调查元宇宙沉浸式学习在TESOL中的应用

这篇论文探讨了影响TESOL（Teaching English to Speakers of Other Languages）学习者使用元宇宙（Metaverse）进行沉浸式学习的关键因素，并通过结构方程模型（SEM）和机器学习（ML）算法对问卷数据进行了分析。以下是论文的主要内容：

研究背景与目的

论文旨在研究元宇宙技术在TESOL领域的应用，特别是在高等教育机构中的应用。研究的核心在于探讨感知易用性（PEU）、感知有用性（PUS）、态度（ATT）、**主观规范（SBN）和感知行为控制（PBC）**等变量对元宇宙学习平台采用的影响。这些变量的定义和测量基于已有的理论模型，如技术接受模型（TAM）和计划行为理论（TPB）。

研究方法

研究采用了**结构方程模型（SEM）和机器学习（ML）**两种方法来分析数据。SEM用于研究潜在变量之间的因果关系，并验证结构和测量模型的有效性。ML则用于提高预测准确性和揭示复杂关系。研究使用了多种ML分类器，如OneR、BayesNet、J48和Logistics，以分析数据集中的关系。

数据收集与样本特征

研究通过问卷调查收集数据，样本包括736名学生，主要来自公立大学（62%）。在元宇宙技术的使用经验方面，30%的学生没有经验，32%为初学者，29%为中级用户，9%为高级用户。调查还显示，50%的受访者没有定期使用技术的机会，这可能成为元宇宙在教育中广泛应用的障碍。

研究结果

SEM分析显示，**感知易用性（PEU）和感知有用性（PUS）**对学生的态度（ATT）和主观规范（SBN）有显著影响。具体而言，PEU显著影响ATT（β = 0.566）和SBN（β = 0.448），而PUS同样显著影响ATT（β = 0.514）和SBN（β = 0.482）。此外，ATT、SBN和PBC被识别为使用元宇宙平台意图（IUM）的重要预测因素，其中SBN的路径系数最强（β = 0.641），表明社会影响对技术采用至关重要。

在ML分析中，J48算法在预测IUM方面表现优异，准确率达到91.22%，显著高于SEM的R²值0.492。这表明ML方法在提高预测准确性和建模复杂关系方面具有优势。

研究贡献与启示

研究结果对教育机构和政策制定者具有重要意义。首先，PEU和PUS对学习者态度和社会规范的强烈影响表明，用户友好的设计和学习收益的清晰展示对于鼓励采用元宇宙平台至关重要。其次，50%的参与者报告不定期使用技术，表明需要解决基础设施挑战并为学生提供更多的数字工具访问机会。此外，SBN和PBC在预测IUM中的重要作用强调了创建支持性社会和制度环境的重要性，以鼓励使用创新教育技术。

研究局限与未来研究方向

尽管研究结果具有重要意义，但也存在一些局限性。样本仅限于约旦的学生，这可能限制了结果在其他文化和教育背景下的普遍性。此外，研究主要集中在TESOL项目，未来研究可以探索元宇宙学习在其他学科中的应用。调查数据的自我报告性质可能引入偏差，未来研究可以通过纵向数据跟踪技术采用行为的变化。

结论

论文通过SEM和ML的结合，深入分析了影响TESOL学习者使用元宇宙平台的因素，强调了感知易用性和感知有用性在技术采用中的关键作用，并指出ML技术在预测准确性方面的优势。研究建议教育机构应改善技术访问条件，促进元宇宙平台的广泛应用，并为学生和教师提供必要的资源和培训，以有效整合这些技术。

通过以上分析，论文为理解元宇宙在教育中的应用提供了重要的理论和实践指导，尤其是在TESOL领域。