基于结构方程的远程学习者满意度影响因素研究
【摘要】学习满意度对提升在线教育的服务质量、完善教学质量评价体系、提高学习者的忠诚度等至关重要。本研究基于奥鹏网络学习平台与《奥鹏网络学习调查问卷》数据，以学习能力、学习动机、学习困难、学习过程和学习满意度为潜变量，构建在线学习满意度影响因素的结构方程模型，探究在线学习满意度的影响因素及其关系。运用Amos20.0和SPSS20.0对343条有效数据进行探索性因子分析和验证性因子分析，检验结构方程模型的假设和解释能力。研究结果表明：学习过程对学习满意度有较为直接的影响；学习能力、学习动机和学习困难通过与学习过程的关联间接影响学习满意度；学习能力分别与学习动机和学习困难有较为直接的关联。据此，从教学设计和学习支持服务方面给出提升学习满意度的建议。
【关键词】学习满意度；远程学习者；结构方程模型
【中图分类号】G442 【文献标识码】A 【文章编号】1009—458ｘ（2016）08—0059—07
一、研究背景
远程教育服务质量是领域内积极探索的主题之一，它被视为远程教育可持续发展的关键因素，其重要核心就是远程学习者的满意度。学习者满意度之所以会成为机构质量保证的目标，主要原因在于远程教育“服务”理念的兴起，即将远程教育作为一种服务提供给学习者。丁新等人（2005）明确提出了远程教育服务质量观的内涵，指出服务为远程教育的基本产出，可以将远程教育质量分解为预期的结果质量和过程质量，以及在整个过程中产生的“非预期”质量。在这种观念的影响下，衡量远程教育质量的指标不再只看客观指标，比如学习成绩，而更加关注学习者的主观感受，将学习者看成顾客，认为学习者是远程教育服务和评价的主体，用学习者满意度衡量远程教育服务的质量和水平。
既有的远程学习者满意度研究主要以问卷测量展开。如今，学习分析技术为我们研究满意度主题提供了新的可能。在线学习中记录与存储了大量学习行为数据，能够帮助发现学习者的学习规律和学习问题，进而对学习者的学习行为、学习过程和学习成效进行描述、诊断、预测和干预。通过这些学习数据的采集，与学习者问卷数据相结合，能够从在线学习行为与学习期望两个层面探讨和分析远程学习者满意度的影响因素和相应评价。本研究以学习分析技术为核心，依托奥鹏网络学习平台课程的数据记录和学习者调查问卷，试图对在线学习满意度的影响因素及其关系进行探索和表征。
二、相关研究综述
国内外一些学者和专家从多个方面探讨了在线学习的学习满意度问题。日本学者Bray等（2008）揭示了五个影响远程学习满意度的因素：学习者和教师之间的互动、学习者与学习内容之间的互动、学习者之间的互动、学习者与学习界面之间的互动、学习者自主权。马来西亚学者Lim等人（2009）调查了五个影响因素：学习者的行为和态度、技术和系统、互动应用、机构因素和教师个性特征。（转引自黄复生，2012）我国学者王耐寒（2011）从现状、影响因素和具体案例研究网络学习的满意度问题，并构建了学习满意度影响因素的层次模型，总结了四大影响因素：教学交互、学习平台、学习资源和网络课件；王宁等（2014）基于问卷调查，构建回归模型进行学习满意度影响因素的实证分析，表明界面设计友好、课程内容明确与重点突出、拓展资料充足以及良好的教学交互效果是学习满意度的主要影响因素；邹晔（2004）从网页规划、资源设计、学习导航、评价体系、交互实现、教学视野和学习支持等方面进行测评，构建了网络课程学习者满意度测评体系，并通过描述性统计进行定量分析等；戴卓等（2014）以在校大学生为研究对象，学习风格和人格特质为调节变量，平台可靠性、系统导航性、内容丰富性、界面友好性和页面美观性以及学习者对教育的满意度为自变量，建立网络教学平台满意度模型。
已有的学习满意度研究成果大多基于问卷调查，探究学习满意度的主要影响因素，但单一的学习者问卷数据所代表的学习者期望不能完全体现在线学习的满意度情况，缺乏与学习过程客观数据的结合，难以更全面地揭示学习满意度的影响因素。已有的学习满意度研究为本文理论模型的构建提供了理论基础和借鉴依据，如何将在线学习者的行为数据与调查问卷相结合，探究在线学习满意度的影响因素及其关系。
对于在线学习满意度研究的方法，在数据采集阶段，大部分的相关研究都采用问卷调查方法，有的研究者采用访谈和问卷调查相结合的方法开展研究；在数据分析阶段，国外学者Davies和Berrow（1998）采用相关分析法开展研究，王昭君（2007）和应小平（2008）均采用相关分析法和回归分析法开展研究。此外，有的研究者还采用实验研究和个案研究法开展研究。
由于本研究的变量不能被直接测量，需要通过具体的测量变量进行表征，因此选择构建结构方程模型对学习满意度的影响因素进行研究。结构方程模型（structural equation modeling，SEM）是20世纪70年代基于Karl G.Joreskog和Dag Sorbom等提出的统计理论发展起来的一种多元统计技术，综合了路径分析、探索性因子分析、验证性因子分析、因素分析与一般统计方法，与其他统计分析方法相比，能够同时处理多组变量之间的路径关系，考虑变量之间的误差因素，更好地估计数据的拟合程度和检验理论模型，帮助研究者开展验证性分析。
国内外已有研究者应用结构方程模型对影响在线学习满意度的因素进行研究。马来西亚学者Ra⁃mayah和Lee（2012）使用结构方程模型对系统特性和在线学习满意度进行研究，旨在揭示在线学习的系统质量、信息质量、服务质量与学习满意度的关系。肯尼亚学者Ndigirigi（2012）利用结构方程模型对学习满意度的关键影响因素分析，估计出课程管理层面、技术层面和制度安排层面与学习满意度的关系。苏胜强（2012）继承了美国顾客满意度指数模型（ACSI）的核心概念和架构，构建了远程学习者满意度模型；李莉等（2009）对美国顾客满意度指数模型（ACSI）进行调整，提出了中国网络远程教学学员满意度指数模型（CNESI）；吴兴华（2014）参考美国顾客满意度指数模型（ACSI）、欧洲顾客满意度指数模型（ECSI）以及我国《网络教育服务质量管理体系规范》构建了一个由服务感知质量、系统技术感知、认同感和满意度四个变量组成的结构方程模型；党志敏（2015）基于美国顾客满意度指数模型（ACSI）构建了影响视频公开课的使用因素模型。通过以上研究，本文发现结构方程模型在在线学习满意度的研究中越来越多地被应用。本研究也用之对潜变量的表征和结构关系进行探究。
在线学习满意度及其相关影响因素不能被直接测量，需要通过具体的测量变量，如学习帮助满意度、学习支持满意度、平台满意度等指标进行表征，多因子间的相互作用更加显著，模型分析滞后于数据获得的特征也表露得更加明显，结构方程能够很好地处理多个潜变量和测量变量之间的路径关系，并且在数据拟合和模型检验方面具有全面性和灵活性。综上所述，结构方程在在线学习满意度影响因素研究中可以更充分地发挥出其优势。
三、概念模型和研究假设
本研究首先对奥鹏网络学习平台与《奥鹏网络学习调查问卷》的数据进行探索性因子分析，将测量指标划分为五个潜变量：学习能力、学习动机、学习困难、学习过程和学习满意度。其中，学习能力是指学习者顺利完成学习活动，保证学习进度的能力；学习动机是指学习者参加远程学习的学习需要和目标；学习困难反映了学习者进行在线学习时遇到的学习困难；学习过程通过学习者在线学习产生的行为数据表征，反映学习者在线学习过程的学习情况；学习满意度是学习者完成学习后对远程学习各方面服务的结果感受，由学习者对自身感受进行评价。每一个潜变量都由三个及以上的具体测量变量进行表征。
在远程学习的过程中，学习者的学习能力、学习动机和学习困难都能够对学习过程造成一定的影响，并且学习过程体验也能够在一定程度上改变学习者的学习能力、学习动机和学习困难；学习者的学习动机能够决定学习者的学习积极性，进而对其学习能力造成影响，而学习能力又能够通过学习情绪影响其学习动机；并且学习者学习能力的强弱在一定程度上能够表征学习者遇到学习困难的难易程度，学习者遇到的学习困难会产生学习能力的变化；学习者将自己在学习过程中得到的学习体验和学习困难带来的情绪体验共同生成学习满意度。
根据以上因子分析结果和理论研究，提出研究假设如下：
H1：学习能力与学习动机相互影响；
H2：学习能力与学习过程相互影响；
H3：学习能力与学习困难相互影响；
H4：学习动机与学习过程相互影响；
H5：学习过程与学习困难相互影响；
H6：学习过程正向影响学习满意度；
H7：学习困难负向影响学习满意度。根据研究理论和假设，得到本研究的概念框架图（如图1所示），反映学习者学习能力、学习动机、学习困难、学习过程和学习满意度之间的关联关系。
四、研究方法与数据来源
结构方程模型（SEM）是一种多元统计技术，能够将可测变量作为潜变量的标识，从而分析潜变量之间的结构关系，并且处理测量误差。学习能力、学习动机、学习困难、学习过程以及学习满意度难以直接测量，需要通过其他因子来标识，并且学习能力、学习动机、学习困难、学习过程以及学习满意度之间的关系不是单一的，多因子间的相互作用非常显著，因此结构方程模型为此提供了很好的分析方法。
本研究以奥鹏网络学习平台中记录的学习者学习行为数据与《奥鹏网络学习调查问卷》的调查结果数据为主要的数据来源，构建学习满意度影响因素关系的结构方程模型；分析学习能力、学习动机、学习困难和学习过程对学习满意度的影响关系及其相互关系；通过已获取的实际数据对模型进行实证分析研究，检验模型的解释能力。
1.样本选取和数据收集
本研究主要数据来源为奥鹏网络学习平台，该平台已与40多所重点大学合作，学历教育招生专业180多个，是中国最大的远程教育服务运营机构，学习者进行网络学习活动的情况较好，并且网络学习调查问卷数据收集情况较好。本研究以该平台2013年的学习者学习行为数据和参与调查的学习者问卷数据为样本，合并两组数据后，剔除未填写调查问卷、缺失值过多和学习成绩为0的学习者数据，得到样本343个。
2.变量解释和数据描述
本研究使用清洗后的行为数据和调查数据作为测量指标，共得到30个测量变量。使用统计分析软件SPSS 20.0对测量变量进行因子分析，并借助理论指导，共得到潜变量因子5个，分别为学习能力、学习动机、学习过程、学习困难和学习满意度。测量变量中，与学习能力相关的有3个，与学习动机相关的有10个，与学习过程相关的有7个，与学习困难相关的有4个，与学习满意度相关的有6个，具体变量结果及数据描述见表1。
表中学习能力、学习动机、学习困难和学习满意度的测量变量数据来自问卷调查，问卷中的所有问项都采用LIKERT五点量表法，数值“1”表示非常同意，“2”表示同意，“3”表示不确定，“4”表示不同意，“5”表示非常不同意。学习过程的测量变量数据来自学习平台，由于变量数值水平不一，均简化为五级变量以便分析，相应的对应规则为：平均学习时长变量范围是0到10小时，以2小时为单位转化；离线任务总数变量范围是0到18个，以3.6个为单位转化；课程总数变量范围是0到25个，以5个为单位转化；平均登录时长变量范围是0到13,000秒，以2,600秒为单位转化；页面平均浏览数变量中，“1”表示0到25个，“2”表示25到50个，“3”表示50到75个，“4”表示75到100个，“5”表示100个以上；测验平均成绩变量范围是0到100分，以25分为单位转化；离线任务平均成绩变量简化规则与平均成绩变量相同。
数据表明，在学习能力方面，学习者整体的时间管理能力和任务完成能力较好；学习动机方面，学习者的知识水平动机、职业动机和文凭动机较突出，而工作动机对学习者影响较小；学习过程方面，学习者整体的平均学习时长在2到3小时之间，完成的离线任务总数平均在4个左右，修读的课程总数平均在15到20个，平均登录时长为1个小时左右，离线任务平均成绩在80分以上，高于测验平均成绩，而页面平均浏览数较少；学习困难方面，学习者的网络困难问题较突出，而孤独感困难问题较不明显；学习满意度方面，学习者对学习帮助满意度、学习平台满意度和学习形式满意度的评价较高。
3.工具应用
本研究根据上述数据，在Amos 20.0软件中运用验证性因子分析检验模型的准确性和解释能力。
五、满意度影响因素结构方程模型实证分析
基于研究假设建立的结构方程模型，结合上述对潜变量和测量变量的设定，通过探索性验证得到模型和检验结果（如图2所示）。
模型卡方比自由度的值落在1~3内，模型适配度指标值TLI和CFI大于0.9，GFI和NFI接近于0.9，且RMR和RMSEA均小于0.05。因此，本研究提出的假设模型与实际观察数据的拟合情况良好，即模型的外在质量很高（具体见表2）。
其中，潜变量之间关系的指标越大，表示其影响关系越强；测量变量与潜变量之间的指标越大，表示其代表的行为或调查结果越能表征潜变量。
具体地讲，影响学习满意度的六个测量变量中，影响程度从强到弱依次为学习兴趣（0.88）、学习形式（0.82）、学习帮助（0.80）、授课方式（0.77）、学习平台（0.73）和学习支持（0.72）；在线学习者的学习能力由三个测量变量进行衡量：是否能按时完成学习任务的影响程度最大（0.88），其次是时间管理能力（0.87），最后是学习效能感（0.68）；学习动机的测量变量对动机的影响程度依次为兴趣爱好（0.67）、知识水平（0.65）、职业需要（0.56）、社交需求（0.55）、社会地位（0.50）、亲朋鼓励（0.49）、文凭需求（0.47）、群体行为（0.42）、升职需求（0.41）和单位要求（0.38）；对学习困难影响最大的是学习者孤独感（0.74），其次是问题解决能力（0.64），再次为时间管理能力（0.54）和网络情况（-0.46）等；而在影响学习过程的三个测量变量中，页面平均浏览数（0.44）、平均学习时长（0.42）和平均登录时长（-0.39）对学习过程的影响程度相近。
根据模型检验的结果，对假设验证情况逐一说明如下：
本研究提出的7个假设有5个在0.001的水平下显著，表明本研究提出的5个假设都得到支持。
假设1中在线学习者的学习能力与学习动机相互影响显著（β=0.64），具体的测量变量分析中，完成学习任务和时间管理的能力对学习能力有着较大的影响，表明在线学习者完成学习任务、时间管理的能力与学习者的社会、家庭和自我需求有着密切的联系。
假设2中在线学习者的学习能力与学习过程之间也有显著的相互影响（β=-0.86），表明在线学习者的学习能力与在线学习过程的学习行为有较强的联系。学习者学习过程的行为表现，可以在一定程度上作为其学习能力的反映；学习者自身的学习能力会影响其学习过程的行为表现。
假设3中在线学习者的学习能力与学习困难相互影响显著（β=-0.36），表明在线学习所遇到的孤独感问题、问题解决障碍、时间管理压力、平台运行情况与学习者学习能力有较为直接的联系，并且学习者遇到的学习困难会影响学习者完成任务的效率、时间管理能力和学习效能感的发展。
假设4中在线学习者的学习动机与学习过程相互影响显著（β=-0.89），高于学习能力与学习过程的相互影响（β=-0.86），但两者差距不大。表明在线学习者学习过程的完成情况与学习者本身的动机有更为直接的关系，而学习能力与学习过程的相互影响相对较弱，但在线学习者的学习动机和学习能力都与学习过程有着较强的相关。
假设5中在线学习者的学习过程与学习困难相互影响不显著（β=-0.44）。但是结合之前假设的验证结果，可以推测：仅在线学习存在的困难对学习过程不能造成直接的影响，通过学习者学习困难与学习能力的相互影响，可以间接影响学习者的在线学习过程。当学习者遇到学习困难时，其学习能力对于学习困难的解决程度，能够影响其学习行为的发生。
假设6中在线学习者的学习过程对学习满意度有较大影响（β=-0.8）。在线学习者的学习过程数据可以反映学习者的学习行为，从而实现学习过程的体验直接影响学习满意度。
假设7中在线学习者的学习困难对学习满意度的影响不显著（β=0.07）。结合之前的假设，可以推测学习困难与学习满意度之间没有直接的影响，但学习困难通过与学习能力、学习过程等的相互影响，间接影响学习者的在线学习过程。
六、研究结果与讨论
通过对模型检验结果数据的分析，本研究得出了以下结论和建议：
1.在线学习满意度的影响因素
在线学习者学习能力、学习动机、学习困难与学习满意度没有明显的直接联系，但在线学习者的学习过程与学习满意度之间有较大的影响关系，证明学习过程的体验与学习满意度有较大的相关。同时，学习能力、学习动机与学习过程存在显著的联系。因此，学习能力和学习动机是通过与学习过程的相互影响，间接影响学习者的学习满意度。
因此，学习过程是影响学习满意度的重要因素。在研究的过程中，我们发现，国内在线教育的模式较为单一，重点关注入学与毕业门槛的问题，对学习过程监控的重视程度不高。从平台的学习行为数据记录来看，学习者学习过程数据多为“登录时间”“登录次数”“作业分数”等较为表层的或结果性的数据，缺乏完备性，研究参考意义不大，并且数据质量不高，不能很好地表征学习者的学习过程。其中一个可能的原因是，平台记录数据的复杂化会给平台本身的性能增加较大的负担，因此大多平台运营者不会无偿记录学习者的学习数据。
本文认为，在线学习平台应该加强对学习者学习过程的监控，增加能够表征学习者学习过程数据的采集点，比如“学习时长”“资源浏览量”等，而不只是关注学习者的学习结果量，比如“学习成绩”“平时分数”等。对学习者学习过程的监控不仅能够为提高学习满意度提供参考，还可以基于学习过程行为数据开发更公平的过程性评价策略，提供新的评估方法，使在线学习结果更具有科学性。
2.学习能力、学习动机与学习困难的关系
针对学习能力、学习动机和学习困难三个潜变量，本研究发现三者之间存在一些显著的联系：学习能力分别与学习动机和学习困难相互影响。
对于学习能力较高的学习者，应对不同的学习困难具有较高的能力和自信，并且遇到学习困难时能够适当地进行自我调节，从而保证学习过程的顺利进行，保持较高的满意度。而对于学习能力较低的学习者，当他们遇到学习困难时无法很好地解决和调整心态，影响学习者的情绪和学习积极性，进而影响其学习满意度。因此，我们需要关注学习能力较弱的学习者，在其遇到学习困难时提供及时的学习支持服务，为学习者解决学习困难，提供高质量的学习体验。
学习者的学习动机越强，对学习时间的管理和任务完成情况的自我监控越好，越能够保证学习过程的良好体验，从而拥有较高的满意度。学习者的学习动机越弱，对待学习过程的态度更为随意，学习过程的体验不高，进而影响学习满意度。因此，对于学习动机较弱的学习者，需要给予更多的关注。同时，基于学习者学习能力的测量，合理地进行学习过程的监控和预警，促使学习者完成高效、高质量的在线学习。
3.学习能力、学习动机和学习困难与学习过程的关系
本文发现在线学习者的学习能力、学习动机和学习困难与学习过程存在一些显著的联系，具体表现为：在线学习者的学习能力与学习过程之间存在显著的、较强的联系；在线学习者的学习动机与学习过程相互影响显著，而在线学习者的学习过程与学习困难之间不存在显著的联系。学习者的学习动机强弱、对时间和任务管理的能力等学习能力因素都会对学习者学习过程的活动完成产生一定的影响，而学习者遇到的一些学习困难，例如学习孤独感、网络连接等问题对学习体验过程形成的影响不大。
对学习能力、学习动机和学习困难的调查通常是在学习过程发生之前，比如学习者学习动机的测量；或是在学习过程发生之后，比如让学习者回顾学习过程遇到的学习困难和自己的学习能力表现，导致我们无法通过对调查反映的问题进行调控，提高学习者学习过程的效率和效果。
本文认为，在线学习平台应该增设学习过程中的学习能力、学习动机和学习困难实时调查，如时间管理情况、任务完成情况、学习孤独感问题和网络连接问题等，根据调查发现的问题，及时提供相应的学习支持服务和问题解决策略，为学习者提供更好的学习过程体验，使学习者保持较高的学习满意度。
七、总结与建议
1.在线学习满意度的提高学习者的学习满意度对于在线学习平台的发展来说至关重要，能够促进平台教育教学质量评价体系的完善，提升平台各方面学习服务的质量，提高学习者的忠诚度，进而提高市场竞争力。基于本文的研究结果，学习过程是影响学习满意度的重要方面，学习能力、学习动机与学习困难通过与学习过程相互关联，间接影响学习满意度。
本文认为，可以从教学设计和学习支持服务两个方面提高在线学习满意度。在教学设计方面，可以根据学习能力和学习动机设计不同的教学策略，进行有针对性的教学，使学习者学有所用。比如对于学习能力较低的学习者，尽量设计更为细致、时间安排更为明确的教学活动；在学习过程中，教师根据学生学习困难和学习过程的反馈，反思和改进教学设计。在学习支持服务方面，对学习能力较弱或学习动机较低的学习者，可以有更为频繁的学习监控和预警措施；在学习者遇到学习困难时，安排不同类型的教师，针对性地解决不同的学习困难；加强对学习者学习过程数据的记录，及时提供个性化的学习指导和答疑解惑，从而使学习者保持较高的满意度。
2.研究的不足和展望
从数据对象和变量关系来看，本研究选取的是一个在线平台的数据，采用30个特定的测量变量表征学习者的学习能力、学习动机、学习困难、学习过程和学习满意度，在结果的推广上具有一定的局限性。本文期望在未来的研究中选取多个在线平台的数据，并且调整模型变量使满意度影响因素模型更具普适性，从而提高研究结果的可推广性。此外，由于大量无效数据的存在，在数据预处理的过程中具有一定的主观性，在一定程度上影响了研究的信度和效度，有待于在未来的研究中加以克服。
[参考文献]
戴卓，郑孝庭. 2014.网络教学平台满意度影响因素研究[J].中国远程教育（04）：50-56，65.
党志敏. 2015.中国大学视频公开课使用影响因素的全模型分析[D].山东：山东师范大学传媒学院.
丁新，武丽志. 2005.远程教育质量：一种服务的观点[J].中国远程教育（3）：14-18.
黄复生. 2012.基于学习者视角的远程学习服务质量概念模型[J]. 开放教育研究（02）：99-106.
黄天慧，郑勤华. 2011.学习者数字化学习绩效的影响因素研究综述[J].中国远程教育（07）：17-23，95.
李莉，李峰. 2009.中国网络远程教学满意度指数模型实证分析[J].工业工程与管理（01）：115-121.
李明辉. 2010.网络环境下学习满意度、知识掌握及使用意愿的影响因素分析[D].上海：复旦大学管理学院.
石茹. 2015.交互质量知觉、动机信念与学习满意度的关系研究：情绪的中介作用[D].
武汉：华中师范大学心理学院.苏胜强. 2012.结构方程模型视角下的远程学习者满意度实证研究[J].中国远程教育（03）：49-55，95-96.
王耐寒. 2011.网络教育学习满意度影响因素的研究[D].山东：山东师范大学传媒学院.
王昭君. 2007.影响网络学习成效关键因素探究[D].上海：华东师范大学教育科学学院.
王宁，琚向红，葛正鹏. 2014. 开放教育网络课程学习满意度影响因素[J]. 开放教育研究（06）：111-118.
吴兴华. 2014.基于结构方程的开放大学网上学习满意度研究[J].湖南广播电视大学学报（02）：1-3.
应小平. 2008.浅析远程学历教育模式下影响电子化学习绩效的关键因子[D].上海：复旦大学管理学院.
邹晔. 2004.网络课程学生满意度测评[J]. 开放教育研究（04）：40-42.
Davies, R., & Berrow, T. (1998). An evaluation of the use of computer supported peer review for developing higher-level skills. Computers & Education,30(1-2), 111-115.
Ndigirigi, A. N. (2012). E-learning development in kenya an empirical analysis of critical factors that affects learners' satisfaction in e-learn⁃ing in institution of higher learning in kenya. Masters of Science in In⁃formation Systems.
Ramayah, T., & Lee, J. W. C. (2012). System characteristics, satisfac⁃tion and e-learning usage: a structural equation model (sem).Turkish Online Journal of Educational Technology,11(2), 196-206.
收稿日期：2016－06－02
定稿日期：2016－06－28
作者简介：曾嘉灵，陆星儿，杨阳，吴秀菡，助理研究员，北京师范大学远程教育研究中心（100875）。
郑勤华，副教授，北京师范大学远程教育研究中心教育学部（100875）。
本文系北京师范大学自主科研基金项目“学习者在线学习状态分析与可视化工具研发”（SKZZB2015013）课题成果，获得中央高校基本科研业务费专项资金资助。
责任编辑 韩世梅