1. 问题的提出
专业课程学习的好坏，不仅对学生最终能否达成毕业合格至关重要，而且对学生能否顺利从事相关专业工作或进一步深造影响深远，本节以统计学专业为例进行解读。
首先，专业核心课程对于培养学生分析问题的能力非常重要，这些课程的达标要求学生掌握应用统计学基本知识，具备较强的收集和分析数据的能力，能运用所学的应用统计学知识解决在科研和科技、教育、管理、工程统计等相关行业中的实际问题；其次，专业核心课程是培养应用统计系学生科学研究能力的主要课程，这些课程的达标要求学生能够应用统计学的基本原理、方法对本专业领域问题进行判断、分析和研究，提出相应对策和建议，并形成解决方案；专业核心课程还能培养应用统计系学生的计算机应用能力，这些课程的达标要求学生能熟练使用计算机，掌握相关计算机编程语言及一些统计软件，具备一定的编程能力及较强的计算机应用能力；最后，专业核心课程能增强应用统计系学生的团队协助能力和国际视野，这些课程的达标能促使学生具有团队协作意识，能够在本学科及多学科团队活动中发挥个人作用，并能与其他团队成员合作共事，并具备一定的国际视野，能够在跨文化背景下进行沟通和交流。
保持良好的学习心态，能使应用统计专业核心课程的学习变得更加有效，对促成这些课程顺利达标非常重要。基于应用统计系学生对专业核心课程学习心态的调查研究，对应用统计专业核心课程的教学内容、教学方法和教学模式等方面进行探讨改进，使其更有利于学生保持良好学习心态，有利于促进应用统计专业核心课程教学质量的提高。根据应用统计系学生专业核心课程学习心态改进的效果，再推广到全院乃至全校其他专业，可以促使整个学校教学质量的提升。
为寻找影响专业课程教学效果的原因，达到提升专业课教学质量的目的。通过综合分析，本文设计了统计类学生对专业课程的学习兴趣、学习动机、学习焦虑及自我效能的问卷量表，其中，学习兴趣关联了6个观测变量，学习动机关联了4个观测变量，学习焦虑关联了6个观测变量，而自我效能关联了7个观测变量。采用简单随机抽样方式进行调查调查，共回收答卷197份，得到190份有效问卷。利用Amos 24.0建立统计类学生对专业课程的学习兴趣、动机、焦虑及自我效能的结构方程模型(Structural Equation Modeling, SEM) [1]进行资料分析和研究。
2. 模型的建立
2.1. 模型假设
通过对长沙理工大学应用统计系学生的走访调查并参考相关文献，针对统计类学生对专业课程的学习兴趣、动机、焦虑及自我效能的相互关系，提出以下6个研究假设：
H1：提高统计专业课程的学习兴趣能显著减少学习焦虑；
H2：提高统计专业课程的学习兴趣能增强学习自我效能感；
H3：提高统计专业课程的学习兴趣能使学生的学习动机更明确；
H4：减少统计专业课程的学习焦虑能使学生的学习动机更明确；
H5：增强统计专业课程学习的自我效能感能使学生的学习动机更明确；
H6：减少统计专业课程的学习焦虑能增强学生的学习自我效能感。
根据研究假设建立如下结构模型(图1)：
Figure 1. Hypothetical structural model
图1. 假设的结构模型
2.2. 模型变量定义
模型中包括四个潜变量，分别为：1) 学习兴趣，主要从统计系学生对统计专业课程学习的价值认识、积极的情感体验、知识积累以及主动学习的活动等方面进行度量；2) 学习动机，是激发并且维持统计系学生对统计专业课程的学习活动，并使活动朝向一定目标的内驱力；3) 自我效能，是指统计系学生对自己能否顺利完成专业课程学习任务的自信程度的评价；4) 学习焦虑，是统计系学生进行专业课程学习时产生的不安、紧张、畏惧等焦虑状态的情绪体验。
每个潜变量一般通过三个或三个以上的观测变量来测量，根据调查问卷中的问题量表，可得各潜变量的观测变量如下：
(一) 学习兴趣的观测变量
Q6_1表示对统计专业课程有趣的认可度；Q6_2表示对喜欢进行统计理论研究的认可度；Q6_3表示主动参加统计学科竞赛意愿；Q6_4表示把伟大的统计学家作为自己榜样的可能性；Q6_5表示对喜欢做统计调查研究的认可度；Q6_6表示谈论统计问题时对统计相关知识的熟悉程度[2]。
(二) 学习动机的观测变量
Q7_1表示把难学的统计专业理论课程学好而取得自我成就的学习动机；Q7_2表示统计专业课程学习中付出努力取得好成绩的学习动机；Q7_3表示应用统计知识解决实际问题并提高自我实践能力的学习动机；Q7_4表示通过不断克服困难完成实际的统计调查任务来培养自己坚韧精神的学习动机[3]。
(三) 自我效能的观测变量
Q8_1表示凭自己能力就能学好统计专业课程的自我效能感；Q8_2表示很认可自己统计专业课程学得好的自我效能感；Q8_3表示认为自己只要瞄准目标就能轻松完成统计专业课程学习任务的自我效能感；Q8_4表示在学习统计专业课程遇到困难时会觉得自己不行的自我效能感；Q8_5表示认为自己在多数情况下能准确回答统计专业课程老师的课堂提问的自我效能感；Q8_6表示在学习统计专业课程方面有自己的理由与充分见解的自我效能感[4]。
(四) 学习焦虑的观测变量
Q9_1表示当想到第二天就要参加统计专业课程考试时引起的学习焦虑；Q9_2表示在课堂上听老师讲解统计专业课时引起的学习焦虑；Q9_3表示在机房参加统计专业上机课时引起的学习焦虑；Q9_4表示在老师布置新的统计调查作业时引起的学习焦虑；Q9_5表示在开始学习新一章的统计专业课程内容时引起的学习焦虑；Q9_6表示在对实际问题进行统计调查研究时引起的学习焦虑；Q9_7表示担心统计专业课程学不好而引起的学习焦虑[5]。
2.3. 模型的信效度检验
为考察数据质量，分别对学习兴趣、学习动机、自我效能和学习焦虑四个量表用SPSS21.0做信效度分析得如表1~4。从表2可知，Cronbach’s Alpha值都接近于0.9，说明量表数据可靠性非常高；KMO系数为0.913，巴特利特球形度检验的P值(Sig.)接近于0，说明了问卷具有良好的结构效度。
Table 1. Reliability of statistics
表1. 统计量的可靠性
| 潜变量 |
Cronbach’s Alpha |
基于标准化项的Cronbach’s Alpha |
项数 |
| 学习兴趣 |
0.898 |
0.902 |
6 |
| 学习动机 |
0.898 |
0.899 |
4 |
| 自我效能 |
0.877 |
0.883 |
6 |
| 学习焦虑 |
0.919 |
0.919 |
7 |
Table 2. KMO and Bartlett test
表2. KMO和巴特利特检验
| KMO取样适切性量数 |
0.913 |
| Bartlett的球形度检验 |
近似卡方 |
3676.061 |
| df |
253 |
| Sig. |
0.000 |
Table 3. Reliability analysis of measurement model
表3. 测量模型信度分析
| 潜变量 |
题目 |
参数显著性估计 |
因素负荷量 |
题目信度 |
组成信度 |
收敛效度 |
| unstd |
S.E. |
T值 |
P值 |
std |
SMC |
CR |
AVE |
| 学习兴趣 |
Q6_1 |
1 |
|
|
|
0.762 |
0.581 |
0.892 |
0.624 |
| Q6_3 |
1.229 |
0.124 |
9.933 |
*** |
0.716 |
0.513 |
|
|
| Q6_4 |
1.406 |
0.133 |
10.537 |
*** |
0.755 |
0.570 |
|
|
| Q6_5 |
1.296 |
0.11 |
11.805 |
*** |
0.836 |
0.699 |
|
|
| Q6_6 |
1.426 |
0.116 |
12.287 |
*** |
0.87 |
0.757 |
|
|
| 学习动机 |
Q7_1 |
1 |
|
|
|
0.828 |
0.686 |
0.900 |
0.692 |
| Q7_2 |
0.958 |
0.073 |
13.155 |
*** |
0.825 |
0.681 |
|
|
| Q7_3 |
0.785 |
0.066 |
11.938 |
*** |
0.77 |
0.593 |
|
|
| Q7_4 |
1.016 |
0.07 |
14.608 |
*** |
0.899 |
0.808 |
|
|
| 自我效能 |
Q8_1 |
1 |
|
|
|
0.785 |
0.616 |
0.914 |
0.728 |
| Q8_2 |
1.342 |
0.091 |
14.669 |
*** |
0.943 |
0.889 |
|
|
| Q8_3 |
1.265 |
0.095 |
13.256 |
*** |
0.859 |
0.738 |
|
|
| Q8_6 |
1.181 |
0.095 |
12.415 |
*** |
0.817 |
0.667 |
|
|
| 学习焦虑 |
Q9_2 |
1 |
|
|
|
0.82 |
0.672 |
0.905 |
0.658 |
| Q9_4 |
0.911 |
0.085 |
10.744 |
*** |
0.712 |
0.507 |
|
|
| Q9_5 |
1.146 |
0.077 |
14.789 |
*** |
0.901 |
0.812 |
|
|
| Q9_6 |
0.974 |
0.079 |
12.296 |
*** |
0.787 |
0.619 |
|
|
| Q9_7 |
1.124 |
0.086 |
13.118 |
*** |
0.824 |
0.679 |
|
|
Table 4. Differential validity
表4. 区别效度表
|
AVE |
学习兴趣 |
学习焦虑 |
自我效能感 |
学习动机 |
| 学习兴趣 |
0.796 |
0.892 |
|
|
|
| 学习焦虑 |
0.748 |
0.127 |
0.865 |
|
|
| 自我效能感 |
0.795 |
0.836 |
0.033 |
0.892 |
|
| 学习动机 |
0.751 |
0.913 |
0.129 |
0.893 |
0.867 |
2.4. 模型的验证性因素分析
对潜变量和观测变量分别建立测量模型并进行验证性因子分析，根据显著性检验剔除观测变量Q8_4，根据输出的残差及残差相关性删除观测变量Q6_2、Q8_5、Q9_1和Q9_3，得到图2所示的四个测量模型。
Figure 2. Measurement model diagram
图2. 测量模型图
对四个测量模型的输出结果整理可得如表3。
如表3所示，P值栏都是*** (表示P值 < 0.001)，即每个观测变量对相应潜变量的影响都是的非常显著。各测量模型的组成信度(Composite Reliability, CR)处于0.892~0.914之间，内部一致性达到较高水平。AVE值在0.624~0.728之间，表示潜变量对各自包含的观测变量的平均解释能力较强。SMC值在0.507~0.889之间，都超过了SMC的合理下限0.5。
由潜变量的方差及相关系数矩阵可得潜变量的区别效度表4。
从表4可知，学习焦虑与学习兴趣、学习动机、自我效能感的相关系数都很小，而学习兴趣、学习动机、自我效能感相互之间的相关系数都比较大(如表5)，4个潜变量的AVE开平方的值多数大于对应的皮尔逊相关值(或相关值的绝对值)，说明各潜变量之间存在区分效度。
Table 5. Path coefficient of modified model
表5. 模型的路径系数表
|
|
|
unstd |
S.E. |
C.R. |
P |
std |
| 学习焦虑 |
← |
学习兴趣 |
0.177 |
0.11 |
1.611 |
0.107 |
0.127 |
| 自我效能感 |
← |
学习兴趣 |
0.965 |
0.091 |
10.598 |
*** |
0.845 |
| 自我效能感 |
← |
学习焦虑 |
−0.061 |
0.042 |
−1.438 |
0.15 |
−0.074 |
| 学习动机 |
← |
学习焦虑 |
0.043 |
0.038 |
1.151 |
0.25 |
0.046 |
| 学习动机 |
← |
自我效能感 |
0.511 |
0.104 |
4.888 |
*** |
0.444 |
| 学习动机 |
← |
学习兴趣 |
0.703 |
0.125 |
5.615 |
*** |
0.536 |
| Q6_6 |
← |
学习兴趣 |
1.37 |
0.101 |
13.507 |
*** |
0.859 |
| Q6_5 |
← |
学习兴趣 |
1.202 |
0.096 |
12.463 |
*** |
0.808 |
| Q6_4 |
← |
学习兴趣 |
1.352 |
0.121 |
11.161 |
*** |
0.741 |
| Q6_3 |
← |
学习兴趣 |
1.172 |
0.111 |
10.563 |
*** |
0.708 |
| Q6_1 |
← |
学习兴趣 |
1 |
|
|
|
0.791 |
| Q9_2 |
← |
学习焦虑 |
1 |
|
|
|
0.825 |
| Q9_4 |
← |
学习焦虑 |
0.861 |
0.083 |
10.345 |
*** |
0.678 |
| Q9_5 |
← |
学习焦虑 |
1.16 |
0.075 |
15.433 |
*** |
0.906 |
| Q9_6 |
← |
学习焦虑 |
0.977 |
0.076 |
12.879 |
*** |
0.797 |
| Q9_7 |
← |
学习焦虑 |
1.116 |
0.082 |
13.556 |
*** |
0.825 |
| Q8_6 |
← |
自我效能感 |
1.146 |
0.085 |
13.528 |
*** |
0.82 |
| Q8_3 |
← |
自我效能感 |
1.235 |
0.084 |
14.733 |
*** |
0.868 |
| Q8_2 |
← |
自我效能感 |
1.272 |
0.08 |
15.94 |
*** |
0.914 |
| Q8_1 |
← |
自我效能感 |
1 |
|
|
|
0.818 |
| Q7_1 |
← |
学习动机 |
1 |
|
|
|
0.849 |
| Q7_4 |
← |
学习动机 |
0.965 |
0.064 |
15.116 |
*** |
0.85 |
| Q7_2 |
← |
学习动机 |
0.948 |
0.065 |
14.548 |
*** |
0.831 |
| Q7_3 |
← |
学习动机 |
0.751 |
0.06 |
12.462 |
*** |
0.753 |
2.5. 模型的建立
根据以上结构模型和测量模型组合得到SEM模型(如图3)。
Figure 3. SEM initial model
图3. SEM模型
模型卡方均值为2.898，小于3，在卡方均值的合理范围。适配度参数CFI = 0.913，RMSEA = 0.098，模型适配度较好。
对模型输出结果进行整理得如表5，可得原假设H1、H4、H6的P值都大于0.1，假设不成立，原假设H2、H3、H5的P值都小于0.001，假设成立。每个测量模型的观测变量对潜变量的影响都是非常显著的(P < 0.001)，标准化路径系数都在0.68以上。
3. 模型结果探讨
由上述模型结果可得，应用统计类大学生对专业课程的学习兴趣对自我效能感和学习动机都有显著影响，学习兴趣越高，自我效能感越强，学习动机越明确；统计专业课程学习的自我效能感对学习动机有显著直接影响，加强学习的自我效能感，能使学生的学习动机更明确；学习兴趣对学习焦虑的影响不显著，学习焦虑对自我效能感和学习动机的影响也不显著，主要通过老师对学生的关心与指导减缓学生对统计专业课程的学习焦虑。
模型中学习兴趣的观测变量为Q6_1、Q6_3、Q6_4、Q6_5和Q6_6。由此可知，要提高应用统计类学生对专业课程的学习兴趣，在课堂上要适当加强与学生的互动来提高学生对统计专业课程的兴趣，鼓励学生积极参加统计学科竞赛，多介绍伟大统计学家的事迹或与统计相关的著名典故等，多组织统计调研实践活动，适当增加学生有关统计方面问题的讨论，在应用统计教学中，可以适当减少统计公式定理的理论推导。提高学生对统计专业课程的学习兴趣，能增强学生的自我效能感，更加明确学习动机，提高学习效率。
学习动机的观测变量为Q7_1、Q7_2、Q7_3和Q7_4。Q7_1体现“掌握统计理论知识”的学习动机，Q7_2体现“努力取得好成绩”的学习动机，Q7_3体现“增强调查实践能力”的学习动机，Q7_4体现“接受调查困难任务挑战”的学习动机。提升这些观测变量的得分值，能提升应用统计类学生对专业课程的学习动机水平，激发学生对统计专业课程更深层次的学习意愿。
自我效能感的观测变量为Q8_1、Q8_2、Q8_3和Q8_6。由此可得，提高应用统计类学生对自己学习统计专业课程能力的认可度和对已学统计知识掌握的满意度，增强完成统计专业课程学习目标任务的信心，常常引导学生总结有关统计专业课程学习的个人独到见解，能够增强学生的自我效能感，从而促进学生统计专业课程学习动机水平的提高。
学习焦虑的观测变量为Q9_2、Q9_4、Q9_5、Q9_6和Q9_7，要减少他们的学习焦虑，要求上课时老师讲解统计专业课程内容尽量深入浅出，要根据学生实际情况布置统计调查作业，讲解新内容时要适当复习回顾已学的相关内容，在学生进行实际的调研活动时及时给予适当的指导与帮助，特别要加强对统计专业课程学困生的关心与指导。此外，加强统计专业课程考核改革，加大过程考核在期末总评中的比例也可以大大减少学生的学习焦虑。
4. 结束语
由以上研究可得，在应用统计类专业课程的教学中，要注意使用各种方法激发学生的学习兴趣，减少学习焦虑，提升学生的自我效能和学习动机水平，促进应用统计类学生更好地掌握统计专业知识，提高实际统计调查研究能力。
基金项目
长沙理工大学学位与研究生教学改革研究项目(应用统计专业学位研究生培养质量改革的实践与理论探索)；长沙理工大学教学改革研究项目(编号：XJG21-113)；长沙理工大学学位与研究生教学改革研究项目(编号：JG2021YB28)；2021长沙理工大学本科教育回归分析“金课”建设项目。
NOTES
*通讯作者。