學習型社區賦能教育強國建設

摘要：學習型社區建設有助于加快教育強國落地，社區中在線學習者的各種協作互動行為，促進了學習者關系網絡的生成。對該網絡進行深入分析，可以挖掘其中蘊含的社區學習的本質特征。該研究提出從社區發現角度對學習者關系網絡進行分析，首先設計基于圖卷積網絡和非負矩陣分解，并集成學習者關系網絡信息和文本內容信息的新型學習型社區發現方法，提出四個社區特征度量指標，在真實的學習者關系網絡中進行應用分析。結果表明，所提出的分析方法能有效挖掘學習者關系網絡存在的學習興趣主題社區，還可以對社區整體和社區成員個體進行特征分析，并且分析結果可為引導學習者的在線交互協作行為提供決策支持。最后，形成“構建可視化學習型社區—開展社區之間知識分享—促進各社區的互動合作—指標反饋下的反思迭代”的學習型社區賦能策略。通過策略賦能學習型社區高質量發展，以社區新質生產力組合助推教育強國建設。

關鍵詞：學習者關系網絡；網絡分析；學習型社區；社區發現；教育強國

中圖分類號：G434 文獻標識碼：A

* 本文系國家自然科學基金面上項目“社交化學習環境下面向動態異質學習者關系網絡的重疊社區發現方法研究”（項目編號：62077045）研究成果。

① 林曉凡為本文通訊作者。

一、引言

2023年5月29日習近平總書記主持中共中央政治局第五次集體學習，以貫徹落實黨的二十大部署為目的，探究我國建設什么樣的教育強國、怎樣建設教育強國這一重大課題，為扎實推動教育強國建設，強調“加快建設學習型社會，促進人人皆學、處處能學、時時可學”的重點任務[1]。而在“互聯網+”時代，在線社區為學習者提供了相互討論交流的機會，也能促進經驗和資源的共享與交流[2]。同時，網民規模劇增的新形勢為在線學習型社區的建設提供了契機。根據中國互聯網絡信息中心（CNNIC）發布的第52次《中國互聯網絡發展狀況統計報告》顯示，截至2023年6月，我國網民規模達10.79億人[3]。如此大規模的網民，若能形成專業性、有貢獻、能服務于社會和行業的在線學習型社區，將為教育強國建設做出巨大貢獻。然而，僅僅依靠簡單的社區數量疊加并不足以支持學習型社會的構建。因此，社區的高質量發展還應明確發展標準，才能為學習型社會建設提供支持，促進個體智力轉化為實際有效成果的學習型社會建設，從而助推教育強國發展。

當不同的人通過網絡聯系在一起，就形成了關系網絡。當在線學習者通過網絡聯系在一起，就形成了在線學習者關系網絡。在線學習者關系網絡與在線學習的重要指導理論聯通主義密切相關[4]，它可由學習者之間的各種“聯通”行為生成，例如加好友、加關注、資源分享、答疑討論以及群組協作等行為。與大眾類社交網絡（如微信和微博）中用戶關系建立存在過多的隨機性和噪聲不同，學習者關系網絡的關系往往由具有相同學習興趣或相同學習任務的學習者自發構建，因此具有更好的穩定性和真實性。由于是在學習場景中產生，學習者關系網絡往往蘊含著學習者的在線學習行為模式和規律，對其進行深入分析可以了解學習者的學習興趣特征和學習狀態，為教師做出教學改進、實行教學干預和決策提供參考[5][6]。對于在線學習者關系網絡，已有研究強調要關注社區的協作質量評價，促進協作互動的深度，通過在線學習中建立的社會網絡關系矩陣，分析互動頻率來衡量社區的協作關系強度，并提出從在線學習者關系網絡分析視角推進學習型社區建設[7]，這為本研究提出面向教育強國的在線學習型社區建設提供了科學依據。

在線學習者關系網絡分析已有不少相關研究，并取得了一定成效。總的來說，現有研究較少從學習型社區發現的角度提出解決方法[8]。本研究從在線學習者關系網絡分析視角出發，識別具有相同學習興趣和目標的學習型社區。此外，還設計了四個社區特征度量指標（如從學習型社區高質量發展關鍵指標的杠桿效應來撬動學習型社會和教育強國的建設，可以衡量學生的社區活動參與度[9]），基于此，探究社區整體和成員之間的關系，并提出促進教育強國建設的學習型社區深度協作互動賦能策略。

二、相關研究

（一）學習型社區

社區被看作是促進學習型社會建設的重要單位/突破口[10]。社區（Community）概念最早源于德國社會學家T nnies的著作《社區與社會》，T nnies認為社區是由具有相同價值觀念、相互合作以及關系密切的人組成的社會群體。后來該概念被進一步擴展并推廣到多個領域，其中包括復雜網絡領域。在復雜網絡中，如果一組網絡節點內部連接緊密，外部連接稀疏，那么這組節點被稱為一個社區[11]。已有研究強調驅動學習型社會形成的過程中要重視在線社區的作用，促進“人人皆學、處處能學、時時可學”的理念[12]。2023年9月教育部印發的《學習型社會建設重點任務》中強調要“推進學習型社區”“把建設學習型社會、學習型大國作為建設教育強國的戰略舉措”。社區中的互動與學習是密不可分的，不同的學習者相互協作，便形成了一個個小型的學習社區。因此，要深刻理解學習型社區對教育強國的內涵意義。學習型社區，是指通過學習促進社區的發展，以社區教育體系和學習組織為基礎，通過設置多樣化的社區學習活動，讓社區居民參與其中，從而有效地提高社區居民的素質和生活質量，發展成一個可持續發展的學習型社區[13]。基于社區視角，已有研究強調了促進教育強國的進程中建設學習型社會的必要性，并且嘗試洞察在線學習型社區學習者的特征[14]。

（二）在線學習者關系網絡分析

在線學習者關系網絡分析主要應用社會網絡分析方法來揭示網絡存在的特征，進而發現學習者的學習狀態，可以為后續學習預測、資源推薦以及教師干預等功能提供支持。近年來，在線學習者關系網絡分析的相關研究日益增多，其中主要包括網絡特征測量，與學習行為、認知發展以及學習成效關系等不同分析主題的研究。網絡特征測量更多關注于測量指標的設計，例如，對于學習行為關系的分析，于玻等人[15]結合社會網絡分析法和內容分析方法對cMOOC學習者進行分類，識別出了8類具有不同參與度的學習者。石月鳳等人[16]則分析了在線學習者社會網絡位置信息與學習行為之間的相關性，認為兩者之間是正相關的。為分析在線學習者關系網絡和認知發展之間的相互作用關系，王慧敏等人[17]和徐亞倩等人[18]均以cMOOC的學習者交互關系網絡作為分析對象，對個體社會網絡地位與其認知概念網絡特征水平之間的關系進行了可視化分析，結果發現學習者的網絡中心性與其認知發展水平是顯著正相關的。為探究學習成效的影響因素，劉三女牙等人[19]從在線學習者關系網絡分析的角度出發，對學習者的典型網絡特征與學習成效的關系進行了實證分析，取得了顯著效果。

總的來說，已有的相關工作均在不同程度上證明了在線學習者關系網絡分析的研究價值，然而大部分工作都從學習者個體角度出發進行相關分析，從學習型社區發現視角進行相關分析仍有待進一步研究。

（三）相關現狀的總結與啟示

為了尋求解決方案，本文嘗試從已有的復雜網絡社區發現的研究工作中獲取啟示。已有研究提出社區發現具有重要的應用價值，例如可以從社會網絡挖掘派系或團體，從合著關系網絡中挖掘研究團隊以及從通信網絡中挖掘欺詐團伙等。目前研究人員對社區發現的研究更多集中在模型和應用層面。首先在模型層面，由于社區發現本身屬于一個交叉學科研究問題，社會學、物理學、數學以及信息科學等多個學科領域都提出了許多有效方法，其中包括基于模塊度最大化的方法[20]、基于標簽傳播的方法[21]、基于矩陣分解的方法[22]以及基于深度學習的方法[23]等。各種類型的方法都各具優勢，但基于深度學習的方法具有強大的網絡特征學習能力，因此常常可以獲得更好的社區發現結果。在應用層面，社區發現在社交網絡、作者合著關系網絡、生物信息網絡以及通信網絡等各類型網絡上都有大量應用，但在學習者關系網絡上的應用較少。總的來說，目前國內外的研究都很少專注于學習型社區發現的研究，并且更缺乏從社區發現視角對在線學習者關系網絡進行深入分析的研究。要明確構建什么樣的學習型社區，就需要探究學習型社區的發現。本研究基于已有的社區發現算法，基于在線學習者關系網絡分析視角進行學習型社區發現，以識別具有相同學習興趣且聯系緊密的學習群體，這有助于理解學習者的群體學習行為模式，明晰如何通過組合多個有貢獻的在線學習型社區，賦能教育強國建設。

三、基于學習型社區發現的學習者關系網絡分析方法

（一）學習型社區發現方法設計

現有的社區發現方法研究表明，集成更多類型的數據，不僅能夠更準確地挖掘潛在社區，而且有利于對社區進行特征分析與語義描述[24]。基于已有的社區發現算法，本研究設計的在線學習者關系網絡分析視角下的學習型社區發現方法，不僅利用學習者之間的關系信息（如好友關系或關注關系），而且還利用學習者在學習過程中產生的文本內容信息進行挖掘，其中主要包括所學課程的基本信息（如課程簡介和教學大綱）、學習者發表的評論以及留言等。

為充分集成利用學習者關系網絡信息和文本內容信息進行學習型社區發現，首先把學習者關系網絡信息轉換為用二值表示的學習者關系矩陣A（A中的元素值為1表示對應學習者之間存在連接，0則表示沒有連接），學習者文本內容信息則利用詞袋模型轉換為學習者特征詞矩陣X（X中的元素值表示為相應的特征詞在學習者文本內容中出現的頻次），然后使用目前在網絡表示學習中廣泛使用的圖卷積網絡Graph Convolutional Network （GCN） [25]把A和X作為輸入獲得學習者的特征表示矩陣Z，最后采用非負矩陣分解（Non-negative Matrix Factorization，NMF）聚類模型[26]對Z進行分解從而獲得學習者社區隸屬關系矩陣W和社區表示矩陣H。本研究設計的學習型社區發現方法整體框架如圖1所示，其中圖卷積神經網絡GCN和NMF聚類模型這兩個核心組成部分的具體實現分別介紹如下：

其中W可以用來判斷每一個學習者的社區歸屬。具體而言，對于某個學習者i，W的第i行元素中最大值對應的列值即可作為其隸屬的社區編號。

（二）學習型社區特征度量指標設計

要以社區為突破口助力“人人皆學、處處能學、時時可學”的學習型社會建設，促進教育強國逐級落地，必須明確教育質量評價體系，以教育質量作為衡量教育成果的重要指標。為了促進在線學習者可以不受時間和地域阻礙的時時學習，已有研究強調在線學習中要衡量在線參與度評價指標，關注參與數量（如輸入信息頻率）和質量，以分析互動學生的參與積極性，對學習型社區的互動學習和知識傳播做出貢獻[28]。為了建成高質量的學習型社區，需要評價真正的質量而不僅僅是認知，評價所涵蓋的范圍包括學習績效、學習興趣、學習氛圍等等[29]。基于上述對教育質量評價的理解，才能為優質學習型社區樹立標準，剖析學習型社會建設重點任務，有效地對在線學習者關系網絡進行分析。在線學習者關系網絡視角下的學習型社區成員既包含關系網絡信息，也包含文本內容特征信息，同時也可以進一步關聯其他學習行為信息（如視頻觀看、互動交流、習題測試等），這些都能為學習型社區特征的分析提供數據來源。為對學習型社區整體和成員個體進行特征分析，研究設計了連接密度（Density）、文本內容特征平均相似度（Avgsim）、學習者成員重要度（Importance）以及活躍度（Activity）這四個特征度量指標，其中連接密度和平均相似度可以對學習型社區進行整體特征分析。學習者成員重要度和活躍度可以對學習型社區中的學習者成員個體進行特征分析。各度量指標的定義分別說明如下：

四、在線學習者關系網絡分析結果

為應用上述在線學習者關系網絡分析視角下的學習型社區發現方法，本研究選取國家高等教育智慧教育平臺成員學堂在線的開放數據集MOOCCubeX[30]作為數據來源，包括關系網絡數據、文本內容數據（課程簡介和用戶評論）以及學習行為數據（視頻觀看、習題測試和問題評論）等，其中樣本主要來自C++語言程序設計、軟件工程、大學計算機基礎等與計算機專業相關的課程。然后應用設計的學習型社區發現方法挖掘潛在社區，最后基于學習型社區特征度量指標進行相關分析。

（一）關系網絡的統計特征及可視化。構建的關系網絡為反映學習者之間的問題討論交互網絡，實際建模為無向網絡，其基本的統計特征如表1所示。從表1可以發現學習者關系網絡的聚類系數為0.46，說明該網絡具有較好的節點聚集結構（即社區）。采用力導引布局對該網絡進行可視化分析（如圖2所示），也可以明顯地看出其中存在的節點聚集結構。應用本研究提出的學習型社區發現方法挖掘該學習者關系網絡潛在學習型社區，采用模塊度（Modularity）作為方法性能的評價指標[31]，最終獲得最優模塊度為0.68，社區數為79，最大社區的成員數為1040，最小社區的成員數為3，社區的平均成員數為141.1。

（二）學習型社區整體特征度量分析。對獲得的各個學習型社區進行整體特征的度量，包括連接密度Density和文本內容特征平均相似度Avgsim，并在二維坐標系中繪制各社區的Density和Avgsim分布（如下頁圖3所示）。從圖3可以看出，大部分數據都分布在線性擬合線上或其周圍，說明Density和Avgsim具有相關性。通過進一步計算兩者的協方差相關系數，結果為0.78，表明兩者具有很強的正相關性。Density和Avgsim的關系說明連接越緊密的社區，其成員的文本內容特征越相似，其原因在于：同一社區的成員往往學習興趣更相似，如果成員間連接越緊密，協作學習交互行為會越頻繁，從而會產生和傳播更多相似的與學習相關的文本內容信息，如學習課程的基本信息、問題回答、留言評論等。

學習型社區中的每一個成員都關聯相應的文本內容特征詞向量，如果某個特征詞在社區所有成員中出現越頻繁，那么該特征詞越能用于描述社區的學習興趣主題。表2給出了具有代表性的4個學習興趣主題社區，描述指標包括Density、Avgsim以及社區中出現的前10個高頻特征詞。從表2可以看出，高頻特征詞與相應社區的學習興趣主題都是密切相關的。

（三）學習型社區成員個體特征度量分析。對學習型社區的各成員根據式（7）和式（8）分別計算重要度和活躍度（選擇視頻觀看、習題測試及問題評論行為，權重分別設置為0.3，0.3和0.4），并繪制各成員的重要度和活躍度分布。圖4展示了表2所示四個社區的計算結果，可以看出學習者成員的重要度Importance和活躍度Activity是密切相關的，且越活躍的成員往往重要度越大。該現象可以解釋為：學習者越活躍，如提問及評論等互動交流行為越頻繁，越能增加其曝光率及影響力，這容易吸引更多學習者與其進行直接交流互動，從而增加其在關系網絡中的連接數并提高重要度。

通過對成員的重要度或活躍度進行度量并排序，可以直接了解學習型社區的活躍成員，這方便在線教學的教師或管理者了解學習者個體乃至全體的學習狀態，并輔助決策是否需要對消極的學習者采取干預措施。

（四）學習型社區特征與學習績效的關系分析。為探索學習型社區特征與學習績效的關系，選取數據結構課程按不同學期所形成的兩個社區（社區A和社區B）作為分析對象，并結合兩個學習型社區各成員的習題平均成績進行分析。在學習型社區成員個體特征方面，考慮到如前所述各成員的Importance和Activity特征是正相關的，因此只采用Activity特征作為代表匯總分析兩個社區成員個體特征與其習題平均成績（已進行歸一化處理表示為Score）的關系，結果如圖5所示。從中可以看出Activity與Score是正相關的（協方差相關系數為0.53），越活躍的成員普遍成績越好，這說明學習型社區成員的活躍度對于成績的提高是有一定促進作用的。

在學習型社區整體特征方面，社區A的Density和平均Activity值分別為0.66和0.51，社區B的Density和平均Activity值分別為0.34和0.32，可見社區A明顯優于社區B：社區A的成員連接更緊密，學習活躍度更高。兩個社區成員的習題平均成績進一步分別按五個等級（0—59，60—69，70—79，80—89，90—100）進行劃分統計對比，結果如圖6所示。從圖6可以看出，社區A的課程成績優良率（>=80分）明顯高于社區B，此外不及格率（<60分）也遠低于社區B，這說明社區整體表現的特征對成員的學習成績也有一定影響。可以認為如果社區連接越緊密，成員交流、傳播分享課程知識會更快速、更廣泛，學習型社區群體學習氛圍會更濃厚，這有利于加快成員的課程知識分享和建構過程，并最終有利于成員的學習成績整體提高。反之連接稀疏的社區，成員之間的交流互動匱乏，則不利于形成學習型社區的群體學習氛圍，最終會對學習成績造成一定的不良影響。

五、形成在線學習者關系網絡分析視角下的學習型社區賦能教育強國建設策略

（一）討論

本文以學習型社區為突破口，運用在線學習者關系網絡分析的視角，提出了四個學習型社區特征度量指標：連接密度、文本內容特征平均相似度、學習者成員重要度以及活躍度，并分別對學習型社區進行整體特征分析和學習者成員個體進行特征分析，深入探討其賦能教育強國建設的具體路徑。研究結果表明，學習型社區中大部分學習者活躍度較高，能夠依據個人興趣選擇并高效利用學習資源，通過小組協作和互動交流等模式，推動集體學習，并在度量指標反饋的基礎上進行反思與持續改進。學習者的活躍度對學習成績有顯著影響，然而也存在部分成員表現出消極狀態，因此，有必要對其進行問題診斷、評價、干預、跟蹤和監督，以提升整體的學習活躍度和參與度，從而提高學習型社區的質量，以構建高質量的學習型社區助力教育強國建設。綜合前期研究和現有研究成果，本文從關系網絡的角度分析社區高質量發展的關鍵互動模式特征，識別出影響學習者活躍度的關鍵因素，并驗證了在線學習型社區的互動策略是否滿足新任務的要求，以及是否能夠適應新的教育形勢。

首先，學習者的學習態度是影響其活躍度的核心因素。研究發現，活躍的學習者將吸引更多的學習者與其交流互動，提高其在學習型社區中的重要性。這些活躍的學習者能夠組成高質量的學習型社區，而多個活躍的高質量學習型社區將匯聚成為巨大的力量。以前的研究表明，社區特征與學習績效的關系密切，學習者之間的積極互動能增強效能感、促進獲得集體知識[32]。其次，教師是否鼓勵學生也是關鍵因素之一。在教師給予一定鼓勵的前提下，學習者的學習積極性會更高。并且，學習者的學習積極性會影響課堂參與度，課堂投入度將影響學習成績。本文的研究結果也驗證了Luo等人的發現[33]，證明同一社區的成員往往學習興趣更相似，若成員間連接緊密，協作學習交互行為會越頻繁，社區中成員將互相建立信任、共同交流分享知識[34]。這說明為了加深社區成員之間的聯系，需要構建優質學習型社區，加快知識分享、傳播的速度，營造濃厚學習氛圍，這些都有利于成員學習績效的提高，賦能教育強國建設。已有研究提出促進混合學習社區協作與互動的策略，強調要關注社區中的協作質量評價，促進協作互動的深度，通過在線學習中建立的社會關系網絡，分析互動頻率來衡量社區中協作關系強度[35]，這一研究與本研究所使用的方法是類似的。

在此之外，雖然已有研究也強調了，在構建學習型社會的過程中，對在線學習領域進行社會網絡分析的重要性不容忽視[36]，但是他們主要基于文獻計量分析，缺乏實證數據，與已有研究相比，本文基于實證數據將網絡分析方法應用于在線學習者關系網絡的研究中，揭示面向教育強國建設的學習型社會目標、在線學習社區中學習者的具體特點及行為模式。本文研究結果發展了這些觀點，通過學習型社區特征與學習績效的關系分析，本文認為學習者的成績與活躍度呈正相關，即越活躍的成員普遍成績越好。本文突破了已有研究的局限性，揭示了在學習型社會的建設中分析關系網絡的重要性。一方面，對學習興趣主題的學習型社區關系網絡按活躍度形成了可視化分析結果，以幫助管理人員直觀地識別社區的活躍成員，干預不活躍成員的學習表現。另一方面，通過對社區成員個體特征進行度量分析，將學習者活躍度、聯系緊密度等指標與建設學習型社會建立關聯，促進社區的分享交流，進一步促進教育強國戰略的落地。

（二）在線學習型社區賦能教育強國建設策略

為了助力教育強國在數字化轉型下的教育情境逐級落地，以學習型社區為單位，基于在線學習者關系網絡分析視角分析賦能教育強國建設，結合研究結果，本研究提出了“構建可視化學習型社區—開展社區之間知識分享—促進各社區的互動合作—指標反饋下的反思迭代”的在線學習型社區賦能教育強國建設策略。首先，在構建可視化學習型社區方面，借助力導引布局，本研究構建的關系網絡能反映學習者之間的交互關系。將可視化技術融入課堂，構建可視化學習型社區對整個教育強國建設起到了重要作用。有效的學習型社區賦能教育強國建設策略強調要在課堂上充分利用可視化技術，促進學習者對自身知識掌握水平的理解。其次，在開展社區之間的知識分享方面，優質數字資源的傳播效率與成員聯系的密切度有很大關系。合理推薦學習資源能提高在線學習成員的學習資源獲取質量和效率，并提高學習的積極性和主動性。這種學習型社區對教育強國建設起到了積極的推動作用，是促進教育強國建設的重要途徑之一。再次，在促進各社區的互動合作方面，能夠提高學習型社會的連接度、活躍度和互動次數，加強團體成員之間的聯系。在線學習型社區將提供優質的學習資源，讓學習者不僅在課上能學習，在課后也能進行學習。在線學習型社區發揮了極其重要的作用，使得學習者不受時間、空間的限制，隨時隨地都能參與討論、學習。在未來，應加快構建高質量的學習型社區賦能教育強國建設，為學習者提供更多的便利。最后，在指標反饋下的反思迭代方面，基于學習者活躍度、與其他成員的聯系緊密度等指標的反饋，反思在線社區是否達到高質量發展的標準，通過多聽取學習者的意見，不斷地優化和改進在線學習社區發展質量，以提升在線學習社區的質量和效果；并在社區實踐過程中，根據實際情況對教育成果相關指標進行多輪的迭代改進，及時解決制約學習型社區整體質量提升的問題，通過多個高質量學習型社區的疊加促進教育強國建設。在線學習過程中，對討論區的有效運用往往被忽視。因此，未來應該更加關注學習者的活躍度，可以從重視討論區的建設、合理設置學習任務、樹立學習榜樣、設置獎懲機制等方面著手，同時借助在線課程平臺統計學習者活躍度，給予活躍度較低的學習者一定的關注和引導。以此建設在線學習社區共同體，通過學習型社區促進師生互動和問題解決，賦能教育強國建設。

六、結語

本研究提出從社區發現視角進行學習者關系網絡分析，設計了相應的社區發現方法和社區特征度量指標，并以國家高等教育智慧教育平臺的數據集為例，在真實的學習者關系網絡中進行了應用分析。應用結果表明所提出的分析方法不僅可以對社區整體特征進行分析，而且可以對社區成員個體特征進行分析，同時可以提供一種直觀了解學習者群體或個體學習興趣特征和學習活躍度的路徑。更有意義的是，社區特征與學習績效關系的分析結果，可以啟發在線課程教師加強引導在線學習者的交互協作行為，不斷促進高質量學習社區的形成。本研究基于此提出在線學習者關系網絡分析視角下的四步驟學習型社區賦能教育強國建設策略，助力我國從教育大國向教育強國的轉變。

在后續的研究工作中，將探索通過社區演變分析的方式，從而對學習者的學習興趣變化進行持續追蹤，培養德智體美勞全面發展的人才。為了響應教育強國戰略所提出來的新要求，解決培養人才的目標還比較泛化、處于初始階段的問題，未來可以對社區進行持續跟蹤、挖掘所需要的人才。同時應給予更多社區以策略支持，通過觀測某些指標評判社區的質量，使得更多優質學習型社區生根發芽，壓茬推進形成教育強國。

參考文獻：

[1] 新華社.習近平：扎實推動教育強國建設[J].中國人才，2023，（10）：5.

[2] 王小根，謝興.教師研修數字化轉型：基于技術支持教師研修的分析[J].當代教育與文化，2023，15（5）：40-47.

[3]中國互聯網絡信息中心.第52次《中國互聯網絡發展狀況統計報告》[EB/OL].https：//www.cnnic.net.cn/n4/2023/0828/c88-10829.html，2023-08-28.

[4] Siemens G.Connectivism：a learning theory for the digital age [J]. International Journal of Instructional Technology and Distance Learning，2005，（1）：3-10.

[5] 秦婷，徐亞倩等.網絡分析方法在網絡教育中的應用研究綜述[J].開放學習研究，2020，（2）：55-62.

[6] 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，2017，361（2）：5-12.

[7][35] 林曉凡，胡欽太.社會網絡分析視角下的混合學習社群協作策略研究[J].現代教育技術，2014，24（10）：73-80.

[8] 張海濤，周紅磊等.在線社交網絡的社區發現研究進展[J].圖書情報工作，2020，64（9）：142-152.

[9] 劉復興，董昕怡.論教育強國指標體系建構[J].新疆師范大學學報（哲學社會科學版），2024，45（1）：118-126.

[10][14] 伍清玲.“互聯網+”視角下社區教育多媒體輔助教學方法創新模式研究[J].繼續教育研究，2023，（11）：56-60.

[11] Girvan M.，Newman M.E.J.Community structure in social and biological networks [J].Proceedings of the National Academy of the Sciences，2002，（99）：7821-7826.

[12] Lin，X.-F.，Chiu，T.K.F.，et al.Teacher learning community for ARintegrated STEM education [J].Teaching and Teacher Education，2024， 141：104490.

[13] 張小迎，戴晴.高校圖書館助力學習型社區建設的新吳模式實踐研究[J].黑龍江教師發展學院學報，2023，42（2）：151-153.

[15] 于玻，徐珺巖等.基于社會網絡和話題相似度的cMOOC學習者聚類研究[J].開放學習研究，2020，25（1）：10-21.

[16] 石月鳳，劉三女牙等.基于社會網絡分析的在線學習行為分析實證研究[J].中國教育信息化，2019，（1）：5-10.

[17] 王慧敏，陳麗.cMOOC微信群社會網絡特征及其對學習者認知發展的影響[J].中國遠程教育，2019，（11）：15-23+92.

[18] 徐亞倩，陳麗.聯通主義學習中個體網絡地位與其概念網絡特征的關系探究——基于cMOOC第1期課程部分交互內容的分析[J].中國遠程教育，2019，（10）：9-19+51+92.

[19] 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績效關系——以SPOC論壇為例[J].開放教育研究，2020，（3）：80-90.

[20][31] Newman M.E.J.Modularity and community structure in networks [J].Proceedings of the National Academy of the Sciences，2006，（23）：8577-8582.

[21] Garza E.S.，Schaeffer E.S.Community detection with the label propagation algorithm：A survey [J].Physica A：Statistical Mechanics and its Applications，2019，534：122058.

[22][27] He C.B.，Fei X.，et al.A survey of community detection in complex networks using nonnegative matrix factorization [J].IEEE Transactions on Computational Social Systems，2022，9（2）：440-457.

[23][25] Jin D.，Yu Z. Z.，et al.A survey of community detection approaches：from statistical modeling to deep learning [J].IEEE Transactions on Knowledge and Data Engineering，2023，35（2）：1149-1170.

[24] Fortunato S.，Hric D.Community detection in networks：A user guide [J]. Physics Reports，2016，（659）；1-44.

[26] Lee D.D.，Seung H.S..Learning the parts of objects by non-negative matrix factorization [J].Nature，1999，（401）：788-791.

[28] 李文昊，白文倩.反思型異步學習模式中的學生參與度研究[J].遠程教育雜志，2011，29（3）：14-20.

[29] 吳文濤，劉和海等.建設學習型大國：以教育數字化踐行中國式現代化[J].中國電化教育，2023，（3）：17-24+45.

[30] Yu J.F.，Lu M.Y.，et al.MoocRadar：A fine-grained and multi-aspect knowledge repository for improving cognitive student modeling in MOOCs [A].Proceedings of the 46th International ACM SIGIR Conference on Research and Development in Information Retrieval [C].New York：Association for Computing Machinery，2023.2924-2934.

[32] Vossen，T.E.，Henze，I.，et al.Finding the connection between research and design：The knowledge development of STEM teachers in a professional learning community [J].International Journal of Technology and Design Education，2020，30：295-320.

[33] Luo，T.，Freeman，C.，et al.“Like，comment，and share”-professional development through social media in higher education：A systematic review [J].Educational Technology Research and Development，2020，68：1659-1683.

[34][36] 吳濤，張子石等.網絡學習領域作者合作的社會網絡分析——基于CSSCI的文獻計量研究[J].中國電化教育，2017，（2）：96-102.

作者簡介：

賀超波：教授，博士，研究方向為圖數據挖掘與智能教育。

林曉凡：副教授，博士，研究方向為智慧教育、數字化學習應用。

Empowering the Construction of Education Power with the Learning Community： Based on the Analysis of Online Learner Relationship Networks

He Chaobo1， Lin Xiaofan2， Cheng Junwei1， Tang Yong1， Zhang Yinuo2

1.School of Computer Science， South China Normal University， Guangzhou 510631， Guangdong 2.School of Information Technology in Education， South China Normal University， Guangzhou 510631， Guangdong

Abstract： The building of learning communities contributes significantly to the realization of education power. Various collaborative and interactive behaviors of online learners in the community facilitate the formation of learner relationship networks. A deep analysis of these networks can uncover intrinsic characteristics of community learning. This study proposes to analyze the learner relationship networks from the perspective of community discovery. It starts by designing a novel method for discovering learning communities based on graph convolution networks and nonnegative matrix factorization， integrating information from the learner’s relational network and textual content. It introduces four community feature measurement metrics for applications in read-world learner relationship networks. The results show that the proposed analysis method can effectively uncover interest-themed communities within the learner relationship networks. It also allows for the characterization of the community as a whole and individual member， providing the decision support to guide the online interaction and collaborative behaviors of learners. Finally， it develops an online learning community enabling strategy， comprising “building visual learning communities， facilitating knowledge sharing among communities， promoting interaction and cooperation between communities， and reflecting and iterating under the feedback of indicators”. Through the strategy to enable the high-quality development of learning communities， with the combination of community new quality productivity to foster a learning community， which will boost the development of education powerhouse.

Keywords： learner relationship networks； network analysis； learning community； community discovery； education power

責任編輯：李雅瑄