社交化在线课程平台学习者交互行为研究*

廖芷源 汤志康 李春英 汤 庸 潘家辉

（1.广东技术师范大学计算机科学学院 广州 510665）（2.华南师范大学计算机学院 广州 510631）（3.华南师范大学软件学院 广州 528225）

1 引言

在线学习是个人主动参加到学习当中的一种新的学习方式，这种学习方式打破了时间和空间的限制，影响了我们传统的上课方式［1～3］。近年来，在线学习受到我国教育部门的重视，截至2020年，我国建成慕课平台十多个，课程上线多达5000门，在世界排名第一，在线学习的蓬勃发展，将推动我国教育信息化快速发展。而今，在线课程平台的发展越来越好，推动了传统课堂向线上课堂转变。线上学习和讨论交流是在线学习最典型的特征，有效的交互可以帮助学习者得到提高，也可以帮助教师较好的引导学习者进行深入学习［4～7］。交互行为是检验学习效果的因素之一，因此，对学习者交互行为的研究具有重要意义。

本研究在社交化在线课程平台学者网（http：//www.scholat.com）中选取一门活跃课程（《C语言程序设计》），对其中学习者的相关行为进行分析并与学习者的真实成绩进行对比进而得出结论。本研究使用社交网络分析法，构建交互网络社群图对学习者的交互行为进行可视化分析，对处于社会网络中的学习者进行中心性分析，将得到的中心性结果与课程成绩进行相关性分析，最后根据分析结果，总结学习者特征并分析不同类型学习者对学习成绩的影响，找到可以促进在线学习效果的方法，为社交化在线课程平台中的线上教学提供建议。

2 研究方案

2.1 研究对象

《C语言程序设计》（http：//www.scholat.com/course/c_language）是华南师范大学曾碧卿教授于2014年在学者网上开设的混合式教学课程，教学团队由61名教师组成，主要学习者成员为大学一年级软件工程专业的学习者。该课程总评成绩由平时成绩、实验成绩和期末考试成绩三部分来评定，占比分别为10%、20%和70%。本次研究选取了2019年在学者网在线课程平台中学习该课程的学习者共计391人进行研究分析，由于参与交互的学习者人数较少，本次提取到在该课程平台上具有交互行为数据的学习者共26人，共获得话题数18个，交互次数36次。本次研究提取的数据有391份，但有效的数据仅有26份，数据比较稀疏。

2.2 研究方法

1）社会网络分析法

社会网络可以理解为是一种由社会关系所形成的结构，社会关系是由社会行动者相互建立的，许多社会行动者和其对应的社会关系形成了社会网络［8～9］。在在线学习中，学习者通过讨论交互所形成的关系网络就是一种社会网络，构成社会网络的主要因素是行动者和关系，行动者就是在线课程中的教师和学习者，关系就是他们之间产生的关联［10］。本文使用Gephi来描绘在线学习的交互网络社群图，通过使用Gephi对在线课程的参与者进行整体交互网络、各时段交互网络的可视化、密度分析和中心性分析。社会网络分析的重点是中心性分析，其中中心性分析主要包括度中心性、中介中心性、接近中心性和特征向量中心性四种分析方法［11］。

2）案例研究法

本次研究结合《C语言程序设计》课程平台互动交流区的历史数据建立学习交互网络，分析交互行为的各种数据和学习成绩之间的相关性，采集相关数据，进行整理、分析和论证，最后得出结果。

3）相关性分析法

相关性分析法属于统计分析方法的一种，用于研究两个或者两个以上处于相同地位的变量，分析它们之间的相关性［12］。本次采用spss的相关性分析法来研究中心性与课程成绩的相关性。

3 在线学习交互行为的实证分析

3.1 社会网络分析

建立交互网络社群图可以更加直观地显示学习者之间的交互行为，帮助我们得到更多的信息，多人参与讨论，就能够较好地调动资源，从多方面去解决问题。交互行为的网络结构会随着时间发生改变，因此，本研究根据时间段建立了第3和第4周，第5和第6周，第7和第8周的交互网络以及整体交互网络，根据交互社群图分析每段时间的交互行为。

3.1.1 整体交互社群图分析

对每个课程参与者进行编号，教师为0号，学习者为1～26号，节点的标签显示的是编号［13］。使用Gephi软件中的Yifan Hu布局方式，节点的大小按照节点度的大小渐变，节点的颜色为深色浅色渐变，得到的整体交互网络社群图如图1所示。

图1 整体交互网络社群图

该布局方式表示的是越靠近网络中心的节点交互越频繁。交互是有向的，当节点发送或收到信息越多，该节点越位于网络中心，该节点也就越大。图中显示2号和7号是网络的核心，主导课程在线交互，拥有最多的交互信息，影响力最大。其次是13、16号等编号的学习者，获得的交互信息较多，影响力比较大。最外层节点位于网络的边缘，它们代表的学习者获得交互的次数最少，如19、26、11、6号等，说明影响力较小。

在整体网络交互中，共有27个节点参与交互，表示从开始到结束，参与交互的全部师生都参与了讨论交流。连接数表示学习者之间的联系次数，总联系次数为36，表示师生之间共建立了36次联系。由表1可知，在交互网络中，最大加权出度表示的是有的学习者最多收到4次回复，最大加权入度表示的是有的学习者最多发出7次评论，平均加权度表示的是平均每个学习者参与回复或发送评论1次。在课程交互中，学习者之间的交互越频繁显示的网络密度就越大，0.5是目前发现最大的网络密度，该课程的网络密度为0.051，这表示该课程处于较低水平的网络密度，表示整体课程学习者之间交互行为不是很紧密，出现这个结果的原因与参与在线交互的人数较少有关。

表1 整体交互结果

3.1.2 各时段交互社群图分析

这门课程的交互行为主要集中在3～8周，因此，对各个时段的交互行为进行研究分析具有重要意义。构建的各个时间段的交互网络社群图如图2，图3和图4所示。

图3 5～6周交互网络社群图

图4 7～8周交互网络社群图

从图2交互网络图可以看出，第3、4周的网络较为稀疏，有着较少的交互次数，相互之间的距离也比较远。参与线上讨论有8人，其中4、5、1号学习者共同主导了这两周的交互行为。其中发布的话题大部分是关于平台交作业和实验作业问题，通过同学之间的交流，解决了这些问题。从图中可以看出，0号教师并不是交互行为的主导，只有两位学习者主动与教师有了交互行为。

从图3交互网络图可以看出，这两周的交互行为与前两周差不多，交互核心从原来的4、5、1号学习者转移到了7号学习者，增加了新的交互成员，也减少了一些旧成员，在3、4周处于主导地位的4、5、1号学习者在第5、6周没有交互行为，而前面处于边缘的7号学习者成为了这两周的主导地位，积极发布话题，积极参与讨论回复。

从图4交互网络图可以看出，这两周的交互话题和交互人数较前几周有了明显的提升，交互核心成员变成了2号和13号学习者，结合发布的话题内容可以知道，2号和13号学习者都积极参与话题讨论。从整体交互情况来看，第7到第8周的交互数量属于特殊值，属于不平稳过度造成的结果。

综上，根据各个网络时段的分析，我们可以很快掌握核心学习者的变化情况，还有其他异常表现的学习者，这些都可以帮助我们清楚地了解每个阶段学习者的表现情况和分析影响学习者交互行为的原因。

表2 各时段交互情况

从表2可以看出，从第3周到第4周开始，参与讨论人数为8人，第5周到第6周，参与讨论的人数也为8人，第7周到第8周，参与讨论的人数为16人，27人都参与了交互，反映了学习者在线上讨论的参与度较高。连接数从8上升到16，说明在线学习需要一个过程，交互行为会随着课程的推进，变得频繁。由该表可以看出，各时段的网络密度大于整体的网络密度，这说明，各个时段成员之间的联系是比较紧密的。

3.2 中心性分析

中心性分析在社会网络分析中很重要，中心性代表了社会网络中的学习者的影响力。节点在网络中的中心性越大，说明此节点在网络中就越处于重要地位［14］。本研究主要从节点的度中心性、中介中心性、接近中心性以及特征向量中心性这几个方面对课程在线交互中的学习者进行研究。

1）度中心性

度中心性表示的是交互网络中与某个节点相连的其他节点的数目。在讨论区中，度中心性是表示与某一个学习者创建联系的成员数目。有向图中的加权度表示学习者和其他学习者交互的总和，加权度分为加权出度和入度。加权出度表示成员答复发布话题者的帖子数目，加权入度表示发布话题者收到答复的帖子数目。本次构建的在线学习交互网络中，节点的度中心性的计算公式如式（1）所示：

其中，C D(N i)为节点i的中心度，是计算节点i和其他g-1个节点之间相连接的数量，xij表示节点i和j之间的相连情况，相连则值为1，不连接则为0（i≠j，排除i与自身的联系）［9］。

从表3可以看出，在所有网络成员中，度中心性最高的是2号学习者，数值为8，表明该学习者在课程讨论交流区中与8个网络成员具有直接联系，该学习者的加权出度等于加权入度，说明2号学习者在课程讨论中关注其他学习者和回复话题一样多。成员6、8、9、10、11、14、19、21、24、26号度中心性均在2以下，参与交互次数极少，是课程讨论区的不活跃群体。

2）中介中心性

一个成员处于多名成员之间，那么这个成员就起到一个中介的作用，位于网络的中心，这样就可以测量点的中间中心性。在交互网络中，节点作为中介的次数越多，代表它的中介性就越高，控制资源能力就越强［15］。根据这些节点之间的连接关系来计算节点的中介中心性，如式（2）所示：

此中，R(i)是矩阵，它的第（j，k）个元素是某一个随机点从节点j游走到k的概率，而该随机游走包括了作为中间节点的i［9］。

从表4可以看出，学习者2具有最高的中介中心度，说明在在线课程讨论中他对课程资源的控制能力较强，在网络交互中起到很好的桥梁作用。其次是学习者7号，位于第二名，表明他在网络的桥梁作用也非常重要。其余的学习者中介中心度均在1以下，表明这些学习者处于网络的边缘，他们受到时间的限制被动接受传播思想。

表4 中介中心性

3）接近中心性

一个节点比其他所有的节点距离网络中都近，那么这个点的接近中心度就比较高，愈高的接近中心性，代表该节点越处于网络中心，就可以快速到达其他的点。接近中心性代表接近程度，学习者越靠近中间，就少依靠其他学习者来获取信息。确定一个网络C，如计算式（3）所示， ||V v代表联通块中的顶点数量，表示先计算节点在联通块中的接近中心性，再通过乘以系数得到整体的接近中心性［9］。

如表5所示，学习者2、7、11、17、18、21、24、25、22、1、4、5、12、15、8、14的接近中心性都在0.5以上，说明这些学习者的接近中心性比较高，可以以较短的距离与其他学习者接触，很少依托其他学习者来得到传播信息。学习者0（教师）、3、6、9、10、13、16、19、20、23、26的接近中心性都为0，说明这些学习者获取信息时，非常依赖其他学习者。

表5 接近中心性

4）特征向量中心性

特征向量中心性是衡量网络中节点的影响力的指标［11］。在交互网络中，特征向量中心性衡量的是社会网络中个体的重要性，具有高中心度的点与某节点连接，那么该点就有高的重要程度。如果一个学习者的相邻同学是网络核心成员，那么该学习者会处于一个比较重要的位置。计算公式如式（4）所示：

此中，c为比例常数，aij看作邻接系数，x=［x1，x2，xi，…，x n］T，经过多次迭代到达稳定时，可以写成这种形式：x=cAx，x是矩阵A对应最大特征值的特征向量［16］。

如表6所示，学习者13的特征向量中间性为1，学习者9和学习者10的都为0.924818，这三位学习者的是最高的，说明他们的相邻同学的影响力较大，因此学习者13、9、10处于网络中的核心位置。学习者11、17、18、21、24、25、22、1、4、12、15、8、14的特征向量中心性均为0，说明这些学习者在网络中结交的相邻学习者的影响力最低。

表3 度中心性

表6 特征向量中心性

3.3 相关性分析

学习者成绩是对学习效果检验的指标之一，因而本次研究分析将个体网络属性，也就是节点的度中心性、中介中心性、接近中心性、特征向量中心性分别与学习者成绩进行相关性分析，从而得出学习者的交互行为与学习效果之间的关系。最后通过比较不参与线上交互与参与线上交互的学习者成绩得出结论。

1）度中心性与成绩的相关分析

利用spss21分析软件将学习者的成绩与度中心性进行分析。由表7中显示的结果可以看出，点的度中心性与成绩的相关性极弱，它们之间的关系数是-0.038，P=0.428>0.05，说明学习者在线交互次数的多少与成绩之间没有明显关系，出现这个问题的原因可能跟本次参与交互的人数有关，实际参加在线交互的人数太少。

因此，在在线课程中，学习者在线交互的次数越多，并不代表他的成绩就越好，在线交互有利于解答学习者当前对某个知识点的疑惑，从而使他掌握了这个知识点，提高了当前的学习成绩，相应的提高了整体的学习成绩。

表7 成绩与度中心性之间的相关性

2）中介中心性与课程成绩之间的相关性

利用spss21分析软件将学习者的成绩和中介中心性进行相关性分析。从表8中显示的结果可以得出，点的中介中心性与成绩的相关性极弱，他们之间的关系数为0.003，p=0.494>0.05，说明学习者的课程成绩与他在交互网络中为其他学习者搭建联系的能力没有多大关系。出现这个现象的原因跟参加线上讨论的人数以及交互次数较少有关，从而影响了相关性分析结果。

表8 成绩和中介中心性的相关性

3）接近中心性和课程成绩之间的相关性

利用spss21分析软件将学习者的成绩与接近中心性进行分析。从表9中显示的结果可知，点的接近中心性与成绩之间的相关性弱，相关系数为-0.279，p=0.084>0.05，说明学习者成绩的高低与学习者获得信息的多少没有直接关系，获取信息越多，不代表他的成绩越高。

表9 成绩与接近中心性的相关性

4）特征向量中心性和课程成绩之间的相关性

利用spss21分析软件将学习者的成绩与特征向量中心性进行相关性分析，结果如表10所示。由表中显示的结果可知，点的特征向量中心性与成绩呈现正相关的结论，但相关性比较弱，它们的相关系数为0.246，p=0.113>0.05，这说明学习者的学习效果在整体网络中受到其他相邻学习者数量和重要性影响不是很明显。

表10 点的特征向量中心性与成绩相关性结果

由此可以得出，在在线课程中，学习者主动与核心成员建立联系，交互次数增加，可能帮助他们获取更有有用的信息，比如说对提出的这个问题有了更加全面的理解，收集到多种解决问题的方法，拓宽了知识面，从而掌握了知识点，有助于提高整体的学习成绩。

5）不参与线上交互与参与线上交互的学习者成绩比较

结合线下学习者的真实成绩进行分析，由表11可知，参与课程的学习者人数为391人，他们平时成绩平均分为95分，实验成绩平均分为95分，总评成绩平均分为76分，不及格率为1%。

由表12可知，不参与线上交互的学习者人数为365人，他们平时成绩平均分为95分，实验成绩平均分为95分，总评成绩平均分为76分，不及格率为1%。

表11 课程全部学习者的期末成绩情况

表12 不参与线上交互的学习者的期末成绩情况

由表13可知，参与线上交互的学习者人数为26人，他们平时成绩平均分为97分，实验成绩平均分为96分，总评成绩平均分为78分，不及格率为0。

表13 参与线上交互的学习者的期末成绩情况

通过比较平时成绩平均分，可以发现，不参与线上交互的学习者的平时成绩平均分低于参与线上交互的学习者的平时成绩平均分。

通过比较实验成绩平均分，可以发现，不参与线上交互的学习者的实验成绩平均分低于参与线上交互的学习者的实验成绩平均分。

通过比较总评成绩平均分，可以发现，不参与线上交互的学习者的总评成绩平均分低于参与线上交互的学习者的总评成绩平均分。

通过比较不及格率，可以发现，不参与线上交互的学习者的期末总评成绩的不及格率高于参与线上交互的学习者的期末总评成绩的不及格率。

综上，参与线上交互的学习者的期末成绩平均分高于不参与线上交互的学习者，而且参与线上交互的学习者都及格了，由此可以得出结论：学习者通过参与线上交互，有助于学习成绩的提高。

4 结语

本文选取学者网在线课程平台一门活跃课程，采用社会网络分析法对课程参与者构建了交互网络社群图，通过分析发现，学习者参与线上交互的积极性不高，整体网络密度比较低，只有0.051。通过观察学习者的交互行为和交互特征发现，处于核心地位的成员并不多，很多都是只进行了一次的交互，参与度比较低。通过对参与线上讨论与不参加线上讨论进行学习成绩比较发现，参加线上讨论的学习者成绩较好，说明学习者参与线上交互是有助于提高学习成绩的。因此，教师作为课程的主导者，在整个教学过程中，应该处于核心成员位置，积极发布一些重要话题，引导学习者去讨论思考，鼓励学习者与学习者之间积极讨论，发表个人观点，通过交互，解决问题。通过教师的引导，尽快让学习者适应在线交互，激发学习的积极性。在活动设计方面，可以多设计一些在线活动，比如小组学习、主题讨论等活动，增加学习者的交互行为，并将交互行为进行量化，比如作为平时成绩的一部分，这样可以增加学习者交互的次数，提高学习者的学习积极性进而提高学习效果。