诊断改进
开放教育 您现在的位置: 首页 >> 诊断改进 >> 开放教育 >> 正文
刘彦林丨第二次机会:互联网学习对阶层获得的影响特点与机制研究
栏目:开放教育 作者: 来源:  时间:2023-05-05 09:37:03 点击:

刘彦林丨第二次机会:互联网学习对阶层获得的影响特点与机制研究

引言


近年来,国家大力推动教育信息化与“互联网+”教育,对于促进教育公平、扶智脱贫、完善终身学习体系、促进社会阶层流动具有重要意义。国家发布的教育信息化与教育现代化相关政策从扩大优质教育资源覆盖面、建设国家学分银行、实行网络扶智工程、搭建衔接各级各类教育和学习成果的全民终身学习立交桥等方面进行了谋划布局。2015年,国务院发布《国务院关于积极推进“互联网+”行动的指导意见》提出促进教育公平,推动开展学历教育在线课程资源共享。2018年,教育部发布《教育信息化2.0行动计划》,提出建设国家学分银行和终身电子学习档案,开展网络扶智工程攻坚行动。2019年,中共中央办公厅、国务院办公厅印发《加快推进教育现代化实施方案(2018—2022年)》,推动搭建沟通各级各类教育、衔接多种学习成果的全民终身学习立交桥。2020年,《中共中央关于制定国民经济和社会发展第十四个五年规划和二〇三五年远景目标的建议》提出要发挥在线教育优势,完善终身学习体系,建设学习型社会。在互联网学习不断普及和推动实现共同富裕的背景下,互联网学习对社会阶层获得有什么影响?该影响有什么特点?影响机制如何?本研究将通过实证研究尝试进行解答。


二、

文献综述


本研究关注互联网学习对阶层获得的影响特点及其机制,将从互联网学习与学习者的特点、阶层获得的影响因素和互联网影响阶层获得的机制三个方面进行文献梳理。

(一)互联网学习与学习者的特点

“互联网+教育”的学习新形态通过新兴技术与教育深度融合,促使学习时空由单维走向多维,注重学习者个体的学习体验,突出学习者的自主学习(张海生 & 范颖, 2018)。互联网学习为阶层流动提供了新的通道,为在正式教育中处于弱势地位的人群提供了第二次机会。和传统学习相比,互联网学习具有以下优势:其一,互联网传输具有可复制性和便捷性,在线教育学费更低,国家和政府也提供了大量免费公益性课程,大大降低了互联网学习的成本。其二,互联网学习突破了国别、地理、学习基础等限制,课程可得性大幅提升。其三,互联网学习在学习内容、学习难度、学习时间等方面为学习者提供了更多选择,能够更好地满足互联网学习者的个性化需求。互联网学习具有融合、大众化、开放性、交互性、多样化五大发展趋势(布朗 等, 2022)。享受互联网学习的诸多优势,需要学习者具备基本的网络设备,如拥有手机、电脑、网络等基础设施与设备,并掌握基本的下载软件、注册、登录、参与讨论、提交作业等互联网技能。成人学习者的互联网学习行为具有学习时间和内容碎片化,学习能力存在一定不足或劣势,学习需求更清晰,个性化差异日趋明显,学习行为易受到已有认知结构的束缚,缺乏持久注意力等特点(李延莉 等, 2018)。

(二)社会阶层获得的影响因素

学者围绕社会阶层获得与阶层流动的影响因素开展了较多研究,多基于结构主义和建构主义理论,关注家庭背景、教育等因素对社会阶层的影响,近年来也有学者关注到互联网使用对阶层认同的影响,但对互联网学习的影响关注不足。其一,家庭背景的影响。家庭经济水平对子代阶层流动感知有显著的正向影响,子代及其母亲的教育经历、家庭经济水平、客观阶层水平通过子代的阶层期望对阶层流动感知产生显著影响(周向伟 & 张天雪, 2020)。对澳大利亚和挪威的研究发现,控制客观社会经济地位相关因素后,童年的财务状况和父母的受教育情况影响主观社会经济地位(Lindberg et al., 2021)。其二,教育的影响。研究发现,接受高等教育者阶层向上流动的概率远大于未接受高等教育者,高等教育加大了弱势群体阶层向上流动的机会(赵红霞 & 王乐美, 2020)。教育是推动阶层向上流动的重要动力,而且教育在下层向上流动中的作用比中层向上流动更突出(宁雯雯, 2018)。其三,互联网的影响。基于结构主义、建构主义和布迪厄的阶层理论,控制社会经济地位、主观意识、生活经历和制度分割变量的实证研究发现,使用互联网的青年阶层认同高于不使用互联网的青年,互联网使用频率越高,青年阶层认同越高(黄丽娜, 2016)。而且互联网使用对社会经济地位、制度分割、生活经历对青年阶层认同的影响起到负向调节作用,即削弱了这些变量对青年阶层认同的影响(黄丽娜, 2016)。控制健康、收入、婚姻、社会公平与信任感的研究也发现互联网使用能够重塑社会阶层认知,影响人们的情绪体验与幸福感受(王元欣, 2020)。已有研究关注到了互联网使用对阶层获得的影响,但未特别关注对互联网学习的影响,也未将互联网学习看作正式教育的补充。

(三)互联网影响阶层获得与阶层认知的机制分析

参考布迪厄的阶层理论,人的社会阶层取决于经济、社会、文化、象征等资本的拥有量、构成比例和发展轨迹,互联网可以被视为一种社会资源,能够折射社会成员的经济能力、教育水平、文化品位,能运用和调动可转化为社会与经济资本的机会等(王元欣, 2020)。作为一种传播媒介,互联网在内容资源、媒介工具、技术功能方面具有独特的优势,能够影响认知改变“剥夺地位”与“被剥夺地位”等感受,从而影响社会阶层认知(王元欣, 2020)。互联网使用行为与数字技能通过影响收入回报、社会资本、公共参与和学业成绩影响社会经济地位,形成数字社会分层(许庆红, 2017)。但已有研究多将互联网作为一种影响认知、体现品位、加强社交的媒介,较少聚焦互联网学习,将互联网学习看作正式教育的一种补充,从人力资本提升和改善制度分割等方面入手探讨互联网学习对阶层获得的影响。本研究将互联网学习视为正式教育之外促进社会阶层获得的第二次机会,基于调查数据和计量模型检验互联网学习对阶层获得的影响特点与机制。

(四)研究假设

基于文献梳理,互联网学习能够提高个体职业技能,有助于公民获得更高的收入,降低信息成本,进入更高的社会阶层。但进入不同社会阶层的难度不同,互联网学习对于进入不同阶层的推动作用可能存在差异。互联网学习获得的证书社会认可度低,知识不够系统深入,互联网学习对于社会阶层获得的影响可能具有局限性,不如正式教育的影响大。据此,本研究提出假设1:互联网学习整体上能够促进个体的社会阶层获得,但对进入不同社会阶层的作用存在异质性,且互联网学习对社会阶层获得的影响小于正式教育。

我国存在户籍、单位性质等制度分割,互联网学习在不同制度场域下发挥的作用可能存在差异。据此,本研究提出假设2:互联网学习对社会阶层获得的影响具有户口和单位类型异质性。

根据已有研究,客观社会经济状况、制度分割、相对剥夺感等因素影响社会阶层获得与社会阶层认知,互联网学习可能通过上述作用渠道提升居民的社会阶层。据此,本研究提出假设3:互联网学习通过改善客观社会经济状况,减轻制度分割,降低相对剥夺感等途径帮助提升社会阶层。


三、

数据与变量


(一)数据说明与样本分布

本研究采用2019年中国社会状况综合调查数据进行分析。该调查是由中国社会科学院社会学研究所2005年发起的一项全国性大型连续性抽样调查项目,每两年调查一次,调查采用概率抽样方法与入户访问方式,调查区域覆盖全国31个省(自治区、直辖市),包括151个区(市、县)、604个村(居委会),每次调查访问7,000到10,000余个家庭。

研究采用2019年中国社会状况综合调查数据中非在学成人样本,样本分布情况如表1所示。根据表1,样本中性别与地区分布均衡,城镇户口人群占30.95%,学历层次在初中及以下或高中(中专、职高技校)的居多,23.71%的样本只务农,13.65%的样本同时从事务农与非农工作,42.79%的样本只从事非农工作。


表1  样本分布情况表


(二)变量介绍

1. 因变量

在互联网学习对社会阶层获得的整体影响及其特点分析部分,因变量为社会阶层和各社会阶层——社会下层、社会中下层、社会中层、社会中上层、社会上层。社会阶层为定序分类变量,该变量根据单选题“您认为目前您本人的社会经济地位在本地大体属于哪个层次?”一题的回答得到答案,包括“上、中上、中、中下、下”五个选项,将阶层从低到高分别赋值1~5。各社会阶层为根据社会阶层构造的五个0~1分类变量,该题中选择“上”的,社会上层变量赋值为1,选择其他阶层的,社会上层变量赋值为0,以此类推。

在互联网学习影响社会阶层的机制探索部分,因变量分为客观社会经济状况、制度分割、相对剥夺感三类。客观社会经济状况类因变量具体为专业技能水平、担任管理职务、工作满意度和个人年收入自然对数,从客观的能力、岗位类型、收入、主观满意度等方面综合反映个体的客观社会经济状况。我国主要存在户籍和单位性质等制度分割,因此选择城镇和公有制单位就业作为制度分割类的因变量。根据已有研究,个体主观相对剥夺感也影响阶层感知,社会公平度能够反映横向相对剥夺感(黄丽娜, 2016)。因此本研究选择社会公平度对相对剥夺感进行测量。其中,个人年收入自然对数为连续变量,是个人年收入的自然对数。担任管理职务、公有制单位就业、城镇就业为二元分类变量,情况为“是”则赋值为1,情况为“否”则赋值为0,单位类型为党政机关、人民团体、国有企业及国有控股、国有(集体)事业单位的,公有制单位就业变量处理为1,其他单位类型的该变量处理为0。专业技能水平为取值为0~2的定序分类变量,从事的工作不需要专业技能赋值为0,需要一些专业技能赋值为1,需要较高和高专业技能赋值为2。工作满意度、社会公平度为定序分类变量,取值范围1~10,分值越高代表满意度、公平度越高。

表2呈现了各类变量的基本情况。由表2可知,调查样本的平均社会阶层为2.35,即位于社会中下层和社会中层之间。36%的调查样本担任管理职务,21%的调查样本在公有制单位就业,56%的调查样本在城镇就业。在满分为10分的取值范围内,调查样本的平均工作满意度为7.15分,平均社会公平度感知为6.69分。

2. 自变量

自变量为四个体现互联网学习频次的虚拟变量,根据“您上网进行学习教育的频率是_____”一题得到。以选择“从不”的为基底,将选择“一年几次”“一月至少一次”“几乎每天”的分别处理为一年几次互联网学习、一月至少一次互联网学习、几乎每天互联网学习虚拟变量,将选择“一周至少一次”和“一周多次”的处理为一周至少一次或多次互联网学习虚拟变量。

3. 控制变量

为了减少遗漏变量对回归结果的影响,本研究还控制了可能影响社会阶层的人口学、能力与客观社会经济状况、制度分割、家庭背景和地区等变量,具体变量参见表2。


表2 变量说明表


表2介绍了本研究涉及的各类变量基本情况。其中,社会阶层、专业技能水平、工作满意度、社会公平度为定序分类变量;工作年限、个人年收入自然对数、父母最长受教育年限为连续变量,其他为构造的虚拟变量。各虚拟变量的对照组标注在变量名后括号内,为防止变量名过长,自变量的对照组标注在变量类别单元格内括号中。虚拟变量的取值范围为0和1,均值代表特定分类的占比。如一年几次互联网学习为虚拟变量,赋值为1,对照组为从不在互联网学习的群体,赋值为0,该变量的均值为0.06,表示样本中互联网学习频次为一年几次的群体占全部样本的6%,其他虚拟变量的均值情况与此类似。受篇幅限制,不再一一阐释。


(三)计量模型



式中:αj、α 均为截距项,βk、βl 指各变量系数,Inteduk 指一年几次互联网学习、一月至少一次互联网学习、一周至少一次或多次互联网学习和几乎每天互联网学习等自变量,Cont 指各控制变量,ε 指随机扰动项。

本研究根据因变量类型采用了定序罗吉斯特、二元罗吉斯特和多元线性回归分析三种回归模型。公式(1)为定序罗吉斯特回归模型,以社会阶层、专业技能水平、工作满意度、社会公平感等定序分类变量为因变量时采用该回归模型。公式(2)为二元罗吉斯特回归模型,以特定社会阶层、担任管理职务、城镇就业、公有制单位就业等二元分类变量为因变量时采用该回归模型。公式(3)为多元线性回归分析模型,以个人年收入自然对数为因变量时采用该回归模型。


四、

从不在互联网学习与在互联网学习群体的特征分析


在回归分析之前,本研究首先探索从不在互联网学习和在互联网学习的两类群体在家庭背景、学历层次、制度分割、社会阶层等方面是否存在显著差异。表3呈现了两类群体在相关方面的基本情况、差值及独立样本t检验显著性。


表3 从不在互联网学习与在互联网学习群体的特征分析

注:“*”“**”“***”分别表示t检验在10%、5%、1%的显著性水平下有显著差异。


从表3可以看出,两类群体在家庭背景、学历层次、制度分割、社会阶层方面存在显著差异,基本表现为在互联网学习的人群家庭背景显著更好,学历层次显著更高,具有农村户口的比例显著更低,在公有制单位就业的比例显著更高,处于社会中层和中上层的比例显著更高。这样的结果说明互联网学习行为并非完全外生,和学习者的家庭背景、个人能力、工作与社会阶层状况等因素息息相关,具有一定的内生性。为了降低研究的内生性,减少遗漏变量偏差,后文将采用倾向值匹配法降低自选择偏差带来的影响,以获得更准确的研究结果。


五、

实证结果


(一)互联网学习对阶层获得的影响特点分析

1. 整体影响与阶层异质性:阻贫性与局限性

为了检验假设1,本研究首先以社会阶层和各社会阶层为因变量分别进行定序罗吉斯特和二元罗吉斯特回归分析,表4呈现了实证结果。根据表4,互联网学习频次达到一月至少一次及以上有助于获得更高的社会阶层,互联网学习频次越高,对社会阶层的正向影响越大。互联网学习频次达到一周至少一次或多次及以上能够有效降低落入社会下层的可能性,互联网学习频次达到一月至少一次及以上有助于进入社会中层,体现了互联网学习对社会阶层获得影响的阻贫性。但互联网学习无益于进入社会中上层和上层,体现了互联网学习对社会阶层获得的影响具有局限性。


表4 互联网学习对社会阶层获得的整体影响与阶层异质性

注:“*”“**”“***”分别表示样本均值在10%、5%、1%的置信水平上有显著差异;受篇幅限制,表中略去对自变量标准误、截距项的呈现;括号内为标准误。


具体来看,对于整体社会阶层获得而言,互联网学习频次为一月至少一次、一周至少一次或多次、几乎每天的群体社会阶层显示出更高的可能性,分别是从不在互联网学习的人的1.437倍(e0.36≈1.437,下同)、1.536倍和1.745倍。性别、民族等人口学特征,学历层次等人力资本因素,工作年限、收入、中共党员以及地区等因素都对阶层获得产生显著影响。

从互联网学习对进入社会各阶层的影响来看,互联网学习频次为一周至少一次或多次、几乎每天的群体社会阶层为下层的可能性,分别是从不在互联网学习群体的0.620倍和0.474倍,落入社会下层的可能性显著降低。互联网学习频次为一月至少一次、一周至少一次或多次、几乎每天的群体进入社会中层的可能性,分别是从不在互联网学习群体的1.630倍、1.460倍和1.671倍,差异在统计上显著。性别、婚姻状况等人口学特征,学历层次、工作年限、收入、中共党员、户口、单位性质和地区等因素也不同程度地影响进入不同社会阶层的可能性。互联网学习达到一定频次的群体进入社会下层的可能性显著降低,进入社会中层的可能性显著提高,体现了互联网学习对社会阶层获得的影响具有阻贫性,即避免最坏情况的发生,并帮助个体进入社会中层。互联网设施与资源的提供,数字技能的掌握,能够在脱贫扶智中发挥重要作用。

和正式教育相比,互联网学习对社会阶层获得的影响具有局限性,即影响有限。具体而言,互联网学习仅能避免落入社会下层,有助于进入社会中层,无益于进入社会中上层和上层,而学历层次的提升不仅能够有效降低进入社会下层的可能性,而且能显著提高进入社会中层、中上层的可能性。

实证结果验证了假设1,互联网学习整体上能够促进个体的社会阶层获得,但对进入不同社会阶层的作用存在异质性,并且互联网学习对社会阶层获得的影响范围小于正式教育。

2. 户口类型与单位性质异质性

为了检验假设2,本研究进一步对不同户籍类型、不同单位类型的分样本进行上述回归,依然控制人口学、能力与客观社会经济状况、制度分割、家庭背景、地区等变量,为节省篇幅,控制变量与截距项回归结果不再一一展示。不同户籍分样本回归中不再控制农村户口变量,不同单位类型分样本回归中不再控制单位类型变量。回归结果如表5所示。实证结果验证了假设2,互联网学习对社会阶层获得的影响具有户口和单位类型异质性。


表5 不同户口类型与单位性质分样本回归

注:“*”“**”“***”分别表示样本均值在10%、5%、1%的置信水平上有显著差异;受篇幅限制,表中略去对自变量标准误,以及控制变量、截距项具体数值的呈现。


在户口异质性方面,一月至少一次互联网学习能够显著帮助城市户籍人群获得更高为社会阶层,但对农村户籍人口的正向影响在统计学上不显著。无论是对于城市人口还是农村户籍人口,一周至少一次或多次、几乎每天进行互联网学习的群体获得更高社会阶层的可能性显著更高。具体而言,对于城市户籍分样本,互联网学习频次为一月至少一次、一周至少一次或多次、几乎每天的群体获得更高社会阶层的可能性,分别是从不在互联网学习群体的1.621倍、1.629倍和1.632倍,不同学习频次的影响效果接近。对于农村户籍分样本,一周至少一次或多次、几乎每天在互联网学习的群体获得更高社会阶层的可能性,分别是从不在互联网学习群体的1.452倍和1.970倍,互联网学习的频次越高,对社会阶层的提升效果越大。

在单位类型异质性方面,无论是对于在公有制还是非公有制单位就业的群体,一周至少一次或多次、几乎每天在互联网学习的群体获得更高社会阶层的可能性均显著更高,并且互联网学习对公有制单位就业群体影响更大。具体而言,对于公有制单位就业分样本,一周至少一次或多次、几乎每天在互联网学习的群体获得更高社会阶层的可能性,分别是从不在互联网学习群体的2.044倍和1.867倍。对于非公有制单位就业分样本,一周至少一次或多次、几乎每天在互联网学习的群体获得更高社会阶层的可能性,分别是从不在互联网学习群体的1.383倍和1.697倍。

(二)互联网学习影响阶层获得的机制分析

通过计量分析模型验证了互联网学习对社会阶层获得的积极影响,并分析了影响的阻贫性、局限性和异质性。接下来将通过计量模型检验互联网学习影响社会阶层获得的机制。

根据文献梳理和相关理论依据,互联网学习帮助个体获得更高社会阶层主要存在以下几种路径:①通过改善客观社会经济条件获得更高社会阶层,表现为提升人力资本、岗位级别、满意度、收入等;②通过一定程度上跨越制度分割获得更高社会阶层,表现为改善制度分割中的劣势地位,如进入公有制单位或到城市就业,从而提升工作稳定性和福利待遇,享受城市良好的医疗、教育等资源;③通过降低被剥夺感提升社会阶层获得感,表现为帮助个体有效获取信息,提升维权意识,增强民主参与,从而提升社会公平感和社会阶层感知。

为了检验互联网学习影响阶层获得的机制,本研究选取专业技能水平、担任管理职务、工作满意度、个人年收入自然对数作为客观社会经济条件的测量变量,选取公有制单位就业、城镇就业作为改善制度分割的测量变量,选择对社会公平度的感知作为降低被剥夺感的测量变量。各组回归中根据具体情况添加了可能影响各因变量的控制变量,不再一一赘述。表6呈现了互联网学习影响阶层获得的机制探索回归结果。


表6 互联网学习影响社会阶层获得的机制探索

注:“*”“**”“***”分别表示样本均值在10%、5%、1%的置信水平上有显著差异;受篇幅限制,表中略去对自变量标准误,以及控制变量、截距项具体数值的呈现。


从表6可以看出,和从不在互联网学习的人相比,在互联网学习的人专业技能水平、工作整体满意度和个人年收入显著更高,担任管理职务的可能性显著更高,验证了互联网学习通过提高人力资本改善客观社会经济状况,从而提高社会阶层获得的路径。具体而言,互联网学习频次为一年几次、一月至少一次、一周至少一次或多次、几乎每天的群体专业技能显著高一个级别的可能性,分别是从不在互联网学习群体的1.935倍、2.157倍、2.092倍、2.569倍;担任管理职务的可能性,分别是从不在互联网学习群体的1.617倍、1.497倍、1.662倍、1.844倍;个人年收入相比从不在互联网学习群体分别显著提升22.5%、14.7%、13.9%和10.6%。互联网学习频次为一年几次、一周至少一次或多次、几乎每天的群体工作满意度显著高一分的可能性,分别是从不在互联网学习群体的1.460倍、1.409倍和2.049倍。

实证结果验证了互联网学习通过改善制度分割提高社会阶层获得的路径。结果显示:在互联网学习能够有效跨越单位性质分割,帮助个体进入公有制单位就业,提高工作稳定性和福利待遇;较高的互联网学习频次还能有效跨越城乡分割,帮助个体进入城镇就业,享受城镇地区更好的医疗、教育等资源。具体而言,互联网学习频次为一年几次、一月至少一次、一周至少一次或多次、几乎每天的群体进入公有制单位的可能性,分别是从不在互联网学习群体的1.950倍、1.698倍、1.819倍和2.109倍。互联网学习频次为一周至少一次或多次、几乎每天的群体在城镇工作的可能性,分别是从不在互联网学习群体的1.298倍和1.249倍。

实证结果验证了互联网学习通过提升个体社会公平感,降低被剥夺感,提高社会阶层的路径。一年几次、一月至少一次、一周至少一次或多次、几乎每天在互联网学习的群体感知到的社会公平感高一分的可能性,分别是从不在互联网学习群体的1.372倍、1.269倍、1.288倍和1.584倍。

总的来说,实证结果验证了假设3,互联网学习通过帮助个体提升工作技能,获得管理职务和更高的收入,帮助个体进入公有制单位和城镇就业,并改善工作满意度、社会公平度感知等主观感受,从而提升个体社会阶层获得。

(三)内生性控制

内生性主要源于遗漏变量、双向因果、样本自选择偏误等原因。在本研究中自变量——互联网学习具有一定的内生性,即互联网学习行为本身并不是随机分布,而是与个人的学习意愿、学习条件、学习环境等息息相关,描述统计也显示学历层次越高、社会阶层较高的群体互联网学习的比例更高,因此有必要对前述分析进行内生性控制,呈现更精准的影响效果。

1. 减少遗漏变量偏差

各省的资源稀缺性、互联网技术与资源可得性不尽相同,为了更好地控制可能影响社会阶层获得并与互联网学习有关的遗漏变量对结果的影响,本研究进一步在回归中添加了各省虚拟变量,对各省的阶层获得难度、互联网学习可得性进行控制,回归结果依然稳健,差别仅在于一月至少一次互联网学习也能显著降低进入社会中下层的可能性,受篇幅限制,不再呈现回归结果。

2. 自选择偏差校正

为了降低自选择偏差对回归结果的影响,笔者进一步采用倾向值匹配方法检验互联网学习对社会阶层获得的影响。以社会阶层为因变量,以互联网学习和不同互联网学习频次为自变量,控制前述控制变量,分别采用卡尺匹配(参数设定为0.1)和近邻匹配(匹配方法为1:4)两种匹配方法进行验证,结果如表7所示。倾向值匹配结果稳健,与前文回归结果一致,同样呈现出与从不在互联网学习的群体相比,开展互联网学习的群体社会阶层显著更高。从不同学习频次的作用来看,几乎每天都在互联网学习的群体社会阶层显著更高,其他学习频次的群体与从不在互联网学习的群体在社会阶层获得方面不存在显著差异。


表7 互联网学习对社会阶层获得的影响分析(倾向值匹配法)

注:ATET全称为Average Treatment Effect on the Treated,为参与者平均处理效应。


(四)稳健性检验

本研究采用逐步回归法、变量替换法检验研究结果的稳健性,受篇幅限制仅简要呈现回归结果。依次加入各类控制变量,观察互联网学习对社会阶层获得影响的稳健性。结果显示,一月至少一次、一周至少一次或多次、几乎每天互联网学习对社会阶层获得的显著正向影响稳健,和前述回归结果一致。将各种互联网学习频次统一设置为互联网学习变量,该变量对社会阶层获得的正向影响依然稳健(如表8)。


表8 互联网学习对社会阶层获得影响的稳健性检验

注:“*”“**”“***”分别表示样本均值在10%、5%、1%的置信水平上有显著差异;受篇幅限制,表中略去对标准误、控制变量、截距项具体数值的呈现。


六、

结论、讨论与建议


(一)结论与讨论

本研究采用回归分析方法,分析了互联网学习对阶层获得影响的特点、异质性等,并进一步探索了互联网学习影响阶层获得的机制,主要有以下发现。

1. 较高频次的互联网学习有助于提升社会阶层获得,该影响具有阻贫性和局限性。阻贫性体现在互联网学习达到一定频次的群体落入社会下层的可能性显著更低,进入社会中层的可能性显著更高。局限性体现在互联网学习无益于进入社会中上层和上层,作用范围不及正式教育,原因可能在于:①互联网学习获得的证书在社会和职场的认可度较低,学分互认等制度不完善;②互联网学习不够系统深入,对个人职业技能和综合素质的提升有限;③进入社会中上层和上层更多依赖家庭背景、资本、机遇、正式教育等稀缺资源和积累性资源,具有一定门槛,难以简单通过互联网学习获取。

2. 互联网学习对社会阶层获得的正向影响具有户口和单位类型异质性。互联网学习有效提升农村户籍群体社会阶层需要更高的学习频次,并且互联网学习频次越高,对农村户籍群体社会阶层获得的正向影响越大。互联网学习对公有制单位就业群体社会阶层的提升效果更大,可能有以下两点原因:①公有制单位招聘多有最低学历和笔试要求,因此公有制单位就业群体的整体教育水平更高,知识体系更完善,学习能力更强,能更好地吸收网络教育知识点,实现知识和技能的迭代;②互联网提供的教育资源凝练度高,学理性较强,在结构稳定、制度明确的公有制单位中更有用武之地,对农业生产、个体经营等非公有制单位的经济活动适用性较低。

3. 互联网学习通过三种方式提升社会阶层获得。互联网学习通过提升专业技能、岗位级别、工作满意度和收入改善客观社会经济状况,通过帮助个体进入城镇、公有制单位就业跨越制度分割,通过改善社会公平感知度,降低被剥夺感等渠道提升社会阶层。

本研究检验了互联网学习在提升阶层获得方面的功能与特点,为实践中加大互联网学习与在线教育投入提供了实证依据,也为公众通过互联网学习改善阶层状况提供了参考。

(二)政策建议

在推动全面实现共同富裕的社会发展阶段,互联网学习能够充分发挥其内容广泛、可得性高、匹配度高等方面的独特优势,帮助弱势群体提升职业技能,有效改善弱势群体的生活状况,为公众提供正式教育之外实现阶层跃升的第二次机会。为了充分发挥互联网学习促进社会阶层获得的阻贫性特点,降低互联网学习作用的局限性,拓展弱势群体阶层上升渠道,可以从以下方面着手改进。

1. 在个体层面,个人可通过高频次、系统的互联网学习努力提升社会阶层。互联网学习为公众提供了实现阶层跃升的第二次机会,在正式教育和社会阶层上处于劣势地位的个体可以通过系统、高频次的互联网学习提升职业技能和综合素养,改善社会经济状况,努力提升社会阶层。

2. 在社会层面,引导公众关注并充分利用互联网教育资源,并提高互联网教育资源的实用性。一方面,加强宣传引导工作,引导公众有意识地借助互联网提升职业技能和收入,拓展社会阶层流动渠道;另一方面,目前提供的互联网教育资源凝练度和学理性较强,对于农业生产、个体经营活动适用度较低。未来应提高互联网教育资源的实用性,多开设通俗易懂、能够快速应用于实际生产生活的课程,尤其应多考虑广大农民和个体经营者的工作学习需求,帮助个体改善实际社会经济生活状况。

3. 在制度层面,加快构建互联网学习证书的认证与转换制度,畅通互联网学习与学历教育、职业资格证书之间的衔接、转化制度,拓宽互联网学习证书在实际生活中的应用范围,增强互联网学习提升职业能力、促进职业发展的功能。



参考文献

向上滑动阅览

黄丽娜. (2016). 分层与重塑:青年的互联网使用与阶层认同——基于CGSS 2013数据的实证研究. 中国青年研究(12),74-83,73.

李延莉,王可钰,& 李积鹏. (2018). “互联网+”背景下成人学习者的学习策略选择——基于自我调节学习的视角. 中国成人教育(12),9-12.

马克·布朗,埃蒙·科斯特洛,& 恩达·唐龙. (2022). 影响在线学习的五大趋势:从多焦点视角看未来可能发展(肖俊洪 译). 中国远程教育(6),21-35,76-77.

宁雯雯. (2018). 教育分层、阶层地位获得与阶层流动——基于CGSS2011的实证分析. 武汉科技大学学报:社会科学版,20(6),668-674.

王元欣. (2020). 互联网使用、主观阶层认同与主观幸福感——基于CGSS2015数据的实证研究. 东南传播(11),16-21.

许庆红. (2017). 数字不平等:社会阶层与互联网使用研究综述. 高校图书馆工作,37(3),27-31.

张海生,& 范颖. (2018). “互联网+教育”时代的学习新形态:主要类型、共性特征与有效实现. 中国远程教育(10),24-34.

赵红霞,& 王乐美. (2020). 促进还是抑制:高等教育对社会阶层流动的影响——基于CGSS混合截面数据的实证分析. 高教探索(9),5-11.

周向伟,& 张天雪. (2020). 感知与突围:教育场域中农村家庭的阶层代际流动——基于CGSS数据的实证分析. 教育发展研究,40(6),1-8.

Lindberg, M. H., Chen, G., Olsen, J.A., & Abelsen, B. (2021). Explaining subjective social status in two countries: the relative importance of education, occupation,income and childhood circumstances. SSM-population health(15), 1-10.


The Second Chance: Characteristics and Mechanism of the Influence of Internet Learning on Class Acquisition


Yanlin Liu


Abstract: Under the background of the rapid development of education informatization, Internet learning provides a second chance for the disadvantaged citizens in formal education to move upward in the social strata. Based on the data of the 2019 Chinese Social Survey, this study establishes econometric models to examine the characteristics and mechanism of the influence of Internet learning on class acquisition. The study finds that in terms of class acquisition, Internet learning can prevent poverty but has limitations. That is, Internet learning helps to get out of the bottom class and into the middle class, but it does not help to enter the upper middle class and leading class. The influence of Internet learning on class acquisition is different on people with different households and people within different work units. The mechanism of Internet learning to improve the acquisition of individual class is that Internet learning can improve objective social and economic conditions by improving human capital, income and job satisfaction, reduce the separation of urban and rural systems and unit types to some extent, improve social cognition, and reduce the sense of deprivation.

Keywords: Internet learning; class acquisition; the character of preventing poverty; limitation; heterogeneity


作者简介


刘彦林,中国社会科学院中国社会科学评价研究院博士,助理研究员。