马 宁，魏晓阳，孙亦凡

(北京师范大学，北京100875)

“十四五”时期，我国的教育信息化工作稳步推进，教师作为教育信息化阵地的参与者和排头兵，其自身的专业发展不可忽视[1]。在“停课不停学”政策的号召下，全国各地在疫情期间开展了大规模的在线教学。这既为教师的教育教学信息化能力提升提出了新的要求，也成为了教师自身发展转型的重要契机[2]。在线教师培训不受时间和空间限制，有助于教师获取开放资源、自由自主参与学习[3]。随着时代发展和技术进步，国内外教师培训都在经历从面对面线下培训到在线培训、混合式培训等多种培训方式的探索和转型。

近年来，在线教育领域愈发关注学习者的行为特征，强调学习过程中的数据挖掘和学习分析[4]，重视学习活动的干预、学习过程的监测和学习效果的评估[5-6]。学习分析的方法在在线教师培训领域也得到了广泛关注[7-9]。已有相关学者通过分析学习者的学习行为数据，探究了在线教师培训中教师学习者的行为模式和社会网络特征。例如，马宁等使用了滞后序列分析方法探究了在线教师培训的教师交互行为路径，总结了高层次知识建构的学习过程[10]；
荆永君等使用统计分析、序列分析、关联规则和社会网络分析方法从四个方面分析了教师在线学习行为的群体特征，并为提高培训效益给出相关建议[11]。学习者学习过程中产生的评论和交互文本同样蕴含着丰富的学习者特征。深入挖掘文本信息具有重要的研究价值。有学者对学习过程中的学习者文本信息所表现出的学习者会话主题、课堂话语模式、交互模式等特征进行了探究[12-14]。在线教师培训领域中，文本信息能够再现教师学习者在培训过程中的社会交互和认知状况。因此，分析文本信息有利于深入挖掘教师的社会交互和认知发展过程，并从中提取隐藏的关键信息，从而为在线培训中的学习者提供有效反馈和支持[15]。

学习者之间的交互在在线学习中发挥着重要作用[16]，而对交互文本的研究更是有助于表征和分析教师学习者的社会交互和认知层次。社会网络特征和认知网络特征是学习者重要的内部特征，研究社会网络特征和认知网络特征及其演变对在线培训的实践和理论探索都具有重要意义，亟需采取一种新的视角和方法对当前开展的在线教师培训进行分析。基于此，本研究以学习元平台上(http://lcell.cn)开展的一门在线教师培训课程为例，尝试应用社会认知网络特征分析方法，深度分析教师学习者文本信息中的社会网络特征和认知网络特征及其演变情况。

(一)社会认知网络特征的理论基础与内涵

学习的本质是建立个体与外界客观世界的连接，实现联通个体与客观世界的过程[17]。在联通主义视角下，人类学习的过程就是不断建构个人神经网络、概念网络和社会网络的过程[18]。学习者将自身认知网络作为节点嵌入更大的社会化认知网络中，一方面可以完善学习者自身认知网络，另一方面又产生新的知识流动循环，形成社会化学习网络生态，促进社会性交互[14]。而且，课程促进者也能对整个学习交互网络塑造产生非线性影响，网络交互结构越紧密就越会在学习过程中带动更多的学习者参与讨论学习[19]。在“互联网+教育”的背景下，在线教师培训中教师学习者的学习过程往往是资源、活动、环境等要素之间链接的建构和网络的形成，这既是知识的应用过程，又是新知识的生成过程[20]。知识创新和网络建构是随着学习过程而不断发展和演化的，王志军等研究认为，应从网络、内容和过程三个方面分析学习情境中的学习行为，提出了多种网络分析方法交互、跨时段综合分析的思路[21]。同时，作为成人学习者，教师往往具有独立的自我概念，具有个性化的学习动机与学习方法。研究在线教师培训的效果需要重视学习的联通性和生成性，也需要重视学习的过程性和动态性。因此，在以上理论的支撑下，对在线教师培训中学习者社会网络、认知网络的可视化表征和分时段分析具有重要的研究意义。

社会网络分析(Social Network Analysis，简称SNA)是利用节点及节点间关系反映网络的整体结构特征[22]、采用中心性来衡量学习者节点在社会网络中的社会网络特征的方法，但是该方法缺乏对交互内容的有效关注。其中，常用来表示社会网络特征的三种网络中心度是点度中心度、中介中心度和接近中心度，各自反映学习者节点所处于整体社会网络位置的中心程度、充当媒介或中介的交往能力以及同其他节点联系的紧密程度。Han等使用深度学习和社会网络分析相结合的方法，对MOOC平台上学习者的认知情绪模式进行了对比和分类[23]。认知网络分析(Epistemic Network Analysis，简称ENA)以认知框架理论为基础[24]，对质性数据进行量化。认知网络特征即使用网络模型对学习者认知主题之间的网络关系进行表征，从而描述学习者的认知特点。已有学者使用该方法对学习者认知过程开展了研究和实践[25-29]，但并未探究学习者的社会交互模式。

社会认知网络特征即学习者的社会网络特征和认知网络特征叠加的综合特征。社会认知网络具备多维性、关联性以及动态性等特征[30]，以参与者和认知要素为节点，以连线表征互动关系，能够直观地呈现社会网络与认知网络的相互关联、分析群体协作交互关系发展的过程和规律，从而反映社会性与认知互动之间存在的关联和在学习过程中体现出的变化层次[31]。

(二)在线教师培训中社会认知网络特征分析研究现状

社会认知网络特征(Social and Epistemic Network Signature，简称SENS)分析方法是一种协作学习分析方法[32]，综合运用了社会网络分析与认知网络分析的优势。该方法能够反映社会互动与认知互动之间的关联[33]，有助于描述网络结构演变的基本过程。已有一些研究使用该方法对学习过程进行了动态表征和分析，如冷静等将该方法与深度学习理论相结合，开展对认知、人际和自我等三个领域的学习分析[34]；
周平红等采用了该方法对大学生在协同知识建构中深度学习的社会认知特征演化过程进行了可视化追踪[35]；
彭文辉等使用该方法探索了在线学习共同体的演化动态以及参与者交互模式的特点、关联和变化[36]。

教师学习者的社会交互行为和知识建构呈现动态变化。对教师学习者学习过程中的社会和认知特征的建构进行分时段分析，能够深入探究学习者在不同学习时段内的发展，为有效教学提供社会和认知层面的精确反馈。为进一步探究不同成绩教师学习者的社会认知网络特征及演变是否存在差异、探究社会认知网络特征分析方法是否能够分时段捕捉教师学习者的社会认知网络的整体情况和变化趋势，本研究主要探究以下问题：

(1)在线教师培训中，不同成绩的教师学习者群体的社会认知网络具有怎样的特征？是否存在显著差异？

(2)在线教师培训中，不同成绩的教师学习者群体的社会认知网络特征如何随学习过程演变？其演变情况是否存在差异？

(一)研究对象

本研究基于在线学习平台——学习元平台(http://lcell.cn)上开设的在线教师培训课程开展。本研究的课程主题为“混合式理念下的项目式学习”，面向全国各地的基础教育领域教师开展为期30天的在线学习。教师学习者可通过观看教学视频、阅读拓展资料、提交与分享学习资源等方式参与课程学习，并通过发帖、回复、发表评论的方式进行交流互动。为判断学习者是否完整参与了课程学习，本课程设置了3次知识测试问卷和1次项目式学习活动方案设计(简称PBL方案设计)作业。本研究筛选出完成课程任务的114位教师学习者作为研究对象。所有参与课程的教师都具有一定的在线教师培训经验，能够以较小的认知负荷顺利参与课程并完成全部的学习任务。本研究所采用的数据来源于学习元平台后台数据，经筛选最终选用数据有：114位教师学习者ID、知识测试问卷成绩、PBL方案设计成绩、教师学习者的评论数据共157条(包括评论发起者、评论回复者、评论内容)以及作业社会化批阅数据共1003条(包括作业发布者、作业评价者、评价内容)。

(二)研究过程

本研究采用社会认知网络特征分析方法，研究流程如图 1所示。相关研究流程包括：(1)学习者行为数据的收集、清洗和整理；
(2)社会网络分析，并通过Louvain方法识别学习者所处群体，结合平均成绩进行高、低分组；
(3)自动内容分析与认知网络分析，具体使用主题模型算法(Latent Dirichlet Allocation，简称LDA)，该算法可以用于提取内容中的隐含主题，将算法生成的主题处理为认知网络分析的编码；
(4)社会认知网络特征分析，即通过分析数据和绘制学习者社群的认知特征网络图，对比高、低分组的社会认知网络特征情况；
(5)社会认知网络特征演变情况分析，即按照课程开设的自然时间划分前、中、后期学习阶段，分阶段开展社会认知网络特征分析，对比高、低分组的社会认知网络特征演变情况；
(6)解释数据结果、分析学习者特点并对平台建设和课程开展提出相关建议。

图1 研究流程图

1. Louvain算法

Louvain算法是一种社区发现算法，能够高效优质地发掘层次性的社区结构，最大化整个社区网络的模块度，其中，模块度用于衡量社区的紧密程度，是一个与节点之间连线数量相关的量数[37]。在本研究中，Louvain算法用于识别学习者所在群体，是社会网络分析步骤中的重要方法。

2. LDA主题模型算法

由Blei等[38]提出的LDA是当前主流的主题模型算法之一，是一种非监督机器学习的文本挖掘方法，能够通过概率分布计算有效地提取大规模文本的隐含主题。LDA模型已经成为文本主题挖掘领域的热点研究方向之一，在主题提取与演化、推荐系统、预测与过滤、图像处理等领域都有一定的研究和实践应用[39]。文本挖掘作为学习分析的核心技术，已经应用于面向学习者行为的学习分析之中。何皓怡等使用LDA模型探究高低学习成效群体的主题词使用丰富度的差异[40]；
Yang等在LDA模型中加入了时间维度的考量，探究用户兴趣主题词的演化趋势[41]；
刘三女牙等应用LDA模型自动挖掘了MOOC课程中文本评论信息的特征结构和语义内容，从而追踪学习者关注的热点话题演化趋势[42]。在本研究中，LDA主题模型算法用于识别学习者发言中的关键词，从而确定隐含主题，作为认知网络分析的主题编码。

(三)研究工具

进行社会网络分析时，本研究使用Gephi软件进行社会网络图的绘制、Louvain方法分组及社会网络特征值的提取。进行认知网络分析时，本研究首先使用LDA算法及Jieba算法对应的Python程序进行中文分词、词频统计和主题提取，然后使用ENA Webkit网站(http://www.epistemicnetwork.org/)进行认知网络图绘制。除此之外，本研究使用SPSS和Excel软件进行数据清理和统计分析。

(一)学习者整体情况分析及高低分组

将114位学习者的评论互动数据和作业社会化批阅数据导入Gephi软件后生成社会网络图，如图2所示。

图2 学习者社会网络图

将学习者之间的交互数据导入Gephi软件，通过Louvain算法将学习者分为10个小组，编号C0至C9。将3次平时测试和1次期末PBL方案设计作业的成绩取平均值，计算不同分组的标准化平均成绩，结果如表 1所示。选择平均成绩较高的C3、C2、C5共31人为高分段组，选择平均成绩较低的C4、C1、C7共34人为低分段组，进行后续数据分析。

表1 10组学习者群体的标准化平均成绩

(二)社会网络特征与演变情况分析

在社会网络特征分析方面，通过Gephi软件能够生成高、低分组每位学习者三种网络中心度的数值，导入SPSS软件进行独立样本t检验，结果如表2所示。

由表2可知，高、低分组的教师学习者在社会网络特征上存在显著差异，主要体现在点度中心度和接近中心度上，在中介中心度上无显著性差异。结果表明，高分组的学习者与更多的学习者产生了交互，并且在整个社会网络中位置更加接近中心。总体而言，高分组的教师学习者同其他学习者的连接更加紧密，社会交互更加丰富，并且在社交网络中占据核心位置。

在社会网络特征演变情况方面，使用Gephi软件生成前中后三个时间段内学习者的社会网络特征数据，分组导入SPSS进行多样本检验，其结果如表3所示。

表3 前中后时间段高低分组社会网络特征数据多样本检验结果

由此可见，高分组的教师学习者完成课程学习前后，点度中心度和中介中心度变化不明显，而接近中心度变化明显；
低分组的教师学习者完成课程学习前后，接近中心度和中介中心度变化不明显，而点度中心度变化明显。结合社会网络特征数据可以发现，完成课程学习后，高分组学习者平均接近中心度提高，而低分组学习者平均点度中心度降低。说明高、低分组学习者的社会认知特征演变情况存在差异。随着课程进程的推进，高分组的社会互动频率始终较高，同时，越来越占据社会互动中的核心地位；
而低分组交互情况普遍较差，交互次数逐渐减少，整体交互积极性降低。

(三)认知网络特征与演变情况分析

将高、低分组学习者的社会交互内容进行筛选，得到评论互动数据共113条(占总评论互动数据的72%)、作业社会化批阅数据共412条(占总社会化批阅数据的41%)。使用Python语言的Jieba代码包对该部分数据进行中文分词预处理，并进行词频统计。根据词频统计结果，在删除无意义词语后使用LDA模型算法提取隐含关键词。最终，本研究依据数据集的大小，从641个文本关键词中整理、提取生成7个最优主题编码，相关内容如表 4所示。

表4 LDA模型提取七个主题编码

根据表4的主题分布可以对学习者的交互数据和PBL方案设计互评数据进行编码。在正式编码开始前，两位参与了全部课程的助教随机抽取了30%的文本内容进行预编码，并使用SPSS软件对编码结果进行分析，结果发现Kappa系数大于0.7，表明两位助教对编码内容的理解比较一致。然后再由两位助教共同完成剩余内容的编码。

编码完成后将数据导入ENA Webkit网站，调整基本参数，可以生成对应的认知网络图，如图 3所示。其中，学习者用圆点或空心方块表示，是认知网络分析的最小节点(unit)，连接线的粗细代表主题之间连接的强弱。图3a和图3b分别为高、低分组各自的平均网络图，图3c为对比网络图，图3c中的两个实心方块各自代表高、低分组的平均质点位置。

在图3c中，X轴上，假设方差不相等的双样本t检验显示，高、低分组具有统计学上的显著差异(t=3.65，P=0.00，Cohen’s d=0.95)，而Y轴上则无显著差异。结合图3a、图3b可以看出，高、低分组学习者在认知网络上既有共同之处，也存在显著差异。高、低分组学习者的共同特点主要体现在：由T0、T1、T3构成的三角形连接线较明显，而此三类主题均属于认知层次较低的主题，说明两组学习者均产出了一定量的低认知水平内容。高、低分组学习者的差异之处主要体现在：(1)高分组学习者各主题之间连线的粗细更加均匀，说明其对各个认知层次的主题均有类似程度的关注，而低分组学习者主要关注了低层次的认知内容；
(2)高分组学习者在高认知层次的主题之间的连接线更粗，说明其更能够产出高认知层次的内容，并且能够更好地结合多个高认知层次的内容，发掘各内容之间的联系。

图3 高、低分组认知网络对比图

为研究认知网络特征的演变情况，本研究结合课程的前中后期阶段来划分，生成三个时期的高、低分组认知网络图，如图 4所示。图4a表示高分组学习者的认知网络演变，图4b表示低分组学习者的认知网络演变。

图4 高、低分组认知网络演变图

由图4可知，两组认知网络演变情况存在差异：(1)尽管高、低分组都存在随课程进度进展而发言减少的情况，但是高分组学习者整体的变化情况不太大，低分组学习者在课程后期却几乎没有发言，发言人数和发言数量骤降；
(2)在发言内容质量和层次上，高分组学习者的发言整体保持中等偏上的认知层次水平，在课程中期，“T5”主题得到了更多的关注，说明高分组学习者结合课程内容进行了更多的思考和表达，而低分组学习者在整个课程持续阶段的发言数量和认知层次都比较低。因此，可以认为，高、低分组教师学习者群体的认知网络演变情况存在差异。

(一)高、低分组的社会交互情况差异显著，社会网络特征演变的情况与方向不同

在社会网络特征上，高、低分组教师学习者在中介中心度上无显著差异，而在点度中心度和接近中心度两组数值上存在显著差异。结合高、低分组教师学习者的学习表现和社会网络特征分析认为，高分组教师学习者位于社会网络更加中心的位置，与其他学习者进行交互的频率更高、范围更广，往往引领讨论重要话题和核心观点。分析发现，高分组教师学习者具有更强的社会交互能力，占据社会交互网络中更加重要的地位。

在社会网络特征演变情况上，随着课程进度的推进，高分组学习者平均接近中心度显著提高，而低分组学习者平均点度中心度显著降低，高、低分组的社会网络特征演变情况存在差异。这说明高分组学习者随着深入学习课程内容，能够自觉参与到其他学习者的讨论中去，更加积极地参与同伴交流和互助，彼此之间的交互更加密切，整体趋势为交互更加紧密，占据更核心的地位。低分组学习者在课程学习前期仍能够按照学习进度和学习要求参与讨论，但是在课程后期出现了明显的消极参与行为，仅完成了规定的学习任务，在交互的频次上有一定变化。

(二)高、低分组的认知主题关注存在差异，认知网络特征演变的趋势相似而程度不同

在认知网络特征上，高、低分组学习者整体的认知层次存在显著差异。在关注主题方面，高分组学习者在学习过程中关注的主题更加丰富，涉及不同认知层次的主题，而低分组学习者则普遍关注低认知层次的主题；
在关注程度方面，高分组学习者对于高认知主题关注度高，能够产出高认知层次的内容和发掘各内容之间的联系，能够在其评论、交互语句中体现出灵活运用所学知识。而低分组学习者的评论更集中于低认知层次的主题，评论话语更多表现为附和性的无意义语句，如“很有收获”等。这说明低分组学习者发表评论的认知加工层次偏低，关注高认知层次主题的评论数量较少。

根据认知网络特征演变情况分析发现，随着课程进程的推进，高、低分组在发言人数、发言数量变化趋势和发言内容质量及层次上都有差距。从演变趋势上来看，两者具有相似的趋势，即高、低分组学习者在交互质量和频次方面都呈现下降趋势；
从变化程度上来看，虽然高分组学习者在发言数量和内容质量上也有所下降，但整体仍然保持了较高的认知水平，在参与度和积极性方面比较平稳。而低分组学习者的参与度和认知水平显著降低，在课程后期，消极参与情况更加明显。

(三)教师学习者的社会交互与认知情况存在内部一致性，受个人特征与教学组织影响

整体而言，教师学习者的社会交互与认知情况存在紧密关联和内部一致性。高分组的教师学习者社会交互程度更高，通常能够关注到更高认知层次的认知主题；
而低分组教师学习者社会交互程度偏低，文本内容主体也大多集中在低层次的认知主题上。例如，社会交互水平与认知水平都较高的C3组学习者群体，无意义交互相对较少，发表观点较为主动，发表内容认知层次较高，更容易取得较高的学习成绩。社会交互水平和认知水平都较低的C7组学习者群体，缺少个人见解，缺少主动交流，往往取得较低的学习成绩。

同时，社会交互特征与认知情况也受到个人特征的影响。有些学习者偏好交互而不注重思考，例如，社会交互水平高、认知水平较低的C4组和C5组学习者群体，发表大量观点，同多人产生互动，但很多交互观点不够深刻，附和性社交性话语较多；
还有一些学习者偏好独立深入思考，但不愿意过多交流分享，如社会交互水平低、认知水平较高的C1组和C2组学习者群体能够发表深度见解，但往往不会主动开展社会交互，常常自我保留观点。以上两类学习者既有高分组学习者，也有低分组学习者，说明这两类学习者能否取得高成绩更可能与个人其他学习特质相关。

另外，高、低分组学习者各自的演变特征均说明，教学组织形式与策略对于学习者的社会交互与认知投入有一定影响。学习者越到课程后期就越会产生“懈怠”心理，虽然高、低分组的下降程度不同，但发表内容的数量和质量均有下降。可以推断，培训周期较长、培训者与学习者交流互动偏少等都可能会影响学习者的学习积极性与学习参与度。

因此，在设计教师在线培训课程时，首先要充分考虑教师学习者的个人特征，根据教师学习者的交互情况动态生成社会认知网络特征分析报告，并给予不同反馈，进而设计不同活动或评价指标，以此有针对性地开展教学活动。其次，在组织和设计在线教师培训时，要通过丰富的教学活动设计和及时的学情反馈分析来充分调动学习者的积极性，尽量避免学习者中途辍学或者后期懈怠。最后，要注重课程设计与课时分布，避免课程周期过长，注重实时监督，鼓励有内容、有意义的发言和交互，强调交互的有效性和等价性[43]，避免产生过多附和性话语等低认知交互。同时，需要给予教师学习者一定的评价支架，降低评价的认知难度[44]，鼓励其积极参与评论活动，提升评论质量和交互数量。

(四)研究展望

本研究采用社会认知网络特征分析方法对教师学习者进行分析，验证了该方法在在线教师培训领域中的适用性。未来研究可以结合机器学习等方法，进一步探索社会认知网络特征分析方法在大规模在线教师培训中的自动化应用。同时，本研究对课程前中后期的判断是根据自然时间划分的。在线异步课程的随时性和自由性为时间序列的选取和相关分析带来困难。综合考虑在线异步课程的特点，选择更为合理和精细的时间序列划分课程阶段，有助于更细致、更准确地分析社会认知网络特征，从而为教师学习者提供不同时间段的学情反馈，促进其过程性自我监督和反思。

综上，自动化分析与划分时间序列的动态分析是在线教师培训重要的研究方向。可以考虑将机器学习等算法同社会认知网络分析方法相结合，实现大批量自动编码和实时可视化呈现，同时生成对在线教师培训的社会认知网络分析框架，使大规模在线教师培训的学习分析更加智能、多维和动态，使学习反馈更加准确和及时。

教育高质量发展的关键在于教师的专业化发展。本研究尝试在在线教师培训领域使用社会认知网络特征分析方法，探究了不同成绩教师学习者在线学习的社会认知网络特征及特征演变情况的差异。研究结果表明，高、低分组在线教师学习者在学习过程中体现出的社会认知网络特征及特征演变情况都存在显著差异，教师学习者的社会交互与认知情况存在内部一致性，但是会受个人特征与教学组织情况影响。丰富社会认知网络特征分析方法在教师培训中的应用场景、提升在线教师培训的精准性和效果、推动在线教师培训的多维度和动态化学习分析将是重要的研究和实践方向。

猜你喜欢网络分析分组学习者基于ISM模型的EPC项目风险网络分析建材发展导向(2022年4期)2022-03-16你是哪种类型的学习者学生天地(2020年15期)2020-08-25十二星座是什么类型的学习者意林·少年版(2020年2期)2020-02-18分组搭配小学生学习指导(低年级)(2019年3期)2019-04-22怎么分组小学生学习指导(低年级)(2018年9期)2018-09-26铁路有线调度通信的网络分析铁道通信信号(2018年3期)2018-04-19分组小学生导刊(低年级)(2017年1期)2017-06-12汉语学习自主学习者特征初探海外华文教育(2016年4期)2017-01-202016年社交网络分析中国科技信息(2016年10期)2016-09-03高校学习者对慕课认知情况的实证研究成人教育(2015年7期)2015-12-21