楊金龍，胡廣偉，王 錳

0 引言

移動學習逐漸成為人們化解時間碎片化與素養(yǎng)提升矛盾的普遍方式[1]。移動端網(wǎng)民表現(xiàn)出碎片化學習、知識付費與社群社交特征[2]。移動學習因學校、社會、企業(yè)和個體等各方教育力量的加入，演變?yōu)樵诰€教育領域新業(yè)態(tài)，覆蓋學習、商業(yè)、娛樂和體驗等的綜合性教育學習新產(chǎn)業(yè)體系與新商業(yè)模式涌現(xiàn)[3]。其采納的變量組合有哪些，不采納的變量組合又有哪些，移動學習理論和實踐應如何發(fā)展等，成為移動學習新業(yè)態(tài)中亟待解決的問題。本文通過構建移動學習采納動因概念模型，引入模糊集定性比較分析方法，探索前因變量與結果變量間的非對稱多重并發(fā)組態(tài)效應，以期為移動學習業(yè)態(tài)發(fā)展提供借鑒。

1 移動學習采納動因研究綜述

國外有關移動學習采納動因的文獻始見于2007年[4]，部分學者從移動學習用戶視角基于TAM[5-6]、 UTAUT[7-10]、 UGT(Uses and Gratifi‐cation Theory)[11]等模型，新增變量構建新的模型進行驗證，通過學習者知識管理系統(tǒng)中的用戶數(shù)據(jù)研究采納動因[12]；部分學者從教師[13-14]或高等教育機構[15]視角研究移動學習采納問題，引入云移動學習(Cloud Mobile Learning，CML)概念。國內(nèi)相關文獻始見于2009年[16]，有的學者基于TAM模型[17-19]新增變量或結合任務技術匹配模型(Task-Technology Fit，TTF)[20]及沉浸體驗理論、體驗式學習理論[21]等，構建新的模型。有的學者基于UTAUT模型[22-24]新增變量或結合TTF模型和感知風險理論[25]、信息系統(tǒng)成功模型[26]等，研究移動學習采納動因問題。有的學者基于任務價值模型[27]或直接構建新的模型[28-29]，如移動語言學習技術接受模型[30]，探究移動學習采納問題。國內(nèi)外移動學習采納動因研究具有如下特點：

(1)從研究對象看，國外研究視角包括學生、成人、教師、教育機構等對象，較分散；國內(nèi)主要研究對象是大學生，個別針對學前兒童、中學生、農(nóng)民工。國內(nèi)外研究對象群體越來越廣，研究理念逐漸側重于終身學習。因樣本對象不同，部分變量呈現(xiàn)出截然不同的影響作用。

(2)從研究方法看，國內(nèi)外基本都使用結構方程模型、相關分析、因子分析、回歸分析等方法，使用大樣本量，研究單個原因變量對結果變量、單個原因變量之間的影響關系，少見原因變量組合、個案深入剖析及采納對立面——不采納視角的研究。變量組合及個案深入研究只見1篇文獻，使用多級順序認知診斷模型Seq-gdina，將1，032個不同院校大學生分為118類積極或消極的接受模式，其中接收模式是因素組合，組合頻數(shù)反映因素的重要程度[30]。

(3)從研究模型看，國內(nèi)外基本都以TAM或UTAUT模型為原型，新增原因變量構建新模型，只有少數(shù)研究基于其他模型或通過一定方式構建新模型。相較于國外，國內(nèi)研究集中于使用TAM或UTAUT模型，但國內(nèi)外近年都趨向于使用解釋力更強的UTAUT模型。同一原有變量、新增變量、調(diào)節(jié)變量對于結果變量的影響作用在不同學者的研究中出現(xiàn)各種差異。

綜上，樣本及樣本數(shù)據(jù)、研究方法和模型變量等的科學性尤為重要，特別是部分文獻鮮有考慮移動學習平臺的社會性和移動性，如社交互動或感知移動方面的變量竟然沒有被加入模型，具有局限性。下文彌補既有研究缺陷，充分體現(xiàn)移動學習特性，探究移動學習采納的非對稱性組態(tài)效應。

2 移動學習采納動因概念模型

目前，業(yè)界對移動學習采納的研究已有一定基礎，尤其是UTAUT模型成為移動學習采納研究最受歡迎的模型，因而本文在UTAUT模型基礎上，統(tǒng)計主題相關文獻的新增變量，充分考慮移動學習平臺社會性、移動性等屬性，構建新的移動學習采納動因概念模型。

2.1 UTAUT模型

UTAUT 模型是Venkatesh 等在綜合已有8個理論模型(技術任務適配模型、創(chuàng)新擴散理論、理性行為理論、規(guī)劃行為理論、動機模型、復合的TAM與TPB模型、PC利用模型、社會認知理論)的基礎上提出，見圖1。Venkatesh等經(jīng)過實證結果發(fā)現(xiàn)這8個模型對使用行為的解釋力分布在17%~53%，而UTAUT 模型對使用行為的解釋力高達70%，優(yōu)于以上任何一個理論模型[31]，因此本文選取解釋力更強的UTAUT模型作為潛在變量的主要來源。

圖1 UTAUT模型

選取UTAUT模型中的績效期望、努力期望、社群影響、自愿性等4個變量作為移動學習采納的潛在變量，并將自愿性改為學習自主性，增加更多涵義。促進條件從文獻前因變量統(tǒng)計中產(chǎn)生。性別、年齡和經(jīng)驗作為移動學習采納樣本案例的觀察變量。移動學習是普遍接受的學習方式，經(jīng)驗不再是關鍵影響因素，因此作為觀察變量。不再使用中介變量行為意愿，而將行為意愿和使用行為綜合看作學習者采納行為，因而將采納/不采納作為移動學習采納動因概念模型的結果變量。

2.2 文獻前因變量統(tǒng)計分析

在UTAUT模型基礎上，選取國內(nèi)外移動學習采納研究相關度最高的文獻49篇進行前因變量統(tǒng)計，全面梳理移動學習采納的潛在變量，見表1。文獻變量統(tǒng)計過程中，將ATM、UTAUT模型中已存在的變量予以排除，針對文獻模型中新增的前因變量，進行同義歸并，按照文獻中的顯著次數(shù)、不顯著次數(shù)分別統(tǒng)計，共得到15個前因變量，記為“V1-V15”。V1-V4對應的前因變量顯著頻次超過10，尤其是感知趣味性顯著頻次達21，是學者在模型中使用最多的變量。但感知趣味性、學習自我效能、學習自我管理、學習者創(chuàng)新性和感知財政成本等變量都出現(xiàn)一定的不顯著情況，尤其是學習自我管理變量，甚至出現(xiàn)5次不顯著情況，變量對結果的影響具有很大差異性。

表1 移動學習采納相關文獻前因變量統(tǒng)計

本著潛在變量表征研究主題的全面性原則，綜合考慮移動學習采納行為特征，對統(tǒng)計得到的前因變量進行內(nèi)容分析，并決定處理結果。15個變量中，采用、歸并和摒棄各5個。采用的變量有V1(感知趣味性)、V2(感知移動性)、V4(學習自主性)、V8(社交互動性)、V11(感知成本)，充分體現(xiàn)了學習者日益增長的學習趣味需求、移動端的便利性或復雜性、學習者日益增長的積極進取精神和自我管理能力、移動端的強社交功能及知識付費的意愿。歸并的變量有V3(努力期望)、V5(經(jīng)驗)、V10(績效期望)、V14(績效期望)、V15(學習自主性)，將這些變量的涵義并入括號中已有變量，如V3學習自我效能，即學習者使用移動終端進行學習的能力，但移動互聯(lián)網(wǎng)的成熟發(fā)展使其不再緊要，因而歸并；對于其他4個變量而言，專業(yè)相關性是學習者經(jīng)驗的一部分，資源優(yōu)化性、服務關懷性都是績效期望的一部分，焦慮感則是學習自主性促生的反動力之一，因而都可以并入已有變量。摒棄的變量有V6學習者創(chuàng)新性、V7不同設備、V9個人隱私、V12任務技術匹配、V13網(wǎng)絡質(zhì)量。V6學習者創(chuàng)新性指學習者對于移動學習的創(chuàng)新認知，而當下移動學習已不是新鮮事物，因此摒棄。V7、V9和V13在平臺層面對于移動學習已不再是制約性或者激勵性因素，隨著社會進步和平臺發(fā)展，設備、隱私及網(wǎng)絡質(zhì)量都已成為學習者無須過多考慮的因素。而V12任務技術匹配其實是績效期望和學習自主性的結合，因此摒棄。

2.3 移動學習采納動因概念模型

基于UTAUT模型選取的前因變量績效期望、努力期望、社群影響、學習自主性，樣本觀察變量性別、年齡、經(jīng)驗(移動學習前有經(jīng)驗/無經(jīng)驗)，結果變量“采納/不采納”，通過相關文獻變量統(tǒng)計分析采用的前因變量感知趣味性、感知移動性、學習自主性、社交互動性、感知成本，是本文概念模型的主要變量，同時在潛在變量說明和樣本數(shù)據(jù)采集時將變量統(tǒng)計中的涵義歸并到相應的變量中。另外，考慮到學生群體與非學生群體可能對于移動學習具有不同的采納特征，在觀察變量中增加群體(學生/非學生)變量。如表2所示，即為移動學習采納的潛在變量(為方便研究，使用英文首字母代替變量)。

表2 移動學習采納潛在變量

將表2潛在前因變量按照平臺層面、社群層面和學習者層面進行劃分，其中績效期望、努力期望、感知趣味性和感知移動性屬于平臺層面；社群影響和社交互動性屬于社群層面；學習自主性和感知成本屬于學習者層面。圖2即為移動學習采納動因概念模型。由于本文使用定性比較分析法，前因變量對結果變量的影響表現(xiàn)為不同的前因變量組合，所有的前因變量都將被檢驗在組合中是否發(fā)揮作用、發(fā)揮了什么樣的作用，因此使用橢圓表示前因變量對結果變量的組合影響。下文以此概念模型為藍圖，探究移動學習采納動因的組態(tài)效應。

圖2 移動學習采納動因概念模型

3 研究方法與數(shù)據(jù)準備

3.1 研究方法

1987年，Ragin 提出定性比較分析方法(Qualitative Comparative Analysis，QCA)[32]。QCA是整體論思想的反映，認為案例是原因條件組成的整體，因此關注的是條件組態(tài)與結果間復雜的因果關系，具有多重并發(fā)因果關系、等效性和非對稱性等特征[33]。傳統(tǒng)研究范式中自變量被假設是獨立起作用的，忽視自變量的組織屬性——自變量之間是相互依賴相互作用的關系，而QCA正是基于變量組合影響結果的假定[34]。同時，QCA中出現(xiàn)同一個結果可能是由多條等效的不同組合路徑導致，這破除了傳統(tǒng)線性方法只能得到單一的或最佳的解的弊端[33]。QCA主張變量之間的關系不再是傳統(tǒng)的統(tǒng)一對稱關系，即導致移動學習采納的原因和不采納的原因是不一致的，同一個條件在不同的組合中也可能會發(fā)揮不同的影響作用，打破了傳統(tǒng)定量回歸分析因果關系的對稱性。組態(tài)指任何共同發(fā)生的、概念上可區(qū)分的特征構成的多維度特征群[35]，因而組態(tài)分析同樣采取的是整體的分析思路。組態(tài)視角使用QCA方法，是定性分析與定量分析優(yōu)點的結合，既可以聚焦案例進行整體和深入分析，也可以聚焦大樣本總結可推廣的路徑或模式。移動學習的采納并不一定是單個原因導致的，不采納的原因和采納的原因也不盡相同，因此選用QCA 方法，以揭示采納動因的組態(tài)路徑。

QCA 分為清晰集QCA(csQCA)、多值集QCA(mvQCA)、模糊集QCA(fsQCA)和時序性QCA(TQCA)。由于 csQCA 二分類或 mvQCA 三分類的數(shù)據(jù)分類粗糙，因此本文選用fsQCA，使用fsqca3.0進行分析。具體實現(xiàn)過程是把研究對象按照相應的理論，校準為案例的集合隸屬，得到2k(k個前因條件)個邏輯組態(tài)，通過真值表分析得到案例在各組態(tài)上的分布，進而通過前因變量或前因變量組合對于結果的充分和/或必要性、反事實分析，揭示復雜的因果關系[36]。在進行fsQCA分析之前，通過問卷調(diào)查獲取樣本數(shù)據(jù)。

3.2 問卷設計

問卷包括3個部分。第一部分是調(diào)查對象個人信息，包括性別、年齡、是否學生、移動學習前有無經(jīng)驗等，這部分數(shù)據(jù)用于描述性統(tǒng)計。第二部分是針對前因變量和結果變量設計的題項，是問卷的核心部分，量表主要依據(jù)成熟的UTAUT模型與相關文獻前因變量統(tǒng)計結果，采用Likert5級量表，按調(diào)查對象滿意程度、影響程度或強弱程度等分為5級。第三部分是開放式題項，主要針對調(diào)查對象移動學習付費意愿，采納、不采納的動因進行開放式問答，獲取真實語料驗證和支撐本文結論。表3即為第二、三部分的問卷設計。

表3 問卷設計

3.3 樣本分布

樣本使用問卷星通過移動學習社區(qū)(如英語流利說、熊貓小課群組)、移動知識問答社區(qū)(如手機知乎、手機百度知道)以及移動社交網(wǎng)絡(如微信群、QQ群、朋友圈)等多個數(shù)據(jù)源在線獲取，共收回問卷118份，其中有效問卷110份。表4即為有效樣本分布情況，其中女性、14-24歲、學生群體、移動學習前已有經(jīng)驗的學習者居多，總體看樣本基本均衡。

表4 樣本分布

3.4 數(shù)據(jù)校準

在定性比較分析中，模糊集被視作連續(xù)變量，分析前必須要被校準以指代在一個界定清楚的集合中的隸屬程度[36]。校準主要依據(jù)經(jīng)典理論、實際知識或數(shù)據(jù)特征，設定集合中完全隸屬、交叉點、完全不隸屬3個值，其中交叉點值為0.5，是集合中最模糊的點。由于樣本數(shù)據(jù)采用的是Likert5級量表，天然形成了3個轉折點：5、3和1，因而采用(5，3，1)標準進行校準。為方便研究，將案例記為C1~C110，校準后的變量名稱加后綴“fz”。

3.5 信度和效度檢驗

對樣本的結構式量表部分，采用SPSS22.0進行信度和效度檢驗。根據(jù)Nunally[37]的理論，信度系數(shù)大于0.7 才較可信，本文Cronbach’s Alpha 值為0.814，表明量表信度較好，內(nèi)在一致性程度較高。本文所有變量及問項來自經(jīng)典理論和相關文獻，具有較高的內(nèi)容效度。根據(jù)Kaiser等人[38]的觀點，KMO值大于0.7則效度較好，本文KMO值為0.826，且Bartlett’s球形檢驗顯著性P=0.000<0.05，表明量表具有較好的效度。由于本文使用的fsQCA方法本身屬于因子的探索研究，問卷結構屬于一階量表，單獨變量只有一個問項，且變量所屬的層面維度不參與定量研究，因此不再進行聚合效度和區(qū)分效度檢驗。

4 模糊集定性比較

4.1 條件的必要性檢測

在數(shù)據(jù)校準及信效度檢驗的基礎上，首先需要進行單一前因變量的必要性檢測。為防止納入邏輯余項之后簡約解中必要條件的缺失，本文必要條件在后續(xù)分析中不剔除。必要性模糊子集關系的一致性如式(1)所示，覆蓋度如式(2)所示：

其中，結果集合Yi作為條件集合Xi的子集的一致性，Consistency就是兩者的交集占集合Xi的比例，而一致性Consistency≥0.9時該條件即為必要條件，并成為結果集合的一個超集(superset)，覆蓋度Coverage表示條件集合Xi在經(jīng)驗上對結果集合Yi的解釋力[39]。

對校準后的數(shù)據(jù)進行必要性分析，得到單一前因變量的一致性和覆蓋度，如表5所示。其中變量名前綴“~”表示變量不存在或不隸屬于變量。對于結果變量ADfz，Consistency≥0.9的前因變量是PEfz，且案例覆蓋度達到0.89，說明PEfz 是ADfz 發(fā)生的必要條件。對于結果變量~ADfz，Consistency≥0.9 的前因變量是~LAfz，因而~LAfz是~ADfz發(fā)生的必要條件。

表5 單一前因變量的一致性與覆蓋度

初步得到分析結果：績效期望高是移動學習采納的必要條件；學習自主性差是移動學習不采納的必要條件。

4.2 真值表構建

真值表分析是結果變量的充分性分析。當每個變量、組態(tài)對應的隸屬分數(shù)>0.5時，賦值為1，反之為0。將案例頻數(shù)閾值設為≥1，得到表6真值表，即案例在各組態(tài)的分布。真值表原始一致性臨界值可根據(jù)一致性值的間距而定，一般≥0.8，通常不低于0.75。一致性值大于等于臨界值的前因組合構成結果的模糊子集，編碼為1；低于臨界值的組合不構成模糊子集，編碼為0；而低于案例頻數(shù)閾值的組合則成為邏輯余項[39]。本文真值表原始一致性臨界值設為0.75，因而將前7個前因組合編碼為1，最后1個前因組合編碼為0，邏輯余項不再列出。

表6 案例在各組態(tài)的分布

4.3 前因變量組合分析

在真值表分析的基礎上，進行變量的標準化分析，得到結果變量的3種解：復雜解、中間解和簡約解，如表7所示。復雜解只分析具有實際觀察案例的組態(tài)，中間解納入了具有實際觀察案例的組態(tài)和“容易”的邏輯余項，而簡約解則納入具有實際觀察案例組態(tài)的同時，也包括“容易”的和“困難”的邏輯余項?！叭菀住钡倪壿嬘囗検腔谝欢ǖ睦碚摶驅嶋H知識進行組態(tài)探索，而“困難”的邏輯余項沒有實際觀察案例，缺乏理論或實際知識支撐，甚至可能和既有理論、實際知識發(fā)生沖突[33]。因此，中間解是較優(yōu)的解。同時在中間解和簡約解中出現(xiàn)的條件為核心條件，而只在中間解中出現(xiàn)的條件為輔助條件。

表7 前因變量標準化分析結果

從分析結果看出，對結果變量ADfz，復雜解和中間解是一致的，且解的一致性達到0.86，組態(tài)效應顯著；而簡約解顯示，單一的前因變量PEfz、EEfz、PPfz、PMfz、PCfz 成為 5 種“組態(tài)”，一致性分布在0.74~0.80，解的一致性為0.74，但唯一覆蓋度基本為0，說明納入“困難”的邏輯余項，造成“組態(tài)”脫離了案例實際。而簡約解的存在，顯現(xiàn)其與中間解重合的條件：PEfz、EEfz、PPfz、PMfz、PCfz。因而這些條件是結果變量ADfz 的核心條件，而條件CIfz、SIfz、LAfz則是輔助條件。其復雜解/中間解前因組合路徑可表示為(→表示“推導出”)：

其中3 個組態(tài)具有強隸屬度的案例分別是C43、 C70、 C74、 C80、 C86、 C101； C10、C15、 C43、 C70、 C86； C5、 C43、 C70、C86。

對結果變量~ADfz，只得到了有效的一個復雜解，前文必要性檢測可知~LAfz 是結果變量~ADfz的核心條件，其他條件則為輔助條件。其前因組合路徑可表示為：

~PEfz*~EEfz*~PPfz*~PMfz*~SIfz*~LAf z*~PCfz→~ADfz

其中，該組態(tài)具有強隸屬度的案例是C22、C49、C71、C75。

初步得到分析結果：績效期望高、努力期望高、感知趣味性高、感知移動性高、感知成本滿意是采納的核心條件，而社群影響、社交互動性和學習自主性是采納的輔助條件。在核心條件的基礎上，可達采納路徑一：社交互動性好、學習自主性弱；可達采納路徑二：社群影響大、學習自主性強；可達采納路徑三：社群影響大、社交互動性好。導致不采納的路徑是：績效期望低、努力期望低、感知趣味性低、感知移動性低、社交互動性低、學習自主性弱、感知成本不滿意。

5 移動學習采納組態(tài)效應

通過模糊集必要性檢測、真值表分析和標準化分析，得到移動學習采納動因的組態(tài)效應。組態(tài)效應揭示了移動學習采納不同組合變量等效的多條影響路徑。

(1)績效期望高、努力期望高、感知趣味性高、感知移動性高、感知成本滿意是采納的核心條件，而社群影響、社交互動性和學習自主性影響較小。變量必要性檢測顯示，績效期望高是采納發(fā)生唯一的必要條件，符合大部分UTAUT模型研究者的結論。調(diào)查數(shù)據(jù)顯示，移動學習者中36.67%會因為績效期望高而采納移動學習，如“使人進步、思考、助益工作，提高效率”“學習內(nèi)容質(zhì)量好、快捷”；34.29%因績效期望與自身價值不匹配而不采納，如“學習內(nèi)容設計不好”“初學者應統(tǒng)一安排、高階學習者應個性化定制，難度偏低”“碎片化知識不利于知識系統(tǒng)構建和個人提升”。這說明移動學習者最關注的是學習平臺是否能夠提供與自身價值匹配的學習資源、教學模式、服務質(zhì)量，尤其是學習資源的質(zhì)量和組織形式。碎片化的知識組織形式如何在保證學習效率的同時，滿足不同階段和目標的移動學習者對學習資源質(zhì)量或知識體系化的需求，是擺在移動學習平臺面前最重要的問題。對努力期望，學習者在采納移動學習時不予考慮，同時2.86%因“不好用”而不予采納，說明移動互聯(lián)網(wǎng)的發(fā)展使得移動學習平臺很容易實現(xiàn)學習者對努力期望的價值需求，變量不再具有制約性，但依然重要。

調(diào)查數(shù)據(jù)顯示，移動學習者在決策是否采納移動學習時，對感知趣味性的價值期待低于績效期望和努力期望。與學習資源質(zhì)量相比，資源趣味性更容易滿足移動學習者的初級需求，但依然是資源質(zhì)量不可或缺的補充變量。此外，學習者對感知移動性期待較高，40%因為平臺天生的移動便利性而選擇采納。對感知成本，調(diào)查數(shù)據(jù)顯示，42.3%“寧愿付費”，26.9%表示希望“通過朋友圈分享減免部分費用”，30.8%“寧愿朋友圈分享也不愿意付費”。雖然知識付費逐漸流行，但移動學習付費仍然具有階梯特征。3.33%就是因為“可以通過朋友圈分享免費學到東西”而選擇學習，8.57%因為“費用太高”而降低移動學習預期?！案顿M學習是否值得”依然是移動學習者非常關心的問題，因而移動學習平臺在權衡定價機制的同時，需要建設高質(zhì)量的學習資源。

(2)對自主性強的移動學習者，核心條件的基礎上，尚需社群影響大，即可達采納。這個結論來自可達采納路徑二。調(diào)查顯示，僅有10%移動學習者具有較強烈的學習自主性，這類移動學習者具有較強的學習意愿，只需較少的社群影響，即可達成采納。10%受社群影響大，如“朋友圈英語學習氛圍影響”“朋友推薦”。社群影響雖對移動學習采納的影響較小，但有助于促使自主性強的學習者更易采納移動學習。

(3)對自主性弱的移動學習者，核心條件的基礎上，尚需社交互動性好，即可達采納。這個結論來自可達采納路徑一。調(diào)查顯示，28.57%可能因“意志力不足，不能堅持”“惰性，懶”“不完成任務不給獎勵，積極性受打擊”等理由而放棄移動學習，自主性較弱。這說明平臺監(jiān)督和激勵機制可提高學習自主性，而社交互動就是很好的平臺機制，能發(fā)揮提醒、監(jiān)督、激勵、感染、影響等作用，增強移動學習者學習意愿和行為，從而達成采納。但20%對社交互動性期待并不高，可能因“移動平臺使學習分心”“學習比較私密，不想大張旗鼓分享互動”而降低進行移動學習的意愿。因此平臺中社交互動的多少強弱，需要根據(jù)學習者類型進行動態(tài)平衡，過多過強或過少過弱都將可能導致出現(xiàn)不采納的情況。

(4)對和自主性強弱無關的移動學習者，核心條件的基礎上，尚需社群影響大、社交互動性好，即可達采納。這個結論來自可達采納路徑三。調(diào)查數(shù)據(jù)顯示，61.43%在開放式題項中并未提及學習自主性的強弱是否影響移動學習的采納或不采納，這類群體就是和自主性強弱無關的群體。他們采納移動學習的動力源于學習或工作需要，如“持續(xù)更新，符合學習要求”“堅持學習，因為工作需要”，社交互動則在其中發(fā)揮著用戶留存的作用，平臺通過內(nèi)容更新和適當?shù)恼緝?nèi)消息，可激發(fā)學習者學習的內(nèi)生動力與外在壓力。社群影響則營造了學習者周圍同類移動學習平臺的學習氛圍，創(chuàng)造了一種學習者易于接受的移動學習情境，使得學習者不自覺參與學習。因而對和自主性強弱無關的移動學習者，社群影響與社交互動具有情境營造和驅動力激發(fā)的作用。

(5)學習自主性弱是導致移動學習不采納的核心原因，社群影響無論大小都不會導致不采納。這個結論是分析結果中導致不采納的路徑。必要性檢測結果顯示，學習自主性弱是移動學習不采納必不可少的原因。調(diào)查數(shù)據(jù)也印證了移動學習者學習自主性弱及學習自主性弱導致不采納的普遍性。這證明部分研究中學習自主性對于結果變量不具有顯著影響的結論(前因變量統(tǒng)計不顯著達5次)，有失偏頗；而本文QCA的非對稱性分析恰好凸顯方法的優(yōu)越性：學習自主性強對于采納影響較小，而學習自主性弱對于不采納卻是核心原因。調(diào)查數(shù)據(jù)同時顯示，沒有移動學習者表示因社群影響而放棄移動學習，社群影響對于不采納沒有任何作用。因此，對移動學習平臺來說，防止移動學習產(chǎn)品不被采納首要的工作就是通過外部激勵機制促生移動學習者的學習自主性，增強學習者的學習意識和意志力。

6 結語

移動學習采納動因概念模型創(chuàng)新使用了集合因果關系，并引入集定性與定量分析優(yōu)勢于一體的fsQCA，結合開放式調(diào)查數(shù)據(jù)進行非對稱性分析、多重并發(fā)因果分析、反事實分析，沖破傳統(tǒng)研究范式的牢籠，得出多條等效的組態(tài)路徑，為移動學習業(yè)態(tài)的完善、推廣與發(fā)展提供實踐參考。本文從理論上構建集合關系的采納動因概念模型，分解探究采納和不采納的不同路徑，拓新移動學習業(yè)態(tài)的發(fā)展模式，將QCA 方法引入移動學習研究領域，采用組態(tài)研究范式調(diào)查數(shù)據(jù)支撐質(zhì)性研究，得到移動學習采納或不采納的多條組合路徑的結論，可為移動學習業(yè)態(tài)實踐提供參考。未來將繼續(xù)使用組態(tài)研究范式，針對移動學習采納轉化為持續(xù)的動因、學習效果等主題展開研究，助推移動學習業(yè)態(tài)縱深高效發(fā)展，使得移動學習者享有更佳的學習服務和體驗。