臨場感對在線學習者學習認知的影響

賈利鋒 李海龍

[摘? ?要] 基于探究社區(qū)理論，探討影響在線學習認知形成的各種臨場感因素，構建結構關系模型，并對各臨場感的結構關系進行相關、多重中介、調節(jié)分析。采用調查問卷的方式，對利用Sakai網絡虛擬教學平臺進行在線學習的614名大二本科生進行調查。分析結果表明：在線學習中教學行為與學習認知具有間接顯著正相關，教學通過社交臨場和學習者臨場間接影響學習認知，自我調節(jié)學習對學習認知具有調節(jié)作用。研究揭示了在線學習中教學活動通過學習交互和自我效能對學習認知產生影響的內在機制以及自我調節(jié)學習的調節(jié)作用對學習認知形成帶來的個體差異。

[關鍵詞] 在線學習; 臨場感; 學習認知; 自我效能; 自我調節(jié)學習

[中圖分類號] G434? ? ? ? ? ? [文獻標志碼] A

一、引? ?言

據統(tǒng)計，截至2019年6月，我國在線學習注冊用戶高達到2.32億，其中，移動用戶1.99億，占在線學習用戶的85.8%[1]。規(guī)模大、移動化是當前在線學習的主要特征。然而，由于在線學習缺少了傳統(tǒng)課堂的約束，其持續(xù)使用率很低，僅維持在20%左右，學習效果亦不太顯著。如何提高在線學習的黏性、提升學習效果，探究影響在線學習體驗及學習認知的主要因素，是在線學習研究的主要內容。

二、理論基礎與研究假設

（一）探究社區(qū)理論

加拿大學者Garrison將探究社區(qū)理論（Community of Inquiry， CoI）引入在線學習研究領域[2]。該理論模型通過描述三大臨場（Presence）來闡明在線學習過程中進行有效知識建構所需的行為和過程[3]。其中，教學臨場（Teaching Presence）指教學的組織、設計、促進對話以及直接的教學指導[4];社交臨場（Social Presence）指促進積極情感、互動和具備功能性協(xié)作凝聚力的在線話語[5];認知臨場（Cognitive Presence）指在線學習社區(qū)中學習者通過會話和反思進行意義建構的程度[6]，是與實際學習效果相關聯(lián)的產物[7]，反映學習者進行意義建構的程度。探究社區(qū)模型為在線學習研究提供了獨特的視角、方法和工具，從而得到各國研究者的廣泛認可。然而，關于探究社區(qū)模型中三種臨場間關系的解讀一直存在爭議。相關性分析結果顯示，教學臨場與認知臨場存在相關[8]，對最終的學習效果起調節(jié)作用[9];大樣本（2159人）數據分析結果顯示，教學臨場與社交臨場、社交臨場與認知臨場均存在顯著相關[10];多元線性回歸分析結果顯示，教學臨場和社交臨場能夠顯著預測認知臨場;還有研究結果表明，教學臨場與社交臨場的相關性在課程實施過程中逐步升高，相關系數R峰值高達0.97[11]。Kozan對三種臨場進行偏相關分析，結果表明教學臨場與認知臨場存在相關，認知臨場與社交臨場存在相關，而它們與第三種臨場無關，認知臨場作為中介對教學臨場和社交臨場起調節(jié)作用[12-13]。Garrison通過建模方法分析得出了類似的結論，不同的是，他認為教學臨場和認知臨場存在相關，而社交臨場則扮演著部分中介角色[14]。因此，本研究提出以下假設：

H1：在線學習活動中，教學行為（教學臨場）與學習認知形成（認知臨場）存在正向影響;

H2：在線學習交互（社交臨場）在教學行為與學習認知形成的關系中有中介作用。

（二）學習者臨場

探究社區(qū)理論過于強調學習過程中的環(huán)境因素，而忽略了學習者自身的內在作用，使其在實踐應用中過多地依賴于標準化的網絡學習社區(qū)[15]。學習者臨場包含自我效能、學習努力等個性化學習因素。在原模型中增加學習者臨場，能夠更好地體現學習者自身因素的決定作用，使原模型更加符合信息時代個性化學習、自我導向學習以及自適應學習的理念[10]。學習者臨場中，自我效能是其核心要素。班杜拉的社會認知理論認為，自我效能是個人對自身行為或信念的判斷[16]，即判斷個體在執(zhí)行某些行為或在未來取得某些結果時的能力水平預期。它不一定是對個體實際能力水平的準確評估，具體的學習效果需要一定程度的自我分析和反思。在線學習環(huán)境下，自我效能可以被看作是學習者在學習過程中對取得特定學習效果的主觀判斷，它強調學習動機和學習認知的關聯(lián)。學習者不僅要分析特定學習任務的復雜性，還要判斷自己的能力與具體學習任務要求相匹配的程度，并對自己在滿足任務要求的程度上進行自我評價?？偟膩碚f，學習者臨場依賴于學習者的努力程度以及積極的自我效能信念，包含積極的學習態(tài)度、可控的學習進度等特定認識論和動機論的信念體系。將學習者臨場作為影響學習認知的因素是合適的。因此，本研究提出以下假設：

H3：學習者自我效能（學習者臨場）在教學行為與學習認知形成的關系中有中介作用。

（三）自我調節(jié)學習

在將探究社區(qū)臨場感作為解釋在線學習本質的研究中，很少有研究考慮到學習者自我調節(jié)因素的決定作用。自我調節(jié)學習是基于完善的自我認識不斷調節(jié)學習的動態(tài)過程，包括對復雜學習任務的分析、制定易于實現的學習目標、以有利的方式構建學習環(huán)境、選擇適當的學習策略、持續(xù)監(jiān)控學習進展、評估學習結果等。自我調節(jié)學習包含了認知、情感、動機和行為等多維結構特征，能夠為學習者提供調整其行動和目標的能力，以便根據不斷變化的環(huán)境條件達到預期效果。自我調節(jié)學習是聯(lián)通主義和自主學習的主要學習形式，與自我導向學習的理念一致[17]。將其納入影響在線學習認知因素關系模型是恰當的。因此，本研究提出以下假設：

H4：自我調節(jié)學習對在線學習認知的形成有正向調節(jié)作用。

基于上述4個假設，本研究構建了影響在線學習認知形成的因素關系模型，模型的組成結構及其關系如圖1所示。本研究通過實證的方法對模型中的假設關系進行檢驗，對模型進行條件過程分析。驗證各組成元素的相關、中介、調節(jié)關系是否成立，以探析影響在線學習認知形成各因素的關系。

三、研究方法、工具及過程

（一）研究樣本

本研究以河南師范大學國家級教師教育實驗教學示范中心為平臺，對該校614名學生進行調查研究。該示范中心能夠為學生提供開放、共享的信息化在線學習環(huán)境，以及基于Sakai平臺開發(fā)的網絡學習課程。被試樣本為選修過在線課程、具備在線學習經驗的二年級本科生，他們具有較好的信息技術素養(yǎng)，能夠適應信息化環(huán)境下的在線教學模式以及個性化的學習方式。調查以李克特七級制網絡問卷的形式展開，剔除填答完整率過低的無效問卷后，共收回有效問卷589份，有效回收率為95.9%。

（二）測量工具

1. 探究社區(qū)量表

探究社區(qū)量表（Community of Inquiry Survey， CoIS）由探究社區(qū)理論提出者Garrison設計，其信效度已經過多次實證檢驗。本研究選取蘭國帥等人修訂編制的中文版探究社區(qū)量表[18]，獲取模型中教學臨場、社交臨場、認知臨場的觀測數據。該量表部分修改了原英文版探究社區(qū)量表，更加符合我國信息化在線學習環(huán)境，使用該量表有助于提升研究的科學性。根據蘭國帥等人進行的探索性因子分析，結合研究需要及各題項主成分對應關系和網絡學習特征，本研究對原量表的27個題項進行了刪減，保留了20個題項，對應三種臨場的觀測指標。其中，教學臨場10個、認知臨場6個、社交臨場4個。教學、認知、社交各維度的Cronbach's α系數分別為0.83、0.70和0.68，總量表的Cronbach's α系數為0.85。

2. 學習動機策略量表

學習動機策略量表（Motivated Strategies for Learning Questionnaire，MSLQ）由美國國家高等教育教學研究中心（NCRIFFA）與密歇根大學教育學院（SEUM）聯(lián)合編制，用于獲取模型中學習者臨場的觀測數據。根據上述對學習者臨場核心要素的描述，本研究選取自我效能和學習努力兩個維度來衡量學習者臨場，自我效能前文已經介紹，不再贅述。而學習努力在概念上接近于學習意志，在操作上被定義為學習持久性和在完成相關學習任務過程中處理失敗和挫折的能力，它可以作為影響學習者臨場的重要觀測指標。因此，本研究選取學習動機策略量表來獲取學習者臨場的觀測數據[19]。學習動機策略量表用8個題項衡量學習者的自我效能，用4個題項評估學習者的學習努力程度，其中自我效能維度的Cronbach's α系數為0.80，學習努力維度的Cronbach's α系數為0.84，總量表的Cronbach's α系數為0.85。

3. 自我調節(jié)學習量表

自我調節(jié)學習量表（Online Self-regulated Learning Questionnaire，OSLQ）由得克薩斯理工大學教育學院（CETTU）的Barnard團隊編制，用于評估學習者的自我調節(jié)水平。該量表被廣泛應用于在線學習與混合學習環(huán)境中學習者自我調節(jié)水平的測量，其信效度已得到了驗證[20]，本研究選取該量表用于獲取模型中自我調節(jié)學習的觀測數據。量表由24個題項構成，分別對目標設定、環(huán)境結構、學習策略、時間管理、尋求指導、自我評估六個維度的自我調節(jié)學習行為進行觀測。為體現在線學習特性，本研究對原量表進行了微調，選取目標設定、時間管理、學習策略、自我評估四個維度作為觀測指標，各維度的Cronbach's α系數分別為0.91、0.89、0.83、0.79，總量表的Cronbach's α系數為0.92。

（三）數據處理方法及過程

本研究采用SPSS23.0及插件PROCESS3.3和AMOS24.0進行數據分析。其中，SPSS主要用于原始數據的預處理和總調節(jié)效應的檢驗，PROCESS主要用于分支調節(jié)效應的檢驗，AMOS主要用于模型的擬合檢驗、路徑分析以及模型的中介作用分析。

1. 原始數據的預處理與模型檢驗

首先，對網絡問卷收集的原始數據進行了各項指標檢驗，包括正態(tài)性檢驗、共線性檢驗、同質性檢驗、共同方法偏差檢驗、分組后獨立樣本T檢驗和信效度檢驗。原始數據通過相關檢驗后，在結構方程模型（SEM）分析前，還對其進行了進一步的標準化處理、中心化處理、數據的分組處理、相關性分析等。

其次，對假設模型進行了各種檢驗，主要有模型各潛在變量檢驗、模型樣本數檢驗和模型適配度擬合。潛在變量是假設模型的重要組成部分，本研究采用驗證性因子分析法（Confirmatory Factor Analysis，CFA）對模型中的各潛在變量進行檢驗，以確定潛在變量是否能由一系列觀測變量表示。為了保證研究的科學性，本研究在進行變量間路徑分析、中介作用分析、調節(jié)效應檢驗前，對模型的樣本數進行了檢驗。本研究的研究數據來自抽樣樣本，因而抽樣誤差必須加以考慮。由于研究誤差不是來自模型結構本身，而是來自統(tǒng)計抽樣部分，因此，本研究對模型進行了適配度擬合。

2. 中介作用分析

中介的存在及其產生的作用需要通過自變量對所觀察現象的影響推論得來，即中介作用需要通過間接手段分析驗證。在假設模型中，社交臨場、學習者臨場作為中介變量，是否具有顯著性，各自的效益比例如何，是驗證分析的重點。本研究采用Bootstrap及MacKinnon方法對模型進行多重中介分析，并對其效益比例進行計算。

3. 調節(jié)效應檢驗

本研究結合在線學習活動的實踐經驗，探討自我調節(jié)學習對學習認知的調節(jié)作用。（1）研究將自我調節(jié)學習變量中的目標設定、時間管理、學習策略以及自我評估等調節(jié)因素在問卷中的單項得分進行累加求和并取平均數，然后對數據進行標準化、中心化處理，以及進行73、27分位處理，根據處理結果將研究對象分為高、中、低三組，用模型的群組比較法對高分組和低分組進行調節(jié)效應檢驗。（2）研究采用Hayes設計的PROCESS進行有調節(jié)的中介效果檢驗。

四、研究結果

（一）數據的預處理及模型檢驗結果

1. 原始數據的預處理

利用SPSS23.0對收回的589份有效問卷進行相關性分析和原始數據檢驗。其中，K-S test正態(tài)性檢驗中，各變量p值均大于0.05，原始數據符合正態(tài)分布;共線性檢驗中，各變量容差均大于0.1，VIF值均小于10，表明各變量間不存在多重共線性;同質性檢驗中，通過對各變量間方差齊性進行檢驗，p值均大于0.05，變量同質檢驗通過;共同方法偏差檢驗中，采用Harman單因素檢驗方法，將所有數據進行探索性因素分析（Exploratory Factor Analysis，EFA），結果顯示主成分解釋了36.72%的變異量，沒有超過50%的臨界值;分組后獨立樣本T檢驗中，將自我調節(jié)學習進行分組（對自我調節(jié)學習變量進行73、27分位分組[21]，用于檢驗中介模型的調節(jié)效應），對高分組和低分組進行獨立樣本T檢驗，p值為0.017，小于0.05，表明兩組間存在顯著差異，自我調節(jié)學習可以作為調節(jié)變量使用;信度檢驗中，各量表的Cronbach's α系數均大于0.8，表明原始數據具有較好的一致性。

2. 模型檢驗

對處理后的數據進行建模，并對假設模型的各潛在變量進行CFA檢驗和信效度檢驗，結果見表1。變量的內部一致性和信效度均符合相應指標要求[22-23]，表明潛在變量內部具有較高的一致性和較好的信效度。

根據溫忠麟的研究，模型適配度需要滿足一定要求[24]，這些適配度指標，可以進行假設模型與研究樣本適配度的檢驗[25]。本研究對模型進行適配度擬合，各項指標均達到擬合標準，如圖2所示。

（二）社交臨場與學習者臨場的中介作用分析

相關研究表明，研究樣本少于100時，參數的估計是不穩(wěn)定的，相關顯著性鑒定也會缺乏統(tǒng)計效力[25-26]。MacKinnon等學者通過量化研究計算了不同模型中介分析所需的具體樣本量，認為研究所需樣本數與模型的相關路徑系數有關[27]。本研究選取589個樣本，完全符合進行中介分析的樣本數要求。根據研究假設，所設計模型的中介變量由社交臨場和學習者臨場構成，屬多重中介。因此，本研究采用多重中介分析法對模型進行中介作用分析，并對中介變量的總效應、直接效應、間接效應及其各自效益比例進行計算。

本研究采用Bootstrap和MacKinnon方法，進行2000次重復抽樣，選取95%置信區(qū)間，對模型進行三種方法的中介作用檢驗，見表2。由檢驗結果可知：間接效應檢驗中點估計的Z值為4.47，大于1.96，中介作用存在;Bootstrap和MacKinnon檢驗的信賴區(qū)間均不包含0，間接效應顯著，中介作用存在;直接效應檢驗中點估計的Z值為0.33，小于1.96，直接效應不顯著;Bootstrap和MacKinnon檢驗的信賴區(qū)間均包含0，直接效應不顯著。因此，假設模型為完全中介模型，即在教學臨場與認知臨場的相關關系中，社交臨場和學習者臨場承擔完全中介作用。對中介變量的效益比例進行計算，結果顯示，社交臨場的中介作用略高于學習者臨場，其效益比例分別為52.29%和47.71%。

（三）自我調節(jié)學習的調節(jié)效應檢驗

1. 總調節(jié)效應檢驗

根據研究假設，自我調節(jié)學習是模型中的調節(jié)變量，檢驗其是否對學習認知具有調節(jié)作用可以用來判斷模型假設是否成立。相關理論認為，對潛在變量的調節(jié)效應分析有別于顯變量。由于潛在變量由觀測變量間接獲取，其測量誤差不可避免，所以潛在變量的調節(jié)效應要通過SEM中的群組比較來分析。檢驗群組間的結構系數、變異系數以及因素負荷量是否存在差異，如果結果顯著，表明有差異，則調節(jié)效應存在，反之則調節(jié)效應不存在。

本研究對在線自我調節(jié)學習量表（OSLQ）所采集的原始數據進行標準化、中心化處理，并進行73、27分位割點切分，3.75分和4.5分為其分割點。以自我調節(jié)學習為分組依據，將589個有效樣本分為高、中、低三組。為了簡化研究程序，本研究僅對高分組和低分組進行群組比較，如果高分組與低分組存在顯著差異，表明調節(jié)作用存在;如果高分組和低分組不存在顯著差異，則高分組與中分組、中分組與低分組也不會存在顯著差異。因此，無需對高、中、低三組分別進行兩兩比較。群組比較分析的具體方法為：（1）分別建立兩個模型，模型1為原模型，模型2中設定高分組與低分組的斜率相同;（2）分別記錄兩個模型的卡方（x2）和自由度（df）數據，并求解兩組數據的卡方差（△x2）與自由度差（△df）的比值，對比值進行卡方檢驗;（3）如果卡方檢驗中p大于0.05，接受原假設，表明高分組與低分組無差別，即兩個模型無差別，調節(jié)效應不存在，反之則表明調節(jié)效應存在。結果顯示：模型1的x2為75.94，df為39;模型2的x2為81.23，df為40。采用卡方檢驗公式CHIDIST檢驗p值為0.02，小于0.05，p值顯著，拒絕原假設，即兩個模型存在明顯差異，自我調節(jié)學習變量的調節(jié)效應存在。

2. 分支調節(jié)效應檢驗

通過群組比較結果可以發(fā)現，自我調節(jié)學習變量具有調節(jié)效應。由于假設模型中存在兩個中介變量，因此，僅分析總調節(jié)效應，不能反映對各分支的調節(jié)效應，也無法確定調節(jié)范圍。由于自我調節(jié)學習為連續(xù)變量，可以采用J-N法（Johnson-Neyman）對其調節(jié)效應進行檢驗，即找到簡單斜率顯著不為0時（p小于0.05）調節(jié)變量的取值范圍。J-N法克服了一次只能檢驗調節(jié)變量某一取值的局限[28]。本研究利用SPSS23.0中的PROCESS3.3插件，對各變量進行調節(jié)效應檢驗。各回歸方程及檢驗效果的參數估計值見表3。

從表3可以看出，方程1和方程2檢驗以社交臨場為中介的教學臨場對認知臨場正向相關中自我調節(jié)學習是否具有調節(jié)作用。其中，方程1中自我調節(jié)學習對教學臨場與社交臨場具有負向調節(jié)作用，方程2中自我調節(jié)學習對社交臨場與認知臨場具有正向調節(jié)作用。方程3和方程4檢驗以學習者臨場為中介的教學臨場對認知臨場正向相關中自我調節(jié)學習是否具有調節(jié)作用。其中，方程4中自我調節(jié)學習對學習者臨場與認知臨場具有正向調節(jié)作用。整體來看，自我調節(jié)學習在調節(jié)以社交臨場為中介的假設模型中，前后兩段路徑均顯著;自我調節(jié)學習在調節(jié)以學習者臨場為中介的假設模型中，只有后半段路徑顯著。

為揭示自我調節(jié)學習變量的具體調節(jié)作用，進行了簡單斜率檢驗，如圖3和圖4所示。圖3、圖4分別顯示了兩個假設中介模型中，調節(jié)變量與中介效應的關系及調節(jié)臨界點。其中，當自我調節(jié)學習變量值（標準化后）小于-0.46或大于1.24時，其對社交臨場調節(jié)顯著;當自我調節(jié)學習變量值（標準化后）大于-1.32時，其對學習者臨場調節(jié)顯著。

五、結論與不足

（一）教學行為間接顯著影響在線學習認知的形成

教學臨場與認知臨場存在間接相關關系，教學行為尤其是教學設計和教學指導仍然是影響學習認知形成的重要因素，這與何克抗教授對網絡環(huán)境下探究學習模式的研究結論相一致[29]。但不同于傳統(tǒng)學習環(huán)境，在線教學行為是通過社交臨場、學習者臨場間接干預學習認知的，這種間接影響具有傳導效應。因此，在線學習中需要加強適合虛擬場景的高水平教學設計和教學指導，增進教學交互和個性化學習體驗，以適應建構的、混合的、復雜的虛擬學習認知。

（二）在線學習交互、自我效能對學習認知的中介作用

教學行為對學習認知的間接作用主要通過在線學習交互和學習者行為實現。在線學習交互是在線學習有別于課堂學習的重要變量，它反映了學習者線上學習的有效互動能力。在教與學相對“松散”的虛擬環(huán)境中，社會交互是影響學習效果的重要因素，學習者必須增進交互，轉變網絡學習類型，從被動到主動，從主動到建設性，最后形成深層次學習認知。同時，在線學習缺乏熟悉的傳統(tǒng)課堂教學指導，可能會給學習者帶來額外的不確定性。作為聯(lián)系教學行為與學習認知的重要紐帶，自我效能將發(fā)揮重要作用。提升自我效能，可以促進學習者使用更多學習策略，降低學習孤獨感，提高學習持久力，實現由外部調控下的學習向自律下的高沉浸與反思性學習的轉變[30]。

（三）自我調節(jié)學習在學習者認知形成中發(fā)揮部分調節(jié)作用

自我調節(jié)學習對教學行為與學習認知的關系具有顯著調節(jié)作用。從對各個分支路徑調節(jié)效應的檢驗結果來看，以在線學習交互為中介的教學行為對學習認知的關系中，自我調節(jié)學習在前后階段均有影響，表明教學行為對學習交互的傳導會受到學習者自我判斷和反思等調節(jié)行為的影響，同時，也會受到學習目標設定和學習計劃調整等自我調節(jié)學習行為的干擾。而關于以學習努力和自我效能為中介的教學行為對學習認知的影響中，由于已經附帶了大量學習者學習意識和個性化行為的參與，自我調節(jié)學習在其中的調節(jié)作用較弱。自我調節(jié)學習的顯著調節(jié)效應表明，在時空隔離的在線學習中，學習者的自我調節(jié)能力是維持學習狀態(tài)、保證學習質量的必要條件，影響最終學習效果。同時，在不同階段以及不同要素間表現出的不同調節(jié)效應，也從實證數據的角度佐證了自我調節(jié)學習的過程性、序列性和事件性[31]。

（四）研究的不足

第一，本研究采用的是橫斷研究設計，假設模型中各變量的關系考察主要依據各自相關關系而確定。因此，研究結果不能得出必然的因果關系推論。在進一步研究中，需要采用縱向研究設計，通過多層線性模型，利用交叉數據探討教學行為與學習認知形成的因果關系。第二，本研究的基礎數據來自學習者的單方自述，缺少教師方數據，同時，還缺少客觀量化數據。數據的全面性、客觀性需要進一步提升。第三，本研究主要關注了不同階段自我調節(jié)學習行為的影響。這一結果也契合了相關學者在自我調節(jié)學習對學習認知的支持、干預和控制機制方面的研究[32]，但具體哪些行為及其能在多大程度上對學習認知產生影響，還需要進一步研究。

[參考文獻]

[1] CNNIC.第44次中國互聯(lián)網絡發(fā)展狀況統(tǒng)計報告[R].北京：中國互聯(lián)網絡信息中心，2019 ：49-51.

[2] GARRISON D R， ANDERSON T， ARCHER W. Critical inquiry in a text-based environment： computer conferencing in higher education[J]. Internet & higher education， 1999，2（2）：87-105.

[3] GARRISON D R， ANDERSON T， ARCHER W. Critical thinking， cognitive presence， and computer conferencing in distance education[J]. American journal of distance education， 2001，15（1）：7-23.

[4] ANDERSON T， ROURKE L， GARRISON D R， et al. Assessing teaching presence in a computer conference context[J]. Journal of asynchronous learning networks， 2001，5（2）：1-17.

[5] ROURKE T， ANDERSON L， GARRISON D R， et al. Assessing social presence in asynchronous text-based computer conferencing [J]. Journal of distance education， 1999，14（2）：50-71.

[6] HAMLYN D W， LIPMAN M. Thinking in education[J]. The American journal of psychology， 1992，40（2）：25-30.

[7] AKYOL Z， Garrison D R. Understanding cognitive presence in an online and blended community of inquiry： assessing outcomes and processes for deep approaches to learning[J]. British journal of educational technology， 2011，42（2）：233-250.

[8] AKYOL Z， GARRISON D R. The development of a community of inquiry over time in an online course： understanding the progression and integration of social， cognitive and teaching presence[J]. Journal of asynchronous learning networks，2008，12（3）：3-22.

[9] KOVANOVIC V， GASEVIC D， JOKSIMOVIC S， et al. Analytics of communities of inquiry： effects of learning technology use on cognitive presence in asynchronous online discussions[J]. Internet & higher education， 2015，27（4）：74-89.

[10] SHEA P， BIDJERANO T. Community of inquiry as a theoretical framework to foster "epistemic engagement" and "cognitive presence" in online education[J]. Computers & education， 2009，52（3）：543-553.

[11] SHEA P， HAYES S， VICKERS J， et al. A re-examination of the community of inquiry framework： social network and content analysis[J]. Internet & higher education， 2010，13（1）：10-21.

[12] KOZAN K， RICHARDSON J C. Interrelationships between and among social， teaching， and cognitive presence[J]. Internet & higher education， 2014，21（2）：68-73.

[13] KOZAN K. A comparative structural equation modeling investigation of the relationships among teaching， cognitive and social presence[J]. Online learning， 2016，20（3）：210-227.

[14] GARRISON D R， CLEVELAND-INNES M， FUNG T S. Exploring causal relationships among teaching， cognitive and social presence： student perceptions of the community of inquiry framework[J]. Internet & higher education， 2010，13（1）：31-36.

[15] STENBOM S， JANSSON M， HULKKO A. Revising the community of inquiry framework for the analysis of one-to-one online learning relationships [J]. International review of research in open & distance learning， 2016，17（3）：36-53.

[16] BANDURA A. Much ado over a faulty conception of perceived self-efficacy grounded in faulty experimentation[J]. Journal of social & clinical psychology， 2007，26（6）：641-658.

[17] 特里·安德森，肖俊洪.探究社區(qū)與數字時代的教與學[J].中國遠程教育，2018（3）：34-44.

[18] 蘭國帥，鐘秋菊，呂彩杰，等.探究社區(qū)量表中文版的編制——基于探索性和驗證性因素分析[J].開放教育研究，2018（3）：68-76.

[19] PINTRICH P R， SMITH D A， GARCIA T， MCKEACHIE W J. A manual for the use of the motivated strategies for learning questionnaire [J]. College students， 1993，48（3）：9-76.

[20] BARNARD L， LAN W Y， TO Y M， et al. Measuring self-regulation in online and blended learning environments[J]. Internet & higher education， 2009，12（1）：1-6.

[21] CURETON E E. The upper and lower twenty-seven per cent rule [J]. Psychometrika， 1957， 22（3）：293-296.

[22] HAIR J F， BLACK W C， BABIN B J， et al. SEM： an introduction， multivariate data analysis： a global perspective[M]. Upper Saddle River， New Jersey： Pearson Education， 2010：629-636.

[23] BAGOZZI R P， YI Y， PHILLIPS L W. Assessing construct validity in organizational research[J]. Administrative science quarterly， 1991，36（3）：421-458.

[24] 溫忠麟，侯杰泰，馬什赫伯特.結構方程模型檢驗：擬合指數與卡方準則[J].心理學報，2004，36（2）：186-194.

[25] KLINE R B. Principles and practice of structural equation modeling[J]. Journal of the American statistical association， 2011，101（12）：283-292.

[26] FINKELSTEIN D M. A beginner's guide to structural equation modeling [J]. Technometrics， 2004， 47（4）：522-522.

[27] FRITZ M S， MACKINNON D P. Required sample size to detect the mediated effect[J]. Psychological science， 2007，18（3）：233-239.

[28] 方杰，溫忠麟，梁東梅，李霓霓.基于多元回歸的調節(jié)效應分析[J].心理科學，2015（3）：715-720.

[29] 何克抗.從“翻轉課堂”的本質，看“翻轉課堂”在我國的未來發(fā)展[J].電化教育研究，2014，35（7）：5-16.

[30] 張琪.e-Learning環(huán)境中大學生自我效能感與深度學習的相關性研究[J].電化教育研究，2015，36（4）：55-61.

[31] 鄧國民，韓錫斌，楊娟.基于OERs的自我調節(jié)學習行為對學習成效的影響[J].電化教育研究，2016，37（3）：42-49，58.

[32] CHEN CM，HUANG S H.Web-based reading annotation system with an attention-based self-regulated learning mechanism for promoting reading performance[J].British journal of educational technology，2014，45（5）：959-980.