调查问卷的设计与开发_大学课堂学习环境

调查问卷的设计与开发_大学课堂学习环境

第3章　研究设计与方法

3．1　概述

本研究要探讨的核心问题是大学课堂学习环境、大学教师的教学观和教学方式与大学生的学习方式、学习质量之间的关系。本研究试图通过定量地分析上述几个方面要素之间的关系，建立大学课堂学习环境影响大学生学习方式与学习质量的关系模型。在此基础上，构建基于学生视角的、以学生的学习以及认知与情感发展为中心的、系统化地提高大学教与学质量的保障机制与方法。

为了达到上述研究目的，本研究将焦点放在大学课堂学习环境及其对大学生学习与发展的影响上。为此，首先需要开发一些测量工具，对大学生感知的课堂学习环境、大学教师的教学观与教学方式、大学生学习方式以及大学生认知与情感发展状态进行测量。在以往的一些研究及本研究中，我们自主开发了一些测量工具，如“大学生学习风格量表”、“大学数学课堂学习环境问卷”等，同时结合中国大学生的特点以及本研究的需要，在对已有的一些问卷进行修订、扩展的基础上形成了一些测量工具，如“教师教学观问卷”、“大学生数学学习情感发展量表”等。本研究将应用这些测量工具对大学生感知的课堂学习环境等方面进行测量、评价。

在确定了相应的研究工具之后，本研究利用这些测量工具和问卷进行了问卷调查，收集了研究所需要的研究数据。本研究收集的调查数据主要有两个：一个调查数据是我们在2004年7月对西安交通大学504名2003级大学生进行相应的问卷调查收集的；一个调查数据是我们在2008年4～5月对全国15所高校100多个班级的3435位学习了高等数学课程的大一学生进行问卷调查收集的。(www.guayunfan.com)

对有关调查数据的分析主要采用描述统计、探索性因素分析和验证性因素分析、相关分析、回归分析等多种不同方法。在下面有关章节中，我们将分别对上述调查内容及分析方法作较为详细的说明。

3．2　教师教学观与学生学习风格关系调查

3．2．1　调查对象

在本次调查中，我们以西安交通大学10个学院（部）2003级的504名学生作为被试。他们分属于文、理、工等不同的学科，其中男生380名，占总调查人数的75．4%，女生124名，占总调查人数的24．6%。调查学生的分布情况见表3．1。

表3．1　调查样本的分布

该调查在西安交通大学2003级学生入学后的第二个学期末，即2004年7月初进行。问卷包含学生的基本信息，如所在院系、专业、班级、学号等，同时，要求他们根据对自己的学习风格以及对高等数学教师教学观的感知来回答问卷。调查以班级为单位，由各班班长领取其所在班级的调查问卷，然后由他们发给班上的每个学生。同时要求各班班长在一周内统一收回学生已填答的调查问卷，交回到研究者手中。全部问卷回收之后，运用SPSS对整个调查数据进行有关统计分析。

3．2．2　调查问卷设计

调查采用“大学生学习风格与教师教学观调查问卷”。该调查问卷分为两部分：第一部分为大学生学习风格调查，采用的测量工具是我们自己编制的“大学生学习风格量表”[1]，主要涉及大学生的学习观、学习动机、加工策略和管理策略四个方面的内容，共112道题目；第二部分为教师教学观与教学方式调查，采用的测量工具是“教师教学观量表”，该量表主要以Kember编制的“教学观量表”为基础，同时参考其他学者编制的有关量表或调查问卷中的某些项目编制而成，涉及关心激励、问题解决、学科知识、传递知识、多媒体等五个方面的内容，共50道题目。其中每个题目采用Likert式方法编写，学生的选择由“非常同意”到“非常不同意”共分为五个等级，学生根据自己的情况和对教师教学观、教学方式的感知来选择对某个题目所陈述的内容的同意程度。由于我们自主开发的“大学生学习风格量表”的结构与信度分析结果在前面已经作过介绍，下面主要介绍一下“教师教学观量表”的效度、信度分析结果。

3．2．3　“教师教学观量表”的效度和信度分析

“教师教学观量表”的结构分析

在上述调查的基础上，为了建构一个比较科学、合理的“教师教学观量表”，我们依据下列标准和程序对“教师教学观量表”中的题目进行了筛选：首先，对测量题目进行主成分因素分析，如果一个题目在所有因素上的负荷都比较小（小于0．400），或者在两个或两个以上因素上的负荷虽然比较大但非常接近，则删去这个题目；其次，在进行主成分因素分析时，如果归属于一个因素的题目数少于或等于2个，将删除这个因素所包括的有关题目；第三，如果一个题目与其所属子量表的总体相关程度较低，删去这个题目后可以使子量表的内部一致性增加（α系数提高），则删去这个题目；另外，虽然子量表的信度较高，但包括了太多的题目，将根据题目与该子量表的总体相关程度，删除一些相关程度相对较低的题目。表3．2列出了进行主成份因素分析并进行正交旋转的结果。

表3．2　“教师教学观量表”的因素分析结果（因素负荷小于0．40者省略）

续表3．2

从表3．2可知，教师的教学观可以分为五个维度：

因素一：关心激励。这个维度主要反映的是教师的教学应该激起学生对学习的一种内在兴趣，使学生对所学的知识产生热情和激情，教师应该关怀学生，关注他们的问题，并了解他们对学习的需求等等。

因素二：学科知识。这个维度主要反映了一名大学教师拥有丰富的学科知识是十分重要的，他们应该对自己的学科领域有较为深入的研究。

因素三：问题解决。这个维度主要反映了教师的教学要帮助或者训练学生具备批判性思考和分析问题的能力，使学生能够把所学到的知识同社会联系起来，并具备在离开学校以后有继续学习的能力。

因素四：多媒体。这个维度主要反映了教师能否运用多媒体技术帮助他们更好地组织教学活动，呈现教学内容。

因素五：传授知识。这个维度主要反映了教师的教学任务就是根据大纲的规定，将学科知识传授给学生，教学过程就像把信息从一个容器传递到另一个容器。

“教师教学观量表”的信度分析

表3．3列出了对“教师教学观量表”各子量表内部一致性进行分析的结果。从中可见，“教师教学观量表”各子量表的α系数介于0．60～0．90之间，表明该量表的信度是可以接受的。

表3．3　“教师教学观量表”的信度分析

教师教学观的类型

在上述分析的基础上，我们对教师教学观的五个因素进行了二阶主成分因素分析，表3．4列出了以特征值大于1为选择二阶因素标准，进行主成份因素分析并进行正交旋转的结果。这一结果表明，教师的教学观可以分成两种类型。

表3．4　以特征值大于1为选择因素标准并进行方差最大旋转

对“教师教学观量表”进行二阶主成分因素分析的结果

维度　　因素一：促进学习　　因素二：信息传递

关心激励0．89

问题解决0．86

学科知识0．82

多媒体0．77

传递知识0．76

特征值2．37　　1．20

解释的方差（%） 47．46　　23．95

累计解释的方差（%）

47．46　　71．41

从表3．4可以看到，在因素一上，问题解决、关心激励以及学科知识三个因素的负荷比较高。根据这些特征，可以将其命名为“促进学习”的教学观。在这种教学观下，教师认为教学的重心是学生，教师认识到了学生不同的学习需求，教师的主要角色就是帮助学生学习并使其发展成为独立的学习者。教师应该帮助学生树立科学的学习态度与方法，使学生在学习不同的课程时可以自主调节；教师还应该帮助学生对自己的学习负责。他们认为激发学生的动机是教师角色内在的一部分，鼓励学生发现并建构知识。在因素二上，多媒体、传递知识二个因素的负荷比较高。根据这些特征，可以将其命名为“信息传递”的教学观。具有这种教学观的教师将教学单纯地视为知识的呈现及传授，把学生作为一个被动的接收者，教师的动机是外部的，他们只是向学生提供信息、例子等大纲所规定的内容，而并不注意学生是否对其真正理解了。

3．3　课堂学习环境与学生发展关系调查

3．3．1　调查样本

本次调查的对象是全国15所高校100多个班级的3435位学习了高等数学课程的大一学生，调查主要以班级为单位进行。之所以选择大一学生作为研究对象，主要是因为高等数学是全国绝大多数高校中大多数专业学生的必修课程，并且基本上都会在大学一年级时开设。

调查在2008年4～5月份进行。此时，2007～2008学年第一学期的高等数学课程已经结束，并且考试成绩已经登录完毕。在本次调查中，共回收问卷3013份，回收率为88．7%。表3．5列出了调查对象的基本情况。

表3．5　调查对象的基本情况

＊不包括被同时列入“985工程”建设的“211工程”建设高校

3．3．2　调查问卷的设计与开发

为了收集研究所用的数据，本研究设计了用于调查的问卷。问卷共分如下几个部分：一是有关学生个体及家庭社会经济背景方面的内容；二是大学生对高等数学课程学习环境的感知状态，本研究采用自主设计的“大学数学课堂学习环境问卷”进行调查；三是大学生学习高等数学时的情感发展状态，本研究采用“大学生数学学习情感发展量表”进行调查，该量表改编自“数学学习经验量表”（Experiences　of　Studying　Mathematics　Inventory，ESMI）[2]；四是大学生采用的学习方式，本研究采用Biggs等人设计的“学习过程问卷”（Revised　Version　of　the　Learning　Process Questionnaire）[3]进行调查；五是大学生课程学习经验问卷。在大学课堂学习环境调查中，我们主要是针对高等数学课堂学习环境展开的，为了对学生在大学学习的经验有更全面的了解，我们采用了Wilson等人修订的包括36个题目的CEQ对大学生的课程学习经验进行了调查[4]。下面具体介绍一下有关调查工具的设计与开发情况。

“大学数学课堂学习环境问卷”的设计与开发

1．问卷的编制与筛选程序

确定大学数学课堂学习环境的构成维度是编制“大学数学课堂学习环境问卷”的前提。本研究在分析已有课堂学习环境测量工具的基础上，设计了“大学数学课堂学习环境问卷”。具体地讲，本研究主要采用以下步骤进行“大学数学课堂学习环境问卷”的设计与开发：

第一步，由于对课堂学习环境研究和观察的角度不同，各位研究者设计和开发的各种测量工具所包括的维度和具体因素不尽相同。为了使“大学数学课堂学习环境问卷”能够包括对学生的认知与情感发展具有重要影响的因素，我们首先进行了文献研究。并在此基础上，了解、分析对大学生认知与情感发展具有重要影响的课堂学习环境因素。

第二步，参考Moos提出的社会环境结构模型的三个方面———关系方面、个人发展方面和环境的维持与变革，同时结合大学数学课堂学习环境的特点，以及对“学习环境调查问卷”、“工业课堂学习环境调查问卷”（Industrial　Classroom　Learning　Environment　Inventory）、“个性化课堂环境调查问卷”、“我的班级调查问卷”、“大学课堂环境调查问卷”等工具结构的分析，归纳、确定了“大学数学课堂学习环境问卷”所应包含的维度与结构。在综合分析的基础上，初步确定从大学数学课堂中的师生关系、学生学习数学的兴趣与满意感、大学数学学习的难度、在大学数学学习过程中同学之间的互助合作状况、竞争状况、大学数学教与学过程中的创新性、学生的选择权、课堂纪律、学生对班级的控制、同学之间的关系等不同维度，设计了“大学数学课堂学习环境问卷”。

第三步，围绕确定的“大学数学课堂学习环境问卷”有关维度，编写各个维度所包含的具体项目。最终设计的“大学数学课堂学习环境问卷”共包括107个题目。每个题目均是对大学数学课堂学习环境的特点进行描述的判断句，学生根据自己对大学数学课堂学习环境的真实感知，回答对这些判断句的赞同程度，对大学数学课堂学习环境进行评价。学生的赞同程度是按Likert式量表编制的，共分为四个等级：1＝非常不同意；2＝不同意；3＝同意；4＝非常同意。

在应用该问卷对大学生进行调查后，采用与建构“教师教学观量表”相同的程序，对问卷的题目进行了筛选。最终确定了包括11个维度共60个题目的“大学数学课堂学习环境问卷”。下面，我们将讨论对该问卷进行效度、信度分析的结果。

2．“大学数学课堂学习环境问卷”的效度与信度分析

为了检验自主开发的“大学数学课堂学习环境问卷”的效度，我们首先应用探索性因素分析方法对该问卷进行了结构效度分析。在进行因素分析时，采用主成份分析方法抽取因子，并进行最大正交旋转。表3．6列出了因素分析的结果。

表3．6　“大学数学课堂学习环境问卷”因素分析结果

续表3．6

续表3．6

注：（1）因素负荷小于0．400的省略；（2）题号是指问卷中的问题号。

因素分析的结果表明，大学数学课堂学习环境可以用11个因素加以测量：因素一包含的题目主要涉及大学数学课堂中的师生关系，因此我们称之为“师生关系”因素；因素二包含的题目主要涉及大学生对大学数学课程的兴趣与满意感，因此我们称之为“兴趣与满意感”因素；因素三包含的题目主要涉及大学数学课程的学习负担与难度，因此我们称之为“难度”因素；因素四包含的题目主要涉及同学之间的互助与合作情况，因此我们称之为“互助合作”因素；因素五包含的题目主要涉及同学之间的竞争情况，因此我们称之为“竞争”因素；因素六包含的题目主要涉及大学数学课程教与学的方式方法创新情况，因此我们称之为“创新”因素；因素七包含的题目主要涉及大学数学学习过程中学生的选择权情况，因此我们称之为“选择权”因素；因素八包含的题目主要涉及学生在学习大学数学时的纪律与秩序情况，因此我们称之为“秩序”因素；因素九包含的题目主要涉及小部分学生对班级的控制情况，因此我们称之为“少数人控制”因素；因素十包含的题目主要反映同学之间缺乏了解的情况，因此我们称之为“缺乏了解”因素；因素十一包含的题目主要反映同学之间出现矛盾的情况，因此我们称之为“矛盾”因素。

在探索性因素分析的基础上，为了进一步检验“大学数学课堂学习环境问卷”的结构效度，我们应用AMOS7．0对数据作了验证性因素分析（n＝2529）。图3．1列出了应用AMOS程序对“大学数学课堂学习环境问卷”进行二阶因素分析的结果（标准化参数估计值）。

为了考察模型的拟合程度，我们根据侯泰杰等人的研究和推荐，选择的拟合优度指标有χ2、GFI（拟合优度指数：goodness　of fit　indexes）、RMSEA（近似误差均方根：root　mean　square　error of　approximation）、NNFI（非范拟合指数：Non－normed　fit　in－dex）、CFI（比较拟合指数：comparative　fit　index）等指标[5]。

在上述指标中，卡方检验最好不要达到显著度为好，但是卡方值受样本数量的影响很大，样本量大时，很容易达到显著。GFI在早期的研究中使用较多，但受样本数量的影响。RMSEA也会受到样本数量的影响，但影响较小，对参数过少的误设模型不大敏感，是比较理想的指数。RMSEA值越小越好。Steiger认为，RMSEA低于0．1表示较好的拟合，低于0．05表示非常好的拟合，低于0．01表示非常出色的拟合，这种情形在实际研究中基本上很难遇到②。NNFI即TLI，数值越大表明拟合越好，但这一指标也会因样本数量的变化而变化。CFI是一个具有许多优点的拟合指数，受样本数量的影响较小。

对图3．1所示的大学数学课堂学习环境模型进行检验，模型的拟合优度指数为：χ2＝8597．860（df＝1699，P＜0．001，由于本研究的样本量很大［n＝2529］，在这种情况下很容易达到显著水平），GFI＝0．882，RMSEA＝0．040，NNFI＝0．847，CFI＝0．853。从这些拟合优度指数值可以看出，该模型的拟合度是较高的。

为了进一步检验上述因素分析确定的“大学数学课堂学习环境问卷”各因子中测量项目的内部一致性，我们进行了信度分析。表3．7列出了对该问卷各子量表进行信度分析以及相关分析的结果。结果表明，“大学数学课堂学习环境问卷”11个维度的信度系数介于0．596～0．871之间，表明该问卷的内部一致性较好。该问卷各子量表的信度系数也远大于各子量表之间的相关系数，这也符合设计量表的典型的最低要求。

2004．

②Steiger，J．H．Structure　Model　Evaluation　and　Modification：An　Interval　Estimation Approach［J］．Multivariate　Behavioral　Research，1990，25：173－180．

图3．1　对“大学数学课堂学习环境问卷”进行二阶因素分析的结果

从上述效度、信度分析的结果可以看到，“大学数学课堂学习环境问卷”的结构合理，问卷各因素的信度较好，因而可以作为大学数学课堂学习环境的一个有效测量工具。

“课程学习经验问卷”的效度与信度分析

如前所述，为了调查大学生在大学学习期间整体的课程学习经验，我们在本研究中采用了Wilson等人修订的包括36个题目的“课程学习经验问卷”。为了建构一个比较科学、合理的“课程学习经验问卷”，我们应用前述分析“教师教学观量表”等工具的筛选程序对其题目进行了筛选。表3．8列出了对最后保留下来的题目进行主成份因素分析并进行正交旋转的结果。

表3．8　“课程学习经验问卷”的因素分析结果（因素负荷小于0．40者省略）

续表3．8

注：题号前加“rev”者表示该题赋分时采用反向赋分方法。

从这一结果可以看到，应用对中国大学生的调查数据进行的分析表明，中国大学生感知的课程学习经验的结构与澳大利亚的大学生感知的课程学习经验的结构略有差异。“课程学习经验问卷”中原36个题目经过筛选程序保留下来了27个题目，这27个题目可以分成五个因素。借用“课程学习经验问卷”对有关维度的命名，因素一至因素五可以分别命名为“基本技能”、“良好教学”、“适当的评价”、“清晰的目标”、“适当的负担”。原问卷中的“强调独立性”维度在对中国学生的调查数据进行分析时没有出现。

表3．9列出了对“课程学习经验问卷”各维度进行信度及相关分析的结果。从中可见，基本技能与良好教学，适当的评价与清晰的目标、适当的负担等维度之间的相关性较高，清晰的目标维度的信度还低于其中一些维度之间的相关系数，这可能表明“课程学习经验问卷”还有待进一步优化。

表3．9　“课程学习经验问卷”各维度的信度及相关分析

aP＜0．001．

为了对“课程学习经验问卷”的结构效度进行分析，我们对“课堂学习经验问卷”进行了一阶和二阶结构模型分析。图3．2列出了对“课程学习经验问卷”进行一阶结构模型分析的结果（标准化参数估计值）。该模型的拟合优度指数为：χ2＝1596．772（df＝314，P＜0．001），RMSEA＝0．039，GFI＝0．956，NNFI＝0．882，CFI＝0．895，表明一阶结构模型的拟合优度很好。

图3．2　“课程学习经验问卷”的一阶因素分析（n＝2724）

图3．3　“课程学习经验问卷”的二阶因素分析（n＝2711）

图3．3列出了对“课程学习经验问卷”进行二阶结构模型分析的结果（标准化参数估计值）。该模型的拟合优度指数为：χ2＝ 2374．287（df＝319，P＜0．001），RMSEA＝0．049，GFI＝0．938，NNFI＝0．815，CFI＝0．831，表明二阶结构模型的拟合优度也很好。因此，“课程学习经验问卷”可作为一个有效的评价工具使用。“修订的学习过程调查问卷”的效度与信度分析

由于此次调查中涉及的题目较多，因此在调查大学生的学习方式时我们没有采用自编的包括112个题目的“大学生学习风格量表”，而是采用了由Biggs等人设计、修订的包含22个题目的“修订的学习过程调查问卷”（Revised　Learning　Process　Questionnaire［R－LPQ－2F］）[6]。Biggs在观察学生学习时发现，学生通常会选择与自己的学习动机相一致的学习策略。这表明学习动机与学习策略是一个整体。因此，他把某类学习动机与策略的组合称之为学习方式。“修订的学习过程调查问卷”将学生的学习方式分为深层方式与表层方式两类，其中表层方式由表层动机和表层策略构成，深层方式由深层动机和深层策略构成（表3．10）。

为了检验这一问卷的因素结构，我们采用验证性因素分析方法中的结构方程模型对“修订的学习过程调查问卷”进行了分析。

1．深层方式和表层方式两个因素的分析

我们首先检验的是包含深层方式和表层方式两个因素或潜伏变量的简单模型。每个潜伏变量包括11个测量指标。这一模型把深层方式和表层方式所包含的所有题目都直接作为其指标，而不考虑这些指标之间的层次关系，代表了一种以简单方式使用“修订的学习过程调查问卷”的方法。

该模型的标准化参数估计结果见图3．4。所有题目都有显著而可以估计的标准化系数表明，所有题目对其所属的学习方式子量表都具有显著而有价值的贡献。

对图3．4所示的模型进行的检验结果表明，模型的拟合优度指数为：χ2＝3845．444（df＝208，P＜0．001，由于本研究的样本量很大［n＝2801］，在这种情况下很容易达到显著水平），RMSEA ＝0．079，GFI＝0．872，NNFI＝0．698，CFI＝0．728。从这些拟合

表3．10　“修订的学习过程调查问卷”的结构

续表3．10

优度指数值可以看出，虽然GFI、NNFI和CFI的数值没有达到预期的较高水平，但RMSEA的数值小于0．10，表明模型的拟合优度较好。这表明，以简单的二因素模型来使用“修订的学习过程调查问卷”，对学生学习方式的测量仍具有较好的心理测量学特征。但把该模型与如下有关模型进行比较可知，将学习方式的各个构成要素解释成为一个多层次的结构则更为理想。

图3．4　对“修订的学习过程调查问卷”进行二因素模型检验的结果（n＝2801）

2．对深层方式维度与表层学习方式维度的分析

图3．5列出了对深层方式子量表的维度进行分析的标准化参数估计结果。对深层方式，假设的模型认为11个测量指标构成四个潜伏变量，即内在兴趣、学习承诺、关联和理解。与预期相一致，四个潜伏变量之间存在高度的相关性。

对图3．5所示模型进行的检验结果表明，模型的拟合优度指数为：χ2＝573．138（df＝38，P＜0．001），RMSEA＝0．071，GFI＝0．963，NNFI＝0．896，CFI＝0．928。从这些拟合优度指数值可以看出，把深层方式分为四个维度的模型的拟合优度很好。

图3．6列出了对表层方式子量表的维度进行分析的标准化参数估计结果。对表层方式，假设的模型认为11个测量指标也构成四个潜伏变量，即担心失败、目标为获得证书、学习范围最小化和记忆。四个潜伏变量之间也存在正相关关系，但相关程度较低。

图3．5　对深层方式子量表维度的分析（n＝2801）

对图3．6所示模型进行的检验结果表明，模型的拟合优度指数为：χ2＝348．471（df＝38，P＜0．001），RMSEA＝0．054，GFI＝0．977，NNFI＝0．908，CFI＝0．937。从这些拟合优度指数值可以看出，把表层方式分为四个维度的模型的拟合优度很好。

3．对“修订的学习过程调查问卷”动机与策略子量表的分析

接下来的步骤是对图3．5和图3．6中深层与表层方式的8个维度之间的高阶结构进行检验。如前所述，Biggs等人将学习方式定义为学习动机与学习策略的组合。据此，我们检验的模型包括深层动机与深层策略因素，以及表层动机和表层策略因素，每个动机与策略因素包括两个子因素作为其指标。

图3．6　对表层方式子量表维度的分析（n＝2801）

图3．7列出了对上述假设模型进行检验的标准化参数估计结果。从中可见，深层动机和深层策略之间存在高度正相关，表层动机与表层策略之间也存在高度正相关；表层动机与深层动机和深层策略之间，以及表层策略与深层动机之间则存在低度正相关，而表层策略与深层策略之间则存在低度负相关。

对图3．7所示模型进行的检验结果表明，模型的拟合优度指数为：χ2＝458．640（df＝14，P＜0．001），RMSEA＝0．107，GFI＝0．961，NNFI＝0．828，CFI＝0．914。虽然RMSEA的数值略高，但其他拟合优度指数值都比较理想，表明“修订的学习过程调查问卷”动机与策略量表的一阶模型的拟合优度较好。

图3．7　对“修订的学习过程调查问卷”动机与策略量表的一阶因素分析（n＝2801）

4．对“修订的学习过程调查问卷”多层次结构模型的检验

图3．8列出了对“修订的学习过程调查问卷”动机和策略子量表进行二阶因素分析的结果（标准化参数估计值）。在该模型中，二阶的潜伏变量为深层方式和表层方式。该模型假设这两个二阶潜伏变量都有动机和策略两个方面构成，而每类动机和策略又都有两个子要素构成。

图3．8　“修订的学习过程调查问卷”层次结构模型检验（n＝2801）

对图3．8所示的多层次结构模型进行的检验显示，深层动机和表层动机子量表存在干扰因素，这种干扰使得模型难以实证地加以界定。一个可能的原因是深层动机和深层策略之间，以及表层动机和表层策略之间存在着高度相关[7]。模型的拟合优度指数为：RMSEA＝0．105，GFI＝0．960，NNFI＝0．832，CFI＝0．910。虽然RMSEA的数值略高，但其他拟合优度指数值都比较理想。这表明，虽然深层动机和表层动机子量表存在干扰因素，但这种干扰并没有给“修订的学习过程调查问卷”的多层次结构模型的拟合优度造成很大的影响，我们仍然可以看到该模型的拟合优度较好。

5．对“修订的学习过程调查问卷”的信度分析

表3．11列出了对“修订的学习过程调查问卷”各建构、子量表及其维度进行信度分析的结果，以及各建构、子量表、维度之间的相关系数。

在研究文献中，对信度系数应该达到什么水平才是可接受的存在一定的争议。对于任何主观的分界点，都不可能只有一个数值。Schmitt发现，研究者接受的信度系数的水平有多个，其中0．70这个水平是最为大家普遍接受的。他并且认为，信度系数达到0．50的水平就不会对效度系数产生严重的影响[8]。有两个因素会对用α系数表示的信度产生影响：首先，α系数值是一个子量表或维度的项目数量的函数[9]；其次，在存在多个维度的情况下，α系数可能低估信度[10]。

从表3．11可见，深层方式和表层方式两个建构的信度系数都大于0．70，深层动机和深层策略两个子量表的信度系数也大于0．70，表层动机和表层策略两个子量表以及八个维度的信度系数也都大于0．50。在修订的“学习过程调查问卷”包含多个维度，而且八个维度中有四个维度仅仅包括两个题目的情况下，α系数能够达到上述水平，表明“修订的学习过程调查问卷”的信度是可接受的。

“大学生数学学习情感发展量表”的设计与开发

1．问卷题目的编制与筛选

本研究对大学生数学学习发展状态的测量主要从两个方面进行：对大学生学习高等数学后的认知发展状态的测量，主要用大学生学习高等数学后的测验成绩来表示；对大学生学习高等数学后的情感发展状态，主要用“大学生数学学习情感发展量表”进行度量。

对大学生学习情感发展方面的个体差异进行分析具有非常重要的意义。了解这种差异，不仅有助于从理论上对学生学习情感的发展状态进行定位，而且有助于教育实践的改进。然而，由于学生学习情感的发展是一个非常复杂的现象，它受许多因素的影响，而且这些因素之间的关系常常是非线性的，因此要构建大学生学习情感发展的分析模型并不是一件简单的事情。

在构建大学生学习情感发展模型的过程中，有关测量维度的选择与变量的操作化处理也是一门艺术。不同的人，基于不同的理论或实践的考虑，对此所作的处理可能是不一样的。有的学者主要考察一般意义上学生学习情感的发展，因此需要考虑面向所有学习情景和全体学生的有关因素，这些因素常常是与具体的学科内容不相关的。但以往有一些研究也发现，学生在学习不同类型的学科时，他们的学习行为是存在差异的。因此，他们对不同学科情景的感知与学习经验也会存在差异。在这种意义上说，学生学习情感的发展，也可能会有一些与学生所学的特定学科等具体的学习情景相关的内容。或者说，学生的情感响应可能也有一些与具体的学习领域相关的特定方面。例如，学生在学习非常抽象的数学概念、理论时，可能会因只有在数学中才能感知到的对这种抽象概念、理论的掌控而体验到一种愉悦的感觉。

由于学生的学习情感发展可能与具体的学习领域相关，而数学几乎是高校所有自然科学、工程学科的一个核心科目，因而对大学生学习这一科目的情感发展状态进行研究就变得非常重要。由于这个原因，本研究将主要关注学生学习数学时的学习情感发展问题。在编制“大学生数学学习情感发展量表”时，我们试图对大学生在学习数学的过程中表现出来的特定的学习情感发展状态作出评估和分析。

数学学习情感是学生在数学学习过程中产生的对数学的态度和内心体验，它反映了学生对数学学科的热爱程度及其对数学、对数学学习过程、对数学学习内容等产生的体验和感受等，是学生在学习数学的认知活动中形成的个人精神世界的反映[11]。为了比较准确地反映大学生学习高等数学时的情感发展状态，本研究在设计“大学生数学学习情感发展量表”时，主要借鉴了Meyer等人在1999年开发的“数学学习经验量表”（Experiences　of　Studying　Mathematics　Inventory，ESMI）[12]，并结合其他有关研究结果以及中国的实际情况进行了适当的修订、扩充，增加了一些维度。Meyer等人开发的“数学学习经验量表”主要包括“享受”（enjoyment）、“审美”（beauty）、“真理”（truth）、“程序”（procedures）、“娱乐”（recreation）五个维度，每个维度包括6个测量题目，共30题。本研究根据研究的需要和访谈的结果，增加了学习者感知的数学学习的“价值”这个维度，并对每个维度的测量题目进行了一定程度的修订、补充，最后设计的“大学生数学学习情感发展量表”共包括享受、审美、真理、程序、娱乐、价值六个维度，40个题目。

2．“大学生数学学习情感发展量表”的效度和信度分析

为了检验“大学生数学学习情感发展量表”的结构效度，我们应用主成份因素分析方法并采用最大正交旋转对问卷进行了分析。

在分析时，为了在问卷调查的基础上建构一个比较科学、合理的“大学生数学学习情感发展量表”，我们依据前述设计有关问卷或量表的标准与程序对“大学生数学学习情感发展量表”中的题目进行了筛选：首先，对测量题目进行主成分因素分析，如果一个题目在所有因素上的负荷都比较小（小于0．400），或者在两个或两个以上因素上的负荷虽然比较大但非常接近，则删去这个题目。根据这一标准，删除了量表中第127题“数学论证和证明体现了一种智力上的美”、第137题“我尝试在已经掌握的知识基础上来理解新的数学知识”，以及第138题“当决定如何解决问题时，我会尝试不同的可能性”；其次，在进行主成分因素分析时，如果归属于一个因素的题目数少于或等于2个，将删除这个因素所包括的有关题目。在本研究中，没有出现这种情况；第三，如果一个题目与其所属子量表的内涵存在差异，或与所属子量表的总体相关程度较低，删去这个题目后可以使子量表的内部一致性增加（α系数提高），则删去这个题，或虽然子量表的信度较高，但包括了太多的题目，将根据题目与该子量表的总体相关程度，删除一些相关程度相对较低的题目。根据这一标准，我们从娱乐维度中删除了第156题“我学习数学只是为了和同学竞争”。表3．12列出了对保留下来的36个题目进行主成份因素分析并进行正交旋转的结果。

表3．12　“大学生数学学习情感发展量表”的因素分析结果

续表3．12

在此基础上，对确定的各因素所包含的题目的内部一致性，应用α系数进行了检验。表3．13列出了对该量表进行信度分析的结果，以及各子量表之间的相关系数。该量表各子量表的信度介于0．68至0．90之间，表明“大学生数学学习情感发展量表”的内部一致性较高，而且各子量表的信度要远大于它们之间的相关性，这也符合典型的设计各子量表的最低要求。

表3．13　“大学生数学学习情感发展量表”各子量表的信度及相关系数

aP＜0．001．

在探索性因素分析的基础上，为了进一步检验“大学生数学学习情感发展量表”的结构效度，我们应用AMOS7．0对数据作了验证性因素分析（n＝2802）。图3．9列出了应用AMOS程序对“大学生数学学习情感发展量表”进行二阶因素分析的结果（标准化参数估计值）。

对图3．9所示的模型进行的检验表明，模型的拟合优度指数为：χ2＝5019．6（df＝588，P＜0．001，由于本研究的样本量很大［n＝2802］，在这种情况下很容易达到显著水平），GFI＝0．894，RMSEA＝0．052，NNFI＝0．899，CFI＝0．906。从这些拟合优度指数值可以看出，该模型的拟合度是比较高的，说明可以应用“大学生数学学习情感发展量表”对大学生数学学习情感的发展状态作出比较科学、合理的评价。

图3．9　对“大学生数学学习情感发展量表”进行二阶因素分析的结果

【注释】

[1]陆根书．大学生学习风格量表的设计与开发［J］．西安交通大学学报（社科版），2003，（3）：86－97．

[2]Meyer，J．H．F．＆Eley，M．G．The　Development　of　Affective　Subscales　to　Reflect Variation　in　Students’s　Experience　of　Studying　Mathematics　in　Higher　Education［J］．Higher Education，1999：197－216．

[3]David　Kember，John　Biggs　＆Doris　Y．P．Leung．Examining　the　Multidimensionality　of　Approaches　to　Learning　Through　the　Development　of　A　Revised　Version　of　the　Learning　Process　Questionnaire［J］．British　Journal　of　Educational　Psychology，2004，（74）：261－280．

[4]Wilson，K．L．，Lizzio，A．＆Ramsden，P．The　Development，Validation　and　Application　of　the　Course　Experience　Questionnaire［J］．Studies　in　Higher　Education，1997，22：33 －53．

[5]侯杰泰，温忠麟，成子娟．结构方程模型及其应用［M］．北京：教育科学出版社，

[6]David　Kember，John　Biggs　＆Doris　Y．P．Leung．Examining　the　Multidimensionality　of　Approaches　to　Learning　through　the　Development　of　a　Revised　Version　of　the　Learning Process　Questionnaire［J］．British　Journal　of　Educational　Psychology，2004，（74）：261－280．

[7]Rindskopf，D．Structural　Equation　Models：Empirical　Identification，Heywood　Cases，and　Related　Problems［J］．Sociolgical　Methods　and　Research，1984，13：109－119

[8]Schmitt，N．Uses　and　Abuses　of　Coefficient　Alpha［J］．Psychological　Assessment，1996，8（4），350－353．

[9]Lord，F．M．＆Novick，M．R．Statistical　Theories　of　Mental　Test　Scores［M］．Reading，MA：Addison－Wesley，1968．

[10]Schmitt，N．Uses　and　Abuses　of　Coefficient　Alpha［J］．Psychological　Assessment，1996，8（4），350－353．

[11]孙岚．学习情感的现状调查和思考［D］．扬州大学，2004．

[12]Meyer，J．H．F．＆Eley，M．G．The　Development　of　Affective　Subscales　to　Reflect Variation　in　Students’s　Experience　of　Studying　Mathematics　in　Higher　Education［J］．Higher Education，1999：197－216．