網絡學習空間中群體學習行為路徑及其學習效果分析

張 濤，李春欣，胡 萍，王佳慧

（河南科技學院 信息工程學院，河南 新鄉 453003）

0 引言

網絡學習空間作為網絡教育的主陣地，推動著信息技術與教育的深度融合與創新。互動作為網絡學習空間學習行為的重要指標，通過交流、意義協商、角色扮演、競爭等形式構建個體和群體的知識建構路徑。學習行為是學習者在網絡學習空間中進行一系列操作的總和，是學習者與學習環境雙向交互的結果［1］。當前，全過程性課程數據為學習者刻畫了行為畫像，揭示了其行為結構、模式、特征和影響因素，并以可視化方式理解行為之間的轉換關系。此外，行為差異對交互質量和學習效果有直接影響，有助于教師了解學習者的差異與特征，制定有針對性的教學干預措施，提供有效教學支持服務，對于改善網絡學習空間應用模式具有重要意義。

1 相關研究

行為路徑是行為活動的路線和序列，反映了學習者圍繞學習目標、內容、資源和評價對要完成的系列學習活動進行的排序［2］。通過以測量、收集、分析和報告有關學習者的行為和環境數據，理解和優化學習及學習環境為目的的研究，可以追求教育的最大效益［3］。而學習行為分析即是對學習過程中記錄的行為數據進行有目的的分析，挖掘隱藏在行為背后有價值的信息［4］。

目前關于學習行為的研究主要集中在行為模式構建、學習行為序列和學習行為與成績的關系3 個方面。在行為模式構建方面，黃石華等［5］從量化學習行為大數據的視角構建了一個可量化、可解釋的學習行為分析框架，分析了“場景”與“行為”的關聯；黃煥等［6］采用滯后序列分析法探索在線學習行為的時序模式，揭示了不同在線學習行為之間的依賴性；李月等［7］采用順序分析和聚類分析算法對論壇、測驗、作業與評價和資源4 類學習行為進行挖掘，分析高低成就學習者之間的在線自主學習行為模式差異。在行為序列方面，王文晶等［8］運用聚類分析方法對SPOC和MOOC 平臺中的在線學習數據進行挖掘，對學習行為進行序列轉換分析，探討不同行為序列學習者的學習效果差異性；劉聰聰等［9］采用滯后序列分析和社會網絡分析方法對虛擬學習社區中參與者的交互行為序列展開分析，探究參與者在虛擬學習社區中的信息交互特征。在學習行為與成績方面，沈欣憶等［10］基于MOOC 平臺中的學生學習行為數據構建了在線學習行為與在線學習績效評估模型，通過抽樣逐步回歸的方式分析了在線學習行為對學習成績的影響；姜姍姍［11］基于活動理論和群體動力學習理論構建了課堂協作學習行為分析模型，運用社會網絡分析和滯后序列分析方法探討兩輪協作學習活動下社會網絡和行為序列的變化過程，運用T 檢驗分析學習者的協作學習水平及對學習成績的影響。

綜上所述，學習分析是解釋學習者行為規律的重要工具。然而，目前許多研究僅運用單一方法關注在線行為的發生過程，探索復雜在線學習行為的綜合研究方法有所欠缺。此外，研究對象多為學習者個體行為，不能較好闡釋在線學習的協作性對群體行為的影響。為此，本文綜合運用內容分析、社會網絡分析和滯后序列分析方法，以學習群體為研究對象，從宏觀視角探索學習群體的整體網絡結構，并依據社會網絡的中心性對群體進行劃分，從中觀和微觀視角探索不同學習群體的行為序列特征及轉換過程，挖掘不同學習群體的行為序列差異性及其與學習效果的關系，幫助教師理解不同學習群體行為差異產生的原因，并結合教學目標及時調整教學策略、制訂教學干預措施，促進在線學習行為轉換為學習績效。

2 研究設計

2.1 研究問題

本文設計了以下3 個研究問題：①網絡學習空間中的學習者有哪些類型？②不同類型學習群體有哪些不同行為模式？③不同類型交互行為序列與學習成績之間是否存在顯著相關關系？

2.2 數據樣本

以河南省H 高校教育技術學專業2022 年秋季開設的必修課信息技術教學論為研究對象。該課程持續一個學期（18 周），以網絡學習空間為依托，采用混合式教學模式實施教學活動，其中線上教學以課程知識答疑、在線交流討論、單元測試、學習筆記分享、自主學習其他課程資源等為主。研究樣本為網絡學習空間中56 名課程學習者的交互數據；該數據記錄了學習者2022 年10 月17 日至12 月26日期間的7 839 條行為數據，包括4 個學習主題，1 073 條內容交互數據。

2.3 研究方法

采用社會網絡分析法、內容分析法和滯后序列分析法對網絡學習空間中的學習行為結構進行分析，探索不同學習群體行為序列與學習成績的相互關系。其中社會網絡分析法以個體、群體和社區所構成的社會關系為研究對象，采用量化方式分析社會關系結構及其屬性的方法與范式［12］，通過網絡交互密度、節點平均距離、互惠性、中心性等參數判斷不同學習群體中學習者的網絡位置和參與度，以進一步辨析出核心參與者、半邊緣者和邊緣者群體。內容分析法用于探索研究對象的交互程度，在一定程度上反映參與者的認識層次。本文采用Gunawardena 等［13］提出的五階段交互分析模型（Interaction Analysis Model，IAM）對網絡學習空間中學習者的交互文本進行編碼分析，同時新增與學習內容無關的KC6 編碼項作為第六階段。認知交互行為編碼框架見表1。

Table 1 Cognitive interactive behavioural coding framework表1 認知交互行為編碼框架

上述研究方法從整體視角分析網絡學習空間交互分布情況，但難以區分不同學習群體的多個行為活動，整個交互行為如同一個“黑箱”。滯后序列分析法有助于進一步分析學習者的行為特征［14］，根據計算結果調整殘差值，繪制出不同類型的行為轉換圖［15］，成為打開隱形行為“黑箱”的關鍵性技術。

2.4 數據處理

課程結束后，對網絡學習空間中的課程日志數據進行收集，將課程交互日志和學習過程數據存儲至Excel 中，然后進行數據清洗、整理、格式轉換與編碼。根據Ucinet6.0格式要求建立編碼矩陣，分析網絡學習空間中的社會網絡整體結構、網絡密度、交互距離、互惠值、中心性等參數，確定不同學習群體（核心參與者和邊緣人）的位置關系。

為保證研究信度，挑選2 名參與過研究設計的教育技術學專業學生開展內容分析，按照以下程序進行編碼：首先對2 名學生進行編碼培訓，使其掌握編碼框架內容和特殊問題帖子的處理方法；然后選取總帖量的30%（320 條）分別讓2 名學生進行獨立編碼，通過信度系數（Cohen Kappa）檢驗編碼一致性，以背對背互檢形式對不一致內容進行討論，以提高彼此對編碼框架的理解；最后由2 人對剩余帖子分別編碼，經一致性信度系數檢驗，Kappa 值達到0.785，研究內容具有較好信度。

3 研究結果分析

3.1 社會網絡結構整體分析

3.1.1 社會網絡結構分析

社會網絡分析從關系數據視角研究行動者及其社會成員間的復雜關系與連接［16］，透視社會網絡中行動者間的互動結構及其對行動者和整個群體的影響。本研究運用Ucinet6.0工具對56名學習者的課程交互數據進行編碼，分析得到其社會網絡社群圖、網絡密度、中心度等相關參數。網絡課程的整體交互結構關系如圖1 所示，節點表示在線交互中的學習者，鏈接表示成員間發帖、回帖的互動行為。結果表明，每位學習者向他人發表帖子數的均值為5.96，表明學習者能夠與他人建立良好的溝通機制，形成相對緊密的網絡聯結關系。網絡密度反映網絡內部結構的緊密程度，是測量網絡連通性的重要指標，可采用實際鏈接數與可能鏈接數的比值進行計算［17］；距離為衡量信息擴散的效率，通過從一個節點到另一個節點最短路徑中的鏈接數來計算［18］；互惠性是衡量行動者互惠傾向的指標［19］，網絡學習空間中社會網絡密度越大，節點平均距離越小，互惠性指數越大，表示網絡成員間聯系越緊密，反之其關系越疏遠。本研究中的網絡密度為0.128，節點平均距離為1.96，互惠性為0.132，表明網絡學習空間中學習者的社會網絡關系緊密，成員間的互惠性較高，具有較強的內部凝聚力。

Fig.1 Overall interactive structure of online courses圖1 網絡課程的整體交互結構關系

中心性是一種對網絡中個體權力量化的分析指標［20］，從微觀層面衡量各個學習者在社會網絡中的位置，分為點度中心度、中介中心度和接近中心度等。其中點度中心度表示社會網絡節點間建立有效聯系的能力，體現了學習者自身的交互能力；中介中心度表示某節點承擔其他兩個節點間的最短路徑次數，充當中介的節點對交互行為具有控制作用；接近中心度表示某節點與其他節點的接近程度，又分為入度和出度，出度指該節點連接其他節點邊的數量，入度指其他節點連接該節點邊的數量。經計算，本研究的點度中心度和中介中心度均值分別為5.964 和81.196，接近中心度入度和出度值分別為18.158和27.469。

3.1.2 學習群體劃分

在社會網絡分析中，點出度和點入度是衡量學習者在網絡學習空間中活躍度和聲望的指標，本文以這兩個觀測值對網絡學習空間中的學習群體進行劃分。點出度以回帖數表示，衡量學習者在社會網絡中的交互程度，數值越高，表明該學習者越能與他人建立積極的互動關系；點入度以收到的帖子數表示，衡量其他學習者與該學習者建立的聯系程度，數值越高，表明該學習者在網絡中擁有越高聲望［21］。

以點出度（M=5.964，SD=3.669）和點入度（M=5.964，SD=2.921）的均值為閾值，將56 名學習者劃分為4 類群體，即點出度和點入度均大于均值的為核心參與者，其在整個社會網絡結構中非常活躍，擁有較大權力，處于核心地位，一般為單元主持人、小組組長或教師；點出度值大于5.964，且點入度值介于0～5.964 之間者劃分為半邊緣人A（組織者），其在交互中非常活躍，與他人能建立良好關系，但聲望較低，一般為學習助理或課程助教；點入度值大于5.964，且點出度值介于0～5.964 之間者劃分為半邊緣人B（引導者），其擁有較高聲望，與同伴能建立信任的互動關系，一般為學習標兵；點出度和點入度均小于均值者為邊緣者，其參與課程學習的積極性不高，通常以潛水者身份出現。學習群體劃分結果見圖2。

Fig.2 Learning group division results圖2 學習群體劃分結果

3.2 交互內容分析

在網絡學習空間中，文本交互是學習者認知思維顯性化的重要表現形式，反映了學習者的信息加工過程和知識建構水平。本文采用IAM 框架對1 073 條交互帖子進行編碼，從整體交互行為來看，KC1 占比最大（54.20%），其次為KC3（19.50%）、KC2（12.88%）、KC4（8.94%）、KC6（2.03%），而KC5僅占2.44%。表明網絡學習空間中學習者的交互層級以淺層交互為主，僅有少量學習者達到較高層級（如KC3、KC4），高層級（KC5）交互質量不理想。不同學習群體的交互行為也呈現出相同特征，但又表現出一些差異。相同特征在于核心參與者、半邊緣者A（組織者）、半邊緣者B（引導者）和邊緣者的交互層級均處于淺層（KC1、KC2），分別占其總數的68.42%、67.10%、70.90% 和74.90%。此外，核心參與者、半邊緣者A（組織者）和半邊緣者B（引導者）在KC3 階段出現較高層級現象，分別有95條、77 條和90 條帖子。在KC4、KC5 階段，4 類學習群體的交互帖子均明顯減少。差異之處在于在淺層交互階段（KC1、KC2），核心參與者的交互帖子數量均高于其他3 類學習群體，帖子數分別為275 條和89 條；在較高層級（KC3、KC4、KC5）階段，4 類學習群體的交互行為差異性較為顯著，即邊緣學習者的KC3 帖子僅有34 條，明顯低于其他3 類學習群體；在KC4 和KC5 階段，邊緣者僅有7 條和0條帖子，表明邊緣者偶爾有較高層級的交互活動出現，但不夠持續；相較于淺層階段，核心參與者在KC4 和KC5 階段表現也不夠理想，僅有48 條（9.02%）和18 條（3.38%）帖子出現，而半邊緣者A（組織者）和半邊緣者B（引導者）處于核心參與者與邊緣者之間，KC3 和KC4 的交互行為帖子數量趨近于核心參與者；在KC5 階段，半邊緣者A（組織者）、半邊緣者B（引導者）僅有8 條（2.07%）和7 條（1.62%）帖子，相較于核心參與者的交互帖子有明顯差異。

3.3 不同學習群體行為序列與學習績效分析

行為序列是一個行為向另一個行為的轉換，以兩個行為的編碼組合表示兩個行為形成的序列，組合中行為編碼前后順序代表該序列行為轉換的方向［22］。本研究運用滯后序列分析工具GSEQ5.1 考察網絡學習空間中出現概率達到顯著水平（P＜0.05）的行為序列模式，根據行為序列調整后殘差值（Z-score）繪制行為模式轉換圖，分別建立不同學習群體的網絡學習行為轉換模式和交互行為轉換模式。

3.3.1 不同學習群體交互行為序列分析

根據社會群體劃分方法，在內容分析結果的基礎上對4 類學習群體的交互行為序列與模式轉換進行分析，以動態視角考察不同學習者群體的內隱行為差異及行為交互過程，結果見表2和圖3。

Fig.3 Sequential transformation of interaction behaviours of different learning groups圖3 不同學習群體交互行為序列轉化

可以看出，4 類不同學習群體的交互行為序列有一條共同顯著路徑，即KC1→KC2，表示學習者在陳述各自觀點后緊接著分析比較觀點差異，該過程進一步佐證交互層級為淺層的觀點。在大多數情況下，教師提出新問題后，學習者會回帖討論問題內容與自身觀點的不一致性。核心參與者、半邊緣者A（組織者）和半邊緣者B（引導者）存在KC1→KC2、KC2→KC3、KC3→KC1 3 條顯著路徑，表明學習者在分享信息后通過觀點比較分析直接跳轉至意義協商階段（KC1→KC2→KC3），進行意義協商后會反過來對重新描述的內容進行審視（KC3→KC1），在此階段，交互行為的漸進序列逐漸形成（KC1→KC2，KC2→KC3）。作為半邊緣人A（組織者），其行為序列逐漸走向較高層級（KC4），漸進行為序列為KC1→KC2（Z-score=7.38）、KC2→KC3（Z-score=5.10）和KC3→KC4（Z-score=3.20），表明組織者在協作交互中不斷審視自己的觀點，努力與同伴建立學習共同體并檢驗達成一致的觀點（KC3→KC4，Z-score=3.20）。當然，在交互中存在無關內容（KC6→KC6，Z-score=7.86）來活躍討論氣氛，但可能會擾亂正常的交流秩序。半邊緣者B（引導者）在整體交互中未發揮應有的引導作用，交互層級形成以一個淺層的閉環，即KC1→KC2→KC3，其殘差值分別為Z-score=3.11、2.70 和3.33。核心參與者是整個交互系統中最重要的角色，推動交互行為走向高階層級，其行為構成完整的漸進序列模式KC1→KC2（Z-score=4.73）、KC2→KC3（Z-score=2.25）、KC3→KC4（Z-score=3.20）、KC4→KC5（Z-score=3.33）。此外，通過群體間協商，核心參與者在檢驗修正觀點時會對原有觀點進行自查與反思（KC3→KC1，Z-score=3.82；KC4→KC1，Z-score=4.03），表明學習者能接受他人觀點進行自我反思，理性客觀看待不同觀點對自身知識結構的影響，并與他人達成一致目標（KC4→KC5，Z-score=3.33）。整體來講，不同學習群體的交互以淺層行為序列為主，只有核心參與者和半邊緣者A（組織者）進入高階層級，促進網絡學習空間知識建構過程順利開展。

3.3.2 不同學習群體行為序列與學習成績相關性分析

對交互行為的25 個行為序列總頻次與學習成績進行Spearman 相關分析，結果顯示僅有8 個行為序列與學習成績顯著相關，結果見表3。可以看出，不同學習群體交互行為序列與學習成績的共同顯著性主要集中在KC1KC2 和 KC2KC1 序列中，表明群體學習的交互行為序列在淺層階段對學習成績具有正向影響，該序列體現了學習群體注重知識內容的基本認知與理解；差異性表現為兩個方面：

Table 3 Correlation analysis between sequences of interactive behaviors and academic performance in different learning groups表3 不同學習群體交互行為序列與學習成績相關性分析

（1）同一群體內部差異顯著。如核心參與者的交互行為序列在0.373（P＜0.05）以上對學習成績影響顯著，即KC1KC2、KC1KC3、KC2KC1、KC3KC1 和KC2KC3；半邊緣者A（R≥0.331，P＜0.05）為KC1KC2、KC2KC1 和KC3KC1；半邊緣者B（R≥0.358，P＜0.05）為KC1KC2 和KC2KC1；邊緣者（R≥0.363，P＜0.05）僅在KC1KC2 序列上與學習成績關系顯著。研究表明，同一群體內部的交互行為序列首先從基本知識的理解開始，逐步擴展到知識間的意義協商和達成，充分發揮學習共同體在分享、檢驗、修正等交互過程的協作效應，既符合學習者的認知行為規律，又佐證了上述不同學習群體的交互行為序列分析結果。然而由于某些復雜的原因，半邊緣者B（引導者）和邊緣者在知識協商與修正等較高層級的認知行為活動中缺乏主動性，影響了學習成績的顯著性。

（2）不同群體間差異顯著。研究認為，交互行為序列數越多，學習成績越顯著。核心參與者、半邊緣者A（組織者）、半邊緣者B（引導者）和邊緣者分別有8 個、6 個、5 個和2 個行為序列與學習成績顯著相關性，其中核心參與者與邊緣者差異最為顯著，其次為半邊緣者B（引導者）和半邊緣者A（組織者）。此外，群體行為特征差異是影響學習成績的關鍵因素，例如核心參與者和半邊緣者A（組織者）在外顯交互行為階段具有帖子再編輯和與同伴良好協作的過程，表明其具有反思、檢驗、修正前期觀點的意識和能力。同時，在交互行為階段，二者的行為序列均進入交互較高層級，在意義協商與觀點檢驗修正中能不斷形成新的知識與認知再認識的行為。

4 研究結論與建議

4.1 建立緊密的社會網絡關系結構，激發不同學習群體的內在動力

社會網絡分析清晰呈現了網絡學習空間中不同學習者間的互動結構關系。本研究中網絡交互密度為0.128 4，平均距離為1.906，互惠性為0.131 7，表明網絡學習空間中學習者的社會網絡關系已經建立，但交互結構松散，交互主體主要集中于核心參與者和半邊緣者A（組織者），而半邊緣者B（引導者）和邊緣者未在交互中表現出理想的行為關系，對學習成績影響不顯著。在教學中，教師應充分尊重學習群體的需求，依據不同學習角色提供教學支持服務，增強不同學習群體在網絡學習空間中的主動性［23］，例如賦予核心參與者更多學習自主權，使其在交互中起到引領、激發、調節等作用，以匯聚其他學習者共同參與交流；應發揮半邊緣者A（組織者）助學者角色，使其承擔學習過程中的答疑任務，鼓勵其他參與者積極互動交流，推動群體交互層級與質量向上發展；引導半邊緣者B（引導者）對啟發性和探索性話題進行思考交流，注重從發帖數量向發帖質量轉變；給予邊緣者人文關懷和精準指導，通過與核心參與者和助學者建立學習共同體，幫助其回歸社群活動。

4.2 建立有效教學交互策略，促進交互質量提升

本研究中學習群體的交互活動主要集中于淺層級（KC1、KC2），占總交互數的67.08%，而高層級交互（KC4、KC5）數量偏少，僅占11.38%。在不同學習群體的交互活動中也具有相似情況，但又表現出一些差異。例如，核心參與者的KC1-KC2 交互活動占總交互行為的68.42%，而其他學習群體在該層級的交互活動值均高于核心參與者；核心參與者在KC4 和KC5 階段出現頻率較高的交互行為，其他學習群體的交互行為主要集中于KC1、KC2、KC3，KC4和KC5。這一現象對于個體知識建構、評價反思能力、深度協作等潛在學習能力具有顯著影響，不利于網絡學習空間中社會化學習體系的良性循環。因此在教學中，教師應以“主題模塊化+策略”機制推進學習者與學習內容、學習資源、師生之間的深度交互，促進知識內化［24］。此外，注重學習者的差異性特征，利用多種學習分析工具為不同學習者提供個性化服務，可促進其高階思維能力與協作交互質量的提升。

4.3 注重學習者行為差異，發現有效行為序列規律

在交互行為序列分析中，不同學習群體的行為序列均主要集中于KC1 和KC2 階段。相比于邊緣者B（引導者）和邊緣者以淺層交互行為為主（KC1 和KC2），核心參與者和邊緣者A（組織者）在高階交互序列中均有顯著行為序列出現（KC4 和KC5）。此外，無關信息（KC6-KC6）可能會影響交互質量。在網絡學習空間中，教師應根據學習群體的特征或學習者的個性差異為其提供適宜的學習支架和靈活的交互策略，幫助學習者產生有價值的想法；鼓勵學習者積極建立交互活動，如同伴互評和同伴協作。此外，教師應利用網絡學習空間中的智能代理，如儀表盤、概念地圖、詞云、知識社會網絡等工具及時掌握話題走向［25］，調控交互秩序，并在交互中發現有價值的交互行為規律，積極引導半邊緣者B（引導者）和邊緣者改善學習方式，促進其構建有意義的知識體系。

4.4 挖掘學習者的個性潛能，改善教學交互策略

研究認為，在所有學習群體中KC1KC2 和KC2KC1 行為序列與學習成績成正相關，說明交互行為質量與行為序列會影響學習成績。發現有意義的行為序列有助于優化教學過程，提升教學效果；而對于偏離學習主題或無意義的行為序列，教師應及時采取干預并調整交互話題，改善交互質量［26］。此外，教師應關注學習者的行為特征差異，利用信息技術手段為其制定差異化學習方案，在學習共同體中發揮個人潛能，促進其在積極的協作交互中提升績效水平。

5 結語

本文通過綜合運用社會網絡分析、內容分析、滯后序列分析和相關分析等方法挖掘了不同學習群體的行為特征及其差異，發現淺層次的學習行為以及低等級的交互質量仍然是當前網絡學習空間交互活動面臨的主要問題。誠然，本研究還存在很多局限之處：首先研究樣本數量有限，僅針對某一課程數據進行分析；其次，網絡學習群體劃分未考慮學習者的個性特征，劃分依據有待改善；第三，文章僅從內容交互行為與學習成績視角進行相關分析，對學習者外顯行為與學習成績的相關性未予以考慮。今后將進一步擴大樣本，對不同學習群體的成因、交互行為差異、教學活動設計進行優化與調整，以提升其在網絡學習空間中的交互質量和學習效果。