基于结构方程模型的虚拟仿真软件用户体验评价方法

摘要

本发明涉及虚拟仿真软件用户体验影响因素评价方法技术领域，特别是涉及基于结构方程模型的虚拟仿真软件用户体验评价方法，包括如下步骤：构建结构方程模型的虚拟仿真软件用户体验影响因素理论模型；通过足量样本的调查问卷采集数据；将问卷结果代入结构方程模型，进行信效度检验；利用结构方程模型拟合度指标对结构方程模型进行修正；得到各变量对虚拟仿真软件用户体验的影响因素。本发明构建了有理论依据的虚拟仿真软件用户体验影响因素理论模型，并且定量、系统地评估了虚拟仿真软件用户体验的影响因素，以提高虚拟仿真软件的用户体验，为虚拟仿真软件的开发和教学活动开展提供有数据支持的建议。

说明书

技术领域

本发明涉及虚拟仿真软件用户体验影响因素评价方法技术领域，特别是涉及基于结构方程模型的虚拟仿真软件用户体验评价方法。

背景技术

近年来，大学生就业市场上“就业难、用工荒”的矛盾愈演愈烈，大学生“应用能力差、实践能力弱”已成为高等教育广受诟病的突出问题，推进高校人才培养应用转型是高校教育教学改革的当务之急，提高实验实训教学水平是培养符合企业需要的应用型人才的必由之路。为提高高校实验实训教学效果，改革实验实训教学模式、采用现代教育技术是高校实验实训教学改革的突破口，基于计算机技术、仿真技术和人工智能技术的虚拟现实技术(Virtual Reality,VR)是现阶段教育技术发展的制高点，在高校实验实训教学中采用虚拟现实技术已经成为教育界和全社会的广泛共识。虚拟现实技术主要包括桌面式虚拟现实系统(Desktop VR)、完全沉浸式虚拟现实系统(Fully-immersive VR)、分布式虚拟现实系统(Distributed VR)三种类型。其中，Desktop VR具有高仿真性且成本相对较低，应用广泛。2017年7月11日，教育部办公厅发布了《2017—2020年示范性虚拟仿真实验教学项目建设通知》，计划在4年内我国各类高校将建成1000个国家级示范性虚拟仿真实验教学项目，足见国家教育主管部门对于应用虚拟现实技术和提高高校实验实训教学水平的高度重视。

虚拟现实技术是否有助于实现提高教学效果这一核心目标，取决于学习者愿意使用该技术的学习行为意向，因此学习者对虚拟仿真实训系统的接受程度就成为影响虚拟现实系统有效性的关键因素。因此，有必要寻找一种能够定量、系统地分析影响虚拟仿真软件用户体验影响因素的方法，为虚拟仿真软件开发和仿真实验实训教学活动的开展提供建议。

已有研究证实虚拟仿真实验实训教学通过提供高仿真、可视化的教学内容，创设具有临场感、沉浸感和交互性的实训教学情境，能够提升受教育者的学习行为意愿和用户体验，进而提高学习效果。但影响用户使用虚拟仿真软件用户体验的主要因素有哪些，这些影响因素之间存在什么关系，如何更加有针对性的开发虚拟仿真软件和组织虚拟仿真实验实训教学活动，是优化并充分发挥虚拟仿真实验实训教学的机能和作用亟待解决的新课题。

发明内容

1.要解决的技术问题

本发明的目的是：在于提供基于结构方程模型的虚拟仿真软件用户体验评价方法，它可以实现定量、系统地分析虚拟仿真软件用户体验的影响因素。

2.技术方案

为解决上述问题，本发明采用如下的技术方案。

基于结构方程模型的虚拟仿真软件用户体验评价方法，包括如下步骤：

S1设定影响虚拟仿真软件用户体验的影响因素，并作为结构方程模型的初始变量；

S2构建虚拟仿真软件用户体验影响因素的理论结构模型；

S3设计影响因素的测度问题，并以问卷的形式发放给使用过虚拟仿真软件的用户；

S4将收集到的问卷数据进行预处理，去除不认真作答、惯性作答等低质量问卷数据；

S5对问卷数据进行信度和效度检验，利用问卷数据计算KMO值、α系数、巴特利特球形检验显著度P值、检验因子荷载、累计解释方差，对问卷质量进行检验，然后根据检验结果进行问卷修正和初始模型修正，得到正式的调查问卷和修正后的虚拟仿真软件用户体验影响因素结构方程模型；

S6检验结构方程模型中变量的显著程度，模型与实证数据的匹配拟合程度，并根据检验效果对模型做出修正，直至模型通过检验评价指标的要求，删除不显著的变量和模型路径，再次进行结构方程模型路径分析，得到各变量对学位论文质量的评价结果。

进一步的，虚拟仿真软件用户体验的影响因素理论模型是基于技术接受理论、班杜拉社会学习理论和虚拟现实技术三要素构建的。

大量的理论及实证研究验证了技术接受模型(TAM模型)的普遍适用性，它已经成为解释和预测用户接受特定类型技术程度、应用最广泛的理论模型之一。虚拟现实技术是否有助于实现提高教学效果这一核心目标，取决于学习者愿意使用该技术的学习行为意向，因此学习者对虚拟仿真实训系统的接受程度就成为影响虚拟现实系统有效性的关键因素。

进一步的，步骤S1中虚拟仿真软件用户体验的影响因素设定包括感知有用性、感知易用性、临场感、交互性、想象性、自我效能感和使用意愿共7个影响因素。

感知有用性(PU)指个人对使用某技术系统对其工作业绩提高程度的认知。

感知易用性(PEU)指个人认为容易使用一个具体的系统的程度。

临场感(SP)是指个体对所处情境或环境的主观体验。虚拟环境的临场感是指对计算机生成的环境的体验，临场感在虚拟现实情境中作为一个描述情境特征的核心概念被广泛接受。

自我效能感(SE)是指个人在面对各种计算机问题时更有解决问题的耐心与毅力，因而他们能更好地完成工作或学习任务，也会对桌面式虚拟现实学习活动产生较高的满意度。

想象性(IM)是指在虚拟环境可使用户沉浸其中并且获取新的知识，提高感性和理性认识，从而使用户深化概念和萌发新的联想。

交互性(IN)指在计算机生成的这种虚拟环境中，人们可以利用一些传感设备进行交互，感觉就像是在真实客观世界中一样。

学习意愿(BI)指的是对于对该款软件的综合评价以及再次进行相关软件学习活动的意愿。

进一步的，结构方程模型为外生变量和内生变量之间的路径关系，用下述表达式表示

y＝By+Γx+ζ

y-内部变量，p个外部变量表示为p×1的向量数组；

x-是内生变量，由外源指标组成的向量表示；

B-是内生变量间的关系，由随机联系矩阵表示；

Γ-是外生变量对内生变量的影响，由直接随机效应矩阵表示；

ζ-是结构方程的残差项，反应y在方程中未能解释的部分；

结构方程模型的参数估计是通过基于协方差的结构完成的，因而也被称为力矩法，这种方法的求解思路是力求样本协方差矩阵之间的差值最小；定义Φ为所述x的协方差矩阵；定义Ψ为ζ的协方差矩阵，结构方程求解的基础是基于协方差估计的假设，也就是说观察变量的协方差矩阵是公司中提到的一些参数方程：

∑＝∑(θ)

其中：∑表示观测变量的总体协方差矩阵：由参数B、Γ、Φ和Ψ求得：采用最小化二乘法评估参数θ。

进一步的，所述KMO值和α系数的计算公式如下：

式中：

其中，α值＞0.8，KMO的值＞0.6，巴特利特球形度检验P＜0.05、因子荷载＞0.5、累计解释方差≥50％。

进一步的，根据检验结果进行问卷修正和初始模型修正的方法如下：若检验结果不满足如下评价指标，则剔除相关性不强的变量；对于不足以全面有效反映其内涵的潜变量，添加显变量直至满足标准，或者删除难以再添加新的有效显变量的潜变量，直到达到模型整体指标拟合，即卡方自由度χ

3.有益效果

相比于现有技术，本发明的优点在于：

本发明构建了有理论依据的虚拟仿真软件用户体验影响因素理论模型，并且定量、系统地评估了虚拟仿真软件用户体验的影响因素，以提高虚拟仿真软件的用户体验，为虚拟仿真软件的开发和教学活动开展提供有数据支持的建议。

附图说明

图1本发明的虚拟仿真软件用户评价影响因素理论模型；

图2本发明的虚拟仿真软件用户评价的结构方程模型；

图3本发明的修正后的显示路径系数的结构方程模型。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚说明，一下结合符合及实施例，对本发明进行进一步详细说明。

本实施例以“二甲醚生产实习仿真软件”的用户体验影响因素研究为实施例，基于结构方程模型的虚拟仿真软件用户体验评价方法，包括如下步骤：

S1设定影响虚拟仿真软件用户体验的影响因素，并作为结构方程模型的初始变量；

在本实施例中，本发明以参加虚拟仿真学习的学生为对象，分别设定感知有用性、感知易用性、临场感、自我效能感、交互性、想象性和学习意愿七个变量。

S2构建虚拟仿真软件用户体验影响因素的理论结构模型；

为了评估学习者对虚拟仿真软件的接受程度，本发明以TAM模型、社会学习理论以及虚拟现实技术三要素等为依据，兼顾各类TAM扩展模型的研究成果，同时充分考虑V-Learning这一特定学习形式，构建了基于V-Learning的虚拟仿真软件用户体验影响因素模型。

虚拟仿真软件用户评价影响因素理论模型如图1所示。

S3设计影响因素的测度问题，并以问卷的形式发放给使用过虚拟仿真软件的用户；

本发明实施例针对七个潜在影响因素，并结合了二甲醚生产实习虚拟仿真软件的具体学习过程，共设计了27个测度问题，具体内容如表1所示。

表1虚拟仿真软件用户评价测度问卷如表

为了实现模型的一致性，对被调查对象的测度问题提供五个选项：“非常同意”，“同意”，“一般”，“不同意”，“非常不同意”，分别对应5，4，3，2，1分，即李克特量化表。

本发明实施例以二甲醚上产实习虚拟仿真软件用户为对象，发放并回收了有效测度问卷263份。

S4将收集到的问卷数据进行预处理，去除不认真作答、惯性作答等低质量问卷数据；

主要的预处理手段有，删除含有缺失值的问卷记录和惯性作答的问卷记录，如果有个别缺失值可以用回归法进行分析估计后进行替换。

S5对问卷数据进行信度和效度检验，利用问卷数据计算KMO值、α系数、巴特利特球形度检验P、因子荷载、累计解释方差，对问卷质量进行检验，然后根据检验结果进行问卷修正和初始模型修正，得到正式的调查问卷和修正后的虚拟仿真软件用户体验影响因素结构方程模型；

通过SPSS(24.0)计算各维度的Cronbachα值、KMO值和巴特利特检验以进行信效度检验。各测量维度信度及总信度如表2所示。

表2各测量维度信度及总信度

各维度信度及总信度均＞0.8，说明问卷具有理想的信度。

表3 KMO和巴特利特检验

经KMO计算和巴特利特检验，KMO值为0.866＞0.6，巴特利特球形度检验P＜0.05，故问卷具有理想的效度。

S6检验模型中变量的显著程度，模型与实证数据的匹配拟合程度，并根据检验效果对模型做出修正，直至模型通过检验评价指标的要求，删除不显著的变量和模型路径，再次进行结构方程模型路径分析，得到各变量对虚拟仿真软件用户体验影响因素的评价结果。

在AMOS(24.0)中构建虚拟仿真软件用户评价的结构方程模型，如图2所示。

据协方差的分析结果对模型路径进行剔除和矫正，以达到优良的模型拟合结果，模型协方差数据如表4所示。

表4模型协方差数据

修正后的显示路径系数的结构方程模型如图3所示。模型拟合结果如表5所示。

表5模型拟合结果

表5为修正后的最终模型的各项拟合度指标。可以发现，χ

S6检验结构方程模型中变量的显著程度，模型与实证数据的匹配拟合程度，并根据检验效果对模型做出修正，直至模型通过检验评价指标的要求，删除不显著的变量和模型路径，再次进行结构方程模型路径分析，得到各变量对学位论文质量的评价结果。

计算机仿真实习意愿模型标准化路径系数如表6所示，计算机仿真实习意愿模型各因素路径效果值如表7所示。

表6计算机仿真实习意愿模型标准化路径系数

注：***为＜0.001。意为结构方程模型该路径显著

表7计算机仿真实习意愿模型各因素路径效果值

表6是IN、IM、SE、PEU、PU、SP、BI间的作用机制及其路径系数。其中，直接效应值是某因素直接对因变量产生影响的效应大小，间接效应值是指某因素通过作用于其他因素对因变量产生影响的效应大小。总效应值为间接效应值与直接效应值之和。

由最终的路径分析结果可知，感知易用性对虚拟仿真软件学习意愿的影响效应最为显著，总效应达到了0.600，其次是临场感对学习意愿有显著的正向影响，总效应为0.464，感知有用性对学习意愿的影响相应也达到了显著水平，总效应对0.320，其次自我效能感、交互性、想象性对学习意愿并没有直接影响的显著效应，其中交互性是通过临场感对虚拟仿真软件的学习意愿产生影响的，影响效应至在0.218。

用户在使用该虚拟仿真软件时“学习意愿”受到“感知易用性”“感知有用性”“临场感”的显著正向影响，其中“感知易用性”的影响最为显著。表明加强虚拟仿真学习过程中的“感知易用性”将最有利于提高用户使用虚拟仿真软件的学习意愿。

这一结论要求二甲醚仿真实习虚拟仿真软件开发和教学过程中要尽可能的赋予用户较强的“感知易用性”，打消用户的畏难情绪，对提升用户的学习意愿和学习效果有着最直接、最显著的作用。

“交互性”是通过“临场感”间接影响用户的学习意愿，说明在虚拟仿真软件的开发过程中，尽可能的提升人与虚拟仿真软件的交互，让软件对于用户的行为操作做出一定的反馈，可以很大程度地提升学习过程的“临场感”，从而提升虚拟仿真软件的学习意愿和学习效果。

“临场感”不仅对用户的“学习意愿”有着直接的正向影响，也可以通过“感知易用性”间接对“学习意愿产生影响”，用户对有较高“临场感”体验的软件接受程度更好，相应的有着更高的“感知易用性”，对软件的接受程度和使用意愿也相应的更高。

虚拟仿真软件用户体验的影响因素理论模型是基于技术接受理论、班杜拉社会学习理论和虚拟现实技术三要素构建的。

步骤S1中虚拟仿真软件用户体验的影响因素设定包括感知有用性、感知易用性、临场感、交互性、想象性、自我效能感和使用意愿共7个影响因素。

结构方程模型为外生变量和内生变量之间的路径关系，用下述表达式表示

y＝By+Γx+ζ

y-内部变量，p个外部变量表示为p×1的向量数组；

x-是内生变量，由外源指标组成的向量表示；

B-是内生变量间的关系，由随机联系矩阵表示；

Γ-是外生变量对内生变量的影响，由直接随机效应矩阵表示；

ζ-是结构方程的残差项，反应y在方程中未能解释的部分；

结构方程模型的参数估计是通过基于协方差的结构完成的，因而也被称为力矩法，这种方法的求解思路是力求样本协方差矩阵之间的差值最小；定义Φ为所述x的协方差矩阵；定义Ψ为ζ的协方差矩阵，结构方程求解的基础是基于协方差估计的假设，也就是说观察变量的协方差矩阵是公司中提到的一些参数方程：

Σ＝Σ(θ)

其中：Σ表示观测变量的总体协方差矩阵：由参数B、Γ、Φ和Ψ求得：采用最小化二乘法评估参数θ。

KMO值和α系数的计算公式如下：

式中：

其中，α值＞0.8，KMO的值＞0.6，巴特利特球形度检验P＜0.05、因子荷载＞0.5、累计解释方差≥50％。

根据检验结果进行问卷修正和初始模型修正的方法如下：若检验结果不满足如下评价指标，则剔除相关性不强的变量；对于不足以全面有效反映其内涵的潜变量，添加显变量直至满足标准，或者删除难以再添加新的有效显变量的潜变量，直到达到模型整体指标拟合，卡方自由度χ

以上所述；仅为本发明较佳的具体实施方式；但本发明的保护范围并不局限于此；任何熟悉本技术领域的技术人员在本发明揭露的技术范围内；根据本发明的技术方案及其改进构思加以等同替换或改变；都应涵盖在本发明的保护范围内。