基于關鍵角色互動特征識別的協作學習預警研究

王辭曉 伍瀟貝

基金項目：國家自然科學基金2022年度青年科學基金項目“基于社會—行為—認知—情感的在線協作角色互動分析與干預研究”（項目編號：62207003）；北京市教育科學“十四五”規劃2023年度重點課題“數據驅動的中小學人機協同教學質量評價與提升路徑研究”（課題編號：BGAA23030）

[摘? ?要] 動態監督并精準干預協作角色的功能表現和群體協調問題，有助于提升協作學習的互動質量與效率。文章旨在通過挖掘協作學習中個體和群體層級角色互動特征對學習成效的影響路徑來設計協作學習預警機制。以科學協作探究為研究情境，文章提出了融合時序和能級信息的個體和群體雙層級角色互動特征計算方法，并運用多層線性模型識別出對學習成效有顯著直接效應和調節效應的關鍵角色互動特征。研究發現：個體層級的四種關鍵互動特征中角色轉換頻數、角色維持時長均值、角色能級均值對學習成效具有正向影響，角色能級變化系數對學習成效具有負向影響；群體層級的三種關鍵互動特征策略轉換頻數、策略能級變化系數、策略能級方差對部分個體層級互動特征的效應有調節作用。最后，文章設計了基于上述關鍵角色互動特征的協作學習預警機制，并提出角色感知、角色建議、角色配置三種不同強制程度的教學干預策略。

[關鍵詞] 協作學習； 數據驅動； 協作角色； 特征識別； 多層線性模型

[中圖分類號] G434? ? ? ? ? ? [文獻標志碼] A

[作者簡介] 王辭曉（1992—），女，吉林白山人。講師，博士，主要從事在線教育、協作學習研究。E-mail：wangcixiao@bnu.edu.cn。

一、引? ?言

角色是社會心理學的重要概念之一，被廣泛應用于探討人類在社會群體中的身份與行為規范[1]。協作角色反映著小組成員的責任分配與職能定位，合理的角色配置有助于形成積極互賴關系，提高信息交互和意義協商的效率，進而提升協作效果[2]。分配角色、輪換角色、反思角色是協作學習中常見教學干預方式[3-4]。然而，教師往往難以實時監督個體和小組的實際表現，并針對過程性角色表現問題給予精準干預，學習者的實際角色表現也可能與教師預設存在偏差[5]，未能產生理想干預效果。及時發現持續邊緣參與、策略頻繁變換、活躍度驟降等具有一定學業風險的角色互動特征，具有重要的協作學習預警作用。本研究以協作探究情境的角色互動為切入點，期望通過挖掘協作角色的互動特征，有效識別并預警群體協調的過程性問題，為協作學習的精準教學干預提供設計依據。

二、文獻綜述

（一）基于協作角色的學習分析

在學習分析領域，協作角色的相關研究主要可以分為三類。第一類，協作角色的類型劃分，主要關注角色的內涵與產生方式，例如，腳本化角色和生成性角色的基本劃分[6]，前者受外部腳本指派，后者由組內自發形成。也有研究者根據協作情境進行更為細致的角色分類，例如：Yilmaz等人將知識建構類協作角色分為發起者、總結者、主持人、思辨者、資源搜索者等[3]；王辭曉和張文梅將聯通主義學習協作角色分為組織者、整合者、執行者、輔助者、邊緣者、輟學者等[7]。第二類，協作角色的識別技術，主要探索基于自陳報告或協作數據的協作角色識別方法與技術。現有方法多為基于對文本、視頻等非結構化數據的人工編碼[8]和對社會網絡指標、行為日志等結構化數據的事后統計和聚類分析[5]。第三類，協作角色的互動分析，主要關注長周期協作過程中角色的發展、轉換等互動規律。個體角色轉換能夠體現協作者職能定位的變化，小組角色結構動態變化能夠反映小組這一有機整體的策略變化和功能調節[9]。前人研究運用行為轉換、社會網絡分析等方法探索了個體角色轉換、群體結構變化等角色互動規律[10-11]。也有研究基于系統性文獻綜述提出面向群體認知的角色展現、協調、結構三層級互動分析模型及其方法體系[12]。這些研究為協作角色的學習分析提供了框架與方法，為相應的精準教學干預提供了可能性和設計依據。

（二）基于協作角色的教學干預

在協作學習領域，前人研究探索了基于協作角色的教學干預方式，如角色分配、角色輪換、角色反思等[4]。然而，角色干預效果的檢驗往往僅從群體視角開展，個體對角色功能的實際執行情況常被忽視。例如，角色分配被前人研究證實能夠提高被試群體的認知臨場感[3]、群體效能感[13]、知識共享意愿[14]和知識建構水平[15]。但也有研究指出，部分個體因能力、興趣等因素未能較好地執行被分配角色的職能[5]，而教師往往難以實時覺察并給予教學干預。還有研究發現，指定給學生的腳本化角色，如資源搜集者等角色，對個體的知識建構水平有負面作用[16]。缺乏對協作角色真實執行情況的分析使得這類問題的溯源成為挑戰，協作角色的干預設計與效果檢驗難以構成反饋閉環。

學習分析是設計精準教學干預、提升學習成效的重要基礎。分析多主體的角色維持、轉換、結構演化等互動特征，如角色轉換過于頻繁、角色配置不合理等，能夠為細化具體干預內容與形式提供依據[7-10]。然而，少有研究將個體角色轉換、小組角色分布與結構變化等互動特征與學習成效建立關聯，過程性教學干預的設計缺乏有效支撐。總的來說，協作角色互動分析有助于發現個體角色執行和小組功能協調中存在的問題，進而設計精準的教學干預機制，且當前亟須開展對角色互動特征與協作成效關聯關系的深入分析。

三、研究設計

（一）研究情境與對象

本研究的協作學習情境為基礎教育階段的科學課堂，多人結成一組基于虛擬實驗開展科學探究。實驗對象為實驗學校的五年級學生，總人數為130人，共來自4個班級，且由同一位科學教師任教。實驗對象共分為23個協作小組，小組規模為5～6人。研究者與教師基于課程標準與教學大綱，從PhET教學模擬平臺選取三個符合課標要求的虛擬實驗：光的折射、簡單電路、電磁感應。基于這三個探究主題，本研究實驗共包含三輪間隔一個月的探究活動。每輪探究活動中，各小組基于所給實驗單的概念理解和問題解決任務，操作虛擬實驗、總結實驗規律，進而完成小組實驗單和個人后測。個人后測題目與探究主題相關，用于評測學生在探究活動中的知識獲取情況。

（二）研究問題與框架

本研究的主要目的是挖掘協作學習中個體和群體層級角色互動特征及其對學習成效的影響，并基于顯著影響學習成效的關鍵角色互動特征設計協作學習預警機制。研究假設個體和群體層級的角色互動特征均會對個體學習成效產生影響，且這些特征具有時序性、等級性、嵌套性等特點。具體研究問題如下：（1）如何計算個體層級和群體層級具有復雜嵌套結構的角色互動特征？（2）如何識別對學習成效有顯著影響的關鍵角色互動特征并基于此設計協作學習預警機制？本研究的研究框架如圖 1所示。

圖 1? ?研究框架

研究框架共分為四個階段：首先，運用內容分析法提取協作探究活動后學習者反思文本所呈現的個體協作角色類屬。其次，根據角色時序信息和能級信息計算個體層級的角色互動特征，并基于此挖掘群體層級的協作策略及其互動特征。再次，構建個體與群體層級角色互動特征的多層線性模型，識別對學習成效有顯著影響的關鍵角色互動特征。最后，基于個體和群體關鍵角色互動特征設計協作預警機制。

（三）研究方法與工具

本研究采用文本內容分析、數據挖掘、多層線性模型等方法開展研究。

1. 協作角色類屬編碼

每輪探究活動后，學生填寫協作反思問卷，包括協作角色、資源使用等主觀問題。學生報告其在協作中扮演的角色和工作內容。研究者根據小組成員在反思問卷中“資源使用”的回答情況對個體角色文本信息進行修正。在角色編碼階段，本研究采用Wang & Li提出的科學探究協作角色編碼表對修正后的角色文本數據進行編碼[8]。該編碼表將協作角色劃分為五個類屬：協調類、整合類、探究類、輔助類、邊緣類。

兩名研究者經過編碼訓練后，對257條文本數據進行背對背編碼。內部一致性檢驗的Kappa系數為0.920 （p<0.001，N=257），表明編碼質量較高。隨后，由第三位研究者參與協商討論不一致的編碼，最終確定得到研究對象在三輪活動中扮演的協作角色。

2. 角色互動特征計算

角色互動特征包括兩個層級：個體層級和群體層級，分別反映了學習者協作角色扮演的維持調整情況和小組策略的協調情況。本研究提出了角色互動特征分析框架（見表1），將個體和群體層級的互動特征均分為基于時序信息和基于能級信息兩個維度。

表 1? ? ? ? ? ? ? 角色互動特征分析框架

對個體而言，時序維度指基于角色轉換頻數和維持時長均值、方差等時序信息進行特征計算，能級維度指根據角色能級信息對其變化情況進行計算。角色能級來源于社會能級論[17]，本研究據此為協作角色賦值，即為不同社會話語地位的協作角色賦予能級值。進一步地，基于角色能級信息可計算角色能級均值、能級方差和能級變化系數等特征。

對群體而言，本研究根據小組中角色的展現情況挖掘其使用的群體策略。時序維度指基于協作中所采用的群體策略時序信息進行特征計算，能級維度指基于小組內部各角色能級信息計算群體策略能級，進而計算群體策略能級的變化特征。進一步地，基于群體能級信息可計算群體策略能級均值、能級方差和能級變化系數等特征。

3. 關鍵互動特征識別

關鍵角色互動特征指對協作學習成效有顯著影響的若干特征，是發現過程性協作問題、制定精準教學干預策略的重要依據。多層線性模型（Hierarchical Linear Model， HLM），常用于處理分層嵌套數據，減少標準誤產生。本研究包含了23個小組，每組5～6名學生，構成個體角色—群體策略的兩層嵌套數據。

本研究將個體層級和群體層級的角色互動特征設為多層線性模型的自變量，將個體學習成效即后測成績設為因變量，用于反映學生的知識獲取情況。研究假設群體層級的自變量會以直接或調節方式影響個體學習成效。研究將提取出對個體學習成效有顯著影響的角色互動特征，實現關鍵互動特征識別。HLM 6.0工具將用于多層線性模型的構建。

四、特征計算與建模

（一）角色互動特征計算

1. 基礎變量

通過對三輪探究活動中協作角色的類屬編碼，本研究提取了研究對象的協作角色信息。本研究設計了個體和群體層級的基礎變量（見表 2），以便開展角色互動特征計算。在本研究中，單位協作時間指一輪探究活動，整個協作周期指三輪探究活動。

角色賦值函數的參考依據為整個協作周期中扮演該角色的所有個體的平均行動頻次，人均行動頻次越高，該角色能級越高。角色能級賦值結果為：R1協調類為5，R2整合類為4，R3探究類為3，R4輔助類為2，R5邊緣類為1。

群體策略類型的參考依據為小組內包含的角色類型及其數量。基于此，本研究將群體策略劃分為任務型、協調型、探究型、綜合型、消沉型五種，類型劃分函數見公式（1）。n為小組g的人數，h■■為小組角色豐富度，表示小組g在單位協作時間Tj中角色的類型數。

式（1）

策略能級函數的參考依據為群體策略的人均角色能級水平，人均角色能級值越高，策略能級越高。基于此，策略能級賦值結果為：S1任務型為5，S2協調型為4，S3探究型為3，S3綜合型為2，S5消沉型為1。

2. 特征計算

本研究進一步提出個體和群體層級的角色互動特征計算公式。個體角色互動特征的計算公式及含義見表 3。其中，k表示學習者序號， j表示某段協作時間，i代表第i個維持時段，n表示整個協作周期中單位學習時間的總數，N表示學習者k角色維持時長的總數，即i的最大值。

群體角色互動特征的計算公式及含義見表4。其中，g表示小組序號，j表示某段協作時間，i表示第i個維持時段，n表示單位協作周期中單位學習時間的總數，N表示小組k策略維持時長的總數，K表示某組中小組成員總數。群體策略能量值記作Μc，其中c=[1， 2， 3，…，c]，代指某策略類別下的小組數。

由于部分研究對象未能全程參與三輪探究活動或后測，最終納入分析的個案數為23個小組的110名學生。根據以上計算公式，個體與群體角色互動特征的計算結果見表5。

（二）關鍵互動特征建模

1. 模型構建

在特征識別階段，本研究構建的HLM為兩層分析模型：第一層的自變量為個體角色互動特征，第二層的自變量為群體角色互動特征。因變量為個體協作學習成效，即學生三輪探究活動后測成績的均值。

（1）零模型

零模型可以用來檢驗數據是否適合分層，即是否有必要進行分層分析。本研究構建的零模型如下：

第一層：LP=β0+r

第二層：β0=γ00+μ0

其中，LP為因變量，β0為第一層截距即固定效應，r為第一層的隨機效應；γ00為β0在第二層的截距即固定效應，μ0為第二層的隨機效應。

（2）隨機系數回歸模型

在零模型的基礎上，本研究先考察個體層級的自變量對因變量的直接影響，即構建隨機系數回歸模型。首先，將個體時序特征作為自變量納入第一層方程（形成模型1）；其次，將個體能級特征作為自變量納入第一層方程（形成模型2）。所構建的隨機系數回歸模型如下：

第一層：LPij=β0j+β1jX1j+β2jX2j+…+rij

第二層：β0j=γ00+μ0j

βij=γi0+μij

其中，Xij為第一層的自變量；γi0為βij在第二層的截距，μij為βij在第二層的隨機效應。

（3）截距模型

在零模型的基礎上，進一步考察群體層級的自變量對因變量的直接影響。將群體時序和能級特征變量作為自變量同時納入第二層方程（形成模型3）。所構建的截距模型如下：

第一層：LPij=β0j+rij

第二層：β0j=γ00+γ01Wj+γ02Wj+…+μ0j

其中，Wj為群體層級的自變量。

（4）完整模型

在模型2的基礎上，將群體時序和能級變量納入第二層方程中（完整模型），考慮個體層級變量對個體學習成效的直接影響和群體層級變量的調節作用。所構建的完整模型如下：

第一層：LPij=β0j+β1j X1j+β2j X2j+…+rij

第二層：β0j=γ00+γ01Wj+γ02Wj+…+μ0j

β1j=γ10+γ11Wj+γ12Wj+…+μ1j

2. 特征識別

（1）零模型

零模型檢驗結果見表 6，計算得出ICC（1）值為0.181>0.138，證明各小組間的個體學習成效差異顯著，即小組與個體學習成效間具有高關聯強度，數據適合采用HLM進行分析。此外，組間效應占比為22.10%，組內效應占比為81.90%。換言之，小組的不同會引起個人學習成效的差異，且這種差異占個人學習成效整體差異的22.10%。

表6? ? ? ? ? ? ? ? ? 零模型的檢驗結果

（2）隨機系數回歸模型

在模型1構建過程中，個體層級的角色轉換頻數、角色維持時長均值、角色維持時長方差間存在共線性問題。因此，后續分析在保證模型不存在共線性問題且模型擬合效果最優的前提下選取變量。研究最終選取角色轉換頻數和角色維持時長均值作為模型1的自變量，此時模型擬合效果最好。模型1擬合結果（見表7）表明，角色轉換頻數與角色維持時長均值對個體學習成效均具有顯著影響，且角色轉換頻數越高，學習成效越好；角色維持時長均值越高，學習成效越好。

之后，選取角色能級均值、角色能級方差作為自變量，納入模型1的第一層方程，構成模型2，此時模型擬合效果最好。根據模型2擬合結果（見表7），角色轉換頻數與角色維持時長均值對個體學習成效具有顯著正向影響，且在加入個體層級的能級變量后，角色轉換頻數對個體學習成效的影響系數提高，而角色維持時長均值的影響系數降低。此外，角色能級均值對個體學習成效具有顯著正向影響，而角色能級變化系數對個體學習成效影響不顯著。

表 7? ? ? ? 零模型和模型1-3的檢驗結果

注：*表示p<0.05，下同。

（3）截距模型

在零模型的基礎上，將群體時序特征和能級特征作為自變量同時納入第二層方程中。由于策略維持時長方差與其他變量間存在共線性問題，最終選擇納入其他五個變量形成模型3。

模型3擬合結果（見表7）發現，群體層級角色互動特征對個體學習成效影響不顯著。在加入群體層級自變量后，模型離異數由720.091降為703.516，說明群體層級自變量對模型的構建具有一定優化作用。這表明，群體角色互動特征沒有直接影響個體學習成效，而是通過影響個體角色互動特征間接影響個體學習成效，即調節作用。

（4）完整模型

完整模型的擬合結果見表 8。此時模型離異數降至677.899，擬合效果提升。檢驗結果表明，角色轉換頻數、角色維持時長均值、角色能級均值對個體學習成效依然具有顯著正向影響，且角色轉換頻數的影響系數有所增加，角色維持時長均值、角色能級均值的影響系數減小，可見群體角色互動特征擴大了個體角色互動特征的變量間影響差距。此外，角色能級變化系數對個體學習成效產生了顯著負向影響。

表 8? ? ? ? ? ? ?完整模型的檢驗結果

在群體層級自變量的調節作用下，個體層級自變量對個體學習成效的影響有所變化。具體地，策略轉換頻數對角色轉換頻數的效應有顯著負向調節作用，策略轉換頻數越大，角色轉換頻數對個體學習成效的影響越小；策略能級變化系數對角色能級均值的效應有顯著正向調節作用，策略能級變化系數越大，角色能級均值對個體學習成效的影響越大；策略轉換頻數和策略能級方差均對角色能級變化系數的效應有顯著調節作用，策略轉換頻數越大，角色能級變化系數對個體學習成效影響越大；策略能級方差越小，角色能級變化系數對個體學習成效影響越大。

五、研究發現與討論

（一）關鍵角色互動特征的效應解析

1. 個體層級

研究得到4個個體層級的關鍵角色互動特征，其中，角色轉換頻數、角色維持時長均值、角色能級均值對學習成效具有正向影響，角色能級變化系數對學習成效具有負向影響。角色轉換頻數反映了職能轉換情況，角色維持時長均值反映了個體在協作過程中的角色穩定性，兩者均能夠反映個體在小組中的角色協調情況，且前者對學習成效的影響程度更大。先前研究表明，角色輪換有助于提高學習者的高階認知水平和問題解決能力，能夠有效地避免組內角色固化和群體動力失活等問題[4]。同時，適度的個體角色轉換體現了群體策略的調整，是小組為了推進協作任務而進行的合理內部協調[8]，因而會對學習成效產生較大程度的正向促進作用。角色穩定性對學習成效的正向影響主要體現在核心成員，即角色能級較高的個體，其角色穩定性越高，小組協作表現越好，從而影響組內個體知識獲取情況[7-8]。因此，相較于角色轉換頻數，角色維持時長均值對個體學習成效的正向促進作用稍弱。

角色能級均值反映了個體在整個協作周期的活躍水平與社會話語地位[8]。小組任務的核心參與者與推進者有著較高的角色能級均值，也相應地會取得更好的個體學習成效。而對于搭便車者、邊緣參與者等角色能級均值低的個體，已有研究表明這類學習者具有一定學業風險[11-18]，本研究進一步表明這類角色需要進行外部干預。角色能級變化系數反映了個體角色能級躍遷的幅度，躍遷幅度越大，個體學習成效越低，可見從低能級角色轉換為高能級角色時，能級過度提升是不合理的角色協調現象，會產生負面作用；反之，高能級角色轉變為輔助者、邊緣者等低能級角色，個體本身的協作參與度、活躍水平降低，進而引起負面影響。此外，在未考慮群體層級變量的情況下，角色能級變化系數對個體學習成效的負向影響不顯著，引入群體層級變量后才產生顯著負向影響，這說明角色能級變化系數對個體學習成效的影響與群體層級變量關系密切，受群體策略的影響較大。

2. 群體層級

本研究發現，不同小組會使個體學習成效產生一定的差異，且這種差異占個體學習成效整體差異的22.10%，這說明群體層級的角色互動特征會影響個體學習成效。群體層級的角色互動特征未對個體學習成效產生直接影響，而是作為調節變量產生間接影響。具體地，群體層級變量加強了角色轉換頻數、角色能級變化系數對個體學習成效的影響，削弱了角色維持時長均值、角色能級均值對個體學習成效的影響。進一步分析發現，策略能級變化系數對角色能級均值的效應、策略轉換頻數對角色能級變化系數的效應具有顯著正向調節作用。策略轉換頻數對角色轉換頻數的效應、策略能級方差對角色能級變化系數的效應具有顯著負向調節作用。由此可得，群體層級的關鍵角色互動特征為：策略轉換頻數、策略能級變化系數、策略能級方差。

首先，頻繁的策略轉換會削弱角色轉換頻數的正向作用效果、增強角色能級變化系數的負向作用效果。具體地，當群體策略經常發生變化時，個體角色變化對其學習成效的正向作用有所下降，而角色能級的大幅變化對其學習成效的負向作用有所增強。群體策略頻繁轉變時，個體角色也會相應地發生頻繁的轉換，但后者的轉換可能是被動的，因而其效應會發生改變。同時，群體策略改變頻繁可能會導致個體角色能級的不合理躍遷，進而引起更強的負面作用。已有研究也表明，相對穩定的小組策略會帶來更好的學習成效[8]，可見策略轉換頻繁是群體層面的重要預警依據之一。其次，策略能級變化系數越大、策略能級方差越大，均能夠代表協作周期中小組策略發生較大調整，即組內更多個體發生角色轉變。如果在此過程中個體仍能夠保持較高的角色能級水平，那么這類適應能力較強的個體也會取得更好的學習效果。此外，由于小組策略發生變化，部分個體角色能級大幅度變化的合理性得到提升，因而角色能級變化系數對個體學習成效的負向作用變弱。

（二）基于協作角色的預警機制設計

根據上述研究發現，本研究設計了基于關鍵角色互動特征的協作學習預警機制（如圖 2所示）。預警機制通過識別關鍵角色互動特征，將協作過程中的個體和群體分為正常狀態和警戒狀態，并針對警戒狀態的個體或群體實施相應教學干預策略。具體地，個體層級警戒狀態分為三種：角色單一固化、角色維持短暫、角色能級劇變；群體層級警戒狀態分為兩種：策略轉換頻繁、策略能級劇變。基于群體感知和協作腳本理論[19]，本研究提出角色感知、角色建議、角色配置三種強制程度遞增的干預策略。其中，角色感知指向學生或小組呈現角色互動特征的可視化信息，角色建議指提供關于個體角色轉換或小組策略調整的建議及腳手架，角色配置指向學生指派特定角色或為小組配置角色結構。正常狀態下，采用角色感知策略供個體和小組了解與反思協作歷程；警戒狀態下，根據情況實施角色建議或角色配置策略。

圖 2? ?基于角色互動的協作學習預警機制

個體層級上，角色單一固化型學生長期扮演同一協作角色容易產生心理慣性，學習行為相對單一和重復，協作動力難以保持。因此，在協作效率低下、任務進程緩慢時，可通過角色建議策略提醒學生主動進行角色轉換，或向持續邊緣參與、長期話語霸權的學生實施角色配置策略。角色維持短暫型學生在協作過程中頻繁地調整個人角色，對一種角色尚未熟悉時又轉換為其他角色，可能產生角色職能定位混亂、參與度忽高忽低等問題。在此情況下，可通過角色建議策略對個體職能提出要求，或通過角色配置策略規定學生必須在某個協作周期中維持特定角色，從而提高其角色熟悉度和協作參與度。角色能級劇變型學生在協作過程中能級躍遷幅度較大，其中，從低到高的角色能級躍遷代表邊緣學生成為組內關鍵角色，此時可能產生組員信任度低、任務融入難、職責與能力不匹配等問題；而從高到低的躍遷則可能導致學生游離小組之外、協作進度受阻、效率降低等問題。因此，當學生角色能級發生劇變時，可通過角色建議或配置策略進行干預：對于前者，引導其穩步前進，在協作過程中逐漸提高個體協作表現與社會話語地位；對于后者，幫助其認同自身角色價值，建議其在適當范圍內轉換角色，避免因角色倦怠而產生消極協作等表現。

群體層級上，對于策略頻繁轉換型群體，成員角色頻繁變動使得小組時間和精力過度投入分工協調上，不利于協作任務的實質性推進。因此，可采用角色建議策略幫助學生找到合適的協作策略，減少策略轉換頻次，形成穩定高效的群體策略。此時還應著重關注角色單一固化、角色能級劇變的組員，在必要情況應實施角色配置策略。對于策略能級劇變型群體，關鍵角色的大幅能級躍遷或多位組員角色轉換，容易導致小組策略發生強烈變化，職能分工的大幅調整可能導致部分學生無法適應新策略，進而影響其協作表現。因此，可采用角色建議和角色配置策略，結合學生個人狀態和小組角色結構，協助小組選擇并保持適當策略，同時提供具體角色分配與執行建議。此時還應著重關注組內持續邊緣參與的學生，引導其進行相鄰能級的角色轉換，或為其指派較高能級的適宜角色。

（三）研究反思與未來展望

本研究通過整合個體角色及群體策略的時序與能級信息，提出了個體和群體雙層級協作角色互動特征分析框架與計算方法，破解了協作角色互動特征的計算難題，豐富了協作學習互動分析的研究方法與工具。同時，本研究運用多層線性模型識別出對學習成效有顯著影響的關鍵角色互動特征，深入分析角色互動特征隱含的過程性協作問題，并基于此設計了協作學習預警機制，提出面向不同層級、多種強度的教學干預策略。研究結果有助于從理論層面豐富角色互動對協作成效的影響機制，從實踐層面提升群體協作的學習成效與互動質量。本研究還存在一定局限性，例如，實驗僅包含三個單位協作時間，導致模型構建過程中部分變量間存在共線性問題，未能全面揭示角色互動特征對學習成效的作用路徑。未來研究應延長協作周期、豐富協作情境、設計迭代教育干預實驗，進一步驗證計算方法與預警機制的可遷移性，提升多場景協作表現監督與調控的精準性。

[參考文獻]

[1] SMITH R，SUEANN B. “Newbies” and “Celebrities”： detecting social roles in an online network of teachers via participation patterns[J]. International journal of computer-supported collaborative learning， 2014，9（4）：433-450.

[2] ？魻ZTOK M. Cultural ways of constructing knowledge： the role of identities in online group discussions[J]. International journal of computer-supported collaborative learning， 2016，11（2）：157-186.

[3] YILMAZ R，YILMAZ F G K.Assigned roles as a structuring tool in online discussion groups： comparison of transactional distance and knowledge sharing behaviors[J]. Journal of educational computing research， 2019，57（5）：1303-1325.

[4] 王智穎，翟蕓，吳娟.在線異步討論中角色輪換腳本對大學生深度學習的影響[J].現代遠程教育研究，2021，33（3）：100-112.

[5] COSTAGUTA R ，SANTANA-MANSILLA P ，LESCANO G ， et al.Mining associations between collaborative skills and group roles in collaborative e-learning environments[J].Journal of information technology research（JITR），2019，12（2）：159-174.

[6] LIU W ，WANG C.How roles in collaboration respond to the exchange of device-student ratio under the impact of external scripts？[J].Educational technology society，2022，25（2）：15-30.

[7] 王辭曉，張文梅.聯通主義學習中協作問題解決的角色互動研究[J].電化教育研究，2022，43（10）：86-93.

[8] WANG C， LI S. The trade-off between individuals and groups： role interactions under different technology affordance conditions[J]. International journal of computer-supported collaborative learning，2021，16（4）：525-557.

[9] STAHL G， LAW N， CRESS U， et al.Analyzing roles of individuals in small-group collaboration processes[J]. International journal of computer-supported collaborative learning，2014，9（4）：365-370.

[10] 張瑞，生蕾，張義兵.知識建構社區中生成性角色的演變過程分析[J].電化教育研究，2020，41（2）：53-59.

[11] HEINIM？魧KI O， VOLET S， JONES C， et al.Student participatory role profiles in collaborative science learning： relation of within-group configurations of role profiles and achievement[J].Learning， culture and social interaction，2021，30（PA）：100539.

[12] 王辭曉，劉文輝.理解與表征群體認知的新視角：協作腳本中的角色互動[J].現代遠程教育研究，2023，35（2）：102-112.

[13] STRIJBOS J， MARTENS R L， JOCHEMS W M G， et al. The effect of functional roles on perceived group efficiency during computer-supported collaborative learning： a matter of triangulation[J]. Computers in human behavior，2007，23（1）：353-380.

[14] CESARENI D， CACCIAMANI S， FUJITA N. Role taking and knowledge building in a blended university course[J]. International journal of computer-supported collaborative learning，2016，11（1）：9-39.

[15] DEWEVER B， KEER H V， SCHELLENS T， et al. Roles as a structuring tool in online discussion groups： the differential impact of different roles on social knowledge construction[J]. Computers in human behavior，2010，26（4）：516-523.

[16] HEINIM？魧KI O， VOLET S， VAURAS M. Core and activity-specific functional participatory roles in collaborative science learning[J]. Frontline learning research，2020，8（2）：65-89.

[17] 繆文卿.論大學組織生成及其與社會的關系[J].教育研究，2015，36（11）：64-68.

[18] 何文濤，王良輝，朱玲林，等.智慧教室環境下協作學習的異常行為特征分析[J].中國電化教育，2020（6）：88-94，129.

[19] ROJAS M， NUSSBAUM M， GUERRERO O， et al. Integrating a collaboration script and group awareness to support group regulation and emotions towards collaborative problem solving[J]. International journal of computer-supported collaborative learning， 2022，17（1）：135-168.

Research on Collaborative Learning Early Warning Based on

Key Role Interaction Feature Recognition

WANG Cixiao，? WU Xiaobei

（Research Center of Distance Education， Beijing Normal University， Beijing 100875）

[Abstract]? Dynamic supervision and precise intervention of collaborative roles' functional performance and group coordination can help improve the interactive quality and efficiency of collaborative learning. The paper aims to design an early warning mechanism of collaborative learning by exploring the influence of the interaction feature of individual and group-level roles on learning effectiveness in collaborative learning. In the context of scientific collaborative inquiry， this paper proposes a method for calculating two-level role interaction features by integrating temporal and energy level information， and uses a hierarchical linear model to identify the key role interaction features that have significant direct effect and moderating effect on learning effectiveness. It is found that among the four key interaction features at the individual level， the frequency of role transition， the mean duration of role maintenance， and the mean value of role energy level have a positive effect on learning effectiveness， and the variance coefficient of role energy level has a negative effect on learning effectiveness. The three key interaction features at the group level， namely the frequency of strategy transition， the variance coefficient of strategy energy level， and the variance of strategy energy level， have a moderating effect on the effects of some interaction features at the individual level. Finally， this paper designs an early warning mechanism of collaborative learning based on the above key role interaction features， and proposes three teaching intervention strategies with different levels of coercion： role perception， role suggestion and role allocation.

[Keywords] Collaborative Learning; Data-Driven; Collaborative Role; Feature Recognition; Hierarchical Linear Model