3.2 调查问卷统计分析
推荐阅读：深空彼岸、最强战神、龙王殿、天下第九、重生之都市仙尊、财运天降、花娇、好想住你隔壁、特种奶爸俏老婆、妖夏
一秒记住【笔趣阁 www.biqugexszw.com】，精彩小说无弹窗免费阅读！
3.2.1调查问卷设计
根据访谈得出的宽泛理论，调查问卷设计分为六个部分：基本信息、互联网使用功能统计、互联网影响博士生学习环境、互联网影响博士生学习共同体、互联网影响博士生学习方式和互联网影响博士生学习效果。
采用五点李克特量表（likert-type scale）的计量模式，在“博士生对互联网功能使用”分量表中使用了“从不”、“偶尔”、“较少”、“经常”、“总是”五个选项；其他分量表均使用“非常不同意”、“不同意”、“不清楚”、“同意”、“非常同意”五个选项，在数据处理中则分别对应1、2、3、4、5五个分值。
本研究在上海交通大学在读博士中抽取一定的比例进行调查，要求参与调查的博士生学科门类比例与实际的学科门类比例接近。样本量选择依据方便性原则，大致按照所有在籍在读博士生的10%左右。同时根据相关学者的建议，样本量选择上参考前人所做过相关研究，有博士生教育相关研究所使用的样本量为359。综合上述两个标准，本研究共发放调查问卷400份，其中理科140份，工科发放200份，人文社会学科60份，通过纸质和电子邮件的形式进行传送和回收。实际回收问卷348份，经过剔除无效问卷后，实际有效回收调查问卷为327份，实际回收率为82%。
3.2.2基本信息统计在互联网使用时间统计上主要从三个方面进行：博士生平均每天上网时间、博士生上网用于学习的时间和博士生使用网络时间总计。
38、可以看出，博士生每天用在互联网上的时间大部分集中在 27个小时，占68%。从表 39可以看出，博士生用于学习的时间占上网时间的比例集中在1/31/2左右，接近60%。从表 310博士生使用网络时间总计来看，相对比较分散，这与博士生年龄、来源多样化分布差距较大有一定的关系。
3.2.3使用功能统计
2012年7月，中国互联网络信息中心发布的《第30次中国互联网络发展状况统计报告》指出，截至2012年6月底，中国网民数量达到5.38亿，互联网普及率为39.9%，2012年上半年网民增量为2450万，普及率提升1.6个百分点。调查显示，手机超越台式电脑成为中国网民第一大上网终端。调查表明，一般网民的互联网使用功能上同之前的调查类似，主要集中在四类：网络娱乐、交流沟通、信息获取和商务交易。本研究的调查显示，博士生在互联网功能使用上则归纳为信息获取、互动交流、工具使用和休闲娱乐四个方面。这与一般网民在使用功能上区别不大，只是侧重点有所不同。如在信息获取方面，一般网民获取信息主要集中在资讯类，而博士生除此之外，更多获取的是学术信息。又如一般网民利用互联网进行订购机票等商务活动，而博士生利用互联网则一般体现在学术用途上，如投稿等，而在商务用途上，如购买书籍、手机支付等方面使用量不大。因此把“商务交易”功能汇总在“工具使用”中。具体功能统计如下：近80%博士生经常（含“总是”，以下同）使用互联网来浏览新闻、信息；经常通过搜索引擎来查找资料的博士生占到了被调查者的80%以上。在互动交流方面，超过40%的博士生“经常”或“总是”上bbs、聊天室等论坛；接近一半的博士生“从不”或“偶尔”上博客或微博；85%的博士生“经常”或“总是”使用电子邮件等。
六成以上的博士生经常在网上下载软件；八成以上的博士生经常使用网络数据库；但也有一半以上的博士生“偶尔”或“很少”关注网络课件；接近一半的博士生经常使用网络工具投稿。相比普通网民来说，博士生学习压力很大，花在娱乐休闲方面相对较少，不到三成的博士生“经常”、不到一成的博士生“总是”玩联机游戏；也分别只有10%左右的博士生“经常”或“总是”在网上欣赏影视或收听音乐等。
3.2.4效度分析
根据统计学相关要求，需要对量表中的反向题目的数据进行转换，之后才能进行统计分析。本调查问卷共有三项“我很难判断互联网信息的可靠性”、“学习、讨论中如果老师使用互联网会分散我的注意力”、“在网上找到了资料，我就不愿意深入思考了”属于反向题目，利用spss17.0软件进行数据转换，之后再进行统计分析。
效度（validity）即有效性，是指所测量到的结果反映所想要考察内容的程度，测量结果与要考察的内容越吻合，则效度越高；反之，则效度越低。本研究对调查结果进行了内容效度、效标关联效度和建构效度分析。
在内容效度方面，主要从各题项与总分的相关分析来进行测量。其中“学习、讨论中如果老师使用互联网会分散我的注意力”和总分的相关性较低，且没有达到0.05显著性水平，该题项在以后的分析中被予以剔除。其他题项与总分的相关系数均在 0.2020.596之间，且均达到了0.05的显著性水平，予以保留。在效标关联效度测验方面，则对各个维度之间的相关性进行检验。的相关系数可以看出，本量表各个维度之间在0.001水平上显著相关，说明本研究具有很好的关联效度。
建构效度采用主成分分析法（principal component analysis）提取公因子，旋转方法为方差最**正交旋转，以特征值大于1为提取标准来分别分析4个分量表，具体结果如下：
对分量表“互联网影响博士生学习环境”进行因子分析，kmo值为0.719，bartlett球度检验approx.chi.square =525.183，df =28，sig.=0.000＜0.001，说明适合做因子分析。以特征值大于1以及结合碎石图作为标准进行公因子提取，共提取3个公因子，方差解释率为65.959%，具体见表 312。因子1可以用“互联网的学习支撑”来命名；因子2可以用“校园基本条件”来命名；因子3可以用“互联网环境的负面作用”来命名。同理，其他分量表经过检验，均适合做因子分析。其中分量表“互联网影响博士生学习共同体”提取了3个公因子，分别命名为“互联网影响课程学习”、“互联网影响师生关系”、“互联网影响学习伙伴”；分量表“互联网影响博士生学习方式”提取2个公因子，分别命名为“对学习方式的正向影响”、“对学习方式的负面影响”；分量表“互联网影响博士生学习效果”提取1个公因子，直接命名。因子分析结果表明，本调查问卷具有良好的建构效度。
3.2.5信度分析
信度（reliability）即可靠性，是指采用同样的方法对同一对象重复测量时所得结果的一致性程度。常用的信度检测方法是科隆巴赫系数（cronbach’sα）。台湾学者吴统雄建议α值大于0.4就是可信的。本研究的总体信度为0.856，分量表中信度介于0.5650.673之间。说明调查问卷是可信的。
3.2.6方差分析方差分析是用于两个及两个以上样本均数差别的显著性检验。本研究主要从人员样本统计的情况来看，互联网对博士生学习影响不同纬度进行检验。对调查数据进行多因素方差分析，以显著性水平0.05作为检验标准，具有显著性的以下划线进行标注。
可以看出，不同的就读方式、不同的学科门类、不同的上网学习比例对于博士生学习的各个维度有不同的影响。
具体来看：
从学科门类来看，互联网影响不同学科门类博士生的学习方式、学习效果具有显著性差异，互联网影响学习方式、影响学习效果的趋势一致。影响最大的是工科，其次是理科，最后是人文社会科学（具体见表 315）。究其原因在于传统的工科博士生需要进行大量的科学试验，而互联网的出现改变了试验的模式，如利用基于互联网的虚拟试验、模拟仿真等，使得博士生的试验手段、形式等都发生了变化，对互联网的依赖程度增强。而人文社会科学的博士生重点在于书籍的阅读，互联网的出现仅仅改变了书籍的存放形式，从传统的书店更多的转向了互联网。从就读方式上看，不同就读方式对互联网影响学习环境、学习共同体有显著性差别。由于全日制攻读能够主要精力放在学习上，大部分时间是在网上寻找资料、文献等，而在职攻读的博士生则要兼顾工作、学习，使用互联网不单纯应用于学习，因此存在一定的显著性差异。同理，在职攻读的博士生在利用互联网进行课程学习、同导师的联系以及在对外科研交流中都不同程度地受到一定的影响，因此互联网影响博士生学习共同体方面也存在着显著性差异，对全日制就读博士生的影响要大于在职攻读博士生。
从上网用于学习的比例上看，互联网对博士生上网用于学习比例的影响产生显著性差异。可以看出，随着上网用于学习所占比例的上升，互联网对博士生学习的影响效果也愈加强烈。
3.2.7模型路经分析
采用amos 7.0软件进行路径分析的主要目的是检验一个假想的因果模型的准确和可靠程度，测量变量间因果关系的强弱。通过相关资料分析，建立一个可以检验的初始模型，并绘制出一个设有路径系数的路径图（path diagram），通过回归模型来估计路径系数并验证其是否显著。
1.模型假设
根据对博士生访谈资料进行分析所得到的宽泛理论为基础确定具体假设，以互联网影响博士生学习环境作为自变量，以互联网影响博士生学习共同体、互联网影响博士生学习方式作为中间变量，以互联网影响博士生学习效果作为因变量。具体假设如下：
h1：互联网通过博士生学习环境影响博士生学习共同体
h2：互联网通过博士生学习环境影响博士生学习方式
h3：互联网通过博士生学习共同体影响博士生学习方式
h4：互联网通过博士生学习环境影响博士生学习效果
h5：互联网通过博士生学习共同体影响博士生学习效果
h6：互联网通过博士生学习方式影响博士生学习效果
2.模型分析
为简化模型，本研究采用各个题项之和作为该分量表的值。首先使用amos 7.0进行绘制初步的模型图，以互联网影响学习环境作为外生显变量，以互联网影响学习共同体、互联网影响学习方式、互联网影响学习效果作为内生潜变量，因此要增加三个残差变量e 1、e 2、e 3，以方框表示变量，小圆形为测量误差（误差变量，并且和互联网影响效果之间的权重系数定为“1”）经过分析，得到标准化后的路径图。
其中单箭头上的数字代表路径系数，也就是协方差标准化回归系数。表为非标准化的回归系数及其显著性检验摘要表，左边estimate列为非标准化的回归系数的估计值，s.e.（standard error）为估计参数的标准误，c.r.（critical ratio）为临界比，临界比的值是t检验的t值，p列为显著性，如果p＜0.001，则以符号“* * *”表示，如果p值＜0.001，则直接呈现p值的大小。
可以看出，“互联网影响学习环境→互联网影响学习效果”这条路径不显著。根据amos软件路径分析的要求，如果路径分析中存在不显著影响的箭头则需要去掉该路径，重新进行路径分析。因此去掉“互联网影响学习环境→互联网影响学习效果”这条路径，第二次进行路径分析。第二次路径分析的非标准化的回归系数及显著性检验摘要表。从表中可以看出，全部路径均显著。
第二次路径分析后的标准化回归系数（beta值），亦即路径分析中的路径系数。
表外因变量及其残差的方差及其显著性检验，从表中可以知，方差全部为正值，且显著。
表因变量“影响效果”的多元相关的平方（r2），以“互联网影响学习环境”、“互联网影响学习共同体”、“互联网影响学习方式”三个变量对因变量“影响学习效果”所进行的复回归分析的多元相关系数的平方为0.319。
表对影响效果进行了效应分解。效应分解也称为相关系数分解，是将变量之间的相关系数分解为不同效应部分。研究者关注的主要是因果效应，包括直接效应（direct effect）和间接效应（indirect effect）。总体效果（total effect）是间接效应与直接效应的加总。可以看出，互联网通过学习环境对学习效果的影响主要通过间接的途径进行；互联网通过学习方式对学习效果的影响则主要通过直接的途径进行；互联网通过学习共同体对学习效果的影响则既有间接途径，也有直接途径。3.模型评估从现有模型和amos软件要求的标准比较来看，修正后的模型具有非常好的拟合优度。
利用amos 7.0软件进行第二次路径分析，可以得到修正后的路径模型如图。
可以看出，互联网影响博士生学习的主要路径有三条：互联网影响学习环境——互联网影响学习共同体——互联网影响学习效果；互联网影响学习环境——互联网影响学习共同体——互联网影响学习方式——互联网影响学习效果；互联网影响学习环境——互联网影响学习方式——互联网影响学习效果。从路径分析可以看出，互联网影响学习环境对互联网影响学习效果之间的路径不显著。这说明一方面环境的变化是潜移默化的，博士生对这一变化不敏感。在访谈中博士生也提到“使用互联网已经成为一种习惯”，已经适应了互联网时代的学习。另一方面也说明影响互联网对博士生学习的影响是一个复杂的过程，除了环境因素之外，还有很多其他因素在同时发生作用，因此博士生对此感受不深刻。这与相关研究是一致的，例如美国国家教育评估中心2007年公布了历史上规模最大的一次教育技术有效性研究，研究显示，不管教学软件使用与否，学生在标准化考试中的成绩相差无几；世界银行关于教育信息化应用成效的研究也发现，教育中使用信息传播技术的影响是不确定的，充满着争议。
3.2.8均值分析
互联网影响学习环境、影响学习共同体、影响学习方式和影响学习效果的均值分析。从表中可以看出，互联网影响博士生学习各个层次的平均值均大于中间值3，说明总体上看，互联网对博士生学习产生了一定程度的影响，但是影响程度、方式等还不能确定，因此博士生在选择的过程中，相对两极分化，导致平均值不高。从访谈中也可以发现，互联网的这种影响都出现了正反两方面的反映。
3.2.1调查问卷设计
根据访谈得出的宽泛理论，调查问卷设计分为六个部分：基本信息、互联网使用功能统计、互联网影响博士生学习环境、互联网影响博士生学习共同体、互联网影响博士生学习方式和互联网影响博士生学习效果。
采用五点李克特量表（likert-type scale）的计量模式，在“博士生对互联网功能使用”分量表中使用了“从不”、“偶尔”、“较少”、“经常”、“总是”五个选项；其他分量表均使用“非常不同意”、“不同意”、“不清楚”、“同意”、“非常同意”五个选项，在数据处理中则分别对应1、2、3、4、5五个分值。
本研究在上海交通大学在读博士中抽取一定的比例进行调查，要求参与调查的博士生学科门类比例与实际的学科门类比例接近。样本量选择依据方便性原则，大致按照所有在籍在读博士生的10%左右。同时根据相关学者的建议，样本量选择上参考前人所做过相关研究，有博士生教育相关研究所使用的样本量为359。综合上述两个标准，本研究共发放调查问卷400份，其中理科140份，工科发放200份，人文社会学科60份，通过纸质和电子邮件的形式进行传送和回收。实际回收问卷348份，经过剔除无效问卷后，实际有效回收调查问卷为327份，实际回收率为82%。
3.2.2基本信息统计在互联网使用时间统计上主要从三个方面进行：博士生平均每天上网时间、博士生上网用于学习的时间和博士生使用网络时间总计。
38、可以看出，博士生每天用在互联网上的时间大部分集中在 27个小时，占68%。从表 39可以看出，博士生用于学习的时间占上网时间的比例集中在1/31/2左右，接近60%。从表 310博士生使用网络时间总计来看，相对比较分散，这与博士生年龄、来源多样化分布差距较大有一定的关系。
3.2.3使用功能统计
2012年7月，中国互联网络信息中心发布的《第30次中国互联网络发展状况统计报告》指出，截至2012年6月底，中国网民数量达到5.38亿，互联网普及率为39.9%，2012年上半年网民增量为2450万，普及率提升1.6个百分点。调查显示，手机超越台式电脑成为中国网民第一大上网终端。调查表明，一般网民的互联网使用功能上同之前的调查类似，主要集中在四类：网络娱乐、交流沟通、信息获取和商务交易。本研究的调查显示，博士生在互联网功能使用上则归纳为信息获取、互动交流、工具使用和休闲娱乐四个方面。这与一般网民在使用功能上区别不大，只是侧重点有所不同。如在信息获取方面，一般网民获取信息主要集中在资讯类，而博士生除此之外，更多获取的是学术信息。又如一般网民利用互联网进行订购机票等商务活动，而博士生利用互联网则一般体现在学术用途上，如投稿等，而在商务用途上，如购买书籍、手机支付等方面使用量不大。因此把“商务交易”功能汇总在“工具使用”中。具体功能统计如下：近80%博士生经常（含“总是”，以下同）使用互联网来浏览新闻、信息；经常通过搜索引擎来查找资料的博士生占到了被调查者的80%以上。在互动交流方面，超过40%的博士生“经常”或“总是”上bbs、聊天室等论坛；接近一半的博士生“从不”或“偶尔”上博客或微博；85%的博士生“经常”或“总是”使用电子邮件等。
六成以上的博士生经常在网上下载软件；八成以上的博士生经常使用网络数据库；但也有一半以上的博士生“偶尔”或“很少”关注网络课件；接近一半的博士生经常使用网络工具投稿。相比普通网民来说，博士生学习压力很大，花在娱乐休闲方面相对较少，不到三成的博士生“经常”、不到一成的博士生“总是”玩联机游戏；也分别只有10%左右的博士生“经常”或“总是”在网上欣赏影视或收听音乐等。
3.2.4效度分析
根据统计学相关要求，需要对量表中的反向题目的数据进行转换，之后才能进行统计分析。本调查问卷共有三项“我很难判断互联网信息的可靠性”、“学习、讨论中如果老师使用互联网会分散我的注意力”、“在网上找到了资料，我就不愿意深入思考了”属于反向题目，利用spss17.0软件进行数据转换，之后再进行统计分析。
效度（validity）即有效性，是指所测量到的结果反映所想要考察内容的程度，测量结果与要考察的内容越吻合，则效度越高；反之，则效度越低。本研究对调查结果进行了内容效度、效标关联效度和建构效度分析。
在内容效度方面，主要从各题项与总分的相关分析来进行测量。其中“学习、讨论中如果老师使用互联网会分散我的注意力”和总分的相关性较低，且没有达到0.05显著性水平，该题项在以后的分析中被予以剔除。其他题项与总分的相关系数均在 0.2020.596之间，且均达到了0.05的显著性水平，予以保留。在效标关联效度测验方面，则对各个维度之间的相关性进行检验。的相关系数可以看出，本量表各个维度之间在0.001水平上显著相关，说明本研究具有很好的关联效度。
建构效度采用主成分分析法（principal component analysis）提取公因子，旋转方法为方差最**正交旋转，以特征值大于1为提取标准来分别分析4个分量表，具体结果如下：
对分量表“互联网影响博士生学习环境”进行因子分析，kmo值为0.719，bartlett球度检验approx.chi.square =525.183，df =28，sig.=0.000＜0.001，说明适合做因子分析。以特征值大于1以及结合碎石图作为标准进行公因子提取，共提取3个公因子，方差解释率为65.959%，具体见表 312。因子1可以用“互联网的学习支撑”来命名；因子2可以用“校园基本条件”来命名；因子3可以用“互联网环境的负面作用”来命名。同理，其他分量表经过检验，均适合做因子分析。其中分量表“互联网影响博士生学习共同体”提取了3个公因子，分别命名为“互联网影响课程学习”、“互联网影响师生关系”、“互联网影响学习伙伴”；分量表“互联网影响博士生学习方式”提取2个公因子，分别命名为“对学习方式的正向影响”、“对学习方式的负面影响”；分量表“互联网影响博士生学习效果”提取1个公因子，直接命名。因子分析结果表明，本调查问卷具有良好的建构效度。
3.2.5信度分析
信度（reliability）即可靠性，是指采用同样的方法对同一对象重复测量时所得结果的一致性程度。常用的信度检测方法是科隆巴赫系数（cronbach’sα）。台湾学者吴统雄建议α值大于0.4就是可信的。本研究的总体信度为0.856，分量表中信度介于0.5650.673之间。说明调查问卷是可信的。
3.2.6方差分析方差分析是用于两个及两个以上样本均数差别的显著性检验。本研究主要从人员样本统计的情况来看，互联网对博士生学习影响不同纬度进行检验。对调查数据进行多因素方差分析，以显著性水平0.05作为检验标准，具有显著性的以下划线进行标注。
可以看出，不同的就读方式、不同的学科门类、不同的上网学习比例对于博士生学习的各个维度有不同的影响。
具体来看：
从学科门类来看，互联网影响不同学科门类博士生的学习方式、学习效果具有显著性差异，互联网影响学习方式、影响学习效果的趋势一致。影响最大的是工科，其次是理科，最后是人文社会科学（具体见表 315）。究其原因在于传统的工科博士生需要进行大量的科学试验，而互联网的出现改变了试验的模式，如利用基于互联网的虚拟试验、模拟仿真等，使得博士生的试验手段、形式等都发生了变化，对互联网的依赖程度增强。而人文社会科学的博士生重点在于书籍的阅读，互联网的出现仅仅改变了书籍的存放形式，从传统的书店更多的转向了互联网。从就读方式上看，不同就读方式对互联网影响学习环境、学习共同体有显著性差别。由于全日制攻读能够主要精力放在学习上，大部分时间是在网上寻找资料、文献等，而在职攻读的博士生则要兼顾工作、学习，使用互联网不单纯应用于学习，因此存在一定的显著性差异。同理，在职攻读的博士生在利用互联网进行课程学习、同导师的联系以及在对外科研交流中都不同程度地受到一定的影响，因此互联网影响博士生学习共同体方面也存在着显著性差异，对全日制就读博士生的影响要大于在职攻读博士生。
从上网用于学习的比例上看，互联网对博士生上网用于学习比例的影响产生显著性差异。可以看出，随着上网用于学习所占比例的上升，互联网对博士生学习的影响效果也愈加强烈。
3.2.7模型路经分析
采用amos 7.0软件进行路径分析的主要目的是检验一个假想的因果模型的准确和可靠程度，测量变量间因果关系的强弱。通过相关资料分析，建立一个可以检验的初始模型，并绘制出一个设有路径系数的路径图（path diagram），通过回归模型来估计路径系数并验证其是否显著。
1.模型假设
根据对博士生访谈资料进行分析所得到的宽泛理论为基础确定具体假设，以互联网影响博士生学习环境作为自变量，以互联网影响博士生学习共同体、互联网影响博士生学习方式作为中间变量，以互联网影响博士生学习效果作为因变量。具体假设如下：
h1：互联网通过博士生学习环境影响博士生学习共同体
h2：互联网通过博士生学习环境影响博士生学习方式
h3：互联网通过博士生学习共同体影响博士生学习方式
h4：互联网通过博士生学习环境影响博士生学习效果
h5：互联网通过博士生学习共同体影响博士生学习效果
h6：互联网通过博士生学习方式影响博士生学习效果
2.模型分析
为简化模型，本研究采用各个题项之和作为该分量表的值。首先使用amos 7.0进行绘制初步的模型图，以互联网影响学习环境作为外生显变量，以互联网影响学习共同体、互联网影响学习方式、互联网影响学习效果作为内生潜变量，因此要增加三个残差变量e 1、e 2、e 3，以方框表示变量，小圆形为测量误差（误差变量，并且和互联网影响效果之间的权重系数定为“1”）经过分析，得到标准化后的路径图。
其中单箭头上的数字代表路径系数，也就是协方差标准化回归系数。表为非标准化的回归系数及其显著性检验摘要表，左边estimate列为非标准化的回归系数的估计值，s.e.（standard error）为估计参数的标准误，c.r.（critical ratio）为临界比，临界比的值是t检验的t值，p列为显著性，如果p＜0.001，则以符号“* * *”表示，如果p值＜0.001，则直接呈现p值的大小。
可以看出，“互联网影响学习环境→互联网影响学习效果”这条路径不显著。根据amos软件路径分析的要求，如果路径分析中存在不显著影响的箭头则需要去掉该路径，重新进行路径分析。因此去掉“互联网影响学习环境→互联网影响学习效果”这条路径，第二次进行路径分析。第二次路径分析的非标准化的回归系数及显著性检验摘要表。从表中可以看出，全部路径均显著。
第二次路径分析后的标准化回归系数（beta值），亦即路径分析中的路径系数。
表外因变量及其残差的方差及其显著性检验，从表中可以知，方差全部为正值，且显著。
表因变量“影响效果”的多元相关的平方（r2），以“互联网影响学习环境”、“互联网影响学习共同体”、“互联网影响学习方式”三个变量对因变量“影响学习效果”所进行的复回归分析的多元相关系数的平方为0.319。
表对影响效果进行了效应分解。效应分解也称为相关系数分解，是将变量之间的相关系数分解为不同效应部分。研究者关注的主要是因果效应，包括直接效应（direct effect）和间接效应（indirect effect）。总体效果（total effect）是间接效应与直接效应的加总。可以看出，互联网通过学习环境对学习效果的影响主要通过间接的途径进行；互联网通过学习方式对学习效果的影响则主要通过直接的途径进行；互联网通过学习共同体对学习效果的影响则既有间接途径，也有直接途径。3.模型评估从现有模型和amos软件要求的标准比较来看，修正后的模型具有非常好的拟合优度。
利用amos 7.0软件进行第二次路径分析，可以得到修正后的路径模型如图。
可以看出，互联网影响博士生学习的主要路径有三条：互联网影响学习环境——互联网影响学习共同体——互联网影响学习效果；互联网影响学习环境——互联网影响学习共同体——互联网影响学习方式——互联网影响学习效果；互联网影响学习环境——互联网影响学习方式——互联网影响学习效果。从路径分析可以看出，互联网影响学习环境对互联网影响学习效果之间的路径不显著。这说明一方面环境的变化是潜移默化的，博士生对这一变化不敏感。在访谈中博士生也提到“使用互联网已经成为一种习惯”，已经适应了互联网时代的学习。另一方面也说明影响互联网对博士生学习的影响是一个复杂的过程，除了环境因素之外，还有很多其他因素在同时发生作用，因此博士生对此感受不深刻。这与相关研究是一致的，例如美国国家教育评估中心2007年公布了历史上规模最大的一次教育技术有效性研究，研究显示，不管教学软件使用与否，学生在标准化考试中的成绩相差无几；世界银行关于教育信息化应用成效的研究也发现，教育中使用信息传播技术的影响是不确定的，充满着争议。
3.2.8均值分析
互联网影响学习环境、影响学习共同体、影响学习方式和影响学习效果的均值分析。从表中可以看出，互联网影响博士生学习各个层次的平均值均大于中间值3，说明总体上看，互联网对博士生学习产生了一定程度的影响，但是影响程度、方式等还不能确定，因此博士生在选择的过程中，相对两极分化，导致平均值不高。从访谈中也可以发现，互联网的这种影响都出现了正反两方面的反映。