大学英语学习者特质情绪智力与在线学习投入的关系研究

崔梦雪 刘 欣

大连外国语大学 大 连 116044 中 国

辽宁师范大学 大 连 116044 中 国

一、引言

大学英语教学模式日益凸显多元性的特征，学习者的学习环境更加自主开放，这对学习者自身也提出了更高的要求。与此同时，“积极心理学”的正式确立和发展使得学界开始认识到个体情绪体验的复杂性，逐渐开始关注学习者的多重情绪共存特征，即情绪智力。情绪智力较高的个体能够更好地认知、评估情绪信息，进而采用适当的方式进行情绪调控或管理，因而会表现得更好（Sony & Mekoth，2016）。而学习投入作为检验学生学习成效和质量的重要学习特征变量，与情绪智力之间的关系尚未得到系统论述。同时，情绪智力也受到环境影响，是应对外在环境而表现出的一系列情绪管理和交际能力。

因此，本文假设情绪智力作为反映学习者自身情绪状况的性格特质，势必会对学习者的学习投入产生影响。现有研究大多聚焦英语学习者单一情绪体验的研究，但这似乎不足以解释外语学习者的语言习得差异。此外，关于学习投入的影响因素主要集中在传统课堂中的外部因素，很少涉及学习者个体因素对在线学习投入的影响。鉴于此，本研究拟从积极心理学视角，以大学英语学习者的在线学习投入作为切入点，探究特质情绪智力与在线学习投入的关系，进而为线上大学英语教学提出相关的教学建议。

二、文献综述

1. 特质情绪智力

情绪智力是指个体对情绪的感知、应对及调控能力，能够帮助个体理解情感，通过反思来调控情绪以促进情感和智力增长（Mayer & Salovey，1997）。同时，情绪智力也是衡量学业心理健康与否的重要指标。不同研究领域的学者对情绪智力的定义不同，采用的测量方法也不同。情感体验本质上是主观的，很难制定明确的标准来判断答案的对错。而特质情绪智力的建构是根据个体对自我情绪能力的评估来衡量其行为倾向与自我感知能力（Petrides et al，2007）。因此，为探究情绪体验的内在本质与学习投入之间的关系，本文聚焦特质情绪智力。

Shao（2013: 918）探究了情绪对二语学业成绩的影响，研究得出学生在学习中产生的适当的负向情绪对学校成绩有一定的积极作用。由此，情绪智力作为处理个体情绪的能力逐渐受到二语习得领域的关注（李成陈，2019：2）。基于量化和质性相结合的研究方法探究了情绪智力与积极和消极情绪之间的关系，证实了情绪智力干预的有效性。之后，韦晓保（2022：88）通过问卷调查和结构方程建模的方法探究了情绪智力对二语交际意愿的影响以及课堂社交环境在其中的调节作用，结果表明情绪智力对二语交际意愿具有显著的预测作用。相反，Brackett& Mayer（2003：1152）通过实证研究发现无论是基于学习者能力情绪智力还是特质情绪智力的测量，研究结果都表明学习者的情绪智力与学业成绩之间并没有太大的关联。因此，探究学习者的特质情绪智力是否能够正向预测学业成绩需要关注学习者各维度的学习投入，以学习投入为衡量指标考察情绪智力对学业成绩的影响更具有有说服力。

2. 在线学习投入

学习投入是影响学生学习成就和坚持度的重要学习特征变量，同时也是国内外教育机构进行教育研究、教学改革与评估重点关注的变量。已有研究表明，学习投入既是学习者学习过程的重要观测指标，也是学业成就的核心预测指标（Chen & Kraklow，2015）。随着研究的深入，-Fredricks提出由行为、认知和情感三个维度构成的投入模型，并为多数研究者认可并应用。

在线学习投入是指学习者在在线学习活动中表现出来的积极状态（刘斌等，2017：63）)。在已有研究中，开发相关工具、开展调查研究是在线学习投入研究的重要内容。此外，基于这些工具的开发和应用，许多实证研究表示，在线学习投入受到多方面因素的影响。在学习者个体因素方面，学习者的专业认同、学习动机、自我效能感、在线学业情绪等是在线学习投入的重要预测变量（郭雪，2023；左灿等，2023）；在外部环境因素方面，技术接受度、教师支持策略、信息素养等都显著影响着在线学习投入（李正伟等，2023；刘斌等，2017）。

因此，本研究以在线环境下的学习投入为切入点，从积极心理学视角出发，深入探究大学英语学习者的情绪智力与在线学习投入现状，并探讨两者之间的关系。具体研究问题为:（1）大学英语学习者的特质情绪智力和在线学习投入表现出什么特征?（2）大学英语学习者的特质情绪智力与在线学习投入之间存在什么关系?

三、研究设计

1. 研究对象

本研究基于东北地区某外语类高校非英语专业的“新标准大学英语课程“开展问卷调查，授课对象为大二年级学生，平均年龄在19.6岁。共选取132名学生。问卷使用问卷星编辑发放，最终回收有效问卷120份，问卷有效率为90.91%。该课程要求学生基于在线学习平台自主学习完成教师布置的任务。所有学生都具备基本信息素养，并熟知在线学习各平台操作。

2. 测量工具

本研究主要通过问卷调查和半结构化访谈收集数据。

1) 特质情绪智力量表”主要参考Petrides（2009）编制的“特质情绪智力量表”（TEIQue）。根据研究问题和背景，对原始问卷中某些题项进行了删除和修改。修改后的量表共包含28个题项，分为情绪性（7个题项），自控力（7个题项），社交性（7个题项）和幸福感（7个题项）四个维度，采用的是李克特7级量表的形式。据先导实验数据分析显示，特质情绪智力量表的Cronbach's α系数为0.853，表明问卷内部一致性均较好。量表KMO值为0.807，Bartlett球形检验的值为0.000，表明问卷结构效度良好。

“在线学习投入量表”主要参考了李爽和喻忱（2015：65）的“远程学习投入量表”和 Sun& Rueda（2012：199）等人修订的“远程学习投入量表”。该量表由行为投入（13个题项）、情感投入（11个题项）和认知投入（14个题项）三个维度组成，共38个题项，采用5点计分法。该量表整体的Cronbach's α系数为0.973，行为投入、认知投入、情感投入三个维度内部一致性信度分别为：0.93、0.92、0.95，表明问卷内部一致性较好。量表KMO值为0.909，Bartlett球形检验的值为0.000，表明其问卷结构效度良好。

2) 访谈为半结构化访谈，用于了解学习者在在线学习过程中的体验与评价。根据特质情绪智力自评水平和课堂表现，研究者选取了6名学习者进行访谈。访谈内容包括:（1）对在线学习形式的评价;（2）对自身情绪状态的评价;（3）对自身学习投入的评价;（4）对情绪智力影响学习投入的感受。

3. 数据处理与分析方法

本研究主要采用SPSS22.0对数据进行处理和统计分析，要分析内容如下：(1)对大学英语学习者的特质情绪智力和在线学习投入进行描述性分析；（2）对特质情绪智力和在线学习投入进行相关性分析和回归分析。

四、研究结果与讨论

1. 特质情绪智力和在线学习投入水平

通过SPSS描述统计，分析出在线学习者的特质情绪智力及其情绪性、自控力、社交性和幸福感4个维度和在线学习者的整体学习投入及其行为投入、情感投入、认知投入3个维度的平均数（Mean）与标准差（Std. Deviation），见表1。经分析，各组数据基本呈正态分布，说明研究对象选取合理，具有较好的代表性。

表1 特质情绪智力和在线学习投入的描述性统计

由表1可得，在线学习者的特质情绪智力均值为17.74（满分28），说明被试的情绪智力水平处在中等偏上水平。就各维度而言，学习者的情绪性水平最高，均值达到4.76；其次为幸福感，均值为4.71；再次为自控力，均值为4.35；最后为社交性，均值为3.92。就标准差而言，学习者的整体情绪智力及各维度呈现的波动范围在0.334—1.074之间，内部差异比较明显。相比之下，内部差异最明显的是社交性，情绪性和幸福感的内部差异相对较小。

表1呈现了在线学习者学习投入的描述统计分析，可以看出，在线学习者的学习投入整体均值为3.24（满分5），略高于理论中值3.0，总体上属于中等水平。在三个维度上，投入水平由高到低依次为：行为投入、情感投入、认知投入。就内部3个维度而言，学习者在行为投入上的表现最好，均值为3.91; 其次为情感投入，均值为3.32; 再次为认知投入，均值为3.29。以上分析表明，大学英语学习者的特质情绪智力和在线学习投入整体表现尚好，但均存在内部差异等问题。

2. 特质情绪智力与在线学习投入的关系

根据皮尔逊双尾检验结果显示，学习者的特质情绪智力与整体在线学习投入的相关系数为0. 581，显著性为 p〈0. 001，两者之间存在高度相关。从两者内部的7个维度来看，情绪性、自控力、社交性、幸福感和行为投入、情感投入、认知投入之间存在不同程度的正向相关，相关系数介于0.269—0.670之间。相比之下，情绪性和幸福感与行为投入、情感投入、认知投入的相关系数介于0.534—0.670之间，关联性更高，达到中度或高度相关，其中情绪性与行为投入和认知投入的关联性高于与情感投入的关系，幸福感与情感投入和认知投入的关联性高于行为投入的关系，而社交性与情感投入的关联最低。

表2 特质情绪智力和在线学习投入的相关分析

为进一步明确特质情绪智力与在线学习投入之间的关系，研究者以特质情绪智力的4个维度为自变量，以在线学习投入的3个维度为因变量，建立多元线性回归模型，如表4所示。经过回归分析可得，特质情绪智力与在线学习投入模型决定系数为R2=0.507，方差检验值F=156.892，p〈0.001，因而该模型具有统计学意义，即特质情绪智力对整体在线学习投入具有显著的正向预测作用，可以累计解释其50.7%的变异。

表3 特质情绪智力对在线学习投入的回归分析

从分项的系数来看，特质情绪智力的情绪性（P〈0.01）、自控力（P〈0.01）)都是学习投入的有效预测变量，而特质情绪智力的社交性维度在行为投入和情感投入维度P〉0.05，幸福感维度在行为投入和认知投入维度P〉0.05，不能作为有效预测变量。根据表5回归系数表明，自控力对行为投入的影响最大（β=0.577），其后分别为情绪性（β=0.558）和幸福感（β=0.267）。特质情绪智力与情感投入的回归模型同样具有统计学意义，R2=0.472，方差检验值F=183.697，p〈0.001。该模型中，情绪性的影响最大（β=0.511），其次为自控力（β=0.309）。相较而言，特质情绪智力与认知投入的R2=0.301，方差检验值F=145.008，p〈0.001。该模型的方差拟合度较弱，特质情绪智力只能解释认知投入 30.1%的变异。

1. 特质情绪智力和在线学习投入水平

就特质情绪智力而言，学习者的整体自测水平较好，处于中等偏上水平。但各个维度之间存在差异。这与韦晓保（2022：97）)在中国非英语专业大学生的情绪智力方面的研究结果一致。同时数据结果显示，学习者在社交性这一维度的水平普遍有待提升，这表明大学生在线上学习过程中很少参与在线讨论交流，并且在坚持自己的观点和使用社交技巧方面呈现被动消极的行为表现。由访谈数据可知，学习者参与线上讨论的活动机会较少，并且学习者在进行在线学习时更倾向于独立的、不被打扰的学习状态。其次，学习者表示在线互动交流时得不到即时反馈，易造成思考的中断和注意力分散。

在在线学习投入方面，大学生的在线学习投入整体处于中等水平，其坚持性和专注性都有待提高。并且学习者的行为投入明显高于另外两个维度，认知投入和情感投入相对较低。这也印证了刘斌（2017：67）的观点，即学习者运用认知策略，自我监控管理等认知投入情况以及对在线学习的价值认同和情绪状态等情感投入情况都不甚理想。但这与蔡晨（2021：66）的研究结果存在差异，同样是在线环境下大学英语学习者的学习投入研究，其结论表示在线学习者的情感投入明显高于行为投入。为了进一步验证研究结果，访谈数据表明，学习者对学习软件系统的可追踪性印象较为深刻，并且会下意识的增加自己在软件中停留的时长，因此呈现出明显的被动特征和绩效导向特征（李爽，2016：82），这可能是造成差异的主要原因。此外，系统包含多个模块，学习者需先通过观看视频/回答问题等一系列的复习任务才能解锁下一单元，有学习者表示该模块设计满足自身自主化学习的需要，巩固知识，由易到难，更易于行为投入。但更多的学习者表示，学习内容重复枯燥，很难有较好的情绪体验。

2. 特质情绪智力与在线学习投入的关系

特质情绪智力与在线学习投入的相关性分析结果显示，两者存在高度相关，即特质情绪智力处于较高水平的学习者，整体的在线学习的投入度也会更高。从一定意义上来说，学习者在情绪管理、情绪感知以及控制情绪等方面的能力越强，就越会在在线学习中展现出更高的投入度和效能感，进而调节自己的学习行为来提高学业成绩。

进一步回归分析显示，特质情绪智力中情绪性和自控力对行为投入、情感投入和认知投入都有显著预测力，幸福感对行为投入具有显著预测力，社交性只对认知投入具有预测力。就情绪性而言，学习者健康稳定的情绪状态能够帮助他们聚焦学习资源，开展更积极的学习体验。自控力较强的学习者倾向于延迟瞬时满足、理性控制并且善于调控自身压力，从而追求既定目标，展现出较为全面的学习投入。但是，幸福感主要聚焦学习者自身的乐观特质以及自尊，因而只能促进在线学习投入的某一方面提升。除此之外，社交性在学习者认知投入维度具有显著的预测作用。这说明，教师应该重视在线表扬或鼓励等社交性互动，这有利于学习者调动认知投入中的学习管理策略。回归分析进一步证实了特质情绪智力对在线学习投入的各维度具有预测作用。因此，在线学习环境中教师可以通过开展情绪学习课程，贯穿情绪教育，提升学习者的情绪智力，从而提高学习者的在线学习投入水平，改善在线学习效果。

综合上述讨论，学习者的整体特质情绪智力水平较好，在线学习投入水平处于中等水平，内部差异较大，存在进一步引导和提升的空间。这提醒教师要重视学习者在在线学习中的适应性差异，及时实施个性化干预。并引导学生使用相应的认知管理策略，帮助其更好的掌握学习方法和自主学习的能力，提高学习者对学校和课程平台的认同。

六、结论

不同于采用单一的成绩分数来衡量特质情绪智力与学业成就之间的关系，本研究将特质情绪智力引入学习者在线学习投入的研究发现前者对后者具有显著的预测力。由此，教师应要强化自身的信息素养，发挥在线上学习环境中的主导作用，通过及时给予反馈、发布线上讨论、在线答疑等方式向学习者提供交流机会，密切关注学习者的情感体验和学习状态。

本研究也存在不足之处，例如在线学习投入量表数据是基于学习者对整个学期在线学习投入的回溯，未涉及学习者在线学习投入的历时研究和瞬时研究。未来研究可以基于不同的研究对象或教学模式开展历时研究和瞬时研究；此外，学习者在线学习投入情况主要基于自测量表，未来研究可引入脑科学、人工智能等技术，提高学习投入测量的精准度。