1. 问题的提出
近年来，国家加大对高等职业技术教育的投入，高等职业技术教育日益被提上日程，高职生正处在金兹伯格的现实阶段(17岁至成人)和萨帕的探索阶段(15岁至24岁)，该阶段学生正处在职业选择、职业探索的关键时期，高职生面对生涯决策，尤其是当今就业形势不容乐观，更可能出现厌学情绪 [1] [2] ，高职院校学生的学习倦怠问题比较严重，其投入学习的程度也相对减少，教育工作者应加以重视。
人格因素作为倦怠和投入的重要影响因素，而核心自我评价比大五人格有更好的预测作用 [3] ，作为积极的人格，核心自我评价是学习倦怠和学习投入的重要人格影响因素 [4] ，龚芸(2010)研究也表明影响高职生学习倦怠的个体因素依次是学习态度、自我评价、学习策略 [5] ，基于此，本研究拟探讨核心自我评价对高职生学习倦怠与学习投入的预测作用。
2. 研究对象与方法
2.1. 研究对象
对6所高职院校学生采用随机抽样的方法进行调查，共抽取高职生810名进行测试。发放问卷810份，回收747份，回收率为92.2%。经过筛选和统计处理，保留有效问卷705份，有效率为94.4%。有效被试的基本信息见表1。
Table 1. Statistics of the subjects
表1. 被试情况统计表
2.2. 研究工具
1) 核心自我评价量表(Core Self-evaluation Scale, CSES)
杜建政、张翔、赵燕(2007) [6] 根据Judge的核心自我评价量表修订，10个题项，单维量表，包含对自己的积极评价和消极评价。该量表采用Likert5点计分。得分越高，核心自我评价越高。该量表具有良好的信效度，内部一致性系数为0.83，分半信度为0.84。
2) 学习倦怠问卷(The Maslach Burnout Inventory for students, MBI-S)
杨丽娴和连榕(2004) [7] 编制的学习倦怠问卷，共20个项目。包括三个维度：情绪衰竭、行为不当、低个人成就感。该量表采用Likert5点计分。得分越高，学习倦怠程度越高。使用时根据高职生的实际情况，对部分题目做了适当修改，任怡(2007)运用该问卷对高职生施测表明该问卷对于高职生具备普适性 [8] 。
3) 学习投入量表(The Utrecht Work Engagement Scale for students, UWES-S)
方来坛等(2008) [9] 翻译UWES-S量表并据此得到中文版学习投入量表，共17个题项。该量表包括三个分量表：活力、奉献、专注。采用Likert5点计分。得分越高，学习投入程度越高。各分量表的内部一致性信度在0.82~0.95之间，相关系数显著，信、效度良好，可为相关研究所采用。
2.3. 施测方法
由经过专门培训的班主任指导学生进行集中答题，当场回收问卷。
2.4. 数据处理
采用SPSS 13.0进行统计分析。
3. 研究结果
3.1. 各变量之间的相关分析结果
Bamn和Kenny (1896)认为要引入中介变量，模型中自变量和因变量之间，中介变量和因变量之间以及自变量和中介变量之间必须显著相关 [10] ，基于JDR理论扩展模型结合工作需求-资源综合模型(图1中虚线部分是拟研究部分)，可知学习倦怠可能在核心自我评价(个人资源)与学习投入间存在中介效应，因此我们对核心自我评价、学习倦怠、学习投入及其各个维度进行两两相关分析，结果见表2。
由表2可知：核心自我评价与学习投入总分及各维度之间存在显著相关，相关的方向呈正值，表明核心自我评价较好的高职生同样在学习投入上的程度非常高；核心自我评价与学习倦怠总分及各维度之间存在显著相关，相关的方向呈负值，表明核心自我评价较好的高职生同样在学习倦怠上的程度较低；学习倦怠总分及各维度与学习投入总分及各维度之间存在显著相关，相关的方向呈负值，表明学习倦怠程度越高的高职生在学习投入上程度较低。
Table 2. Correlation analysis between variables
表2. 各变量之间的相关分析
注：**P < 0.01。
3.2. 各变量之间的回归分析
中介效应的前提条件是中介变量M与变量X和变量Y均有显著的相关。前面的相关分析显示，学习倦怠既与学习投入相关显著，又与核心自我评价相关显著，基于工作需求资源综合模型(图1)，我们可以假定学习倦怠在核心自我评价与学习投入之间起中介作用。
3.2.1. 核心自我评价对学习投入的回归
分别以学习投入总分及各维度为因变量，以核心自我评价为预测变量进行回归分析，结果见表3。
Table 3. Correlation analysis between core self-evaluation and learning engagement
表3. 核心自我评价对学习投入的回归
注：***P < 0.001，**P < 0.01。
由表3可知：核心自我评价能够显著预测学习投入10.6%的变异量，其标准化回归方程为：学习投入 = 0.326*核心自我评价。
核心自我评价能够显著预测学习投入各维度，对于奉献维度预测力最佳，解释量为11.6%，其次为活力，解释量为7.3%，对于专注维度的预测力最差，解释量为6.2%。标准化回归方程分别为：活力 = 0.270*核心自我评价；奉献 = 0.341*核心自我评价；专注 = 0.250*核心自我评价。
3.2.2. 核心自我评价对学习倦怠的回归
分别以学习倦怠总分及各维度为因变量，以核心自我评价为预测变量进行回归分析，结果见表4。
Table 4. Correlation analysis between core self-evaluation and learning burnout
表4. 核心自我评价对学习倦怠的回归
注：***P < 0.001，**P < 0.01。
由表4可知：核心自我评价能够显著预测学习倦怠25.8%的变异量，其标准化回归方程为：学习倦怠 = −0.508*核心自我评价。
核心自我评价能够显著预测学习倦怠各维度，对于情绪低落预测力最佳，解释量为21.0%，其次为成就感低，解释量为16.2%，对于行为不当的预测力最差，解释量为8.8%。标准化回归方程分别为：情绪低落 = −0.458*核心自我评价；行为不当 = −0.297*核心自我评价；成就感 = −0.402*核心自我评价。
3.2.3. 高、低核心自我评价组的学习倦怠、学习投入差异比较
将高职生在核心自我评价上的总分从高到低排序，分别从两端各取总人数的27%作为高、低核心自我评价组，高核心自我评价组和低核心自我评价组在学习倦怠、学习投入上的得分见表5，T检验结果表明高低核心自我评价组在学习倦怠、学习投入上差异具备统计学意义，核心自我评价越高者其学习倦怠越低，学习投入得分越高。
Table 5. Comparison of learning burnout and learning engagement between high and low core self-evaluation groups
表5. 核心自我评价对学习倦怠的回归
注：***P < 0.001，**P < 0.01。
3.2.4. 学习倦怠对学习投入的回归
由表6可知：回归分析表明回归方程在总体上具有显著的预测效度，学习倦怠能够显著预测学习投入23.3%的变异量，其标准化回归方程为：学习投入 = −0.483*学习倦怠。
Table 6. Correlation analysis between learning burnout and learning engagement
表6. 学习倦怠对学习投入的回归
注：***P < 0.001，**P < 0.01。
3.3. 时间管理倾向在核心自我评价与主观幸福感关系间的中介效应检验
检验中介效应的方法很多，本研究采用温忠麟等(2004) [11] 提出的中介效应检验程序，这个检验程序既可以检验部分中介效应又可以检验完全中介效应，具体步骤为：
1) 检验回归系数c，如果显著，继续下面的第2步，否则停止分析。
2) 做Baron和Kenny部分中介检验，即依次检验系数a，b，如果都显著，意味着X对Y的影响至少有一部分是通过了中介变量M实现的，第一类错误率小于或等于0.05，继续第3步。如果至少有一个不显著，由于该检验的功效较低(即第二类错误率较大)，所以还不能下结论，做Sobe检验，如果显著，意味着M的中介效应显著，否则中介效应不显著。
3) 做Judd和Kenny完全中介检验中的第三个检验(因为前两个在上一步已经完成)，即检验系数c，如果不显著，说明是完全中介过程，即X对Y的影响都是通过中介变量M实现的；如果显著，说明只是部分中介过程，即X对Y的影响只有一部分是通过中介变量M实现的。为了更好的说明该的统计方法，可用下列方程和图来表述变量之间的关系(图2)。
Figure 2. Mediator variable schematic diagram
图2. 中介变量示意图
根据检验程序，进行如下三步：
第一步 核心自我评价对学习投入的回归。
Table 7. Correlation analysis between core self-evaluation and learning engagement
表7. 核心自我评价对学习投入的回归
注：***P < 0.001，同下。
由表7可知：回归分析表明回归方程在总体上具有显著的预测效度，核心自我评价能够显著预测学习投入10.6%的变异量，其标准化回归方程为：学习投入 = 0.326*核心自我评价。
第二步 核心自我评价对学习倦怠的回归。
以学习倦怠总分为因变量，以核心自我评价为预测变量进行回归分析，结果见表8。
Table 8. Correlation analysis between core self-evaluation and learning burnout
表8. 核心自我评价对学习倦怠的回归
由表8可知：回归分析表明回归方程在总体上具有显著的预测效度，核心自我评价能够显著预测学习倦怠25.8%的变异量，其标准化回归方程为：学习倦怠 = −0.508*核心自我评价。
第三步 核心自我评价和学习倦怠对学习投入的回归分析。
以学习投入为因变量，以核心自我评价、学习倦怠总分为预测变量进行强制回归分析，结果见表9。
Table 9. Correlation analysis among core self-evaluation, learning burnout and learning engagement
表9. 核心自我评价和学习倦怠对学习投入的回归
由表9可知：回归分析表明回归方程在总体上具有显著的预测效度，核心自我评价和学习倦怠能够显著预测学习投入24.2%的变异量。其标准化回归方程为：学习投入 = 0.108*核心自我评价 − 0.428*学习倦怠。
以学习投入总分(y)为因变量，以核心自我评价(x)为预测变量，学习倦怠总分(m)为中介变量，采用温忠麟等(2004) [11] 的中介效应检验程序，根据温忠麟等人建议的关于中介效应的程序，在SPSS 11.5软件上用强迫进入法(Enter)对核心自我评价影响学习投入、核心自我评价影响学习倦怠、核心自我评价与学习倦怠影响学习投入做回归分析，步骤(如上)、回归方程和显著性见表10。
Table 10. Mediation effect test step
表10. 核心自我评价对学习倦怠的回归中介效应检验步骤
由表10可知：依次检验(指前3个t检验)所得c、a、b都是显著的，第4个t检验c’也是显著的，说明学习倦怠是部分中介效应。
4. 讨论
4.1. 高职生核心自我评价、学习倦怠与学习投入的关系分析
相关分析表明：核心自我评价与学习投入总分及各维度呈显著正相关，表明核心自我评价得分越高，学习投入越高；核心自我评价与学习倦怠总分及三个维度呈显著负相关，表明核心自我评价得分越高，学习倦怠程度越大；学习倦怠总分及各维度与学习投入总分及各维度呈显著负相关，表明学习倦怠越强烈，学习投入的程度越低。
回归分析表明：虽然核心自我评价只能够解释学习投入10.6%的变异量，但学习投入作为复杂变量，受性别、年龄、职业、教育程度、家庭因素等人口统计学变量和人格特征、心理状态、应对策略、自我效能等个体、组织因素的影响 [12] [13] ，因此本研究中核心自我评价对于学习投入的贡献仍达到显著水平。核心自我评价高的个体，有更多的积极情感体验，能够以积极的情感状态全身心的投入学习中，学习投入度较高，这与以往研究相一致：胡桂春等(2010)对临床一线护士进行调查表明 [14] ：核心自我评价与工作投入呈正相关，核心自我评价越高，工作投入度越高；王婷等人(2009)研究表明 [15] ：核心自我评价经典的4个维度加入集体自尊后对工作投入有较好的预测作用。此外，核心自我评价能够显著预测学习投入各维度，对于奉献维度预测力最佳，解释量为11.6%，表明核心自我评价越高，能够对学习强烈的卷入，肯定学习意义，对学习抱有强烈的热情。
核心自我评价能够显著预测学习倦怠25.8%的变异量，说明核心自我评价是学习倦怠较好的预测指标，这已经被许多研究证实：孙小晗、李永鑫(2010)研究表明 [16] ：核心自我评价与工作倦怠的三个回归方程都达到极其显著的程度；张翔、赵燕(2010)对企业员工进行问卷调查结果显示核心自我评价对工作倦怠存在着稳定和较高的预测作用 [17] ；张丽、赵凯(2007)研究表明基层民警的核心自我评价能力是职业倦怠的重要相关影响因素 [18] ；曾红等(2010)对内蒙古大学生研究表明核心自我评价可以显著预测学习倦怠总分和各维度得分 [19] ；马利军、黎建斌(2009)发现学业倦怠在核心自我评价与厌学情绪、厌学行为中存在中介作用 [20] 。可见，无论对于工作倦怠还是学习倦怠来说，核心自我评价都是一个较好的人格因素的预测指标。此外，核心自我评价能够显著预测学习倦怠各维度，对于情绪低落预测力最佳，解释量为21.0%，也就是说核心自我评价越低，高职生对所学专业或所上的课越不感兴趣，在情绪上就会更多的感到疲乏、沮丧和挫折，并对学习产生强烈的排斥心理，从而表现出无精打采和低落情绪。
通过对高、低核心自我评价组的学习倦怠、学习投入状况比较发现：核心自我评价越高者，其学习倦怠越低、学习投入得分越高，这进一步证明核心自我评价作为学习倦怠、学习投入的重要人格预测因子，也说明核心自我评价对于高职生这一群体也具备普适性。
学习倦怠能够显著预测学习投入23.3%的变异量，说明学习倦怠可以显著负向预测学习投入，学习倦怠是影响学习投入的重要因素，很多研究表明当个体认为无法控制或适应环境(低自成就感)时，容易出现倦怠现象 [21] 。高职生在学习上的倦怠会直接对学生的生理、情绪、认知和行为产生消极影响，明显的表现就是学习上的不投入。段陆生等(2007)在以往关于倦怠和承诺可以预测投入的基础上证明：学习倦怠对学习投入有极显著的负向预测作用 [22] ；张智等(2009)认为 [23] ：学习倦怠与学习投入呈显著负相关，多元回归分析表明，学习倦怠中的低成就感、讥诮和耗竭因子对学习投入有显著的负向预测作用，也证明了学习倦怠是学习投入的重要预测因子。段陆生、李永鑫(2008)对在校学生调查显示 [24] ：学习倦怠的3个维度和专业承诺的两个维度对学习投入具有显著的预测作用，此外，谢军辉(2009) [25] 、祝蓓蕾、徐光兴(2006) [26] 也得出类似结论。
4.2. 学习倦怠在核心自我评价与学习投入间的中介影响
中介效应表明：学习倦怠在核心自我评价与学习投入间起部分中介作用，中介效应占总效应的51.2%，中介效应与直接效应比重相近，说明核心自我评价对于学习投入有一半是通过学习倦怠起作用的，而且由于学习倦怠这一变量的添加，使得核心自我评价与学习倦怠能够共同预测学习投入24.2%的变异量，远高于核心自我评价单独对于学习投入的预测，这可以通过核心自我评价的动机机制来解释 [27] 。
对于核心自我评价—学习投入这一直接效应，可以认为：核心自我评价高的个体，有更多的积极情感体验，能够对学习强烈的卷入，肯定学习意义，对学习抱有强烈的热情，能够以积极的情感状态全身心的投入学习中，学习投入度较高，核心自我评价越高，这与以往研究相一致 [14] 。
对于核心自我评价通过学习倦怠预测学习投入这一间接效应的解释如下：无论获得消极反馈还是积极反馈，核心自我评价较高的个体都对目标坚守承诺，总是有较强的上进心；核心自我评价较低的个体在得知自己表现得不好时做出消极反应 (Bono & Colbert, 2005) [28] 。这表明，对任务反馈的评价影响着个体在任务中的努力程度(即动机维持)，而对反馈的评价不仅受到任务难度、成败等客观信息的影响，更受到对自己能力评价的影响。拥有高核心自我评价的人认为自己有能力控制和解决困难，因此对任务反馈有更积极、正确的评价，有助于防止学习动机的缺失，以便维持学习的积极性，减少学习中的倦怠情绪，进而加大学习投入 [27] 。
Judge和Larsen (2001)也认为 [29] ，持有积极自我观念的个体倾向于追求趋向成功的目标， 而具有消极自我概念的个体倾向于追求回避或保护性的目标。高核心自我评价个体认为自己有更好的能力, 且在实际的任务中设置与自己能力水平相适应的目标，因而产生更高水平的任务动机并获得更高的任务成绩， 产生积极的趋向目标和更高的趋向成功动机，从而获得更高的学习满意度和学习成就，学生对学习有兴趣，产生学习动力，那么逃避学习的行为就会很少，这会使其很少出现学习倦怠心理，就会对学习产生持久的、积极的、完满的情感和认知状态，进而使得学习投入程度很高。
此外，工作投入是从工作倦怠中引申出的概念，也就是作为工作倦怠的结果变量而引申出来的，而应用于学生群体的学习倦怠和学习投入是从工作中引申出的，也可以说学习投入是学习倦怠的结果变量，从这方面也可以看出学习倦怠影响学习投入。
5. 结论与建议
5.1. 研究结论
1) 核心自我评价、学习倦怠、学习投入三者呈线性密切关系。其中核心自我评价越高，其学习倦怠越低；核心自我评价越高，其学习投入越高；学习倦怠越高，其学习投入越低。
2) 核心自我评价对于学习投入的影响通过两条途径：其一，核心自我评价直接影响学习投入；其二，核心自我评价先作用于学习倦怠，再通过学习倦怠的中介作用间接影响学习投入。
5.2. 对策建议
研究的最终目的要归于实践，如何提升高职生学习投入度，可以通过如下途径：
1) 提升高职生的核心自我评价能力
高职生核心自我评价会促进学习投入程度，由于自尊到高职阶段已经基本稳定，可以提升高职生自我效能感，家长和老师多创造成功的体验；此外，可以提升高职生的情绪稳定性，开设一些教授情绪管理的课程，协助学生掌握一些情绪调整的方法如环境调节法、宣泄情绪法、注意力转移法等 [30] 。此外还可以教授一些学生如何处理好心理内归因方法和心理外归因的方法，比如对于自卑的人，核心自我评价比较低，遇事情可以采用心理外归因，提升其自我评价能力。
2) 减缓高职生学习倦怠情绪
可以针对不同层次高职生进行分层管理，对于中、高、低倦怠者进行不同处理。此外，可以优化学习环境，激发高职生的学习兴趣。还要合理设定目标，创设成功体验。此外，在入学之前可以进行霍兰德职业测评，了解自己适合什么职业 [31] 。