引言
学习空间是教与学发生的载体与支撑。“Learning Space”概念出现于 20 世纪 60 年代，20 世纪 90年代以来，相对固定的、封闭的课堂教学空间逐步向开放的、灵活的学习空间转变。学习空间通常指整个学校的学习环境，主要研究技术丰富的条件下，如何改造学校的环境，以便适应学生的学习需求。学习空间包括正式、非正式和虚拟三种，正式的学习空间主要有教室、图书馆、大礼堂和实验室等， 非正式的学习空间主要有休息室、走廊、户外学习区等，虚拟学习空间主要有学习管理系统、社交网站和在线学习资源库等。学习空间是一种能够让学习者开放获取、自由参与、互动交流的环境， 体现 “以学生为中心”的教学理念和现代学习理论的学习场所。学习的最终目的是培养学生面向未来的学习力，该能力的培养往往是在学校与现实世界有效连接的学习空间中。学习空间支撑学生在知识加工与生产活动中更好地认识世界和自我，建构学生认知自我和世界的精神空间。进入新世纪，移动技术、物联网、沉浸式技术、人工智能等技术的快速发展为学习空间的拓展和创新提供了有力支撑。在信息技术的支持作用下，学习空间的 “居所”属性变得更加复杂，由以往面对面的物理场所延展到了支持师生、生生异地分离开展教与学的虚拟场所。由于互联网技术的入驻、时代文化品性的影响以及教育场域对现代学习空间所做出的一系列反思，集多元性、广延性、虚拟性为一体的后现代学习空间应运而生。多元性是指后现代学习空间的价值取向，反对 “一元”与 “线性”; 广延性是指后现代学习空间的空间形态具有向四周无限绵延的可能性; 虚拟性是指后现代学习空间的活动主体、媒介以及文本具备非实体的属性。未来的学习空间需要在一定的程度上实现物理空间与虚拟空间之间的对接，由此一来，学习者完整的学习行为轨迹，包括学习者在学习过程中的一言一行等，都有可能会借助学习空间的记录与分析，从而转化为对学习发生的原因与结果的判断，进而改变学习空间的决策机制，成为学习空间中高度集成的诸系统的决策形成依据，不断发挥学习空间助力智慧形成的中介功能。在此背景下，重构学习空间成为全球教育改革的重要议题。美国新媒体联盟发布的《地平线报告》，自 2015 年起连续 5 年预测学习空间的设计与重构是教育改革的趋势 。
虽然学习空间已经成为一个研究热点，国内外许多大学和中小学都进行了有益的实践探索，学者们也进行了理论探讨，但这些讨论大都停留于讨论蕴含其中的教育理念和空间设计案例描述的层面，严谨的实证研究相对缺乏，而基于空间使用者真实学习经验的系统性、回溯性评价更是寥寥可数。国外的部分学者在学习空间的影响因素方面进行了开创性研究， Hurst 研究发现， 照明、温度、学生舒适度和教室技术等建筑条件与学生的成绩呈显著正相关。Oliver 和 Nikoletatos 认为，好的学习空间能够让学生获得舒适感与幸福感，学生在室内可随时给电子设备充电， 教室温度适宜且光照充足等。Hill 和 Kathryn 研究结果表明，在大学环境中，比起教室中的计算机设备，更舒适的课桌椅、多层座椅和照明对学生而言更为重要。Vidalakis 等发现，通过改善设施和对现有建筑物进行更好的管理，可以提高学生的满意度 。
国内尚未有学习空间满意度方面的文献，本文聚焦影响学生对学习空间满意度的因素开展实证研究，基于全国大规模的调研数据使用无序多分类 Logit 模型分析学生学习空间的满意度。文章结构安排为: 第一部分介绍研究背景; 第二部分为数据、变量与分析框架; 第三部分为模型设定与实证分析; 第四部分为结论。
数据、变量与分析框架
(一) 数据来源
学习空间是学生最常使用的物理环境，而这些空间可能对学生产生正向或者负向的影响。为了更好地提高学习空间的有效使用率，大红鹰dhy8866采用经济合作与发展组织设计的问卷，调查学生对学习空间的使用情况。学生问卷包括学生相关信息、学生课内外学习空间拥有及使用情况、空间物理环境的舒适性、空间布置、心理和生理安全及幸福感、学校使用的技术和总体满意度七个部分。
本次调查范围覆盖中国大陆七大区域(华北、东北、华东、华南、华中、西南、西北) 。采用四阶段分层抽样，第一阶段为省级层面，即从全国 31 个省区市中，主要抽取 12 个样本省级行政区域；第二阶段为区县层面，即从各样本省中，按经济社会发展水平从高到低，依次抽取若干区县为样本区县；第三阶段为学校层面，即在每个区县内抽取若干初中、高中样本学校；第四阶段为个体层面，即在初中和高中样本学校，均抽取一年级，抽取样本年级中的 1 个班全体学生， 填答学生问卷。
线上数据收集具有快捷方便、减少调研成本、易清洗的优点，所以本次调查采用线上的形式实施。具体地，将学生问卷以电子问卷链接或二维码的方式发送至各地区负责人，由地区负责人组织填答，填答完成的数据将直接储存在计算机中，方便下一步工作开展。
本次调研共计收回学生问卷 17440 份， 分析使用有效问卷 16497 份， 有效样本率为 94. 59%。其中， 男生 8400 人， 女生 8097 人。
从省份看， 学生问卷的数据主要来自 12 个省级行政区域， 分别是: 吉林省(31.02%) 、广东省(9.14%) 、福建省(8.75%) 、江苏省(8.51%) 、北京市(8.08%) 、甘肃省(7.10%) 、湖南省( 6.25%) 、山西省(6.00%) 、浙江省(5.39%) 、四川省(5.14%) 、安徽省(2.40%) 、云南省(2.20%) 。
(二) 变量设计
1． 被解释变量
被解释变量总体满意度(overall satification) 是由题项 “通常， 您对使用的学习空间的满意度是怎么样的?”衡量的。总体满意度是 5 点计分， 其中 1 表示很不满意， 5 表示很满意， 即分值越高， 学生对学习空间的总体满意度越高。
根据调查结果， 学生对学习空间的总体满意度均值为 4. 09 分(满分 5 分) 。具体来看， 76. 62%的学生对学习空间表示满意或很满意， 17. 19%的学生表示一般， 6. 19%的学生对学习空间表示不满意或很不满意(见图 1) 。可见， 学生对学习空间总体上满意度较高。
2． 解释变量
本文从学校空间使用(space use) 、舒适性(comfort total) 、空间布置(arrangement) 、安全性( safe) 和学校技术使用(technology) 五个方面建立一级指标， 考察不同解释变量对学生学习空间总体满意度的影响。
(1) 空间使用
学习空间使用量表采用 4 点计分， 其中， 1 表示从不， 2 表示每星期一次， 3 表示每星期 2－4 次，4 表示每天， 分值越高， 说明学习空间使用频率越高。该量表问卷题项包括 “不能进行空间重组的传统教室”“能进行空间重组的传统教室， 例如可针对合作小组作业、项目作业或个人作业进行空间重组”“合作教学区域(2 名或更多教师) ， 教师和学生可共享各种相互连接的学习空间” “教室外面走廊上的空间”“图书馆”“大厅 /礼堂” “食堂” “科学实验室” “艺术音乐或设计讲习室 /工作室空间”“学习厨房 /食品技术的空间”“技术(木材、金属、塑料、机器人) 讲习室”和 “体育馆”。
对学习空间使用量表进行因子分析可行性检验， 得到 KMO 检验值为 0. 932， Bartlett 球性检验 p =0. 000＜0. 001， 可见数据适合做因子分析。题目的可靠性分析 α 信度系数为 0. 908， 可见题目信度很高。探索性因子分析结果显示，上课期间学习空间的使用量表得到一个公因子，特征值为 6. 00，方差贡献率为 54. 57%(见表 1) 。
采用验证性因子分析对探索性因子分析结果进行有效性检验， RMSEA、SRMR、CFI 以及 TLI( NNFI) 指数均拟合成功， 可见模型得到了较好的拟合结果(见表 2) 。模型的路径图如图 2 所示。
(2) 其他指标的因子分析和检验
对舒适性量表进行因子分析得到两个公因子， 公因子 1 (感到不适) 特征值为 4. 91， 方差贡献率为 35. 05%， 公因子 2(感到舒适) 特征值为 3. 22， 方差贡献率为 58. 07%; 对空间布置量表进行因子分析得到一个公因子， 特征值为 2. 50， 方差贡献率为 62. 41%; 对安全性量表进行因子分析得到一个公因子， 特征值为 3. 99， 方差贡献率为 79. 87%; 对学校技术使用量表进行因子分析得到一个公因子，特征值为 5. 26， 方差贡献率为 52. 63%。
采用验证性因子分析分别对上述探索性因子分析结果进行有效性检验， RMSEA、SRMR、CFI 以及 TLI(NNFI) 指数均拟合成功， 可见模型得到了较好的拟合结果。
3．控制变量
研究中将性别、年级和区域 (华北、东北、华东、华南、华中、西南、西北) 三个变量作为控制变量。变量说明(见表 3) 如下:
控制变量的描述性结果如图 3 所示。分性别看， 男生 8400 人， 占比 50. 92%， 女生 8097 人， 占比49. 08%; 分年级看， 初一学生 12689 人， 占比 77. 86%， 高一学生 3608 人， 占比 22. 14%; 分区域看，华北地区 2330 人， 占比 14. 12%， 华东地区 2689 人， 占比 16. 30%， 东北地区 5115 人， 占比 31. 01%，华中地区 1033 人， 占比 6. 26%， 华南地区 2949 人， 占比 17. 88%，西南地区 1210 人， 占比 7. 33%，西北地区 1171 人， 占比 7. 10%。
(三) 研究框架
本文以学习空间的使用、舒适性、空间布置、安全性、学校技术的使用为解释变量， 并加入性别、年级、区域作为控制变量， 研究它们对学习空间总体满意度的影响。研究分析框架如图 4 所示。
模型设定与实证分析
(一) 模型设定
被解释变量总体满意度 (OSA) 为 5 点计分的有序离散变量， 其中， 1 表示很不满意， 5 表示很满意， 因此首先考虑选择 Ordered Logit 模型。对原数据进行 Brant 检验和 Wald 检验， 其 P 值均小于0. 000， 拒绝原假设， 认为原数据不能通过平行线检验。因此选择无序 Logit 模型。
被解释变量表示对学习空间的总体满意度， 共有 5 个类别， 其中， 1 表示很不满意， 2 表示不满意， 3 表示一般满意， 4 表示满意， 5 表示很满意。根据 Wald 检验结果显示(见表 4) ， 任意两个被解释变量类别之间 Wald 检验 P 值均小于 0. 001， 拒绝原假设， 说明被解释变量的 5 个类别不需要合并。
本文使用无序多分类 Logit 模型探究哪些因素影响学生对学习空间的满意度， P1、P2、P3、P4、P5 分别代表不同满意类型的概率， 模型将总体满意度一般(OSA = 3) 设定为参照组， 将被解释变量类型 1、2、4、5 与 3 比较， 具体模型如下:
其中， α 为截距项; β 为各变量的回归系数。若回归结果系数为正， 意味着学生选择很满意 /满意/不满意 /很不满意的可能性高于一般满意; 若回归结果系数为负， 意味着学生选择很满意 /满意 /不满意 /很不满意的可能性低于一般满意。Logit 回归还将报告优势比， 可以进一步明晰解释变量对不同满意程度的影响大小。
(二) 实证分析
对 5 个解释变量进行多重共线性检验， 结果显示方差膨胀系数 (VIF) 小于 10， 因此认为不存在多重共线性。
比较不加入控制变量和逐步加入性别、年级和区域控制变量的赤池信息准则(AIC)， 结果显示AIC 逐渐减小， 说明模型 d 比模型 a、模型 b 和模型 c 有更好的模型拟合优良性， 因此选择加入性别、年级、区域之后的模型 d(见表 5) 。
加入控制变量的无序多分类 Logit 模型似然比检验结果显示 χ2 为 5153. 25， 自由度为 36， p 值＜0. 001， 模型整体显著。回归结果如表 6 所示。
就学习空间的使用 (space use) 来看， 课余时间学习空间的使用在模型 1、模型 3 和模型 4 中系数均显著为正， 说明课余时间学习空间的使用频率越高， 相比 “一般满意”， 学生越可能选择 “很不满意”“满意”或 “很满意”。对于课余时间学习空间的使用， 学生选择 “很不满意” “满意”或“很满意”分别比选择 “一般满意”的概率高 54. 1%、45. 0%、105. 1%。
就舒适性来看， 感到不适 (uncomfort) 在模型 2 中系数显著为正， 在模型 3 和模型 4 中系数显著为负， 可见感到不适的空间数越多， 相比 “一般满意”， 学生越可能选择 “不满意”， 越不可能选择“满意”或 “很满意”。对于感到不适的学习空间， 学生选择 “不满意”的概率相比 “一般满意”高18. 4%， 选择 “满意”或 “很满意”的概率相比 “一般满意”分别低 25. 4%、35. 6%。感到舒适(comfort) 在模型 2 中系数显著为负， 在模型 3 和模型 4 中系数显著为正， 可见感到舒适的空间数越多， 相比 “一般满意”， 学生越不可能选择 “不满意”， 越可能选择 “满意”或 “很满意”。对于感到舒适的学习空间， 相比选择 “一般满意”， 学生选择 “不满意”的概率低 37. 1%， 选择 “满意”或“很满意”的概率分别高 120. 8%、366. 4%。
就空间布局 (arrangment) 来看， 类型 A (演示布局) 在模型 1、模型 3 和模型 4 中系数显著为负， 可见演示布局使用频率越高， 学生越不可能选择 “很不满意” “满意”或 “很满意”。对于演示布局， 相比选择 “一般满意”， 学生选择 “很不满意” “满意”或 “很满意”的概率分别低 11. 6%、4. 2%和 8. 4%。类型 B(小组布局) 在模型 4 中系数显著为正， 可见小组布局使用频率越高， 学生越可能选择 “很满意”。对于小组布局， 相比选择 “一般满意”， 学生选择 “很满意”的概率高 5. 2%。类型 C(个体布局) 在模型 3 和模型 4 中系数显著为正， 可见个体布局使用频率越高， 学生越可能选择 “满意”或 “很满意”。对于个体布局， 相比选择 “一般满意”， 学生选择 “满意”或 “很满意”的概率分别高 4. 3%、5. 9%。类型 D(团队教学布局) 在模型 1、模型 3 和模型 4 中系数显著为正，可见团队教学布局使用频率越高， 学生越可能选择 “很不满意” “满意”或 “很满意”。对于团队教学布局， 相比选择 “一般满意”， 学生选择 “很不满意”“满意”或 “很满意”的概率分别高 11. 2%、 9. 1%和 19. 2%。
就安全性 (safe) 来看， 安全性在模型 1、模型 2 中系数显著为负， 在模型 3 和模型 4 中系数显著为正， 可见安全性越高， 学生越不可能选择 “很不满意”或 “不满意”， 越可能选择 “满意”或 “很满意”。相比选择 “一般满意”， 学生选择 “很不满意”或 “不满意”的概率分别低 44. 3%、28. 3%，而选择 “满意”或 “很满意”的概率分别高 53. 6%、67. 4%。
就学校技术的使用 (tech) 来看， 学校技术的使用在模型 2 中系数显著为负， 在模型 3 和模型 4中系数显著为正， 可见学校技术的使用频率越高， 学生越不可能选择 “不满意”， 越可能选择 “满意”或 “很满意”。相比选择 “一般满意”， 学生选择 “不满意”的概率低 20. 7%， 而选择 “满意”或 “很满意”的概率分别高 35. 4%、148. 0%。
分性别看， 相比男生而言， 女生选择 “很不满意”比 “一般满意”的概率低 39. 0%， 女生选择“很满意”比 “一般满意”的概率低 19. 8%。分年级看， 相比初一年级学生而言， 高一年级学生选择“很不满意”“满意”或 “很满意”比 “一般满意”的概率分别低 21. 7%、36. 7%、63. 1%。分区域看， 相比华北地区而言， 华东地区、西南地区学生选择 “不满意”比选择 “一般满意”的概率分别低 50. 8%、41. 4%; 西北地区学生选择 “很不满意” “不满意”比选择 “一般满意”的概率分别低44. 4%、53. 9%; 东北地区学生选择 “不满意”比选择 “一般满意”的概率低 39. 3%， 选择 “很满意”比选择 “一般满意”的概率高 55. 5%; 华中地区学生选择 “不满意” “满意”或 “很满意”比选择 “一般满意”的概率分别低 41. 4%、28. 6%、42. 6%; 华南地区学生选择 “很不满意”“不满意”或 “很满意”比选择 “一般满意”的概率分别低 45. 7%、45. 2%、43. 9%。
(三) 边际影响
无序多分类 Logit 回归展示了各个解释变量变化对学生学习空间总体满意度选择的影响， 本节研究解释变量对学生学习空间总体满意度选择的边际影响。
当给定 X 时被解释变量 OSA (总体满意度) 的响应概率为:
其中， F (·) 为分布函数， X表示为一组解释变量， β为相应的待估参数， δ为估计获得的临界值与估计常数项的差值。
更进一步， 探索各个解释变量对被解释变量 OSA 各个取值的影响。计算公式如下:
其中， k = 1， 2， 3…17; f (·) 为 F (·) 概率密度函数。
基于公式 (8) 、(9) 、(10) 得到的解释变量对总体满意度的边际影响如表 7 所示。即在均值处，解释变量xi变化一个单位， 学生总体满意度OSAj的变化量(i = 1， 2， 3…17; j= 1， 2， 3， 4， 5) 。
学习空间的使用 (space use) 对学生选择 “不满意”“一般满意”或 “满意”的边际影响显著为负， 对 “很满意”的边际影响显著为正， 即在均值处， 学习空间使用的频率每增加 1 个单位， 学生选择 “不满意”“一般满意”或 “满意”的概率分别下降 0. 7%、6. 4%、3. 7%， 而选择 “很满意”的概率上升 10. 8%。
感到不适 (uncomfort) 对学生选择 “很不满意” “不满意”或 “一般满意”的边际影响显著为正， 对 “很满意”的边际影响显著为负， 即在均值处， 感觉不舒适的空间数每增加 1 个单位， 学生选择 “很不满意”“不满意”或 “一般满意”的概率分别上升 0. 9%、0. 6%、4. 2%， 而选择 “很满意”的概率下降 5. 9%; 感到舒适(comfort) 对学生选择 “很不满意”“不满意” “一般满意”或 “满意”的边际影响显著为负， 对 “很满意”的边际影响显著为正， 即在均值处， 感觉舒适的空间数每增加 1个单位， 学生选择 “很不满意” “不满意” “一般满意”或 “满意”的概率分别下降 2. 3%、1. 9%、13. 4%、6. 8%， 而选择 “很满意”的概率上升 24. 4%。
类型 A (演示布局) 对学生选择 “一般满意”的边际影响显著为正， 选择 “很满意”的边际影响显著为负， 即在均值处， 演示布局使用频率每增加 1 个单位， 学生选择 “一般满意”的概率增加0. 8%， 而选择 “很满意”的概率降低 1. 3%。类型 C(个体布局) 对学生选择 “一般满意”的边际影响显著为负， 即在均值处， 个体布局使用频率每增加 1 个单位， 学生选择 “一般满意”的概率降低0. 6%。类型 D(团队教学布局) 对学生选择 “一般满意” “满意”的边际影响显著为负， 选择 “很满意”的边际影响显著为正， 即在均值处， 团队教学布局使用频率每增加 1 个单位， 学生选择 “一般满意”“满意”的概率分别降低 1. 6%、1. 0%， 而选择 “很满意”的概率提高 2. 7%。
安全性 (safe) 对学生选择 “很不满意” “不满意”或 “一般满意”的边际影响显著为负， 对“满意”“很满意”的边际影响显著为正， 即在均值处， 安全性每增加 1 个单位， 学生选择 “很不满意”“不满意”或 “一般满意”的概率分别降低 2. 0%、1. 0%、5. 2%， 而选择 “满意”“很满意”的概率分别提高 2. 2%、5. 9%。
学校技术的使用 (tech) 对学生选择 “很不满意” “不满意” “一般满意”或 “满意”的边际影响显著为负， 对 “很满意”的边际影响显著为正， 即在均值处， 学校技术的使用频率每增加 1 个单位， 学生选择 “很不满意” “不满意” “一般满意”或 “满意”的概率分别降低 0. 8%、1. 0%、7. 0%、8. 2%， 而选择 “很满意”的概率提高 17. 0%。
相比男生而言， 女生选择 “很不满意”“很满意”的概率分别低 0. 7%、3. 7%， 而选择 “一般满意”“满意”的概率分别高 1. 8%、2. 5%。
相比初一年级学生而言， 高一年级学生选择 “很不满意” “不满意” “一般满意”或 “满意”的概率分别高 0. 7%、1. 0%、8. 5%、6. 1%， 而选择 “很满意”的概率低 16. 3%。
相比华北地区而言， 华东地区、西南地区选择 “不满意”的概率分别低 1. 1%、0. 8%; 东北地区选择 “很不满意” “不满意” “一般满意”或 “满意”的概率分别低 0. 9%、1. 1%、2. 7%、5. 2%，选择 “很满意”的概率高 10. 0%; 华中地区选择 “一般满意”的概率高 6. 0%， 选择 “很满意”的概率低 6. 9%; 华南地区选择 “一般满意” “满意”的概率分别高 4. 9%、5. 8%， 选择 “很满意”的概率低 9. 6%; 西北地区选择 “很不满意”“不满意”的概率分别低 1. 1%、1. 1%。
结论
本文从学习者的角度出发， 基于全国初一和高一学生抽样数据使用无序多分类 Logit 模型探究学习空间满意度的影响因素， 分析表明在学习空间的创新上要非常重视学生的满意度， 具体的研究发现如下:
(1) 课余时间学习空间的使用频率越高， 相比 “一般满意”， 学生越可能选择 “很不满意” “满意”或 “很满意”。说明课余时间学习空间使用频率的增加， 学生对学习空间的满意度具有不确定性， 可能更加满意也可能更不满意， 但更偏向满意。
(2) 演示布局是可向整个小组清楚地说明 /演示的布局， 演示布局使用频率越高， 学生越不可能选择 “很不满意”“满意”或 “很满意”。小组布局是可要求学生通过合作和小组活动分享想法和互相帮助的布局， 小组布局使用频率越高， 学生越可能选择 “很满意”。个体布局是可让学生独立写作、阅读、研究、思考和反思的布局， 个体布局使用频率越高， 学生越可能选择 “满意”或 “很满意”。团队教学布局是支持两个或以上教师与共享同一空间的学生团队合作的布局， 团队教学布局使用频率越高， 学生越可能选择 “很不满意”“满意”或 “很满意”。可见空间布局的选择上因人而异， 传统的演示布局和团队教学布局的方式对学生学习空间满意度的选择具有不确定性， 演示布局或团队教学布局使用的频率的增加都会使学生更加满意或更不满意; 小组布局和个体布局使用的频率越高， 学生的学习空间满意度越偏向满意。说明学生喜欢课堂参与度高且可以独立思考的学习方式。
(3) 感到不适的空间数越多， 相比 “一般满意”， 学生越可能选择 “不满意”， 越不可能选择“满意”或 “很满意”。感到舒适的空间数越多， 相比 “一般满意”， 学生越不可能选择 “不满意”，越可能选择 “满意”或 “很满意”。安全性越高， 学生越不可能选择 “很不满意”或 “不满意”， 越可能选择 “满意”或 “很满意”。学校技术的使用频率越高， 学生越不可能选择 “不满意”， 越可能选择 “满意”或 “很满意”。可见学校空间舒适性、安全性、学校技术的使用与学生学习空间满意度高度一致， 学习空间越舒适、安全性越好、技术使用越频繁， 学生满意度越高。
随着信息时代的不断发展和教育水平的提高， 不同的学习者对教学和学习的需求差异会越来越大， 因此， 要提高学生在学习空间中的满意度， 必须充分重视空间设计， 以满足学习者的个性化学习需求。学生的学习空间满意度可以在一定程度上体现空间设计的质量， 学校空间使用、舒适性、空间布置、安全性和学校技术使用等都是衡量空间设计的重要指标， 这些也都是影响学生学习空间满意度的重要因素。
来源|《基础教育》2021年第6期
作者|浦小松（中国教科院助理研究员）