(xù)使用研究綜述[J]. 圖書館學刊，37（5）：136-140.

姜宛彤，王翠萍，唐燁煒，吳靖. 2017. 基于克努茲全視角學習理論的微課程設計研究[J]. 現代遠距離教育（1）：51-56.

克努茲·伊列雷斯. 2010. 我們如何學習：全視角學習理論[M]. 孫玫璐. 北京：教育科學出版社.

李愛霞. 2017. MOOC學習者粘性影響因素研究[D]. 吉林：吉林大學.

劉斌，張文蘭，江毓君. 2016. 在線課程學習體驗：內涵、發(fā)展及影響因素[J]. 中國電化教育（10）：90-96.

劉爽. 2016. ARCS模型視角下中小學教師培訓微課程的設計研究[D]. 吉林：東北師范大學.

寧勝芳. 2015. 虛擬學習社區(qū)用戶粘度的影響因素研究[D]. 山東：曲阜師范大學.

錢玲，徐輝富，郭偉. 2019. 美國在線教育：實踐、影響與趨勢——CHLOE3 報告的要點與思考[J]. 開放教育研究，25（3）：10-21.

切頓·切普萊杰特，萬切爾撲·列錫柴可，喬瑟琳·威沙特，王志軍. 2012. 在線學習環(huán)境中提升學習動機的移動交流工具設計[J]. 現代遠距離教育（1）：27-33.

邱德峰. 2018. 學生作為學習者的身份建構研究[D]. 重慶：西南大學.

邱皓政，林碧芳. 2009. 結構方程模型的原理與應用[M]. 北京：中國輕工業(yè)出版社.

榮泰生. 2010. AMOS與研究方法[M]. 重慶：重慶大學出版社.

譚明杰. 2015. 在線教育中的信息技術采納與學習者保持研究[D]. 四川：電子科技大學.

王小寧，師偉偉. 2013. 移動搜索持續(xù)使用行為研究[J]. 電子商（12）：50，55.

吳明隆. 2010. 問卷統(tǒng)計分析實務：SPSS操作與應用[M]. 重慶：重慶大學出版社.

夏惟怡. 2010. 自我決定就業(yè)動機及其作用機制研究[D]. 上海：復旦大學.

謝幼如，張惠顏，吳利紅，邱藝. 2017. 基于ARCS的在線開放課程自組織學習模式研究[J]. 電化教育研究，38（7）：43-50.

閻登科，熊文瑾. 2019. 論教育信息化環(huán)境下的“粘性學習”及其實現[J]. 教育學術月刊（11）：104-111.

尹睿，徐歡云. 2017. 在線學習投入結構模型構建——基于結構方程模型的實證分析[J]. 開放教育研究，23（4）：101-111.

周郁凱. 2018. 游戲化實戰(zhàn)[M]. 武漢：華中科技大學出版社.

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，華東師范大學教育信息技術學系（200062）。

吳昭，講師;閆寒冰，教授，博士生導師，本文通訊作者。華東師范大學開放教育學院（200062）。

責任編輯 郝 丹