學習者同步和異步交互模式的比較與整合研究

胡天慧 劉三女牙 粟柱 周子荷 余建偉 柴喚友

[摘? ?要] 利用新型分析方法綜合分析學習者交互以獲取關于其學習過程的有益見解，是在線教育研究和實踐的迫切需求。文章以中部某高校的一門科教融合創新在線課程為例，采用社會網絡分析和多層網絡分析方法，分別對學習者的在線同步和異步交互模式進行比較與整合分析，并探討其與學習成績之間的關系。研究結果發現：相比同步交互網絡，異步交互網絡更為稠密，且其個體指標值相對更高;相比同步和異步兩個單層交互網絡，基于二者整合而得到的多層交互網絡在網絡連邊數量上顯著增多，在個體指標值上顯著增高，而且學習者在多層和單層交互網絡中的地位相對不同;相比單層交互網絡，多層交互網絡的部分個體指標與學習成績的相關性相對更高。研究為分析和理解學習者交互提供了研究方法論和教學實踐方面的啟示性意義，有助于改進對在線群體學習過程的動態調控與精確引導并優化現有教學模式。

[關鍵詞] 在線教育; 在線學習; 學習者交互; 社會網絡分析; 多層網絡分析

[中圖分類號] G434? ? ? ? ? ? [文獻標志碼] A

[作者簡介] 胡天慧（1994—），女，安徽桐城人。博士研究生，主要從事在線學習分析研究。E-mail：hthhuayuan@163.com。柴喚友為通訊作者，E-mail：hychai@bnu.edu.cn。

一、引? ?言

近年來，在線教育持續升溫，市場規模逐年增長，并逐漸發展成為傳統線下教育的有力補充和替代。尤其是在“新冠”疫情期間， 世界各地的高等院校紛紛借助在線教育開展日常教學[1-2]。針對在線學習環境，探究學習者的在線學習規律以促進其學業成功，是在線教育研究者和實踐者亟須面對和解決的關鍵問題。其中，學習者交互是反映學習者在線學習過程的關鍵指標[3]，依據交互時間模式的不同，學習者交互主要表現為異步交互和同步交互兩種[4]。同時，隨著現代信息技術的迅猛發展，教育領域迫切需要能夠從基于在線學習平臺的海量數據中獲得關于學習者交互深層次理解的分析技術或方法。其中，（針對單層網絡的）社會網絡分析具有分析各種（單一形式）交互活動的理論和實踐優勢;作為一種源于復雜網絡科學的新型方法，多層網絡分析（Multiplex Network Analysis）具有綜合分析多種不同形式交互的潛能與優勢[5-6]。

本研究擬綜合采用社會網絡分析和多層網絡分析方法，比較和整合在線學習者的異步和同步交互特點，并探討其與學習成績之間的關系，以深入理解學習者的在線學習過程并支持在線教師或課程設計者開展精準化教育干預。

二、文獻綜述

（一）學習者交互及其分類

學習者交互一般是指由在線學習平臺或工具所支持的以學習者為中心的教學交互行為[7]。依據交互時間模式的差異，學習者交互可被區分為異步交互和同步交互兩種。異步交互通常是指學習者在在線學習平臺中借助課程論壇等異步交流工具進行評論和回復。該方式允許學習者在時間充裕的條件下有效使用外部資源來組織交互內容，并且能顯著提高同伴交互水平、避免不良課堂行為等[8-9]。同步交互主要是指借助同步溝通工具（如視頻網絡會議、QQ即時通訊等）進行更為直接和及時的社會交互和反饋。該方式有助于課堂的“連續性和便利性”、保持定期聯系以及產生緊迫感和直接感[9-10]。此外，該方式允許直接糾正錯誤認知，并顯著促進更高水平的學習者參與。總體而言，同步交互在促進即時反饋和激勵方面更具優勢[11];而異步交互不受時空限制，具有更大的靈活性。

（二）社會網絡分析與學習者交互

近年來，國內外研究者對學習者交互（主要是異步交互）進行了大量探討并證實了其與學習成績之間的密切關聯[12-14]。在分析方法層面，社會網絡分析是探討學習者交互的主要方法。該方法以學習者為節點、學習者之間的聯系為連邊構建社交網絡圖，并通過圖形化表征和量性表征方式去探究學習者交互的網絡結構屬性和規律[15-16]。已有大量研究采用社會網絡分析方法對學習者交互進行了廣泛分析。例如，戴心來等人[17]、左明章等人[18]利用該方法分析了異步論壇中的學習者交互特點。Hrastinski等人[9]綜合考察了在線課程論壇中學習者群體的同步與異步交互特征。此外，針對學習者異步交互與學習成績之間的關系，大量研究者發現，社會網絡中心性與學習成績顯著正相關[12，19-21]。例如，Saqr等人[19]發現學生的活動水平（即度中心性）與學習成績呈正相關; Reychav等人[12]發現具有高中心性的學生表現出更高的學習成就。

不難看出，現有研究主要局限于基于單層網絡的學習者異步交互分析及其與學習成績之間的關系探討。對于異步交互和同步交互同時存在的情形，如何開展科學有效的綜合性分析，是現有研究亟須解決的問題。借鑒Liu等人[6]的觀點，多層網絡分析適用于綜合分析多種不同形式的學習者交互，因此可被用于綜合分析本研究中的異步交互和同步交互。

（三）多層網絡分析與學習者交互

多層網絡是指一系列相同或者存在一定交集的節點以不同連接方式形成的多個不同網絡，這些網絡構成了多層網絡的每一層，不同的“層”通過層間邊緣相互連接，以復雜的方式相互依賴，形成一套相互影響、共同演化的網絡[22]。相對單層網絡被定義為節點和連邊組成的圖，多層網絡加入了“層”的信息。在單層網絡中，網絡被表示為一個圖：G=（V，E），V表示節點所指代的實體，E表示連邊，即節點之間的聯系內容。多層網絡將多個網絡（也稱為層）組合成一個數學對象[23]，其數學定義為：

其中，M表示多層網絡，L是多層網絡中不同層中“圖”的集合，L■表示第α層的網絡，K表示單個網絡層的數量，V■和E■分別表示第α層中節點和連邊的集合，ε是多層網絡M中不同層的層間連接[24]。本研究所涉及的多層網絡僅指代不同層中所有節點相同的情況。

圖1? ?UMN和SMN的示意圖

多層網絡分析方法通常采用疊加或展開的方式對不同形式的交互模式進行綜合分析[25]。前者（如圖1（C））是將不同的網絡層以疊加的方式構建成一個單層網絡（一種典型的不考慮層間連接的多層網絡），即疊加的多層網絡（Superimposed Multiplex Network， SMN），然后利用傳統的社會網絡分析指標來量化合成的SMN特征。后者則考慮單層網絡間忽略的層間邊緣（層間連邊僅存在于不同層中的對應節點之間，如圖1（B）中虛線表示層間連接，實線表示層內連邊），即展開的多層網絡（Unfold Multiplex Network，UMN），并利用多層網絡算法計算量化指標。

類似于社會網絡分析，多層網絡分析可通過可視化方式和量性分析方式來表征多層網絡中的群體交互特點。在可視化分析方面，目前通常采用不同層中具有不同顏色的邊或節點的多層網絡圖或環狀圖來表示參與者在多層網絡中的交互情況[26-27]。在量性分析方面，一些針對多層網絡的度量框架逐漸被開發出來。例如，度和特征向量中心性可以量化個體在多層網絡中的整體重要性以識別節點在多層網絡中所扮演的角色及衡量特定節點受其他節點地位的影響[28]。

如前所述，現有教育領域的社會網絡分析僅僅針對單層網絡，相對忽略了學習者交互的多方面特征[29]。而多層網絡分析恰好提供了一種可以有效整合學習者之間不同類型交互的新型方法，有助于更為全面和深入地揭示學習過程的本質。

三、研究設計

（一）研究問題

為理解在線學習中的學習者交互模式，本研究將針對同步和異步環境下的學習者交互行為進行對比和整合分析。因此本研究主要解決以下三個研究問題：

（1）同步和異步交互網絡在整體和個體指標上有何差異？

（2）整合同步和異步交互信息而構建的多層網絡（含SMN和UMN）與單層網絡（包含同步和異步交互網絡）在個體指標上有何差異？

（3）相比單層網絡，多層網絡的個體指標是否與學習成績的相關性更高？

（二）研究對象和數據來源

本研究數據來源于2020年春季疫情期間中部某師范大學的一門專業主干課“數據科學導論”。該課程作為數據科學的先導課和認知類課程，旨在培養學生數據科學素養、掌握專業基礎知識和運用數據科學處理實際問題的能力。該課程教學團隊致力于構建“交互活動—數據分析—適應性干預—教學優化”的閉環式教研結合模式，引導學生由目標導向型交互轉化為知識建構及協作探究性交互。該課程充分開展不同形式（異步與同步）的在線交互式教學，通過論壇主題式討論、基于項目的小組協作探究以及師生實時答疑的形式展開。其中，異步交互是指借助云課堂中的論壇版塊展開討論活動，同步交互是在QQ即時通訊群進行。課程考核主要采用過程性評價與總結性評價相結合的評價模式，成績評定由平時成績及期末成績兩部分構成，平時成績由云課堂在線學習時長、云課堂論壇活躍度及小組協作學習參與度三部分組成，期末考核采取標準化測試形式。

本研究通過采集異步論壇和QQ群中所有參與者的交流信息，最終得到38名學生（其中一名學生期末退學）及教師和助教發布的所有有效討論文本（論壇有1667條數據;QQ平臺有660條數據）。

（三）研究方法

本研究首先基于同步與異步交流平臺中的數據構建兩個單層網絡（即同步與異步交互網絡），并利用社會網絡分析描述兩種交互網絡的特征并比較二者間的差異。在此基礎上，綜合兩種單層網絡信息構建了多層網絡（即SMN和UMN），通過比較多層網絡與單層網絡之間的指標差異，深入了解學習者的交互模式特點。此外，利用相關性分析考察了單層和多層網絡的個體指標與學習成績的關系是否存在差異。本研究對于網絡的構建和指標計算將進行詳細闡述。

1. 網絡構建

本研究首先提取了QQ群的對話數據（包括文本與語音等）和異步論壇中的活動日志，對數據進行清洗且剔除無關信息，依據發言的指向關系（即學生A回復B，則認為A和B之間存在一條連邊）分別構建了異步交互網絡和同步交互網絡，計算兩個單層網絡的整體指標和個體指標以比較二者之間的差異。其次，為綜合考察這兩種情境中的交互情況，本研究利用兩種形式的多層網絡（即SMN和UMN）來整合同步和異步交互信息。SMN將同步與異步交互網絡疊加到一個網絡中，本質上是包含了更多信息的單層網絡，UMN是通過對應節點之間的層間連邊將兩個單層網絡構建成多層網絡。

2. 指標計算

本研究計算了兩個單層網絡的整體指標和個體指標以及多層網絡的個體指標并加以比較。其中，整體指標包括平均度（所有學習者與之交互的相鄰參與者的平均數量）、密度（實際連邊數量與所有可能連邊數量的比例）、網絡直徑（從一個學習者移動到另一個學習者必須經過的最大參與者數量）、模塊化（衡量網絡圖結構的模塊化程度）、平均聚類系數（衡量網絡中的學習者參與到閉合三元組的程度）、平均路徑長度（網絡中所有節點對之間最短路徑的平均步數）。個體指標包含4個中心性指標：度中心性、中介中心性、接近中心性和特征向量中心性。本研究使用Gephi 0.9.2軟件計算了同步與異步交互網絡以及SMN的四個中心性指標。需要注意的是，目前計算UMN個體指標的算法仍在不斷開發中，本研究使用Muxviz[27]軟件（包含了一組多層網絡分析算法的開源軟件，被廣泛應用于基因遺傳、神經元和交通運輸網絡分析以及多層數據的交互式可視化分析）計算UMN的度中心性和特征向量中心性。

四、研究結果

（一）同步與異步網絡的指標差異分析

表1展示了兩種交互網絡的群體指標量化結果。兩個交互網絡中的節點數量并不一致，其中同步交互網絡有44個參與者（35個學生，6個教師，3個助教），異步交互網絡有38個參與者（37個學生，1個助教）。在論壇交流中，助教（A1）扮演了教師的角色與學生進行交互，而教師（T1-T6）沒有參與該過程，并且1名學生（S800）在整個學期中并未參與論壇交流。在同步交互中，有3名學生（S809，S818，S820）未參與這一過程，相比之下，異步交互網絡聯系更為緊密，其網絡密度、平均度、聚類系數均高于同步交互網絡指標，并且其網絡直徑、模塊化系數和平均路徑長度相對更低。

圖2（A）以可視化的方式呈現了同步交互與異步交互網絡之間的差異。兩個網絡的連邊重復率為11.409%，即兩種網絡結構差異達88.591%。在同步交互網絡中，教師和助教處于核心位置，表明同步交互交流更依賴于教師;而在異步交互中，處于網絡中心位置的則是參與度高的學生，而且異步交互相比同步交互網絡產生了更多連邊，因此更具凝聚力。

表2的第2和第3列展示了同步與異步交互網絡的個體指標。由于每組指標值都不全服從正態分布，本研究使用Wilcoxon符號秩檢驗分析兩個單層網絡之間的差異（見表2第6列）。除了中介中心性指標外，異步交互網絡的度中心性、接近中心性和特征向量中心性均顯著高于同步交互網絡（Z=-3.780，p<0.001;Z=-2.106，p<0.01;Z=-2.952，p<0.001）。

（二）多層網絡與單層網絡的差異性比較

圖2是分別通過UMN和SMN方法對學習者交互進行可視化呈現的社交圖。圖2（A）為UMN，左右層分別為異步與同步交互網絡，兩個單層網絡間沒有顯示任何層間連邊以簡化圖像，圖2（B）是直接將同步與異步交互網絡疊加而成的SMN。節點的大小表示參與者的中心性，節點越大表示網絡中的中心性越高，節點的顏色用來區分學生（灰色）和教師（黑色）。與兩個單層網絡相比，UMN和SMN擁有更多的連邊。此外，SMN作為兩個單層網絡的結合，節點之間的聯系更為緊密。

表2展示的是4種網絡個體指標的描述性統計結果，其第4列和第5列展示了多層網絡（包括SMN和UMN）中所有個體指標值。由于四個網絡的個體指標不全符合正態分布，本研究采用了非參數檢驗中的Friedman檢驗去分析多層網絡與單層網絡之間的單項指標差異。結果發現，四個網絡中的各個指標之間均存在顯著性差異（ χ2=122.632;χ2=7.274;χ2=42.043; χ2=31.874）。具體而言，SMN的四個中心性指標（Rank=2.86，2.31，2.47，2.99）均顯著高于兩個單層網絡指標（Rank=1.33，1.89，1.23，1.81;Rank=1.81，1.80， 2.30，2.16），而UMN的度中心性和特征向量中心性（Rank=4.00，3.04）也都顯著高于兩個單層網絡指標。

此外，本研究遵照Engel[30]等人的方法，依據個體指標差異對所有學習者進行了分組處理。圖3展示了四個網絡中所有學習者依據度中心性和特征向量中心性指標值進行分組的結果。可以看到，該自內而外的四層環圖分別代表了參與者在同步交互網絡、異步交互網絡、SMN和UMN中的所屬組別，其中，顏色從深到淺分別表示每個個體屬于A-B-C組，其中組A是這兩個指標值均高于或等于平均值的個體，而組B和組C分別由1項和0項指標值大于或等于平均值的個體組成。環外的數字則表示每個參與者的標簽。由圖3可知，四個網絡中的學生分組結果不盡相同，對于部分參與者而言，這種差異尤為顯著。例如，參與者S831在同步交互中屬于組C成員，但在異步交互網絡和多層網絡（SMN和UMN）中是組A的成員。參與者S826在同步交互中屬于組A，而在異步交互屬于組C，在SMN和UMN中分別屬于組C和組B。這些結果表明，一些在單層網絡中被忽視的個體可能在多層網絡中扮演著重要角色，相反一些在單層網絡中的核心個體可能在多層網絡中的地位并不突出。

（三）網絡個體指標與學習成績之間的關系

為進一步探究學習者交互與學習成績的關系，本研究對四種網絡中的個體指標與學生的學習成績進行了相關分析。由于S823期末退學，該學生沒有期末成績，故而在分析相關性時剔除了該學生的數據。由于學習成績不服從正態分析，本研究采用了Spearman相關性分析，結果見表3。

由表3可以看出，同步交互網絡的四個個體指標與學習成績均無顯著相關性，表明同步交流環境下，學習者之間的交互并不能反映學習效果。在異步網絡中，所有指標均與學習成績呈現顯著正相關（r=0.594， 0.584，0.626，0.608），表明異步論壇環境中，學習者間的交互在一定程度上可以反映學習者的學習質量。此外，多層網絡的個體指標與學習成績均顯著正相關，且SMN中的度中心性、接近中心性和特征向量中心性指標與學習成績的相關系數相對更高（r=0.625， 0.646，0.638），表明同時涵蓋學習者同步和異步交互的多形式交互與學生學習效果的聯系更為緊密。

五、結論與啟示

本研究綜合采用社會網絡分析和多層網絡分析方法，對在線學習中的學習者同步和異步模式進行了比較與整合分析。研究結果表明：

（1）同步與異步交互環境中的學習交互模式呈現顯著差異。在整體層面，異步交互網絡中的學習者交流更為密集且更有凝聚力，其平均度、密度以及聚類系數等群體指標均高于同步交互網絡中的相應指標值;在個體層面，異步交互網絡的度中心性、接近中心性以及特征向量中心性均顯著高于同步交互網絡的相應指標值。究其原因，教師在同步交互中雖然鼓勵學生自由交流，但該活動仍是教師主導型的課堂交流模式，加之時長限制，學生的發言行為受到一定程度的限制。而異步交流平臺不受時空限制，為學生之間提供了一個更為多元靈活的交流環境。

（2）多層網絡有助于整合學習者多種形式的交互信息。多層網絡比單層網絡擁有更多的連邊，學習者間的聯系更為緊密;SMN和UMN的個體指標均顯著高于單層網絡的個體指標;而且一些個體在多層網絡和單層網絡中所占據的位置相對不同。這是因為，由于學生在不同交互環境中的參與程度不同，而多層網絡分析考察學習者的重要性時會得到不同于在單層網絡中的結果。因此，綜合考察學習者在同步與異步學習環境的交互信息，可以更全面、深入地把握學習者交互情況。

（3）綜合同步和異步交互更利于窺探學習者交互與學習成績間的關系。綜合了同步與異步交互信息的SMN和UMN個體指標與學習成績顯著正相關，且與單層網絡相比，SMN的四種個體指標與成績的相關性系數更高。這表明整合了同步與異步交互信息的SMN更有助于探究學習者交互與學習成績的關聯。雖然同步交互中，學習者的交互網絡與學習成績并無顯著相關性，但并不代表同步交互對于學習參與沒有促進作用，相反，同步交互會增強在線討論的參與意愿[18]，對團體關系支持、加強弱班級關系和社會支持均有積極作用，并且由于同步交互時長的限制而使得學生不能完全表達自己對于相關知識的思考和見解，而這一過程對于異步交互過程具有啟發性意義。SMN的個體指標與學習成績的相關系數更高，這一結果也佐證了同步交互對于學習參與的益處。

鑒于上述研究結論，本研究對于未來的研究方法論和教學實踐具有啟示性意義。

（1）挖掘多層網絡分析方法應用于教育領域的潛在價值。隨著學習分析技術的不斷發展，多層網絡分析方法允許綜合分析多種不同形式的學習者交互，因此具有理論和方法上的巨大優勢。多層網絡分析可以綜合考察層與層之間的相互依賴關系，分析不同情境中的多層網絡動態，捕獲在單層網絡中可能丟失的信息等，能夠為研究復雜交互模式提供更為精細的解析。例如，筆者借助多層網絡分析方法探討了異步在線論壇中學習者交互的社會和認知方面的網絡化特點，發現整合二者信息更有助于揭示異步在線討論中的學習者交互模式[6]。未來研究者可以嘗試引進多層網絡分析方法以整合更多維度的學習者交互信息，助力深入分析實際教育場景中的群體學習狀態，從而最大化挖掘該方法應用于教育領域的潛在價值。

（2）探索同步與異步交互對于提升在線教學質量的支持作用。鑒于同步交互也具有類似的潛在價值，未來在線教師和課程設計者需充分利用多種形式的教育信息化實用工具（如本文中所用到的在線課程論壇和QQ課程班級群）以支持學習者開展同步和異步兩種不同形式的學習者交互。然而，上述工具并不會自動促進學習者之間開展高質量交互，因此需要課程設計者依據課程目標設計最優教學方案以促進學習者交互。例如，在同步交互中可考慮降低教師的主導作用，代替以分配具體角色以激勵學生參與，如分配組織者（負責擴展群體討論）、問詢者（激勵他人進行深層次討論）和反對者（負責給現有討論內容提供相反觀點并提供相關證據）等[10]，在異步交互中可以采用設置開放性話題[31]、實施同伴促進技術[32]等策略幫助學生開展批判性探索活動，從而助力培養其高階思維。

（3）捕獲多種學習者交互信息以促進揭示在線學習過程全貌。在實際學習場景中，學習者交互往往涉及多方面的復雜信息，如線上和線下交互、發言（發表評論或回復）和傾聽（查看他人發帖內容）[32]、回復與引用[33]、行為—情感—認知間的復雜交互等，如何采集和融合多方面的非冗余信息以開展學習者交互分析從而助力探悉群體學習的復雜作用機制，是未來研究者需要深入思考并重點解決的關鍵問題。此外，教師和研究者可以綜合多樣化學習者交互信息，理解每種學習者交互對促進有效學習的作用機制，探索適用于多元學習場景的“交互信息—數據反饋—實時干預—教學優化”的閉環教育實踐，以充分發揮其背后的教育價值，并最終提升在線教學質量。

[參考文獻]

[1] MANCA S， DELFINO M. Adapting educational practices in emergency remote education： continuity and change from a student perspective[J]. British journal of educational technology， 2021， 52（4）： 1394-1413.

[2] KUMAR P， KUMAR A， PALVIA S， VERMA S. Online business education research： systematic analysis and a conceptual model[J]. International journal of management in education， 2019， 17（1）： 26-35.

[3] CHEN Y， GAO Q， YUAN Q， et al. Facilitating students' interaction in MOOCs through timeline-anchored discussion[J]. International journal of human-computer interaction， 2019，35（19）： 1781-1799.

[4] 張婧婧，牛曉杰，等.異步在線學習中的“準”同步視頻交互實驗研究[J].遠程教育雜志，2021，39（3）：52-64.

[5] 劉三女牙，石月鳳，等.網絡環境下群體互動學習分析的應用研究——基于社會網絡分析的視角[J].中國電化教育，2017（2）：5-12.

[6] LIU S， HU T， CHAI H， et al. Learners' interaction patterns in asynchronous online discussions： an integration of the social and cognitive interactions[J]. British journal of educational technology， 2022，53（1）： 23-40.

[7] HYO-JEONG S O. Towards rigor of online interaction research： implication for future distance learning research[J]. Distance education in China， 2014，9（2）： 256-263.

[8] OZTOK M， ZINGARO D， BRETT C， et al. Exploring asynchronous and synchronous tool use in online courses[J]. Computers & education， 2013，60（1）： 87-94.

[9] HRASTINSKI S. The potential of synchronous communication to enhance participation in online discussions： a case study of two e-learning courses[J]. Information & management，2008， 45（7）： 499-506.

[10] GIESBERS B， RIENTIES B， TEMPELAAR D， et al. A dynamic analysis of the interplay between asynchronous and synchronous communication in online learning： the impact of motivation[J]. Journal of computer assisted learning， 2014，30（1）： 30-50.

[11] SHI Y， TONG M， LONG T. Investigating relationships among blended synchronous learning environments， students' motivation， and cognitive engagement： a mixed methods study[J]. Computers & education， 2021，168： 104193.

[12] REYCHAV I， RABAN D R， MCHANEY R. Centrality measures and academic achievement in computerized classroom social networks： an empirical investigation[J]. Journal of educational computing research， 2018，56（4）： 589-618.

[13] LAI C， LIN H， LIN R， et al. Effect of peer interaction among online learning community on learning engagement and achievement[J]. International journal of distance education technologies， 2019，17（1）： 66-77.

[14] SAQR M， VIBERG O， VARTIAINEN H. Capturing the participation and social dimensions of computer-supported collaborative learning through social network analysis： which method and measures matter？[J]. International journal of computer-supported collaborative learning， 2020，15（2）： 227-248.

[15] DADO M， BODEMER D. A review of methodological applications of social network analysis in computer-supported collaborative learning[J]. Educational research review， 2017，22： 159-180.

[16] 劉三女牙，郭美伶，等.不同關系定義下在線交互網絡特點及其與學習成績關系——以SPOC論壇為例[J].開放教育研究， 2020，26（3）：80-90.

[17] 戴心來，王麗紅，等. 基于學習分析的虛擬學習社區社會性交互研究[J].電化教育研究，2015，36（12）：59-64.

[18] 左明章，蓉趙，等.基于論壇文本的互動話語分析模式構建與實踐[J].電化教育研究，2018，39（9）：51-58.

[19] SAQR M， ALAMRO A. The role of social network analysis as a learning analytics tool in online problem based learning[J]. BMC medical education， 2019，19（1）： 1-11.

[20] JO I H， KANG S， YOON M. Effects of communication competence and social network centralities on learner performance[J]. Journal of educational technology & society， 2014，17（3）： 108-120.

[21] BURT R S， KILDUFF M， TASSELLI S. Social network analysis： foundations and frontiers on advantage[J]. Annual review of psychology， 2013，64（1）： 527-547.

[22] KIVEL？魧 M， ARENAS A， BARTHELEMY M， et al. Multilayer networks[J]. Journal of complex networks，2014， 2（3）： 203-271.

[23] SILK M J， FINN K R， PORTER M A， et al. Can multilayer networks advance animal behavior research？[J]. Trends in ecology & evolution， 2018，33（6）： 376-378.

[24] WU M， HE S， ZHANG Y， et al. A tensor-based framework for studying eigenvector multicentrality in multilayer networks[J]. Proceedings of the national academy of sciences， 2019，116（31）： 15407-15413.

[25] CAI M， WANG W， CUI Y， et al. Multiplex network analysis of employee performance and employee social relationships[J]. Physica A： statistical mechanics and its applications， 2018，490： 1-12.

[26] MCGEE F， GHONIEM M， MELAN？覶ON G， et al. The state of the art in multilayer network visualization[J]. Computer graphics forum， 2019，38（6）： 125-149.

[27] DE DOMENICO M， PORTER M A， ARENAS A. MuxViz： a tool for multilayer analysis and visualization of networks[J]. Journal of complex networks， 2015，3（2）： 159-176.

[28] DE DOMENICO M， SOL？魪-RIBALTA A， COZZO E K， et al.. Mathematical formulation of multilayer networks[J]. Physical reviewX， 2013， 3（4）： 1-15.

[29] DAMA C I. The multi-layered nature of small-group learning： productive interactions in object-oriented collaboration[J]. International journal of computer-supported collaborative learning， 2014，9（3）：247-281.

[30] ENGEL A， COLL C， BUSTOS A. Distributed teaching presence and communicative patterns in asynchronous learning： name versus reply networks[J]. Computers & education， 2013，60（1）： 184-196.

[31] WISE A F， HSIAO Y. Self-regulation in online discussions： aligning data streams to investigate relationships between speaking， listening， and task conditions[J]. Computers in human behavior， 2019，96： 273-284.

[32] NG C S， CHEUNG W S， HEW K F. Interaction in asynchronous discussion forums： peer facilitation techniques[J]. Journal of computer assisted learning， 2012， 28（3）：280-294.

[33] 劉三女牙，韓雪，等.SPOCs論壇中學習者的交互模式研究——基于回復網絡和引用網絡的比較[J].中國電化教育，2019（11）：73-79.