从数字素养到学生创造力：人工智能支持语言学习中的动机路径

摘要

本研究发现，以学生为中心的教学、策略性使用 ChatGPT 以及数字素养与中国英语作为外语学习者的学习动机呈正相关。这种更高的动机会进一步降低焦虑水平并提升创造力，表明动机在其中起中介作用。研究结果支持将教学法、人工智能工具与数字技能相整合的教师培训模式。

摘要

本研究探讨了教学风格、ChatGPT 使用情况和数字素养如何共同影响中国英语作为外语（EFL）学习者的动机、焦虑感和创造力，并考察了动机在这些关系中的中介作用。研究采用定量方法，通过经过验证的量表收集了 n=290 名本科生的数据，并使用结构方程模型进行分析。研究结果表明，以学生为中心的教学、ChatGPT 的策略性整合以及数字素养均与更高的学习动机呈正相关。而更高的学习动机又与更低的焦虑水平相关，较低的焦虑水平则与更高的创造力相关。此外，动机在三个前因变量（教学风格、ChatGPT 使用、数字素养）与焦虑之间的关系中起到完全中介作用，凸显了其在所检验模型中情绪结果的核心地位。本研究通过揭示教学与技术因素如何协同支持学习者的心理需求，拓展了自我决定理论；同时通过阐明动机的中介功能，进一步发展了媒体学习的认知-情感理论。实践意义在于，需要开展教师培训项目，将创新教学法、人工智能工具应用与数字素养培养相结合，以优化语言学习体验。该研究强调了在技术增强型 EFL 教育中，尤其是在高利害学习环境中，采用以动机为中心的教学方法的重要性。

引言

人工智能（AI）通过为语言学习中的互动性、个性化和创造性创造新的机会，推动了教育技术的发展¹。ChatGPT 是一种基于人工智能的对话工具，可提供互动性和适应性反馈，支持语言能力的发展²。与此同时，数字素养已成为在学习环境中有效使用和驾驭技术的一项关键技能³。尽管人们对人工智能支持的语言学习兴趣日益增长，并且在英语作为外语（EFL）教学环境中越来越多地使用 ChatGPT⁴，但仍存在若干重要研究空白。首先，现有研究大多孤立地探讨教学风格、人工智能工具使用和数字素养；很少有研究将这三者整合到一个统一的动机框架中⁵。其次，尽管动机被广泛认为是语言学习的关键驱动力，但很少有研究探讨其在连接教学与技术因素与情感结果（如语言学习焦虑）和认知结果（如创造力）之间的中介作用⁶。这一研究空白在中国的英语作为外语教学环境中尤为突出，因为该地区的技术整合仍在不断发展。此外，尽管焦虑已被充分证实为影响英语作为外语学习的抑制因素⁷，但它很少与动机和技术变量共同被研究。同样，创造力作为语言学习中日益受到重视的一项技能，尚未与人工智能辅助的学习环境建立强有力的关联⁸。与以往仅关注教学法或技术的单一维度的研究不同，本研究整合了这两个领域，旨在考察教学风格、ChatGPT 使用和数字素养如何共同影响学习动机，并进一步影响焦虑感和创造力。

本研究基于三个理论框架，每个框架对应结构方程模型中特定的可测构念。首先，自我决定理论（self-determination theory, SDT）⁹认为，支持自主性的教学能够满足学习者的基本心理需求（自主性、胜任感、归属感），从而增强其内在动机。在本模型中，这一理论通过“以学生为中心的教学风格”这一构念加以操作化，该构念被假设与动机呈正向关联。其次，技术接受模型（technology acceptance model, TAM）¹⁰指出，感知有用性和感知易用性会影响技术的采纳。在本研究中，数字素养被视为一种前置因素，使学习者能够感知到ChatGPT的有用性和易用性，从而强化其与动机之间的正向关系。第三，基于媒体的认知-情感学习理论（cognitive-affective theory of learning with media, CATLM）¹¹强调，情感因素（如焦虑）在媒体特征与认知结果（如创造力）之间起中介作用。在本模型中，该机制通过“动机 → 焦虑 → 创造力”这一路径进行检验。需要指出的是，尽管建构主义学习理论为以学生为中心的教学法设计提供了依据，但它在本模型中并未被操作化为一个独立的可测构念；因此，我们仅将其作为背景理论进行讨论，而非直接检验的理论框架。

以往在英语作为外语（EFL）情境中对自我决定理论（SDT）的应用主要关注教师主导的自主性支持，而未探讨诸如ChatGPT等人工智能工具如何独立满足学习者在能力感和自主性方面的需求¹²。同样，技术接受模型（TAM）虽能解释技术采纳行为，却未能涵盖焦虑与创造力等动机和情感层面的结果¹³。认知-情感-意志学习模型（CATLM）强调了情感与认知加工过程，但在人工智能支持的EFL教学环境中尚缺乏实证检验¹⁴。本研究通过整合上述三种理论框架，构建了一个统一且可实证检验的模型，以弥补这些研究空白。该模型中，教学风格、ChatGPT的使用以及数字素养与学习动机相关，而动机又通过焦虑与创造力之间的关联，进一步影响焦虑水平降低和创造力提升。

ChatGPT 是一种生成式语言模型，能够实现类人对话、即时反馈和自适应响应，因此在英语作为外语（EFL）教学中具有潜在的强大应用价值¹⁵。近期研究表明，通过模拟互动，ChatGPT 有助于词汇习得、语法准确性和会话流利度的提升¹⁶。然而，关于其对学习者心理影响的研究仍存在重要空白。一方面，ChatGPT 低风险、易获取的特性可能降低语言学习焦虑¹⁷；另一方面，其不可预测性（例如偶尔出现的不准确信息或不一致的回应）可能使自信心较弱的学习者压力增加¹⁸。此外，ChatGPT 的有效性可能取决于学习者的数字素养，不仅包括技术技能，还涵盖批判性评估能力和伦理意识¹⁹。这种调节作用在学生技术准备程度各异的 EFL 教学环境中亟需进一步探究²⁰。

教学方法被认为是决定学生在语言学习中的活动和表现的重要因素²¹。基于建构主义和社会文化理论，当代教育研究趋势强调了以学生为中心的教学实践（如交际语言教学和任务型学习）的有效性²²。根据一些实践表明，采用以学生为中心教学模式的学生所取得的成绩和学习效果优于采用以教师为主导教学模式的学生²³。这类以学习者为中心的范式与自我决定理论相呼应，该理论认为支持自主性的教学能够通过满足学习者的三种基本心理需求——能力需求、自主需求和归属需求——来激发其内在动机²⁴。进一步的实证研究结果也支持这一观点，表明灵活、互动的教学模式能够提高语言学习者的参与度，并减轻焦虑带来的负面影响²⁵。然而，以ChatGPT为代表的AI技术的迅速应用为这一过程增添了复杂性²⁶。尽管有部分研究者认为，人工智能技术可通过引入个性化的学习路径，进一步强化以学生为中心教学法的积极优势²⁷。

动机在语言学习中起着核心作用，介导了教学法、技术与情感变量之间的相互联系²⁸。自我决定理论（SDT）所描述的自主性动机与受控动机之间的差异，为通过使用ChatGPT和教学风格来考察学习者投入提供了坚实的理论视角²⁹。早期研究表明，人工智能工具通过支持自主进度和兴趣驱动的学习，有助于实现自主性动机³⁰，但这种效果依赖于教师能否将技术融入教学而不剥夺学习者的主体性³¹。另一方面，在英语作为外语（EFL）环境中，焦虑似乎是一种普遍存在的障碍，通常源于对负面评价的恐惧或交际焦虑。尽管已有研究发现将人工智能融入学习实践能够缓解此类焦虑³²，但关于这一过程如何发挥作用的研究仍十分有限，尤其是从动机的中介作用角度进行的探讨尚不多见³³。图1展示了本研究的关键变量，说明了在EFL语境下，教师的教学风格、学生对ChatGPT的使用，以及由此对学习者动机、焦虑、创造力和数字素养所产生的影响之间的假设关系。

图1。研究模型。 教学风格、ChatGPT使用、英语作为外语学习者的数字素养、学习动机、焦虑情绪以及创造力之间假设关系的示意图。请点击此处查看该图的放大版本。

基于理论框架，提出以下假设（H1-H8）：
H1：教学风格与学生的学习动机呈正相关。
H2：ChatGPT 的使用与学生的学习动机呈正相关。
H3：数字素养与学生的学习动机呈正相关。
H4：学习动机与焦虑呈负相关。
H5：焦虑与创造力呈负相关。
H6：学习动机在教学风格与焦虑之间的关系中起关联作用。
H7：学习动机在ChatGPT使用与焦虑之间的关系中起关联作用。
H8：学习动机在数字素养与焦虑之间的关系中起关联作用。

方案

伦理声明
本研究遵循中国成都大学机构审查委员会（IRB）的伦理标准（批准号：202509）进行。所有参与者在参与前均签署了书面知情同意书。本研究遵守涉及人类受试者的机构研究指南，确保参与的自愿性、保密性，以及参与者可在任何时间无惩罚地退出研究。

为保护机密性，所有收集的数据均使用编码标识符进行匿名化处理，个人信息与研究数据分别存储于仅主要研究者可通过密码访问的受保护文件中。问卷设计采取了减少心理不适的措施，特别是涉及焦虑相关问题的部分，并为参与者提供了大学心理咨询服务的联系方式，以便在参与调查过程中出现任何困扰时寻求帮助。为解决师生关系中可能存在的权力不平衡问题，招募参与者和数据收集工作由经过培训的研究助理而非课程教师执行，同时向参与者保证其回答不会影响其学业成绩或与教职人员的关系。

本研究采用定量横断面设计，招募了来自一所公立大学的290名中国本科生英语作为外语学习者。通过便利抽样并确保比例代表性，招募了来自不同年级和学科的参与者，并在常规课堂的受控环境中完成纸质问卷，耗时约25分钟。问卷包括经过验证的量表，用于测量教学风格、数字素养、ChatGPT使用情况、学习动机、焦虑水平和创造力。为尽量减少偏差，经过培训的研究助理采用程序性控制措施（如项目心理分离）来施测问卷。数据收集完成后，使用统计软件和偏最小二乘结构方程模型（PLS-SEM）软件进行数据分析，包括数据筛查、测量模型评估、结构模型检验，以及采用5000次重复抽样的自举法进行中介效应分析。

研究设计
本研究采用定量的横断面研究设计，旨在考察英语作为外语（EFL）学习者中教学风格、ChatGPT 使用、数字素养、动机、焦虑与创造力之间的关系。横断面研究方法适用于在特定时间点获取这些变量的现状快照，能够在无需进行耗时的纵向研究的前提下，分析变量之间的相互关系。该设计有助于检验一个假设的中介模型，即动机作为中介机制，连接教学风格、ChatGPT 使用和数字素养与降低焦虑及提升创造力之间的关系。

数据与样本
抽样框包括2024–2025学年期间中国某公立大学注册英语作为外语（EFL）课程的所有本科生。纳入标准要求参与者必须满足以下条件：（a）母语为中文；（b）当前至少注册一门必修的EFL课程；（c）除常规课程外，未接受过基于人工智能的语言学习工具的正式培训。采用分层便利抽样方法，按年级（大一、大二、大三、大四）和学科领域（人文学科、社会科学、自然科学、工程学）进行比例分配。目标分层规模设定为每个年级占25%，每个学科领域占25%，依据该大学整体学生分布情况确定。最终样本包括290名本科EFL学生。在课堂常规时段接触的328名学生中，11人拒绝参与（不参与率为3.4%），27人提交了不完整的问卷（不完整应答率为8.2%），最终获得的有效应答率为88.4%（290/328）。使用G*Power 3.1软件进行先验样本量计算，检验方法为F检验族中的线性多元回归：固定模型，R²偏离零的检验。输入参数如下：效应量f² = 0.15（行为科学研究中常规的中等效应量），α误差概率 = 0.05，检验效能（1‑β误差概率）= 0.95，预测变量数量 = 3（教学风格、ChatGPT使用、数字素养），用于动机结果的分析。计算结果显示，检测显著性R²所需的最小样本量为119。为进一步涵盖完整的结构方程模型（SEM）（包括间接路径和额外的内生变量），我们采用了更为保守的每估计参数10个案例的规则。由于模型中共有29个待估参数，所需样本量为290，恰好与最终样本量一致。因此，所获得的样本量足以支持基于回归和结构方程模型的分析。

参与者与实验流程
通过分层便利抽样招募参与者，以确保在不同年级（大一至大四）和学科背景（人文、科学与工程）之间保持比例均衡。最终样本中各层的规模分别为：大一学生（n = 72，24.8%）、大二学生（n = 74，25.5%）、大三学生（n = 71，24.5%）、大四学生（n = 73，25.2%）；以及人文学科（n = 76，26.2%）、社会科学（n = 68，23.4%）、自然科学（n = 72，24.8%）、工程学（n = 74，25.5%）。样本中女性占62%，男性占38%，平均年龄为20.3岁（SD = 1.7）。数据收集在常规的英语作为外语（EFL）课程期间进行。经过培训的研究助理在受控的课堂环境中发放纸质问卷，以确保标准化。在开始问卷调查前，向所有在场且符合资格的学生说明研究目的、自愿参与原则以及保密措施（匿名作答、数据安全存储）。不符合纳入标准（n = 6，未注册EFL课程）或拒绝参与（n = 11）的学生被排除；拒绝参与的原因包括时间限制（n = 7）和对自我报告技术使用情况感到不适（n = 4）。整套问卷大约需要25分钟完成，包含所有构念的已验证量表。为减轻共同方法偏差，采取了程序性控制措施（例如，量表条目之间的心理分离、作答匿名性）。此外，采用Harman单因子检验评估共同方法偏差，结果显示首个因子解释的方差小于总方差的50%，表明本研究中共同方法偏差并非主要问题。

研究测量
所有量表均通过严格的翻译与适应性程序调整至中国英语作为外语（EFL）语境。两名双语研究者独立将原始英文条目翻译为中文，第三名研究者协调差异，形成初步版本。该版本由另外两名译者回译为英文，任何不一致之处均通过研究团队讨论解决。随后，中文版本在30名本科EFL学生（不包含在主样本中）中进行小规模试测，以检验条目的清晰度与理解程度，并据此进行了少量文字修改。每个量表的作答均采用5点李克特量表，范围从1（非常不同意）到5（非常同意）。每个构念使用总分或平均分，分数越高表示相应变量水平越高。所有改编后的量表均获得原始作者许可使用，或在适用情况下依据开放许可条款使用。除下文特别说明外，未删除原始量表中的任何条目；条目保留依据为因子载荷 > 0.40 且具有理论相关性。关于ChatGPT的使用情况，本研究评估了学生自我报告的与中国境外可访问的免费版ChatGPT（2024–2025学年期间通过网页或移动应用程序提供的GPT-3.5/4版本）的互动情况。所有参与者均可平等使用该工具，因所在大学未限制ChatGPT的使用；但实际使用情况因人而异。该量表测量了ChatGPT使用的频率（从“从未”到“每天”）、用于语言学习任务的类型（如词汇积累、语法检查、作文起草、会话练习和错误纠正），以及互动的感知质量（如有用性、反馈的清晰度）。该量表未区分具体的ChatGPT版本，因为在数据收集期间存在版本更新；相反，参与者报告了其主要使用的版本，其中超过90%的参与者报告使用GPT-3.5或GPT-4。各构念的具体条目示例及改编说明详见下文。

本研究采用经过严格验证的量表，并针对英语作为外语（EFL）教育情境进行了审慎调整，以评估以下关键变量：教学方法、数字素养、ChatGPT 的整合应用、语言学习焦虑、学习者动机以及创造性思维。所选用的测量工具因其已证实的信度及对各构念进行全面评估的能力而被采纳。为考察教学方法，研究采用了 Grasha 教学风格量表的修订版本³⁴，该量表评估五种不同的教学取向：权威型、专家型、个人示范型、促进型和授权型。为评估数字素养，研究引入了 Rodríguez-de-Dueños 等人开发的量表的修订版³⁵，共包含 29 个题项，涵盖六个关键领域：（1）技术素养，（2）个人数据保护素养，（3）批判性评估素养，（4）设备安全素养，（5）信息处理素养，以及（6）数字沟通素养。这一多维框架为全面评估学习者在当代教育中所需的数字能力提供了依据。ChatGPT 的使用情况则通过改编自 Abbas 等人³⁶的 8 个题项量表进行评估，重点考察学生在语言学习任务中与人工智能工具的互动情况。该量表反映的是学生对 ChatGPT 在语言学习任务中使用情况的主观感知和自我报告，而非客观使用频率。外语课堂焦虑（FLCA）采用基于 Briesmaster 与 Briesmaster³⁷改编的量表进行测量，该工具从三个关键维度考察焦虑水平：交际畏惧、考试焦虑以及对负面评价的恐惧，分别包含 10、10 和 7 个题项。学生的学习动机通过改编自 Kanoksilapatham 等人³⁸的量表进行评估，测量三个核心维度：工具性促进与预防、民族中心主义与融合性，以及对英语学习的态度，量表共包含 20 个题项。EFL 学生的创造力则采用改编自 Govindasamy 等人³⁹的量表进行测量，评估四个维度：独创性、灵活性、流畅性和精细性，每个维度均通过三个题项进行测量。

数据分析方法
采用结合 SPSS（版本 27）和 SmartPLS 软件中的偏最小二乘结构方程模型（PLS-SEM）的两阶段分析方法对收集的数据进行分析。使用 SPSS 进行初步数据筛查和描述性统计分析，以评估数据质量，包括检查缺失值、异常值和正态性假设。Little 的完全随机缺失（MCAR）检验结果表明，缺失数据点少于 2%，且为完全随机缺失（χ² = 18.24，p = 0.212），采用期望最大化算法进行处理，以保持统计效能。数据集表现出可接受的单变量正态性（偏度 < |2|，峰度 < |7|）和多变量正态性（Mardia 系数 = 18.37，p < 0.001），支持使用参数检验和 PLS-SEM 方法，后者对非正态分布具有较强的稳健性。尽管单变量正态性可接受，Mardia 系数表明多变量正态性假设被违反（p < 0.001），但由于 PLS-SEM 对非正态数据分布具有稳健性，因此该情况并不构成问题。

信度分析显示所有量表均具有较高的内部一致性（Cronbach's α > 0.82，组合信度 > 0.85），而探索性因子分析证实了预期的因子结构，所有题项在其对应构念上的负荷清晰（因子负荷 > 0.65，交叉负荷 < 0.40）。

在假设检验中，由于偏最小二乘结构方程模型（PLS-SEM）在处理小到中等样本量的复杂模型方面表现更优，并且能够最大化对内生构念的解释方差，因此被优先于协方差-based SEM 选用。分析遵循两步法流程：首先评估测量模型，然后检验结构模型。反射性测量模型显示出足够的收敛效度（所有构念的平均提取方差 > 0.50）和区分效度，后者通过 Fornell-Larcker 准则和异质-单调比率（HTMT < 0.85）共同验证。在结构模型中，采用包含 5,000 次重抽样的自举法（bootstrapping）程序估计路径系数，以生成稳定的估计值和置信区间。模型的预测能力通过内生变量的 R² 值（动机 = 0.53，焦虑 = 0.41，创造力 = 0.38）和预测相关性（Q² > 0）进行评估，同时计算效应量（f²）以判断其实际影响程度。中介效应分析采用偏差校正的自举法检验间接效应，当 95% 置信区间不包含零时，即认定存在显著中介作用。

所有构念均基于理论考量被建模为 反射性 （模式A），因为每个潜变量均被假定为其观测指标的原因。未从任何量表中删除项目，因为所有项目的外部载荷均超过0.50的阈值（范围为0.62至0.89），且所有平均方差提取值（AVE）均高于0.50，证实了聚合效度。在中介效应检验中，结构模型包含从三个前因变量（教学风格、ChatGPT使用、数字素养）到动机、从动机到焦虑、以及从焦虑到创造力的 直接路径 。同时估计了从前因变量到焦虑以及从前因变量到创造力的直接路径，以检验部分中介与完全中介。根据以下标准判断是否存在 完全中介 ：（a）间接效应（前因变量 → 动机 → 焦虑）显著（95%偏差校正的自助法置信区间不包含零）；（b）在引入中介变量后，从前因变量到焦虑的直接效应变得不显著，而从前因变量到创造力的直接效应始终不显著。所有分析均使用SmartPLS 4中的 PLS-SEM算法 ，采用路径加权方案，最大迭代次数设为300，收敛标准为1.0e-7。 自助法 通过5,000个子样本进行，采用95%偏差校正加速（BCa）置信区间，并启用无符号变化选项。模型拟合度通过标准化均方根残差（SRMR = 0.061）进行评估，该值低于推荐的0.08阈值。

结果

描述性统计与相关性分析
所有研究变量的描述性统计结果显示数据呈正态分布，变异性在可接受范围内，偏度和峰度值均处于推荐阈值±2之内，证实了这一点。

表1展示了290名英语作为外语学习者样本中各研究变量的重要特征。教学风格（M = 4.32，SD = 0.72）、数字素养（M = 4.15，SD = 0.68）和动机（M = 4.21，SD = 0.79）在5点量表上的平均得分最高，表明参与者对这些因素的总体评价较为积极，且标准差较小，说明变异程度相对较低。ChatGPT使用频率的评分略低，但仍属积极范畴（M = 3.89，SD = 0.91）；而创造力水平处于中等，离散程度较大（M = 3.95，SD = 1.02）。焦虑的平均得分最低（M = 2.87，SD = 0.94），表明参与者经历的语言学习焦虑程度相对较轻。所有变量均表现出可接受的正态性，偏度值（-0.83 至 0.71）和峰度值（-1.12 至 0.93）均在参数检验推荐的阈值范围内（偏度±2，峰度±7）。

讨论

本研究为英语作为外语（EFL）学生中教学风格、ChatGPT 使用、数字素养、动机、焦虑与创造力之间的关联提供了有益的见解。研究结果表明，以学生为中心的教学风格、更多地使用 ChatGPT 以及更高的数字素养与学生的学习动机呈正相关。而动机与焦虑呈负相关，焦虑又与创造力呈负相关。由于本研究采用横断面设计且数据基于自我报告，这些结果应被理解为模型支持的关联性，而非因果效应。尽管如此，这种关系模式支持了自我决定理论的相关性，因为教学风格、技术使用和数字能力可能与学习者感知到的自主性、胜任感和归属感相关，而这三者是动机发展的核心要素。较强的中介效应结果（VAF 值介于 72% 至 78% 之间）表明，动机是一条重要的心理路径，通过该路径，教学与技术变量在统计学上与焦虑相关联。

这些发现与以往关于以学习者为中心的英语作为外语（EFL）和英语教学（ELT）环境中的教学研究一致，表明支持性教学实践与学习者的动机和参与度呈正相关^40,41。本研究中教学风格与动机之间的正向关联，支...

材料

本文使用的材料清单

姓名	公司	目录编号	评论
调查工具（量表）	教学风格量表	NA	格拉沙教学风格量表（Grasha, 1996）的修订版本，用于评估五种教学方法：权威型、专家型、示范型、促进型和委任型。 目录编号： NA
	数字素养量表	NA	29项量表改编自Rodríguez 等人íguez-de-Dueñasños 等人（2016）提出的六个维度：技术熟练度、个人数据保护、批判性评估、设备安全管理、信息处理和数字沟通。 目录编号： NA
	ChatGPT 使用量表	NA	改编自Abbas等人（2024）的8项量表，聚焦于学生’ 与人工智能工具在语言学习任务中的互动。 目录编号： NA
	外语课堂焦虑量表（FLCA）	NA	量表改编自 Briesmaster 和 Briesmaster（2015），包含交流焦虑（10 个条目）、考试焦虑（15 个条目）和负面评价恐惧（7 个条目）三个子量表。 目录编号： NA
	动机量表	NA	改编自Kanoksilapatham等（2021）的20项量表，用于测量三个维度：工具性（促进/预防）、民族中心主义/融合性，以及对英语学习的态度。 目录编号： NA
	创造力量表	NA	改编自 Govindasamy 等（2024）的 12 项量表，用于测量四个子构念：原创性、灵活性、流畅性和精细性。 目录编号： NA
软件	SPSS Statistics 版本 27	IBM 公司	统计分析软件 目录编号： NA
	SmartPLS 版本 4	SmartPLS GmbH	结构方程模型软件。 目录编号： NA
设备 &及其他材料	数据收集工具	NA	匿名自填纸质问卷组合 目录编号： NA
	知情同意书	NA	详细说明研究目的、流程、风险/获益以及退出权利的书面信息表和知情同意书。 目录编号： NA
	数据存储系统	NA	带有编码标识符的密码保护数字文件；个人信息与研究数据分开存储。 目录编号： NA
分析步骤	PLS-SEM 算法与自举法	SmartPLS GmbH	SmartPLS 4 内部程序（PLS 算法和基于 5,000 次重抽样的偏差校正自助法）。 目录编号： NA
	效度与信度检验	SmartPLS GmbH；IBM Corp.	SmartPLS 4 和 SPSS 的 Cronbach 例程’克朗巴哈α系数、组合信度、平均方差提取量（AVE）、Fornell-Larcker准则以及异质-单调性（HTMT）比率 目录编号： NA
	预测相关性评估	SmartPLS GmbH	在 SmartPLS 4 中采用盲法程序计算 Stone-Geisser 值’s Q² 值 目录编号： NA
	初步数据筛查	IBM Corp.	处理缺失数据的SPSS操作（期望-最大化算法）以及正态性、异常值和因子结构的检验（探索性因子分析）。 目录编号： NA