基于块模型的大学生学习网络子群研究*

徐 萱徐 峰

（1．江西财经大学 信息学院，江西南昌 330003；2．江西省教育管理信息中心，江西南昌 330038）

基于块模型的大学生学习网络子群研究*

徐 萱1徐 峰2

（1．江西财经大学 信息学院，江西南昌 330003；2．江西省教育管理信息中心，江西南昌 330038）

当代大学生的学习依赖于学习网络的构建，利用社会网络结构解释具体学习行为是一种有意义的探索。文章从社会网络结构对等性出发，利用块模型方法对两个大学班级的学习网络子群进行量化分析，从个人属性、位置层次和整体层次三个层面对量化结果进行质性分析，发现大学生学习网络子群内部联系非常紧密，个体的性别属性和寝室属性在子群内部表现出很强的系统性，块模型可以有效地解释大学生学习网络子群的位置及其间的关系。

块模型；大学生；学习网络；子群

一 引言

数字技术和互联网的高速发展，改变了人类的认知方式，也改变了人们的学习行为，伴随着这些改变，学者们对传统学习理论不断进行反思，提出了学习的网络化理论[1]。2005年，美国学者西蒙斯（George Siemens）[2]提出了一个新的学习理论——关联主义。与行为主义、认知主义不同，关联主义把学习置于网络社会结构的变迁中，认为学习是在知识网络结构中一种关系和节点的重构与建立。学习不仅是个人内在认知结构与外显行为的持久改变，也是个人建立外部学习节点、形成知识网络结构的过程。我国学者余胜泉等[3]也提出，学习不再是仅仅接受知识，而更多的意味着能够发现问题并解决问题，完成学习需要的是具有好的“链接”，包括人力“链接”和网络（资源）“链接”。当代大学生的学习已不再是“一个人的活动”，学习的过程就是构建学习网络的过程。鉴于此观点，本文将大学生学习网络作为研究对象，尝试利用社会网络分析方法对大学生学习网络中的分群现象进行量化研究，并辅以质性分析。

二 若干概念

1 网络边界

在社会网络研究中，首先需要确定行动者集合的边界。在数字时代，大学生学习的途径多样，学习网络中的行动者难以穷举。为便于研究，作者以班级为单位，认为同班同学是一类行动者，称之为“内部学习节点”；将班级之外的其他行动者称之为“外部学习节点”，如教师、亲人、学习论坛、搜索引擎等。本研究聚焦于内部学习节点。

2 凝聚子群

揭示人类社会的“群分”现象是社会网络研究的重要任务之一，即探究社会网络的内部结构。通过分析网络中的凝聚子群，可以简化复杂的整体社会网络结构，使研究者能够寻找到蕴涵在网络中的子结构及其相互关系，从而得到更深刻、更简洁的可视化表征网络结构[4]。对“凝聚子群”较为常用的表述是:“凝聚子群”是满足如下条件的一个行动者集合，即在此集合中的行动者之间具有相对较强、直接、紧密、经常或者积极的关系[5]。

通常可以从四个方面考察凝聚子群:关系的互惠性，子群成员之间的接近性或者可达性，子群内部成员之间关系的频次（点的度数），子群内部成员之间的关系密度相对于内、外成员之间的关系密度。本研究从子群内部成员之间的关系密度相对于内、外成员之间的关系密度这一角度，利用块模型方法对矩阵数据进行分析。

3 块模型

块模型依据“结构对等性”对行动者进行分类，它从行动者的地位而不是每个行动者来关注社会关系矩阵中的关系结构，关注的是网络总体结构，是一种研究网络位置模型的方法，是对社会角色的描述性代数分析。

块模型的构建方法主要涉及两个步骤:一是对行动者进行分区，即把行动者划入到各个位置中，常用的方法是 CONCOR以及层次聚类方法；二是根据一些标准确定各个块的取值，是1-块，还是0-块。目前有6种标准被认为是有用的准则:完全拟合法、0-块标准法、1-块标准法、α-密度指标法、最大值标准法和平均值标准法[5]。其中α-密度指标法是最常用的方法，α值一般采用整个网络的平均密度值作为临界值[6]。

三 数据分析

1 数据获取

本研究采用问卷调查法中的“花名册”方式，选择某一地方综合性大学软件学院2012级（以下简称“软件121班”）、2013级（以下简称“软件132班”）两个班级的全体学生作为调查对象。事先收集了被调查班级所有学生的姓名，编制了基于B/S方式的问卷调查程序，在实际调查时请被访问者通过软件选择在学习过程中与自己保持密切学习关系的“核心学习对象”。

网络规模是研究中必须考虑的问题，即是否限定在问卷中可被选择的“核心学习对象”人数。美国大多数学者都将“核心讨论网”的规模限定在5人，国内部分大部分学者都沿袭了美国学者对网络规模的限定，如黎赔肆在社会网络视角的企业家学习模式研究中将企业家社会网络规模限定在5人，左晶晶[7]在其研究大学生创业的博士论文中将网络规模设定为10人。本研究在前期对部分大学生的访谈中，发现访谈者“核心学习网”成员都是在5至7人之间，所以在正式的调查问卷中限定“核心学习对象”最多不能超过7人，但不要求必须选满7人。

2 网络的基本属性

利用Ucinet软件，对两个班级的学习网络矩阵分别进行计算，绘制出网络社群图，见图1。

软件121班有学生60人，共形成了264个学习连接，网络密度为0.074。软件132班有学生58人，共形成了251个连接，网络密度为0.076。从图1可以发现，两个班级的学习网络都比较复杂，难以直接做出有意义的分析，有必要对其进行凝聚子群研究。

图1 两个班级的学习网络社群图

3 子群分析

利用Ucinet软件的CONCOR方法对软件121班的数据进行块模型分析，得到软件121班的子群分布图。软件121班可以划分为8个子群，对8个子群分别计算其子群网络密度，得出软件121班子群密度矩阵，如表1所示。

表1 软件121班子群密度矩阵

表1的结果反映出，软件121班可以分成8个子群，各子群成员数量差异较大——子群6最大，有12个成员；子群5最小，仅有3位同学。8个子群的密度都可以接受，子群5、子群7和子群8的密度比较大，分别为0.833、0.700和0.600，表明这三个子群的成员之间在学习上联系紧密；子群2、子群3和子群6的密度相对较小，表明其成员之间的联系比较少。

使用以上同样的方法对软件132班进行分析，发现:（1）软件132班也可以划分为8个子群；（2）子群成员分布总体看较为平均，子群4有11个成员，是成员最多的群，子群7有4个成员，是最小的子群；（3）由于班级内部联系较为紧密，且没有孤立节点，所以各个子群的密度都较好，子群8密度最大（为0.750），表明其内部的5个成员联系紧密。

四 结果讨论

对块模型分析结果的解释一般分三个层次:

（1)个体层次:由于个体属性往往与网络结构关系密切，因此常常利用行动者属性考察地位内的成员属性是否有系统性的不同。本研究关注大学生的性别属性、寝室属性和城乡属性。

（2）位置层次:考察块模型中位置如何发送和接受信息，从而对块模型结果进行描述性分析。具体分析时，可以借鉴社会网络中节点类型点入度和点出度的研究，以考察各个子群发送和接收信息的趋势。Burt[8]根据位置成员的接受关系和发送关系区分了四种位置——孤立者位置，其成员与外界没有任何联系；谄媚人位置，其成员与其他位置成员之间的关系比与自己成员之间的关系多，并且没有接收到多少外来的关系；经纪人位置，其成员既发送也接受外部关系，其内部成员之间的联系比较少；首属人位置，其成员既接受来自外部成员的关系也有来自自身成员的关系。

（3）整体层次:考察位置之间联系的整体构造，常用的方法是利用像矩阵（image matrix）对总体的块进行分析。

1 个人属性分析

通过数据分析发现:（1）两个班级中寝室关系对于分块的影响明显，大部分同寝室的同学都在一个块中，仅有极少数同学游离在其他子群中；（2）性别属性的影响也比较明显，几乎所有的女生都在同一子群中，唯一游离之外的是软件121班编号为36号的女同学，通过该班班长了解到，该女生非常专注于专业学习，专业水平也比较高，正与子群1内的几位男同学共同开发一个软件，这可能是她游离于女生子群之外的原因，此点启示我们对于大学生学习网络的个人属性因素还应包括“协作学习”；（3）在软件132班的子群2中的5位同学全部来自不同的寝室，通过第三方侧面了解到，出现这一现象是因为以上5位同学性格都比较内向，因此“性格”属性也有可能是影响分群的因素之一；（4）城乡属性表现不明显。

2 位置分析

位置分析有助于总结各个子群发送和接收信息的趋势，利用UCINET软件得出软件121班和软件132班的块矩阵。

发现软件121班:（1）所有子群内部的联系都比较紧密，完全具有自反性，呈现明显的帮派性；（2）子群之间的学习连接不多，子群7和子群8、子群3和子群5之间的连接相对稍微多些；（3）所有子群不仅有内部连接，同时都和其他子群有接受和发生关系，均属于“首属位置”。

发现软件132班:（1）子群内部成员之间的交流明显多于外部的交流，即子群的凝聚性比较高；（2）子群1对外发送的关系几乎为0，表明该群成员很少主动与其他群进行学习交流，该群成员为班上所有的女生，通过访谈得知，该班女生与男生之间的学习交流的确非常少，班上只有3位男性班干部与女生主动交流，因此子群1属于“接受型位置”；（3）子群8对外发送和接受的关系都比较少，属于“孤立位置”，其他子群均既有接受关系也有发生关系，且两种关系之间较为平均，因此都属于“首属位置”。

3 像矩阵分析

采用α-密度指标法获得像矩阵，通过将子群密度与整体网络的密度作比较，大于替换为1，否则替换为0，得出两个班级的像矩阵，并绘制出网络结构简化图，如图2和图3所示。

图2 软件121班子群简化图

图3 软件132班子群简化图

从图2发现:（1）子群上面带箭头的小圆圈表明从该点出发关系又回到该点，为首属位置的特点；（2）子群7和子群8、子群5和子群3之间具有互惠性，说明这两对子群不仅内部交流频繁，同时子群之间的互动也比较多，子群成员间关系较密切；（3）8个子群中有4个子群处于孤立位置，表明软件121班子群之间的交流总体比较少，各子群之间虽然内部联系紧密，但班级内部帮派现象严重，应该说不利于班级内部的学习交流。

从图3发现:（1）网络整体呈现明显的核心-边缘结构，子群2、子群3和子群6处于网络的核心位置，子群1、子群4、子群5和子群7处于边缘位置，子群8为孤立点；（2）子群2、子群3和子群6作为切点，形成了多个桥，包括2-1、3-4、6-5和6-7，而桥往往是信息的通道，所以说这三个子群控制了班级内学习的资源交换；（3）子群2、子群3和子群6之间为传递关系，传递趋势为子群6到子群3、子群3到子群2；（4）子群5、子群6和子群7形成了结构洞，且为层级关系，子群5和子群7向子群6发送关系，同理，网络中还存在着多个结构洞；（5）子群3和子群6的关系接受能力明显大于关系发布能力，它们像是整个网络的信息接收中心，映射到大学生学习网络中，这两个子群内的成员虽然没有主动与外部联系，但却能吸引其他成员的关注；（6）子群2则相反，关系发布能力大于关系接受能力，是网络的信息发布中心，表明位于子群2位置的大学生虽积极关注其他学习者，但自己却很少被关注，应该说他们的学习态度是积极的，但学习效果不一定好。

五 研究结论

总结以上研究，可以得出:

（1）大学生在学习过程中产生了学习网络，且包含多个子网络，通过考察结构对等性，将软件121班和软件132班的复杂学习网络结构被简化为由8个凝聚子群所组成的简化视图。

（2）从位置分析和像矩阵分析中可以发现，软件121班的子群分布属于零散型，子群与子群之间的联系较少；而软件132班的学习网络整体呈现出明显的核心—边缘化趋势，有3个子群牢牢占据着学习网络的核心地位，掌控着班级内部的学习网络资源。说明大学生在学习过程中构建的学习网络类型多样，研究者可以进一步归纳总结，进而发现其规律性。

（3）性别属性是凝聚子群内部成员的系统属性。几乎所有女生都集中在一个子群中，反映出女同学在学习网络构建的过程中，有着相似的学习行为、联系或互动，处于相同的地位。

（4）寝室属性与凝聚子群有着明显的相关性，住在同一寝室的同学大多在学习网络中具有相同的地位，他们接受和发出的学习关系也比较接近。可能的解释是同一寝室内的同学每天一起生活导致大家在情感上十分依赖[9]，而情感因素对学习网络的构建又有着明显的影响。本研究还发现“性格”和“协作学习”可能也是子群成员的系统属性。

（5）在社会网络中，地位对等的行动者彼此之间并不一定需要有直接或间接的关系[4]，但在本研究中，两个班级的凝聚子群中内部连接都非常紧密，具有自反性，说明在大学生学习网络中结构对等的同学之间的学习联系也非常紧密。

在一个内部拥有良好社会关系网络的组织中，组织智慧大于组织中所有个体智慧的加总[10]。通过了解大学生学习网络的子群分布、成员属性、子群位置和关系简化图，可以获知班级内知识分享的实际传播途径；教学管理者和教师可以通过总结不同群体的特征，设计有效的知识传播模式和机制，例如协作学习小组的分组，学习共同体的构建等，有效提高知识在学习网络中的传播速度和传播范围，进而提升班级的整体学习效果。

当然，虽然块模型方法可以运用在大学生学习网络的凝聚子群分析中，但相关一些现象的理论分析还比较困难，很多像矩阵并没有什么理论意义[11]。对于这种情况，可以尝试利用其他三种标准对网络进行凝聚子群分析。

参考文献

[1]Gonzalez C. The Role of Blended Learning in the World of Technology.[OL].〈http://www.unt.edu/benehrnarks/archives/2004/september04/eis.htm.〉

[2]Siemens G. A learning theory for the digital age[J]. International Journal of Instructional Technology and Distance Education, 2005,2(1):3-10.

[3]余胜泉,毛芳.非正式学习——E-Learning研究与实践的新领域[J].电化教育研究,2005,(10):19-24.

[4]王陆.虚拟学习社区社会网络中的凝聚子群[J].中国电化教育,2009,(8):22-28.

[5]Wasserman S, Faust K. Social Network Analysis: Methods and Applications[M].Cambridge: Cambridge University Press.1994.

[6]刘军.法村社会支持网络——一个整体研究的视角[M].北京:社会科学文献出版社,2006.

[7]左晶晶.大学生社会网络对科技型创业绩效的影响机制研究[D].上海:复旦大学,2011:193.

[8]Burt R S. Positions in Networks [J]. Social Forces, 1976,(1):93-122.

[9]李文昊,祝智庭.班级社会网分析:一种观察课堂学习的新技术[J].中国电化教育,2009,(6):10-13.

[10]张树人,刘颖,陈禹.社会网络分析在组织管理中的应用[J].中国人民大学学报,2006,(3):74-80.

[11]刘军.整体网分析讲义[M].上海:格致出版社,2009.

Study on College Students’ Subgroups of Learning Networks Based on Block Model Method

XU Xuan1XU Feng2
(1. Information Institute, Jiangxi University of Finance and Economics, Nanchang, JiangXi, China 330003; 2. Information Center of Education Administration of JiangXi Province, Nanchang, JiangXi, China 330038)

In the digital era, connectivism learning theory is a more effective learning guidance strategy, college students' learning is more dependent on the construction of the learning network, to explain specific learning behavior with social network structure is a meaningful exploration. From the perspective of the structure equivalence of social network, block model method was used for quantitative data analysis of learning network subgroups of two college classes, then this paper implemented the qualitative analysis from the three levels of personal attribute, position level and whole levels, found that internal links was very close in the subgroups of learning networks and bedroom property reflected the strong system in the subgroups, and the block model method can be effectively used to explain nodes' location and relationship in the subgroups of learning networks in some ways.

block model; college students; learning network; subgroup

G40-057

A【论文编号】1009—8097（2015）06—0096—06【DOI】10.3969/j.issn.1009-8097.2015.06.015

编辑:小西

本文为江西省教育厅科技项目“高校数字化校园用户满意度测评体系研究”（项目编号：GJJ11423）的阶段性研究成果。

徐萱，硕士，研究方向为教育信息化、高等教育管理，邮箱为xuxuan@jxufe.edu.cn。

2014年9月18日