學習分析視角下的學習者交互研究*

☆ 李 丹 李嘉偉 張徐昕 湯 優

（浙江師范大學教師教育學院，浙江金華 321004）

學習分析視角下的學習者交互研究*

☆ 李 丹 李嘉偉 張徐昕 湯 優

（浙江師范大學教師教育學院，浙江金華 321004）

當前在線學習已經成為高校教學的主流形式，而且隨著學習分析和大數據技術的產生，也使得教育者更加關注在線平臺中的學習交互效果，以期規劃出更好的學習路徑方法。本文為了研究學習者在網絡學習中的交互行為，以開展的某一門課程為例，選取了國內高校使用較多的Moodle平臺為數據采集源，運用社會網絡分析法對參與本次課程的學習者在討論區產生的數據進行分析研究，了解學習者在學習過程中的分布情況，從而提供更好的在線學習策略以提高學習效率。

學習分析；Moodle平臺；社會網絡分析；學習者交互

一、引言

隨著信息化的發展，混合學習的形式已在各個高校中實行，所以在線學習也成了當下不可或缺的一種學習方式。這種新型學習方式的產生，給學習者提供了大量豐富而又便捷的學習機會和資源，更加體現出其自主性和個性化。雖然在線學習具有明顯的優勢，但因為強調的是自主化學習，學習者不同的性格及學習風格也會導致不一樣的學習效果和活躍度。不少教育者也針對這一現象做出了研究，嘗試著將教育大數據和學習分析技術運用于在線平臺，對學習者所產生的龐大的數據進行研究，其目的是分析學習者的學習行為、改善在線教育中的教學質量、提高學習者的學習效率。在當下的高校教學中已有不少研究者開發了各式各樣的在線平臺，比如Blackboard、學習元、Moodle平臺等等，而使用較為廣泛的教學平臺當屬Moodle平臺，越來越多的高校將其運用于課堂教學當中。平臺被廣泛使用，有其交互方便、資源上傳便捷的優勢；但同時也存在無法給學習者提供個性化學習、學習效果不理想的不足，所以本文通過運用社會網絡分析這一種研究方法，對平臺中的學習者所產生的學習數據進行研究，來分析探究在Moodle平臺上學習者各自之間的學習特征、學習風格和分布情況，從全局了解學習者之間的關系，從而改善教學效果，提高教學質量。

二、學習分析

美國的高等教育信息化協會第一次提出學習分析并將其定義為：使用數據和模型預測學生收獲和行為具備處理這些信息的能力。[1]在這之后，2011年第一屆學習分析與知識國際會議上又對學習分析做了新的定義，將其定義為：測量、搜集、分析和報告關于學習者及其學習情境的數據，以期了解和優化學習及學習發生的情境。[2]學習分析在教育中大部分是指分析學習者留下的學習數據，分析對象是學習者或者學習的情境，分析的基礎是基于學習者在學習過程中所產生的大量數據，分析的目的是分析學習者的學習特征，找出其規律，對學習路徑進行評估和預測，為接下來的學習提供個性化的支持，以此來優化學習過程和學習情境。

三、社會網絡分析

網絡是指各種關聯，社會網絡是社會關系所構成的結構，社會網絡分析（Social Network Analysis,SNA）則是通過研究網絡關系，將個體間的關系、“微觀”網絡與大規模的社會系統的“宏觀”結構結合起來，對社會網絡中的行為者和行為者之間的關系或者聯系進行量化研究的一種分析方法。[3]因為教育活動的社會屬性，因此也有較多的研究者利用社會網絡分析對教育活動進行研究，主要是從宏觀、中觀和微觀三個層次展開，從宏觀的角度就是對社會網絡做一個整體的結構分析，中觀角度就是對社會網絡的內部子結構進行分析，從微觀角度就是對參與教育活動的學習者的中心性和聲望分析。社會網絡分析能夠有效地發現參與移動學習的學習者之間的關系圖式，因其獨特的優勢使得近些年來成為一種較為普遍的研究方法，它主要是用于研究社會進程和問題，也是教育領域中的一種重要研究方法。

目前，較常用的社會網絡分析軟件主要有Ucinet、NetDraw、NetMiner、Pajek。社會網絡分析軟件在分析完數據之后有強大的可視化功能，能夠幫助研究者做出直觀的分析，所以這也使得愈來愈多的教育者使用這些軟件。

四、數據的選取與分析方法

（一）數據的選取與處理

本次研究主要選取的是在Moodle平臺上開展的教育技術學研究生一年級的專業課《電子化學習課程專題》，研究對象是參與本次課程學習的23名學習者，研究的樣本就是學習者在討論區留下的數據，對此開展了為期一學期的實驗觀察和研究。本門課程所采用的教學方式是混合學習的形式，包括課前的在線學習和每周一次的課堂教學，共分為6個小組，在線學習就是每個匯報小組于課前一周將所需的材料上傳到平臺供其他小組成員學習，并完成相應的課前作業及相互討論；課堂教學由每個匯報小組匯報準備的材料，其他小組進行點評提問。之所以選擇平臺上的討論區作為研究數據的來源，是因為學習者對于問題的補充、交流討論幾乎都是在討論區中進行的，具有全面性。

在本次研究中網絡節點是由參與本次課程學習的23名學生（在本文中以1-23序列號來代替各學生的名字）構成，學習者之間的交互主要表現在討論區中發表的帖子及其對他人帖子的回復。在整個班級的社會網絡關系中，矩陣的行與列分別代表參加討論區討論的學生，矩陣值代表回帖的次數。23名學習者分別用1-23數字表示，通過整理、記錄平臺數據，得到了一個23*23的成員交互共現矩陣表（如表1）。對于本次數據使用Ucinet軟件對構建的矩陣進行分析，繪制的網絡關系如圖1所示。

表1 學生交互次數共現矩陣表

圖1 學生交互網絡關系圖

網絡關系圖又可稱為網絡密度分析圖，節點上的數值就是代表各個學生的序號。密度分析圖就是成員之間的交流緊密程度，如果成員間交互的越多，該網絡的密度就越大，節點之間的連接線就越多。由圖1可以很清晰地看出，在整個網絡圖中與其他人交流越密切，所處的位置越靠近中心，發表的評論或者與其他人交流較少的學生則分布在四周。

（二）數據分析

1.中心性分析

中心性分析主要是發現在參與者中處于中間勢力的行動者。處于中心地位的行動者也就是擁有最多話語權的學員，能夠掌握話題的討論趨向且更易于影響其他成員。在對于數據進行中心性分析時主要的衡量指標有度數中心性、中間中心性和接近中心性。

（1）度數中心度。它是指在被分析的數據中處于中心位置的連接點，這一連接點與其他各點間有著很多的直接關系。[4]在成員交互次數網絡，某一學習者交互次數的度數中心度就是與該學習者直接產生聯系的其他學習者交互的個數，所以對于某一學習者而言，交互次數的度數中心度很高，也就意味著該學習者在學習交互中居于中心位置，即為在本次課程討論中的中心人物。

表2 度數中心度結果表

分析的結果如表2所示。從分析的結果中可以看出，學生編號為1的學生的度數中心度最高，說明在本次討論中趨向于核心話語者。在23個學習者中，出度（OutDegree）在10位以上的有3位，也就是指這3位學習者至少回復了班級里50%的學生，回復頻率最高的是1號，其次是2號和7號，也說明了他們是社群討論區中的主要參與者。總體來看，本次課程回復的頻率相對較高。在入度（InDegree）中，3號入度值達到最高，有11次，1號有10次，4號達到了9次，這也表明了在討論中這3名學生作為意見領袖的代表，能夠引導話題討論的方向。就本節課的總體情況來看，成員間的整體參與度較高。

（2）中間中心度。中間中心度測量的是行動者對資源的控制程度，如果一個點是處于許多其他點對的最短路徑上，就可以稱該點具有較高的中間中心度[5]。中間中心度和度數中心度之間沒有絕對的連接關系，就比如當一個學習者的度數中心度相對較低的時候，他可能沒有核心的話語權，但是他在其他兩個聯系者之間的點上，在其中起著一個中介連接的作用，他的中間中心度則可能會比較高。在本節課的討論區當中，中間中心度較高的學習者能夠更及時、更便捷地獲取到多樣化、重要的信息和資源。

分析結果如表3所示。從結果表中可以看出，4號學習者有著較高的中間中心度，8號和2號中間中心度次之，說明他們在社群中擔任重要的“中介”角色。而整個網絡的中間中心勢為0.1892，中間中心度最高值達到115.152，說明在整個網絡中有部分學習者需要其他學習者作為“中介”，才能夠進行溝通。

表3 中間中心度結果表

2.凝聚子群分析

凝聚子群（Cohesive Subgroups）是一個行動者的子集合，在這個集合中的行動者之間具有相對較為緊密、積極的關系。在社會網絡分析中，可以運用不同的網絡屬性對群體進行量化處理，凝聚子群有著多種形式化的定義，具體的可以劃分為派系、K-叢、K-核、成分、塊等。[6]本文中的社會網絡是通過Moodle平臺上學習者之間在討論區的交流互動產生，因此，利用SNA中派系分析來對凝聚子群進行研究。在對網絡進行派系分析之后，分析的結果如表4所示。

表4 凝聚子群分析結果表

通過對本文數據進行凝聚子群分析并由上表可以看出，該網絡中共存在31個派系，原有學生共23名，說明在這些派系中有重疊成員。1號重疊的次數最多高達12次，其次是7號存在于9個派系中，2號、3號和15號也有8次重疊次數，都比較高。由此可以說明這些學習者在學習討論時都比較活躍，與很多學生都產生過互動，產生各個交流派系。22號學習者不隸屬于任何派系，說明這位學生很少參與到班級交流討論中，是較為孤立的學習者。從整個班級參與情況來看，大部分學生較為頻繁地參與了Moodle平臺課程的學習討論，并能夠與其他學習者建立良好的聯系，班級的整體參與度都比較高。

基于ucinet軟件對在Moodle平臺上開展的“電子化學習課程專題”課程進行社會網絡化分析發現，班級整體學生的互動交流頻繁,學生之間互動性較好，聯系較多，基本都能夠參與到專題討論中。

五、結束語

本研究通過社會網絡分析法對Moodle平臺參與的學習者進行學習路徑分析，了解到在學習過程中哪些學生是處于較為活躍的位置，哪些學習者較為孤僻很少與其他學習者產生交互，由此可以根據這些情況對較少參與到課程學習的學習者進行鼓勵和支持。教師也可以根據這些信息及時形成相應的教學評價，改進教學策略，提供更多的教學幫助，更好地做到個性化支持。

[1]吳永和,陳丹,馬曉玲,曹盼,馮翔,祝智庭.學習分析:教育信息化的新浪潮[J].遠程教育雜志,2013,(04):11-19.

[2]SIEMENS G,LONG P.Penetrating the fog:Analytics in learn?ing and education[J].Educause Review,2011,46(05):30-32.

[3]張玉峰,王志芳.基于內容相似性的論壇用戶社會網絡挖掘[J].情報雜志，2010,(08):125-130.

[4][5]張靜.基于Ucinet共現分析的協同度評價[J].廣西科技師范學院學報,2016,(04):149-151,156.

[6]劉軍.整體網絡分析講義—Ucinet軟件使用指南[M].上海:格致出版社,2009.

[7]王良周,于衛紅.大數據視角下的學習分析綜述[J].中國遠程教育,2015,(03):31-37.

[8]王陸.典型的社會網絡分析軟件工具及分析方法[J].中國電化教育,2009,(04):95-100.

[9]皇甫青紅,劉艷華,丁軍艷.國際社會網絡分析領域作者共被引網絡結構研究[J].情報雜志,2013,(05):121-126,201.

[10]佘航,平萍,周清清.Moodle平臺學習者交互行為的社會網絡分析[J].軟件導刊,2016,(09):74-76.

[編輯：鄭方林]

G434

A

1671-7503（2017）09-0020-04

浙江師范大學教育學一級學科基地研究生創新課題研究項目（JXYSSS2015007）。