让数据动态呈现

龚能能

摘要：盡管当前协作学习领域中的对话已经用学习科学领域的传统定性方法进行了分析，但仍然很难捕捉到群体动态。作者介绍了知识构建对话探索者（Knowledge Building Discourse Explorer，KBDeX）工具，用以促进基于社交网络分析的协作学习对话分析，并结合具体案例，进一步展示了KBDeX的相关属性，以期为研究者提供有益的参考。

关键词：KBDeX；社交网络分析；知识建构

中图分类号：G434  文献标识码：A  论文编号：1674-2117（2023）09-0083-04

引言

当前，如何对知识建构效果进行有效评估是研究者们重点关注的议题。这是因为，一方面，知识建构不仅关注特定领域知识的深度理解，还关注学习者的认知变化。知识建构是一个动态发展的过程，学习者的认知也因此呈现出动态变化，传统的对知识的静态评价无法准确捕捉其动态认知。另一方面，在知识建构论坛中，具有各种资源的代理在多层通信工具中相互联接，通过这种交流创建的网络结构产生了新的见解，创造了新的知识。知识建构教学过程中所产生的多态、庞杂的数据为采用复杂技术挖掘学习者认知变化提供了数据支撑。

可见，在知识建构教学中需要一个新的评估模式，这将不同于传统的评估方法。在知识建构研究中，嵌入式和变革性评估的概念被提出作为评估知识建设活动的一种手段。基于此，相关研究者基于复杂网络科学视角，从知识创造隐喻的角度捕捉学习，开发了知识建构协作学习中的话语分析工具——知识构建对话探索者（Knowledge Building Discourse Explorer，KBDeX）。KBDeX的重要价值不仅在于促进从事知识构建或协作学习的研究者间的有效交流，还为学习者提供了一个计算机支持的自我反思评估工具，用于鼓励学习者进行自我探索和评估自己的群体动态。

KBDeX工具介绍

KBDeX是由日本静冈大学（Shizuoka University）的Yoshiaki Matsuzawa & Oshima团队实验室开发的一款探索协作学习对话网络结构的工具，它从宏观角度分析协作学习中的话语，弥补了传统的定性方法缺少对群体动态的关注的问题。KBDeX需要在安装了Java运行环境的平台（Mac、Windows、Linux等）上运行。

1.数据来源及格式要求

KBDeX基于关键词×对话单元（如对话轮、线上论坛发帖内容）二分图，形成能可视化对话网络结构。KBDeX支持csv和txt两种数据输入格式。目前，有两种方法可以从协作学习情境中获取文本话语：一种方式是从计算机记录来源中转录，另一种方式是通过在线论坛记录。KBDeX支持从Knowledge Forum自动导入数据。为了进行数据分析，原始对话数据需要进行转换，具体包括：①合并名词的单数和复数形式；②合并具有相同含义的不同词；③合并动词的不同变化形式；④删除不相关的对话单元。

在正式数据分析前，还必须根据学习或研究目标选择关键词。KBDeX中内置了一个关键词选择窗口来支持这一过程。该窗口有三个面板：①关键词列表窗口；②关键词词频排序窗口；③对话窗口。对话单位可以由研究者指定为句子、对话转折或其他话语粒度。研究者只需通过在词频窗口中双击关键词来选择关键词，所选关键词就会出现在列表中。

2.网络结构类型及呈现方式

KBDeX根据输入对话内容构建三种不同的网络结构，分别是“对话单元”“关键词”和“学生”。“对话单元”是话语的最初单位，显示为线性化对话数据。对话回合、论坛帖、便条帖、邮件列表帖和句子都是对话单元的内容。据此，KBDeX从数据中构建了三种不同的网络结构，并在显示器中呈现（如图1）：

①显示对话概览和所选关键词的显示器（图1左上）；②学生关系网络结构（图1右上）；③对话单元的关系网络结构（图1左下）；④关键词的关系网络结构（图1右下）。其中，在默认情况下，对于学生和对话单元网络，默认使用循环布局，对于关键网络，节点是按出现时间排序的，使用力引导算法布局。

KBDeX中的网络结构是基于“关键词×对话单元”的二分图，即关键词与对话单元间的连线，当关键词出现在同一对话单元中时则代表关键词之间具有关联性。在对话关系结构网络中（图1左下），对话单元是网络节点，两个节点之间的连接表示共享一个所选关键词。在关键词关系结构网络中（图1右下），所选关键词是网络节点，两个节点之间的连接表示共用一个对话单元。在学生关系结构网络中（图1右上），学生是网络节点。边线表示在对话单元中使用相同关键词的学生之间的联系。

此外，研究者可以通过点击特定按钮无缝探索这三个网络结构，系统同时会指示其他两个网络中的相关节点。如果选中某个节点，所选节点和其他网络中的相关节点的颜色从黄色变为红色。如果研究者在学生关系网络中选择了一个特定的学生，则所选学生所写的笔记和使用的关键词会显示为红色。如果研究者在关键词关系网络中选择了一个特定关键词，则会显示包含所选关键词的笔记和使用所选关键词的学生。

3.分析系数类型

KBDeX可以计算三类网络度量，分别是介数中心性系数、度中心性系数和接近中心性系数。

介数中心性系数是对节点数量的度量。高中介中心性表明所选节点是连接其他节点的关键中介，它表明了一个成员对群体中其他成员的影响程度。中心性系数表示每个节点连接到网络中其他节点的累积路径长度。高度中心性意味着该节点作为一个整体处于网络的中心，或者接近网络中本地集群的中心。度中心性系数具体包括点入中心度和点出中心度，点入中心度表现一个人的被关注程度，点出中心度表现一个人关注他人的程度。接近中心性系数是一种更复杂的测量方法，它基于测地线距离来测量节点与网络中其他节点的距离。

在KBDeX中，可以计算每个节点的系数，并随着对话的进展动态绘制。因此，当研究者发现值有显著变化时，他们可以返回输入话语数据和三个网络来推测发生这种变化的原因。

4.功能类型

KBDeX具有用户可以使任何网络中的特定节点处于非活动状态的功能。该节点失活功能主要用于两个目的。

第一个目的是进行阶段性分析。主要用于比较组间协作学习不同阶段的系数。研究者可以通过在网络中的不同时间段激活或停用对话单元，将整个话语划分为多个协作学习阶段，并比较这些不同阶段的系数。

第二个目的是逐步分析。逐步分析是计算每个人的贡献。研究者可以通过停用特定的学习者，以评估每个人对网络的贡献。

案例介绍

在对KBDeX的相关操作介绍的基础上，笔者结合研究团队在知识建构教学中使用KBDeX的典型案例，进一步帮助相关研究者熟悉KBDeX工具。

1.网络结构可视化分析

由上述内容可知，KBDeX平台中的网络结构可视化主要分为三种，分别是学生、对话单元和关键词。借助可视化，研究者可以直观地检查学生对话中发生的每一个事件，并通过观察所有三个网络的变化来发现对话中的关键点。具体体现为：一是借助语篇内容，分析学习者的讨论内容（如图2）；二是根据不同组的讨论内容差异，分析不同组的网络凝聚力（如图3）。

根据图2可以看出，小组讨论的内容主要体现在四个主题上，分别是“风筝”实验的元素、电的产生和原因、导体和绝缘体以及闪电。在此基础上，教师可以给出针对性的讨论建议，引导学生朝着更深层次的“理论”开展建构。例如，在图中的闪电主题中，学生讨论的内容较为集中，但所讨论的内容较少，可以引导学生对闪电带来的后果进行分析，或者与其他主题结合建立关系，进一步引导学生发散思维。

图3关注了物理课中学习者所讨论的内容，根据学习者所讨论的内容，分为乐器组、听觉组、回声组和传递组。通过直观地检查关键词网络的发展，特别是每个对话转向，可以對小组的网络凝聚力进行讨论。通过分析可知，除了传递组，其他组内部凝聚力较强，但是组与组之间的分界线还比较明显，回声和传递组的距离最近。为了进一步拉近整个语义之间的紧密度，促进社区知识的系统化，可以将关键词与中心词语、桥梁性词语进行联系，如乐器组的陶笛可能是新加入的关键词，如何建立其与不同乐器、振动等核心概念的关系？是否能够进一步与空气、回声等桥梁性词语建立关系？如果小组要进一步研究它，可以据此选择相关关键词作为学习的路径。

2.系数分析

学生的想法可以表示为网络中的一组相连的关键词，笔者尝试通过观察中心性系数的变化来说明网络结构的变化（如图4）。首先，在对图4右表中关键词的三个主要系数统计的基础上，在对关键词的度的分析中发现，学习、教学设计、脑等关键词是关键词中关注度高的点，同时也可能是节点讨论的点。其次，在图4左图中，上述关键词都保持了较高的程度，节点出现的地方曲线较陡。

3.功能分析

在评估每个学习者对群体话语的贡献时，可以进行逐步分析。用鼠标点击特定按钮，所要分析的学习者目标会变成灰色，同时在对话单元中的相关节点也会变成灰色，从而显示学习者在对话中所做的贡献程度。在KBDeX环境中，研究者可以通过停用作为分析目标的学习器来轻松地执行这一过程。

结论

KBDeX为处理话语数据开辟了新的可能性，使得学习者能够从社会知识进步的角度评估学习。但KBDeX工具也有其固有局限性，主要表现为该工具不能进行自动化的处理，需要研究者先手工抽取关键词，再进行数据转换，然后才能借助第三方KBDeX工具进行数据处理。

参考文献：

[1]张义兵.知识建构：新教育公平视野下教与学的变革[M].南京：南京师范大学出版社， 2018.

[2]Scardamalia M，Bereiter C.Higher levels of agency for children in knowledge building： a challenge for the design of new knowledge media[J].The Journal of the Learning Sciences， 1991（01）：37-68.

[3]Sfard A. On two metaphors for learning and the dangers of choosing just one[J].Educational Researcher，1998， 27（02）：4-13.

[4]Paavola S， Lipponen L，Hakkarainen K. Models of innovative knowledge communities and three metaphors of learning[J].Review of Educational Research， 2004， 74（04）：557-576.

[5]张义兵.理解“学习”的本质[J].江苏教育，2022（25）：1.

[6]Oshima J， Oshima R， Matsuzawa Y. Knowledge Building Discourse Explorer： a social network analysis application for knowledge building discourse[J].Educational technology research and development， 2012， 60（05）： 903-921.