大學英語學習者特質情緒智力與在線學習投入的關系研究

崔夢雪 劉 欣

大連外國語大學 大 連 116044 中 國

遼寧師范大學 大 連 116044 中 國

一、引言

大學英語教學模式日益凸顯多元性的特征，學習者的學習環境更加自主開放，這對學習者自身也提出了更高的要求。與此同時，“積極心理學”的正式確立和發展使得學界開始認識到個體情緒體驗的復雜性，逐漸開始關注學習者的多重情緒共存特征，即情緒智力。情緒智力較高的個體能夠更好地認知、評估情緒信息，進而采用適當的方式進行情緒調控或管理，因而會表現得更好（Sony & Mekoth，2016）。而學習投入作為檢驗學生學習成效和質量的重要學習特征變量，與情緒智力之間的關系尚未得到系統論述。同時，情緒智力也受到環境影響，是應對外在環境而表現出的一系列情緒管理和交際能力。

因此，本文假設情緒智力作為反映學習者自身情緒狀況的性格特質，勢必會對學習者的學習投入產生影響?，F有研究大多聚焦英語學習者單一情緒體驗的研究，但這似乎不足以解釋外語學習者的語言習得差異。此外，關于學習投入的影響因素主要集中在傳統課堂中的外部因素，很少涉及學習者個體因素對在線學習投入的影響。鑒于此，本研究擬從積極心理學視角，以大學英語學習者的在線學習投入作為切入點，探究特質情緒智力與在線學習投入的關系，進而為線上大學英語教學提出相關的教學建議。

二、文獻綜述

1. 特質情緒智力

情緒智力是指個體對情緒的感知、應對及調控能力，能夠幫助個體理解情感，通過反思來調控情緒以促進情感和智力增長（Mayer & Salovey，1997）。同時，情緒智力也是衡量學業心理健康與否的重要指標。不同研究領域的學者對情緒智力的定義不同，采用的測量方法也不同。情感體驗本質上是主觀的，很難制定明確的標準來判斷答案的對錯。而特質情緒智力的建構是根據個體對自我情緒能力的評估來衡量其行為傾向與自我感知能力（Petrides et al，2007）。因此，為探究情緒體驗的內在本質與學習投入之間的關系，本文聚焦特質情緒智力。

Shao（2013: 918）探究了情緒對二語學業成績的影響，研究得出學生在學習中產生的適當的負向情緒對學校成績有一定的積極作用。由此，情緒智力作為處理個體情緒的能力逐漸受到二語習得領域的關注（李成陳，2019：2）?；诹炕唾|性相結合的研究方法探究了情緒智力與積極和消極情緒之間的關系，證實了情緒智力干預的有效性。之后，韋曉保（2022：88）通過問卷調查和結構方程建模的方法探究了情緒智力對二語交際意愿的影響以及課堂社交環境在其中的調節作用，結果表明情緒智力對二語交際意愿具有顯著的預測作用。相反，Brackett& Mayer（2003：1152）通過實證研究發現無論是基于學習者能力情緒智力還是特質情緒智力的測量，研究結果都表明學習者的情緒智力與學業成績之間并沒有太大的關聯。因此，探究學習者的特質情緒智力是否能夠正向預測學業成績需要關注學習者各維度的學習投入，以學習投入為衡量指標考察情緒智力對學業成績的影響更具有有說服力。

2. 在線學習投入

學習投入是影響學生學習成就和堅持度的重要學習特征變量，同時也是國內外教育機構進行教育研究、教學改革與評估重點關注的變量。已有研究表明，學習投入既是學習者學習過程的重要觀測指標，也是學業成就的核心預測指標（Chen & Kraklow，2015）。隨著研究的深入，-Fredricks提出由行為、認知和情感三個維度構成的投入模型，并為多數研究者認可并應用。

在線學習投入是指學習者在在線學習活動中表現出來的積極狀態（劉斌等，2017：63）)。在已有研究中，開發相關工具、開展調查研究是在線學習投入研究的重要內容。此外，基于這些工具的開發和應用，許多實證研究表示，在線學習投入受到多方面因素的影響。在學習者個體因素方面，學習者的專業認同、學習動機、自我效能感、在線學業情緒等是在線學習投入的重要預測變量（郭雪，2023；左燦等，2023）；在外部環境因素方面，技術接受度、教師支持策略、信息素養等都顯著影響著在線學習投入（李正偉等，2023；劉斌等，2017）。

因此，本研究以在線環境下的學習投入為切入點，從積極心理學視角出發，深入探究大學英語學習者的情緒智力與在線學習投入現狀，并探討兩者之間的關系。具體研究問題為:（1）大學英語學習者的特質情緒智力和在線學習投入表現出什么特征?（2）大學英語學習者的特質情緒智力與在線學習投入之間存在什么關系?

三、研究設計

1. 研究對象

本研究基于東北地區某外語類高校非英語專業的“新標準大學英語課程“開展問卷調查，授課對象為大二年級學生，平均年齡在19.6歲。共選取132名學生。問卷使用問卷星編輯發放，最終回收有效問卷120份，問卷有效率為90.91%。該課程要求學生基于在線學習平臺自主學習完成教師布置的任務。所有學生都具備基本信息素養，并熟知在線學習各平臺操作。

2. 測量工具

本研究主要通過問卷調查和半結構化訪談收集數據。

1) 特質情緒智力量表”主要參考Petrides（2009）編制的“特質情緒智力量表”（TEIQue）。根據研究問題和背景，對原始問卷中某些題項進行了刪除和修改。修改后的量表共包含28個題項，分為情緒性（7個題項），自控力（7個題項），社交性（7個題項）和幸福感（7個題項）四個維度，采用的是李克特7級量表的形式。據先導實驗數據分析顯示，特質情緒智力量表的Cronbach's α系數為0.853，表明問卷內部一致性均較好。量表KMO值為0.807，Bartlett球形檢驗的值為0.000，表明問卷結構效度良好。

“在線學習投入量表”主要參考了李爽和喻忱（2015：65）的“遠程學習投入量表”和 Sun& Rueda（2012：199）等人修訂的“遠程學習投入量表”。該量表由行為投入（13個題項）、情感投入（11個題項）和認知投入（14個題項）三個維度組成，共38個題項，采用5點計分法。該量表整體的Cronbach's α系數為0.973，行為投入、認知投入、情感投入三個維度內部一致性信度分別為：0.93、0.92、0.95，表明問卷內部一致性較好。量表KMO值為0.909，Bartlett球形檢驗的值為0.000，表明其問卷結構效度良好。

2) 訪談為半結構化訪談，用于了解學習者在在線學習過程中的體驗與評價。根據特質情緒智力自評水平和課堂表現，研究者選取了6名學習者進行訪談。訪談內容包括:（1）對在線學習形式的評價;（2）對自身情緒狀態的評價;（3）對自身學習投入的評價;（4）對情緒智力影響學習投入的感受。

3. 數據處理與分析方法

本研究主要采用SPSS22.0對數據進行處理和統計分析，要分析內容如下：(1)對大學英語學習者的特質情緒智力和在線學習投入進行描述性分析；（2）對特質情緒智力和在線學習投入進行相關性分析和回歸分析。

四、研究結果與討論

1. 特質情緒智力和在線學習投入水平

通過SPSS描述統計，分析出在線學習者的特質情緒智力及其情緒性、自控力、社交性和幸福感4個維度和在線學習者的整體學習投入及其行為投入、情感投入、認知投入3個維度的平均數（Mean）與標準差（Std. Deviation），見表1。經分析，各組數據基本呈正態分布，說明研究對象選取合理，具有較好的代表性。

表1 特質情緒智力和在線學習投入的描述性統計

由表1可得，在線學習者的特質情緒智力均值為17.74（滿分28），說明被試的情緒智力水平處在中等偏上水平。就各維度而言，學習者的情緒性水平最高，均值達到4.76；其次為幸福感，均值為4.71；再次為自控力，均值為4.35；最后為社交性，均值為3.92。就標準差而言，學習者的整體情緒智力及各維度呈現的波動范圍在0.334—1.074之間，內部差異比較明顯。相比之下，內部差異最明顯的是社交性，情緒性和幸福感的內部差異相對較小。

表1呈現了在線學習者學習投入的描述統計分析，可以看出，在線學習者的學習投入整體均值為3.24（滿分5），略高于理論中值3.0，總體上屬于中等水平。在三個維度上，投入水平由高到低依次為：行為投入、情感投入、認知投入。就內部3個維度而言，學習者在行為投入上的表現最好，均值為3.91; 其次為情感投入，均值為3.32; 再次為認知投入，均值為3.29。以上分析表明，大學英語學習者的特質情緒智力和在線學習投入整體表現尚好，但均存在內部差異等問題。

2. 特質情緒智力與在線學習投入的關系

根據皮爾遜雙尾檢驗結果顯示，學習者的特質情緒智力與整體在線學習投入的相關系數為0. 581，顯著性為 p〈0. 001，兩者之間存在高度相關。從兩者內部的7個維度來看，情緒性、自控力、社交性、幸福感和行為投入、情感投入、認知投入之間存在不同程度的正向相關，相關系數介于0.269—0.670之間。相比之下，情緒性和幸福感與行為投入、情感投入、認知投入的相關系數介于0.534—0.670之間，關聯性更高，達到中度或高度相關，其中情緒性與行為投入和認知投入的關聯性高于與情感投入的關系，幸福感與情感投入和認知投入的關聯性高于行為投入的關系，而社交性與情感投入的關聯最低。

表2 特質情緒智力和在線學習投入的相關分析

為進一步明確特質情緒智力與在線學習投入之間的關系，研究者以特質情緒智力的4個維度為自變量，以在線學習投入的3個維度為因變量，建立多元線性回歸模型，如表4所示。經過回歸分析可得，特質情緒智力與在線學習投入模型決定系數為R2=0.507，方差檢驗值F=156.892，p〈0.001，因而該模型具有統計學意義，即特質情緒智力對整體在線學習投入具有顯著的正向預測作用，可以累計解釋其50.7%的變異。

表3 特質情緒智力對在線學習投入的回歸分析

從分項的系數來看，特質情緒智力的情緒性（P〈0.01）、自控力（P〈0.01）)都是學習投入的有效預測變量，而特質情緒智力的社交性維度在行為投入和情感投入維度P〉0.05，幸福感維度在行為投入和認知投入維度P〉0.05，不能作為有效預測變量。根據表5回歸系數表明，自控力對行為投入的影響最大（β=0.577），其后分別為情緒性（β=0.558）和幸福感（β=0.267）。特質情緒智力與情感投入的回歸模型同樣具有統計學意義，R2=0.472，方差檢驗值F=183.697，p〈0.001。該模型中，情緒性的影響最大（β=0.511），其次為自控力（β=0.309）。相較而言，特質情緒智力與認知投入的R2=0.301，方差檢驗值F=145.008，p〈0.001。該模型的方差擬合度較弱，特質情緒智力只能解釋認知投入 30.1%的變異。

1. 特質情緒智力和在線學習投入水平

就特質情緒智力而言，學習者的整體自測水平較好，處于中等偏上水平。但各個維度之間存在差異。這與韋曉保（2022：97）)在中國非英語專業大學生的情緒智力方面的研究結果一致。同時數據結果顯示，學習者在社交性這一維度的水平普遍有待提升，這表明大學生在線上學習過程中很少參與在線討論交流，并且在堅持自己的觀點和使用社交技巧方面呈現被動消極的行為表現。由訪談數據可知，學習者參與線上討論的活動機會較少，并且學習者在進行在線學習時更傾向于獨立的、不被打擾的學習狀態。其次，學習者表示在線互動交流時得不到即時反饋，易造成思考的中斷和注意力分散。

在在線學習投入方面，大學生的在線學習投入整體處于中等水平，其堅持性和專注性都有待提高。并且學習者的行為投入明顯高于另外兩個維度，認知投入和情感投入相對較低。這也印證了劉斌（2017：67）的觀點，即學習者運用認知策略，自我監控管理等認知投入情況以及對在線學習的價值認同和情緒狀態等情感投入情況都不甚理想。但這與蔡晨（2021：66）的研究結果存在差異，同樣是在線環境下大學英語學習者的學習投入研究，其結論表示在線學習者的情感投入明顯高于行為投入。為了進一步驗證研究結果，訪談數據表明，學習者對學習軟件系統的可追蹤性印象較為深刻，并且會下意識的增加自己在軟件中停留的時長，因此呈現出明顯的被動特征和績效導向特征（李爽，2016：82），這可能是造成差異的主要原因。此外，系統包含多個模塊，學習者需先通過觀看視頻/回答問題等一系列的復習任務才能解鎖下一單元，有學習者表示該模塊設計滿足自身自主化學習的需要，鞏固知識，由易到難，更易于行為投入。但更多的學習者表示，學習內容重復枯燥，很難有較好的情緒體驗。

2. 特質情緒智力與在線學習投入的關系

特質情緒智力與在線學習投入的相關性分析結果顯示，兩者存在高度相關，即特質情緒智力處于較高水平的學習者，整體的在線學習的投入度也會更高。從一定意義上來說，學習者在情緒管理、情緒感知以及控制情緒等方面的能力越強，就越會在在線學習中展現出更高的投入度和效能感，進而調節自己的學習行為來提高學業成績。

進一步回歸分析顯示，特質情緒智力中情緒性和自控力對行為投入、情感投入和認知投入都有顯著預測力，幸福感對行為投入具有顯著預測力，社交性只對認知投入具有預測力。就情緒性而言，學習者健康穩定的情緒狀態能夠幫助他們聚焦學習資源，開展更積極的學習體驗。自控力較強的學習者傾向于延遲瞬時滿足、理性控制并且善于調控自身壓力，從而追求既定目標，展現出較為全面的學習投入。但是，幸福感主要聚焦學習者自身的樂觀特質以及自尊，因而只能促進在線學習投入的某一方面提升。除此之外，社交性在學習者認知投入維度具有顯著的預測作用。這說明，教師應該重視在線表揚或鼓勵等社交性互動，這有利于學習者調動認知投入中的學習管理策略?；貧w分析進一步證實了特質情緒智力對在線學習投入的各維度具有預測作用。因此，在線學習環境中教師可以通過開展情緒學習課程，貫穿情緒教育，提升學習者的情緒智力，從而提高學習者的在線學習投入水平，改善在線學習效果。

綜合上述討論，學習者的整體特質情緒智力水平較好，在線學習投入水平處于中等水平，內部差異較大，存在進一步引導和提升的空間。這提醒教師要重視學習者在在線學習中的適應性差異，及時實施個性化干預。并引導學生使用相應的認知管理策略，幫助其更好的掌握學習方法和自主學習的能力，提高學習者對學校和課程平臺的認同。

六、結論

不同于采用單一的成績分數來衡量特質情緒智力與學業成就之間的關系，本研究將特質情緒智力引入學習者在線學習投入的研究發現前者對后者具有顯著的預測力。由此，教師應要強化自身的信息素養，發揮在線上學習環境中的主導作用，通過及時給予反饋、發布線上討論、在線答疑等方式向學習者提供交流機會，密切關注學習者的情感體驗和學習狀態。

本研究也存在不足之處，例如在線學習投入量表數據是基于學習者對整個學期在線學習投入的回溯，未涉及學習者在線學習投入的歷時研究和瞬時研究。未來研究可以基于不同的研究對象或教學模式開展歷時研究和瞬時研究；此外，學習者在線學習投入情況主要基于自測量表，未來研究可引入腦科學、人工智能等技術，提高學習投入測量的精準度。