基于元分析的学习者在线学习投入影响因素研究

　　随着教育信息化发展，在线教育成为我国教育体系的重要组成部分^[1]。新冠疫情的暴发更是加快了这一进程。如今在线教育逐渐与传统教育并驾齐驱，成为主流的学习方式之一。然而，在线教育快速普及的同时，学习效果差异问题也日益凸显。相比于传统面授教学，学习者在在线环境下，普遍存在“高时间投入与低知识留存”的情况，学习质量受到严重影响。大量研究表明，学习投入度是影响学习效果的关键，明确其影响机制对提升学习质量意义重大。然而，现有实证研究因视角、设计和样本规模不同，对影响因素与在线学习投入的相关性、强度、方向未达成共识，缺乏系统全面分析。　　元分析作为一种高级的统计技术，能够系统评估不同研究间的效应量差异，识别调节变量，对其不同结论进行系统化和量化的整合评估，为上述问题提供了科学的解决路径^[2]。基于此，本研究整合关于在线学习投入影响因素的实证研究，运用元分析探究各因素影响程度、方向及作用机制，并探讨学段、学科类型、投入类型等调节变量的影响，旨在提升学习者的在线学习投入。本研究聚焦的问题主要有：一是已有实证研究识别的在线学习投入影响因素有哪些，各因素关系方向和强度如何；二是学段、学科类型、投入类型等调节变量怎样影响各因素作用机制。

　　学习投入因积极心理学的蓬勃发展而受到学者们的广泛关注。有研究将其定义为“学生为学习、理解或掌握学习工作，旨在提高知识、技能或工艺而进行的心理投入和努力”^[3]。弗雷德里克（Fredric）最早将学习投入度分为行为投入、认知投入和情感投入三个维度^[4]。本研究也主要涵盖学生在学习过程中的行为、情感和认知投入。其中，行为投入与学习者的任务行为或参与学习活动有关；认知投入指学生在学习中的心理投入，包括自我调节学习和元认知策略；情感投入指学习者的态度、对班级的归属感等。　　目前，研究者大多采用问卷调查、观察法、质性访谈、实验设计等方法进行学习投入的测量。其中，研究中应用较为广泛的是问卷调查^[5]，但有时学生的投入状态与报告反馈存在差异；观察法和质性分析也可以帮助研究人员了解学生的学习投入，主要是通过观察学习过程、分析观察日志或通过视频录制进行分析或编码^[6][7]，但这两种研究方法都极易受到研究人员主观意识的影响；实验设计是将学生分为不同组别进行实验对照^[8]，但人为制造的实验条件，脱离了现实情境中的“自然状态”，也许会降低研究结论的外部效度。基于以上分析不难发现，当前有关学习投入的测量方法都存在一定局限性，需要根据研究目的选择适宜的研究方法。　　在有关在线学习投入影响因素的研究中，有学者基于社会认知、自我决定等相关理论，利用假设检验、方差分析、相关分析、回归分析等方法进行假设验证，得到学习动机、自我效能感、学业情绪、教师支持、在线学习平台体验等众多影响因素。尽管有关在线学习投入影响因素的实证研究数量丰富，但是研究结论仍存在分歧甚至矛盾的情况，如性别与年龄的作用方向存在分歧^[9][10]，自我效能感与投入的关系亦未统一^[11][12]，动机与在线学习投入的关系同样存在分歧^[13][14]。导致这些不一致的原因有许多，这与学者们采用不同的研究视角、实验设计和研究方法有关，也可能因为样本数量与文化情境不同而导致。　　综上可知，当前有关在线学习投入影响因素的研究大多使用问卷调查法，但研究结论缺乏系统性，存在不一致甚至矛盾的问题，需要对这些数据进行二次分析。因此，本研究采用元分析方法，系统评价在线学习投入影响因素及其效果，以期为这些相异甚至相悖的研究结论提供可能的解释。

　　（一）研究工具与方法　　元分析是运用统计方法整合独立研究结果的分析方法。本研究使用 CMA3.0软件对有关学习者在线学习投入影响因素的实证研究进行元分析，以期降低已有研究结论中存在的误差，提高研究结论的普适性。　　（二）文献来源与筛选　　本研究以“student involvement”OR“student engagement”OR“student participation”OR“learning engagement”AND “online learning”OR“e-learning”OR“distance learning”为标题或摘要，对 Web of Science、Elsevier、Springer、EBSCO等数据库进行检索；为防止遗漏文献，对该主题的综述类文献及参考文献进行补充检索，时间范围为2010年1月1日至2024年2月26日，初步筛选后共检索到相关英文文献489篇，图1所示的PRISMA流程图描述了完整的筛选和纳入过程。

图1 元分析文献纳入PRISMA声明流程图　　研究设定的文献筛选标准如下：①文献应是研究在线学习投入影响因素的文献；②文献类型应当是实证研究；③文献应报告样本量以及相关系数或其他相关系数的统计指标（如β值、t值、F值等）；④文献应至少明确一个影响在线学习投入的因素。最终经过筛选后得到可用于元分析的文献共120篇。　　（三）数据编码　　文献筛选完成后，需要进行编码计算效应量，编码字段主要包括文献题名、作者、发表年份、样本数量等。为调查影响在线学习投入的不同调节因素，还对不同投入类型、学习者学段、学科领域进行了编码。为避免人工编码带来的误差，由同一编码者进行多次编码和检验。所有效应量均由CMA3.0软件默认基于Fisher转换计算相关系数r，若文献中未提及相关系数，则选择其他统计指标进行转换。

　　本研究通过提取样本文献中出现频次大于2的影响因素，识别出了44组在线学习投入影响因素，总共得到了340组独立效应量，总样本量为60,266份。　　（一）异质性检验　　异质性检验结果（见表1）显示，总体效应值的Q值为20184.328（df=339，p<0.001），I²=98.320%，表明研究间存在显著异质性。基于异质性检验结果，本研究采用随机效应模型进行元分析。此外，由于研究文献中的被试各异，结果可能受到调节变量的影响，故需进行调节变量分析。表1 整体异质性检验结果

　　（二）发表偏倚检验　　元分析是对包含在分析中的研究进行精确数学分析，如果所纳入的研究不能代表该领域的研究总体时，元分析就会遗漏大量重要证据，从而导致结果的偏离。首先，通过漏斗图来检查本元分析的发表偏差，如图2所示。可以看出，涉及学生在线学习投入的研究文献，均匀分布于漏斗中上部总效应量的两侧，表明研究数据存在发表偏倚的可能性较低。然而，漏斗图的判断虽然直观，但过于主观，为了更准确地检验发表偏差，本研究进行了Egger’s 检验，判断是否存在统计学上的显著偏倚。从Egger’s检验结果来看，P值为0.84，并不显著，说明针对在线学习投入影响因素的元分析没有较大偏倚，总效应值估计结果较为可靠。

图2 漏斗图　　（三）各影响因素整体效应检验　　本研究在假设各因素相互独立的前提下进行分组探究，表2为部分影响因素的整体效应检验结果。其中,“年龄、无聊、神经质、外向性、学生数字技能、网络成瘾、对于技术的意愿”的Q值无显著意义，选择固定效应模型，其余各影响因素表现出较明显的异质性，选择随机效应模型进行效应值合并计算。表 2 整体效应检验结果（部分）

　　注：***P<0.001，**P<0.01，*P<0.05，下同　　关系强度指各影响因素与在线学习投入之间相关系数的大小，r的绝对值小于0.1为弱相关关系，在 0.1~0.3之间为较弱相关关系，在0.3~0.5之间为中度相关关系，大于0.5为强相关关系。此外，P值小于0.05表明相关关系显著。根据此检验标准，有11个因素与在线学习投入有较强相关性，21个因素存在中等强度相关性，9个因素有较弱相关性。除此之外，研究也存在部分影响因素不显著的结果。具体而言，“学生—内容”互动、性别、感知认知存在Q值虽然具有显著性，但其Z值不具有显著性，即这几个影响因素在统计学上不具有显著性。　　（四）调节效应分析　　调节效应分析是元分析中一个关键的过程，帮助研究者理解在不同情境下，自变量和因变量之间的关系变化。本研究对异质性结果检验显著的影响因素，进行了相应的调节效应分析，以期能够对不同研究结果给出科学合理的解释。　　1.学习者学段的调节效应　　将学习者学段分为中小学生和大学生两类，对在线学习投入影响因素进行调节效应分析，发现学段显著调节了影响因素与学习投入的关系（P<0.01），如表3所示。表 3 学习者学段作为调节变量的检验结果

　　2.投入类型的调节效应　　将投入类型划分为整体学习投入、行为投入、情感投入和认知投入四类。调节效应分析发现，不同学习投入类型（行为、情感、认知）的效应量均呈现显著调节（P<0.05），如表4所示，说明在线学习投入类型对影响因素的相关关系能够起到调节促进作用。表4 投入类型作为调节变量的检验结果

　　3.学科领域的调节作用　　将学科领域分为教育类、医学类、文学类和理工类四类，对在线学习投入的影响因素进行调节效应分析，发现不同学科领域的效应量均为正值且显著（P<0.05），说明学科领域对影响因素与学生在线学习投入之间的相关关系起促进作用，如表5所示。表5 学科领域作为调节变量的检验结果

　　（一）在线学习投入的影响因素　　本研究通过元分析揭示影响在线学习投入的两大核心维度——个体因素和环境因素，如表6所示。在个体层面，研究基于个体差异将其划分为人口特征、情绪状态、学习能力和心理因素四类。环境因素则划分为客观事实和外部干预两类。除此之外，基于分析结果，本研究还为在线教学实践提出一些建议，以提升学习者的投入度与学习成效。表6 在线学习投入影响因素

　　1.个体因素分析与启示　　人口特征是基础性社会学变量。与相关研究证实年龄对在线学习投入呈负相关关系不同，元分析发现，年龄与学生在线学习投入呈显著较弱正相关，即学生的年龄越大，其认知能力与自我调节能力通常会越高，目标导向和责任意识更强^[15]。性别效应虽呈微弱负相关但并不显著，印证了已有研究结论，表明性别并不直接影响学生在线学习投入^[9]。　　情绪状态对学习投入具有双通道作用^[16]，积极情绪显著促进投入，而消极情绪则会显著抑制投入。积极情绪可激发自我驱动学习，而消极情绪易干扰认知处理，导致注意力分散，若未及时疏导，可能形成心理负担的恶性循环。因此，教师应实施积极情绪管理，营造正向学习环境，设计激发积极情绪的体验与干预措施。　　学习能力作为学习投入的“门槛变量”是不可或缺的。由主效应检验结果可知，学习能力与在线学习投入均呈现显著正相关关系，具体来说，学习能力强的学生通常自我效能感更高，更具主动性和目标感，学习态度更积极^[17-19]，而缺乏这些能力可能导致个体因技术障碍而放弃投入^[20]。因此，在线教学需融入明确的学习策略指导，并提供充足的脚手架支持，尤其关注基础薄弱学生，强化其学习能力与自我效能感。　　心理因素可以进一步区分为相对稳定的特质因素（动机信念^[21][22]、人格特质^[23]）和受情景影响的认知需求因素（任务评估、心理需求、行为态度）^[24-26]。特质因素方面，动机信念、自我效能感具有整体性影响。一般自我效能感的效应量高于特定领域效能感，表明整体的预测力更普适^[27]。动机与心理韧性形成了“驱动—维持”双机制，共同保障学习持续性。而人格特质的影响则表现为差异化。与已有研究结论^[28]不同，元分析发现，五大人格特征对学生的在线学习投入均存在较弱影响，其中责任心的预测力最为突出，这也印证了在线学习对自律性的特殊要求。认知需求层面整合了自我决定、社会认知和“期望—价值”等理论^[29]，研究发现任务价值评估和心理需求均具有显著预测力，表明学习者重视内容与目标的匹配度及其实践可行性^[30][31]。教学应着力提升学习者对学习内容的价值认同，增强其自主感，设置合理挑战，并通过目标设定、反思日志等方式强化责任意识与坚韧品质的培养。值得注意的是，网络成瘾与在线学习偏好呈相近但相反的效应量，揭示了行为倾向的“双刃剑”效应，可见，引导学生健康使用网络资源至关重要。　　2.环境因素分析与启示　　研究发现，客观事实层面，在线学习环境和技术友好性保障了学习者的基础设施质量^[32][33]；多维感知支持存在协同影响作用，可以促进学生更加高效的学习^[34][35]。其中，感知教师支持效应最强，凸显教师在在线环境中的关键角色。外部干预层面，社交互动^[36]的效应显著高于“学生—内容”互动，即当学习者与同伴或教师互动越多，则具有更高的学习投入度^[37]；学生与内容互动的作用并不显著，可能是因为在线学习中，学习者受到各类信息的影响，难以有效梳理内容逻辑，形成连贯的知识体系，也就难以进行与内容的互动。　　综上所述，环境因素协同构成了在线学习投入的外部支撑体系。一方面，强化教师角色是在线教学成功的关键，教师需超越单纯的知识传授者角色，成为积极的引导者、支持者和促进者；有必要对教师进行专门的数字化培训，帮助其掌握有效的在线教学方法和策略，提升在线教学存在感，多参与高质量的师生互动和反馈干预，引导深入讨论，营造尊重、开放、互助的交流氛围。另一方面，在线学习中需构建“教师—家庭—技术”三位一体支持网络，通过教师与家长的协同支持，更好地指导和支持学生的个性化学习活动；同时还要确保远程在线学习中平台的稳定性和可操作性，在兼顾技术吸引力的同时，注重防沉迷机制设置，创造一个包容、互动和具有支持性的在线学习环境。　　（二）调节效应分析与优化策略　　本研究分析发现，在线学习投入的影响因素会受学段、学科领域和投入类型的调节。　　首先，中小学生在个人能力、家庭支持和技术支持上表现更强的依赖性，这是因为中小学生对外部环境的依赖性更大，而大学生群体更受益于自主学习、教师支持。值得注意的是，消极情绪对大学生学习投入的负面影响显著高于中小学生，这反映学业压力随着教育阶段的递增呈累积效应。因此，教学设计应遵循学习者的学段特征，采取差异化培养策略：针对认知发展特点，对中小学生给予强化环境支持的干预，如建立实时反馈机制和家长协同监督，注重基础能力的培养；而对大学生应当鼓励其进行独立研究和探索，聚焦自主发展。同时，兼顾学生长期能力特质培养与即时需求满足，充分了解并响应学生的心理状态和需求。　　其次，数据分析表明，文学类学科中教师支持与存在的效应突出，更加强调教师角色的引导作用。这是因为相较于其他学科，文学类学习者面临问题时更强调师生互动的重要性，因此文学类课程教师应多跟学生进行交流，及时响应学习者的疑问和需求，提供个性化的指导和反馈。理工类学科则更加依赖自我调节，对技术适配性的要求更高。在教学过程中，应注重学生问题解决能力的培养。教育类课程具有其特殊性，学习者的互动和自我效能感是提升其在线学习投入的关键，因此，教育学科更加强调讨论深度与情感联结的重要性，这也反映了教育学科中教学相长的示范作用。　　最后，不同影响因素对不同维度的学习投入作用强度各异。研究数据表明，感知支持类因素对整体学习投入的效应量突出，这可能是因为外部环境因素会对学习投入的各个维度产生协同影响，更容易被整体测量捕捉；而对于动机、学习准备来说，更容易显著影响其行为投入，即只有学生积极做好课前准备，积极自主学习，才能更好地参与到学习活动中。任务评估类影响因素则主要通过提升学生学习时对于任务的感受，来增加情感投入；焦虑、幸福感等情绪因素更能影响学生的认知投入，主要通过干扰或促进学习者的认知加工对学习投入产生影响。因此，在线教育教师需建立精准干预体系。针对行为投入不足者，教师要多提供干预支持，给予目标分解和及时反馈；对情感投入不足者，教师应及时调整任务设计和互动方式；而对认知投入不足者，教师则应给予积极的情绪诱导和焦虑管理，减少其认知负荷。同时，通过定期学习分析和效果评估，动态调整教学策略，持续提升在线学习成效。

　　本研究通过系统检索国内外权威数据库中的实证研究，采用严格的纳入标准筛选出120篇高质量文献，对44组在线学习投入的影响因素及其作用机制进行了全面的元分析。研究发现，在线学习投入受到多层次因素的共同影响，这些因素可以归纳为个体因素和环境因素两大类别。同时，研究还通过调节效应分析揭示了不同学习情境下的作用边界。在此基础上，研究针对影响因素的教育应用总结了策略建议，旨在为在线学习设计和实践提供更为充分的支持和指导。　　然而，本研究也存在一定局限性。尽管严格遵循了元分析的相关标准和程序，确保了研究数据的质量，但由于部分文献因无法获取相关数据等情况而被排除，特别是在调节效应检验中，仅探讨了可能的调节变量，且部分独立效应量分布较少或不均，可能会导致研究结果存在误差。同时，现有实验研究中大多采用问卷或量表等主观测量方式，也可能造成研究结论存在一些偏差，未来还应进一步拓展文献检索的来源和类型，增强研究样本的多样性和广泛性。