没有合适的资源?快使用搜索试试~ 我知道了~
国际贸易研究中心第13期(2018)30青少年的深度和表面学习方法,有问题的互联网使用和害怕错过(FoMO)之间的联系DoritAlt,Meyran Boniel-NissimKinneret College on the Sea of Galilee,Tzemach Junction,MP Jordan Valley 15132,以色列A R T I C L E I N F O保留字:学习害怕错过的深层和表层方法有问题的互联网使用社交网络偏最小二乘结构方程模型A B S T R A C T本研究采用偏最小二乘结构方程模型(PLS-SEM)探讨青少年深层学习方式、表层学习方式、错失恐惧(FoMO)和网络使用问题(PIU)之间的关系。分析证实了表面学习,FoMO和PIU之间的假设正相关。此外,FoMO结构代表了表面学习方法和PIU结构之间的互补中介。这项研究可能会导致一个合理的推论,根据这两个FoMO和表面学习共享一个共同的核心特征,降低水平的自我调节,可能会导致PIU。让学生获得和练习自我调节的技能可能有助于他们控制他们的FoMO水平,从而控制他们在学校或校外学习环境中的PIU。1. 介绍相对于一般人群,青少年学生是社交媒体工具的重度用户,并广泛使用它们进行休闲、与同龄人交流和学习(Lenhart等人,2015年a)。“网络一代”学生的典型特征是信息技术思维和高度发达的多任务处理技能(Carlisle等人,2016年)。先前的研究表明,在高中生中,互联网信息寻求和更高的学业成绩之间存在正相关(Chen等人,2014年)。然而,对于无法控制自己活动的学生来说,互联网的使用可能会成为问题(Wynessiberski和Tomczyk,2015)。最近,几项研究提高了人们对一种新现象的认识,这种现象被称为害怕错过(FoMO),与这种有问题的互联网使用有关,特别是与社交媒体过度使用有关(Alt,2015,2016,2017 a,2017 b)。FoMO的特点是希望与其他人正在做的事情保持持续的联系(Przybylski等人,2013年)。在这些研究中,发现FoMO与心理需求不足、学习动机不足、对大学生活适应不良有关,并与过度使用社交媒体平台进行与课堂学习无关的活动有关。随着越来越多的关注PIU之间的联系,通过技术支持的工具,学习成绩不佳,和FoMO,和最小的关注致力于了解青少年之间的这些联系,似乎值得测试PIU和FoMO如何与青少年的深层和表层学习方法相关。本研究 可以 提供新的见解 可能的联系FoMO、PIU和学习方法之间的关系,并能提高教育者对表征FoMO和表面学习的可能相似特征的认识,这可能有助于检测这两种现象及其对PIU的贡献。2. 文献综述2.1. 社交媒体工具由于在线连接的广泛选择(通过智能手机,平板电脑,电脑等),互联网已经成为青少年生活的中心,因为他们将其用于休闲(例如,听音乐、看电影、玩在线游戏)、交流(与朋友和家人)和学习(学校任务、一般知识;卡莱尔例如,2016; Wu和Chen,2015)。几项研究考察了互联网使用与学习成绩之间的关系,表明后者与高中生寻求互联网信息之间存在积极联系(Chen等人,2014年; Zhu等人,2011年)。美国皮尤研究中心(Lenhart et al.,2015年a)报告称,92%的13-17岁青少年每天上网,24%的人“几乎不间断”使用互联网,56%的人“每天连接几次”。此外,91%的青少年使用移动终端上网。根据以色列的一项研究(Sasson等人,2012年),91%的青少年报告使用社交网站,71%的人发送或接收即时消息。互联网的独特特征,使它具有吸引力,是可用性,可访问性,可扩展性和匿名性(格林菲尔德,通讯作者。电子邮件地址:doritalt@014.net.il(D. Alt)。https://doi.org/10.1016/j.invent.2018.05.002接收日期:2018年5月17日;接受日期:2018年Availableonline01June20182214-7829/©2018Authors.由ElsevierB.V. 这是一个不可操作的CC,它与CCBY-NC-NDLicense(http://creativecommons.org/licenses/BY-NC-ND/4。0/)。可在ScienceDirect上获得目录列表互联网干预杂志首页:www.elsevier.com/locate/invent国际贸易研究中心第13期(2018)30D. Alt,M. 博涅尔尼辛311999年)。此外,与他人交流的可能性导致强烈和强烈的在线承诺。最近的一项调查(Lenhart等人,2015年b)显示,80%的青少年承认他们使用短信作为与朋友联系的最常见方式。感觉到社会联系和被接受对青少年来说是有益的。然而,这些特征可以反过来促进有问题的互联网使用行为(van den Eijnden等人,2010; Young,1998)。青春期和网络空间的独特特征相结合,使青少年面临有问题的互联网使用的风险。发育-青春期的心理变化,包括青春期成熟、大脑持续发育、青少年对刺激的敏感性、与父母关系的变化以及社交同伴关系的扩大,所有这些都有助于成瘾行为早期发作的风险高峰期(Chung,2013)。然而,使用互联网并不一定意味着有问题的使用。它可能只对那些无法控制其在线活动的人有问题。成瘾者放弃日常活动,将时间投入到他们在互联网上发现的活动中(Wynessibski和Tomczyk,2015)。互联网使用问题(Problematic In-ternet Use,PIU)指的是“使用互联网给一个人的生活带来心理、社会、学校和/或工作上的困难“(Beardand Wolf,2001,p.378)。这意味着高水平的互联网使用可能会干扰日常生活和幸福感,降低学校表现,导致睡眠不足,并导致社交退缩和家庭问题(Flisher,2010; Siciliano等人, 2015年)。关于问题性网络成瘾的文献显示,网络成瘾与精神障碍的共病率很高,特别是抑郁症(包括抑郁症)、焦虑症(广泛性焦虑症、社交焦虑症)和注意缺陷多动障碍(ADHD)。有几个因素可以预测PIU,包括人格特征、养育和家庭因素、酒精使用和社交焦虑(Chen et al.,2016;Kim和Jeong,2015; Weinstein和Lejoyeu X,2010)。PIU在研究文献中有不同的名称:互联网成瘾,互联网过度使用,强迫性互联网使用,过度使用互联网,病理性互联网使用和互联网依赖。然而,网络成瘾症仍未被纳入《诊断和统计手册》。美国精神病学协会(American Psychiatric Association)将其作为DSM-5类别物质使用和成 瘾 性 疾 病 中 可能的非物质成瘾( AmericanPsychiatric Association[APA],2013)。此外,由于互联网可访问性和可用性的快速发展,这一现象仍在评估中,这迫使我们了解网络成瘾的准确定义。对与PIU研究的紧急领域相关的658篇文章进行了系统综述(Moreno等人,2011年),揭示了这一现象的评价是由方法论的不一致性阻碍。在本研究中,将使用的术语是PIU,因为它与青少年对数字世界成瘾的风险增加有关(Siciliano等人,2015年)。在其他相关因素中,如在线游戏(Qiaolei,2014; vanRooij等人,2014)和社交网络(Ryan等人,2014; van denEijnden等人,2016),以前的工作将网络成瘾水平与学习成绩递减联系起来(Qiaolei,2014)。患有PIU的青少年在互联网上花费了大量的时间,并且无法有效地管理他们的时间。正如预期的那样,对所涉青少年的后果是入学率低、忽视学业、成绩低和被开除(Chen和Tzeng,2010年; Huang和Leung,2009年)。此外,研究还表明,感觉与学校有联系的青少年不太可能发展PIU(Li et al.,2013年)。这些研究的结果与Akhter(2013)的研究结果一致,后者评估了大学本科生网络成瘾与学习成绩之间的关系。结果表明,网络成瘾与学业成绩呈负相关。Mishra等人(2014)还旨在从各种各样的大学生中获取数据,以确定网络成瘾的各种伪装,以及不受约束以平均成绩(GPA)作为衡量成败的最终标准。结果表明,网络成瘾程度与学业成绩呈负相关。同样,Türel和Toraman(2015)评估了中学生网络成瘾程度与其学业成绩之间的关系。他们的研究结果显示,网瘾与学生的学业成绩呈负相关。2.2. 害怕错过(FoMO)上述文献主要集中于定义和测量可能导致心理、社会、学校和/或工作困难的PIU(Beard和Wolf,2001年),从而干扰日常生活和福祉。然而,其他研究将注意力集中在PIU的几个前体上,例如神经质、宜人性、尽责性、攻击性和冲动性(Kim等人,2008; Samarein等人,2013年)。最近的一项检测PIU心理前兆的研究指出了一种称为FoMO的相对较新的心理现象(Przybylski等人, 2013年)。 FoMO被定义为一种焦虑,即一个人强迫性地担心他/她可能会错过社交互动的机会,有益的经验,有利可图的投资或其他令人满意的事件。FoMO将心理需求的缺陷与过度使用社交媒体联系起来的中介作用已经在几项研究中进行了评估。例如,Abel et al. (2016)将FoMO描述为一种强烈的冲动,即同时出现在两个或更多的地方,因为害怕错过一些东西会影响一个人的幸福感。在他们的研究中,FoMO通过不足,易怒,焦虑和自尊项目来衡量结果表明,在FoMO的测量水平上,Przybylski等人(2013)的研究结果表明,那些对能力(能力),自主性(有意义的选择)和相关性(与他人的联系)的基本心理需求满意度较低的人也报告了更高水平的FoMO和社交媒体的行为参与度。一些研究在高等教育学习环境中测试了这些联系。例如,Alt(2015)的研究说明了FoMO在解释使用社交媒体技术的课堂破坏性行为方面的强大中介作用。在这项研究中,低水平的基本需求满足可能与FoMO和社交媒体参与有关的假设进行了测试。路径分析结果证实了一个假设,即外向和积极的本科生更有可能使用课堂上提供的社交媒体工具进行休闲。然而,当这些联系由FoMO变量介导时,上述学术动机和社交媒体参与之间的直接关系被检测到。因此,这两个动机变量都与FoMO呈正相关,而FoMO又与课堂上社交媒体参与水平的提高有关。FoMO在解释讲座期间社交媒体使用的破坏性行为方面的强大中介作用也在最近的一项研究中得到验证(Alt,2016)。在这项研究中,有人提出,大学不适应,作为学生幸福感下降的标志,可能会导致一些人在课堂上过度使用社交媒体。路径分析结果表明,大学变量的不适应与社交媒体的使用有关,只有在它与FoMO有关的2.3. 深层和表层的学习互联网使用的增加及其在青少年生活中的中心地位,表明需要更多地了解这些复杂的在线环境对青少年学习方法的影响。这些方法指的是学生如何看待自己在特定学习情境中的学习,并专注于学生的深度或表面学习中如何将意图和过程结合起来(Biggs等人, 2001年)。Marton和Säljö(1976年)的开创性工作国际贸易研究中心第13期(2018)30D. Alt,M. 博涅尔尼辛32描述了学生阅读学术文章的方式的根本区别。他们在学习过程中发现了两个不同的处理水平:深层和表层。专注于抓住要点并记住它们的学生被定义为表面学习者;而深度学习者则对给定主题背后的含义感兴趣,并试图通过将其与其他知识联系起来来加深理解。Haggis(2003)描述并举例说明了表层和深度学习方法的特征。深度学习者将主题和想法与先前的知识和经验联系起来。这种能力也被认为是一种建构主义学习活动(Alt,2014),它指的是内容和技能应该在学习者先前知识的框架内理解。学习者利用他们的经验和知识来寻求对学习材料的更清晰的理解,与表面学习相反,表面学习被限定为死记硬背和记忆事实(Price,2014)。深度方法被认为是学习者可能用来处理在变化过程中以指数比例增长的知识的有效方式(Alt,2015,2016,2017 a,2017 b)。深度学习者也会批判性地思考新学到的材料,结合其他来源的信息,并旨在理解材料背后的含义。这些能力可能与自我调节学习有关,自我调节学习是指学生使用内部控制进行学习的能力,包括设定自己的目标,从现有知识中调解新的意义,以及形成对当前知识结构的认识(De Clercq et al., 2014年)。自我调节学习通常与元认知有关这个术语指的是学习者识别和选择适当策略的能力,注意并意识到理解和任务绩效,评估他们的学习过程和产品,以及重新审视和修改他们的学习目标(Haggis,2003)。除了认知调节之外,元认知的另一个组成部分是认知知识,其涉及学习者了解他们自己作为学习者的认知优势和局限性以及影响他们认知的因素的能力;他们对认知的意识和管理,包括关于策略的知识,以及关于为什么以及何时使用给定策略的知识(Schraw等人,2006; Whitebread等人,2009年)。深度学习者也会创造新的论点,根据新的信息理解逻辑,并识别给定内容的结构(Haggis,2003)。这些知识建构能力也与建构主义学习方法高度相关,建构主义学习方法将个人视为他/她的知识获取过程中的积极和负责任的代理人(Brooks和Brooks,1999)。这也可能表明,深度学习者有能力继续学习,以应对不断变化和日益复杂的环境,他们学习。学者(Hammerness等人,2005; Schwartz等人,2005)断言,作为一个适应性学习者不仅包括了解现有的最佳实践,而且还包括在需要时寻求新知识和实践的技能和意愿,并能够超越现有的常规,重新思考关键的想法,实践和价值观,以便改变甚至适应不断变化的环境。终身学习通常包括这种改变--放弃旧的习惯,改变以前的信念和做法。深度学习者的最后一个特征是他们的学习动机(Haggis,2003)。自我决定理论(SDT)(Deci和Ryan,1985,2008)定义了动机的内在和外在来源。内在动机是指内部因素,如从事一项任务时所经历的热情和快乐。而外在动机是指外在因素,如取得好成绩或通过考试。以前的研究(例如,Ryan和Connell,1989)将受控(外在)动机与失败情况下的表面处理和弱应对策略联系起来,而与深层学习方法相关的主动(内在)动机与使用更多的信息处理、学习时高度集中和更好的时间管理相关,并间接与更高的学业成就相关(Vansteenkiste等人, 2005年)。与深度学习者相比,表层学习者使用非反应性的学习方法,不详细说明事实,也不与内容或想法互动。他们的意图仅仅是复制被动接受的内容、思想和信息的一部分他们只专注于评估所需的内容,使用死记硬背,指定综合论证,将任务视为单调的苦差事,有学习的外在动机,并旨在主动背诵和背诵材料(Haggis,2003)。Entwistle(1998/2012)和Biggs(1993)进一步阐述了学习方法理论。Biggs等人(2001)提出了一个由深层和表层方法组成的双因素量表,适合教师在评估学生的学习方法时使用。 在过去的十年中,大量的实证研究已经指出了学生学习方法的几个与人和环境相关的相关因素(Gijbels等人,2014年)。例如,Platow et al. (2013)研究了学生的学科相关的自我概念可能在他们的深层和表层学习方法,他们的整体学习成果,并继续参与学科本身中发挥他们的研究为深度学习方法结构的有效性提供了证据,并为理论主张提供了证据,这些理论主张将深度学习方法与对自我概念的影响以及鼓励深度学习方法的教育价值联系起来,无论是短期的学习成绩还是持续的动机。同样,Cano(2007)研究了高中生学习与一些个人和家庭变量的相互关系的方法结果表明,家庭的智力气候和学生的深入学习方法之间存在着积极的联系。后者也与学生的学业成绩有关,这些学生获得更高的分数。2.4. 本研究尽管对FoMO的兴趣和写作越来越多,但在学习方法的背景下,对这种现象及其相关性的经验知之甚少。因此,本研究旨在揭示深度和表面学习方法、FoMO和PIU之间的可能联系。PLS-SEM技术将用于检验以下基于两个理论前提的假设:第一,受控(外在)动机和表面学习之间有据可查的关联(Ryan和Connell,1989);第二,FoMO在解释心理缺陷之间的联系方面的强大中介作用,由学习的a-动机和外在动机反映,以及过度使用社交媒体工具(Alt,2015)。与先前的研究一致,假设:H1。表面学习方法将与PIU和FoMO水平的增加相关。H2。深度学习方法将与PIU和FoMO水平降低相关。H3. FoMO将被检测为中介因子,将表面/深度学习与PIU联系起来。H4。为了进一步证实H3,进行了一项评估,以评估FoMO结构作为调节剂。因此,假设FoMO将直接增加表面学习和PIU变量之间关系的强度。 验证这一假设将使人们对先前研究中归因于FoMO的中介作用产生怀疑,而拒绝它可能会进一步证实H3以及过去的发现。3. 方法3.1. 参与者和程序数据收集于2016年(9月至12月国际贸易研究中心第13期(2018)30D. Alt,M. 博涅尔尼辛33来自216名研究助理,13至18岁的青少年(51%男性和49%女性),在以色列北部周边地区(西加利利)的两所综合公立中学和高中学习,表1R-SPQ-2F 问卷的因子负荷产品货号深度学习表面学习在七个中心城市中的两个在每个城市,除其他职业学校、阿拉伯学校和宗教学校外,还存在犹太教(世俗)融合学校,可被视为该地区犹太教世俗公立(融合)学校的代表。学校位于中产阶级地区。每个学校包括六个年级,从七年级到十二年级。在每个年级,平均有7个班,每个班包括大约22-36名学生。每个综合学校招收1000-1200名学生。在获得校长批准收集数据后,通过学校网站发送有关研究的一般信息和征求家长同意的请求从两所学校收到的许可证数量为320,然而,当研究助理到达学校时,只有229名学生同意参加并填写问卷。应当指出,分析中排除了13份不完整的问卷。鉴于参与者自愿参与研究,无法保证样本准确代表目标人群的能力。在获得参与者及其父母的同意前,问卷是不记名的,如果他们选择在不知情的情况下交回问卷,将不会受到压力。填充或不完整。最后,与会者得到保证,不会处理任何具体的识别信息。3.2. 仪表3.2.1. 害怕错过量表(FoMOs)基于对FoMO上流行和行业写作的评论,Przybylski et al.(2013)创建了一个10项量表,在5分制的Likert量表上得分,从1=完全不真实的我到5 =非常真实的我。该量表旨在反映人们可能与其扩展的社会环境中发生的事件,经历和对话有关的恐惧,担忧和焦虑。该量表测量了人们害怕错过有益体验、活动和话语方法的程度,例如,例如:3.2.2. 短期问题互联网使用测试(SPIUT)SPIUT问卷(Siciliano等人,2015年)由六个项目评估有问题的互联网使用。 在这项研究中,参与者被要求解决他们的社交网络使用。例如:“你是否发现你在线的时间比你预期的要长?SPIUT问卷通过评估个人前一个月的发生频率来反映这些措施,使用5分制Likert量表,从0=从不到4=非常频繁(α=0.80)。3.2.3. 学生过程问卷(R-SPQ-2F)R-SPQ-2F(Biggs等人,2001年),由20个项目组成。这些项目采用5分制的李克特量表进行评分,范围从1=几乎从不正确到5 =几乎总是正确。要求参与者说明他们的学习方法。表层学习法测量的是学生是否倾向于以最低限度的努力来达到学习的要求,例如,“我死记硬背,一遍又一遍地学习,直到我把它们记在心里,即使我不理解它们”。深入的学习方法表明学生对学习有内在的兴趣,例如,“我发现有时学习给我一种深刻的个人满足感”。对所有量表项目进行主成分分析,然后进行方差最大旋转,以特征值> 1.00作为确定因子数量的标准。分析得到两个因素,共占45.20%的方差。表1列出了每个因子的项目负荷(>0.40)和计算粗体项目是那些加载>.40。在 因 素 内 产 生 足 够 的可 靠 性 ( 变 量 相 关 性 之 间 r=-0.469 , p0.01<)。3.3. 数据分析本研究使用偏最小二乘结构方程建模(PLS-SEM; Hair等人,2017年)。在结构方程模型中,有两种主要的方法来估计关系。应用比较广泛的是基于协方差的结构方程模型(CB-SEM)和偏最小二乘模型。这两种方法之间的一个概念上的差异与每种方法处理模型中包含的潜变量的方式有关。CB-SEM认为这些结构是解释其指标之间协变的共同因素。在模型参数的估计中不需要这些因素的得分。与CB-SEM不同,PLS-SEM使用代理来表示感兴趣的结构,其反映结构的指标的加权复合。使用加权复合指标变量有利于占测量误差,从而使PLS-SEM优于多元回归使用总和分数。使用SmartPLS 3软件表2显示了研究结构和指标的描述性统计数据。遵循偏度和峰度的一般准则(建议如果数字大于+1或小于-1,则分布是偏斜的、不均匀的或峰值的,Hair等人, 2017年),可以了解到分布可以被认为是正态的。4. 结果为了评估H1,H2和H3,模型1(图1)。(1)已建成。该模型包括四个潜在结构,在模型中表示为循环:深度学习,表面学习,FoMO和PIU。指标是直接测量的接近变量,用矩形表示。结构之间以及结构之间的关系表2研究结构的描述性统计构建体是说SD偏度峰度FOMO2.8220.7230.3540.168PIU1.7610.8700.163-0.611表面学习2.7590.7280.298-0.143深度学习2.6290.8170.173-0.507每个因素的内部方差(克朗巴赫α),表明E60.744-0.132E130.734-0.255E140.718-0.116E90.700-0.078E100.694-0.013E50.669-0.111E170.632-0.117E20.6320.283E10.624-0.265E180.570-0.117E7-0.5380.470E12-0.2710.715E110.0630.613E20-0.0490.596E19-0.3800.595E16-0.3190.571E4-0.0230.570E80.2930.487E15-0.4090.484E3-0.4170.475%方差32.8312.38Cronbach的阿尔法0.870.81国际贸易研究中心第13期(2018)30D. Alt,M. 博涅尔尼辛34Fig. 1.模型1。通过PLS-SEM分析H1-并且它们的分配指示符被示为箭头。在PLS-SEM中,如结构之间所示的单头箭头被认为是预测关系,并且在强有力的理论支持下,可以被解释为因果关系。从深层和表层学习结构到FoMO,以及从FoMO到PIU的路径被指定,因此FoMO已作为中介进入模型。当第三个构造(即,FoMO)介于两个其他相关结构之间(即,PIU和表面学习)。学习方法和PIU这两个结构之间的进一步联系被具体化。对于每个量表,收敛效度评估基于指标的外部负荷(应> 0.40)。由于低载荷结果0.40,从模型中省略了四个项目<(Hair等人,2017),其中两个表面学习项,一个深度学习项和一个FoMO项。另一个度量是提取的平均方差(AVE)。AVE被定义为与结构相关的指标的平方负荷的总平均值AVE值为0.50或更高表明,平均而言,该结构解释了其相关指标的一半以上的方差(Hair等人,2017年)。从表4中可以看出,模型1的收敛效度已经建立,三个AVE值略低于0.50阈值,可靠性结果令人满意。接下来,结构模型的结果进行了检查,其次是FoMO的中介作用的评估。PLS-SEM分析使用路径加权方案和缺失值的平均值替换。模型评估包括首先进行共线性检查通过结构模型中所有预测变量构造集的方差补偿因子(VIF)值。结果显示,内源和外源构建体的所有组合的VIF值均低于阈值5(Hair等人,2017年)从1.079到1.053不等。因此,在此结构模型中,预测因子构造之间的共线性不是关键问题。第二,考察了测定系数(R2)值. 发现FoMO的R2相当弱(0.073),PIU的R2值相对较高(0.374),但也可以认为是弱的(Hair等人,2017年)。除了测量R2值外,当从模型中省略特定外源性构建体时,R2值的变化当0.02、0.15和0.35的值分别代表小、中和大效应时,该度量被称为f 2效应大小(Cohen,1988)。结果表明,FoMO对PIU的效应大小为0.347。表面学习结构在FoMO上具有相对较低的效应大小0.046,在PIU上具有中等效应大小0.098。深度学习结构在FoMO上具有非常低的效应大小,为0.001,在PIU上为0.006。最后,采用蒙眼法评估路径模型的预测相关性(Q2).大于0的值表明该模型对某种内源性构建体具有预测相关性(Hair等人,2017年)。FoMO结构的Q2值为0.027,而PIU的Q2值相对较高(0.165)。基于这些结果,H1和H2得到了部分证实,因为深度学习结构相关性的结果不显著。为了测试FoMO的中介作用,我们运行bootstrap例程。国际贸易研究中心第13期(2018)30D. Alt,M. 博涅尔尼辛35表3模型1及模型2的直接及间接影响的显著性分析。直接效应直接效应t值p值间接效应间接效应t值p值型号1FoMO -PIU0.484【0.390,0.567】10.5410.000表面学习-FoMO0.251[0.065,0.418]2.7250.007表面学习-PIU0.307【0.171,0.421】4.6730.000 0.121[0.029,0.203]2.6940.007深度学习-0.032[-0.250,0.200]0.2870.774深度学习-PIU0.077[-0.158,0.212]0.8510.395型号2FoMO -PIU0.483【0.399,0.569】11.1640.000表面学习-PIU0.274【0.186,0.380】5.5400.000表面学习模块FoMO -PIU0.059[-0.010,0.141]1.4960.135表4模型1的结果总结。潜变量收敛效度内部选区可靠性复合可靠性AveCronbach的阿尔法CR> 0.50> 0.60> 0.60FOMO0.4190.8230.864PIU0.5100.8040.859表面0.4350.8140.859学习深度学习0.4860.8700.893Bootstrapping不对变量分布或抽样分布的形状进行假设,并且可以应用于小样本大小(Hair等人,2017年)。表3显示了模型1的直接和间接效应 结果表明,直接和间接效应仅对表面学习- FoMO - PIU连接有意义,因为95%置信区间都不包含零。深度学习相关性的结果不显著(尽管检测到与FoMO相关的负趋势)。因此,可以得出结论,FoMO部分介导表面学习和PIU之间的关系。此外,部分中介的类型可以由直接效应和间接效应的乘积来确定。因为两者都是阳性,的签署的他们的产品是也积极 (即,0.307× 0.121= 0.037)。因此,我们可以得出结论,FoMO代表从表面学习到PIU的关系的免费调解。H3得到了部分确认。通过构建模型2(图2)来检验假设H4。在该模型中,研究了FoMO对表面学习和PIU之间联系的调节作用。当调节者改变模型中两个构造之间的关系的强度或方向时,发生调节效应。SmartPLS 3软件提供一个选项,可自动包含交互作用项。在该分析中,我们旨在通过使用两阶段方法来揭示调节效应的重要性(Chin等人,2003年)。为此,我们首先包含一个交互项(参见图2中的表面学习FoMO结构),然后继续进行自助分析。表3(模型2的结果)显示了直接效应和相互作用效应的分析结果。结果表明,表面学习和PIU之间以及FoMO和PIU之间的直接联系非常重要,因为95%的置信区间不包括零。然而,不显著的相互作用结果并不支持FoMO对表面学习和PIU之间的关系产生积极影响,因此H4被拒绝。5. 讨论本研究的主要目的是检测学习方法、FoMO和PIU之间可能的关系。PLS-SEM被用来发现研究因素之间可能的联系,关于表面学习和PIU之间的关系,FoMO的假定中介/调节作用。结果表明,FoMO和PIU之间存在正相关。这一发现似乎与其他研究一致(Alt,2015,2016; Przybylski等人,2013年),该研究还发现,社交媒体工具的使用增加可能是因为害怕错过互联网带来的社交互动机会。此外,这项研究还增加了早期的发现(Alt,2015),表明FoMO部分介导了表面学习和PIU之间的关系。结果代表了表面学习和PIU之间的关系FoMO的一个免费的调解在为假设大小的中介关系提供支持的同时,该结果还提供了一个线索,即另一种中介物可能被忽视,其间接路径与直接效应具有相同的方向(Hair等人,2017年)。另外的PLS-SEM分析未能建立FoMO构建体的调节作用。总之,分析表明,表面学习方法-PIU关系的强度是恒定的,不依赖于FoMO的水平;然而,FoMO作为中介可以部分解释两个变量之间的关系(Baron和Kenny,1986)。可以推断,表面学习方法可能与社交媒体的问题使用有关,因为它与FoMO有关,在某种程度上,或者,表面学习者的部分PIU可能由他们增加的FoMO来解释。值得一提的其他结果是深度学习与FoMO和PIU结构之间的非显著路径系数。因此,这些结构之间假定的负面联系尽管如此,深度学习-FoMO路径显示的负趋势可能表明,在样本量更大的情况下,假设的负链接可能成立。总之,这些结果加强了这样一种观念,即不良的学习方法可能与PIU的社会互动有关。虽然之前没有结合PIU测试过学习方法,但这些发现可能被之前的研究间接证实(Akhter,2013; Mishra等人,2014; Türel和Toraman,2015),显示了网络成瘾和学术表现之间的反比关系。然而,目前的研究结果阐述了以前的研究指出,FoMO作为一个合理的中介结构,可能部分解释为什么表面学习者倾向于使用社交媒体的问题。由于缺乏自我调节学习是表面学习方法的核心,因此可以推断,未能有效管理学习的学生也希望不断与其他人正在做的事情保持联系。与学习相关的自我调节包括对自己行为和环境的监控和管理。它包括自律,时间管理(Karabenick和Berger,2013 ;Karabenick和Dembo,2011; White和Bembenutty,2013)和任务管理(单任务与多任务)。通过FoMO,表面学习和PIU之间的重要间接联系可能会 导致一个合理的 推论国际贸易研究中心第13期(2018)30D. Alt,M. 博涅尔尼辛36图二.模型2。通过PLS-SEM分析H4根据该理论,FoMO和表面学习都具有一个共同的核心特征,即自我调节水平降低,这可能在一定程度上导致PIU。5.1. 其局限性及启示目前的工作有几个限制,值得一提,并为未来的研究开辟了道路。本研究在一个国家进行,仅限于位于两个主要城市的两所学校;因此,结果不一定适用于其他地区的学生。需要对结果进行跨文化验证,以证实这些发现。目前的研究一直集中在学生学习是发生在学生的概念。然而,人们已经认识到,学习方法不仅是学习者的特征,而且还取决于学习者与环境之间的关系,学生根据任务的要求调整学习方法(Evans,2014)。因此,学生的学习应该在一个“开放系统”的教学/学习环境中进行解释(Biggs,1993)。未来的研究应该考虑研究学习环境对学生学习方法的可能影响,以及它如何与FoMO和PIU交叉在这项研究中,参与者被要求报告他们使用社交媒体的一般趋势,未来的研究应该专门调查学生在课堂上使用社交媒体的行为,以及它们与FoMO和学习方法的关系为例如,手机被视为青少年生活和文化的一个组成部分,在课堂上或明或暗地使用。研究表明,学生经常在上课时间使用手机,尽管规则禁止这样做(Tindell和Bohlander,2012)。该装置被认为是可接受的学习系统(Lin等人, 2016年),似乎能够有助于学生学习和提高学业成绩(布尔和麦考密克,2012年;陶和叶,2013年),但是,通常用于休闲,而不是教育(Lepp等人,2015 a; Lepp等人,2013; Lepp等人, 2015b),并可能破坏学术环境中的学习(Levine等人,2007年)。因此,评估与高频率使用手机相关的潜在学术风险可能是值得的关于研究经验模型,当研究人员可能想要预测目标结构时,实际上建议使用PLS-SEM,并且在强有力的理论支持下,结构之间的路径可以被解释为因果关系(Hair等人,2017年)。然而,本研究中数据的横截面性质以及样本量相当小,可以防止因果关系的不确定性。事实上,模型中的许多关系可能是相互的。例如,虽然分析表明,表面的学习方法可能会增加PIU,但过度和有问题的社交媒体参与可能会扰乱学生的学习过程,这同样是合理的。5.2. 结论和启示本研究将学生的FoMO与他们的国际贸易研究中心第13期(2018)30D. Alt,M. 博涅尔尼辛37在某种程度上,他们无法自我调节自己的学习。自我调节包括通过使用诸如信息寻求、自我评价、监控和目标设定等策略来引导学习过程(deClercq等人,2014年)。由于FoMO和表面学习可能有一个共同的核心特征,即自我调节水平下降,因此在学习过程中解决后者似乎是值得的,并接受教师被视为学习促进者的学习环境,指导和支持学习者。在这些过程中,学生有机会积极参与自我调节的学习。让学生获得和练习自我调节的技能可能需要促进类似的技能,可以帮助他们控制他们的FoMO水平,从而控制他们的PIU行为。在未来的研究中解决自我调节问题并测量其对本研究中所述的实证模型结构的影响似乎也很重要。将该变量添加到本研究的互补中介模型中,可以进一步了解其在将表面学习与PIU联系起来中可能的中介作用。本研究阐述了以前的工作,表明FoMO可能发挥中介作用,将不良的学习方法与社交媒体工具的使用问题联系起来。然而,本研究所提出的研究模型是首次进行测试,测定结果的相关系数相对较低,这意味着结果不一定可以推广。需要更大的样本研究和在经验模型中纳入额外的结构来证实建议的发现。利益冲突一个也没有。附录A害怕错过量表(FoMOs)1. 我担心别人比我有更有益的经历2. 我担心我的朋友们比我有更多有益的经历。3. 当我发现我的朋友们在没有我的情况下玩得很开心时,我很担心4. 当我不知道我的朋友们在干什么时,我会感到焦虑5. 重要的是,我理解我的朋友“在笑话。”6. 有时候,我想知道我是否花了太多的时间来跟上正在发生的事情。7. 当我错过与朋友见面的机会时,我很烦恼。8. 当我玩得开心时,在线分享详细信息(例如更新状态)对我来说很重要。9. 当我错过了一个计划好的聚会时,这让我很烦恼。10. 当我去度假时,我继续密切关注我的朋友们在做什么。短期问题互联网使用测试(SPIUT)1. 你是否发现你在网上停留的时间比你预期的要长?2. 你有没有因为花更多的时间在网上而忽略了家庭作业3. 你有没有被你的父母或朋友斥责过你花了多少时间在网上?4. 你是否因为深夜登录而失眠5. 当你上网的时候,你会感到紧张吗?当你重新上网的时候,你会感到轻松吗6. 你有没有选择花更多的时间在网上,而不是和你的朋友出去?学生过程问卷(R-SPQ-2F)1. 我发现,有时学习给我一种深深的个人满足感。2. 我发现我必须在一个话题上做足够的工作,这样我才能形成我的在我满意之前,我自己的结论。3. 我的目标是在尽可能少做作业的情况下通过这门课程。4. 我只认真学习课堂上或课程大纲上的内容。5. 我觉得,几乎任何话题,一旦我进入它可以非常有趣。6. 我发现大多数新话题都很有趣,经常花额外的时间试图获得更多关于它们的信息。7. 我不觉得我的课程很有趣,所以我把我的工作保持在最低限度。8. 我死记硬背一些东西,一遍又
下载后可阅读完整内容,剩余1页未读,立即下载
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![7z](https://img-home.csdnimg.cn/images/20210720083312.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![7z](https://img-home.csdnimg.cn/images/20210720083312.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
我的内容管理 收起
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
会员权益专享
最新资源
- 利用迪杰斯特拉算法的全国交通咨询系统设计与实现
- 全国交通咨询系统C++实现源码解析
- DFT与FFT应用:信号频谱分析实验
- MATLAB图论算法实现:最小费用最大流
- MATLAB常用命令完全指南
- 共创智慧灯杆数据运营公司——抢占5G市场
- 中山农情统计分析系统项目实施与管理策略
- XX省中小学智慧校园建设实施方案
- 中山农情统计分析系统项目实施方案
- MATLAB函数详解:从Text到Size的实用指南
- 考虑速度与加速度限制的工业机器人轨迹规划与实时补偿算法
- Matlab进行统计回归分析:从单因素到双因素方差分析
- 智慧灯杆数据运营公司策划书:抢占5G市场,打造智慧城市新载体
- Photoshop基础与色彩知识:信息时代的PS认证考试全攻略
- Photoshop技能测试:核心概念与操作
- Photoshop试题与答案详解
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)