超级会员免费看
新冠疫情期间及之后教育活动中谷歌会议使用量表（GMU - S）的开发与初步测试
1. 引言
2019 年 12 月底，新型冠状病毒（COVID - 19）在中国武汉出现。2020 年 3 月 11 日，世界卫生组织（WHO）宣布 COVID - 19 疫情为全球大流行。为应对这一全球危机，世界各地采取了一系列预防措施来平缓疫情曲线，其中之一便是关闭教育机构。这使得工程、医学、信息技术等实践类专业的学生处于闲置状态，促使教育机构紧急决策，以继续为学生提供教育。向在线学习的转变成为在这种大流行期间兼顾社会隔离和教育交付的理想解决方案。
教育机构付出了大量努力来准备必要的平台和资源，以支持教育的持续进行。教育技术渗透到学术环境中，为教育工作者在隔离期间提供了有效的教育交付解决方案。为实现在线学习，教育机构使用了各种工具，如学习管理系统（如 Moodle、Blackboard）、虚拟会议平台（如 Skype、Zoom、Microsoft Teams、Google Meet）、社交媒体（如 WhatsApp 群组、Facebook 群组、YouTube 频道）和其他教育平台。
在虚拟会议平台中，Google Meet 被多个教育机构采用，用于向学生直播课程。它最多可支持 250 名参与者同时访问课程，并且课程可以录制并存储在 Google Drive 上，供未参加直播课程的学生日后访问。由于 Google Meet 是随着 COVID - 19 疫情才开始用于教育领域，因此被视为新技术。在教育中采用新技术需要了解影响其可持续性的决定因素，而采用任何技术的主要标准是最终用户感知的易用性和有用性。此外，如果技术能提供足够的质量特征，包括服务、内容和信息，用户会对使用该技术持积极态度。
为评估 Google Meet 在教育活动中的使用情况，需要了解影响其使用的主要决定因素，包括易用性、有用性和质量特征。当学生认为 Google Meet 用户友好、易于使用且有用时，他们的采用率会更高。同样，当通过 Google Meet 向学生提供的学习材料质量与面对面课堂相当时，他们使用 Google Meet 的态度也会更加积极。虽然易用性、有用性和质量特征的重要性在以往文献中已有研究，但 Google Meet 具有独特的特点，影响其使用的决定因素可能也有所不同。目前，还没有一个量表来评估 Google Meet 在教学活动中的使用情况。
因此，本研究旨在开发一个名为 Google Meet 使用量表（GMU - S）的工具。该量表基于技术接受模型（TAM）和 DeLone 和 McLean 信息系统成功模型开发，有望为教育技术领域做出有价值的贡献，并可用于评估其他虚拟会议平台的使用情况。
2. 方法
2.1 研究 1
-
样本 ：第一项研究用于探索性因子分析（EFA），样本包括来自马来西亚的 250 名参与者，其中男性 159 人（63.6%），女性 91 人（36.4%）。参与者的特征如下表所示：
| 特征 | 项目 | 频率 | 百分比（%） |
| — | — | — | — |
| 性别 | 男 | 159 | 63.6 |
| | 女 | 91 | 36.4 |
| 教育程度 | 本科 | 141 | 56.4 |
| | 研究生 | 25 | 10.0 |
| | 硕士/博士 | 84 | 33.6 |
| 年龄 | 16 - 24 | 138 | 55.2 |
| | 25 - 35 | 55 | 22.0 |
| | 36 - 45 | 45 | 18.0 |
| | 46 及以上 | 12 | 4.8 |
| Google Meet 使用情况 | 是 | 32 | 12.8 |
| | 否 | 218 | 87.2 | -
过程 ：数据通过 Google Forms 进行问卷调查收集，在参与者填写调查之前，通过电子方式获得了他们的知情同意。参与者被告知研究目的，并被要求使用从“1 = 强烈不同意”到“5 = 强烈同意”的五点李克特量表来表明他们对陈述的同意程度。在项目开发和测试阶段采用了探索性和验证性因子分析。学者们最初开发了 32 个量表项目，并由三位专家独立评估。专家的评估基于 1 到 10 的量表，其中 1 表示该项目无法衡量 Google Meet 在学习活动中的使用情况。冗余项目和专家评分低于 0.80 的项目被从量表中剔除，最终保留了 14 个项目，并在线向参与者发放以收集数据。第一个数据集进行了探索性因子分析（EFA），最后，310 名参与者对这 14 个项目进行了评分（第二项研究的参与者未参与第一项研究），第二个数据集进行了验证性因子分析（CFA）。此外，通过 27%的低分组和高分组项目分析来比较低分组和高分组之间的差异，作为区分效度的证据。
3. 结果
3.1 表面效度
基于 DeLone 和 McLean 信息系统成功模型和 TAM 开发了 32 个项目。这些项目由学者审查，并由三位专家（2 位信息系统专家和 1 位心理测量学家）使用 10 点李克特量表独立评估。平均评分在 0.80 及以上的项目被认为具有足够的表面效度，因此，共有 14 个项目被保留用于探索性因子分析。
3.2 探索性因子分析
采用方差最大旋转和主成分提取方法进行探索性因子分析，以确定因子结构。结果表明，14 个项目加载在一个单一因子上，且载荷均超过 0.40 的阈值。单因子解决方案解释了总变异的 66.209%。Kaiser - Meyer - Olkin 抽样充足性度量为 0.961，Bartlett 球形检验显著（χ² (df = 91) = 3026.249，p < 0.001），这表明 GMU - S 是进行因子分析的良好候选对象。共同度范围在 0.468 到 0.745 之间，所有值均大于建议值 0.40。可靠性和有效性结果如下表所示：
| 项目 | 共同度 | 载荷 | 校正项 - 总分相关性 | 若删除该项的 Cronbach’s alpha |
| — | — | — | — | — |
| Item1 | 0.625 | 0.791 | 0.755 | 0.958 |
| Item2 | 0.682 | 0.826 | 0.794 | 0.957 |
| Item3 | 0.691 | 0.831 | 0.802 | 0.957 |
| Item4 | 0.685 | 0.828 | 0.796 | 0.957 |
| Item5 | 0.738 | 0.859 | 0.831 | 0.956 |
| Item6 | 0.690 | 0.831 | 0.799 | 0.957 |
| Item7 | 0.468 | 0.684 | 0.642 | 0.960 |
| Item8 | 0.660 | 0.813 | 0.779 | 0.957 |
| Item9 | 0.493 | 0.702 | 0.658 | 0.960 |
| Item10 | 0.719 | 0.848 | 0.819 | 0.956 |
| Item11 | 0.714 | 0.845 | 0.814 | 0.956 |
| Item12 | 0.666 | 0.816 | 0.782 | 0.957 |
| Item13 | 0.745 | 0.863 | 0.835 | 0.956 |
| Item14 | 0.692 | 0.832 | 0.800 | 0.957 |
3.3 正态性和内部一致性
正态性检验表明，偏度和峰度统计量在建议的 ± 3 范围内，因此数据呈正态分布。整个量表的 Cronbach’s alpha 为 0.96。14 个项目的描述性统计如下表所示：
| 项目 | 最小值 | 最大值 | 均值 | 标准差 | 偏度（SE = 0.154） | 峰度（SE = 0.307） |
| — | — | — | — | — | — | — |
| Item1 | 1.00 | 5.00 | 3.8640 | 1.07803 | - 0.715 | - 0.084 |
| Item2 | 1.00 | 5.00 | 3.9200 | 1.03435 | - 0.936 | 0.528 |
| Item3 | 1.00 | 5.00 | 3.8440 | 1.05457 | - 0.720 | - 0.028 |
| Item4 | 1.00 | 5.00 | 3.7440 | 1.11510 | - 0.619 | - 0.359 |
| Item5 | 1.00 | 5.00 | 3.5880 | 1.13817 | - 0.524 | - 0.323 |
| Item6 | 1.00 | 5.00 | 3.5720 | 1.12868 | - 0.501 | - 0.357 |
| Item7 | 1.00 | 5.00 | 3.7880 | 1.04086 | - 0.600 | - 0.113 |
| Item8 | 1.00 | 5.00 | 3.7120 | 1.04375 | - 0.426 | - 0.397 |
| Item9 | 1.00 | 5.00 | 4.0840 | 1.03209 | - 1.164 | 0.930 |
| Item10 | 1.00 | 5.00 | 3.8160 | 1.01700 | - 0.686 | 0.049 |
| Item11 | 1.00 | 5.00 | 3.8680 | 0.96243 | - 0.659 | 0.139 |
| Item12 | 1.00 | 5.00 | 3.8280 | 1.05207 | - 0.694 | - 0.053 |
| Item13 | 1.00 | 5.00 | 3.6920 | 1.02437 | - 0.415 | - 0.308 |
| Item14 | 1.00 | 5.00 | 3.8640 | 0.95559 | - 0.671 | 0.200 |
3.4 研究 2
-
样本
：第二项研究的样本包括 310 名来自马来西亚的参与者（189 名男性（61%）和 121 名女性（39%））。参与者的描述性统计如下表所示：
| 特征 | 项目 | 频率 | 百分比（%） |
| — | — | — | — |
| 性别 | 男 | 189 | 61.0 |
| | 女 | 121 | 39.0 |
| 教育程度 | 本科 | 164 | 52.9 |
| | 研究生 | 45 | 14.5 |
| | 硕士/博士 | 101 | 32.6 |
| 年龄 | 16 - 24 | 177 | 57.1 |
| | 25 - 35 | 72 | 23.2 |
| | 36 - 45 | 48 | 15.5 |
| | 46 及以上 | 13 | 4.2 |
| Google Meet 使用情况 | 是 | 39 | 12.6 |
| | 否 | 271 | 87.4 |
3.5 正态性、可靠性和区分效度
正态性测试表明，偏度和峰度统计量在建议的 ± 3 范围内，因此数据呈正态分布。整个量表的 Cronbach’s alpha 为 0.935。通过 27%的低分组和高分组项目分析来研究区分效度，独立样本 t 检验结果表明，这些项目能够显著区分受试者（t (167) = 28.740，p < 0.001），因此，量表的区分效度得到确认。偏度、峰度、可靠性系数和项目区分指数如下表所示：
| 项目 | 偏度（SE = 0.138） | 峰度（SE = 0.276） | 校正项 - 总分相关性 | 若删除该项的 Cronbach’s alpha | 项目区分指数（t） |
| — | — | — | — | — | — |
| Item1 | - 1.156 | 0.590 | 0.605 | 0.933 | 12.809
|
| Item2 | - 0.359 | - 0.435 | 0.723 | 0.930 | 12.756
|
| Item3 | - 1.347 | 1.431 | 0.574 | 0.934 | 16.264
|
| Item4 | - 0.245 | - 0.755 | 0.732 | 0.930 | 16.224
|
| Item5 | - 1.030 | 0.392 | 0.678 | 0.931 | 9.630
|
| Item6 | - 0.069 | - 0.787 | 0.752 | 0.929 | 9.610
|
| Item7 | - 1.141 | 0.603 | 0.484 | 0.936 | 16.866
|
| Item8 | - 0.138 | - 0.799 | 0.739 | 0.929 | 16.841
|
| Item9 | - 1.867 | 2.744 | 0.549 | 0.935 | 14.585
|
| Item10 | - 0.247 | - 0.396 | 0.737 | 0.929 | 14.538
|
| Item11 | - 0.173 | - 0.311 | 0.723 | 0.930 | 18.488
|
| Item12 | - 0.565 | - 0.086 | 0.757 | 0.929 | 18.465
|
| Item13 | - 0.461 | - 0.152 | 0.747 | 0.929 | 9.998
|
| Item14 | - 0.372 | - 0.213 | 0.807 | 0.927 | 9.970
|
注：* p < 0.001
3.6 结构效度
通过 SPSS AMOS（v.23）进行验证性因子分析（CFA），以验证单因子结构与数据的拟合程度。使用了多个标准来评估模型与数据的拟合度，包括拟合优度指数（GFI）、调整拟合优度指数（AGFI）、比较拟合指数（CFI）、规范拟合指数（NFI）、增量拟合指数（IFI）、Tucker - Lewis 拟合指数（TLI）和近似均方根误差（RMSEA）。结果显示模型拟合良好，具体指标如下表所示：
| 模型 | 阈值 | χ² | p 值 | χ²/df | GFI | AGFI | NFI | TLI | CFI | IFI | SRMR | RMR | RMSEA |
| — | — | — | — | — | — | — | — | — | — | — | — | — | — |
| | | 62.733 | < 0.001 | 2.413 | 0.972 | 0.887 | 0.981 | 0.959 | 0.988 | 0.989 | 0.0313 | 0.027 | 0.068 |
| | | | 0.05 ≤ p ≤ 1.00 | < 3 | ≥ 0.90 | ≥ 0.80 | ≥ 0.90 | ≥ 0.90 | ≥ 0.90 | ≥ 0.90 | ≤ 0.10 | < 0.05 | < 0.08 |
以下是研究流程的 mermaid 流程图：
graph LR;
A[研究开始] --> B[开发32个项目];
B --> C[专家评估];
C --> D[保留14个项目];
D --> E[第一项研究样本收集];
E --> F[探索性因子分析];
F --> G[第二项研究样本收集];
G --> H[验证性因子分析];
H --> I[结果分析];
I --> J[得出结论];
综上所述，本研究开发的 GMU - S 量表在评估 Google Meet 在教育活动中的使用情况方面具有一定的可靠性和有效性。后续将继续探讨该量表在不同场景下的应用以及其局限性的改进方向。
4. 讨论
现有关于 Google Meet 的研究中，缺乏一个评估其使用情况的量表。本研究开发了 Google Meet 使用量表（GMU - S），并通过两项研究对其初始特征进行了评估。该量表基于 14 个项目，采用五点李克特量表，可用于评估不同教育水平和年龄组学生对 Google Meet 的使用情况。14 个项目如下：
1. 通过 Google Meet 学习对我来说很容易。
2. 我会发现 Google Meet 便于交互。
3. 我很容易熟练使用 Google Meet 进行学习活动。
4. 在我的大学/学院使用 Google Meet 能让我更快地完成学习活动。
5. 使用 Google Meet 会提高我的学习成绩。
6. 在学习活动中使用 Google Meet 会提高我的学习效率。
7. Google Meet 适合我的特定需求。
8. Google Meet 安全且能保护信息隐私。
9. 通过 Google Meet 传递的信息丰富且有用。
10. 我可以在任何时间、任何地点使用 Google Meet 服务。
11. Google Meet 是一个结构良好的学习平台。
12. Google Meet 提供高速的信息访问。
13. 通过 Google Meet 传递的信息满足我的教育需求。
14. 通过 Google Meet 传递的信息可靠。
探索性因子分析（EFA）和验证性因子分析（CFA）的结果表明，GMU - S 可用于评估 Google Meet 在教育活动中的使用情况。第一项研究（n = 250）构建的量表结构在第二项研究（n = 310）中得到了验证。结果还显示，GMU - S 具有足够的内部一致性、收敛效度和区分效度。
GMU - S 量表将系统使用的主要决定因素（即有用性和易用性）以及质量特征整合在一个量表中，有助于更细致地理解 Google Meet 在教育中的应用。例如，已有研究表明，易用性和有用性直接影响各种教育技术的使用。当学生认识到 Google Meet 便于授课并能提高学习成绩，且授课和学习活动的质量与传统课堂相当时，他们更有可能在 COVID - 19 大流行期间及未来可能影响教育领域的紧急情况下继续使用该平台。此外，以往研究还表明，质量特征（如内容质量、系统质量和信息质量）对教育技术的使用有显著影响。同样，当通过 Google Meet 提供的讲座和学习活动质量与实体课堂相当时，学生在疫情期间会继续使用该平台。学者们可以使用基于 14 个项目开发的 GMU - S 量表，在任何教育环境中评估 Google Meet 的有用性、易用性和质量特征。
5. 结论
众多信息技术创新被应用于教育领域，Google Meet 作为一种新兴技术，在 COVID - 19 大流行期间为学生提供了在线学习的途径。本研究开发并初步测试了 Google Meet 使用量表（GMU - S）。结果表明，该量表具有足够的可靠性和有效性，可作为评估普通人群使用 Google Meet 进行学习的有效工具。GMU - S 基于教育技术的主要特征（即有用性、易用性和质量特征），能充分解释 Google Meet 在教育活动中的使用情况。
从理论角度来看，本研究是首次开发并初步测试新量表（GMU - S）的研究之一。从实践角度来看，目前使用 Google Meet 向学生提供学习材料的教育机构可以使用该量表评估平台的有效性，并相应地改进教学实践。此外，由于该量表基于任何教育技术都具备的三个主要特征，因此还可用于评估其他虚拟会议平台（如 Skype、Zoom、Microsoft Teams 等）的使用情况。
然而，本研究也存在一些局限性，需要在未来的研究中加以考虑。
1.
样本局限性
：虽然本研究的样本涵盖了不同年龄组和教育水平的学生，但仅限于一个地理区域（即马来西亚）。因此，鼓励未来的研究在更多不同文化和背景的地区重复本研究。
2.
样本规模
：尽管样本规模对于新量表的开发和初步测试来说是足够的，但建议使用更大的样本进行测试，以进一步推广该工具的有效性。
3.
语言版本
：GMU - S 是基于 14 个英文项目开发的。因此，建议开发其他语言版本的 GMU - S，并评估其跨文化等效性。
以下是对 GMU - S 量表应用的总结表格：
| 应用方面 | 具体内容 |
| — | — |
| 评估 Google Meet 使用 | 可评估不同教育水平和年龄组学生对 Google Meet 的使用情况 |
| 解释使用因素 | 基于有用性、易用性和质量特征解释 Google Meet 在教育活动中的使用 |
| 推广到其他平台 | 可用于评估其他虚拟会议平台的使用情况 |
未来研究方向的 mermaid 流程图如下：
graph LR;
A[现有研究] --> B[扩大样本范围];
A --> C[开发多语言版本];
A --> D[研究不同场景应用];
B --> E[提高量表普适性];
C --> F[实现跨文化应用];
D --> G[优化量表实用性];
E & F & G --> H[完善GMU - S量表];
总体而言，GMU - S 量表为评估 Google Meet 在教育中的使用提供了一个有价值的工具，但仍需进一步研究来完善和拓展其应用。
扫一扫
1143
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
