在線協作討論中社交關系分析及可視化呈現研究

鄭婭峰 趙亞寧 王雯

摘? ?要：在線協作討論中社交關系對知識建構的過程和質量具有重要的影響作用。文章從交互密集性、交互凝聚性、交互中心性、交互均衡性四個維度提出了一個測量協作群組交互結構的指標框架，刻畫協作討論過程的社交關系，并對分析結果進行可視化呈現設計。研究結果表明，入度中心勢和緊密度2個指標與協作討論質量顯著相關，且對最終的協作討論質量具有較強的預測力。更進一步，基于分析指標的實時可視化呈現方法對教師有效地衡量群組社交參與的程度、預測群組協作討論的質量、監控群組互動模式及交互關系變化都具有重要意義。

關鍵詞：社交關系;自動化分析;在線協作討論;可視化

中圖分類號：TP391;G434 文獻標志碼：A 文章編號：1673-8454（2021）05-0010-08

一、引言

活躍的交互是在線協作獲得成功的重要因素，也是群組協作共同完成任務目標的根本保障。[1]研究表明，在線協作討論中，群組成員的社交關系能夠影響知識建構的過程和質量。[2]然而，在線協作討論中的交互通常是隱性的，不易被教師所觀察，因而直接阻礙了教師對在線協作討論過程的監督和指導。社交關系分析關注群組之間的交互關系而非個體成員本身，通過社交關系分析可以有效識別和強調群組成員之間復雜的相互依賴關系。[3]因而，對協作討論中社交關系的分析及其可視化呈現成為當前在線協作學習研究中重要的研究領域。

盡管許多研究者分析了在線協作討論中成員間交互關系的重要作用并強調社交關系對在線協作學習取得成功的重要意義，但當前在線協作環境中對社交關系的實時測量和可視化呈現的研究卻存在較大障礙。原因是：第一，傳統社交網絡分析大多依賴專用社交網絡分析軟件（如Ucinet、Gephi等），研究者需將原始交互數據處理為交互矩陣，并導入專用軟件進行數據分析。然而，對于普通一線教師來說，從一系列討論回復關系中理清交互矩陣既耗費時間精力，也無法做到專業化。更進一步，數據整理和分析工作通常是在協作活動結束后才能進行，因而并不能夠為協作教學環境提供實時反饋來增強教師對協作過程的評價、反思和感知能力。第二，社會網絡分析（SNA）領域指標體系龐大，且大多適用于商業級大規模網絡的分析，對于在線教育中的小型協作討論小組來說，如何遴選合適的指標用以指示其互動結構類型，并無更多的實證研究經驗。第三，大型分析軟件所呈現的專有可視化圖形更重視互動結構的呈現，對其核心人員、邊緣人物等標注不夠明確，教師無法即時進行協作成員狀態分辨，因而無法直接應用于實時教學。

基于此，研究通過分析在線協作討論場景的交互特征，從交互密集性、交互中心性、交互凝聚性、交互均衡性幾個維度刻畫協作討論過程的社交關系，進而遴選各維度適合在線協作討論監督的社交關系分析指標，協助教師進行成員交互的在線監控。更進一步，設計面向在線協作討論的社交關系分析與可視化呈現工具，實時呈現群組互動網絡結構及其對應數據指標，使結果能夠以實時可視化方式反饋給教師，增強教師對在線協作討論快速分析、監控評估和實時反饋的能力。

二、協作學習活動中的社交關系研究

對在線協作學習中社交關系的分析，可以挖掘出社交關系下所隱藏的互動網絡結構，并基于特定的關系指標，分析和測量互動網絡結構特征的變化和規律。[4]在線協作討論場景恰恰提供了豐富的交互語料數據，使研究者可以利用這些數據洞察學生以什么樣的互動方式共同建構知識。

1.社交關系研究現狀

對社交關系及其發展變化進行刻畫有利于描述協作團隊潛在的關系，從而獲得對協作過程更好的理解，同時也是教師對學習者行動信息進行監控和評價的關鍵。[5]研究表明，成員間社交關系的屬性是決定個體和群組協作成績的主要因素，這些屬性與學習投入[6]、群組內部沖突[7]以及個人表現[8]都緊密相關。

大量研究是通過關注協作過程中的互動網絡結構對在線協作學習的運行機制進行的。[9]一些研究通過社交關系的分析確定協作群組中的不同角色，并探究社交角色對協作的影響。如王陸[10]采用社會網絡分析法探索虛擬學習社區社會網絡中的助學者群體。鐘偉等人[11]基于學習元平臺組織師生協同閱讀活動，利用社會網絡分析的整體網絡分析和中心性分析，研究社會成員的關系和互動特點，發現群體中的“意見領袖”和“邊緣人”。

另一些研究則分析互動模式對知識建構的影響關系。如De等人[12]的研究通過將群組社交關系狀態與知識建構達成的階段進行綜合對比分析，發現交互模式是集中式的，則知識建構的層次集中于分享和比較，即知識建構的較低階段。而馬寧等人[13]的研究利用社會網絡分析和內容分析的方法，探討教師混合式研訓的組內交互特征、群體知識建構層次和相關影響因素。Cummings等人[14]的研究則證明了有效的協作團隊的群組交流結構應該是民主的、平等的、非集中的結構。這些研究結果都表明一個群組的社會結構影響了協作學習的最終結果。

在線協作學習中，研究者基于不同的研究關注點和研究對象，對社交關系研究的側重點也不盡相同。在研究對象上，一些研究關注在線協作中的個體對象的社交關系，而另一些研究則關注整體組以及群組與群組之間的關系。總體上，當前研究主要關注人際關系形成的社會結構對協作學習效果的影響。研究者指出，通過采用社交關系分析， 成員間信息流通的方式、協作知識建構中的互動網絡結構及演變都可以被有效觀察。[4]而采用可視化的方法，則可以直觀地幫助教師探測和理解社交關系數據所表達的交互信息。

2.社交關系的測量方法

社交關系的測量能夠幫助研究者捕獲團隊潛在的交互過程。社交關系的測量有多種方法，其中社會網絡分析法（Social Network Analysis）在CSCL 領域被廣泛采用。[15]不同于傳統的內容分析法，社會網絡分析法（SNA）的分析對象是協作組成員發生的各種交互行為所形成的交互關系。[16]SNA使用關系矩陣表征參與者之間的交互關系，并基于圖理論去描述交互模式及網絡的特征。根據研究的側重點不同，關注的“關系”也不同。

緊密度的計算指標表示該網絡的成員之間連接關系的數量與可能的所有成員之間的最大連接關系數之間的比例。其中，N表示協作小組中的成員數，M是指網絡中包含的實際連接關系數目。

（3）指標3：入度中心勢

圖的緊密度刻畫了圖的凝聚力水平，而圖的中心勢則描述了這種凝聚力在多大程度上是圍繞某個或某些中心結點而組織起來的。緊密程度高是社會交互網絡具有強凝聚力的必要條件。成員間互動網絡具有比較高的凝聚力，則一定具有較高的緊密度值。互動網絡即使具有較高的緊密度，但如果分解為多個小派系，也不會具有較強的凝聚力。[4]因此，需要刻畫互動網絡在某種程度上是否依賴某些特殊點達成某種趨勢。

在社會網絡關系中與之相關的概念就是中心勢。本研究關注回復關系，因而選擇入度中心勢計算。入度中心勢指標使用公式（3）表達。

其中CADI為群組的入度中心勢，CADImax值為交互網絡中結點入度中心度的最大值，CADIi為結點i的入度中心度，n為代表群組成員的結點數。

（4）指標4：參與均度

研究認為，在一個有效的協作小組中，所有成員的參與程度應該是相似的，不應該有霸權的行為出現。[24]為了刻畫群組成員的參與均度，采用標準差公式進行計算。參與均度指標使用公式（4）表達。

P代表協作小組的參與均度。？滋代表小組成員的平均發帖量。N代表小組人數;M代表總的發帖數量。ei代表每個人的發帖量。越大的參與均度代表群組成員貢獻的發言差異越大，也意味著存在個體成員主導了整個協作討論過程的現象。

四、社交關系測量指標有效性檢驗

1.活動實施

本研究共計招募來自背景為兩所高等院校的計算機相關專業學生157名參與實驗。針對計算機專業一門必修課開展在線協作學習活動，在真實的活動場景中采集實驗數據，驗證指標有效性。在實驗開始前，這些學生均已對Moodle討論平臺的使用進行過培訓。

所有的學生被隨機分為31組，每組5～6人，以組為單位，通過在線協作討論的形式完成教師發布的一系列基于問題解決的討論任務。每次協作討論活動持續2個小時。活動在Moodle平臺的論壇區進行發布。各小組在自己的主題帖下進行討論發言，推進任務解決。所有這些數據都將被記錄在Moodle平臺的數據庫中。在討論過程中，為避免組間影響，經由平臺權限設置，各組之間隔離，無法瀏覽或參與其他協作小組的討論。活動過程開始后，教師不再進行干預或指導。

2.結果呈現

研究以31個群組產生的1577條發帖數據為分析樣本，每條發帖數據在Moodle系統中都存儲了本帖的發帖者、該帖回復的帖子（稱為父帖）的發帖者，以及發帖的時間信息等。因此交互關系可以依據這些記錄的屬性由在線協作討論分析工具自動計算獲得。表1顯示了該次活動中各小組在社交關系上的4個指標原始值，分別為人均發帖量、緊密度、入度中心勢、參與均度。

其31組數據表的描述性信息如表2所示。

從描述統計表中可以看出，各指標最大值和最小值之間差異明顯，說明各組社交關系水平也存在較大的不同。

3.社交關系指標與討論質量的相關性分析

為明確社交關系指標與討論質量之間的關系，研究聘請兩位有多年教授數據結構課程經驗的教師對小組討論帖的質量進行等級打分，然后將專家打分結果與指標結果進行相關性檢驗。教師在打分時采用優、良、中、差、不合格（對應1到5）的5級評分，并基于如下標準：小組對活動主題是否進行了充分的討論并成功地完成了任務解決方案。為了評價群組討論的質量，評價人員必須瀏覽群組發布的所有討論帖。在兩個專家提交了其評價分數后，通過斯皮爾曼一致性檢驗對評分者信度進行了驗證，兩個教師的一致性系數為0.775 （p<0.01），說明兩個教師的打分一致性良好。

為了檢驗指標與討論質量的關系，研究將專家質量打分結果與描述社交關系的4個指標結果進行斯皮爾曼相關檢驗。檢驗結果如表3所示。

結果表明，緊密度（r=0.40，p<0.005），入度中心勢（r=0.48，p<0.01）與討論質量成顯著正相關。人均發帖數、參與均度與討論質量不相關。

為了揭示社交關系指標對討論質量的預測力，研究中挑選了與討論質量有顯著相關的指標，并用回歸分析來進一步分析其預測力。以社交關系與討論質量顯著相關的緊密度和入度中心勢2個指標為自變量，以討論質量為因變量，采用逐步回歸的方式進行多元回歸分析，得到如表4所示的數據。

數據結果顯示，自相關檢驗的DW值為2.292，說明樣本之間沒有自相關。方差膨脹因子較小，不存在多重共線性問題，這幾個指標說明適合進行多元回歸分析。同時，入度中心勢和緊密度均進入了回歸方程，兩個預測變量模型的決定系數R2為0.516。而且入度中心勢最先進入，其次是緊密度。模型的F統計值的顯著性概率都小于0.01，說明模型的總體回歸效果是顯著的。因此，統計結果表明，入度中心勢及緊密度可以顯著預測討論質量，能夠解釋討論質量的51.6%。因此，入度中心勢及緊密度對討論質量具有一定預測力。

五、社交關系的可視化呈現

更進一步，為幫助教師更好地了解協作小組社交關系狀況及發展變化情況，研究設計了社交關系的可視化呈現，在線協作活動中教師可以實時查看協作交互過程，即時給予教學反饋，提升協作質量。

1.群組互動結構呈現

交互關系界面可以幫助快速瀏覽各組的情況，確定存在典型問題的小組。教師選擇需要查看的組，界面中會顯示其交互關系圖，然后使用數據導出按鈕將對應小組的具體數據值導出，如圖1所示。

通過該功能教師可以發現，不同的群組討論會呈現不同的互動結構，成員也存在不同的身份特征。圖2展示了從社交關系分析工具中實時抽取的4個典型小組的交互關系。

由圖2中可以看出，第3小組的交互關系圖呈單鏈條形式，組內每個成員都只與其他一兩名成員進行交互，小組內沒有形成良好的溝通，社交關系非常脆弱。數據結果表明該組凝聚力系數為0.371，說明成員凝聚力較差。第15小組是典型的完備網絡結構，每個成員間都有直接的聯系，整體結構較穩定，各成員之間交流互動頻繁，信息流動較為均衡，成員地位相當，不存在高影響力及邊緣人員。群組社交關系呈現凝聚性、均衡性特征。第25組是具有核心成員的網絡結構，從交互關系圖上看到李同學是小組的核心成員，從數據結果及帖子的回看也發現，李同學在群組中具有較高的影響力。第29組是典型的有邊緣結點的小組，從圖中可以看出，張同學處于小組結構的邊緣位置，只與安同學一人進行了單向交流互動，活躍度較差。

更進一步，圖 3呈現了四個小組的交互指標值。教師可以進一步確認，第15組和第25組的緊密度指標較高，說明小組中群組協作行為較多，成員之間信息流通迅速。而第3組的緊密度指標僅有0.3，說明小組成員之間的信息流通不暢。根據人均發帖量指標數據顯示，第3組和第25組的學生信息交流方面的積極性較差，尤其以第3組最為顯著。

2.個體社交關系呈現

為更進一步了解群組內部個體的社會交互狀況，研究更進一步地呈現了個體成員的社交狀態。圖4展示了第2組成員的發帖時間分布，圖中的小矩形展示了個體在一次活動中每一次發帖的時間。當教師將鼠標懸浮在小條形柱時，可視化圖會顯示具體的發帖時間。從中可以看到發帖在時間軸上的分布情況，以確定學生是否持續積極地參與了整個討論。同時，學生離席的問題也更容易被教師發現。

個體交互均度圖則反映了學生個體是否能跟小組每位成員進行較均衡的交互。如圖5所示，使用橫向條行圖呈現學生個體對小組內每位成員包括自己在內的回復數量。圖中不同顏色條形的長度代表對不同學生的回復數量。其中，在0軸左側的條形長度代表該學生個體在自己的帖子下回復的數量，0軸右側的條形長度代表在其他成員帖子下回復的數量。通過該圖，教師可以快速查看每位學生與其他成員交互的情況。

六、自動化分析及可視化方法構建的意義

當前的研究使用了基于4個指標的自動計算方法來檢查在線協作討論場景下群組的社交關系。根據研究結果，緊密度和入度中心勢2個指標能夠有效預測協作討論中的協作討論質量。這一結果表明，教師可以通過關注緊密度和入度中心勢指標的變化趨勢，判斷群組在團隊參與、團隊凝聚力以及團隊成員影響力方面的狀況，及時依據情況實施協作教學干預。

1.高緊密度反映了群組凝聚力對協作活動的積極影響

緊密度與協作討論質量呈顯著正相關，多元回歸的結果也表明緊密度能夠預測群組協作的討論質量。這也說明，當群組積極參與討論、能夠不斷發表觀點、及時回應其他同學的觀點時，群組通常呈現一個較好的協作討論質量。這一結果也印證了Hamm等人[28]研究中關于群組動力學的基本觀點，即任何協作學習成功的重要因素在于，社會化團結、達成群組目標的共同的責任感、參與的活躍程度和“生-生”之間的支持度。緊密度這一指標計算相對簡單，教師可以靈活應用于協作討論的現場，通過實時對群組緊密度進行監控，有利于發現群組討論停滯、群組成員消極參與等現象，從而及時給予關注和有效干預，確保討論可以持續進行。

2.入度中心勢反映了成員影響力在協作活動中的重要作用

入度中心勢與協作討論質量呈顯著相關，多元回歸的結果也表明入度中心勢在很大程度上預測了群組最終的協作討論質量。具體來說，具有高入度中心勢的群組通常能夠較好地完成協作討論的任務。從更深層次上探究，入度中心勢意味著群組成員在入度水平上存在較大差異，而入度在協作學習共同體中通常反映信息被引用的情況。成員的入度值高，表明該成員發表的觀點被參考和使用的信息較多，因此入度中心勢高表明群組中存在具有很強影響力的成員。這些成員能夠受到其他成員的認可和歡迎，也表明其觀點能夠得到其他群組成員的支持。

與一些認為群組成員應該均衡地參與討論、有強勢成員存在的群組會削弱群組力量的研究相反，本研究發現在知識水平相當的情況下，入度中心勢高的群組明顯比入度中心勢低的群組更容易推進群組任務的解決，獲得相對較好的協作質量。即當有影響力的成員存在時，協作討論的效果往往表現得更好。通過對帖子的分析發現，具有高入度中心勢的成員一般在群組中具有相對高的知識水平，并且愿意與其他成員進行積極交互，給予意見，對團隊協作解決問題的進度、方向進行組織和管理。

3.可視化呈現幫助教師更好地把握群組交互關系

在社交關系可視化方面，交互關系圖可以直觀地反映群組成員之間的交互關系，幫助教師判斷群組中是否存在明顯的中心人物或邊緣人物。交互關系圖也能形象地表示互動網絡結構的特征，幫助教師發現不同的交互結構模式。同時還支持研究者定量地分析互動網絡結構的特征值，從而輔助教師探索不同交互網絡的結構對協作學習績效的影響。因此，基于社會交互的可視化交互關系圖及對應指標的呈現，將幫助教師在教學實踐中開展相關教學實驗，總結互動網絡結構特征與協作質量之間的規律，探索不同互動網絡結構特征對協作討論質量的影響。

總體而言，從使用的效果來看，一方面，群組協作討論分析結果的可視化呈現能夠幫助教師直觀解釋數據并快速理解這些數據背后隱藏的信息，使教師能夠更容易獲得群組在線協作討論中的相關過程信息。[29]另一方面，所有開發的協作討論分析工具中，基于數據可視化、文本可視化、時間序列可視化等呈現方式，使分析結果更易理解，還能夠更好地觀測到重要特征、規律以及異常值。因此，實驗結果表明，可視化呈現作為學習分析過程的重要一環，對幫助教師洞察學習過程，提供監督、反饋和評價都有重要作用。[29]

七、結語

在線協作學習的社交關系分析一直是協作學習領域的研究重點。伴隨大規模在線教育的發展，協作的教學活動已經被廣泛實施。基于傳統或專有軟件分析的方法面臨大規模、多應用場景的挑戰。因而基于學習分析技術，實施面向自動化的實時可視化的分析和呈現，對教師有效地衡量群組社交參與的程度、預測群組協作的質量、快速識別群組交互中存在的問題都具有重要意義。

在未來的研究中，將深入探索人機協同的自定制可視化工具的研究，使可視化工具真正從一個分析工具轉化成基于交互的數據挖掘工具，使其能夠在學習過程分析與教育決策支持方面產生更大的效用。

參考文獻：

[1]Xing W，Gao F.Exploring the relationship between online discourse and commitment in Twitter professional learning communities[J].Computers & Education， 2018（126）：388-398.

[2]Tirado R，Hernando ？魣，Aguaded J I.The effect of centralization and cohesion on the social construction of knowledge in discussion forums[J].Interactive Learning Environments，2015，23（3）：293-316.

[3]Scholand A J，Tausczik Y R，Pennebaker J W.Assessing group interaction with social language network analysis：International Conference on Social Computing，Behavioral Modeling，and Prediction，2010[C].Springer.

[4]王永固.網絡協作學習中互動網絡結構分析研究[J].遠程教育雜志，2011，29（1）：49-61.

[5]Caballé S，Daradoumis T，Xhafa F，et al.Providing effective feedback，monitoring and evaluation to on-line collaborative learning discussions[J].Computers in Human Behavior，2011，27（4）：1372-1381.

[6]方佳明，唐璐玢，馬源鴻等.社會交互對MOOC課程學習投入的影響機制[J].現代教育技術， 2018，28（12）：87-93.

[7]Labianca G，Brass D J，Gray B.Social networks and perceptions of intergroup conflict：The role of negative relationships and third parties[J].Academy of Management journal，1998，41（1）：55-67.

[8]Sparrowe R T，Liden R C，Wayne S J，et al.Social networks and the performance of individuals and groups[J].Academy of management journal，2001，44（2）：316-325.

[9]Hong H，Scardamalia M.Community knowledge assessment in a knowledge building environment[J].Computers & Education，2014（71）：279-288.

[10]王陸.虛擬學習社區社會網絡位置分析與助學者群體的發現[J].中國電化教育， 2010（3）：23-27.

[11]鐘偉，吳娟，陳露.基于學習元平臺的師生共讀活動之社會網絡分析和內容分析[J].現代遠距離教育，2015（1）：52-59.

[12]De Wever B，Schellens T，Valcke M，et al.Content analysis schemes to analyze transcripts of online asynchronous discussion groups：A review[J].Computers & Education，2006，46（1）：6-28.

[13]馬寧，李亞蒙，何俊杰.群體知識建構視角下教師混合式研訓的組內交互及知識建構層次分析[J].現代教育技術，2019（4）：44-50.

[14]Cummings J N，Cross R.Structural properties of work groups and their consequences for performance[J].Social Networks，2003，25（3）：197-210.

[15]鄭蘭琴.協作學習交互分析方法之反思[J].現代遠程教育研究，2013（5）：91-99，112.

[16]吳青，羅儒國.國外CSCL交互分析方法研究綜述[J].現代遠距離教育，2013（1）：23-30.

[17]Yang X，Li J，Li X，et al.Group interactive network and behavioral patterns in online English-to-Chinese cooperative translation activity[J].The Internet and Higher Education，2015（25）：28-36.

[18]Daradoumis T，Martínez-Monés A，Xhafa F.A layered framework for evaluating on-line collaborative learning interactions[J].International Journal of Human-Computer Studies，2006，64（7）：622-635.

[19]Heo H，Lim K Y，Kim Y.Exploratory study on the patterns of online interaction and knowledge co-construction in project-based learning[J].Computers & Education， 2010，55（3）：1383-1392.

[20]Aviv R，Erlich Z，Ravid G，et al.Network analysis of knowledge construction in asynchronous learning networks[J].Journal of Asynchronous Learning Networks， 2003，7（3）：1-23.

[21]Wang L.How social network position relates to knowledge building in online learning communities[J].Frontiers of Education in China，2010，5（1）：4-25.

[22]Zhu E.Meaning Negotiation， Knowledge Construction， and Mentoring in a Distance Learning Course[J].1996（25）：821-844.

[23]Aviv R，Erlich Z，Ravid G.Cohesion and roles： network analysis of CSCL communities，2003[C].IEEE，2003.

[24]Calvani A，Fini A，Molino M，et al.Visualizing and monitoring effective interactions in online collaborative groups[J].British Journal of Educational Technology，2010，41（2）：213-226.

[25]Wise A F，Hausknecht S N，Zhao Y.Attending to others posts in asynchronous discussions： Learners online “listening” and its relationship to speaking[J]. International Journal of Computer-Supported Collaborative Learning， 2014，9（2）：185-209.

[26]Yang H，Tang J.Team structure and team performance in IS development： a social network perspective[J].Information & Management，2004，41（3）：335-349.

[27]Reffay C，Chanier T.How Social Network Analysis can help to Measure Cohesion in Collaborative Distance-Learning[M].Wasson B， Ludvigsen S，Hoppe U.Designing for Change in Networked Learning Environments：Proceedings of the International Conference on Computer Support for Collaborative Learning 2003. Dordrecht： Springer Netherlands，2003：343-352.

[28]Hamm M，Adams D.The Collaborative Dimensions of Learning[M].ERIC，1992.

[29]Papamitsiou Z，Economides A A.Temporal learning analytics visualizations for increasing awareness during assessment[J].International Journal of Educational Technology in Higher Education，2015，12（3）：129-147.

（編輯：王天鵬）