学习者同步和异步交互模式的比较与整合研究

胡天慧 刘三女牙 粟柱 周子荷 余建伟 柴唤友

[摘   要] 利用新型分析方法综合分析学习者交互以获取关于其学习过程的有益见解，是在线教育研究和实践的迫切需求。文章以中部某高校的一门科教融合创新在线课程为例，采用社会网络分析和多层网络分析方法，分别对学习者的在线同步和异步交互模式进行比较与整合分析，并探讨其与学习成绩之间的关系。研究结果发现：相比同步交互网络，异步交互网络更为稠密，且其个体指标值相对更高;相比同步和异步两个单层交互网络，基于二者整合而得到的多层交互网络在网络连边数量上显著增多，在个体指标值上显著增高，而且学习者在多层和单层交互网络中的地位相对不同;相比单层交互网络，多层交互网络的部分个体指标与学习成绩的相关性相对更高。研究为分析和理解学习者交互提供了研究方法论和教学实践方面的启示性意义，有助于改进对在线群体学习过程的动态调控与精确引导并优化现有教学模式。

[关键词] 在线教育; 在线学习; 学习者交互; 社会网络分析; 多层网络分析

[中图分类号] G434            [文献标志码] A

[作者简介] 胡天慧（1994—），女，安徽桐城人。博士研究生，主要从事在线学习分析研究。E-mail：hthhuayuan@163.com。柴唤友为通讯作者，E-mail：hychai@bnu.edu.cn。

一、引   言

近年来，在线教育持续升温，市场规模逐年增长，并逐渐发展成为传统线下教育的有力补充和替代。尤其是在“新冠”疫情期间， 世界各地的高等院校纷纷借助在线教育开展日常教学[1-2]。针对在线学习环境，探究学习者的在线学习规律以促进其学业成功，是在线教育研究者和实践者亟须面对和解决的关键问题。其中，学习者交互是反映学习者在线学习过程的关键指标[3]，依据交互时间模式的不同，学习者交互主要表现为异步交互和同步交互两种[4]。同时，随着现代信息技术的迅猛发展，教育领域迫切需要能够从基于在线学习平台的海量数据中获得关于学习者交互深层次理解的分析技术或方法。其中，（针对单层网络的）社会网络分析具有分析各种（单一形式）交互活动的理论和实践优势;作为一种源于复杂网络科学的新型方法，多层网络分析（Multiplex Network Analysis）具有综合分析多种不同形式交互的潜能与优势[5-6]。

本研究拟綜合采用社会网络分析和多层网络分析方法，比较和整合在线学习者的异步和同步交互特点，并探讨其与学习成绩之间的关系，以深入理解学习者的在线学习过程并支持在线教师或课程设计者开展精准化教育干预。

二、文献综述

（一）学习者交互及其分类

学习者交互一般是指由在线学习平台或工具所支持的以学习者为中心的教学交互行为[7]。依据交互时间模式的差异，学习者交互可被区分为异步交互和同步交互两种。异步交互通常是指学习者在在线学习平台中借助课程论坛等异步交流工具进行评论和回复。该方式允许学习者在时间充裕的条件下有效使用外部资源来组织交互内容，并且能显著提高同伴交互水平、避免不良课堂行为等[8-9]。同步交互主要是指借助同步沟通工具（如视频网络会议、QQ即时通讯等）进行更为直接和及时的社会交互和反馈。该方式有助于课堂的“连续性和便利性”、保持定期联系以及产生紧迫感和直接感[9-10]。此外，该方式允许直接纠正错误认知，并显著促进更高水平的学习者参与。总体而言，同步交互在促进即时反馈和激励方面更具优势[11];而异步交互不受时空限制，具有更大的灵活性。

（二）社会网络分析与学习者交互

近年来，国内外研究者对学习者交互（主要是异步交互）进行了大量探讨并证实了其与学习成绩之间的密切关联[12-14]。在分析方法层面，社会网络分析是探讨学习者交互的主要方法。该方法以学习者为节点、学习者之间的联系为连边构建社交网络图，并通过图形化表征和量性表征方式去探究学习者交互的网络结构属性和规律[15-16]。已有大量研究采用社会网络分析方法对学习者交互进行了广泛分析。例如，戴心来等人[17]、左明章等人[18]利用该方法分析了异步论坛中的学习者交互特点。Hrastinski等人[9]综合考察了在线课程论坛中学习者群体的同步与异步交互特征。此外，针对学习者异步交互与学习成绩之间的关系，大量研究者发现，社会网络中心性与学习成绩显著正相关[12，19-21]。例如，Saqr等人[19]发现学生的活动水平（即度中心性）与学习成绩呈正相关; Reychav等人[12]发现具有高中心性的学生表现出更高的学习成就。

不难看出，现有研究主要局限于基于单层网络的学习者异步交互分析及其与学习成绩之间的关系探讨。对于异步交互和同步交互同时存在的情形，如何开展科学有效的综合性分析，是现有研究亟须解决的问题。借鉴Liu等人[6]的观点，多层网络分析适用于综合分析多种不同形式的学习者交互，因此可被用于综合分析本研究中的异步交互和同步交互。

（三）多层网络分析与学习者交互

多层网络是指一系列相同或者存在一定交集的节点以不同连接方式形成的多个不同网络，这些网络构成了多层网络的每一层，不同的“层”通过层间边缘相互连接，以复杂的方式相互依赖，形成一套相互影响、共同演化的网络[22]。相对单层网络被定义为节点和连边组成的图，多层网络加入了“层”的信息。在单层网络中，网络被表示为一个图：G=（V，E），V表示节点所指代的实体，E表示连边，即节点之间的联系内容。多层网络将多个网络（也称为层）组合成一个数学对象[23]，其数学定义为：

其中，M表示多层网络，L是多层网络中不同层中“图”的集合，L■表示第α层的网络，K表示单个网络层的数量，V■和E■分别表示第α层中节点和连边的集合，ε是多层网络M中不同层的层间连接[24]。本研究所涉及的多层网络仅指代不同层中所有节点相同的情况。

图1   UMN和SMN的示意图

多层网络分析方法通常采用叠加或展开的方式对不同形式的交互模式进行综合分析[25]。前者（如图1（C））是将不同的网络层以叠加的方式构建成一个单层网络（一种典型的不考虑层间连接的多层网络），即叠加的多层网络（Superimposed Multiplex Network， SMN），然后利用传统的社会网络分析指标来量化合成的SMN特征。后者则考虑单层网络间忽略的层间边缘（层间连边仅存在于不同层中的对应节点之间，如图1（B）中虚线表示层间连接，实线表示层内连边），即展开的多层网络（Unfold Multiplex Network，UMN），并利用多层网络算法计算量化指标。

类似于社会网络分析，多层网络分析可通过可视化方式和量性分析方式来表征多层网络中的群体交互特点。在可视化分析方面，目前通常采用不同层中具有不同颜色的边或节点的多层网络图或环状图来表示参与者在多层网络中的交互情况[26-27]。在量性分析方面，一些针对多层网络的度量框架逐渐被开发出来。例如，度和特征向量中心性可以量化个体在多层网络中的整体重要性以识别节点在多层网络中所扮演的角色及衡量特定节点受其他节点地位的影响[28]。

如前所述，现有教育领域的社会网络分析仅仅针对单层网络，相对忽略了学习者交互的多方面特征[29]。而多层网络分析恰好提供了一种可以有效整合学习者之间不同类型交互的新型方法，有助于更为全面和深入地揭示学习过程的本质。

三、研究设计

（一）研究问题

为理解在线学习中的学习者交互模式，本研究将针对同步和异步环境下的学习者交互行为进行对比和整合分析。因此本研究主要解决以下三个研究问题：

（1）同步和异步交互网络在整体和个体指标上有何差异？

（2）整合同步和异步交互信息而构建的多层网络（含SMN和UMN）与单层网络（包含同步和异步交互网络）在个体指标上有何差异？

（3）相比单层网络，多层网络的个体指标是否与学习成绩的相关性更高？

（二）研究对象和数据来源

本研究数据来源于2020年春季疫情期间中部某师范大学的一门专业主干课“数据科学导论”。该课程作为数据科学的先导课和认知类课程，旨在培养学生数据科学素养、掌握专业基础知识和运用数据科学处理实际问题的能力。该课程教学团队致力于构建“交互活动—数据分析—适应性干预—教学优化”的闭环式教研结合模式，引导学生由目标导向型交互转化为知识建构及协作探究性交互。該课程充分开展不同形式（异步与同步）的在线交互式教学，通过论坛主题式讨论、基于项目的小组协作探究以及师生实时答疑的形式展开。其中，异步交互是指借助云课堂中的论坛版块展开讨论活动，同步交互是在QQ即时通讯群进行。课程考核主要采用过程性评价与总结性评价相结合的评价模式，成绩评定由平时成绩及期末成绩两部分构成，平时成绩由云课堂在线学习时长、云课堂论坛活跃度及小组协作学习参与度三部分组成，期末考核采取标准化测试形式。

本研究通过采集异步论坛和QQ群中所有参与者的交流信息，最终得到38名学生（其中一名学生期末退学）及教师和助教发布的所有有效讨论文本（论坛有1667条数据;QQ平台有660条数据）。

（三）研究方法

本研究首先基于同步与异步交流平台中的数据构建两个单层网络（即同步与异步交互网络），并利用社会网络分析描述两种交互网络的特征并比较二者间的差异。在此基础上，综合两种单层网络信息构建了多层网络（即SMN和UMN），通过比较多层网络与单层网络之间的指标差异，深入了解学习者的交互模式特点。此外，利用相关性分析考察了单层和多层网络的个体指标与学习成绩的关系是否存在差异。本研究对于网络的构建和指标计算将进行详细阐述。

1. 网络构建

本研究首先提取了QQ群的对话数据（包括文本与语音等）和异步论坛中的活动日志，对数据进行清洗且剔除无关信息，依据发言的指向关系（即学生A回复B，则认为A和B之间存在一条连边）分别构建了异步交互网络和同步交互网络，计算两个单层网络的整体指标和个体指标以比较二者之间的差异。其次，为综合考察这两种情境中的交互情况，本研究利用两种形式的多层网络（即SMN和UMN）来整合同步和异步交互信息。SMN将同步与异步交互网络叠加到一个网络中，本质上是包含了更多信息的单层网络，UMN是通过对应节点之间的层间连边将两个单层网络构建成多层网络。

2. 指标计算

本研究计算了两个单层网络的整体指标和个体指标以及多层网络的个体指标并加以比较。其中，整体指标包括平均度（所有学习者与之交互的相邻参与者的平均数量）、密度（实际连边数量与所有可能连边数量的比例）、网络直径（从一个学习者移动到另一个学习者必须经过的最大参与者数量）、模块化（衡量网络图结构的模块化程度）、平均聚类系数（衡量网络中的学习者参与到闭合三元组的程度）、平均路径长度（网络中所有节点对之间最短路径的平均步数）。个体指标包含4个中心性指标：度中心性、中介中心性、接近中心性和特征向量中心性。本研究使用Gephi 0.9.2软件计算了同步与异步交互网络以及SMN的四个中心性指标。需要注意的是，目前计算UMN个体指标的算法仍在不断开发中，本研究使用Muxviz[27]软件（包含了一组多层网络分析算法的开源软件，被广泛应用于基因遗传、神经元和交通运输网络分析以及多层数据的交互式可视化分析）计算UMN的度中心性和特征向量中心性。

四、研究结果

（一）同步与异步网络的指标差异分析

表1展示了两种交互网络的群体指标量化结果。两个交互网络中的节点数量并不一致，其中同步交互网络有44个参与者（35个学生，6个教师，3个助教），异步交互网络有38个参与者（37个学生，1个助教）。在论坛交流中，助教（A1）扮演了教师的角色与学生进行交互，而教师（T1-T6）没有参与该过程，并且1名学生（S800）在整个学期中并未参与论坛交流。在同步交互中，有3名学生（S809，S818，S820）未参与这一过程，相比之下，异步交互网络联系更为紧密，其网络密度、平均度、聚类系数均高于同步交互网络指标，并且其网络直径、模块化系数和平均路径长度相对更低。

图2（A）以可视化的方式呈现了同步交互与异步交互网络之间的差异。两个网络的连边重复率为11.409%，即两种网络结构差异达88.591%。在同步交互网络中，教师和助教处于核心位置，表明同步交互交流更依赖于教师;而在异步交互中，處于网络中心位置的则是参与度高的学生，而且异步交互相比同步交互网络产生了更多连边，因此更具凝聚力。

表2的第2和第3列展示了同步与异步交互网络的个体指标。由于每组指标值都不全服从正态分布，本研究使用Wilcoxon符号秩检验分析两个单层网络之间的差异（见表2第6列）。除了中介中心性指标外，异步交互网络的度中心性、接近中心性和特征向量中心性均显著高于同步交互网络（Z=-3.780，p<0.001;Z=-2.106，p<0.01;Z=-2.952，p<0.001）。

（二）多层网络与单层网络的差异性比较

图2是分别通过UMN和SMN方法对学习者交互进行可视化呈现的社交图。图2（A）为UMN，左右层分别为异步与同步交互网络，两个单层网络间没有显示任何层间连边以简化图像，图2（B）是直接将同步与异步交互网络叠加而成的SMN。节点的大小表示参与者的中心性，节点越大表示网络中的中心性越高，节点的颜色用来区分学生（灰色）和教师（黑色）。与两个单层网络相比，UMN和SMN拥有更多的连边。此外，SMN作为两个单层网络的结合，节点之间的联系更为紧密。

表2展示的是4种网络个体指标的描述性统计结果，其第4列和第5列展示了多层网络（包括SMN和UMN）中所有个体指标值。由于四个网络的个体指标不全符合正态分布，本研究采用了非参数检验中的Friedman检验去分析多层网络与单层网络之间的单项指标差异。结果发现，四个网络中的各个指标之间均存在显著性差异（ χ2=122.632;χ2=7.274;χ2=42.043; χ2=31.874）。具体而言，SMN的四个中心性指标（Rank=2.86，2.31，2.47，2.99）均显著高于两个单层网络指标（Rank=1.33，1.89，1.23，1.81;Rank=1.81，1.80， 2.30，2.16），而UMN的度中心性和特征向量中心性（Rank=4.00，3.04）也都显著高于两个单层网络指标。

此外，本研究遵照Engel[30]等人的方法，依据个体指标差异对所有学习者进行了分组处理。图3展示了四个网络中所有学习者依据度中心性和特征向量中心性指标值进行分组的结果。可以看到，该自内而外的四层环图分别代表了参与者在同步交互网络、异步交互网络、SMN和UMN中的所属组别，其中，颜色从深到浅分别表示每个个体属于A-B-C组，其中组A是这两个指标值均高于或等于平均值的个体，而组B和组C分别由1项和0项指标值大于或等于平均值的个体组成。环外的数字则表示每个参与者的标签。由图3可知，四个网络中的学生分组结果不尽相同，对于部分参与者而言，这种差异尤为显著。例如，参与者S831在同步交互中属于组C成员，但在异步交互网络和多层网络（SMN和UMN）中是组A的成员。参与者S826在同步交互中属于组A，而在异步交互属于组C，在SMN和UMN中分别属于组C和组B。这些结果表明，一些在单层网络中被忽视的个体可能在多层网络中扮演着重要角色，相反一些在单层网络中的核心个体可能在多层网络中的地位并不突出。

（三）网络个体指标与学习成绩之间的关系

为进一步探究学习者交互与学习成绩的关系，本研究对四种网络中的个体指标与学生的学习成绩进行了相关分析。由于S823期末退学，该学生没有期末成绩，故而在分析相关性时剔除了该学生的数据。由于学习成绩不服从正态分析，本研究采用了Spearman相关性分析，结果见表3。

由表3可以看出，同步交互网络的四个个体指标与学习成绩均无显著相关性，表明同步交流环境下，学习者之间的交互并不能反映学习效果。在异步网络中，所有指标均与学习成绩呈现显著正相关（r=0.594， 0.584，0.626，0.608），表明异步论坛环境中，学习者间的交互在一定程度上可以反映学习者的学习质量。此外，多层网络的个体指标与学习成绩均显著正相关，且SMN中的度中心性、接近中心性和特征向量中心性指标与学习成绩的相关系数相对更高（r=0.625， 0.646，0.638），表明同时涵盖学习者同步和异步交互的多形式交互与学生学习效果的联系更为紧密。

五、结论与启示

本研究综合采用社会网络分析和多层网络分析方法，对在线学习中的学习者同步和异步模式进行了比较与整合分析。研究结果表明：

（1）同步与异步交互环境中的学习交互模式呈现显著差异。在整体层面，异步交互网络中的学习者交流更为密集且更有凝聚力，其平均度、密度以及聚类系数等群体指标均高于同步交互网络中的相应指标值;在个体层面，异步交互网络的度中心性、接近中心性以及特征向量中心性均显著高于同步交互网络的相应指标值。究其原因，教师在同步交互中虽然鼓励学生自由交流，但该活动仍是教师主导型的课堂交流模式，加之时长限制，学生的发言行为受到一定程度的限制。而异步交流平台不受时空限制，为学生之间提供了一个更为多元灵活的交流环境。

（2）多层网络有助于整合学习者多种形式的交互信息。多层网络比单层网络拥有更多的连边，学习者间的联系更为紧密;SMN和UMN的个体指标均显著高于单层网络的个体指标;而且一些个体在多层网络和单层网络中所占据的位置相对不同。这是因为，由于学生在不同交互环境中的参与程度不同，而多层网络分析考察学习者的重要性时会得到不同于在单层网络中的结果。因此，综合考察学习者在同步与异步学习环境的交互信息，可以更全面、深入地把握学习者交互情况。

（3）综合同步和异步交互更利于窥探学习者交互与学习成绩间的关系。综合了同步与异步交互信息的SMN和UMN个体指标与学习成绩显著正相关，且与单层网络相比，SMN的四种个体指标与成绩的相关性系数更高。这表明整合了同步与异步交互信息的SMN更有助于探究学习者交互与学习成绩的关联。虽然同步交互中，学习者的交互网络与学习成绩并无显著相关性，但并不代表同步交互对于学习参与没有促进作用，相反，同步交互会增强在线讨论的参与意愿[18]，对团体关系支持、加强弱班级关系和社会支持均有积极作用，并且由于同步交互时长的限制而使得学生不能完全表达自己对于相关知识的思考和见解，而这一过程对于异步交互过程具有启发性意义。SMN的个体指标与学习成绩的相关系数更高，这一结果也佐证了同步交互对于学习参与的益处。

鉴于上述研究结论，本研究对于未来的研究方法论和教学实践具有启示性意义。

（1）挖掘多层网络分析方法应用于教育领域的潜在价值。随着学习分析技术的不断发展，多层网络分析方法允许综合分析多种不同形式的学习者交互，因此具有理论和方法上的巨大优势。多层网络分析可以综合考察层与层之间的相互依赖关系，分析不同情境中的多层网络动态，捕获在单层网络中可能丢失的信息等，能够为研究复杂交互模式提供更为精细的解析。例如，笔者借助多层网络分析方法探讨了异步在线论坛中学习者交互的社会和认知方面的网络化特点，发现整合二者信息更有助于揭示异步在线讨论中的学习者交互模式[6]。未来研究者可以尝试引进多层网络分析方法以整合更多维度的学习者交互信息，助力深入分析实际教育场景中的群体学习状态，从而最大化挖掘该方法应用于教育领域的潜在价值。

（2）探索同步与异步交互对于提升在线教学质量的支持作用。鉴于同步交互也具有类似的潜在价值，未来在线教师和课程设计者需充分利用多种形式的教育信息化实用工具（如本文中所用到的在线课程论坛和QQ课程班级群）以支持学习者开展同步和异步两种不同形式的学习者交互。然而，上述工具并不会自动促进学习者之间开展高质量交互，因此需要课程设计者依据课程目标设计最优教学方案以促进学习者交互。例如，在同步交互中可考虑降低教师的主导作用，代替以分配具体角色以激励学生参与，如分配组织者（负责扩展群体讨论）、问询者（激励他人进行深层次讨论）和反对者（负责给现有讨论内容提供相反观点并提供相关证据）等[10]，在异步交互中可以采用设置开放性话题[31]、实施同伴促进技术[32]等策略帮助学生开展批判性探索活动，从而助力培养其高阶思维。

（3）捕获多种学习者交互信息以促进揭示在线学习过程全貌。在实际学习场景中，学习者交互往往涉及多方面的复杂信息，如线上和线下交互、发言（发表评论或回复）和倾听（查看他人发帖内容）[32]、回复与引用[33]、行为—情感—认知间的复杂交互等，如何采集和融合多方面的非冗余信息以开展学习者交互分析从而助力探悉群体学习的复杂作用机制，是未来研究者需要深入思考并重点解决的关键问题。此外，教师和研究者可以综合多样化学习者交互信息，理解每种学习者交互对促进有效学习的作用机制，探索适用于多元学习场景的“交互信息—数据反馈—实时干预—教学优化”的闭环教育实践，以充分发挥其背后的教育价值，并最终提升在线教学质量。

[参考文献]

[1] MANCA S， DELFINO M. Adapting educational practices in emergency remote education： continuity and change from a student perspective[J]. British journal of educational technology， 2021， 52（4）： 1394-1413.

[2] KUMAR P， KUMAR A， PALVIA S， VERMA S. Online business education research： systematic analysis and a conceptual model[J]. International journal of management in education， 2019， 17（1）： 26-35.

[3] CHEN Y， GAO Q， YUAN Q， et al. Facilitating students' interaction in MOOCs through timeline-anchored discussion[J]. International journal of human-computer interaction， 2019，35（19）： 1781-1799.

[4] 張婧婧，牛晓杰，等.异步在线学习中的“准”同步视频交互实验研究[J].远程教育杂志，2021，39（3）：52-64.

[5] 刘三女牙，石月凤，等.网络环境下群体互动学习分析的应用研究——基于社会网络分析的视角[J].中国电化教育，2017（2）：5-12.

[6] LIU S， HU T， CHAI H， et al. Learners' interaction patterns in asynchronous online discussions： an integration of the social and cognitive interactions[J]. British journal of educational technology， 2022，53（1）： 23-40.

[7] HYO-JEONG S O. Towards rigor of online interaction research： implication for future distance learning research[J]. Distance education in China， 2014，9（2）： 256-263.

[8] OZTOK M， ZINGARO D， BRETT C， et al. Exploring asynchronous and synchronous tool use in online courses[J]. Computers & education， 2013，60（1）： 87-94.

[9] HRASTINSKI S. The potential of synchronous communication to enhance participation in online discussions： a case study of two e-learning courses[J]. Information & management，2008， 45（7）： 499-506.

[10] GIESBERS B， RIENTIES B， TEMPELAAR D， et al. A dynamic analysis of the interplay between asynchronous and synchronous communication in online learning： the impact of motivation[J]. Journal of computer assisted learning， 2014，30（1）： 30-50.

[11] SHI Y， TONG M， LONG T. Investigating relationships among blended synchronous learning environments， students' motivation， and cognitive engagement： a mixed methods study[J]. Computers & education， 2021，168： 104193.

[12] REYCHAV I， RABAN D R， MCHANEY R. Centrality measures and academic achievement in computerized classroom social networks： an empirical investigation[J]. Journal of educational computing research， 2018，56（4）： 589-618.

[13] LAI C， LIN H， LIN R， et al. Effect of peer interaction among online learning community on learning engagement and achievement[J]. International journal of distance education technologies， 2019，17（1）： 66-77.

[14] SAQR M， VIBERG O， VARTIAINEN H. Capturing the participation and social dimensions of computer-supported collaborative learning through social network analysis： which method and measures matter？[J]. International journal of computer-supported collaborative learning， 2020，15（2）： 227-248.

[15] DADO M， BODEMER D. A review of methodological applications of social network analysis in computer-supported collaborative learning[J]. Educational research review， 2017，22： 159-180.

[16] 劉三女牙，郭美伶，等.不同关系定义下在线交互网络特点及其与学习成绩关系——以SPOC论坛为例[J].开放教育研究， 2020，26（3）：80-90.

[17] 戴心来，王丽红，等. 基于学习分析的虚拟学习社区社会性交互研究[J].电化教育研究，2015，36（12）：59-64.

[18] 左明章，蓉赵，等.基于论坛文本的互动话语分析模式构建与实践[J].电化教育研究，2018，39（9）：51-58.

[19] SAQR M， ALAMRO A. The role of social network analysis as a learning analytics tool in online problem based learning[J]. BMC medical education， 2019，19（1）： 1-11.

[20] JO I H， KANG S， YOON M. Effects of communication competence and social network centralities on learner performance[J]. Journal of educational technology & society， 2014，17（3）： 108-120.

[21] BURT R S， KILDUFF M， TASSELLI S. Social network analysis： foundations and frontiers on advantage[J]. Annual review of psychology， 2013，64（1）： 527-547.

[22] KIVEL？魧 M， ARENAS A， BARTHELEMY M， et al. Multilayer networks[J]. Journal of complex networks，2014， 2（3）： 203-271.

[23] SILK M J， FINN K R， PORTER M A， et al. Can multilayer networks advance animal behavior research？[J]. Trends in ecology & evolution， 2018，33（6）： 376-378.

[24] WU M， HE S， ZHANG Y， et al. A tensor-based framework for studying eigenvector multicentrality in multilayer networks[J]. Proceedings of the national academy of sciences， 2019，116（31）： 15407-15413.

[25] CAI M， WANG W， CUI Y， et al. Multiplex network analysis of employee performance and employee social relationships[J]. Physica A： statistical mechanics and its applications， 2018，490： 1-12.

[26] MCGEE F， GHONIEM M， MELAN？覶ON G， et al. The state of the art in multilayer network visualization[J]. Computer graphics forum， 2019，38（6）： 125-149.

[27] DE DOMENICO M， PORTER M A， ARENAS A. MuxViz： a tool for multilayer analysis and visualization of networks[J]. Journal of complex networks， 2015，3（2）： 159-176.

[28] DE DOMENICO M， SOL？魪-RIBALTA A， COZZO E K， et al.. Mathematical formulation of multilayer networks[J]. Physical reviewX， 2013， 3（4）： 1-15.

[29] DAMA C I. The multi-layered nature of small-group learning： productive interactions in object-oriented collaboration[J]. International journal of computer-supported collaborative learning， 2014，9（3）：247-281.

[30] ENGEL A， COLL C， BUSTOS A. Distributed teaching presence and communicative patterns in asynchronous learning： name versus reply networks[J]. Computers & education， 2013，60（1）： 184-196.

[31] WISE A F， HSIAO Y. Self-regulation in online discussions： aligning data streams to investigate relationships between speaking， listening， and task conditions[J]. Computers in human behavior， 2019，96： 273-284.

[32] NG C S， CHEUNG W S， HEW K F. Interaction in asynchronous discussion forums： peer facilitation techniques[J]. Journal of computer assisted learning， 2012， 28（3）：280-294.

[33] 劉三女牙，韩雪，等.SPOCs论坛中学习者的交互模式研究——基于回复网络和引用网络的比较[J].中国电化教育，2019（11）：73-79.