智慧学习环境下大学生深度学习的影响因素*

徐振国 赵春雨 王 悦 谢万里 高英朋

智慧学习环境下大学生深度学习的影响因素*

徐振国1赵春雨1王 悦1谢万里1高英朋2[通讯作者]

（1．曲阜师范大学 传媒学院，山东日照 276826；2．曲阜师范大学 管理学院，山东日照 276826）

尽管各大高校已纷纷开展智慧学习环境的建设与使用，但学生并没有达到预期的深度学习效果，亟需厘清智慧学习环境下深度学习的影响因素。为此，文章首先构建了智慧学习环境下大学生深度学习影响因素的假设模型。随后，文章采用问卷调查法、结构方程模型进行了假设检验和模型验证，结果发现：深度学习在年级、专业上存在显著差异，而在性别上不存在显著差异；深度学习受学生因素、教师因素、交互因素、环境因素的影响；学生因素是影响深度学习的主要因素，而环境因素是次要因素。最后，文章围绕学生、教师、交互、环境四个因素，针对如何促进智慧学习环境下大学生的深度学习提出建议，以期实现有意义的学习。

智慧学习环境；深度学习；影响因素；学习投入；大学生

深度学习强调对知识的综合运用、分析与评价，着重培养学生的问题解决能力、创新能力、决策力等高阶思维能力，是培养与发展学生核心素养的重要途径。《教育信息化2.0行动计划》指出应构建智慧学习支持环境，开展以学习者为中心的智能化教学支持环境建设。智慧学习环境既可推送个性化学习资源与学习路径，又可提供智能化学习设备与互动工具，因而学生的深度学习离不开智慧学习环境的营造与创设。然而，尽管各大高校纷纷开展了智慧学习环境的建设与使用，但深度学习的成效却不尽如人意。为此，厘清智慧学习环境下大学生深度学习的影响因素成为亟待解决的现实问题。基于此，本研究依托三元交互决定论，设计智慧学习环境下大学生深度学习影响因素的假设模型，并进行模型评估与假设检验，提出促进大学生深度学习的建议，以期培养大学生的高阶思维能力，发展大学生的核心素养，进而实现有意义的学习。

一 国内外研究现状

当前，研究者多采用问卷调查、准实验研究、元分析等方法，探索某个因素或某些因素对深度学习的影响。例如，王胜兰等[1]选取62篇国内实验或准实验研究文献，采用元分析方法探究教学干预对学生深度学习的影响；李志河等[2]基于翻转课堂教学实践，发现翻转课堂教学模式下影响深度学习的主要因素是沟通交流、知识加工水平和反思评价水平；Shaari等[3]通过问卷调查探究人口统计学变量对深度学习的影响，结果显示年龄和年级能影响深度学习，而性别、学习方式等对深度学习没有影响；Sadeghi等[4]通过自编问卷对180名学生进行调查，发现学生特征、教师特征、教与学过程、班级氛围等是影响学生深度学习的重要因素。

综上所述，国内外研究者围绕深度学习的影响因素展开了研究，取得的研究成果丰富且多元。但是，既有研究多探讨某个因素或某些因素对深度学习的影响，而从整体上探讨深度学习影响因素的研究较为匮乏；同时，既有研究多关注传统课堂、在线学习、混合式教学中深度学习的影响因素，而对泛在、灵活、智能的智慧学习环境缺乏重视。

二 研究设计

1 研究假设与模型构建

（1）深度学习过程与结果

深度学习不是单维度概念，其测量应包含动态的深度学习过程和静态的深度学习结果两个部分。本研究借鉴李玉斌等[5]编制的大学生深度学习量表，从四个维度表征深度学习——

①深度学习动机：直接制约学生学习时的主动性、自觉性和积极性，进而影响学习效果。Entwistle[6]指出，深度学习动机是对知识意义的追寻，在此动机的驱动下，学生积极、主动地参与学习和知识建构，促进知识的内化、迁移和创新。Yin等[7]通过调查研究，证实了学习动机与学习投入存在紧密的联系。据此，本研究提出假设：深度学习动机对深度学习投入有正向显著影响（H7a）、深度学习动机对深度学习结果有正向显著影响（H7b）。

②深度学习投入：包括行为投入、情感投入和认知投入，较高的投入水平能让学生更加专注于学习任务，提高学习质量。Astin[8]提出学生参与理论，并指出学习投入是决定学生发展的主要因素。Kearsley等[9]提出的投入学习理论也指出学生必须全身心投入到学习活动中，才能获得预期的学习效果。据此，本研究提出假设：深度学习投入对深度学习结果有正向显著影响（H8）。

③深度学习策略：学生在深度学习过程中，能够自觉地用来提升深度学习效果和发展高阶思维能力的技巧、规则、方法等。学生能否选择使用有效的学习策略，将直接决定其能否更深入、持久地投入到学习中，也将直接影响反思、批判、迁移、思辨等高阶思维和核心素养的培养。据此，本研究提出假设：深度学习策略对深度学习投入有正向显著影响（H9a）、深度学习策略对深度学习结果有正向显著影响（H9b）。

④深度学习结果：美国共同核心州立标准规范了K12阶段学生所应掌握的知识与技能，强调培养学生的批判性思维、分析问题能力、解决问题能力等核心素养，无疑与深度学习的目标相吻合。借鉴此标准，本研究认为经过深度学习，学生的高阶思维和能力会得到显著提升，且学生能够创造性地解决复杂问题，其核心素养得到发展。

（2）深度学习的影响因素

本研究依据Bandura[10]提出的三元交互决定论，从学生、教师、交互、环境等方面探索智慧学习环境下大学生深度学习的影响因素。

①学生因素：学生利用元认知知识和元认知监控，对自身的学习活动进行自我审视和自我调节，以便及时发现问题并进行修正，使学习活动向深度学习有效地推进[11]。较强的元认知能力有助于学生更好地觉察、调节、评价认知活动，从而更恰当地选择学习策略，促进学习投入。据此，本研究提出假设：元认知能力对深度学习投入有正向显著影响（H1a）、元认知能力对深度学习策略有正向显著影响（H1b）。

自我效能感是指个体对自己是否有能力完成某项行为所进行的推测与判断，包括环境把握感、自我努力感、行为控制感等。学生的高自我效能感往往对应着高积极性和高主动性，可对学生的学习投入起到明显的提升作用。据此，本研究提出假设：自我效能感对深度学习动机有正向显著影响（H2a）、自我效能感对深度学习投入有正向显著影响（H2b）。

②教师因素：主要指教师的信息化教学胜任力。智慧学习环境下，教师若能将信息技术与课程深度融合，熟练操作智能化教学设备和工具，合理设计和恰当选择技术支持的教学模式、教学方法和教学手段，那么就有可能为学生创设真实问题情境，引导学生掌握各种数字化学习策略并加以灵活运用，激发学生的学习动机和内驱力，促进学生进行深度探究，从而优化深度学习结果。据此，本研究提出假设：教师因素对深度学习投入有正向显著影响（H3a）、教师因素对深度学习策略有正向显著影响（H3b）。

③交互因素：着重探讨师生交互、生生交互、人机交互对深度学习的影响。智慧学习环境为师生提供了便捷的互动工具，可支持师生进行同步交互和异步交互，有助于学生解决问题、建构知识和发展自我，进而提高学生的学习兴趣和学习投入。例如，陈蓓蕾等[12]通过实验，证实了智慧教室中的教学交互能够促进学生的深度学习，并提高学习投入度。据此，本研究提出假设：交互因素对深度学习投入有正向显著影响（H4）。

④环境因素：智能工具是智慧学习环境的核心要素，也是区别于其他学习环境的关键特征，为智慧学习环境的“智慧”提供了全面支撑。顾小清等[13]指出，智能工具能够支撑学生的自主学习和协作学习，增强学生的学习兴趣和学习动机，从而提升学生在情感、认知、行为层面的投入度。据此，本研究提出假设：智能工具对深度学习投入有正向显著影响（H5）。

由于人的趋同性和学习活动本身的复杂性，学生身边同伴的选择往往会影响其判断，社群内部的氛围和相处模式也关乎学生认同感和归属感的产生，这种影响放在智慧学习环境下同样适用甚至被放大。张屹等[14]指出，智慧教室环境下同伴是影响大学生学习投入的重要因素。据此，本研究提出假设：同伴关系对深度学习投入有正向显著影响（H6）。

（3）模型构建

明确了深度学习的表征维度和影响因素后，为进一步明晰各因素之间的关系，本研究综合上述假设，构建了智慧学习环境下大学生深度学习影响因素的假设模型，如图1所示。

图1 智慧学习环境下大学生深度学习影响因素的假设模型

2 研究工具与调查实施

①调查工具：本研究借鉴李玉斌等[15]、王孝金等[16]的研究成果，设计了“智慧学习环境下大学生深度学习影响因素”调查问卷。调查问卷共包括三部分：一是学生的基本信息，二是深度学习量表，三是深度学习影响因素量表。其中，第二、三部分的题项为态度题，采用李克特5点量表。

②问卷试测：调查问卷编制完成后，本研究进行了小范围的试测。试测采取线下形式发放问卷，共收集有效问卷86份，结果显示各维度和整体的Cronbach’s α系数值均高于0.8；KMO值为0.872，Bartleet’s球形检验的显著性为0.000。经过探索性因子分析，初始因子载荷矩阵旋转后，各题项的归属情况符合预期，说明问卷的信效度良好。

③问卷正式发放：问卷正式发放采取线上、线下相结合的方式进行，为期1周。调查对象来自山东省、江西省、江苏省等5个省市的12所高校，他们均在智慧学习环境进行过学习，对智慧学习环境和深度学习较为了解。本研究共收集问卷725份，其中有部分问卷存在填答时间过短、选项单一等问题，剔除后共得到有效问卷712份，有效率约为98.2%。

三 数据分析与结果讨论

1 信效度分析

首先，利用SPSS 26对有效问卷进行信度分析，得到问卷整体的Cronbach’s α系数值为0.907，各维度的Cronbach’s α系数值均高于0.8，说明问卷数据有效、可信。接着，进行探索性因子分析，得到KMO值为0.935，Bartlett’s球形检验的显著性为0.000。然后，采用最大方差法进行因子旋转，得到旋转后的成分矩阵，其公因子数量和各题项的归属情况符合预期，证实问卷的结构效度较好。最后，使用Fornell-Larcker标准检验问卷的区分效度，得到各维度与其他维度的相关系数均在临界值内，且都小于相对应的AVE的平方根，表明问卷的区分效度良好。

2 描述性统计

调查对象多来源于男学生少而女学生多的师范院校，且主要为1～3年级本科生，专业分布较为广泛。为确定性别、年级、专业是否与深度学习存在联系，本研究使用SPSS 26对性别进行独立样本t检验，对年级、专业进行单因素方差分析，结果显示：深度学习在性别上没有显著性差异（=0.839），而在年级、专业上存在显著性差异（=0.000，=0.027）。进一步分析发现：大二学生的深度学习情况优于其他年级，而教育学专业学生的深度学习情况优于其他专业。

3 模型评估与假设检验

①模型评估。本研究使用绝对适配统计量χ2/df、RMSEA、GFI、AGFI，增值适配度统计量NFI、IFI、CFI，简约适配统计量PNFI、PGFI来评估模型[17]。模型拟合度检验如表1所示，可以看出各适配度指标均符合标准，说明模型的拟合度和适配性良好。

表1 模型拟合度检验

②假设检验。本研究采用结构方程模型对各项假设进行检验——如果显著性值小于0.05、临界比C.R.值高于1.96、标准化路径系数值处于合理范围，则认为假设成立。路径系数与假设检验如表2所示，可以看出：所有假设的值均小于0.05，C.R.值均高于1.96，标准化路径系数值也处于合理范围，表明所有假设均通过检验。其中，深度学习投入对深度学习结果（β=0.628）、元认知能力对深度学习策略（β=0.566）、元认知能力对深度学习投入（β=0.412）、自我效能感对深度学习动机（β=0.362）的影响较大，而教师因素、深度学习策略对深度学习投入（β=0.107，β=0.122）的影响较小。

表2 路径系数与假设检验

注：***表示≤0.001。

4 影响因素权重计算

为探究大学生深度学习四个影响因素对深度学习的重要程度，本研究采用层次分析法计算四个影响因素所占的权重，结果显示：学生因素最重要，权重约为35.69%；环境因素居第二，权重约为27.81%；交互因素排第三，权重约为20.58%；教师因素所占权重最低，仅为15.92%。本研究使用一致性比例——C.R.进行一致性检验，当=4时，R.I.值为0.89，经计算求得C.R.值=0.070＜0.1，说明本研究所构造的判断矩阵是满意一致性矩阵。

5 研究结论

（1）深度学习在年级、专业上存在显著差异，而在性别上不存在显著差异

根据描述性统计结果，本研究主要得出以下结论：①大二学生的深度学习情况优于其他年级。究其原因，主要在于大二学生已适应新的学习环境，并且经过一年的学习摸索，他们已逐渐摆脱被动接受式学习的习惯，开始尝试通过独立思考或同伴协作完成学习任务，学习兴趣和热情处于鼎盛期。②教育学专业学生的深度学习情况优于其他专业。这主要是因为，教育学专业学生作为“准教师”，已然认识到深度学习对于培养核心素养的重要作用，因此他们具有更高的深度学习倾向，以提高自己的专业能力和对深度学习的理解。③男女学生的深度学习没有显著差异，这与李志河等[18]、Shaari等[19]的研究结论相似。

（2）深度学习受学生因素、教师因素、交互因素、环境因素的影响

根据模型评估与假设检验结果，本研究主要得出以下结论：①深度学习投入主要受元认知能力、自我效能感、教师因素、交互因素、智能工具、同伴关系的影响。元认知能力越强，大学生在学习活动中进行自我觉察、自我反省、自我评价、自我调节的效果就越好，也就越容易达成行为、情感、认知等的高投入。②深度学习动机主要受自我效能感的影响，这与傅蕾[20]的研究结论一致。自我效能感与大学生的学习兴趣密切相关，高自我效能感容易激发大学生的学习欲望，并坚定其完成学习任务的信心。③深度学习策略主要受元认知能力和教师因素的影响。要实现深度学习策略的灵活运用，既要考虑运用什么策略，还需考虑“如何运用”“何时运用”“为何运用”等问题，而此过程无疑需要借助元认知能力。④深度学习结果主要受深度学习投入、深度学习动机、深度学习策略的影响，其中深度学习投入起关键作用。例如，王孝金等[21]指出，学习投入程度是能否实现深度学习的前提和条件。

（3）学生因素是影响深度学习的主要因素，而环境因素是次要因素

根据影响因素权重计算结果，本研究主要得出以下结论：①智慧学习环境下，学生既是深度学习过程的主体和核心，也是深度学习结果的表征者和受益者，因而学生因素是影响深度学习的主要因素。教师、智慧学习环境和其他促进、支持深度学习的条件是否发挥作用以及能在多大程度上发挥出最佳作用，最终取决于学生自身。②智慧学习环境与深度学习是一种相辅相成的关系，即深度学习以智慧学习环境为支撑，智慧学习环境根据学生的深度学习需求而优化。智慧学习环境的核心要素是智能工具，学生深度学习中的资源获取、问题解决、同步或异步交互、成果展示、自评互评等活动均离不开智能工具的支持。

四 促进建议

根据上述数据分析与结果讨论，本研究围绕学生、教师、交互、环境四个影响因素，提出促进智慧学习环境下大学生深度学习的建议。

1 强化学生主体意识，鼓励创造驱动学习

考虑到学生因素是影响深度学习的主要因素，应强化大学生的主体意识，使大学生的自主性、积极性、创造性得以充分发挥。对此，教师需设计由浅入深的创造性任务，引导学生逐步从简单任务向复杂任务进阶，增强其自信心和责任感，并以自我效能感驱动学习动机。而作为活动的承担者、探索者和反思者[22]，学生要充分了解完成创造性任务所需解决的问题，自定学习计划，并根据需要主动获取优质资源，突破认知限制和思维禁锢；同时，学生可以借助智能工具和教师反馈，自我监控、审视、调节学习行为，反思、评价深度学习过程与结果，提升元认知能力和自主学习能力，发展高阶思维，达成深度学习的目的。

2 提升教师信息化教学胜任力，培养教师数据智慧

目前，高校教师已具备基本的信息技术应用能力，但信息技术与课程深度融合能力有待提高。智能时代赋予教师更多的发展机会，提升教师的信息化教学胜任力可以通过激发其信息化教学效能、开展信息化教学发展项目等实现[23]。在海量数据支持的智慧学习环境下，数据智慧成为教师信息化教学胜任力的核心内容和发展新路向。教师可以利用数据智慧，针对学生的学习需求，设计有效的教学模式和教学策略，推荐智慧化的教学资源，以促进学生与知识内容的交互；同时，对学生给予个性化指导，引导其优化学习策略、激发其学习动机等，并对学生的深度学习过程与结果进行评价，及时提供有效反馈，以促进学生反思、启迪学生智慧。

3 促进师生和生生深层交互，优化人机交互

师生交互和生生交互属于社会性交互。提高交互的频率、质量和深度，将促进知识共享和学习反思，增强学生交互意愿，实现学生自我知识建构，加深学生对知识的深层次理解，使学生获得沉浸感和心流体验，进而实现持续性、深入性的学习。师生、生生交互层次的提高，可通过教师积极引导、完善激励机制、创设交互情境、优化交互支持工具等方式实现。在智慧学习环境下，需革新教师、学生与智能工具的协作交互方式，形成人机协同的教与学模式。例如，智能工具与教师协同教学，需要教师重点设计灵活度较高的创造性任务，增加师生交互机会，为学生提供情感支持；而智能工具与学生协同学习，需要智能工具准确识别学生的学习行为，为学生推送个性化学习资源和路径，并提供精准的学习反馈，推进学生与资源内容之间的交互。

4 推动智能工具赋能学习，创设虚实共生学习环境

智能工具为学习环境的“智慧”提供了全面支撑，故应坚持应用驱动和机制创新，以实现智能工具的迭代升级。同时，要促进智能工具与深度学习从紧密结合转为深度融合，推动智能工具在学习、交互、问题解决等方面的全流程应用，构建全方位、全过程、全覆盖的支撑体系，使学生的个性化学习需求得到充分满足，实现人机联袂，全面提升深度学习质量。另外，智慧学习环境需融合5G、混合现实、物联网等技术，以实现万物互联，虚实共生，提供多元化学习情境，使学生能按需实时参与学习，并提升学生的临场感、沉浸感，增强其学习体验；同时，要方便学生根据学习目标和需求切换学习情境，引导学生对知识进行多视角、多路径的学习与建构，并推动学生形成持久的自我内驱力，最终实现知识、思维与能力的全面提升。

[1]王胜兰,彭双,钟燕兰.教学干预对学生深度学习的影响——基于62项实验或准实验研究的元分析[J].开放教育研究,2022,(2):96-109.

[2][18]李志河,刘丹,李宁,等.翻转课堂模式下的深度学习影响因素研究[J].现代教育技术,2018,(12):55-61.

[3][19]Shaari R, Mahmud N, Wahab S R A, et al. Deep as a learning approach in inspiring creative and innovative minds among postgraduate students in research university[J]. Procedia-Social and Behavioral Sciences, 2012,40:152-156.

[4]Sadeghi A, Sadeghi A. The factors affecting university student deep learning (USDL) in the University of Guilan, Iran[J]. Procedia-Social and Behavioral Sciences, 2012,31:810-815.

[5][15]李玉斌,苏丹蕊,李秋雨,等.面向混合学习环境的大学生深度学习量表编制[J].电化教育研究,2018,(12):94-101.

[6]Entwistle N, Hanley M, Hounsell D. Identifying distinctive approaches to studying[J]. Higher Education, 1979,(4):365-380.

[7]Yin H, Wang W. Undergraduate students’ motivation and engagement in china: An exploratory study[J]. Assessment & Evaluation in Higher Education, 2016,(4):601-621.

[8]Astin A W. Student involvement: A developmental theory for higher education[J]. Journal of College Student Development, 1999,(5):518-529.

[9]Kearsley G, Shneiderman B. Engagement theory: A framework for technology-based teaching and learning[J]. Educational Technology, 1998,(5):20-23.

[10]Bandura A. Social foundations of thought and action: A social cognitive theory[M]. Upper Saddle River: Prentice Hall, 1986:296-316.

[11]张浩,吴秀娟.深度学习的内涵及认知理论基础探析[J].中国电化教育,2012,(10):7-11、21.

[12]陈蓓蕾,张屹,杨兵,等.智慧教室中的教学交互促进大学生深度学习研究[J].电化教育研究,2019,(3):90-97.

[13]顾小清,王春丽,王飞.信息技术的作用发生了吗:教育信息化影响力研究[J].电化教育研究,2016,(10):5-13.

[14]张屹,郝琪,陈蓓蕾,等.智慧教室环境下大学生课堂学习投入度及影响因素研究——以“教育技术学研究方法课”为例[J].中国电化教育,2019,(1):106-115.

[16][21]王孝金,穆肃.在线学习中深层次学习影响因素研究[J].电化教育研究,2020,(10):45-51.

[17]吴明隆.结构方程模型:AMOS的操作与应用(第2版)[M].重庆:重庆大学出版社,2010:52-53.

[20]傅蕾.内部归因有助于激发学习动机?——基于开放教育学习者自我效能感中介效应的分析[J].开放教育研究,2019,(6):93-102.

[22]胡钦晓.从依附走向自主——学术资本运营视角的创业型大学兴起之路[J].教育研究,2020,(8):96-111.

[23]隋幸华,赵国栋,王晶心,等.高校教师信息化教学能力影响因素实证研究——以湖南省部分高校为例[J].中国电化教育,2020,(5):128-134.

The Influencing Factors of University Students’ Deep Learning in the Smart Learning Environment

XU Zhen-guo1ZHAO Chun-yu1WANG Yue1XIE Wan-li1GAO Ying-peng2[Corresponding Author]

Although many universities have carried out the construction and use of the smart learning environment, students have not achieved the expected deep learning effects, so it is urgent to clarify the influencing factors of deep learning in the smart learning environment. Therefore, a hypothesis model of influencing factors of university students’ deep learning in the smart learning environment was firstly constructed. Then, the questionnaire survey and structural equation model were used to test the hypothesis and verify the model. The results showed that, there were significant differences in grades and majors in deep learning, but there were no significant differences in gender. Meanwhile, deep learning was significantly influenced by the factors of students, teachers, interaction and environment. In addition, the factor of students was the primary factor affecting deep learning, while the factor of environment was the secondary factor. Finally, focusing on the four factors of students, teachers, interaction and environment, this paper put forward suggestions on how to promote university students’ deep learning in the smart learning environment, expecting to achieve meaningful learning.

smart learning environment; deep learning; influencing factor; learning engagement; university student

G40-057

A

1009—8097（2023）01—0058—08

10.3969/j.issn.1009-8097.2023.01.006

本文受国家自然科学基金青年科学基金项目“学习画面情感对学习者情感的影响机制及其自适应调整方法研究”（项目编号：62007020）、教育部人文社会科学研究青年基金项目“基于集群发展的县域基础教育信息化优质均衡提升路径研究”（项目编号：21YJC880070）、中国博士后科学基金资助项目“在线学习环境下学习画面情感的自适应调整方法研究”（项目编号：2022M711883）资助。

徐振国，副教授，博士，研究方向为教育人工智能，邮箱为xu.zhen.guo@163.com。

2022年6月8日

编辑：小米