Z世代数字素养水平对体育学习差异的影响：统一技术接受与使用理论（UTAUT）和媒体丰富度理论（MRT）的应用

《Behavioral Sciences》：Differences in Sports Learning by Digital Literacy Level Among Generation Z: An Application of the Unified Theory of Acceptance and Use of Technology (UTAUT) and Media Richness Theory (MRT) Kwon-Hyuk Jeong, Chulhwan Choi and Heesu Mun

　　

本研究基于统一技术接受与使用理论（UTAUT）和媒体丰富度理论（MRT），探讨了Z世代在数字素养方面体育学习的差异。随着非面对面体育学习——包括在线讲座、远程教练和虚拟现实——的迅速扩展，数字素养已成为影响学习结果和公平性的关键因素。研究人员通过YouTube、社交网络服务、在线讲座平台和移动应用程序等平台，从参与体育学习的Z世代成年人中收集数据。参与者被分为低数字素养组（n = 87）、中数字素养组（n = 80）和高数字素养组（n = 70）。一份改编自先前研究的32项问卷评估了数字素养（4项）、四个UTAUT构念（绩效期望、努力期望、社会影响和便利条件；16项）以及三个媒体丰富度维度（多通道、反馈即时性和个性化；12项）。验证性因素分析显示模型拟合可接受（χ² = 779.013，df = 436，p < 0.001，NFI = 0.914，IFI = 0.960，TLI = 0.954，CFI = 0.960，SRMR = 0.037，RMSEA = 0.058），信度（所有ω和α > 0.70）以及收敛和区分效度（所有AVE > 0.50；C.R. > 0.70）均良好。组间比较表明，较高的数字素养与较高的技术接受和媒体丰富度感知得分相关（F = 40.364–64.150，p < 0.001，η_p² = 0.257–0.354）。这些发现表明，数字素养的代内差异塑造了体育学习中的技术使用和媒体体验，强调了需要增强媒体丰富度并系统地发展学习者的数字素养，以提高数字体育教育的有效性和公平性。但因果推断受限于横截面设计。

**论文解读：Z世代数字素养水平对体育学习差异的影响——基于UTAUT和MRT的应用**

**1. 研究背景、问题与意义**

随着数字化转型在教育领域的加速，体育学习也经历了深刻变革。COVID-19疫情促使非面对面体育学习形式（如在线讲座、远程教练、虚拟现实（VR）训练）迅速普及，成为新的主要学习模式。然而，数字鸿沟的存在导致不同学习者对数字体育内容的利用和获益存在差异。数字素养（Digital Literacy, DL）——即有效获取、理解并利用数字技术和信息的能力——已成为非面对面体育学习的核心能力。尽管Z世代（Generation Z，1995年至2010年代初出生）常被视为数字原住民，但代内数字素养水平仍存在显著差异，这种差异可能影响数字环境中的学习效果。现有研究多采用路径分析或结构模型探讨数字素养对学习结果的影响，但未充分检验不同数字素养水平下技术接受和媒体感知的差异，且针对数字环境中体育学习者的研究不足。因此，本研究旨在基于统一技术接受与使用理论（Unified Theory of Acceptance and Use of Technology, UTAUT）和媒体丰富度理论（Media Richness Theory, MRT），实证检验Z世代体育学习者的数字素养水平是否导致技术接受和媒体感知的差异，为数字环境下的体育教育提供策略依据。论文发表在《Behavioral Sciences》。

**2. 主要关键技术方法**

本研究采用定量研究设计，通过便利抽样收集数据。样本来源为韩国大学体育俱乐部及相关协会的Z世代成年人（n=237），这些参与者通过YouTube、社交网络服务、在线讲座平台和移动应用等媒体参与体育学习。研究人员使用改编自先前研究的32项量表，包括数字素养（4项）、UTAUT四个构念（绩效期望、努力期望、社会影响、便利条件；共16项）和MRT三个维度（多通道、反馈即时性、个性化；共12项），采用七点李克特量表评分。通过验证性因素分析（Confirmatory Factor Analysis, CFA）检验测量模型拟合度，并计算Cronbach's α和McDonald's ω评估信度，平均方差提取量（Average Variance Extracted, AVE）和组合信度（Composite Reliability, C.R.）检查收敛与区分效度。数字素养得分按三分位数分为低、中、高三组，使用单因素多元方差分析（Multivariate Analysis of Variance, MANOVA）比较组间差异。

**3. 研究结果**

**5.1 参与者基本特征**
通过G*Power 3.1.9.7确定所需样本量至少225人，实际收集237份有效问卷。数字素养得分按三分位数分组：低分组（n=87，得分≤4.5）、中分组（n=80，得分4.5~5.5）、高分组（n=70，得分>5.5）。各组在性别、教育水平、主要体育学习项目、学习媒体、使用目的、设备及学习时间等方面呈现不同分布特征。

**5.2 量表效度与信度**
CFA结果显示测量模型拟合指数良好（χ²=779.013，df=436，p<0.001，NFI=0.914，IFI=0.960，TLI=0.954，CFI=0.960，SRMR=0.037，RMSEA=0.058）。所有构念的组合信度（C.R.）在0.861~0.916之间，AVE在0.607~0.732之间，均满足C.R.≥0.7、AVE≥0.5的标准，且AVE平方根大于构念间相关系数平方，表明收敛与区分效度良好。各构念的Cronbach's α和McDonald's ω均大于0.70（ω=0.921~0.965，α=0.920~0.965），信度可靠。

**5.3 多变量方差分析（MANOVA）**
在满足协方差矩阵齐性（Box's M=86.294，F=1.475，p<0.12）后，MANOVA结果显示三组间存在显著差异（Wilks' Lambda=0.458，F=15.549，p<0.001，η_p²=0.323）。所有七个因变量（绩效期望、努力期望、社会影响、便利条件、多通道、反馈即时性、个性化）的组间差异均显著（F=40.364~64.150，p<0.001，η_p²=0.257~0.354）。事后检验表明，高数字素养组在所有因素上得分最高，中组次之，低组最低。

**4. 讨论与结论总结**

讨论部分指出，高数字素养组在UTAUT各构念上得分更高，表明数字能力强的学习者更易将新技术视为有用工具并主动接受，支持Venkatesh等（2003）的原始理论，同时揭示在数字原住民世代内部，个体素养水平差异造成了技术接受心理机制的分化，这验证了UTAUT的边界条件。从MRT视角看，高素养组更强烈地感知到多通道、反馈即时性和个性化，说明数字熟练的学习者能有效整合视觉、听觉数据，并将实时反馈优化为个性化学习资源，表明媒体丰富度并非单纯媒体属性，而是用户解读能力与媒体可供性的交互结果。这些发现对UTAUT和MRT在数字体育学习情境中进行了边界细化：数字素养作为能力条件分层机制，影响技术接受信念和媒体丰富度感知的形成。

实践意义方面，研究建议根据素养水平设计体育学习界面（如低素养组优先提供直观视觉反馈，高素养组提供精确数据）；增强体育领导者的数字教练能力；创建支持环境以缩小数字鸿沟（如部署技术支持人员、简化手册）；引入互动性媒体策略，如基于AI的个性化反馈系统以提升低素养学习者的参与度。

结论部分翻译：本研究证明，即使在通常被视为数字原住民的Z世代中，体育学习中的技术接受和媒体丰富度感知也存在显著差异，这取决于个体数字素养水平。通过将UTAUT和媒体丰富度理论（MRT）整合到当代体育教育情境中，研究结果强调数字素养是与个体水平相关的显著因素，而非代际常量。数字素养较高的学习者对技术相关期望的评价更积极，并感知到更丰富的媒体环境，凸显了同一世代内技术使用的异质性。这些结果表明，技术驱动的体育教育应超越统一实施策略，而应采用以学习者为中心的方法——如基于AI的自适应反馈系统和增强教练的数字指导能力——可能有助于减少数字排斥并提升教育效果。