《Behavioral Sciences》：Adaptation and Validation of the Chinese Version of the Digital Self-Efficacy Scale in Chinese First-Year College Students: A Bifactor-ESEM Approach
编辑推荐：
随着数字技术日益融入高等教育，评估学生在数字任务中的信心对于理解其适应数字学习环境至关重要。本研究将数字自我效能量表（Digital Self-Efficacy Scale, DSES）改编为中文版，并在中国1502名大一新生中评估其心理测量学特性。参与者被随
随着数字技术日益融入高等教育，评估学生在数字任务中的信心对于理解其适应数字学习环境至关重要。本研究将数字自我效能量表（Digital Self-Efficacy Scale, DSES）改编为中文版，并在中国1502名大一新生中评估其心理测量学特性。参与者被随机分为两个子样本，分别进行项目分析与探索性因子分析，以及结构验证。所有25个项目均表现出令人满意的区分度和同质性。尽管平行分析提示四因子探索性解，但在验证性阶段对七个竞争模型进行了比较。双因子探索性结构方程模型（Bifactor-ESEM）显示出统计拟合与实质性可解释性的最佳组合，表明中文版DSES主要捕捉一个综合性的数字自我效能维度，而领域特异性因子在一般因子之外仅保留有限的可靠方差。总分与数字成熟度呈正相关（r = 0.642, p < 0.001）；然而，由于两项测量均为自我报告且同时收集，外部效度受限。性别测量等值性分析支持构型、度量和标量等值性。总体而言，中文版DSES显示出有前景的初步心理测量学特性。推荐使用总分作为主要解释单位，子量表分数仅作为补充性描述信息使用。
**研究背景与问题**
数字技术已深度渗透高等教育，重塑了课程教学、学生学习及学业评价的方式。大一新生进入大学后，不仅需要适应新的学习内容，还需适应数字化媒介下的教学、协作与评价模式。客观计算机技能本身并不能决定学生是否会主动应对数字任务或在技术困难时坚持下去，学生对其自身数字能力的信念可能扮演着核心角色。数字自我效能（digital self-efficacy）即个体对自己处理数字任务能力的信念，
2其理论基础源于班杜拉（Bandura, 1977）的社会认知理论。近年来实证研究表明，数字自我效能不仅是信息通信技术（Information and Communications Technology, ICT）技能的关键预测因子，还通过影响个体对新技术的接受程度来促进或阻碍数字交互能力的发展。
现有多个评估数字能力的框架，如欧盟数字能力框架（DigComp），但该框架本质上是客观能力框架，不应与个体的主观能力信念混为一谈。Ulfert-Blank和Schmidt（2022）基于DigComp框架开发了数字自我效能量表（DSES），将客观能力描述转化为五个领域的自我效能项目，但该量表在中国大一新生中的心理测量学特性尚待检验。鉴于中国教育情境、数字学习实践及学生发展阶段的特点，原量表的五领域结构是否在此群体中清晰可辨或重新组织，仍是悬而未决的实证问题。
**研究设计与主要发现**
本研究旨在将DSES改编为中文版，并检验其在中国大一新生中的心理测量学特性。具体目标包括：遵循国际量表改编指南进行翻译与文化调适；运用独立子样本进行项目分析、探索性因子分析及竞争模型比较；基于最优模型评估量表信度、结构解释依据及其与数字成熟度的初步关联；采用多组建模方法检验性别的测量等值性。
研究采用方便取样，从广东省广州市两所高校（一所综合性大学、一所职业院校）招募大一新生，涵盖人文、科学与工程等学科。最终获得1502份有效问卷，随机分为子样本1（
n = 750，用于项目分析与探索性因子分析）和子样本2（
n = 752，用于结构验证与竞争模型比较）。
**关键技术方法**
本研究采用翻译-回译程序结合专家评议与认知访谈进行量表文化调适；运用极端组法计算临界比率（Critical Ratio, CR）评估项目区分度，采用校正项目-总相关（Corrected Item-Total Correlation, CITC）评估项目同质性；以平行分析（Parallel Analysis, PA）指导因子提取；采用竞争模型比较策略，依次比较验证性因子分析（Confirmatory Factor Analysis, CFA）、探索性结构方程模型（Exploratory Structural Equation Modeling, ESEM）及双因子ESEM（Bifactor-ESEM）；使用Mplus 8.3软件，以稳健最大似然估计（Robust Maximum Likelihood, MLR）为主要估计方法，并进行加权最小二乘均值和方差调整估计器（Weighted Least Squares Mean and Variance adjusted, WLSMV）敏感性分析；计算双因子信度指标包括总 omega（ω）、层次 omega（ωH）、子量表层次 omega（ωHS）、解释共同方差（Explained Common Variance, ECV）及未污染相关百分比（Percentage of Uncontaminated Correlations, PUC）；通过皮尔逊积差相关评估聚合效度；采用多组建模检验性别的构型、度量与标量等值性。
**研究结果**
**项目分析与探索性因子分析**：所有25个项目均显示令人满意的区分度（CR范围为17.15至29.08，
p < 0.001）和同质性（CITC范围为0.64至0.83）。平行分析支持提取四因子，但探索性载荷矩阵显示该结构难以从理论上解释：信息数据素养（ISE）与通信协作（CSE）的项目主要聚于同一因子，且存在跨域载荷，故四因子解虽统计拟合良好，但理论可解释性不足。
**竞争模型比较**：在子样本2中比较七个竞争模型。第一步，五因子斜交CFA与五因子ESEM比较显示，允许跨载荷后CFI从0.943提升至0.969，RMSEA从0.050降至0.044，SRMR从0.044降至0.016，因子间平均相关从0.82降至0.52，表明ESEM更贴合数据。第二步，Bifactor-ESEM模型在所有模型中拟合最优（CFI = 0.985，TLI = 0.973，RMSEA = 0.032，SRMR = 0.012）。一般因子载荷范围为0.62至0.83（均值约0.76），表明项目反应与广泛数字自我效能维度强烈关联；控制一般因子后，目标特异性因子载荷虽有统计学意义，但普遍较弱且不一致。第二阶CFA模型拟合未优于五因子斜交CFA，且显著劣于Bifactor-ESEM，表明一般因子并非仅通过五领域间接发挥作用，而是直接解释项目反应中的普遍性方差。
**稳健性、信度与结构解释**：WLSMV敏感性分析结果与MLR分析一致，支持Bifactor-ESEM解的稳健性。双因子信度指标显示：总量表可靠性极高（ω = 0.983），一般因子层次 omega 高（ωH = 0.946），ECV = 0.797，PUC = 0.810，表明总分主要反映一般数字自我效能构念。各子量表ωHS值普遍较低，提示控制一般因子后子量表所保留的可靠特异性方差有限，子量表仅宜作为补充性描述使用。
**与数字成熟度的关联**：中文版DSES总分与数字成熟度总分显著正相关（
r = 0.642，
p < 0.001），属于中至大效应量，提供初步聚合效度证据。但两项测量均为自我报告且同时同地收集，外部效度受限。
**性别测量等值性**：多组建模结果显示，构型等值模型拟合良好（χ
2(330) = 582.596，CFI = 0.986，RMSEA = 0.032）；度量等值模型ΔCFI = ?0.001，ΔRMSEA = ?0.004，ΔSRMR = 0.010；标量等值模型ΔCFI = 0.000，ΔRMSEA = 0.000，ΔSRMR = 0.002，均未超出推荐阈值，支持 configural、metric 与 scalar 等值性。但研究未进行潜在均值比较，不能确定性别间是否存在数字自我效能水平差异，仅表明量表在男女生中测量功能等值。
**讨论与结论**
中文版DSES的最佳结构表征为Bifactor-ESEM模型，而非简单的五因子斜交模型或传统二阶模型。这一发现澄清了量表的结构解释：五领域内容仍具组织意义，但领域间并非完全独立；一般因子不仅是对五领域的抽象概括，而是直接解释项目反应的普遍性来源。大一新生数字学习经历的整合性特征，以及该发展阶段尚未形成高度分化的自我评估，可能是强一般因子浮现的重要原因。然而，该结构模式未必仅归因于中国教育情境，全球高等教育中综合数字平台的普及及共同方法方差亦可能强化了一般因子。
Bifactor-ESEM框架的价值在于：既改善了模型拟合，又为分数解释提供了直接依据——总分应作为首要解释单位，子量表分数仅作补充描述。研究局限包括：样本限于广东省两所城市高校，区域代表性有限；横截面设计无法检验重测信度与纵向稳定性；外部效度证据尚属初步；认知访谈不够系统。未来研究应从多地区、多类型院校取样，纳入客观数字任务表现、学习平台行为数据及教师评定等独立效标，并开展认知访谈与纵向追踪。
**研究结论**：本研究将数字自我效能量表改编为中文版，并在中国大一新生中检验其心理测量学特性。所有25个项目均显示令人满意的区分度和同质性。尽管平行分析提示四因子探索性解，该结构难以从理论上解释且与原始DigComp框架不完全吻合。通过独立验证样本中七个竞争模型的比较，Bifactor-ESEM模型为中文版DSES提供了最可辩护的结构表征。该量表最好被描述为具有强综合性数字自我效能因子及较弱但仍有意义的领域特异性分化。双因子信度指标进一步支持优先使用总分，子量表分数应谨慎解释为补充描述信息而非独立指标。中文版DSES总分与数字成熟度正相关，提供初步聚合证据，但外部效度因两项测量均为自我报告且同时收集而受限。此外，性别的构型、度量和标量等值性支持了该量表在男女生中的可比性。总体而言，中文版DSES是评估该群体数字自我效能有前景的工具，推荐使用总分作为主要解释单位。
