Machine Translated by Google
美国远程教育杂志
ISSN：
0892‑3647（打印）
1538‑9286（在线）
期刊主页： https://www.tandfonline.com/loi/hajd20
患有 和 的学生的在线学习自我效能感
没有在线学习经验
惠特尼·艾丽西亚·齐默尔曼 & 乔娜·M·库利科维奇
引用本文： Whitney Alicia Zimmerman & Jonna M. Kulikowich (2016) Online Learning Self‑Efficacy in
Students With and Without Online Learning Experience, American Journal of Distance Education,
30:3, 180‑191, DOI: 10.1080/08923647.2016。 1193801
链接到本文： https://doi.org/10.1080/08923647.2016.1193801
在线发布：
2016 年 8 月 3 日。
将您的文章提交至本期刊
文章浏览量：
7962
查看相关文章
查看十字标记数据
施引文章： 62 查看施引文章
完整的访问和使用条款和条件可在https://www.tandfonline.com/action/
journalInformation?journalCode=hajd20找到
Machine Translated by Google
美国远程教育杂志 2016 年，
卷。 30，
没有。 3、
180‑191
http://dx.doi.org/
10.1080/08923647.2016.1193801
有和没有在线的学生的在线学习自我效能感
学习经验
惠特尼·艾丽西亚·齐默尔曼和乔娜·M·库利科维奇
宾夕法尼亚州立大学
摘要人们确
定需要一种衡量在线学习自我效能的工具，
其中涵盖了成功的在线学生所需的各种任务。
在线学习自
我效能感量表 (OLSES) 旨在包括在一所大学注册定速在线课程的学生所需完成的任务。
在本研究
中，
22 项量表由 338 名有或没有在线学习经验的专上学生完成。
使用从已完成和未完成在线课程的
参与者收集的数据进行单独的主要成分分析。
两组的结果相似。
选择三分量表结构供所有个体使用。
三个分量表代表有关 (1) 在线环境中的学习、
(2) 时间管理和 (3) 技术使用的项目。
通过组间比较和
相关性探讨 OLSES 分数的信度和效度。
讨论了针对其他人群使用该仪器的建议。
由于在线学习要求高度的独立性和自我指导，
激励因素引起了人们的极大兴趣。
本研究探讨了动机的一个关键
方面：
自我效能。
自我效能是个人对其成功完成特定任务的能力的看法（Bandura 1977, 1986, 2012）。
在回顾有关在线学习
自我效能的文献时，
研究人员发现需要一种工具来衡量其环境中的构建：
一所大学，
其中注册到在线校园的学生
和注册到实体校园的学生都参加在线课程。
本文介绍了衡量在线学习自我效能感的工具的开发。
比较了有和没有在线学习经历的学生的在线学习自我效能的平均评分。
在此之前，
我们对有或没有以前在线学
习经历的学生检查了这个新的在线学习自我效能感量表的结构，
以确定两组的子量表是否相同，
或者在线学习
自我效能感的基本结构是否相同。
效果因学生之前的经历而异。
虽然在线学习自我效能感量表（OLSES）
是为了研究目的而开发的，
但它也可以有实际应用。
例如，
考虑参加
在线课程的学生可以使用该量表来自我评估自己的优势和劣势。
机构和教师可以使用该量表来衡量学生的信心
水平，
并确定他们可能需要提供培训或鼓励的关注领域。
在该研究项目的前几个阶段，
制定了在线学习者需要完成的二十二项任务的清单。
这二十二项任务是 OLSES
的基础。
该项目现阶段有两个研究问题：
联系惠特尼·艾丽西亚·齐默尔曼
© 2016 泰勒与弗朗西斯
waz107@psu.edu
宾夕法尼亚州立大学，
宾夕法尼亚州大学公园。
Machine Translated by Google
美国远程教育杂志
181
(1) 对于有和没有在线学习的学生来说，
合适的分量表结构是什么
经验？
(2) 有哪些证据可以证明从这个新量表中获得的分数的信度和效度？
文献综述
在线学习自我效能是个人对其成功完成在线学习者所需的特定任务的能力的看法。
自我效能感的定义基于 Bandura
的工作（1977、
1986、
2012 ）。
自我效能感是针对具体任务的；
这不是一个人能做什么，
而是一个人认为他或她有能
力做什么（Bandura 2007）。
自我效能是一种流行的动机结构，
已被证明与行为相关（Bandura 1982；
Schunk 2012； BJ Zimmerman
2000）。
例如，
在各种环境中，
较高水平的自我效能感与较高水平的坚持相关（例如，
Jung 和 Brawley 2011；
Lent 、
Brown 和 Larkin 1984； Lyman 等人 1984；
Senbanjo 等人 2009； Lyman 等人 1984 年；
Senbanjo 等
人2009年； Lyman 等人1984 年。 BJ Zimmerman 和 Ringle 1981）。
在线教育专家还声称，
那些不相信自己具
备在在线课程中取得成功所需技能的个人可能会选择不注册，
或者他们可能不太可能完成他们注册的在线课程
（Moore 和 Kearsley） 2005 年，
见第 169 页）。
迄今为止，
许多有关在线学习环境中自我效能的研究都专门关注技术的使用。
经常使用Miltiadou 和 Yu （2000）
的在线技术自我效能量表（OTSES）。
例如，
DeTure (2004)使用 OTSES 研究了使用同步和异步通信的自我效能。
具
体来说，
她研究了自我效能感和认知风格的影响，
以预测在线课程的成功。
在那项研究中，
自我效能感和认知风格都不
是在线课程成绩的重要预测因素。
Puzziferro (2008)还使用了 OTSES 来衡量在线大学生的最终成绩和满意度水平。
她还发现 OTSES 与学生的期末
成绩并不相关；
它也与学生的满意度无关。
其他研究人员主要关注计算机的使用。 Lim (2001)研究了计算机自我效能与在线学生的满意度和参加未来在线
课程的意愿之间的关系。
她将计算机自我效能定义为“一个人对使用计算机和学习新计算机技能的能力的信念”
(43)。
计算机自我效能感与未来参加在线课程的意愿之间存在较低的正相关性 (r = .238，
p < .001)。 Simmering、
Posey 和 Piccoli (2009)也研究了计算机的自我效能感。
他们发现计算机自我效能感与平均考试成绩之间存在正相
关，
但相关性较低（r = .29，
p < .05）。
尽管上述研究均未报告技术相关的自我效能感与在线课程表现之间存在实际显着关系，
但观察到表现与其他类型
的自我效能感之间存在正相关关系。
这些发现表明，
与技术相关的自我效能感与学生在在线课程中的表现直接相关；
然
而，
它仅占变异的一小部分。
Spence 和 Usher (2007)检查了数学补习学生的计算机自我效能感和数学自我效能感与他们在在线和面对面课
程中的期末考试成绩的关系，
这些课程包括可选课件来补充教学。
在面对面（r = .05，
p = .644）
或在线（r = .07，
p=
.558）
学习条件下，
计算机自我效能与期末考试成绩之间不存在统计显着相关性。
然而，
他们确实观察到，
面对面考试（r
= .46，
p < .001）
和在线考试（r = .47，
p < .001) 学习条件。
在前面讨论的研究中观察到在线学习环境中自我效能感
和表现之间的相关性相对较低，
可能是因为他们关注技术使用的自我效能感，
而不是与在线学习相关的其他因素。
Machine Translated by Google
182
齐默尔曼和 JM 库利科维奇
技术的使用只是在线学习的一个重要方面。
除了使用技术的能力之外，
成功的在线学习者通常还必须具备其他
技能，
例如自我导向、
沟通技巧和时间管理技能（Ko and Rossen 2010； Roper 2007）。
Artino (2010)以及 Artino 和 McCoach (2008)的研究包括技术使用以外的在线学习的各个方面。
除了与技术相关
的项目（例如“我有信心我可以完成自定进度的在线课程”）
之外，
还包括非技术项目，
例如“即使有干扰，
我也有
信心我可以学习在线提供的材料”
和“我相信我可以在自定进度的在线课程中出色地完成活动”
（Artino and
McCoach 2008, 289）。
他们的量表缩减为两个子量表：
任务价值和自我效能。
在美国海军学院本科生样本中，
Artino 和 McCoach 发现他们的任务价值和自我效能分量表显着相关 (r = .34，
p < .001)。
他们的在线学习自我效能分量表也与元认知自我调节（r = .62，
p < .001）
和阐述（r = .59，
p < .001）
呈正相关，
与无
聊（r = –）
呈负相关。 50，
p < .001）
和挫败感（r = –.47，
p < .001）。
这些发现表明，
更高水平的自我效能感可能与
更积极的学习行为和更积极的情感有关。
Artino （2010）
研究了美国军种学院本科生对美国海军开发的特定在线课程的看法。
完成在线培训后，
参与者
完成了一项由六个子量表项目组成的调查：
任务价值、
自我效能、
享受、
无聊、
沮丧和满意度。
参与者还被问及是否有
选择，
未来他们是否更喜欢类似主题的面对面或在线指导。
使用逻辑回归，
参与者对六个分量表的评分用于预测他们是否喜欢面对面教学或在线教学。
其中三个子量表是教学
偏好的重要预测因素：
任务价值（b = ‑0.57，
p < .01）、
自我效能（b = 0.43，
p < .01）
和满意度（b = 0.64，
p<
.01）。 001）。
在线学习自我效能感较高的学生更有可能更喜欢在线教学而不是面对面教学。 Artino 以及
Artino 和 McCoach (2008)的研究都针对自定进度的在线课程。
成为一名成功的在线学习者所需的技能可能会根
据在线课程的特点而有所不同。
研究人员机构提供的几乎所有在线课程都是有节奏的。
这些课程通常持续十二到十
五周的学期，
每周都有课程和作业，
涉及与教师和其他学生的互动。
由于研究机构课程的特点，
Artino和McCoach开
发的仪器并不合适。
因此，
认为有必要制定一项新文书。
如果要将工具用于具有不同先前经验的人群，
那么重要的是要对工具进行心理测量评估，
以供具有不同程度在
线学习经验的学生使用。
一个问题是，
没有在线学习经验的学生无法准确理解在线学习自我效能感量表中任务的含
义。
例如，
如果要求从未参加过在线课程的学生判断他们对使用课程管理系统的能力的信心，
他们可能不了解该任务是
什么以及它需要的技能。
分量表结构的一致性也是在线学习自我效能感工具的一个关注点。
对于具有不同在线学习经验水平的个人来
说，
涵盖在线学习自我效能感多个维度的量表可能具有不同的结构。
例如，
如果参加在线课程的学生被要求对自己在
在线讨论板上与同学互动的能力进行评分，
他们可能会关注此任务的互动方面；
另一方面，
从未参加过在线课程的
学生可能会关注这项任务的技术方面。
这些不同的解释基于学生之前的经验，
可能会影响该工具子量表分数结构的
有效性。
为了在各组之间进行比较（例如，
有或没有先前在线学习经验的学生），
该工具必须对两组进行相同的测
量。
Machine Translated by Google
美国远程教育杂志
183
目的和前期研究
这项研究的目的是开发一种工具，
可用于衡量有或没有在线学习经验的专上学生的在线学习自我效能感。
该工具侧
重于有节奏的、
基于群体的在线课程。 OLSES 量表的开发分三个阶段进行。
本文重点介绍该项目的第三阶段。
在该项目的第一阶段，
根据文献综述和对进行研究的大学提供的在线课程的检查来制定项目。
这一包含 28 项内
容的工具以来自一个在线校园和两个实体校园的 55 名学生为样本进行了试点。
进行了主成分分析 (PCA)，
但无法
识别潜在的子量表结构，
可能是由于样本量较小。
在最初的 28 个项目中，
有 6 个被删除，
因为它们是多余的，
不适用
于所有感兴趣的在线课程，
和/或项目与总相关性非常低。 OLSES 综合分数与完成的在线课程数量呈中度正相关
(r = .413, p = .002, N = 53)，
与年龄不显着相关 (r = .191, p = .172, N = 53)或平均绩点 (GPA) (r = –.760, p =
.588, N = 53)。
完成 OLSES 后，
参与者被问及在线学习者是否必须执行尚未包含在量表中的任何其他任务。
五位参
与者提到使用特定技术（例如 Adobe Comment、
博客、
网络摄像头），
其他参与者则提到参加定时测验和寻找监
考人员。
这些任务在这所大学的所有在线课程中并不一致；
因此，
在本阶段的研究之后，
没有在量表中添加任何项目
（参见 WA Zimmerman 和 Kulikowich 2013）。
在第二阶段，
采访了三位在线教育专业人士，
并就量表的项目及其结构提供了他们的见解。
还采访了一名没有正
式在线学习经验的学生，
以确认这些项目的措辞对于未完成在线课程的个人来说是清楚的。
这四个人提出的因子结
构彼此不一致，
因此在这些访谈之后没有开发出任何一种可测试的结构（参见 WA Zimmerman 和 Kulikowich
2013）。
由于前两项研究的结果没有产生可测试的因子结构，
因此无法使用验证性因子分析技术。
相反，
在最后阶段使用
主成分分析来评估 OLSES 的结构。
样本量足够大，
可以对有和没有在线学习经验的学生进行比较。
具体而言，
本阶
段研究解决了两个问题：
(1) 对于有和没有在线学习的学生来说，
合适的分量表结构是什么
经验？
(2) 有哪些证据可以证明从这个新量表中获得的分数的信度和效度？
除了解决这两个主要研究问题外，
还将根据个人任务的自我效能和子量表对有和没有在线学习经验的学生进行
比较。
本文最后讨论了在线教师和管理员如何使用这些发现。
方法
美国中大西洋地区一所大型大学的多个实体校园和在线校园提供的本科水平课程的教师受邀参加了这项研究。
受
邀参加的讲师被要求向注册其课程的学生转发招聘电子邮件（面对面和在线）。
的
Machine Translated by Google
184
齐默尔曼和 JM 库利科维奇
表 1. OLSES 项目词干。
13
高效浏览在线课程资料
在线查找课程大纲
通过电子邮件与我的导师进行有效沟通
通过电子邮件、
电话或实时在线聊天与技术支持人员进行有效沟通
将作业提交到在线投递箱
自己攻克技术难关
浏览在线成绩册
有效管理时间
按时完成所有作业
学习有效地使用新型技术
无需与讲师共处一室即可学习
无需与其他学生同处一个房间即可学习
搜索互联网以查找与课程相关的问题的答案
搜索在线课程资料
14
使用异步技术（讨论板、
电子邮件等）
进行通信
1
2
3
4
5
6
7
8
9
10
11
12
15
只需很少的提醒即可满足截止日期
16
完全在线完成小组项目
使用同步技术与他人沟通（例如Skype）
面对干扰时专注于学业
17
18
19
20
21 22
制定并遵循计划以按时完成所有必需的工作
有效利用图书馆的在线资源
出现问题时，
及时在适当的论坛（电子邮件、
讨论区等）
提出问题
笔记。 OLSES = 在线学习自我效能感量表。
联系了169位导师，
54位导师回复并同意参加。
它不是
知道这些教师中有多少人将材料转发给了学生，
或者有多少人
同学们收到了招聘材料。
参加的学生可以选择
被输入礼品卡抽奖中。
该调查是在线完成的。
参与者被要求对 22 项任务中的每一项进行评分
使用六点量表的OLSES（见表1 ）。
评分为 1 表示他们相信自己
任务执行效果不佳； 6 分表示他们相信自己能够完成
专家级别的任务。
参与者还被要求评价他们的整体技术技能、
一般技能
对在线教育的看法以及将来参加在线课程的可能性。
每一个
这三个项目也按六分制评分。
使用开放式问题来收集
有关影响参加在线课程决定的因素的数据。
人口统计
还包括年龄等项目；
性别;主要的;并且，
对于已经完成至少一门课程的学生
这所大学的学期课程作业，
平均绩点 (GPA) 为 4.0。
结果
描述性统计
该调查由来自一所大型大学 18 个不同校区的 338 名学生完成
多校区大学。
参与者的年龄从 18 岁到 70 岁不等。
平均年龄是
23.89 年，
标准差为 8.492 年。
中位年龄为 20 岁。
大多数
参与者 (74.8%) 年龄在 25 岁或以下。
大多数（65.9%）
参与者是女性。
几乎
全部 (97%) 都是本科生，
其中 34.5% 为大一学生，
30.8% 为大二学生，
21.3% 为大三学生，
10.4% 老年人。
代表专业广泛，
包括心理学、
商业、
教育、
和工程。
就参与者的在线学习体验而言，
有 176 名参与者未完成任何课程
学分在线课程。
在完成在线学分课程的 162 名参与者中，
24 名
已完成一门在线课程，
20 人已完成两门在线课程，
82 人已完成三门在线课程
或更多在线课程。 36 名参与者的数据缺失。
在线和不在线参与者的每项 OLSES 任务的平均值和标准差
学习经历如表2所示。
对于所有任务，
参与者都有在线学习经历
Machine Translated by Google
185
美国远程教育杂志
表 2.根据经验得出的 OLSES 平均值和标准差。
没有在线学习经验
物品
有在线学习经验
n
M SDnM SD
科恩的达
4.76
1.064
176
5.25
0.864
126
0.497
1
5.48
0.787
175
5.70
0.583
126
0.310
2
1.194
176
5.30
0.907
125
0.424
3
4.84
4.44
1.387
174
4.92
1.067
125
0.380
4
5.07
1.146
174
5.66
0.673
125
0.604
5
4.21
1.299
176
4.50
1.168
125
0.233
6
4.77
1.207
176
5.37
0.827
126
0.563
7
4.34
1.165
174
4.66
1.056
125
0.286
8
5.06
1.089
176
5.28
0.910
123
0.216
9
4.61
1.174
175
4.89
0.948
126
0.258
10
3.90
1.384
175
4.75
1.213
126
0.646
11
4.59
1.251
175
5.12
1.029
125
0.455
12
5.09
0.934
176
5.34
0.890
125
0.273
13
4.71
1.189
175
5.26
0.842
125
0.520
14
4.58
1.213
174
5.06
0.932
126
0.435
15
4.71
1.244
174
4.96
1.176
126
0.206
16
3.77
1.346
176
4.27
1.344
124
0.372
17
4.29
1.516
175
4.83
1.183
125
0.389
18
3.95
1.216
174
4.29
1.217
125
0.280
19
4.67
1.154
176
5.10
0.871
126
0.411
20
3.96
1 .341
176
4.30
1 .289
125
0.258
21 22
4.57
1.186
175
5.00
0.996
126
0.388
笔记。 OLSES = 在线学习自我效能感量表。
A
有在线学习经验的群体的所有平均值都较高。
比没有在线学习经验的参与者给出了更高的评分。
也就是说，
对于每一个任务
在 OLSES 中，
具有在线学习经验的参与者评价了他们对
比没有在线学习经验的参与者取得更高的成功。
计算了 Cohen d
作为效应大小的指标。 Cohen s d 是衡量两组之间差异的指标
标准差单位。
例如，
对于第1项，
具有在线学习经验的参与者
与参与者相比，
评分平均高出 0.497 个标准差单位
谁报告没有在线学习经历。
亚尺度结构
因为在之前的研究中进行的访谈并没有达成一致的结果
子量表结构，
植根于验证性因素分析的测量不变性技术无法被
用过的。
相反，
有或没有在线学习经验的参与者的 OLSES 结构是
使用多主成分分析（PCA）
进行检查。 PCA是一种探索性的多元
用于将二十二个项目量表减少到较少数量的子量表的统计技术
为了更容易解释（参见 Dunteman 1989； Sainani 2014）。
具体来说，
使用了倾斜旋转，
直接oblimin与凯撒归一化。
这种旋转允许将所得的子量表相关联
彼此之间（Brown 2009）。
对于尚未完成在线课程的参与者，
PCA
得出四个分量，
总共解释了 60.172% 的方差。
对于那些有过
完成至少一门在线课程，
PCA 产生四个组成部分，
解释了总共
60.320% 的方差。
每组的结果如表3 所示。 组分负载量更大
小于 0.400 或小于 –.400 以粗体显示。
对于两组，
组件 1 上加载的项目主要是
那些涉及使用技术来学习的项目，
加载到组件 2 上的项目主要是有关时间管理的项目，
加载到组件 3 上
的项目主要是有关导航的项目
技术。
两组的组件 4 上加载的项目不同。
对于没有的学生
在线学习体验，
第 4 部分与第 1 部分重叠。
适用于在线学习的学生
Machine Translated by Google
186
齐默尔曼和 JM 库利科维奇
表 3.根据经验进行主成分分析，
采用 Kaiser 归一化进行旋转。
没有在线学习经验 组件
有在线学习经验
成分
物品
1
.676
2
3
4
2
.551
−.593
.204
.525
.371
.726
.040
.143
1
3
4
1
.271
.236
−.863
.133
.403
.322
.764
2
.501
.372
−.542
.330
.720
.081
.506
.017
3
.750
.327
−.268
.243
.720
.132
.296
.269
4
.268
.376
−.635
.344
.221
.156
.799
.095
5
.645
.252
−.152
.555
.704
.217
.335
.190
.401
6
.633
.291
−.659
.018
.394
.240
.709
7
.208
.820
−.091
.108
.316
.695
.366
.078
8
.269
.758
−.435
.030
.110
.752
.457
.031
9
.591
.200
−.248
.597
.649
.136
.366
.365
10
.639
.390
−.332
.675
.717
.452
.359
−.133
11
.318
.267
−.247
.860
.708
.539
.306
−.026
12
.590
.096
−.449
.304
.161
.135
.248
.864
13
.769
.430
−.443
.290
.498
.460
.792
.237
14
.761
.428
−.342
.396
.794
.297
.495
.150
15
.333
.852
−.444
.146
.270
.764
.181
.043
16
.684
.195
−. 013
.299
.748
.293
.232
−.034
17
.700
.111
−.180
.242
.698
−.070
.332
.270
18
.318
.710
−.167
.397
.603
.641
.328
.167
19
.329
.848
−.234
.300
.215
.587
.308
.453
20
.620
.189
−.277
.217
.493
.131
.173
.481
21 22
.653
.434
−.322
.145
.735
.436
.450
.178
根据经验，
加载到组件 4 上的所有项目都与其他组件重叠，
除了
第 13 项。
表 4按组列出了这些组成部分之间的相关性。
两组分别进行的 PCA 结果均得出四个组成部分
结构。
对于没有在线学习经验的参与者，
项目在组件 3 上加载负向。
组件 3 与其余组件之间仅存在间接关
系
没有在线学习经验的群体。
该组件上加载的项目主要是
关于在线材料的技术和导航。
这表明对于没有
在线学习经验中，
组件之间的关系可能与具有在线学习经验的学生不同
在线学习体验。
更具体地说，
对于没有在线学习经验的学生
他们对导航技术的自我效能之间的关系与他们的自我效能间接相关
对于在学习或时间管理中使用技术的学生来说，
而对于没有在线经验的学生来说，
所有这些组成部
分都是直接相关的。
然而，
相关性的大小是
两组相似。
对两组的成分负荷进行了定性比较；
存在中度到高度的重叠。
因此，
两个小组联合进行了 PCA，
目的是
开发一个共享的子量表结构。
当分析两组的反应时
PCA 产生的三个分量总共解释了 55.894% 的方差。
这
该分析的组件负载如表 5所示，
其中组件负载最强
表 4.按组划分的成分相关矩阵。
成分
1
2
3
−.369*
1
.259*
.221*
–
2
.374*
.258*
34
.160*
.018
笔记。
没有在线学习经验的参与者的值显示在对角线上方。
参与者的价值观
在线学习体验呈现在对角线下方。
*p < .05。
−.317*
4
.395*
.239*
−.240*
.145
Machine Translated by Google
187
美国远程教育杂志
表 5.所有参与者的主成分分析，
与 Kaiser 进行轮换
正常化。
成分
物品
1
2次
1 学习
3 技术
.598
.446
.733
.301
.333
.744
2
.578
.327
.585
3
.718
.254
.458
4
.333
.363
.642
5
.721
.229
.280
6
.496
.285
.757
7
.315
.802
8
.227
.763
9
.691
.170
10
.763
.402
11
.672
.362
.188
.446
.379
.422
.287
12
.419
.045
.604
13
.660
.414
.688
14
.762
.356
15
.324
.807
16
.727
.249
17
.641
−.005
18
.545
.685
.548
.387
.218
.486
.213
19
.362
.784
.351
20
.591
.135
21 22
.663
.392
.454
.518
每个项目均以粗体显示。
对于每个项目，
粗体组件是该项目所在的组件
分配的。
成分相关矩阵如表6所示。
该 PCA 产生的分量用于创建三个子量表。
物品
检查了每个组件上负载最重的部分并确定了共性。
第 1 部分被标记为在线环境中的学习；
这包括有关的项目
远距离通讯。
第 2 部分被标记为时间管理。
第 3 部分是
标记技术的使用。
许多物品在多个秤上负载过重（即，
第 1、
4、
7、
9、
11、
13、
14、
15、
18、
19、
21 和 22 项）。
在这些情况下，
项目被分配给
具有最高负载的组件。
子量表的信度和效度分析
Cronbach s alpha 被用作内部一致性的衡量标准。
对于学习上的十项
子量表中，
Cronbach 的 alpha 为 0.890 (N = 325)。
对于时间分量表上的五个项目，
Cronbach
α 为 0.855 (N = 328)。
并且，
对于技术子量表的七个项目，
Cronbach 的 alpha 为
.843（N = 331）。
对于所有三个分量表可靠性分析，
没有任何项目会被删除
增加子量表的 alpha 系数。
参与者这三个分量表之间的相关性
有或没有在线学习经历的情况如表7所示。
使用多变量方差分析（MANOVA）
来比较子量表分数
有或没有在线学习经验的个人。
总体多元方差分析在统计上
s
表 6.成分相关矩阵。
成分
1 学习
2次
3 技术 *p < .05。
1
2
.312*
.474*
.279*
3
Machine Translated by Google
188
齐默尔曼和 JM 库利科维奇
表 7.按在线学习经历划分的子量表相关矩阵
2
3
.452
.736
.523
1
1 学习
2次
.591
3 技术
.674
.535
笔记。
对角线以上的值是没有在线学习经验的参与者（N范围为
162 至 167）。
对角线以下的值是具有在线学习经验的参与者（N 范围
从 120 到 122）。
所有 p < .05。
表 8.所有参与者的相关矩阵。
2
1
4
3
5
6
7 89
1 OLSES 学习 (N = 338)
2 个 OLSES 时间 (N = 338)
.520*
3 OLSES 技术（N = 338）
.745* .550*
4 年龄 (N = 330)
.181* .203* .170*
5 完成在线课程 (N = 306)
.272* .175* .283* .415*
6 对技术技能的看法 (N = 337)
.570* .230* .426* .031
.172*
7 对在线教育的总体看法 (N = 337) .651* .435* .506* .270* 8 未来入学的可能性 (N = 337) .547* .428*
.450* .349* 9 平均绩点 ( N = 185) .024
.090
.039
.102
.363*
.335*
.062
.410*
.358* .738*
−.072
.035
.044
笔记。
成对 N 范围为 168 至 338。 OLSES = 在线学习自我效能感量表
*p < .01。
显着，
Wilke 的 Lambda = .904，
F(3, 274) = 9.747，
p < .001，
部分η2 = .096。
对于每个分量表，
有在线学习经验的人比没有在线学习经验的人有更高的自我效能感
在线学习体验。
最大的差异在于技术子量表，
F(1,
276) = 28.219，
p < .001，
部分η2 = .093，
后面是学习子量表，
F(1, 276) = 20.677，
p < .001，
部分η2 = .070；
最小的差异是时间子量表，
F(1, 276) = 8.379，
p = .004，
部分η2 = .030。
尽管所有这些差异在统计上均显着，
但效果
尺寸相对较弱。
通过使用相关性检验收敛和发散有效性的证据
技术。
这些相关性分析的结果如表8所示。
所有其他变量，
以及
除 GPA 外，
与三个 OLSES 分量表呈正相关且具有统计显着性
分数。
对于所有 OLSES 分量表，
与在线教育的普遍看法相关性最高。
对在线教育持更积极总体看法的参与者的自我效能感更高。
任何 OLSES 分量表与 GPA 之间均不存在统计显着相关性。
讨论
描述性统计（见表2 ）
表明，
平均自我效能感最低的任务
完成和未完成在线课程的参与者都是“完成一个小组项目”
完全在线。”
也就是说，
无论之前的在线学习经验如何，
参与者最少
对自己完成在线小组项目的能力充满信心。
这表明在线教师
需要小组项目的人应该给学生更多关于如何在小组中工作的指导。
在线环境。
学生们对“面对作业时专注于作业”
的评分也相对较低
干扰”
和“有效使用图书馆的在线资源”。
克服干扰工作可能会
在面对面和在线学习环境中都很难。
这个技能特别
在在线课程中很重要，
因为讲师不会定期出现在现场以保持
学生走上正轨。
此外，
这是所有在线课程都需要的技能；
因此可能是
这个问题应该在大学层面而不是课程层面解决。
使用
Machine Translated by Google
美国远程教育杂志
189
图书馆的在线资源可能因班级而异。
要求学生利用在线图书馆资源的教师应提供有关如何有效利用在线图书馆资源
的指导。
两组均值最高的任务是“在线查找课程大纲”。
平均而言，
无论之前的在线学习经历如何，
参与者对自己找到在线
课程大纲的能力最有信心。
这是面对面课程的学生可能经历过的任务，
因为驻场课程也使用相同的课程管理系统，
并
且许多教师在那里发布他们的课程大纲。
就有和没有在线学习经验的参与者之间的差异而言，
最大的影响大小是“不在与讲师同处一个房间的情况下学
习”
项目。
有在线学习经验的参与者对此项目的评分比没有在线学习经验的参与者高出 0.646 个标准差。
由于参与者是根据现
有因素分组的（即，
他们不是随机分配到某个条件），
因此无法得出因果结论。
完成在线课程可能可以提高学生完成
这项任务的信心。
或者，
对于这项任务已经有较高信心的学生可能更有可能选择参加在线课程。
描述性统计数据可以让我们深入了解学生对哪些任务缺乏信心。
在实践中，
评级较低的项目可能是培训和额外支
持的目标领域。
组间差异的效应大小也很有趣。
较大的效应值表明有或没有在线学习经历的学生之间存在更大的差异。
这些差异的原因可能会引起未来研究人员的兴趣，
他们可能会选择为潜在的在线学生制定干预措施，
以提高他们的自
我效能和相关技能。
以下各节根据两个主要研究问题阐述了本研究的结果。
(1) 对于有和没有在线学习的学生来说，
合适的分量表结构是什么
经验？
本研究的主要目的之一是确定是否可以使用单一子量表结构来描述有或没有在线学习经验的个体的在线学习自
我效能感。
有或没有在线学习经验的参与者的 PCA 产生了类似的结果。
三分量模型源自包含所有参与者的 PCA。
该 PCA 解决方案被选为最适合该大学目前就读课程的学生群体的子量表
结构。
之前在线学习环境中自我效能感的检验主要集中在技术上（例如，
DeTure 2004； Lim 2001； Miltiadou
和 Yu 2000； Puzziferro 2008； Simmering、
Posey 和 Piccoli 2009）， OLSES 由学习和时间管理子量表组成
除了技术分量表之外。
在本研究中，
所有参与者都是目前在一所大学至少注册了一门课程的个人，
无论是在线课程还是面对面课程。
这所
大学提供的大多数面对面课程都使用在线课程管理系统。
通过课程管理系统，
学生可以查看课程大纲、
检索课程材料、
提交作业、
查看成绩等任务。
即使没有完成在线课程的学生也可能在校内课程中接触过技术，
例如课程管理系统。
作为
专上学生，
参与者还拥有时间管理和学习技能方面的经验，
这些经验可以转移到在线学习环境中。
既然已经确定了三个
子量表结构，
未来的研究应该使用测量不变性技术（参见 Cheung 和 Rensvold 2002； Nimon 和 Reio 2011）
来
进一步测试这些子量表结构，
适用于有或没有正式高等教育经历以及在大学就读的个人。
其他高等教育机构。
(2) 有哪些证据可以证明分数的信度和效度？
Machine Translated by Google
190
齐默尔曼和 JM 库利科维奇
Cronbach s alpha 用于检查每个子量表分数的内部一致性。
可靠性系数范围为 0.843 至 0.890。
考虑到每个子量表的项目数量，
这些可靠性系数都被认为是足够的（参见
Trobia 2008）。
通过使用相关性来收集分数收敛和发散有效性的证据。
子量表与年龄的相关性具有统计学意义，
但较低，
与
GPA 的相关性不显着；
这为不同效度提供了证据，
因为这种自我效能预计不会与年龄或 GPA 密切相关。
子量表与
完成的在线课程数量的相关性具有统计显着性，
但低于预期；
这可能是由于未完成在线课程的参与者有与 OLSES
任务相关的经验。
参与者对其技术技能的看法与学习和技术分量表的相关性最强，
这也是收敛效度的证据。
所有分量表均与在线教育的总体看法以及未来注册在线课程的可能性呈中等相关。
在线学习自我效能感较高的
个体更有可能对在线教育抱有积极的看法，
并且更有可能在未来参加在线课程。
这一发现与 Moore 和 Kearsley
(2005)的说法一致。
尽管无法根据这项观察性研究得出因果结论，
但希望增加在线课程注册人数的机构可能有兴趣研究旨在提高在线
学习自我效能的干预措施对学生注册在线课程的决定的影响。
进行多元方差分析来比较具有和不具有在线学习经验的个人。
至少完成一门在线课程的个人在三个自我效能
分量表中的每一个都给出了更高的评分。
这些统计差异是意料之中的，
因为个人经历是自我效能感经常被引用的来
源（Schunk 2012）。
较小的效应大小可能表明这所大学的许多学生无论是否参加在线或面对面课程，
特别是在
时间和学习分量表方面，
都有 OLSES 任务的经验。
结论
与之前发布的在线学习自我效能感衡量标准相比，
OLSES 的独特之处在于它不仅仅关注技术使用。 OLSES 包含
三个分量表：
在线环境中的学习、
时间管理和技术使用。
这些子量表是在与在线学习领域的专家进行访谈后制定的，
并且使用一所多校区大学学生的数据进行 PCA。
这些项目是专门根据这所大学的有节奏的、
基于队列的在线课程
编写的。
其他大学的个人，
其在线课程或学生具有不同的特征，
可能会发现有必要调整 OLSES 以满足他们的需求。
将来，
OLSE 可能会用于识别学生认为自己的弱点的领域。
这些信息可用于为旨在提高学生在线学习自我效能的干预措施提供信息。
在线学习自我效能感很重要，
因为自我效
能感研究发现自我效能感会影响行为（Bandura 1982；
Schunk 2012； BJ Zimmerman 2000）。
在这种情况
下，
在线学习自我效能水平较高的学生可能更有可能报名在线课程并取得成功。
参考
Artino，
AR 2010。
在线学习还是面对面学习？
探索预测学生选择教学形式的个人因素。
互联网与高等教育 13 (4):272–76。 doi:10.1016/
j.iheduc.2010.07.005阿蒂诺、
AR 和 DB 麦考奇。 2008 年。
在线学习价值和自我效能量表的开发和初步验证。
教育计
算研究杂志 38 (3):279–303。 doi:10.2190/EC.38.3.c Bandura, A. 1977。
自我效能：
走向行为改变的统一理论。
心理学评论 84
(2):191–215。
号码：
10.1037/0033‑295X.84.2.191
Machine Translated by Google
美国远程教育杂志
191
–––。 1982.人类能动性中的自我效能机制。
美国心理学家 37 (2):122–47。 doi：
10.1037/0003‑
066X.37.2.122
–––。 1986。
思想和行动的社会基础。
新泽西州恩格尔伍德悬崖：
Prentice‑Hall。
–––。 2007年。
由于错误的实验而产生的自我效能感的错误概念引起了很多争议。
社会与临床心理学杂志 26 (6):641–58。 doi:10.1521/
jscp.2007.26.6.641 –––。 2012.重新审视感知自我效能的功能特性。
管理杂志 38
(1):9–44。
号码：
10.1177/0149206311410606
Brown, JD 2009。
在 PCA 和 EFA 中选择正确的轮换类型。 Shiken：
JALT 测试与评估 SIG
时事通讯 13 (3):20–25。 jalt.org/test/PDF/Brown31.pdf （2013 年 10 月访问）。
张，
GW 和 RB Rensvold。 2002.评估拟合优度指数以测试测量不变性。
结构方程模型：
多学科期刊 9 (2):233–55。 doi：
10.1207/S15328007SEM0902_5。
DeTure, M. 2004。
认知风格和自我效能：
预测学生在线远程教育的成功。
这
美国远程教育杂志 18 (1):21–38。 doi：
10.1207/s15389286ajde1801_3。
Dunteman, GH 1989。
主成分分析。
加利福尼亚州纽伯里公园：
SAGE。
荣格、
ME 和 LR 布劳利。 2011.面对不同的运动挑战坚持锻炼：
职业母亲自我效能理论的检验。
健康心理学杂志 16 (5):728–38。
号码：
10.1177/
1359105310388322
Ko，
S.和S.罗森。 2010 年。
在线教学：
实用指南，
第三版。
纽约州纽约：
劳特利奇。
Lent、
RW、
SD Brown 和 KC Larkin。 1984.自我效能期望与学业成绩的关系
坚持。
咨询心理学杂志 31 (3):356–62。
号码：
10.1037/0022‑0167.31.3.356
Lim, CK 2001。
计算机自我效能、
学术自我概念以及成人远程学习者满意度和未来参与的其他预测因素。
美国远程教育杂志 15 (2):41–51。
号码：
10.1080/
08923640109527083
Lyman, RD、
S. Prentice‑Dunn、
DR Wilson 和 SA Bonfilio。 1984.成功或失败对行为障碍儿童的自我效能和任务坚持的影响。
学校心
理学 21 (4):516–19。 doi:10.1002/(ISSN)
1520‑6807
Miltiadou，
M.，
CH Yu。 2000。
在线技术自我效能量表（OTSES）
的验证。
亚利桑那州坦佩。 http://www.creative‑wisdom.com/
pub/efficacy.pdf （2013 年 10 月访问）。
Moore、
MG 和 G. Kearsley。 2005 年。
远程教育：
系统观点，
第二版。
加利福尼亚州贝尔蒙特：
沃兹沃斯。
Nimon, K. 和 TG Reio。 2011.测量不变性：
定量理论构建的基本原则。
人力资源开发评论 10 (2):198–214。
号码：
10.1177/1534484311399731 Puzziferro, M. 2008。
在
线技术自我效能和自我调节学习作为大学在线课程最终成绩和满意度的预测因素。
美国远程教育杂志 22 (2):72–89。
号码：
10.1080/
08923640802039024
Roper, A. 2007。
学生如何培养在线学习技能。
教育事业季刊 30 (1):62。 https://www.educause。
教育/图书馆/eqm07110 （2013 年 10 月访问）。
Sainani, KL 2014。
主成分分析简介。 PM&R 6 (3):275–78。 doi：
10.1016/j。
下午2014.02.001
Schunk, DH 2012。
社会认知理论。
在 APA 教育心理学手册中，
编辑。 KR 哈里斯、
S. 格雷厄姆、
T.
Urdan、
CB McCormick、
GM Sinatra、
J. Sweller 和 J. Brophy，
101‑24。
华盛顿特区：
美国心理学会。
Senbanjo, R.、
K. Wolff、
EJ Marshall 和 J. Strang。 2009 年。
尽管接受美沙酮治疗，
海洛因的持续使用：
应对自我效能感较差预示着海
洛因的持续使用。
药物和酒精评论 28 (6):608–15。 doi：
10.1111/j.1465‑
3362.2009.00064.x
西莫林 (MJ)、
C. 波西 (C. Posey) 和 G. 皮科利 (G. Piccoli)。 2009。
计算机自我效能感和自主在线课程中的学习动机。
创新教育决策科学
杂志 7 (1):99–121。 doi:10.1111/dsji.2009.7.issue‑1 Spence、
DJ 和 EL 亚瑟。 2007年。
在传统和在线辅导学习环境中参
与数学课件：
与自我效能和成就的关系。
教育计算研究杂志 37 (3):267–88。 doi:10.2190/EC.37.3.c Trobia, A. 2008。
Cronbach α。
在
调查研究方法百科全书中，
编辑。 PJ 拉夫拉卡斯，
169–71。
加利福尼亚州纽伯里公园：
SAGE。
号码：
10.4135/9781412963947.n117
Zimmerman, BJ 2000。
自我效能：
学习的
基本动机。
当代教育心理学25（1）：
82‑91。 doi：
10.1006/ceps.1999.1016。
BJ 齐默尔曼和 J. Ringle。 1981.模型持久性和信心陈述对儿童自我效能和解决问题的影响。
教育心理学杂志 73 (4):485–93。
号码：
10.1037/0022‑0663.73.4.485华盛顿州齐默尔曼和 JM 库利科维奇。 2013.在线学习自我效能感量表的开发。
论
文于 10 月 24 日在康涅狄格州洛基山举行的东北教育研究协会年会上发表
2013年。