智慧學習環境下的社會化學習支持服務*

鄭婭峰 包昊罡 李艷燕

?

智慧學習環境下的社會化學習支持服務*

鄭婭峰1,2包昊罡1李艷燕1[通訊作者]

（1．北京師范大學知識工程研究中心，北京 100875；2．河南財經政法大學計算機與信息工程學院，河南鄭州 450002）

以集體智慧為特征的社會化學習是智慧學習環境的重要學習形式。文章闡述了社會化學習的發展、理論基礎及其主要技術支持。為了對社會化學習進行有效支持，文章通過對社會化學習信息的有效采集與歸類，構建了社會化屬性信息模型，并從六個維度刻畫社會化特征，有效解決了智慧學習環境中社會化屬性信息的分類與描述問題?；谠撃Ｐ停恼略O計了社會化學習支持服務框架及其服務機制工作流程，為智慧學習環境下社會化學習支持服務的研究提出了新的解決途徑。

社會化學習；支持服務；推薦機制；智慧學習環境

引言

智慧學習環境是將新一代信息技術全面融入學習環境中的高級形態，是普通數字化學習環境的高端形態，是教育技術發展的必然結果[1]。智慧學習環境中的學習不僅發生在課堂，也發生在人們存在的社會空間中。伴隨以Web 2.0技術為支撐的社交網站的發展，人們的學習范圍超出傳統學校的范圍而擴展到更大的時空中。社會化空間與學習空間深度融合，社會化學習方式日益得到重視，如英國MOOC平臺FutureLearn已將社交互動作為其平臺學習體驗中最核心的內容[2]，而國內知名的知乎、豆瓣、滬江等網站也進行了社會化學習的有益嘗試。在這些平臺中，學習者可以與虛擬導師、學習同伴、校外專家及社會網絡同伴靈活溝通，從而使通過社會交往達到更高層次認知目標的社會化學習成為一種重要的學習方式。

社會化學習以集體智慧為核心特征，通過社會關聯技術，將眾多的資源、觀點與人、社會關系融合在一起，共同構建智慧學習環境。然而，傳統的學習支持服務并不能直接照搬到社會化學習環境中，主要原因在于：一方面，由于學習者在多個不同維度的空間進行學習，僅僅從一個學習空間得到的數據不能全面反映學習者的學習情況，因而針對學習者的個性化學習也就無法有效展開；另一方面，社會化學習呈現“強交互、碎片化、淺閱讀”的特征，傳統的學習支持服務不能將碎片化的知識基于用戶興趣進行有效聚集，也不能引導學習者將淺度閱讀的學習方式轉變為深度閱讀的學習方式，因此無法實現智慧學習環境中學習方式更關注高階認知的目標?；诖耍斜匾弥腔蹖W習環境中豐富的社交關系，對學習資源、學習者和學習過程進行更加深入的研究和組織，為進行社會化學習的學習者提供新的、有效的學習支持服務，以達成更高的學習目標。但從目前國內外文獻來看，研究者相關這一領域的成果還相對較少。

一智慧學習環境與社會化學習

1 社會化學習的理論基礎

社會化學習有廣義概念與狹義概念之分[3]——廣義的社會化學習是指任何根植于社會、產生于交往之中的學習；狹義的社會化學習特指在互聯網進入Web 2.0時代后，人們借助Web 2.0技術進行的網絡學習。廣義的社會化學習的理論基礎是社會學習理論、社會建構主義理論及學習共同體理論——社會學習理論由美國當代著名心理學家班杜拉提出，認為人的行為由認知、行為、社會環境三方面互相作用，強調社會因素對于學習的重要性[4]；前蘇聯心理學家維果斯基提出的社會建構主義理論同樣強調社會文化因素在人類認知功能的發展中起著核心作用，認為知識是在與他人不斷協商的過程中進行調整和修正，并受當時文化與社會的影響建構而成[5]；學習共同體理論由美國教育家約翰·杜威提出，他認為“學校即社會”、“教育即生活經歷，而學校即社會生活的一種形式[6]。狹義的社會化學習的理論基礎是加拿大學者喬治·西蒙斯提出的聯通主義學習理論[7]，這是一種面向網絡時代的非常有影響力的學習理論。

概而言之，社會化學習是一種學習方式，是個體通過與環境中的其他個體或群體進行相互作用，來獲得行為、有關事件之間的關系的認識以及進行某種活動的知識經驗等的學習方式。社會化學習的相關理論揭示了社會交互對于學習的意義，強調個人認知和外界環境相互作用的影響，具有跨時代的意義。該理論的推出，促使教育者開始關注學生參與社區活動并通過與社區中的成員進行交互學習的重要性，由此實施各種以該理念為基礎的教學實踐。

2 智慧學習環境下社會化學習新特征

伴隨著技術對社會、生活、學習等各方面的滲透，人類的認知水平、學習方式已發生巨大改變。相應的，在技術極大豐富的智慧學習環境中，傳統社會學習理論中的社會交互已經被新的更廣闊的社會交往所取代。在這樣的背景下，社會化學習呈現出新的特征并不斷得以深化。

①在信息的流向上，社會化學習中的信息流向具有更廣泛的基于群體的無序擴散性。在智慧學習環境中，知識的內化發生在學習者與學習者、學習者與指導者的交互過程中。在這個場景中的社會化學習不存在信息服務的主體和客體，因為每個人既是服務的發布者，亦是服務的提供者，而技術對社會化學習的支持使得信息可以雙向流動。

②在學習資源的表征與組織上，社會化學習更加注重資源的社會化屬性。在傳統的學習方式中，學習資源在資源庫中按照某種組織結構預設好，資源處于學習的中心，預設的資源成為了知識探究的出發點。而在注重社交關系的社會化學習中，學習者和學習同伴產生的內容成為了學習和互動的中心，學習同伴提供的資源擴大了知識的界限，使學習成為對社會化網絡信息的遍歷和重構，并通過學習社區內不同認知的交互而形成新的知識。

③在學習對象的組織上，社會化學習所依賴的環境是基于學習興趣而形成的社區，學習者通過點關注、加好友等社交關系建立興趣小組。這里不存在教師或學習者的身份，不同背景、年齡、專業水平的人員聚集在一起，每個人提出的問題都可以得到來自社區中不同類型用戶從各個角度的回應或分析——這些不同類型的用戶構成了社會化學習中多元的社會關系。

二社會化學習分析

社會化學習支持服務注重對智慧學習環境下更復雜的社交關系、資源以及信息流向進行充分挖掘，以能為社會化學習者提供更好的支持，而這需要社會化學習分析技術的支持。社會化學習分析技術正處于初始階段，國內外相關此技術的研究還相對較少。Ferguson等[8]認為，社會化學習分析是學習分析技術的一個子集，可將社會化學習分析歸為社會網絡分析、話語分析、內容分析、語境分析、傾向分析等5類。依據智慧學習環境下社會化學習的新特征，本研究提出將社會化學習分析分為以下三類：

1 社會化學習關系分析

社會化學習關系分析主要關注學習者與學習社群中其他成員之間的交互關系，這些交互關系將個體之間的交互連接（如交互頻率、直接或非直接的連接等）劃分為強關系和弱關系兩種。社會化學習關系分析還關注個體在社會化學習環境和群體中的地位，幫助學習者理解如何發展并維護他們的關系以支持社會化學習，如判斷學習者是位于學習社群的中心位置還是邊緣位置，識別意見領袖者或離群學習者等。社會化學習關系分析基于一些社會網絡分析的工具進行，比較著名的工具有SNAPP[9]和Gephi[10]——SNAPP能夠收集在線學習論壇中學生討論的交互信息，進行自我中心社會網絡分析、小團體分析、中心性分析等社會網絡分析，并以可視化的關系網絡圖呈現；Gephi是一款基于JVM的開源復雜網絡分析軟件，主要用于各種網絡和復雜系統，是一種動態交互可視化與探測開源工具。

2 社會化學習內容分析

社會化學習內容分析包含對社會化學習環境中涉及學習者、學習過程、學習資源以及學習者學習反饋等各種類型信息的收集和分析，它通過基于人與人、人與資源之間的關系識別資源之間的關聯，從而對這些信息建立篩選機制、進行有效的信息關聯和信息檢索。Apache Tika[11]是一款通用的內容分析工具，能基本解析文件的所有常見格式，得到文件的Metadata、Content等內容，并返回格式化信息。國內比較著名的一款內容分析工具是ROST內容挖掘工具[12]，可以支持對文本信息的處理，也可以支持詞頻統計、共現分析、語義網絡、社會網絡等分析方法，并能將結果導出到SPSS、MatLab等軟件做進一步的分析。

3 社會化學習情景分析

情景分析是指一個應用或服務支持系統能夠理解當前用戶的狀況，從而改變該應用或服務支持系統的運行以適應實際情況，提供高質量且個性化的用戶體驗。社會化學習可以發生在任何時間、任何場景，而目前大量的情景感知研究主要考慮的是簡單情景（如位置、時間等）。但在社會化學習中存在大量的復雜情景信息，因此社會化學習情景分析主要為學習者提供適合他們狀態的、時間允許的、他們的設備能夠接入的情景，以滿足他們當前的角色需求，并為未來目標的實現提供支持。典型的情景分析工具有Loco-Analyst[13]，它重點關注行為跟蹤，可分析學生參與的各活動、學生在線課程中內容的使用情況、虛擬學習環境中學生基于情境的社會互動等，用以幫助教師跟蹤并分析在線學習環境中的學習過程，進而改進網絡課程的內容和結構。

三社會化屬性信息的建模

網絡學習中的社會化屬性同現實世界一樣存在多樣性、復雜性的特點，如何有效收集這些繁雜的用戶數據、歸類不同屬性、提煉測量指標，進而建立社會化屬性信息模型，是社會化學習支持服務的關鍵環節。目前，大多數的社會化屬性研究只關注到了單一的社會屬性指標，如采用好友和成員關系指標[14]或采用信任指標[15]。這些研究都給出了在特定環境下運用社會化屬性的研究實踐，但沒有深入研究社會化屬性的分類并加以綜合運用。本研究通過對社會化學習空間進行數據分析、對社會化學習信息進行有效采集與歸類，從六個維度量化社會化屬性指標，建立了社會化屬性信息模型，如圖1所示。

圖1 社會化屬性信息模型

該模型具有典型的金字塔結構特征。社會化學習支持服務最根本的目標，就是利用社會屬性形成“用戶—用戶”關系網絡和“用戶—資源”關系網絡，因此，該模型的最上層反映了學習者與學習者的社會關系以及學習者與資源的關系。在不同的主題下，“用戶—用戶—資源”關系網呈現出不同的特征，因此被分割成多個子網絡。這些不同主題關系網絡的形成，依賴學習者與學習者之間顯性和隱形關系的挖掘，進而依據不同的度量指標進行計算。

本研究提出了六個相關指標，分別為：①影響力，即社會影響力，是指學習者發表的觀點能夠促使網絡中其他人改變態度和行為的能力。影響力高的學習者較易成為社會化網絡的中心人物，從而對他人的閱讀行為和學習活動產生影響。②親密度，是衡量學習者和其好友互動熱度的指標，包括個人資料的交集（共同好友、共現圈子）、互訪行為（訪問好友空間次數、轉發行為）、共同參與（對共同的主題評論、回復）等因素。③意愿，用來表征一個用戶愿意幫助他人的積極性，因為有能力但無意愿的人不能在支持服務中起到較好的作用。④專業度，是測量用戶在特定主題的專業知識能力的指標，用以在特定主題下對用戶的專業程度評分。⑤活躍度，用來衡量學習者參與社會活動的積極性，活躍度高的學習者通常會在社交網絡中占據中心位置。⑥關聯度，是表述用戶興趣相似度的指標，如兩人對共同評論的教學視頻、書籍等評分具有一致性，則他們對同一話題的評論就具有相似性。上述六個指標反映了社會關系中不同維度的學習關系，在不同的應用場景中，可以根據需求的不同，靈活抽取不同的指標或指標組合進行權重計算，形成可信關系的度量值。

該模型金字塔結構的最底層是數據采集的分類內容，旨在通過對用戶活動進行細致分析，使系統能夠獲取并直接記錄社會化屬性信息。這些屬性信息被分為學習者的社群歸屬信息、學習行為信息、社會交往信息、社交文本信息等四大類，并作為源數據支持上層多維指標的構建。

四社會化學習支持服務的設計

智慧教育環境中的社會化學習服務是對學習者個性化學習的更進一步支持，其目標是通過對學習者及其社會化學習情景進行感知，提供多維度、個性化、可視化的學習支持。為了實現社會化學習的有效支持服務，本研究提出了社會化學習支持服務框架，并給出了詳細的功能描述。更進一步地，本研究基于該框架設計了可供實際實施的服務機制工作流程。

1 社會化學習支持服務框架

基于社會化屬性信息模型，本研究構建了社會化學習支持服務框架，如圖2所示。該框架包含3個層次，自下而上分別為數據層、核心業務層、用戶層。

圖2 社會化學習支持服務框架

（1）數據層

數據層作為重要的資源存儲層，位于整個框架的最底層。這些底層數據來自不同的自治系統，具有結構化、半結構化、非結構化等形態各異的數據形式，其數據資源分別被存儲于記錄學生學習信息的歷史信息數據庫、社會網絡關系數據庫、用戶資源關系數據庫等之中。為達到系統統一使用的目的，需要為這些數據分別提供對應的數據處理引擎：①文本數據處理引擎，主要功能是將來自社交化網站的用戶文本信息進行關鍵詞提取、關鍵詞關聯分析及關鍵問題表征等操作；②關系處理引擎，主要對應社會關系網絡數據，其任務是能夠提供一種通用的數據表達方法，將社會網絡多元的社會關系進行有效的處理、提取、表征；③數據查詢引擎，主要用于關系數據庫中內容的查詢與處理，提供基本的數據查詢和索引功能。

（2）核心業務層

核心業務層主要包含社會關系因子抽取模塊、核心指標聚合模塊、可信用戶集合模塊和Top-N用戶—資源網絡模塊等四大模塊。社會關系因子抽取模塊主要從數據存儲層收集所需數據，剔除冗余及無用的數據，抽取社會屬性信息，并使用標準數據封裝結構構建統一的數據處理訪問接口。核心指標聚合模塊主要完成構建社會化情景信息模型，并通過情景聚合的方法，將分散的社會因子信息集成為基于預定義情景結構的標準形式，經過計算聚合為反映學習者交互關系的六個指標。依據不同的應用需求，六個指標被進行賦權，生成學習者可信用戶集合?；谠摷蠈τ脩糍Y源數據庫進行檢索，最終構建Top-N用戶—資源網絡關系集合。該關系集合明確了學習者與資源的關系，形成了“用戶—用戶”、“用戶—資源”的復雜關系網絡。在該網絡上，設計一個可被用戶層調用的支持服務引擎，以提供一種智能決策機制來判斷用戶的請求，并依據學習者的需求提供個性化服務。

（3）用戶層

用戶層是框架的最高層，也是與最終用戶交互的界面層。該層直接與最終用戶通訊，它不僅處理用戶的請求，也提供多形態的可視化展示。

2 社會化學習支持服務機制工作流程

社會化學習支持服務的最終目標，是通過對散布廣泛的社會化平臺中的學習者行為數據進行收集、處理、分析、聚合，對學習者學習情景中的社會屬性進行數據挖掘和建模，從而最終為學習者提供各自所需的學習資源和為學習同伴自動推薦多樣且有效的學習支持服務。同時，社會化學習推薦服務可以從更智能、更廣泛的角度理解資源與學習者的關系，提供由淺層資源向深層資源推進的按需推送，實現對學習社群、學習同伴、領域專家的有效推薦。

社會化學習支持服務機制工作流程如圖3所示。首先，用戶經由手持終端設備、電腦等設備無縫接入智慧學習空間，支持服務迅速感知用戶的存在并開始記錄用戶的學習行為。用戶行為收集模塊跟蹤并收集學生的行為，將學習過程數據經預處理后送入社會化關系抽取引擎。該引擎從用戶數據庫中抽取學習者的基本信息和行為信息并進行匯總，通過整理統計、關聯分析和信息挖掘，獲得學習者基于社交關系的用戶個性化數據，放入社會關系數據庫進行存儲。同時，啟動社會化網站聚合引擎，將社交關系與學習者、資源進行整合，形成用戶—資源社會化網絡?；谠摼W絡，用戶行為處理引擎抽取用戶感興趣的社會化資源和學習同伴，并按最優順序形成資源列表和伙伴列表。推薦內容整合引擎整合這些最優資源并推送給學習者，為學習者提供個性化的學習服務。

圖3 社會化學習支持服務機制工作流程

五總結與展望

本研究總結了社會化學習的理論基礎及分析方法，提出了社會化屬性信息模型，對該模型包含的六大指標進行了詳細描述，并提出利用該模型支持社會化學習服務的新思路。本研究還構建了社會化學習支持服務框架，并設計了其機制工作流程。本研究有效解決了智慧學習環境中社會化屬性信息的分類描述與表征問題，為社會化學習支持服務提出了新的解決途徑。

[1]黃榮懷,楊俊鋒,胡永斌.從數字學習環境到智慧學習環境——學習環境的變革與趨勢[J].開放教育研究,2012,(1):75-84.

[2]包正委,洪明.英國MOOC平臺:FutureLearn創建原因與主要特點探析[J].中國遠程教育,2014,(6):65-68.

[3]崔連斌,胡麗.迎接社會化學習[J].培訓,2011,(6):28-38.

[4]高申春.人性輝煌之路:班杜拉的社會學習理論[M].武漢:湖北教育出版社,2000:45-50.

[5]馬秀芳,李克東.皮亞杰與維果斯基知識建構觀的比較[J].中國電化教育,2004,(1):20-23.

[6](美)約翰·杜威著.王承緒譯.民主主義與教育[M].北京:人民教育出版社,2001:30-43.

[7]王志軍,陳麗.聯通主義學習理論及其最新進展[J].開放教育研究,2014,(5):11-28.

[8]Ferguson R, Shum S B. Social learning analytics: Five approaches[A]. Shum S B, Gasevic D, Ferguson R. Proceedings of the 2nd international conference on learning analytics and knowledge[C]. New York: ACM, 2012:23-33.

[9]Dawson S, Bakharia A, Heathcote E. SNAPP: Realising the affordances of real-time SNA within networked learning environments[A]. Lone D H, Vivien H, Chris J, et al. Seventh international conference on networked learning 2010[C]. Aalborg: Aalborg University, 2010:125-133.

[10]Jacomy M, Bastian M, Heymann S. Gephi: An open source software for exploring and manipulating networks[J]. International Conference on Weblogs & Social Media, 2009,(8):361-362.

[11]Mattmann C, Zitting J. Tika in action[M]. Greenwich: Manning Publications Co., 2011:1-23.

[12]沈陽,傅惠鵑,劉朋朋,等.虛擬學習團隊實證化研究[J].圖書情報知識,2009,(6):103-107.

[13]Ali L, Asadi M, Gasevic D, et al. Factors influencing beliefs for adoption of a learning analytics tool: An empirical study[J]. Computers & Education, 2013,(4):130-148.

[14]Ma H, Zhou T C, Lyu M R, et al. Improving recommender systems by incorporating social contextual information[J]. Acm Transactions on Information Systems, 2011,(2):219-230.

[15]Jamali M, Ester M. TrustWalker: A random walk model for combining trust-based and item-based recommendation [A]. Elder J, Fogelman F S. ACM SIGKDD international conference on knowledge discovery and data mining[C]. New York: ACM, 2009:397-406.

編輯：小米

Research on Social Learning Support Services in Smart Learning Environment

ZHENG Ya-feng1,2BAO Hao-gang1LI Yan-yan1[Corresponding Author]

Social learning characterized by collective intelligence has become an important learning format of smart learning environment. This article elaborated the development, theoretical basis and main technical support of social learning. In order to support the social learning effectively, this article constructed a “social attribute information” model through effective collection and classification of social learning information. This article also described the social feature of this mode from six dimensions, which sovled the classification and description problems of social attribute information in smart learning environment. Based on this model, the supporting service framework and the work procedure of this service mechanism for social learning were designed, providing a new way for social learning support services in smart learning environment.

social learning; support service; recommendation mechanism; smart learning environment

G40-057

A

1009—8097（2016）09—0025—07

10.3969/j.issn.1009-8097.2016.09.004

本文受北京市共建項目“面向學科領域的教育資源智能搜索關鍵技術研究”（項目編號：BJ20141017）資助。

鄭婭峰，河南財經政法大學副教授，北京師范大學在讀博士，研究方向為個性化學習、智慧學習環境下的學習支持服務、教育資源聚合，郵箱為zlzyf@126.com。

2016年3月14日