基于SNA的高校学生社会关系网络构成及其影响研究

王文彬

(华北水利水电大学，河南 郑州 450046)

当代高等教育肩负着为国家培养合格建设者和接班人的重要使命，高校有责任促进学生自由而富有个性的发展，它的核心功能在于培养出支撑并引领社会发展的创新型人才[1]。如何提升大学生的培养质量，是当前教育学、心理学、社会学等学科研究的重要内容。大学生培养质量由学科知识、人文素质、综合能力等方面构成，受学业期望、学校支持、考核反馈、学生投入、人际关系等多方面因素的影响[2]。大学生在共同学习、日常互动等交往活动中建立起学习、情感、生活等方面的联系，经过一段时间的磨合渐趋稳定，结成大学生社会网络关系(Social Network，简称SN)。学生个体在网络中的地位将对学习效果、心理健康、社会活动参与等产生影响，进而影响培养质量。

对高校学生群体社会网络的研究主要分为宏观、中观、微观3个方面：

第一，虚拟网络与现实人际社会网络间的关系。部分学者认为，虚拟社交网络与人际社会关系网络之间在一定程度上存在着相似的结构，二者之间存在着正向关联，并且虚拟社交网络的关系对实际生活有着一定的预测作用[3][4]。但有学者对此提出了异议，认为现实生活中的人际信任与虚拟的社交网络行为呈显著负相关，人际信任越低，越有可能将精力投入到社交网络中，即现实人际信任与网络人际信任之间存在一定的补偿关系[5][6]。这种争议在国外的研究中同样存在，关于虚拟网络对人际信任的影响，乐观态度与悲观态度并存[7]。总体来看，这一类型的研究偏向于总体视角，未对学生群体内部的结构及个体间的关系进行深入探讨，主要采用问卷调查、方差分析及回归分析等方法。

第二，大学生社会关系网络的构建。受信息交流方式转变的影响，大学生的学习方式由个人学习向群体学习迁移，越来越多的研究从总体信任转向学习共同体话题。同时，社会网络分析(Social Network Analysis，SNA)方法成为主要工具之一。其中，以QQ为代表的网络平台的分析较为多见[8]。这类研究结合社会网络分析法对学生群体进行分析，更多的是从“描述”性的角度刻画了群体的静态结构，对于群体中个体地位究竟会产生何种影响的探究较少。

第三，大学生社会网络的具体影响。如，班级管理、就业能力、学习成效等方面[9][10][11]，相关研究更进一步地深入网络内部，但仍存在改进的空间。首先，在进行关系评判时，研究者多使用0～1值数据，对网络中个体间关系亲疏远近的度量尺度较为模糊；其次，在进行关系的影响分析时，倾向于孤立地使用点度中心度、接近中心度及中间中心度等，可考虑在综合性方面加以改进。

结合相关研究成果，本文利用调查获得的多值关系数据，构建大学生群体3个维度的关系网，探讨网络构成特征，进一步讨论个体在网络中综合活跃度对于学习活动及社会活动的影响。

一、研究设计

(一)研究工具

社会网络分析(Social Network Analysis, 简称SNA)是研究行动者之间社会关系的重要技术手段，主要目的是探查和分析行动者之间的社会纽带模式。该方法的研究视角不同于统计学，一般不对网络结构进行假设，也不关心如何对网络特征进行抽样推断，更多的是从群体动力学的角度来考察群体中实体间的关系及其结构的特征。社会网络研究主要侧重于关系结构形式、内容以及渠道效应本身。社会网络分析的一般过程包括定义网络、处理网络数据、确定网络的结构特征，同时进行可视化评判。

(二)研究框架结构

本文的研究目的是考察大学生群体社会网络的构成状况、形成的影响因素，以及这种构成对于群体成员学习及其他表现水平的影响。首先，通过图的密度(Density)、中心度(Centrality)等特征值判断整体网络结构的概况；其次，根据点的度数中心度(Degree centrality)、中间中心度(Betweenness centrality)、接近中心度(Closeness centrality)构造个体综合活跃度指标，结合个体的属性数据及相应的分区关系图分析影响网络构成的主要因素；第三，考察活跃度指标对学生学习活动、社会活动是否存在显著影响，并考察学生性别、生源地等因素的作用。分析框架如图1所示。

图1　大学生群体网络结构形成及影响分析框架

(三)研究假设

学生在校期间的各种活动体现在2个方面：学习活动与社会活动，其“产出”效果分别用学习绩点(Grade Point)和素质积分(Quality Point)予以反映。

根据文献分析及实践经验，提出以下几个假设：

H1：学习关系网络活跃度对学习绩点有正向影响；

H2：消息关系网络活跃度对学习绩点有正向影响；

H3：消息关系网络活跃度对素质积分有正向影响；

H4：情感关系网络活跃度对素质积分有正向影响；

H5：女生比男生有更好的学习绩点；

H6：男生比女生有更好的素质积分；

H7：省内比省外学生有更好的学习绩点；

H8：省内比省外学生有更好的素质积分。

在假设中，学生都属于独立的个体，学习及社会活动均为个体的理性决策。学习关系网络的作用更多地体现在学习活动上，情感关系网络的作用更多地体现在社会活动上，而消息关系网络对二者均有影响。同时，假设女生更偏向于学习活动，而男生更偏向于社会活动；省内的同学由于文化背景、生活习惯的便利，在学习和社会活动方面有着一定的优势。

二、数据资料收集及研究

(一)数据收集与预处理

1.数据来源。考虑到经过一段时间的磨合，大3学生的关系较为稳定，更有利于进行网络分析，因此选取某高校大学经济学专业在校的大3学生进行访谈和问卷调查。样本共59人，去除无效数据，有效样本为51人，有效率为86.44%。整体网的边界定义为专业中的所有成员，采用非匿名方式进行问卷调查及访谈。为了保护隐私并方便处理，受访者均用编码代替。调查问卷主要数据包括：第一，成员属性信息：主要包括性别(女生用0表示、男生用1表示)，籍贯(省内用0表示、省外用1表示)，宿舍(根据宿舍顺序编号)等3个主要识别变量。3个类别属性数据分别编入相应分区文件(Attribute)，使用UCINET6及STAT14.0等软件进行相关数据及图表的处理。有效样本中女生为33人，占64.70%，男生为18人，占35.30%；省内生源为34人，占66.70%，省外生源为17人，占33.30%。第二，成员关系矩阵：通过调查获得3种关系矩阵，包括Study(学习矩阵——“你同谁一起上自习”)、Entertainment(情感矩阵——“你同谁一起娱乐”)、Dinner(消息矩阵——“你同谁一起进餐”)，要求受访者提供至多3位对象，并对伙伴的亲密程度进行赋值(按亲密程度从低到高分别为1～5分)。

2.数据整理。由于中心度分析、凝聚子群分析等指标仅适用于“二值”网络的测量，因此先将多值数据“二值化”。原始数据中，个体之间的亲密度最大值为5，在对多值矩阵进行“二值化”后，可以获得5个对应的子矩阵(0～1)，有助于更加全面地刻画网络成员关系的亲疏程度。以同学之间进餐伙伴选择的数据为例，将多值矩阵“Dinner”通过“Dichotomize”处理，得到5个二值子矩阵“Economics DinnerGT4”“DinnerGT3”“DinnerGT2”“DinnerGT1”“DinnerGT0”，对Study和Entertainment矩阵做相同处理，共计得到15个子矩阵。

(二)整体关系网络结构分析

1.密度分析。整体网的密度越大，表明网络成员之间的联系就越紧密，网络对于行动者的态度、行为产生的影响就越大。不过需要注意的是，在实际应用中，密度与网络规模呈负相关，即社会网络越大，密度就越低。通过对转换后的5种关系矩阵进行分析(如表1所示)，结果显示：

表1　各专业成员关系网络的密度

第一，各网络的密度均不高，表明同学之间的交流并不密切，处于低互动状态。以与GTO关系矩阵下的密度为例，较其他同类研究(唐文清等，2014；郭君等，2015；成云等，2015)相比偏低，主要原因在于问卷设计提名时，要求对象限制在3人以内，因此削弱了网络成员间可能存在的弧的数量，从而导致密度偏低。第二，在3类关系中，同学之间的情感关系、消息关系、学习关系在总体密度方面并没有明显的差异，相关系数均在0.99以上。这说明在学生群体中没有明显地将生活、社交进行分割的倾向，与校园外的社会群体有着较明显的不同。第三，GT4、GT3、GT2与GT1之间均有较强的相关性，相关系数在0.80～0.99之间，只有GT0与其他各关系矩阵下的网络密度呈弱相关。这种表现结果与提名规则有关，部分同学在选择关系对象时仅选择1人，且对该对象的赋值为5(最大亲密程度)，进行“二值化”后，关系衰退明显。

2.凝聚子群分析。对凝聚子群的分析指标包括派系、n-派系、成分、n-宗派、K-丛、LS集合、Lambda集合等等，各指标应用场景及优劣势也各有不同。对于多值分析来说，成分分析是最简单的形式，且直接对多值关系矩阵进行分析，往往能够提供充分的信息。若与实际情况相符，则可以停止分析；若与实际不符，可以进一步进行派系分析。对消息关系矩阵进行成分分析，结果如表2所示，多数同学结成了相对牢固的小群体。进一步结合同学的个体属性分析可以发现，学生群体关系与性别(如图2)、宿舍(如图3)均有密切关系，但与籍贯的关系并不明显(如图4)。对学习关系和情感关系网络进行分析，可以得出相同的结论。

表2　Economics-Dinner网络成分分析图

图2 按Gender属性区分的Dinner社群图

图3　按Dormitory属性区分的Dinner社群图

图4　按Place属性区分的Dinner社群图

(三)个体活跃度构成及影响效果分析

1.个体综合活跃度指标构建。对于网络中个体的分析，一般集中包括个体的中心性、影响力、结构洞、中间人等。前者(中心性、影响力)更侧重于个体在网络接近“核心”位置的表现情况，后者(结构洞、中间人)更侧重于个体在网络的边缘或交界位置的表现情况。在个体中心性和影响力的评价指标中，度数中心度侧重于点与其他点直接交往的程度；接近中心度侧重于刻画点与其他点的距离；中间中心度侧重于考察点的中介桥梁能力。3种指标结果相差不多，度数中心度关注交往活动频度；中间中心度关注信息控制能力；接近中心关注信息传递效果(Freeman，1979)。在应用过程中，研究者往往对3个方面都有所关注，因此可以考虑将3个指标进行综合，构造个体综合活跃度指数Ii(i代表个体)。

(1)

(2)

表3　学习关系网络下个体活跃度综合指数

注：有5个同学的积分数据有缺失，予以剔除

2.影响个体综合活跃度的因素分析。从具体的性别(Gender)及生源地(Place)的角度来对学生的活跃度情况进行分析，单因素方差分析结果显示：第一，性别仅对情感关系网络有显著影响。这与访谈内容相一致，即男生组团打游戏等活动较多，而女生共同逛街、聊八卦等活动较多。在学习和日常交往方面，性别的影响并不突出，尤其是在学习方面，情侣之间共同学习的情况较为常见。第二，生源地的影响在3个关系网络中影响均不显著。这说明同学们的交往并不受地域的限制，在人口流动和信息融合日益深入的背景下， “籍贯”的影响正在日渐消退。

表4　关于性别及生源地对活跃度影响的ANOVA分析

注：*P<0.1，**P<0.05，***P<0.01。

3.个体综合活跃度效果。根据经典回归模型理论建立2个方向的检验模型，分别用于检验学习关系网络、消息关系网络、情感关系网络及虚拟变量性别、生源地对学习绩点(GP)及素质积分(QP)的影响。通过对自变量进行VIF分析，VIF均值为1.76，且均小于3，不存在明显的多重共线性问题。针对前述假设，构建如下模型：

模型1：关于学习活动效果的检验

GP=β0+β1IStudy+β2IDinner+

β3IEntertainment+δ1Gender+δ2Place+ε

(3)

模型2：关于社会活动效果的检验

QP=β0+β1IStudy+β2IDinner+

β3IEntertainment+δ1Gender+δ2Place+ε

(4)

通过稳健性回归分析后，变量的显著性并没有发生变化。对于模型1和模型2进行逐步回归，得到回归模型3和回归模型4：

GP=β0+β1IStudy+δ1Place+ε

(5)

QP=β0+β1IEntertainment+ε

(6)

在模型3中，仅有IStudy和Place变量得到保留，且IStudy的显著性有所增强；而模型4中，仅有IEntertainment变量得到保留。结果如表5所示：

表5　关于学习绩点及素质积分的回归分析

注：*P<0.1，**P<0.05，***P<0.01；括号内为回归系数的标准误差(Std.Err)

4.研究结果讨论。通过模型分析，可以对前述的假设进行如下回应：关于假设1和假设2：分析发现，学习关系网络活跃度和消息关系网络活跃度均对学习活动效果(学习绩点)有显著的正向影响，分析结果支持研究假设。IStudy的影响系数达到0.394，并且在剔除IDinner后增大至0.533，显著性也进一步增强(p值由0.074减少至0.014)，这说明同学之间在学习方面强化交互关系有助于提高个人成绩。关于假设3和假设4：消息关系网络活跃度对社会活动效果(素质积分)并没有显著影响；在剔除交互影响后，情感关系网络活跃度对社会活动效果有正向影响，假设3并未得到支持，假设4得到支持(在0.1的显著性水平上)。关于假设5和假设6：虽然Gender变量在模型1中系数为负值，表现出女生比男生学习绩点更高，但并未通过显著检验(P值为0.171)，假设5未能得到支持。关于素质积分的分析也未观察到性别上有显著影响，这说明男生与女生的社会活动效果差异不大，假设6同样未得到支持。关于假设7和假设8：模型1中Place变量影响显著，说明省内的学生学习活动效果更好，即学习绩点相对省外学生更高；在素质积分上均未表现出显著差异。研究结果支持了假设7，并未支持假设8。

三、结论及建议

(一)结论

通过采集学生的人际关系数据，构建关系网络，计算综合活跃度，并通过简单的回归模型分析活跃度、性别及生源地对学生成绩及素质积分的影响。根据实证分析的结果，得出以下结论：第一，对学生成绩影响较为明显的因素是学习网络个体活跃度及生源地，而情感关系、消息关系及性别对成绩影响均不明显。另外，在分析过程中，发现网络中有多个个体出现了比较明显的活跃度与成绩值背离总体趋势的情况。一方面，个别成绩较好但活跃度较低，如S209、Z215；另一方面，个别同学的成绩虽然不太理想，但在活跃度方面表现出了较高的值，如S217、S226、L316等。这说明虽然总体上在班级里的活跃度能够一定程度上表现出与综合成绩的相关性，但具体分析时仍应注重整体与个体结合分析的方法。第二，学生素质积分仅受情感关系个体活跃度的影响，与学习关系、消息关系活跃以及性别和生源地的关系不明显。学生素质积分主要来自于思想政治、道德素养、社会实践、科技创新、文化艺术及社会团体活动等，多侧重于学生课外活动的参与状况。良好的人际关系有助于学生更积极地参与校园活动，并获得相应的激励。第三，消息关系和性别因素对学习积分和素质积分都未表现出显著影响。一方面，消息关系介于学习关系和情感关系之间，有一定的模糊之处，在“共同进餐”的行为上，可能同时上课或自习后一起进餐，也可能同时打游戏、逛街后进餐。因此，在显著性上有所分化。另一方面，性别对学习和社会活动的影响均不明显。虽然社群图中男生和女生之间泾渭分明，但这种表象并未产生实质的影响，这与网络上所说的“塑料花友谊”有相似的意思。

(二)建议

针对上述分析的结果，对于包括学生、教师及其他管理者在内的教育行为主体，在培养优秀大学生时应注意：第一，着重构建学习小组，营造良好的学习氛围。教育参与各方主体都应努力促成各种学习小组的形成，构建和谐融洽的学习群体。结合前述文献综合中相关学者的研究成果可以发现，无论是线上还是线下的学习兴趣小组，都能产生积极且显著的影响效果。第二，重点关注省外同学的学习状况。着重关注外地同学的学习情况，这可能与样本中省内同学的录取分数一般较省外同学更高的因素有关。当前，无论是在现实社会中还是虚拟社会中，人际交流空间日益模糊，随着《关于进一步推进户籍制度改革的意见》(2014年)的提出，这种地域差异还将进一步消退。但需要注意的是，在目前高考大背景下，地域之间录取分数线的差异仍然存在，这也是生源地因素对学习成绩有着显著影响的主要原因。第三，要做好群体“中介人”的工作。大学生群体关系仍处于相对松散的状态，这与当代学生的自我意识较强可能有一定的关系。大学生关系构成的主要影响因素仍是宿舍，同一宿舍成员之间结成凝聚子群，有着较强的内部联系，而子群与子群之间保持着较松散的联系，多数的子群之间仅存在一个“中介人”，说明该网络关系相对脆弱。对于教育管理者来说，做好 “中介人”的工作、保持整体的和谐较为重要。

参考文献：

[1]刘学忠,余宏亮.论大学人才培养的质量标准及其实现路径[J].中国高教研究,2014(04):83-88.

[2]魏署光,陈敏.本科生学习效果影响机制研究——基于华中科技大学SSLD的分析[J].高等工程教育研究,2016(02):167-173.

[3]池思晓,龚文进.大学生网络人际信任与网络社会支持的关系[J].中国心理健康心理学杂志,2011(19):94-96.

[4]景永昇,李瑛.大学生网络社会支持和现实社会支持的关系研究[J].中国健康心理学杂志,2012,20(05):777-779.

[5]高慧,王婷.大学生的社交网络行为及其与人际信任的关系[J].社会心理科学,2014 (6):658-662,54.

[6]文梦雪,陈竹,包卫.“90后”大学生人际信任的现状研究[J].湖南工程学院学报,2016(1)：93-96.

[7]辛自强,周正.大学生人际信任变迁的横断历史研究[J].心理科学进展,2012 (3):344-353.

[8]覃玉梅,马秀芳,张海新.社会化网络环境下网络学习共同体的构建研究[J].教育理论与实践,2016(18):14-16.

[9]代娴,兰建龙,田鑫炜.基于SNA的高校班级学生管理研究[J].软科学,2012(6):141-144.

[10]蔡小慎,刘存亮.我国社会网络中强关系对大学生就业的正负效应及对策[J].现代教育管理,2012(2):106-110.

[11]沈超,何秀美.大学生群体学习行为对学习成效的影响研究[J].南京邮电大学学报(社会科学版),2014(1):106-112.