学习分析视角下的学习者交互研究*

☆ 李 丹 李嘉伟 张徐昕 汤 优

（浙江师范大学教师教育学院，浙江金华 321004）

学习分析视角下的学习者交互研究*

☆ 李 丹 李嘉伟 张徐昕 汤 优

（浙江师范大学教师教育学院，浙江金华 321004）

当前在线学习已经成为高校教学的主流形式，而且随着学习分析和大数据技术的产生，也使得教育者更加关注在线平台中的学习交互效果，以期规划出更好的学习路径方法。本文为了研究学习者在网络学习中的交互行为，以开展的某一门课程为例，选取了国内高校使用较多的Moodle平台为数据采集源，运用社会网络分析法对参与本次课程的学习者在讨论区产生的数据进行分析研究，了解学习者在学习过程中的分布情况，从而提供更好的在线学习策略以提高学习效率。

学习分析；Moodle平台；社会网络分析；学习者交互

一、引言

随着信息化的发展，混合学习的形式已在各个高校中实行，所以在线学习也成了当下不可或缺的一种学习方式。这种新型学习方式的产生，给学习者提供了大量丰富而又便捷的学习机会和资源，更加体现出其自主性和个性化。虽然在线学习具有明显的优势，但因为强调的是自主化学习，学习者不同的性格及学习风格也会导致不一样的学习效果和活跃度。不少教育者也针对这一现象做出了研究，尝试着将教育大数据和学习分析技术运用于在线平台，对学习者所产生的庞大的数据进行研究，其目的是分析学习者的学习行为、改善在线教育中的教学质量、提高学习者的学习效率。在当下的高校教学中已有不少研究者开发了各式各样的在线平台，比如Blackboard、学习元、Moodle平台等等，而使用较为广泛的教学平台当属Moodle平台，越来越多的高校将其运用于课堂教学当中。平台被广泛使用，有其交互方便、资源上传便捷的优势；但同时也存在无法给学习者提供个性化学习、学习效果不理想的不足，所以本文通过运用社会网络分析这一种研究方法，对平台中的学习者所产生的学习数据进行研究，来分析探究在Moodle平台上学习者各自之间的学习特征、学习风格和分布情况，从全局了解学习者之间的关系，从而改善教学效果，提高教学质量。

二、学习分析

美国的高等教育信息化协会第一次提出学习分析并将其定义为：使用数据和模型预测学生收获和行为具备处理这些信息的能力。[1]在这之后，2011年第一届学习分析与知识国际会议上又对学习分析做了新的定义，将其定义为：测量、搜集、分析和报告关于学习者及其学习情境的数据，以期了解和优化学习及学习发生的情境。[2]学习分析在教育中大部分是指分析学习者留下的学习数据，分析对象是学习者或者学习的情境，分析的基础是基于学习者在学习过程中所产生的大量数据，分析的目的是分析学习者的学习特征，找出其规律，对学习路径进行评估和预测，为接下来的学习提供个性化的支持，以此来优化学习过程和学习情境。

三、社会网络分析

网络是指各种关联，社会网络是社会关系所构成的结构，社会网络分析（Social Network Analysis,SNA）则是通过研究网络关系，将个体间的关系、“微观”网络与大规模的社会系统的“宏观”结构结合起来，对社会网络中的行为者和行为者之间的关系或者联系进行量化研究的一种分析方法。[3]因为教育活动的社会属性，因此也有较多的研究者利用社会网络分析对教育活动进行研究，主要是从宏观、中观和微观三个层次展开，从宏观的角度就是对社会网络做一个整体的结构分析，中观角度就是对社会网络的内部子结构进行分析，从微观角度就是对参与教育活动的学习者的中心性和声望分析。社会网络分析能够有效地发现参与移动学习的学习者之间的关系图式，因其独特的优势使得近些年来成为一种较为普遍的研究方法，它主要是用于研究社会进程和问题，也是教育领域中的一种重要研究方法。

目前，较常用的社会网络分析软件主要有Ucinet、NetDraw、NetMiner、Pajek。社会网络分析软件在分析完数据之后有强大的可视化功能，能够帮助研究者做出直观的分析，所以这也使得愈来愈多的教育者使用这些软件。

四、数据的选取与分析方法

（一）数据的选取与处理

本次研究主要选取的是在Moodle平台上开展的教育技术学研究生一年级的专业课《电子化学习课程专题》，研究对象是参与本次课程学习的23名学习者，研究的样本就是学习者在讨论区留下的数据，对此开展了为期一学期的实验观察和研究。本门课程所采用的教学方式是混合学习的形式，包括课前的在线学习和每周一次的课堂教学，共分为6个小组，在线学习就是每个汇报小组于课前一周将所需的材料上传到平台供其他小组成员学习，并完成相应的课前作业及相互讨论；课堂教学由每个汇报小组汇报准备的材料，其他小组进行点评提问。之所以选择平台上的讨论区作为研究数据的来源，是因为学习者对于问题的补充、交流讨论几乎都是在讨论区中进行的，具有全面性。

在本次研究中网络节点是由参与本次课程学习的23名学生（在本文中以1-23序列号来代替各学生的名字）构成，学习者之间的交互主要表现在讨论区中发表的帖子及其对他人帖子的回复。在整个班级的社会网络关系中，矩阵的行与列分别代表参加讨论区讨论的学生，矩阵值代表回帖的次数。23名学习者分别用1-23数字表示，通过整理、记录平台数据，得到了一个23*23的成员交互共现矩阵表（如表1）。对于本次数据使用Ucinet软件对构建的矩阵进行分析，绘制的网络关系如图1所示。

表1 学生交互次数共现矩阵表

图1 学生交互网络关系图

网络关系图又可称为网络密度分析图，节点上的数值就是代表各个学生的序号。密度分析图就是成员之间的交流紧密程度，如果成员间交互的越多，该网络的密度就越大，节点之间的连接线就越多。由图1可以很清晰地看出，在整个网络图中与其他人交流越密切，所处的位置越靠近中心，发表的评论或者与其他人交流较少的学生则分布在四周。

（二）数据分析

1.中心性分析

中心性分析主要是发现在参与者中处于中间势力的行动者。处于中心地位的行动者也就是拥有最多话语权的学员，能够掌握话题的讨论趋向且更易于影响其他成员。在对于数据进行中心性分析时主要的衡量指标有度数中心性、中间中心性和接近中心性。

（1）度数中心度。它是指在被分析的数据中处于中心位置的连接点，这一连接点与其他各点间有着很多的直接关系。[4]在成员交互次数网络，某一学习者交互次数的度数中心度就是与该学习者直接产生联系的其他学习者交互的个数，所以对于某一学习者而言，交互次数的度数中心度很高，也就意味着该学习者在学习交互中居于中心位置，即为在本次课程讨论中的中心人物。

表2 度数中心度结果表

分析的结果如表2所示。从分析的结果中可以看出，学生编号为1的学生的度数中心度最高，说明在本次讨论中趋向于核心话语者。在23个学习者中，出度（OutDegree）在10位以上的有3位，也就是指这3位学习者至少回复了班级里50%的学生，回复频率最高的是1号，其次是2号和7号，也说明了他们是社群讨论区中的主要参与者。总体来看，本次课程回复的频率相对较高。在入度（InDegree）中，3号入度值达到最高，有11次，1号有10次，4号达到了9次，这也表明了在讨论中这3名学生作为意见领袖的代表，能够引导话题讨论的方向。就本节课的总体情况来看，成员间的整体参与度较高。

（2）中间中心度。中间中心度测量的是行动者对资源的控制程度，如果一个点是处于许多其他点对的最短路径上，就可以称该点具有较高的中间中心度[5]。中间中心度和度数中心度之间没有绝对的连接关系，就比如当一个学习者的度数中心度相对较低的时候，他可能没有核心的话语权，但是他在其他两个联系者之间的点上，在其中起着一个中介连接的作用，他的中间中心度则可能会比较高。在本节课的讨论区当中，中间中心度较高的学习者能够更及时、更便捷地获取到多样化、重要的信息和资源。

分析结果如表3所示。从结果表中可以看出，4号学习者有着较高的中间中心度，8号和2号中间中心度次之，说明他们在社群中担任重要的“中介”角色。而整个网络的中间中心势为0.1892，中间中心度最高值达到115.152，说明在整个网络中有部分学习者需要其他学习者作为“中介”，才能够进行沟通。

表3 中间中心度结果表

2.凝聚子群分析

凝聚子群（Cohesive Subgroups）是一个行动者的子集合，在这个集合中的行动者之间具有相对较为紧密、积极的关系。在社会网络分析中，可以运用不同的网络属性对群体进行量化处理，凝聚子群有着多种形式化的定义，具体的可以划分为派系、K-丛、K-核、成分、块等。[6]本文中的社会网络是通过Moodle平台上学习者之间在讨论区的交流互动产生，因此，利用SNA中派系分析来对凝聚子群进行研究。在对网络进行派系分析之后，分析的结果如表4所示。

表4 凝聚子群分析结果表

通过对本文数据进行凝聚子群分析并由上表可以看出，该网络中共存在31个派系，原有学生共23名，说明在这些派系中有重叠成员。1号重叠的次数最多高达12次，其次是7号存在于9个派系中，2号、3号和15号也有8次重叠次数，都比较高。由此可以说明这些学习者在学习讨论时都比较活跃，与很多学生都产生过互动，产生各个交流派系。22号学习者不隶属于任何派系，说明这位学生很少参与到班级交流讨论中，是较为孤立的学习者。从整个班级参与情况来看，大部分学生较为频繁地参与了Moodle平台课程的学习讨论，并能够与其他学习者建立良好的联系，班级的整体参与度都比较高。

基于ucinet软件对在Moodle平台上开展的“电子化学习课程专题”课程进行社会网络化分析发现，班级整体学生的互动交流频繁,学生之间互动性较好，联系较多，基本都能够参与到专题讨论中。

五、结束语

本研究通过社会网络分析法对Moodle平台参与的学习者进行学习路径分析，了解到在学习过程中哪些学生是处于较为活跃的位置，哪些学习者较为孤僻很少与其他学习者产生交互，由此可以根据这些情况对较少参与到课程学习的学习者进行鼓励和支持。教师也可以根据这些信息及时形成相应的教学评价，改进教学策略，提供更多的教学帮助，更好地做到个性化支持。

[1]吴永和,陈丹,马晓玲,曹盼,冯翔,祝智庭.学习分析:教育信息化的新浪潮[J].远程教育杂志,2013,(04):11-19.

[2]SIEMENS G,LONG P.Penetrating the fog:Analytics in learn⁃ing and education[J].Educause Review,2011,46(05):30-32.

[3]张玉峰,王志芳.基于内容相似性的论坛用户社会网络挖掘[J].情报杂志，2010,(08):125-130.

[4][5]张静.基于Ucinet共现分析的协同度评价[J].广西科技师范学院学报,2016,(04):149-151,156.

[6]刘军.整体网络分析讲义—Ucinet软件使用指南[M].上海:格致出版社,2009.

[7]王良周,于卫红.大数据视角下的学习分析综述[J].中国远程教育,2015,(03):31-37.

[8]王陆.典型的社会网络分析软件工具及分析方法[J].中国电化教育,2009,(04):95-100.

[9]皇甫青红,刘艳华,丁军艳.国际社会网络分析领域作者共被引网络结构研究[J].情报杂志,2013,(05):121-126,201.

[10]佘航,平萍,周清清.Moodle平台学习者交互行为的社会网络分析[J].软件导刊,2016,(09):74-76.

[编辑：郑方林]

G434

A

1671-7503（2017）09-0020-04

浙江师范大学教育学一级学科基地研究生创新课题研究项目（JXYSSS2015007）。