基于复杂理论的MOOC用户留存意愿组态分析.pdf

理论探索29Theoretical Exploration基于复杂理论的 MOOC 用户留存意愿组态分析 和文斌1 董永权2 滕希2 王惠惠3（1.新疆师范大学 教育科学学院，新疆 乌鲁木齐 830017；2.江苏师范大学 智慧教育学院，江苏 徐州 221116；3.徐州工业职业技术学院 江苏 徐州 221116）引言MOOC 作为“互联网+教育”模式的典型代表，对其用户留存意愿的研究一直是教育领域的中心议题之一。用户留存意愿即用户参与 MOOC 学习后选择坚持使用的倾向，本研究中指用户在使用 MOOC 学习一段时间后，仍然具有持续使用的意愿。对此，国内外学者依据个体、情感、认知、环境、课程质量等不同角度开展了大量的实证研究。从个体角度，李大烈（Lee Daeyeoul）等人1研究得出学习者的自我效能感对 MOOC 持续学习意愿具有正向的影响。从情感角度，朱鹏等人2通过将信息系统持续使用模型（ECM）与游戏化（愉悦性和挑战性组成的二阶构型概念）相结合，构建 MOOC 期望确认模型，得出游戏化在 MOOC持续使用中起着核心作用。从认知角度，朱英珠（Joo YoungJu）等人3研究得出，感知易用性和感知有用性对学习者持续使用 KMOOC 学习的意愿具有积极影响。从环境角度，吴兵（Wu Bing）等人4通过整合任务技术适配模型和技术接受度模型，发现表明感知有收稿日期：2022-10-25基金项目：国家自然科学基金面上基金“面向 DeepWeb 的数据整合关键技术研究”（61872168）；江苏省教育科学“十三五”规划课题“基于学生参与理论的翻转课堂有效性及实证研究”（C-b/2018/01/07）；江苏省研究生科研与实践创新计划项目“师范生通识教育智能评测系统设计”（KYCX20_2110）作者简介：和文斌（1996 ），男，甘肃兰州人，博士研究生，研究方向为教育信息化、计算机支持的协作学习、知识图谱；董永权（1979 )，男，江苏宿迁人，博士，教授、硕士生导师，研究方向为教育信息化、信息集成；滕希（1994 ），男，江苏徐州人，硕士研究生，研究方向为知识图谱、教育信息化；王惠惠（1995 ），女，江苏徐州人，硕士研究生，研究方向为学习者画像。摘 要：MOOC 用户留存意愿聚集了个体、外部环境、内容质量等多因素的互动规律，但已有的研究偏向单一因素或系列因素对结果变量的影响，忽略了因素之间的关联性与协同性。定性比较分析能够通过考察促生结果的前因变量及变量之间的相互作用、可能的变量组合，有效揭示促成事件发生的组态路径和作用机制。文章从复杂理论的角度出发，结合社会认知理论和技术接受度模型，采用模糊集定性比较分析对 291 个 MOOC 学习用户的相关数据进行分析，以探索 MOOC 用户留存意愿的形成机制。研究结果发现，MOOC 用户留存意愿受 9 种构型影响，依据路径特征将其分为 4 种模式，其中游戏化、自我效能感等关键因素对 MOOC 用户留存意愿具有积极影响。研究结论为 MOOC 平台的重构与优化、在线教学内容的设计等提供了借鉴与参考。关键词：复杂理论；社会认知理论；组态；用户留存意愿中图分类号：G4 文献标志码：A 文章编号：2096-0069（2023）04-0029-0830数字教育DIGITAL EDUCATION用性、感知易用性和社群影响等持续使用的影响具有重要作用。从课程质量角度，杨根福等人5证明内容质量积极影响用户的持续行为。林文山（Lin Wenshan）等人6通过实验得出高质量的课程内容对感知有用性和满意度有较为积极的影响。尽管该研究的相关探索较为丰富，但教育学作为一个与实践应用紧密贴合的复杂性学科，其内部问题的原因之间普遍存在相互依赖与共同作用的现象，而现有诸多研究却采用了与该实际现象不相符合的假定：将研究变量视为独立因素，把研究对象看作是可分、稳定、线性单调变化的，主要关注原因与结果间的相关性、相关程度与频度，缺乏对问题形成的多因素动态组合因果路径进行精确探索7，使得其研究成果很难落地，甚至偏离生活，经常被怀疑与实践应用相脱节。随着理论的探索与研究的深入，教育领域的研究者认为只有探讨前因变量之间的相互关系、相互作用及与结果的因果效应，才能更好地以贴合实践应用的方式解决教育领域出现的复杂性问题，推动教育的发展进程。定性比较分析方法（Qualitative Comparative Analysis，简称 QCA）的出现为教育问题的因果机制研究提供了有效途径。该方法将案例视作多种前因变量的组合效果，并通过分析相互依赖、相互作用的不同原因变量组合与结果之间的因果效应8，帮助研究者剖析相应问题的因果机制，为教育工具、策略等方面的设计、实施和研究提供理论基础与改善意见。同时，QCA 能够避免传统定性与定量方法依赖均衡和正态分布假设而普遍存在的反向因果、遗漏变量偏差、样本选择偏差等内生性问题以集合关系表达多因素并发的组态效应和因果非对称性能够避免反向因果问题9，以关注基于布尔代数的集合关系而非相关关系的特性使其不存在遗漏变量偏差，不依赖于随机抽样技术的溯因推理和集合使其不存在样本选择偏差。综上所述，鉴于 MOOC 用户留存意愿的传统研究范式的不足，本研究借鉴技术接受模型与社会认知理论，有机地将复杂理论的内涵扩展到了教育领域。利用QCA方法研究感知有用性、感知易用性、自我效能感、游戏化、社群影响和内容质量对 MOOC 用户留存的影响模型，从而有效揭示了用户留存形成的内在机理，以期为 MOOC 的使用、改进、优化、创新提供相关的理论参考，为 MOOC 演变为智慧时代“以用户为中心”的个性化平台提供路径借鉴。同时期望为 QCA 方法与教育的融合提供相关研究成果，加速该方法对教育问题的剖析。一、理论背景（一）复杂理论复杂理论最早出现于自然科学领域，随后被社会学、经济学、教育学等学科融入各自领域，探讨相关问题。复杂理论认为，无论是自然界还是人类社会出现的复杂现象都是由无数因素相互作用的产物，即某一复杂结果的出现受因素的相互作用影响，在特定的情境下随着外部因素的变化，变量之间的关系可能是非线性的，相同的“因”可能造成不同的影响效果10。为了解释复杂的现象，现有的基于方差理论的研究方法是不够的，采用组态方法，以整体和同步的方式（如相互关联的条件或因素的集群）理解这些现象更合适。MOOC 的用户留存意愿作为一个复杂的系统，受到多个因素相互作用的影响，因此适用复杂理论对其展开探索。（二）技术接受度模型弗雷德戴维斯（Fred Davis）11提出了技术接受度模型（Technology Acceptance Model，简称 TAM），认为个人对信息技术使用的行为意向由两个主要因素决定：感知有用性和感知易用性，这两个因素可以解释个人对信息技术使用的行为意向的巨大差异。随着TAM 研究领域的不断扩展，研究者认为原有的基础框架已不能高效地解释用户选择的复杂性，并依据各自的研究对象及方向对其扩展。鉴于传统 TAM 的不足，研究以 TAM 为基本研究框架，引入社会认知理论的内容及其他因素对其扩展和整合，构建影响 MOOC 的用户留存意愿模型。（三）社会认知理论阿尔伯特班杜拉（Albert Bandura）12提出的社会认知理论解释了人是如何形成和保持行为模式的，主要强调个体、认知、外部环境三个因素的作用。该理论探索31Theoretical Exploration理论认为，个体、个体行为及其所处的外部环境三个要素之间，一直存在着持续的相互作用，而个体的行为决策是内部个体因素（如自我效能感等）和外部环境共同作用的结果。鉴于 MOOC 平台学习的社会互动性，有必要将个体、认知和外部环境引入本研究模型，考察其在 MOOC 用户留存意愿中的组态影响。（四）研究模型本研究基于上述理论，将个人因素、认知特征、外部环境纳入研究设计。个人因素指的是自我效能感。班杜拉认为自我效能感体现了个体对完成特定任务的信心程度。本研究将自我效能感定义为学习者对自己使用 MOOC 完成在线学习能力的信心程度。认知特征是用户在使用 MOOC 平台过程中所认知到的评估质量表现的特征，本研究指感知有用性和感知易用性。感知有用性是指学习者对平台提高自身知识、技能的估量，感知易用性是学习者对使用 MOOC 平台学习的操作难度的评估。外部环境指的是社群影响，即周围人（如同学、教师等）对学习者的影响程度。除上述因素之外，许多学者开始关注情感特征、课程因素对用户留存的影响。情感特征指的是用户在使用过程中所产生的相对稳定不变的心理状态。内容质量指 MOOC 学习平台资源内容的质量和结构合理性。综上所述，本研究框架的前因变量为自我效能感（SE）、感知有用性（PU）、感知易用性（PE）、社群影响（SI）、游戏化（GM）和内容质量（CQ），结果变量为 MOOC 用户留存意愿（UR）。二、方法选取MOOC 用户留存意愿具有复杂性，多个因素都能够在特定的情境对其产生影响，因此需要考虑不同用户采用 MOOC 持续学习的不同需求及影响因素。为了解决这个问题，本研究采取定性比较分析方法(QCA)展开探究。QCA 研究方法主要有 3 种类型：清晰 集 QCA(csQCA)、多 值 集 QCA(mvQCA)和 模 糊 集QCA(fsQCA)。其中，fsQCA 能够体现数据程度变化，得到较为精确的解13。因此，本研究基于 fsQCA 对MOOC 用户留存意愿形成的组态路径展开探究，具体实施过程为对问卷数据校准、必要性条件检测、形成真值表，以及最后对前因变量形成的组态路径加以分析，得出相应的复杂性因果关系。三、数据准备（一）变量测度依据研究模型，并借鉴已有较为成熟的问卷内容设计调查问卷。为保障问卷结构的合理性与问卷内容的有效性，采取预调研的方式检测问卷。通过对 35 位MOOC 学习者预调研，依据数据分析和被试学习者意见，剔除显著性水平不达标的题目，并对相关题目修改和完善，经过多名 MOOC 领域专家和课题组成员讨论后形成最终问卷。（二）样本采集调 查 对 象 为 具 有 一 定 MOOC 学 习 经 历，并 对MOOC 平台具有了解的学习者。因此，本研究所选取的调查对象主要是开设 MOOC 课程的高校学生。本次问卷调查累计收回 350 份，涉及自然学科、社会学科、工程技术和医学。考虑到问卷填写的随意性，对收回的问卷进行答题时长、一致程度及完整状况检查。剔除无效问卷59份后，一共得到291份有效问卷。样本中，男女人数比例较为接近，且平均每月学习 MOOC 大于7 天的人数超过一半。（三）信效度检测开展具体的数据分析前，需要使用 SPSS 25.0 对问卷的信效度进行分析。结果显示，Cronbachs Alpha 值为 0.917 0.7，表明量表可靠、稳定。基于成熟量表的设计方式使得问卷的代表性与合理性有所保障，同时，问卷经过预调研后的调整与修改，保证了变量的内容效度。Bartlett球形检验和KMO系数检验的结果显示，KMO 系数为 0.91 0.7。据此，进一步检验变量题项的结构效度。通过对14 个题项检验发现，6 个潜变量对应的题项满足平均提取方差（Average Variance Extracted，简称AVE）值0.5以上的理想要求，说明各题项满足效度要求，具体情况如表 1（见下页）所示。（四）数据校准依据 fsQCA 的操作标准与流程，分析之前必须依据数据特征、理论知识或实践内容对所获取的数据进32数字教育DIGITAL EDUCATION行校准，即要划分数据所属的特征集合，设定集合中完全隶属、交叉点、完全不隶属的 3 个值14。如表 2数据标准，前因变量与结果变量均为李克特 5 级量表，校准标准（完全隶属、交叉点、完全不隶属）参考数据特征将变量的最大值设置为完全隶属，交叉点和完全不隶属分别为均值、最小值。由于各变量数据特征不一，因此数据标准并不一致。（五）必要性检测经校准后的数据需要通过必要性检测以判断，是否存在单一前因变量致使结果出现15。必要性检测包含一致性与覆盖度检测。一致性是致使结果出现的单一前因变量 Xi在所有 Xi集合中的比重，覆盖度则是其对结果变量的解释程度，具体计算方式见公式（1）（2）。当一致性 0.9 时，表明该变量是必要条件，可以独立影响结果存在，“”表示变量不存在或不隶属。如表3 所示，结果变量 CI 的所有前因变量均不存在一致性 0.9，因此结果变量并不存在必要性条件。Consistency(XiYi)=min(Xi,Yi)Xi 公式（1）Consistency(XiYi)=min(Xi,Yi)Yi 公式（2）表 1 结构效度检验题项维度EstimateCRAVEQ1感知有用性0.780.730.60Q2感知有用性0.74Q3感知易用性0.870.820.69Q4感知易用性0.79Q5自我效能感0.840.720.57Q6自我效能感0.65Q7游戏化0.840.800.71Q8游戏化0.76Q9游戏化0.73Q10游戏化0.65Q11社群影响0.800.730.58Q12社群影响0.71Q13内容质量0.810.690.53Q14内容质量0.64表 2 数据校准变量赋值与校准变量类别 变量名称 赋值标准 校准标准前因变量PU5 级量表(5,3.74,1)PE5 级量表(5,4.12,1.5)G5 级量表(5,3.64,1)SE5 级量表(5,3.96,1)SI5 级量表(5,3.75,1)CQ5 级量表(5,3.98,1)结果变量UR5 级量表(5,3.91,1)表 3 单一前因变量的必要性前因变量结果变量 CI一致性覆盖度PU0.830.85 PU0.530.74PE0.820.80 PE0.510.76G0.850.88 G0.530.73SE0.840.85 SE0.540.77SI0.850.86 SI0.520.73CQ0.850.87 CQ0.550.76（六）标准化分析必要性检测过后，需要使用 fsQCA 开展标准化分析。构建真值表时，首先应删除连续性小于0.8的案例，并将标准化路径的样本阈值设为 1，即只显示样本案例数量大于 1 的前因变量组合构成结果的模糊子集。一致性阈值通常设置 0.75，然后将真值表所有模糊子集中一致性大于临界值的编码为 1，小于临界值的编码理论探索33Theoretical Exploration为 0，低于案例样本数的子集作为逻辑余项。基于赋值过后的真值表展开标准化分析，得到 3 种解：复杂解、中间解、模糊解。相较复杂解和简约解，中间解能够以更贴合实际状况的形式进行案例探索，因此中间解为最优解。（七）前因变量组合分析从分析结果可知，结果变量 CI 的中间解一致性为0.92，组态效应显著。详细的组态路径如表 4 所示。表示组态路径中包含该变量，表示组态路径中不存在该变量，空白表示组态路径中该变量可有可无；Rc、Uc、Cs、Sc、SCs 分别为原始覆盖度、唯一覆盖度、一致性、解的覆盖度、解的一致性。经过归纳总结，本研究的 MOOC 学习者用户留存意愿的组态分析，可以分为 5 种模式，具体情况如下。1.认知缺失型认知特性缺失存在两种类型：第一种为感知有用性或感知易用性存在其一。该类型的学习者普遍认为MOOC 的有用性或易用性并未达到自身的要求，因此需要配合清晰、严谨的课程内容，以获得学习者的认同，才可能使其产生用户留存的意愿，如路径 M4、M5、M8、M9。第二种类型为认知特性不存在，这类学习者通常认为平台课程对自身无用，且操作较为复杂，需要平台设计者创新出令人愉悦的学习、评价、交流机制，并激发学习者的挑战性情绪，以缓和复杂操作对学习者带来的负面效应，同时扩大 MOOC 的认同群体，以学习社群的方式影响学习者对课程实用性的感知，才可能促使用户留存 MOOC 学习的意愿，如路径 M2、M3。2.机制无趣型机制无趣型表明，对 MOOC 学习过程中未感觉到游戏化机制能够激发自身愉悦性和挑战性的学习者，需要设计合理的课程结构与高质量内容，配合高效的学习引导与帮助，促使其将困难视为挑战并积极解决，从而消解其在学习过程中产生的无聊情绪，将关注重心转移到课程内容上来，才可能促使其产生留存意愿，如路径 M7、M8、M9。3.习得无助型这类学习者一般自信心不足，遇到困难容易退缩、放弃，因此需要平台以游戏化的机制创造轻松、愉快的学习氛围，减轻其因自我效能感低下而带来的焦虑，同时形成 MOOC 的学习社群，依托群体的知识流动与交换，帮助其解决问题、学习知识，才可能使得其产表 4 组态路径变量CI中间解组态M1M2M3M4M5M6M7M8M9PUPEGMSESICQRc0.70 0.70 0.68 0.33 0.64 0.64 0.64 0.65 0.64 Uc0.01 0.02 0.02 0.00 0.00 0.01 0.01 0.00 0.01 Cs0.96 0.95 0.96 0.98 0.96 0.96 0.96 0.97 0.97 Sc0.85SCs0.9234数字教育DIGITAL EDUCATION生留存意愿，如路径 M1、M2、M4、M5。4.质量否定型质量否定型的学习者普遍对 MOOC 课程质量具有较高的要求，因此，平台只有为学习者提供较强的学习辅助工具、文档，增强其自我效能感并结合游戏化机制激发学习者的愉悦性和挑战性，以弥补课程质量不足带来的负面影响，引导、帮助其理解和掌握知识内容，才可能促使其形成留存意愿。如路径 M1、M2、M3、M6。5.自我驱动型 自我驱动型的条件较为多样。这说明不依赖社群影响的学习者一般具有较强的独立性和目的性，不会轻易被他人影响，因此需要尽可能地满足多种条件，吸引这类学习者持续使用 MOOC。例如，有趣的机制、高质量的内容、高效的学习辅助、较强的实用效果说明、友好的操作交互等多种条件的组合。如路径 M4、M5、M6、M7。四、结论及建议本研究在复杂性理论的基础上，结合技术接受模型和社会认知理论，借助 fsQCA 方法验证 MOOC 平台用户自我效能感、感知有用性、感知易用性、社群影响、游戏化及内容质量对用户留存意愿的影响，揭示出触发 MOOC 用户留存意愿的组态路径，并得出以下结论。第一，MOOC 用户留存意愿并非由单一因素独立促生，而是多个因素共同作用的结果，不同因素的相互组合对用户留存的作用路径不同，部分因素的缺失并不会影响用户留存的意愿。从学习者用户留存意愿的 5 种类型可以看出，每条路径中均存在发挥主导性的核心条件和具有触发与推动作用的辅助条件，MOOC 用户的留存意愿的出现是核心条件与辅助条件交互作用的结果。这一结论进一步表明了 MOOC 用户留存意愿需要通过整体性的多因素组合性效应分析才能得到合理的解释。第二，促生 MOOC 用户留存意愿的路径，其内部生成因子之间互动形成的作用机制并不唯一。这表明不同类型的学习者，因其生长环境、个人特征等因素的影响，会具有不同的学习风格，因此，MOOC 平台和教师应依据不同的学习风格提供个性化的激励措施，以保障不同类型的学习者用户留存 MOOC 的意愿。基于以上分析，结合 MOOC 的实际现状，本研究对 MOOC 的发展与改进提出如下建议。（一）促进数量型传播生产，提高质量型传播数量互联网的发展加速了信息传播的过程，因此声誉对一个平台显得尤为重要。营造良好的 MOOC 社会声誉，形成有效传播、推广 MOOC 学习的社群，是激发学习者用户黏性的有效条件之一。为此，首先，平台应该设置合理的激励计划，促进数量来源型声誉的产生。如在互联网平台宣传 MOOC 的实际效用、创新功能等优势，或以提升功能为目的，设置趣味化议题与创新型建议奖励机制，吸引学习者注意力，增强其好奇心，提升其好感度，以此扩大 MOOC 良好声誉的支持人群。其次，提高质量来源型声誉的传播数量也是增强 MOOC 持续使用的有效措施。如通过融合媒体的方式开展名师直播、专题讲座，充分发挥专家主导的高质量评价宣传效力，以此扩大质量型评价的受众。同时，教师作为学习的引导者，也是最佳的推广者与宣传者，因此改善其评价也是转变 MOOC 社会声誉的重要途径。（二）创新游戏化元素设计，增强用户使用黏性游戏化元素与课程的融合在一定程度上能够激发学习者的内部动机，使得学习者以充满兴趣和挑战的心态投入学习，在不断的挑战中满足自我成就需求，从而增强 MOOC 用户的使用黏性。但现有的游戏化元素应用实践案例较少，不能为教师、研究者提供有效的参考。因此，教师、平台管理机构、研究者应该注意以下问题：首先，教育游戏元素设计不能一概而论，应该合理融入课程内容的特征。同时，平台也应该通过设置交流区的形式，使得学习者参与游戏化元素的设计与选择，提高游戏化机制在不同年龄、学历、学习方式人群中的接受程度，从而改善现有的游戏元素类型单一、功能性弱、相似性较高的特点。其次，教师需要培养自身依据教学内容、学习者特征、应用环理论探索35Theoretical Exploration节等合理组合、选择游戏化元素的能力，并在应用过程中把握游戏化与教学的平衡，避免太强的游戏性干扰学习者。再次，研究人员在未来的研究中应继续开展游戏化元素与 MOOC 平台及学科融合应用的实证研究，以此丰富游戏化机制应用的理论与实践，加速游戏化元素与教育领域的有效融合。（三）协同多方力量参与，调整质量评估体系MOOC 作为不断演化与进步的新事物，其所覆盖的学科领域越来越多，但其部分课程的质量却难以满足当代学习者的需求，一定程度上影响了学习者的使用黏性。为提升 MOOC 课程质量，首先，应该以专家、学科优秀教师、研究者为代表，从专业度、稀缺度、规范度等多个角度设置合理且具有时代特征的 MOOC质量评价基准，以限定 MOOC 准入门槛，并加大研究性示范课程和培育课程的开发和设计，以提高课程开发人员的水平。其次，应该充分利用学习者的感知体验大数据，形成课程质量的过程性评价，以此加强学习者和课程团队之间的双向反馈交流，实现学习者作为课程资源共同评估者的角色。再次，研究者不应仅关注指标体系的探索与评价框架的构建，更应该关注应用于实践的质量评价工具设计与研究，以辅助教学者改善课程质量。通过上述措施，形成以学习者为核心、多方参与、持续改进的课程质量评估体系。同时新时代 MOOC 教师应该加强自身科教融合与信息技术应用的能力，以便提高课程内容的时代性、前瞻性和高阶性，建设实践应用性较强的学科优质趣味课程。（四）加快智能型技术融合，消减习得性无助高水平自我效能感有助于增强学习动机和行为，学习者面对在线学习任务或困难时会将其视为挑战，并以积极情绪投入到在线课程的学习。而低自我效能感会导致中途放弃、学习积极性不高的“习得性无助”状态。研究证明，该心理状态与学习者所遭受的挫折呈现正相关。因此，需要提供及时、有效的反馈及学习任务脚手架，创建融洽的互助社群，营造良好的师生关系，帮助学习者有效克服难题，增加学习者感受成功的机会。但现有的技术和教师精力限制了对学习者的高质量反馈和支持，因此，MOOC 应加快与人工智能、大数据等技术的融合，充分利用人工智能等技术的服务性能，创设人机互动式的智能化、个性化、趣味化学习环境，并以自动化的形成性评估反馈对个体精准干预，帮助其查漏补缺、获取资源、弥补短板、克服难题，最终实现真正意义上降低甚至消除学习者的习得性无助。参考文献1LEE D,WATSON S L,WATSON W R.The influence of successful MOOC learners self-regulated learning strategies,self-efficacy,and task value on their perceived effectiveness of a massive open online courseJ.International Review of Research in Open and Distributed Learning，2020，21(3)：81-98.2 朱鹏，朱星圳，丁晟春.游戏化对 MOOC 用户持续使用意愿的影响研究 J.中国电化教育，2019(4)：85-91.3JOO Y J,SO H J,KIM N H.Examination of relationships among students self-determination,technology acceptance,satisfaction,and continuance intention to use K-MOOCsJ.Computers&Education,2018,122：260-272.4WU B，CHEN X.Continuance intention to use MOOCs:integrating the technology acceptance model(TAM)and task technology fit(TTF)modelJ.Computers in Human Behavior，2016，67(2)：221-232.5 杨根福.MOOC 用户持续使用行为影响因素研究 J.开放教育研究，2016，22(1)：100-111.6LIN W S,WANG C H.Antecedence to continued intentions of adopting E-learning system in blended learning instruction:a contingency framework based on models of information system success and task-technology FitJ.Computers&Education，2012，58(1)：88-99.7 陈向东，刘冠群.共享调节学习中的教师干预：QCA 的视角 J.远程教育杂志，2020，38(6)：73-85.8 杜运周，贾良定.组态视角与定性比较分析(QCA):管理学研究的一条新道路 J.管理世界，2017(6)：155-167.9 杜运周，李佳馨，刘秋辰，等.复杂动态视角下的组态理论与 QCA方法：研究进展与未来方向 J.管理世界，2021，37(3)：12-13，180-197.10URRY J.The complexity turnJ.Theory Culture&Society，2005，22(5)：1-14.11DAVIS F D,BAGOZZI R P,WARSHAW P R.User acceptance of computer technology:a comparison of two theoretical modelsJ.Management Science,1989,35(8)：982-1003.12BANDURA A.Social foundations of thought and action:a social cognitive theoryJ.Journal of Applied Psychology，1986，12(1)：169.36数字教育DIGITAL EDUCATIONMOOC User Retention Willingness Configuration Analysis Based on Complex TheoryHe Wenbin1,Dong Yongquan2,Teng Xi2,Wang Huihui3(1.College of Educational Science,Xinjiang Normal University,Urumqi,Xinjiang,China 830017;2.School of Smart Education,Jiangsu Normal University,Xuzhou,Jiangsu,China 221116;3.Xuzhou College of Industrial Technology,Xuzhou,Jiangsu,China 221116)Abstract:MOOC user retention willingness aggregates the interaction laws of individual,external environment,content quality and other multi-factors,but the existing studies tend to favor the influence of single or series factors on the outcome variables,ignoring the correlation and synergy between the factors.QCA can effectively reveal the configuration path and mechanism of events by examining the causes of events,the interaction between variables and the possible combination of variables.This study,from the point of view of complex theory,combined with social cognitive theory and technical acceptance model,uses fuzzy aggregate comparative analysis(fsQCA)to analyze the data samples of 291 MOOC learning users,so as to explore the formation mechanism of MOOC user retention willingness.The results show that the formation of MOOC user retention willingness is affected by nine configurations,which are divided into four modes according to the path characteristics,among which the key factors such as gamification and self-efficacy have a positive effect on MOOC user retention willingness.Conclusion provides reference for the reconstruction and optimization of MOOC platform and the design of online teaching content.Key words:Complex theory;Social cognitive theory;Configuration;User retention willingness13WOODSIDE A G.Embrace perform model:complexity theory,contrarian case analysis,and multiple realitiesJ.Journal of Business Research，2014，67(12)：2495-2503.14RAGIN C C.Redesigning social inquiry:fuzzy sets and beyondM.Chicago：University of Chicago Press，2009.15 郑浩，王书瑶，王娟.在线学习服务质量感知的组态动因及提升策略研究 J.数字教育，2022，8(4)：9-16.（责任编辑 孙兴丽）