在线协作讨论中社交关系分析及可视化呈现研究

郑娅峰 赵亚宁 王雯

摘   要：在线协作讨论中社交关系对知识建构的过程和质量具有重要的影响作用。文章从交互密集性、交互凝聚性、交互中心性、交互均衡性四个维度提出了一个测量协作群组交互结构的指标框架，刻画协作讨论过程的社交关系，并对分析结果进行可视化呈现设计。研究结果表明，入度中心势和紧密度2个指标与协作讨论质量显著相关，且对最终的协作讨论质量具有较强的预测力。更进一步，基于分析指标的实时可视化呈现方法对教师有效地衡量群组社交参与的程度、预测群组协作讨论的质量、监控群组互动模式及交互关系变化都具有重要意义。

关键词：社交关系;自动化分析;在线协作讨论;可视化

中图分类号：TP391;G434 文献标志码：A 文章编号：1673-8454（2021）05-0010-08

一、引言

活跃的交互是在线协作获得成功的重要因素，也是群组协作共同完成任务目标的根本保障。[1]研究表明，在线协作讨论中，群组成员的社交关系能够影响知识建构的过程和质量。[2]然而，在线协作讨论中的交互通常是隐性的，不易被教师所观察，因而直接阻碍了教师对在线协作讨论过程的监督和指导。社交关系分析关注群组之间的交互关系而非个体成员本身，通过社交关系分析可以有效识别和强调群组成员之间复杂的相互依赖关系。[3]因而，对协作讨论中社交关系的分析及其可视化呈现成为当前在线协作学习研究中重要的研究领域。

尽管许多研究者分析了在线协作讨论中成员间交互关系的重要作用并强调社交关系对在线协作学习取得成功的重要意义，但当前在线协作环境中对社交关系的实时测量和可视化呈现的研究却存在较大障碍。原因是：第一，传统社交网络分析大多依赖专用社交网络分析软件（如Ucinet、Gephi等），研究者需将原始交互数据处理为交互矩阵，并导入专用软件进行数据分析。然而，对于普通一线教师来说，从一系列讨论回复关系中理清交互矩阵既耗费时间精力，也无法做到专业化。更进一步，数据整理和分析工作通常是在协作活动结束后才能进行，因而并不能够为协作教学环境提供实时反馈来增强教师对协作过程的评价、反思和感知能力。第二，社会网络分析（SNA）领域指标体系庞大，且大多适用于商业级大规模网络的分析，对于在线教育中的小型协作讨论小组来说，如何遴选合适的指标用以指示其互动结构类型，并无更多的实证研究经验。第三，大型分析软件所呈现的专有可视化图形更重视互动结构的呈现，对其核心人员、边缘人物等标注不够明确，教师无法即时进行协作成员状态分辨，因而无法直接应用于实时教学。

基于此，研究通过分析在线协作讨论场景的交互特征，从交互密集性、交互中心性、交互凝聚性、交互均衡性几个维度刻画协作讨论过程的社交关系，进而遴选各维度适合在线协作讨论监督的社交关系分析指标，协助教师进行成员交互的在线监控。更进一步，设计面向在线协作讨论的社交关系分析与可视化呈现工具，实时呈现群组互动网络结构及其对应数据指标，使结果能够以实时可视化方式反馈给教师，增强教师对在线协作讨论快速分析、监控评估和实时反馈的能力。

二、协作学习活动中的社交关系研究

对在线协作学习中社交关系的分析，可以挖掘出社交关系下所隐藏的互动网络结构，并基于特定的关系指标，分析和测量互动网络结构特征的变化和规律。[4]在线协作讨论场景恰恰提供了丰富的交互语料数据，使研究者可以利用这些数据洞察学生以什么样的互动方式共同建构知识。

1.社交关系研究现状

对社交关系及其发展变化进行刻画有利于描述协作团队潜在的关系，从而获得对协作过程更好的理解，同时也是教师对学习者行动信息进行监控和评价的关键。[5]研究表明，成员间社交关系的属性是决定个体和群组协作成绩的主要因素，这些属性与学习投入[6]、群组内部冲突[7]以及个人表现[8]都紧密相关。

大量研究是通过关注协作过程中的互动网络结构对在线协作学习的运行机制进行的。[9]一些研究通过社交关系的分析确定协作群组中的不同角色，并探究社交角色对协作的影响。如王陆[10]采用社会网络分析法探索虚拟学习社区社会网络中的助学者群体。钟伟等人[11]基于学习元平台组织师生协同阅读活动，利用社会网络分析的整体网络分析和中心性分析，研究社会成员的关系和互动特点，发现群体中的“意见领袖”和“边缘人”。

另一些研究则分析互动模式对知识建构的影响关系。如De等人[12]的研究通过将群组社交关系状态与知识建构达成的阶段进行综合对比分析，发现交互模式是集中式的，则知识建构的层次集中于分享和比较，即知识建构的较低阶段。而马宁等人[13]的研究利用社会网络分析和内容分析的方法，探讨教师混合式研训的组内交互特征、群体知识建构层次和相关影响因素。Cummings等人[14]的研究则证明了有效的协作团队的群组交流结构应该是民主的、平等的、非集中的结构。这些研究结果都表明一个群组的社会结构影响了协作学习的最终结果。

在线协作学习中，研究者基于不同的研究关注点和研究对象，对社交关系研究的侧重点也不尽相同。在研究对象上，一些研究关注在线协作中的个体对象的社交关系，而另一些研究则关注整体组以及群组与群组之间的关系。总体上，当前研究主要关注人际关系形成的社会结构对协作学习效果的影响。研究者指出，通过采用社交关系分析， 成員间信息流通的方式、协作知识建构中的互动网络结构及演变都可以被有效观察。[4]而采用可视化的方法，则可以直观地帮助教师探测和理解社交关系数据所表达的交互信息。

2.社交关系的测量方法

社交关系的测量能够帮助研究者捕获团队潜在的交互过程。社交关系的测量有多种方法，其中社会网络分析法（Social Network Analysis）在CSCL 领域被广泛采用。[15]不同于传统的内容分析法，社会网络分析法（SNA）的分析对象是协作组成员发生的各种交互行为所形成的交互关系。[16]SNA使用关系矩阵表征参与者之间的交互关系，并基于图理论去描述交互模式及网络的特征。根据研究的侧重点不同，关注的“关系”也不同。

紧密度的计算指标表示该网络的成员之间连接关系的数量与可能的所有成员之间的最大连接关系数之间的比例。其中，N表示协作小组中的成员数，M是指网络中包含的实际连接关系数目。

（3）指标3：入度中心势

图的紧密度刻画了图的凝聚力水平，而图的中心势则描述了这种凝聚力在多大程度上是围绕某个或某些中心结点而组织起来的。紧密程度高是社会交互网络具有强凝聚力的必要条件。成员间互动网络具有比较高的凝聚力，则一定具有较高的紧密度值。互动网络即使具有较高的紧密度，但如果分解为多个小派系，也不会具有较强的凝聚力。[4]因此，需要刻画互动网络在某种程度上是否依赖某些特殊点达成某种趋势。

在社会网络关系中与之相关的概念就是中心势。本研究关注回复关系，因而选择入度中心势计算。入度中心势指标使用公式（3）表达。

其中CADI为群组的入度中心势，CADImax值為交互网络中结点入度中心度的最大值，CADIi为结点i的入度中心度，n为代表群组成员的结点数。

（4）指标4：参与均度

研究认为，在一个有效的协作小组中，所有成员的参与程度应该是相似的，不应该有霸权的行为出现。[24]为了刻画群组成员的参与均度，采用标准差公式进行计算。参与均度指标使用公式（4）表达。

P代表协作小组的参与均度。？滋代表小组成员的平均发帖量。N代表小组人数;M代表总的发帖数量。ei代表每个人的发帖量。越大的参与均度代表群组成员贡献的发言差异越大，也意味着存在个体成员主导了整个协作讨论过程的现象。

四、社交关系测量指标有效性检验

1.活动实施

本研究共计招募来自背景为两所高等院校的计算机相关专业学生157名参与实验。针对计算机专业一门必修课开展在线协作学习活动，在真实的活动场景中采集实验数据，验证指标有效性。在实验开始前，这些学生均已对Moodle讨论平台的使用进行过培训。

所有的学生被随机分为31组，每组5～6人，以组为单位，通过在线协作讨论的形式完成教师发布的一系列基于问题解决的讨论任务。每次协作讨论活动持续2个小时。活动在Moodle平台的论坛区进行发布。各小组在自己的主题帖下进行讨论发言，推进任务解决。所有这些数据都将被记录在Moodle平台的数据库中。在讨论过程中，为避免组间影响，经由平台权限设置，各组之间隔离，无法浏览或参与其他协作小组的讨论。活动过程开始后，教师不再进行干预或指导。

2.结果呈现

研究以31个群组产生的1577条发帖数据为分析样本，每条发帖数据在Moodle系统中都存储了本帖的发帖者、该帖回复的帖子（称为父帖）的发帖者，以及发帖的时间信息等。因此交互关系可以依据这些记录的属性由在线协作讨论分析工具自动计算获得。表1显示了该次活动中各小组在社交关系上的4个指标原始值，分别为人均发帖量、紧密度、入度中心势、参与均度。

其31组数据表的描述性信息如表2所示。

从描述统计表中可以看出，各指标最大值和最小值之间差异明显，说明各组社交关系水平也存在较大的不同。

3.社交关系指标与讨论质量的相关性分析

为明确社交关系指标与讨论质量之间的关系，研究聘请两位有多年教授数据结构课程经验的教师对小组讨论帖的质量进行等级打分，然后将专家打分结果与指标结果进行相关性检验。教师在打分时采用优、良、中、差、不合格（对应1到5）的5级评分，并基于如下标准：小组对活动主题是否进行了充分的讨论并成功地完成了任务解决方案。为了评价群组讨论的质量，评价人员必须浏览群组发布的所有讨论帖。在两个专家提交了其评价分数后，通过斯皮尔曼一致性检验对评分者信度进行了验证，两个教师的一致性系数为0.775 （p<0.01），说明两个教师的打分一致性良好。

为了检验指标与讨论质量的关系，研究将专家质量打分结果与描述社交关系的4个指标结果进行斯皮尔曼相关检验。检验结果如表3所示。

结果表明，紧密度（r=0.40，p<0.005），入度中心势（r=0.48，p<0.01）与讨论质量成显著正相关。人均发帖数、参与均度与讨论质量不相关。

为了揭示社交关系指标对讨论质量的预测力，研究中挑选了与讨论质量有显著相关的指标，并用回归分析来进一步分析其预测力。以社交关系与讨论质量显著相关的紧密度和入度中心势2个指标为自变量，以讨论质量为因变量，采用逐步回归的方式进行多元回归分析，得到如表4所示的数据。

数据结果显示，自相关检验的DW值为2.292，说明样本之间没有自相关。方差膨胀因子较小，不存在多重共线性问题，这几个指标说明适合进行多元回归分析。同时，入度中心势和紧密度均进入了回归方程，两个预测变量模型的决定系数R2为0.516。而且入度中心势最先进入，其次是紧密度。模型的F统计值的显著性概率都小于0.01，说明模型的总体回归效果是显著的。因此，统计结果表明，入度中心势及紧密度可以显著预测讨论质量，能够解释讨论质量的51.6%。因此，入度中心势及紧密度对讨论质量具有一定预测力。

五、社交关系的可视化呈现

更进一步，为帮助教师更好地了解协作小组社交关系状况及发展变化情况，研究设计了社交关系的可视化呈现，在线协作活动中教师可以实时查看协作交互过程，即时给予教学反馈，提升协作质量。

1.群组互动结构呈现

交互关系界面可以帮助快速浏览各组的情况，确定存在典型问题的小组。教师选择需要查看的组，界面中会显示其交互关系图，然后使用数据导出按钮将对应小组的具体数据值导出，如图1所示。

通过该功能教师可以发现，不同的群组讨论会呈现不同的互动结构，成员也存在不同的身份特征。图2展示了从社交关系分析工具中实时抽取的4个典型小组的交互关系。

由图2中可以看出，第3小组的交互关系图呈单链条形式，组内每个成员都只与其他一两名成员进行交互，小组内没有形成良好的沟通，社交关系非常脆弱。数据结果表明该组凝聚力系数为0.371，说明成员凝聚力较差。第15小组是典型的完备网络结构，每个成员间都有直接的联系，整体结构较稳定，各成员之间交流互动频繁，信息流动较为均衡，成员地位相当，不存在高影响力及边缘人员。群组社交关系呈现凝聚性、均衡性特征。第25组是具有核心成员的网络结构，从交互关系图上看到李同学是小组的核心成员，从数据结果及帖子的回看也发现，李同学在群组中具有较高的影响力。第29组是典型的有边缘结点的小组，从图中可以看出，张同学处于小组结构的边缘位置，只与安同学一人进行了单向交流互动，活跃度较差。

更进一步，图 3呈现了四个小组的交互指标值。教师可以进一步确认，第15组和第25组的紧密度指标较高，说明小组中群组协作行为较多，成员之间信息流通迅速。而第3组的紧密度指标仅有0.3，说明小组成员之间的信息流通不畅。根据人均发帖量指标数据显示，第3组和第25组的学生信息交流方面的积极性较差，尤其以第3组最为显著。

2.个体社交关系呈现

为更进一步了解群组内部个体的社会交互状况，研究更进一步地呈现了个体成员的社交状态。图4展示了第2组成员的发帖时间分布，图中的小矩形展示了个体在一次活动中每一次发帖的时间。当教师将鼠标悬浮在小条形柱时，可视化图会显示具体的发帖时间。从中可以看到发帖在时间轴上的分布情况，以确定学生是否持续积极地参与了整个讨论。同时，学生离席的问题也更容易被教师发现。

个体交互均度图则反映了学生个体是否能跟小组每位成员进行较均衡的交互。如图5所示，使用横向条行图呈现学生个体对小组内每位成员包括自己在内的回复数量。图中不同颜色条形的长度代表对不同学生的回复数量。其中，在0轴左侧的条形长度代表该学生个体在自己的帖子下回复的数量，0轴右侧的条形长度代表在其他成員帖子下回复的数量。通过该图，教师可以快速查看每位学生与其他成员交互的情况。

六、自动化分析及可视化方法构建的意义

当前的研究使用了基于4个指标的自动计算方法来检查在线协作讨论场景下群组的社交关系。根据研究结果，紧密度和入度中心势2个指标能够有效预测协作讨论中的协作讨论质量。这一结果表明，教师可以通过关注紧密度和入度中心势指标的变化趋势，判断群组在团队参与、团队凝聚力以及团队成员影响力方面的状况，及时依据情况实施协作教学干预。

1.高紧密度反映了群组凝聚力对协作活动的积极影响

紧密度与协作讨论质量呈显著正相关，多元回归的结果也表明紧密度能够预测群组协作的讨论质量。这也说明，当群组积极参与讨论、能够不断发表观点、及时回应其他同学的观点时，群组通常呈现一个较好的协作讨论质量。这一结果也印证了Hamm等人[28]研究中关于群组动力学的基本观点，即任何协作学习成功的重要因素在于，社会化团结、达成群组目标的共同的责任感、参与的活跃程度和“生-生”之间的支持度。紧密度这一指标计算相对简单，教师可以灵活应用于协作讨论的现场，通过实时对群组紧密度进行监控，有利于发现群组讨论停滞、群组成员消极参与等现象，从而及时给予关注和有效干预，确保讨论可以持续进行。

2.入度中心势反映了成员影响力在协作活动中的重要作用

入度中心势与协作讨论质量呈显著相关，多元回归的结果也表明入度中心势在很大程度上预测了群组最终的协作讨论质量。具体来说，具有高入度中心势的群组通常能够较好地完成协作讨论的任务。从更深层次上探究，入度中心势意味着群组成员在入度水平上存在较大差异，而入度在协作学习共同体中通常反映信息被引用的情况。成员的入度值高，表明该成员发表的观点被参考和使用的信息较多，因此入度中心势高表明群组中存在具有很强影响力的成员。这些成员能够受到其他成员的认可和欢迎，也表明其观点能够得到其他群组成员的支持。

与一些认为群组成员应该均衡地参与讨论、有强势成员存在的群组会削弱群组力量的研究相反，本研究发现在知识水平相当的情况下，入度中心势高的群组明显比入度中心势低的群组更容易推进群组任务的解决，获得相对较好的协作质量。即当有影响力的成员存在时，协作讨论的效果往往表现得更好。通过对帖子的分析发现，具有高入度中心势的成员一般在群组中具有相对高的知识水平，并且愿意与其他成员进行积极交互，给予意见，对团队协作解决问题的进度、方向进行组织和管理。

3.可视化呈现帮助教师更好地把握群组交互关系

在社交关系可视化方面，交互关系图可以直观地反映群组成员之间的交互关系，帮助教师判断群组中是否存在明显的中心人物或边缘人物。交互关系图也能形象地表示互动网络结构的特征，帮助教师发现不同的交互结构模式。同时还支持研究者定量地分析互动网络结构的特征值，从而辅助教师探索不同交互网络的结构对协作学习绩效的影响。因此，基于社会交互的可视化交互关系图及对应指标的呈现，将帮助教师在教学实践中开展相关教学实验，总结互动网络结构特征与协作质量之间的规律，探索不同互动网络结构特征对协作讨论质量的影响。

总体而言，从使用的效果来看，一方面，群组协作讨论分析结果的可视化呈现能够帮助教师直观解释数据并快速理解这些数据背后隐藏的信息，使教师能够更容易获得群组在线协作讨论中的相关过程信息。[29]另一方面，所有开发的协作讨论分析工具中，基于数据可视化、文本可视化、时间序列可视化等呈现方式，使分析结果更易理解，还能够更好地观测到重要特征、规律以及异常值。因此，实验结果表明，可视化呈现作为学习分析过程的重要一环，对帮助教师洞察学习过程，提供监督、反馈和评价都有重要作用。[29]

七、结语

在线协作学习的社交关系分析一直是协作学习领域的研究重点。伴随大规模在线教育的发展，协作的教学活动已经被广泛实施。基于传统或专有软件分析的方法面临大规模、多应用场景的挑战。因而基于学习分析技术，实施面向自动化的实时可视化的分析和呈现，对教师有效地衡量群组社交参与的程度、预测群组协作的质量、快速识别群组交互中存在的问题都具有重要意义。

在未来的研究中，将深入探索人机协同的自定制可视化工具的研究，使可视化工具真正从一个分析工具转化成基于交互的数据挖掘工具，使其能够在学习过程分析与教育决策支持方面产生更大的效用。

参考文献：

[1]Xing W，Gao F.Exploring the relationship between online discourse and commitment in Twitter professional learning communities[J].Computers & Education， 2018（126）：388-398.

[2]Tirado R，Hernando ？魣，Aguaded J I.The effect of centralization and cohesion on the social construction of knowledge in discussion forums[J].Interactive Learning Environments，2015，23（3）：293-316.

[3]Scholand A J，Tausczik Y R，Pennebaker J W.Assessing group interaction with social language network analysis：International Conference on Social Computing，Behavioral Modeling，and Prediction，2010[C].Springer.

[4]王永固.网络协作学习中互动网络结构分析研究[J].远程教育杂志，2011，29（1）：49-61.

[5]Caballé S，Daradoumis T，Xhafa F，et al.Providing effective feedback，monitoring and evaluation to on-line collaborative learning discussions[J].Computers in Human Behavior，2011，27（4）：1372-1381.

[6]方佳明，唐璐玢，馬源鸿等.社会交互对MOOC课程学习投入的影响机制[J].现代教育技术， 2018，28（12）：87-93.

[7]Labianca G，Brass D J，Gray B.Social networks and perceptions of intergroup conflict：The role of negative relationships and third parties[J].Academy of Management journal，1998，41（1）：55-67.

[8]Sparrowe R T，Liden R C，Wayne S J，et al.Social networks and the performance of individuals and groups[J].Academy of management journal，2001，44（2）：316-325.

[9]Hong H，Scardamalia M.Community knowledge assessment in a knowledge building environment[J].Computers & Education，2014（71）：279-288.

[10]王陆.虚拟学习社区社会网络位置分析与助学者群体的发现[J].中国电化教育， 2010（3）：23-27.

[11]钟伟，吴娟，陈露.基于学习元平台的师生共读活动之社会网络分析和内容分析[J].现代远距离教育，2015（1）：52-59.

[12]De Wever B，Schellens T，Valcke M，et al.Content analysis schemes to analyze transcripts of online asynchronous discussion groups：A review[J].Computers & Education，2006，46（1）：6-28.

[13]马宁，李亚蒙，何俊杰.群体知识建构视角下教师混合式研训的组内交互及知识建构层次分析[J].现代教育技术，2019（4）：44-50.

[14]Cummings J N，Cross R.Structural properties of work groups and their consequences for performance[J].Social Networks，2003，25（3）：197-210.

[15]郑兰琴.协作学习交互分析方法之反思[J].现代远程教育研究，2013（5）：91-99，112.

[16]吴青，罗儒国.国外CSCL交互分析方法研究综述[J].现代远距离教育，2013（1）：23-30.

[17]Yang X，Li J，Li X，et al.Group interactive network and behavioral patterns in online English-to-Chinese cooperative translation activity[J].The Internet and Higher Education，2015（25）：28-36.

[18]Daradoumis T，Martínez-Monés A，Xhafa F.A layered framework for evaluating on-line collaborative learning interactions[J].International Journal of Human-Computer Studies，2006，64（7）：622-635.

[19]Heo H，Lim K Y，Kim Y.Exploratory study on the patterns of online interaction and knowledge co-construction in project-based learning[J].Computers & Education， 2010，55（3）：1383-1392.

[20]Aviv R，Erlich Z，Ravid G，et al.Network analysis of knowledge construction in asynchronous learning networks[J].Journal of Asynchronous Learning Networks， 2003，7（3）：1-23.

[21]Wang L.How social network position relates to knowledge building in online learning communities[J].Frontiers of Education in China，2010，5（1）：4-25.

[22]Zhu E.Meaning Negotiation， Knowledge Construction， and Mentoring in a Distance Learning Course[J].1996（25）：821-844.

[23]Aviv R，Erlich Z，Ravid G.Cohesion and roles： network analysis of CSCL communities，2003[C].IEEE，2003.

[24]Calvani A，Fini A，Molino M，et al.Visualizing and monitoring effective interactions in online collaborative groups[J].British Journal of Educational Technology，2010，41（2）：213-226.

[25]Wise A F，Hausknecht S N，Zhao Y.Attending to others posts in asynchronous discussions： Learners online “listening” and its relationship to speaking[J]. International Journal of Computer-Supported Collaborative Learning， 2014，9（2）：185-209.

[26]Yang H，Tang J.Team structure and team performance in IS development： a social network perspective[J].Information & Management，2004，41（3）：335-349.

[27]Reffay C，Chanier T.How Social Network Analysis can help to Measure Cohesion in Collaborative Distance-Learning[M].Wasson B， Ludvigsen S，Hoppe U.Designing for Change in Networked Learning Environments：Proceedings of the International Conference on Computer Support for Collaborative Learning 2003. Dordrecht： Springer Netherlands，2003：343-352.

[28]Hamm M，Adams D.The Collaborative Dimensions of Learning[M].ERIC，1992.

[29]Papamitsiou Z，Economides A A.Temporal learning analytics visualizations for increasing awareness during assessment[J].International Journal of Educational Technology in Higher Education，2015，12（3）：129-147.

（編辑：王天鹏）