全球南方地区职前教师对移动学习的接受度：基于TPACK的结构方程建模方法

《Computers and Education Open》：Mobile Learning Acceptance Among Pre-service Teachers in the Global South: A TPACK-Based Structural Equation Modelling Approach

　　布赖恩·尚巴雷 | 图图基莱·吉塔
南非自由州大学数学、自然科学和技术教育系，邮政信箱X13，普塔迪特贾巴，9866

**摘要**
尽管在将移动学习整合到教师教育中做出了持续的努力，但技术接受模型仍然主要基于感知而非能力。本研究通过探讨职前教师的技术教学内容知识（TPACK）如何影响他们对移动学习的接受程度，挑战了这一范式。在TPACK和技术接受模型（TAM）的指导下，通过一份包含49个问题的电子问卷收集了292名教育学二年级学生的数据。部分最小二乘结构方程建模显示，教学知识是预测TPACK的最强因素。相比之下，教学内容知识的影响不显著，这表明移动学习能力更多地根植于教学法而非内容专业知识。该模型解释了TPACK变化的63.5%，感知易用性（PEOU）变化的22.8%，感知有用性（PU）变化的44.3%，以及行为意向（BI）变化的44.8%。TPACK显著影响了PEOU和BI，表明职前教师的教学能力比他们对移动学习有用性的感知更能驱动其接受度。从理论上讲，这项研究将移动学习的采用重新定义为认知过程，而非心理过程，将教学设计而非感知视为数字能力的核心。在实践中，研究结果强调了首先进行教学法培训的必要性，以使职前教师能够利用技术进行教学，而不仅仅是培养积极的态度。通过整合TPACK和TAM，这项研究加深了对能力驱动的移动学习采用的理解。

**1. 引言**
移动设备的全球普及改变了连接方式，现在95%的人口生活在有移动蜂窝网络覆盖的地区[1]（国际电信联盟（ITU），2025年）。拥有移动设备的人数激增，大多数成年人拥有多个设备[59]。截至2025年，大约有48.8亿人拥有智能手机，预计到2025年底这一数字将达到71.2亿（ITU，2025年）。移动设备的使用持续增长，2021年记录了150亿台活跃设备，预计到2025年将增加到182.2亿台。鉴于预计到2050年全球人口将从81亿增加到97.4亿[59]，移动设备的普及率预计将进一步加深，形成一个高度互联的社会，在这个社会中，个人使用移动设备完成日常任务，包括教育。到2050年，人工智能、增强现实和自适应学习技术的进步将进一步个性化教育，使移动学习（m-learning）成为未来教学法的核心组成部分。

然而，尽管移动技术在全球范围内得到普及，但在高等教育中的整合仍然不均衡，特别是在全球南方地区。结构性不平等，如数字基础设施有限、连接不稳定以及数字能力差异，限制了移动设备的有效教学应用[8,44]。在许多发展中国家，包括撒哈拉以南非洲，拥有移动设备并不一定意味着有意义的教育整合。这种脱节在教师教育中尤为关键，因为职前教师不仅需要作为技术的使用者，还需要成为数字化丰富学习环境的未来促进者。最近的研究，如Tang等人[62]和Wijaya等人[67]的研究，强调了职前教师对新兴技术的日益关注，强调了理解影响其采用和有效使用因素的重要性。因此，职前教师在这个转型过程中扮演着关键角色，因为他们既作为学生体验m-learning，同时又需要将这些技术整合到未来的教学实践中。

尽管现有研究强调了移动设备在增强访问性、互动性和学习者参与度方面的潜力[61,72]，但许多研究仍然停留在描述性阶段，并且过于技术决定论，常常忽视了有效教学整合所需的知识结构。特别是，对于全球南方地区的职前教师如何发展将移动技术有意义地整合到教学和学习中的综合知识，实证理解仍然有限。技术教学内容知识（TPACK）框架[38]为研究这种整合提供了坚实的理论视角，因为它概念化了技术知识、教学知识和内容知识领域之间的相互作用。虽然TPACK已在技术整合研究中得到广泛应用，但在全球南方教师教育背景下，对其组成部分之间结构关系的模型驱动的定量研究仍然不足。此外，很少有研究采用结构方程建模等高级分析方法来验证这些关系，并解释不同知识领域如何与情感因素相互作用以影响m-learning的接受度。

为了解决这一差距，本研究开发并测试了一个基于TPACK的结构方程模型，以探讨职前教师的TPACK与其m-learning接受度之间的关系。该模型进一步纳入了技术接受模型（TAM）的因素，展示了TPACK知识领域如何与感知易用性和感知有用性相互作用，从而影响职前教师在受限和有机会条件下的m-learning接受度。研究结果通过将TPACK扩展到m-learning领域，并提供了一个经过验证的整合模型，为未来的研究提供了依据。

**2. 背景**
移动设备（如智能手机和平板电脑）的使用被定义为支持灵活、互动和个性化学习[4]，m-learning的特点包括便携性、情境相关性、社交互动性和个性化[19,72]。这些特性使得学习可以超越课堂进行，El-Hussein & Cronje [15]将其称为“打破课堂壁垒”，通过现实世界的互动促进真实的学习体验。例如，移动应用程序允许学生实时收集和分析虚拟实验数据[57,61]，通过数字平台促进合作，以及促进同伴讨论、指导和知识共享[4]。此外，可定制的应用程序进一步增强了个性化[71]，使学生能够根据他们的具体学习需求调整学习体验。

尽管有这些好处，移动设备的教学效果取决于教师的接受程度以及它们在教学中的运用情况。正如Mishra和Koehler [38]以及Amjad等人[1]所指出的，教室中技术的增加并不保证学习成果的提高。相反，教师必须具备将这些技术与教学法和学科内容相结合的必要知识[38,47,56]。在教师教育中，m-learning在培养职前教师的这些知识方面起着关键作用，为他们将来在课堂上使用移动技术做好准备。基于此，多项研究探讨了m-learning的各个方面，如职前教师的看法[4,48,52]、他们的意图[2,16,41]以及其对学生成绩的影响[32,61,72]。然而，关于职前教师接受和使用移动设备作为教学资源的实证证据仍然很少。

尽管职前教师可能表现出基本的数字能力，但目前的研究表明，许多人缺乏将移动学习（m-learning）有效整合到教学和学习空间中的知识（[16]；Tárraga-Mínguez等人，2021年）。为此，TPACK框架（Koehler & Mishra，2006）提供了一个全面的模型，用于理解教师如何将技术整合到教学中，强调了三个核心知识领域之间的相互作用：技术知识（理解和使用移动设备）、教学知识（应用有效的移动教学策略）和内容知识（掌握学科内容）。另一方面，TAM [13]提供了关于技术接受的见解。因此，本研究探讨了TPACK对职前教师接受m-learning的影响。掌握这些因素可能是提高教师准备度和支持移动设备在当前和未来课堂上有效使用的关键步骤。

在引言和背景部分之后，本文介绍了概念框架，发展了研究模型和假设，概述了方法论，报告了结果并讨论了其意义，并总结了研究的局限性和未来研究的方向。

**3. 概念框架**
**3.1. 整合TPACK和TAM以促进m-learning的采用**
要理解职前教师对m-learning的采用，需要一个能够捕捉他们的技术整合专业知识和技术使用接受度的框架。为此，本研究将TPACK框架与TAM相结合，提供了一个理论上的解释，说明知识和感知如何共同塑造m-learning的采用。TPACK基于Shulman（1986）的教学内容知识（PCK）概念，将教师的专业知识概念化为内容知识（CK）、教学知识（PK）和技术知识（TK）的动态互动[38]，如图1所示。这些领域及其交集（PCK、TCK、TPK和TPACK）代表了有效技术整合所需的知识。TPACK被广泛采用，为分析教师的技术整合提供了坚实的视角（Voogt等人，2013；Willermark，2018）。在m-learning的背景下，TPACK特别相关，因为它反映了职前教师将移动技术与教学策略和学科内容对齐的能力。本研究采用TPACK作为一组先验知识结构，因为它解释了教师关于如何将技术整合到教学实践中的知识。在职前教师教育中，TPACK既具有诊断作用，也具有发展作用。尽管职前教师通常在数字方面很熟练，但他们可能缺乏有效利用技术的教学策略。因此，教师教育必须有意识地培养TPACK，以适应移动和技术丰富的学习环境（Chai等人，2013；Koehler等人，2014）。

**3.2. TPACK和TAM之间的概念联系**
本研究将TPACK视为TAM变量的基础决定因素，从而建立了知识→感知→意向的路径。具体来说，研究假设具有更强技术、教学和内容知识的职前教师更有可能认为m-learning技术既有用又易于使用。例如，TK增强了对移动工具的熟悉度，PK支持有效的教学使用，CK确保与学科内容的对齐。这些领域的整合（TPACK）因此直接影响了感知易用性（PEOU）和感知有用性（PU）。此外，与TAM一致，PEOU预计会积极影响PU，因为被认为更容易使用的技术更有可能被认为是有用的。PEOU和PU反过来又会影响BI对m-learning的采用。通过这种整合，TPACK通过将教学和专业知识嵌入接受过程中，扩展了TAM。TAM的稳健性已在许多m-learning研究中得到证实[25,63,64]，但它在其教育背景下的情境敏感性方面受到批评[9,58]。特别是，TAM没有充分考虑影响教师技术使用的教学、制度和社会文化因素[66]。这一限制在教师教育中尤为明显，因为移动技术不仅被用作学习工具，还被用作需要教学对齐的资源。

为了解决TAM在教师教育中的局限性，本研究将TPACK作为TAM构建的理论先验。职前教师的TPACK代表了他们设计和实施m-learning的专业能力。这种专业知识被认为通过影响感知易用性（PEOU）和感知有用性（PU）来塑造接受信念。具有更强TPACK的职前教师可能会发现m-learning技术更容易操作（更高的PEOU），并且对他们学习和教学结果更有益（更高的PU）。这些感知反过来又驱动了采用m-learning的行为意向（BI），与TAM一致。通过这种整合，TPACK将教学和专业知识嵌入接受过程中，扩展了TAM。TAM的稳健性已在许多m-learning研究中得到证实[25,63,64]，但其在教育背景下的情境敏感性受到批评[9,58]。具体来说，TAM没有充分考虑影响教师技术使用的教学、制度和社会文化因素[66]。这种限制在教师教育中尤为明显，因为移动技术不仅被用作学习工具，还被用作需要教学对齐的资源。

**4. 模型开发和假设**
在本研究中，我们将TPACK组件作为外部先验变量整合到TAM中，以探讨职前教师的TPACK对其m-learning接受度的影响程度。基于这一整合框架，研究提出了一个结构模型，其中TPACK领域（TK、PK、CK和/或复合TPACK）作为外生变量，TAM构建（PEOU和PU）作为中介变量，而BI代表结果变量。这种整合的TPACK-TAM方法在全球南方背景下尤为重要，在那里数字能力的差异、基础设施的限制以及社会文化因素加剧了考虑知识能力和技术认知的必要性。基于先前强调TPACK在塑造技术整合和接受度方面重要性的研究[34,37,46]，我们提出了下图2所示的研究模型。首先，正如Joo等人[29]和Cheng等人[10]所指出的，关于TPACK与TAM之间关系的实证研究仍然有限。TPACK指的是有效使用技术进行教学所需的综合知识[38]。例如，一个具有强大TPACK能力的预备教师可能会开发出一堂基于视频分析应用程序的移动支持科学课，该课程基于探究式学习原则，并符合课程标准。尽管移动学习在教师教育中的重要性日益增加，但现有研究尚未探讨预备教师的TPACK如何影响他们对移动学习的接受和采用。为了填补这一空白并扩展TPACK和TAM的理论边界，我们在所提出的模型中纳入了TPACK的组成部分作为外部前因，并提出了以下三个核心假设：

H1. TPACK对移动学习的个人体验（PEOU）有积极影响。
H2. TPACK对移动学习的感知（PU）有积极影响。
H3. TPACK对使用移动学习的意向（BI）有积极影响。

其次，现有研究中各个知识领域（TK、PK、CK和TPACK）之间的关系存在不一致性。一些研究报告了强烈的正相关关系，表明良好的TK、PK和CK显著增强了TPACK[33,55]。例如，Koh等人[33]发现TK是新加坡预备教师TPACK的最强预测因素。相反，Chai等人[7]发现TK对TPACK的直接影响有限，强调了情境整合和教学设计的作用。此外，Jang和Tsai[28]报告称CK和PK在塑造科学教师的TPACK方面比TK有更大的影响。元分析将这些不一致性归因于文化、情境和方法论的差异[54,70]。最近的研究继续反映了这些矛盾。例如，Shamim等人（2024）发现TK直接影响TPACK，而CK的作用则不那么显著。因此，我们提出以下假设：

H4. CK对TPACK有积极影响。
H5. PK对TPACK有积极影响。
H6. TK对TPACK有积极影响。

第三，中间知识领域（TPK、TCK和PCK）对TPACK的影响尚无定论。虽然一些研究强调了它们的基础作用，但其他研究则显示了依赖于情境或不一致的效果。Jang和Tsai[28]发现PCK是TPACK的更强预测因素，表明教学法和内容的整合至关重要。相反，Koh等人[33]报告称TPK的影响最大，尤其是在预备教师中，强调了涉及技术的教学策略。最近的发现进一步复杂化了这一情况：Shamim等人（2024）表明TK直接影响TPACK，而CK的作用则不那么突出。相比之下，Huang等人[26]报告称CK是TCK的强预测因素，TCK间接影响TPACK。这些不一致的发现表明TPACK不是一个纯粹的加法结构，而是一个动态的、情境敏感的构念。因此，我们提出以下假设：

H7. PCK对TPACK有积极影响。
H8. TPK对TPACK有积极影响。

第四，文献中关于TK、PK、CK以及中间构念TPK、TCK和PCK之间的关系仍然不一致。Chai等人[7]发现TK和PK影响TPK，而CK对TCK或PCK没有影响。相反，Koh等人[33]报告称所有组成部分之间存在显著关系。更近期的研究继续反映了这种缺乏共识的情况。例如，Hsu和Chen（2022）观察到从TK和CK到它们各自的组合（TPK和TCK）有强烈的路径，但从PK到PCK的链接较弱。同样，Lin等人（2023）强调这些关系取决于教学经验和学科领域等情境因素。因此，我们提出以下假设来检验TPACK框架中的结构关系：

H9. TK对TPK有积极影响。
H10. PK对TPK有积极影响。
H11. PK对PCK有积极影响。
H12. CK对PCK有积极影响。

由于预备教师通常对移动设备有普遍了解，但对用于教学目的的移动学习工具接触有限，他们的PEOU可能会影响他们对PU的信念，最终影响他们采用这些工具的意愿[12,42]。因此，研究PU、PEOU和BI之间的关系对于理解驱动预备教师采用移动学习的因素至关重要。因此，我们提出以下假设：

H13. PEOU对移动学习的感知（PU）有积极影响。
H14. PEOU对使用移动学习的意向（BI）有积极影响。
H15. PU对使用移动学习的意向（BI）有积极影响。

总结来说，我们在表1中总结了研究的假设，以增强读者的理解。

表1. 假设总结。

假设 路径
H1 TPACK PEOU
H9 TK TPK
H2 TPACK PU
H10 PK TPK
H3 TPACK BI
H11 PK PCK
H4 CK TPACK
H12 CK PCK
H5 PK TPACK
H13 PEOU PU
H6 TK TPACK
H14 PEOU BI
H7 PCK TPACK
H15 PU BI

5. 方法论

5.1. 研究设计
本研究采用了定量、非实验性的横断面调查设计，数据使用SmartPLS 4.0中的偏最小二乘结构方程建模（PLS-SEM）进行分析。选择PLS-SEM是经过深思熟虑的，符合我们研究的性质和数据集的特点。虽然基于协方差的SEM（CB-SEM，如矩结构分析-AMOS）强调模型拟合和理论验证，但PLS-SEM是一种基于方差的、以预测为导向的方法，特别适合于探索复杂关系和中介机制的研究（Hair等人，2022）。这种方向与最近在教育技术接受度方面的实证工作一致。例如，SEM已被用于研究行为预测因素如何影响预备教师采用AI聊天机器人的情况，从而展示了其在建模复杂技术接受关系方面的价值[67]。我们的研究关注预备教师的TPACK能力与其对采用移动学习的认知和意图之间的关系。此类技术研究中的调查数据通常显示非正态性和异质性，因此PLS-SEM是合适的，因为它不需要多变量正态性[5,21,49]。此外，PLS-SEM还能适应小到中等规模的样本，并能够同时评估测量模型和结构模型[20]。重要的是，PLS-SEM使我们能够通过在一个综合框架内严格评估我们构念的质量以及假设路径的强度和显著性。

5.2. 参与者和数据收集
数据来自南非一所大学的328名教育学二年级预备教师，通过自愿在线问卷收集。经过数据筛选后，保留了292个可用案例，超过了基于10倍规则和先验功效分析的最低样本量建议[21]。样本包括179名女性参与者（63.1%）和113名男性参与者（38.7%），平均年龄为21.6岁。

5.3. 仪器
结构化问卷改编自先前研究中的验证测量量表。TAM相关构念（PU、PEOU、BI）来自Davis [12]和Venkatesh和Davis [65]，而TPACK构念（TPACK、TPK、PCK、CK、PK、TK）改编自Schmidt等人[55]。所有49个李克特量表项目都在五点李克特量表上测量（1=强烈不同意，5=强烈同意），正如Revilla等人[50]所推荐的，他们建议不要少于五个或超过七个点。为了减少响应偏差，还包括了一个中性选项，符合Kankara?和Capecchi（2024）的指导。为了确保清晰度，问题具体且避免了抽象或不熟悉的术语。此外，问卷中没有披露任何研究假设或意图，以防止偏差。该工具经过了专家审查，以评估内容相关性、清晰度和适当性。根据专家的反馈进行了少量修改，以提高项目的精确性和可理解性。

5.4. 伦理考虑
自由州大学研究伦理委员会批准了这项研究。参与是自愿的，在数据收集前获得了知情同意。受访者被保证匿名和保密，数据管理符合机构和国家的研究伦理指南。

6. 数据分析
分析遵循了Hair等人[21]建议的两阶段程序。首先，评估了测量（外部）模型，以确保构念质量。这包括评估指标可靠性、内部一致性、收敛效度和区分效度[21]。其次，通过自助法估计路径系数并测试其显著性来评估结构（内部）模型。使用决定系数评估模型的解释能力，同时检查效应大小以确定外生构念的相对贡献，并评估预测相关性以评估样本外的预测能力（Hair等人，2022；[35]）。

6.1. 测量模型评估
6.1.1. 描述性统计
描述性统计表明，偏度值范围从-0.82到0.94，峰度值范围从-0.97到0.88，都在可接受的±1阈值范围内（[5]；Blanc-Fair等人，2022；Hair等人，2013）。鉴于在PLS-SEM中，多变量正态性评估不是模型估计的先决条件[5]，因此检查了指标的偏度和峰度以供描述性目的。评估重点放在指标可靠性、构念可靠性和有效性上。外部载荷、Cronbach’s alpha、复合可靠性、AVE、Fornell-Larcker标准和HTMT比率用于在测试结构关系之前确认测量模型的适当性。

6.1.2. 可靠性和收敛效度
使用标准化因子载荷检查了指标可靠性；0.70或更高的值表示可接受的可靠性[20]。所有指标（PEOU3除外，其值为0.679）都超过了推荐的0.70阈值（图3，表2），确认了令人满意的项目可靠性[6,49]。PEOU_3项目的载荷为0.679，低于0.70但高于0.40，但由于移除它会减少PEOU构念的内容覆盖范围，且该构念的总体可靠性和收敛效度仍然足够（CR=0.807；AVE=0.619）。根据Hair等人（2022）的建议，如果移除这些项目会对内容有效性产生负面影响并且构念满足可靠性和有效性标准，则可以保留。内部一致性可靠性也得到了支持，因为Cronbach’s alpha和复合可靠性（CR）值均高于0.70[3]，如表3所示。在构念中，PU和TK的可靠性系数最高，表明内部一致性很强，而PCK的可靠性系数最低，尽管仍然可以接受。也实现了收敛效度，所有平均方差提取（AVE）值均超过0.50[17]。这证实了TPK、TCK和PCK的影响因不同的教育环境而异，取决于教师的背景、学科内容和机构因素。因此，我们提出以下假设：

H7. PCK对TPACK有积极影响。
H8. TPK对TPACK有积极影响。

4. 文献中关于TK、PK、CK以及中间构念TPK、TCK和PCK之间的关系仍然不一致。Chai等人[7]发现TK和PK影响TPK，而CK对TCK或PCK没有影响。相反，Koh等人[33]报告称所有组成部分之间存在显著关系。更近期的研究继续反映了这种缺乏共识的情况。例如，Hsu和Chen（2022）观察到从TK和CK到它们各自的组合（TPK和TCK）有强烈的路径，但从PK到PCK的链接较弱。同样，Lin等人（2023）强调了这些关系取决于教学经验和学科领域等情境因素的变化。因此，我们提出以下假设来检验TPACK框架中的结构关系：

H9. TK对TPK有积极影响。
H10. PK对TPK有积极影响。
H11. PK对PCK有积极影响。
H12. CK对PCK有积极影响。

由于预备教师通常对移动设备有普遍了解，但对用于教学目的的移动学习工具接触有限，他们的PEOU可能会影响他们对PU的信念，最终影响他们采用这些工具的意愿[12,42]。因此，研究PU、PEOU和BI之间的关系对于理解驱动预备教师采用移动学习的因素至关重要。因此，我们提出以下假设：

H13. PEOU对移动学习的感知（PU）有积极影响。
H14. PEOU对使用移动学习的意向（BI）有积极影响。
H15. PU对使用移动学习的意向（BI）有积极影响。

为了总结，我们在表1中总结了研究的假设，以增强读者的清晰度。

表1. 假设总结。

假设 路径
H1 TPACK PEOU
H9 TK TPK
H2 TPACK PU
H10 PK TPK
H3 TPACK BI
H11 PK PCK
H4 CK TPACK
H12 CK PCK
H5 PK TPACK
H13 PEOU PU
H6 TK TPACK
H14 PEOU BI
H7 PCK TPACK
H15 PU BI

5. 方法论

5.1. 研究设计
本研究采用了定量、非实验性的横断面调查设计，数据使用SmartPLS 4.0中的偏最小二乘结构方程建模（PLS-SEM）进行分析。选择PLS-SEM是经过深思熟虑的，符合我们研究的性质和数据集的特点。虽然基于协方差的SEM（CB-SEM，如矩结构分析-AMOS）强调模型拟合和理论验证，但PLS-SEM是一种基于方差的、以预测为导向的方法，特别适合于探索复杂关系和中介机制的研究（Hair等人，2022）。这种方向与最近在教育技术接受度方面的实证工作一致。例如，SEM已被用于研究行为预测因素如何影响预备教师采用AI聊天机器人的情况，从而展示了其在建模复杂技术接受关系方面的价值[67]。我们的研究关注预备教师的TPACK能力与其对采用移动学习的认知和意图之间的关系。此类技术研究中的调查数据通常显示非正态性和异质性，因此PLS-SEM是合适的，因为它不需要多变量正态性[5,21,49]。此外，PLS-SEM还能适应小到中等规模的样本，并能够同时评估测量模型和结构模型[20]。重要的是，PLS-SEM使我们能够通过在一个综合框架内严格评估我们提出的路径的质量和假设路径的强度和显著性。

5.2. 参与者和数据收集
数据来自南非一所大学的328名教育学二年级预备教师，通过自愿在线问卷收集。经过数据筛选后，保留了292个可用案例，超过了基于10倍规则和先验功效分析的最低样本量建议[21]。样本包括179名女性参与者（63.1%）和113名男性参与者（38.7%），平均年龄为21.6岁。

5.3. 仪器
结构化问卷改编自先前研究中的验证测量量表。TAM相关构念（PU、PEOU、BI）来自Davis [12]和Venkatesh和Davis [65]，而TPACK构念（TPACK、TPK、PCK、CK、PK、TK）改编自Schmidt等人[55]。所有49个李克特量表项目都在五点李克特量表上测量（1=强烈不同意，5=强烈同意），正如Revilla等人[50]所推荐的，他们建议不要少于五个或超过七个点。为了减少响应偏差，还包括了一个中性选项，符合Kankara?和Capecchi（2024）的指导。为了确保清晰度，问题具体且避免了抽象或不熟悉的术语。此外，问卷中没有披露任何研究假设或意图，以防止偏差。该工具经过了专家审查，以评估内容相关性、清晰度和适当性。根据专家的反馈进行了少量修改，以提高项目的精确性和可理解性。

5.4. 伦理考虑
自由州大学研究伦理委员会授予了伦理批准。参与是自愿的，在数据收集前获得了知情同意。受访者被保证匿名和保密，数据管理符合机构和国家的研究伦理指南。

6. 数据分析
分析遵循了Hair等人[21]建议的两阶段程序。首先，评估了测量（外部）模型，以确保构念质量。这包括评估指标可靠性、内部一致性、收敛效度和区分效度[21]。其次，通过自助法估计路径系数并测试其显著性来评估结构（内部）模型。使用决定系数评估模型的解释能力，同时检查效应大小以确定外生构念的相对贡献，并评估预测相关性以评估样本外的预测能力（Hair等人，2022；[35]）。

6.1. 测量模型评估
6.1.1. 描述性统计
描述性统计表明，偏度值范围从-0.82到0.94，峰度值范围从-0.97到0.88，都在可接受的±1阈值范围内（[5]；Blanc-Fair等人，2022；Hair等人，2013）。鉴于在PLS-SEM中，多变量正态性评估不是模型估计的先决条件[5]，因此检查了指标的偏度和峰度以供描述性目的。评估重点放在指标可靠性、构念可靠性和有效性上。外部载荷、Cronbach’s alpha、复合可靠性、AVE、Fornell-Larcker标准和HTMT比率用于在测试结构关系之前确认测量模型的适当性。

6.1.2. 可靠性和收敛效度
使用标准化因子载荷检查了指标可靠性；0.70或更高的值表示可接受的可靠性[20]。所有指标（PEOU3除外，其值为0.679）都超过了推荐的0.70阈值（图3，表2），确认了令人满意的项目可靠性[6,49]。PEOU_3项目的载荷为0.679，低于0.70但高于0.40，但由于移除它会减少PEOU构念的内容覆盖范围，且该构念的总体可靠性和收敛效度仍然足够（CR=0.807；AVE=0.619）。根据Hair等人（2022）的建议，如果移除这些项目的载荷在0.40到0.70之间且不会对内容有效性产生负面影响，并且构念满足可靠性和有效性标准，则可以保留。内部一致性可靠性也得到了支持，因为Cronbach’s alpha和复合可靠性（CR）值均高于0.70[3]，如表3所示。在构念中，PU和TK的可靠性系数最高，表明内部一致性很强，而PCK的可靠性系数最低，但仍可接受。也实现了收敛效度，所有平均方差提取（AVE）值均超过0.50[17]。这证实了每个构念解释了其相应指标中超过一半的方差。

下载：下载高分辨率图像（476KB）
下载：下载全尺寸图像

图3. 测量模型。

表2. 外部载荷。

表3. Cronbach’s alpha系数、Rho_A、Rho_C和平均方差提取。

表3. Cronbach’s alpha、复合可靠性（rho_a）、复合可靠性（rho_c）和平均方差提取（AVE）。

6.2. 区分效度
使用Fornell-Larcker标准[17]评估了区分效度。根据这一标准，每个潜在构念的AVE的平方根应超过其与其他构念的相关性，从而确认区分效度。如表4所示，AVE值的平方根（显示在对角线上）始终高于相应的构念间相关性。这表明每个构念在其指标中解释的方差多于其他构念。因此，测量模型显示了可接受的区分效度，确认了潜在变量在经验上是不同的，并测量了潜在理论框架的独特方面。

表4. 区分效度矩阵（Fornell-Larcker标准）。

表4. 区分效度矩阵（Fornell-Larcker标准）。

与Hair等人[21]的观点一致，他们认为异质特质-单特质相关性比率（HTMT）是评估区分效度的更可靠方法，比传统的方法（如交叉载荷或Fornell-Larcker标准）更可靠，我们也应用了HTMT来检验构念的独特性。如表5所示，所有HTMT值均低于0.85阈值[21]，远低于概念相似构念的0.95临界值[22]。这些发现表明每个潜在变量捕获了其潜在构念的独特方面，进一步确认了区分效度。

表5. 区分效度矩阵（异质特质-单特质比率[HTMT]。

6.3. 结构模型评估
使用自助法（5000次重采样）评估了结构模型，以估计标准误差并生成t统计量进行显著性测试[35]。R2值表示在内生构念中解释的方差比例，范围从0.228（PEOU）到0.707（PCK）（表6）。这表明根据Falk和Miller（1992）的标准R2 > 0.10，解释能力是可接受的。假设关系的显著性在所有标准化路径系数均为正数且其t统计量超过单尾检验的1.64阈值[68]时得到了确认。盲法程序显示所有内生构念的Q2 > 0[21]，证明了TPACK-TAM模型的强大预测相关性。表6. 结构模型结果。

表6. 结构模型结果。

空单元格
R2
样本均值（M）
标准差（STDEV）
T统计量（|O/STDEV|）
P值
Q2
PU
0.443
0.448
0.051
8.678
0.000
0.194
BI
0.448
0.457
0.049
9.233
0.000
0.238
PCK
0.706
0.709
0.038
18.479
0.000
0.701
PEOU
0.228
0.234
0.049
4.689
0.000
0.249
TPACK
0.635
0.646
0.047
13.427
0.000
0.477
TPK
0.583
0.588
0.047
12.287
0.000
0.566

7. 结果与讨论
采用结构方程建模（SEM）来研究职前教师的技术教学内容知识（TPACK）如何影响他们对教师教育中移动学习（m-learning）的接受度。所提出的结构模型整合了TPACK和技术接受模型（TAM）框架中的核心构念，以捕捉教师知识以及特定于移动学习使用的采纳信念维度。该模型不是泛泛而谈数字技术，而是明确关注教师的知识结构如何支持移动设备在教学中的教学整合。结果表明，该模型对TPACK的解释能力很强，解释了其63.5%的方差（R2 = 0.635）。这一解释水平超过了以往TPACK研究中常见的水平，表明该模型能够捕捉职前教师在最小未解释方差的情况下将移动技术教学化整合的关键决定因素。在15个假设的关系中，有12个得到了统计学上的支持，大多数路径显示出正向且显著的效果（图4，表7）。

7.1. TPACK的预测因素
结构结果显示，PK是预测移动学习采纳的最强因素（β = 0.724，p < 0.001）。从实证角度来看，这一发现强调了职前教师规划、管理和评估移动学习的能力是将移动设备整合到教学中的基础。在移动学习环境中，教学和学习的特点是移动性、设备异质性和自发的学习互动[4,15]，因此教学决策尤为重要。PK在预测移动学习采纳中的主导地位对教师技术采纳的研究做出了重要贡献。尽管先前的研究（例如Hsu & Chen, 2022; Shamim et al., 2024）认为CK是TPACK或技术采纳的主要驱动因素，但我们的发现表明，教学意图而非内容掌握是职前教师接受移动学习的关键因素。这改变了TPACK研究中理论的重点，转向理解教学决策如何塑造技术整合。

值得注意的是，TPK（β = 0.530，p < 0.001）和TK（β = 0.529，p < 0.001）也显著预测了TPACK。从实证角度来看，这证实了职前教师必须理解移动技术的工作原理以及如何将其教学化地运用以支持学习。从理论上讲，表7中显示的这些路径的接近等同强度表明，虽然熟悉移动设备（例如操作应用程序、管理连接性）是必要的，但其教学价值只有在教师能够将移动设备的便携性、即时性和个性化等特性与教学目标对齐时才会显现出来。这一观察结果挑战了Chai et al. [7]和Cheng et al. [10]的研究，他们发现TK对TPACK的直接影响有限。因此，我们的发现表明，移动TPACK的发展似乎更侧重于设计而非工具。

与我们的预期相反，表7的结果显示PCK并未显著预测TPACK（β = 0.151，p = 0.065）。从实证角度来看，这种非显著关系与传统TPACK假设相悖，传统假设认为学科特定的教学法会自然延伸到数字整合和移动学习中[37,38; Shamim et al., 2024]。从理论上讲，这一发现挑战了线性知识转移模型，并暗示了教师知识发展的更为模块化的路径。在移动学习环境中，通常依赖于通用平台（例如消息应用程序、学习管理系统、多媒体工具）而非学科特定的移动应用程序，内容固定的教学常规可能具有有限的迁移性。这一发现很重要，因为它表明移动学习能力可能独立于学科教学传统而发展。

7.2. TPACK与移动学习采纳
为了研究教师知识如何影响移动学习的采纳，将TPACK与TAM结合起来，以评估其对职前教师关于移动学习使用的信念和行为意图的影响。研究发现TPACK显著预测了PEOU（β = 0.482，p < 0.001）和PU（β = 0.165，p = 0.001），这表明TPACK不仅代表了一个抽象构念，而且对职前教师如何评估和采纳移动学习具有实际意义。这一结果表明，TPACK不仅仅是一个抽象概念，它对职前教师如何评估和采纳移动学习有着实际影响[1]。更高的TPACK水平转化为更强的可用性和价值感知，这通过将TPACK定位为技术接受模型中的关键认知前提，推动了学术进展。

从实证角度来看，对PEOU的更强影响表明，教学技术能力减少了使用移动设备进行教学时的认知、后勤和教学努力。鉴于移动学习在设备管理、连接性和课堂控制方面的反复问题，特别是在撒哈拉以南非洲地区，我们的发现表明能力是感知易用性的主要来源。从理论角度来看，这一发现将移动学习中的PEOU重新定义为一种由能力中介的信念，意味着当职前教师具备管理移动性、分心和学习者自主性的教学策略时，他们会觉得移动技术更容易使用。PU虽然仍然显著，但似乎是在解决了与易用性相关的障碍之后才形成的。与先前的TAM研究[9,23,39,60]一致，PU（β = 0.267，p < 0.001）和PEOU（β = 0.211，p = 0.001）都显著预测了BI使用移动学习，其中PU的影响更为显著。这表明，当移动学习明显提高教学效果（如支持参与度、灵活性和及时反馈）时，职前教师更倾向于采纳移动学习。至关重要的是，TPACK对BI有强烈的直接影响（β = 0.336，p < 0.001），超过了PU和PEOU的影响。从实证角度来看，这表明职前教师采纳移动学习更多是由他们在教学环境中有效利用移动学习的能力驱动的。这一发现支持了一种以能力为主导的移动学习采纳模型，其中BI源于职前教师的能力和准备在教学中有意义地利用移动学习活动。例如，Tang et al. [62]的研究表明，微讲座显著提高了初中生的数学成绩和学习满意度，突显了教学知识在改善学生成果方面的潜力。虽然他们的研究关注学生表现，但我们的研究考察了使这种有效技术整合成为可能的职前教师之间的先决机制。这些研究说明了互补的关系：教师的专业知识和技术接受度为学习干预奠定了基础，从而积极影响学生成果。最近的证据进一步支持了这些发现。系统评价表明，当教师能够有效整合移动学习工具时，这些工具可以提高学生的参与度、灵活性和批判性思维[45]。这些研究与我们的TPACK-TAM模型一致：加强职前教师的综合知识不仅促进了他们采纳移动学习（通过PU、PEOU和BI），还为课堂上的教育成果改进奠定了基础。

8. 结论
本研究提出了三个关键的理论贡献。首先，TPACK的发展是基于教学法的，而不是基于内容的。这挑战了线性进展模型，并将教学法而非内容专长确立为TPACK的核心框架。其次，移动学习的采纳是由能力驱动的，而不是由感知驱动的，表明对易用性和有用性的感知受到教师技术教学能力的影响。第三，技术采纳是认知性的，而不仅仅是心理性的，意味着教师在具备设计就绪的教学策略时才会采纳工具，而不仅仅是因为工具看起来方便或有益。实际上，这些见解对教师专业发展具有重要意义。优先考虑工具或学科特定数字应用的培训模型可能会与数字教学能力的发展方式不一致。相反，专业学习应侧重于教学法的设计，将数字工具视为教学方法而非技术附加组件。此外，PCK → TPACK路径的非显著性表明，技术培训应从一般教学整合原则开始，而不是从特定学科的应用开始。因此，可持续的技术采纳最好是通过加强教师使用这些工具的教学能力来实现的。

9. 启示
9.1. 理论贡献
本研究通过整合TPACK和TAM框架来解释职前教师对移动学习的采纳，提供了对专业知识如何塑造技术采纳的细致理解。这些发现扩展了现有的教师技术整合模型，并通过实证测试“知识 → 感知 → 意图”路径，为教育技术采纳的理论发展做出了贡献，特别是在高等教育和全球南方背景下，关于教师知识与技术采纳之间相互作用的证据仍然有限。

9.2. 实际意义
这些发现对多个利益相关者具有实际意义：
- 教师和职前教育者：该研究强调了哪些专业知识方面最强烈地影响对移动学习的感知和采纳意图，帮助教育者在专业发展中关注特定能力。
- 教师教育项目和学校：该研究的见解可以为课程设计提供信息，强调基于TPACK的干预措施，以提高技术整合技能并促进对移动学习的积极态度。
- 研究人员：本研究中验证的整合TPACK-TAM模型为未来研究提供了框架，以研究不同背景下教育者对技术的采纳，包括人工智能中介和移动学习环境。

9.3. 限制与未来工作
本研究存在某些限制。首先，使用自我报告的数据可能会引入常见的方法偏差，尽管这在TPACK-TAM研究中很常见。PLS-SEM的应用通过识别弱指标和减少测量误差帮助缓解了这一问题。其次，该模型解释了PEOU方差的22.8%，表明可能需要额外的预测因素（如技术焦虑或机构支持）来进一步解释教师对易用性的感知。第三，为了避免参与者疲劳，排除了个体差异因素（如性别、先前的移动学习经验），这可能限制了对个人因素对移动学习采纳影响的洞察。未来的研究应采用纵向或混合方法设计，以捕捉TPACK随时间的发展以及技术-教学能力的变化如何塑造对移动学习的不断变化的信念。跨情境的比较研究还可以澄清这里确定的以能力为导向的采纳路径是否适用于其他样本。

数据与材料的可用性
支持本研究发现的数据可向相应作者提出合理请求后获取。

资金
本研究未从任何公共、商业或非营利部门的资助机构获得特定资助。

引用参考文献
[11,14,18,24,27,30,31,36,40,43,51,53,69]