徐亞倩 陳麗

【摘 要】聯(lián)通主義理論認為社會網(wǎng)絡和概念網(wǎng)絡之間存在相互作用關系，社會網(wǎng)絡形成所依托的交互過程也是孕育新概念、賦予概念情境化意義的過程。但是，如何表征概念網(wǎng)絡、社會網(wǎng)絡與概念網(wǎng)絡之間具體的關系是怎樣的、社會網(wǎng)絡哪些特征能夠反映概念網(wǎng)絡的水平等問題都尚未解決。作者所在的研究團隊于2018年10月開發(fā)了國內(nèi)第一門cMOOC，本研究試圖通過社會網(wǎng)絡分析法、LDA話題聚類模型等方法，對這門cMOOC的交互數(shù)據(jù)進行分析，選取反映個體社會網(wǎng)絡地位的6個指標和1個特殊角色，從概念數(shù)量貢獻度、概念熱度貢獻度和認知參與度三方面表征個體的概念網(wǎng)絡特征水平，并對個體社會網(wǎng)絡地位與其概念網(wǎng)絡特征水平之間的關系進行了相關分析和可視化。本研究發(fā)現(xiàn)：①相對入度、相對出度、中間中心性、特征向量中心性更能反映個體的概念數(shù)量貢獻度和概念熱度貢獻度;②k核更能反映個體參與交互時的平均認知參與度水平;③社會網(wǎng)絡中意見領袖的概念網(wǎng)絡特征水平往往更高。本研究從三方面考量了個體概念網(wǎng)絡特征，并進一步發(fā)現(xiàn)了能夠反映概念網(wǎng)絡特征水平的個體網(wǎng)絡地位指標，從靜態(tài)網(wǎng)絡的視角論證了社會網(wǎng)絡和概念網(wǎng)絡之間相互影響的理論假設，同時也為聯(lián)通主義學習評價中用個體社會網(wǎng)絡地位表征概念網(wǎng)絡相對水平提供了可能。

【關鍵詞】? 互聯(lián)網(wǎng)+教育;聯(lián)通主義;社會網(wǎng)絡;社會網(wǎng)絡關系;概念網(wǎng)絡;慕課;意見領袖;學習分析;在線學習;在線課程

【中圖分類號】? ?G420? ? ? ? 【文獻標識碼】? A? ? ? ?【文章編號】? 1009-458x（2019）10-0009-12

一、研究背景與問題提出

互聯(lián)網(wǎng)支撐下的復雜學習環(huán)境催生了一種新型學習形式——聯(lián)通主義學習。與傳統(tǒng)教師組織內(nèi)容的課程不同，這種學習用網(wǎng)絡、聯(lián)通的新視角定義知識的產(chǎn)生和學習的過程，認為學習就是形成三大網(wǎng)絡——認知神經(jīng)網(wǎng)絡、概念網(wǎng)絡和社會網(wǎng)絡的過程（Siemens， 2005），三大網(wǎng)絡的表征及其相互之間的作用關系是認識聯(lián)通主義學習、挖掘聯(lián)通主義學習基本規(guī)律的重要研究方向（王志軍， 等， 2016; 王志軍， 等， 2019）。雖然已有研究者提出知識的生產(chǎn)源于問題與觀點非共識（陳麗， 等， 2019），個體通過在復雜環(huán)境中與合適的資源和人進行交互、分享經(jīng)驗、激發(fā)靈感，在此過程中孕育和表征新概念，由此實現(xiàn)知識創(chuàng)新（王志軍， 等， 2017），在理論層次上肯定了社會網(wǎng)絡與概念網(wǎng)絡之間存在聯(lián)系，但是如何表征和分析概念網(wǎng)絡、社會網(wǎng)絡與概念網(wǎng)絡之間具體的關系與作用機理是怎樣的、個體的社會網(wǎng)絡地位是否會影響其概念網(wǎng)絡的特征水平，這些問題仍無定論。

筆者所在研究團隊于2018年10月7日設計開發(fā)了國內(nèi)第一門cMOOC“互聯(lián)網(wǎng)+教育：理論與實踐的對話”，第一期課程持續(xù)12周，圍繞“互聯(lián)網(wǎng)+教育”領域的5個復雜、模糊的主題展開，交互內(nèi)容分布于微信、博客、cMOOC平臺以及直播討論區(qū)等多個平臺，425名學習者成為內(nèi)容的重要貢獻者和創(chuàng)造者。課程最終生成了大量可獲取的交互數(shù)據(jù)，為研究個體社會網(wǎng)絡地位與概念網(wǎng)絡特征之間的關系提供了有效的數(shù)據(jù)支持。同時，筆者易于接觸課程團隊成員，這為客觀、科學地挖掘課程的概念、定義生成的話題提供了可能。

因此，筆者試圖基于第一期cMOOC的交互數(shù)據(jù)，通過社會網(wǎng)絡分析、文本挖掘和相關性分析等方法發(fā)現(xiàn)個體社會網(wǎng)絡地位與其概念網(wǎng)絡特征之間存在的關系，包括哪些社會網(wǎng)絡地位指標能夠反映其概念網(wǎng)絡的特征水平，從而進一步證實聯(lián)通主義學習中個體社會網(wǎng)絡和概念網(wǎng)絡的作用關系，為今后運用社會網(wǎng)絡地位反映個體概念網(wǎng)絡特征的相對水平、設計聯(lián)通主義學習評價提供參考。

二、文獻綜述

（一）個體社會網(wǎng)絡地位

個體地位重要性的分析是社會網(wǎng)絡分析的重要研究方向，網(wǎng)絡中的重要節(jié)點在很大程度上會對網(wǎng)絡結構、功能和效率產(chǎn)生影響，重要節(jié)點的失效甚至可能導致整個網(wǎng)絡結構和功能的崩潰（Wenli， et al.， 2013），因此在社會關系分析領域、互聯(lián)網(wǎng)檢索領域都有關于節(jié)點重要性評價的應用。當前在在線學習研究中，對社會網(wǎng)絡個體重要性的表征和分析已有相對清晰的思路，且已有研究者分析了個體社會網(wǎng)絡地位同學習效果、社區(qū)意識、學習成效等之間的關系，如Dowell等人（2015）分析了學習者網(wǎng)絡中心性、話語模式、學習效果之間的關聯(lián)性;Gillani等人（2014）通過挖掘MOOC學習中的社會網(wǎng)絡結構發(fā)現(xiàn)社團的形成以及之間的弱連接會阻礙信息交流;Dawson（2008）發(fā)現(xiàn)了學習者的網(wǎng)絡位置對社區(qū)意識的影響;石月鳳等人（2019）發(fā)現(xiàn)學習者的度中心性、接近中心性、中間中心性與學習成效之間存在顯著相關性。

在聯(lián)通主義學習的研究中，已有研究者嘗試用社會網(wǎng)絡分析方法分析社會網(wǎng)絡的整體結構，如王志軍（2014）設定了不同平臺的交互分析規(guī)則，基于Change MOOC的交互數(shù)據(jù)可視化分析了社會網(wǎng)絡的整體結構特征，也有研究者肯定了個體網(wǎng)絡地位評價在聯(lián)通主義學習評價中的應用價值（陳麗， 等， 2016; 王志軍， 等， 2017），但鮮有研究就個體網(wǎng)絡地位對個體認知發(fā)展、概念網(wǎng)絡特征等方面的影響做進一步分析。

因此，本研究基于社會網(wǎng)絡與概念網(wǎng)絡相互作用和影響的理論假設，嘗試通過實證交互數(shù)據(jù)的分析對其進一步驗證，并確定哪些個體網(wǎng)絡地位指標能夠反映個體概念網(wǎng)絡特征的相對水平。

（二）概念網(wǎng)絡特征水平

目前，社會網(wǎng)絡分析已經(jīng)引起聯(lián)通主義研究者的關注，但對概念網(wǎng)絡的定義、表征及特征分析尚未明確。綜觀國內(nèi)外其他領域關于概念網(wǎng)絡構建的研究可以看出，概念網(wǎng)絡節(jié)點及其關系的建立規(guī)則不盡相同。國外關于概念網(wǎng)絡構建的研究涉及語言（如英語）、網(wǎng)絡檢索、用戶分析等領域，研究者多依據(jù)同義詞詞典（Motter， et al.， 2002）、維基百科中已有類目或關系（Nastase， et al.， 2013）、已有學科知識體系、專家定義、共現(xiàn)關系、文本聚類等方法確定概念節(jié)點間的關系。國內(nèi)關于概念網(wǎng)絡構建的研究多涉及醫(yī)藥、學科教學（如數(shù)學、歷史等）、情報學（如網(wǎng)絡輿情、研究熱點）等領域，多通過關鍵詞共現(xiàn)、已有類目或關系（詞典或書籍）、專家定義概念本體及關系（林小俊， 等， 2010）、文本聚類算法及遺傳算法等方法實現(xiàn)。可以看出，國內(nèi)外研究在構建概念網(wǎng)絡時多為已明確概念節(jié)點和概念間關系的情況，如依托詞典或學科知識體系等;在概念不夠清晰、關系需要定義的情況下多采用專家定義、共現(xiàn)關系、文本聚類等方法。聯(lián)通主義學習中生成的概念網(wǎng)絡就屬于后者。

在聯(lián)通主義學習中，個體在參與交互時觀點不斷碰撞、孕育新概念或賦予概念情境化意義的過程顯得更為重要（陳麗， 等， 2016），包括在交互過程中聯(lián)通的信息量、生成的新話題或新內(nèi)容等，這一過程體現(xiàn)了群體的智慧匯聚和內(nèi)容創(chuàng)新，因此筆者認為個體在交互過程中聯(lián)通的關鍵詞數(shù)、建立的關鍵詞與話題之間的關系在聯(lián)通主義概念網(wǎng)絡中占重要地位。同時，王志軍等人（2015）構建的基于認知參與度的聯(lián)通主義學習教學交互模型（CIE模型）指出，個體的認知參與度是劃分不同交互行為深淺層次的標準，認知參與度越高，個體能夠達到的交互層次也就越高，而交互是連接建立、驅動意會、知識創(chuàng)新的重要途徑，大量碎片化的內(nèi)容通過交互逐漸形成結構（王志軍， 等， 2014），因此個體構建的概念間關系的強度可以通過認知參與度來反映。

從以上觀點出發(fā)，本研究在描述個體概念網(wǎng)絡特征水平時提出了三個評價維度（參見圖1）——概念數(shù)量貢獻度、概念熱度貢獻度和認知參與度。概念數(shù)量貢獻度由個體在聯(lián)通主義學習中貢獻的概念數(shù)量決定，反映在個體概念網(wǎng)絡中就是該網(wǎng)絡擁有的概念節(jié)點數(shù)量;概念熱度貢獻度由個體在各個生成性話題下聯(lián)通該概念的頻次決定，頻次越高說明該概念在整個概念網(wǎng)絡中的熱度越高，該概念節(jié)點的面積越大;認知參與度用于評價個體建立概念間聯(lián)系、概念與話題間聯(lián)系的程度，在聯(lián)通主義學習中會圍繞主題生成多個子話題，本研究尤其關注個體在不同話題下對概念的理解、尋徑與意會的程度，因此用認知參與度的高低來評定個體建立聯(lián)系的強弱程度。

三、研究設計

（一）研究思路與方法

本研究采用數(shù)據(jù)密集型的研究范式，如圖2所示，整個研究過程分為數(shù)據(jù)收集與清洗、數(shù)據(jù)分析、數(shù)據(jù)解釋三大部分。以cMOOC“互聯(lián)網(wǎng)+教育：理論與實踐的對話”第一期課程為研究對象，收集微信群、論壇、博客、直播討論區(qū)四個平臺的交互數(shù)據(jù)，通過社會網(wǎng)絡分析方法挖掘個體在社會網(wǎng)絡中的角色與地位，在專家的干預下通過LDA話題聚類分析挖掘課程中生成的話題和關鍵詞，進而從概念數(shù)量貢獻度、概念熱度貢獻度、認知參與度三方面評定個體概念網(wǎng)絡的特征水平，最終通過相關分析和可視化呈現(xiàn)個體網(wǎng)絡地位同概念網(wǎng)絡特征水平間的關系。本研究主要涉及以下研究方法。

1. 運用社會網(wǎng)絡分析方法進行個體網(wǎng)絡角色及重要性分析

當前研究中關于個體網(wǎng)絡地位評價的指標和算法非常多，不同指標和算法各有其優(yōu)點、缺點和適用場景，如何選定適合聯(lián)通主義學習場景的指標成為首要考慮的問題。王志軍等人（2017）給出了在聯(lián)通主義學習評價中關注的幾大方面，其中涉及社會網(wǎng)絡個體評價的內(nèi)容有參與交互過程的積極性、對信息流的控制程度、與關鍵節(jié)點建立聯(lián)系的密切程度、在網(wǎng)絡中的位置、與其他節(jié)點聯(lián)系路徑的長短等。因此，本研究中選取與以上內(nèi)容對應的6個個體地位重要性指標和1個特殊角色指標，作為本研究中用于反映個體網(wǎng)絡地位的主要依據(jù)（參見表1）。

2. 運用專家法構建并修訂聯(lián)通主義學習中基于交互行為的認知參與度評定模型

本研究評定個體概念網(wǎng)絡特征水平時定義了三大指標——概念數(shù)量貢獻度、概念熱度貢獻度和認知參與度。其中，認知參與度的評定借鑒了已有的類似框架，包括CIE模型（王志軍， 2015）和聯(lián)通主義學習中交互類型量化評定框架（Duan， et al.， 2018）。CIE模型是面向聯(lián)通主義學習情境的基于認知參與度劃分交互行為層次的認可度較高的模型，模型依據(jù)認知參與度高低將交互行為劃分為四類，但是同一交互層次下包含大量行為類型，且部分處于同一交互層次下的行為存在明顯的認知參與度高低之分;Duan等人（2018）提出的框架對聯(lián)通主義學習中的交互行為層次進行了量化，為本研究量化認知參與度提供了借鑒意義。因此，本研究通過專家法，基于本研究的交互數(shù)據(jù)，將CIE模型四個層次下的大量行為進行刪減、整合和再分類，形成了聯(lián)通學習中基于交互行為的認知參與度評定框架（參見表2），并在交互內(nèi)容編碼過程中持續(xù)修訂和完善。

3. 綜合運用專家法和LDA話題聚類方法挖掘話題和關鍵詞

LDA是一種挖掘文本中的關鍵詞和潛在話題的概率生成模型，該模型假設隱含主題集是由一系列相關特征詞組成，文檔集合中所有文檔均按照一定比例共享隱含主題集合，LDA模型最終能夠依據(jù)設定話題數(shù)生成不同文本在各個話題下的分布概率（參見圖3）。本研究嘗試將專家法與LDA主題聚類方法相結合，一方面專家會對算法運行過程進行能動干預，包括基于一部分的文本分析生成用戶詞典作為分詞的參考、依據(jù)困惑度曲線選取具有較強解釋意義的話題數(shù)目;另一方面LDA的輸出結果也可以作為專家更新詞典和停用詞、調整模型參數(shù)的參考。經(jīng)過多輪迭代，可生成不同話題下包含的關鍵詞以及各個分析單元在不同話題下的分布概率，專家依據(jù)關鍵詞列表對各話題命名，同時對各分析單元的關鍵詞抽取情況進行審查和修訂。

（二）數(shù)據(jù)收集與處理

本研究將cMOOC“互聯(lián)網(wǎng)+教育：理論與實踐的對話”第一期課程主題一的四個平臺交互內(nèi)容作為分析數(shù)據(jù)。在四個平臺中，論壇和博客的交互數(shù)據(jù)有明確的發(fā)出者和接收者，微信群、直播文字討論區(qū)的交互數(shù)據(jù)部分有明確的指向關系，為了整合不同平臺的交互數(shù)據(jù)生成社會網(wǎng)絡，本研究針對不同平臺制定了相應的交互分析規(guī)則（參見表3），依據(jù)該分析規(guī)則清洗后的主題一數(shù)據(jù)量如表4所示。

在進行關鍵詞和話題挖掘時，將按照以下規(guī)則對內(nèi)容數(shù)據(jù)進行清洗：①排除僅表示社會化交往的發(fā)言數(shù)據(jù)，如表示歡迎的發(fā)言或表情符號等;②引用的其他資源（鏈接、圖片），將其轉換為標題文本;③排除博客中的轉發(fā)內(nèi)容。依據(jù)上述規(guī)則清洗數(shù)據(jù)后，微信、直播討論區(qū)以一天的內(nèi)容為分析單元，論壇數(shù)據(jù)以一個話題下所有消息量為一個分析單元，博客以一篇博文（包含正文和評論）為一個分析單元，最終將形成各分析單元文本長度差別較小、適用于LDA模型的輸入文本。

四、數(shù)據(jù)分析過程與結果

（一）個體重要性及特殊角色分析

依據(jù)表3中不同平臺交互分析規(guī)則對主題一的交互數(shù)據(jù)進行整理，可得如圖4所示的有向社會網(wǎng)絡圖，箭頭由交互發(fā)出者指向交互接收者。圖中“T”開頭的為教師或助教身份，“S”開頭的為學習者身份。

進一步運行個體重要性的相關算法可得每個學習者在不同指標下的分值（參見表5）。依據(jù)交互規(guī)則得出的社會網(wǎng)絡圖中涉及一個非人節(jié)點all，all節(jié)點代表某節(jié)點發(fā)出一條無明確指向對象的交互消息，則認為該節(jié)點的交互對象為網(wǎng)絡中的所有節(jié)點，即指向all節(jié)點。由表5可知，在計算相對出度時考慮了all節(jié)點，是因為本研究認為個體發(fā)出的無明確指向的消息也屬于積極參與交互的行為，而在計算其他指標時排除了all節(jié)點，是因為其他指標主要反映與其他個體的關系，all節(jié)點的存在會對此產(chǎn)生較大的干擾。

（二）概念網(wǎng)絡特征水平分析

在專家法與LDA算法的支持下，對主題一的內(nèi)容進行迭代挖掘、編碼與修訂，最終挖掘出8個話題以及1，069個關鍵詞，分別為“服務模式變革”（包含567個關鍵詞）、“教學模式創(chuàng)新”（包含506個關鍵詞）、“產(chǎn)品及平臺”（包含268個關鍵詞）、“環(huán)境建設與空間重構”（包含239個關鍵詞）、“挑戰(zhàn)或問題”（包含231個關鍵詞）、“教育公平”（包含149個關鍵詞）、“多主體合作”（包含134個關鍵詞）、“邊遠地區(qū)變革實踐”（包含85個關鍵詞）。不同分析單元在各個話題上的分布概率如表6所示。

依據(jù)各分析單元所屬話題（參見表6），可進一步確定每一條原始交互內(nèi)容的所屬話題及包含的關鍵詞;依據(jù)表2所示的認知參與度評定框架，可通過內(nèi)容編碼的方法獲得每條交互內(nèi)容的認知參與度，即建立話題與關鍵詞聯(lián)系時的認知參與度（參見表7）。進而通過個體、內(nèi)容的對應關系，經(jīng)過梳理和合并可以獲得每個個體的概念網(wǎng)絡特征水平（參見表7）。

（三）個體網(wǎng)絡地位與概念特征水平的關系

在衡量個體重要性時，本研究選取6個指標，分別為相對入度、相對出度、接近中心性、中間中心性、特征向量中心性和k核。首先通過SPSS對以上各指標與聯(lián)通深度的pearson相關系數(shù)的顯著性進行檢驗（參見表8）。

由表8可知，相對入度、相對出度、中間中心性、特征向量中心性、k核與概念數(shù)量貢獻度、概念熱度貢獻度均呈顯著正相關;相對出度、中間中心性、特征向量中心性、k核與個體平均認知參與度呈顯著正相關;接近中心性與概念網(wǎng)絡特征水平之間的相關關系不顯著，相對入度與個體平均認知參與度的相關關系不顯著。在反映個體概念數(shù)量貢獻度和概念熱度貢獻度時，相對出度、相對入度、中間中心性、特征向量中心性四個指標的相關水平較高;在反映個體平均認知參與度時，k核的相關水平最高，中間中心性和特征向量中心性次之。接下來將通過可視化的方式分別呈現(xiàn)相關性顯著的指標與個體概念網(wǎng)絡特征水平的關系。

1. 相對入度與個體概念網(wǎng)絡特征水平的相關關系

度是最簡單、最直觀地測量相連點數(shù)的指標，在有向圖中包括點的入度和出度兩種，為了規(guī)避圖規(guī)模大小的影響，本研究用相對入度（即入度與圖中最大可能的入度之比）和相對出度（即出度與圖中最大可能的出度之比）反映一個節(jié)點的直接影響力。

相對入度能夠反映個體在交互過程中得到其他個體回應和反饋的比例，由表7可知，相對入度與概念數(shù)量貢獻度、概念熱度貢獻度在99%的水平上呈顯著正相關，pearson相關系數(shù)達0.730和0.747，但相對入度與平均認知度的相關關系不顯著。圖5分別可視化了相對入度與概念數(shù)量貢獻度、概念熱度貢獻度的相關關系。該圖中的點代表不同的個體，橫軸為相對入度值，縱軸為概念數(shù)量貢獻度或概念熱度貢獻度。

（概念數(shù)量貢獻度、概念熱度貢獻度）的關系從相對入度與概念數(shù)量貢獻度的關系可以看出：相對入度在小于0.2之前，個體的概念數(shù)量貢獻度隨相對入度值的增加顯著提升;相對入度值在0.27左右出現(xiàn)一個波谷，0.2至0.27期間，隨著相對入度值的增加，個體概念數(shù)量貢獻度呈現(xiàn)下降趨勢，但在超過0.27之后，呈現(xiàn)明顯的急劇回升現(xiàn)象。從相對入度與概念熱度貢獻度的關系來看：相對入度值在0.18之前，個體概念熱度貢獻度隨相對入度值的增加而提高;相對入度值在0.18至0.26之間，個體概念熱度貢獻度有下降趨勢，但在超過0.26后概念熱度貢獻度急劇增加。

2. 相對出度與個體概念網(wǎng)絡特征水平的相關關系

相對出度能夠較為直接地反映個體主動參與交互的積極性，由表7可知，相對出度與概念數(shù)量貢獻度、概念熱度貢獻度、平均認知參與度均在99%的水平上呈顯著正相關，pearson相關系數(shù)分別為0.776、0.807、0.225。圖6分別可視化了相對出度與概念數(shù)量貢獻度、概念熱度貢獻度、平均認知參與度的相關關系。該圖中的點代表不同的個體，橫軸為相對出度值，縱軸為概念數(shù)量貢獻度、概念熱度貢獻度或平均認知參與度。

（概念數(shù)量貢獻度、概念熱度貢獻度、認知參與度）的關系可以看出，相對出度與概念數(shù)量貢獻度、概念熱度貢獻度的正相關趨勢非常明顯，在相對出度值為0.25之前，個體的概念數(shù)量貢獻度和概念熱度貢獻度隨相對出度值增長呈線性提高趨勢，波峰處在0.25至0.30之間。從相對出度與平均認知參與度的關系圖來看，兩者雖然顯著相關但是由于pearson系數(shù)偏低，其相關性趨勢波動較大，在相對出度為0至0.05區(qū)間內(nèi)，個體的平均認知參與度隨相對出度的增加表現(xiàn)出增長趨勢，但在0.05至0.15區(qū)間內(nèi)，趨勢線較為平緩，說明在此相對出度區(qū)間內(nèi)的個體其平均認知參與度水平相差不大;在相對出度為0.25至0.3區(qū)間預測出現(xiàn)波峰（約0.27）。

3. 中間中心性指標與個體概念網(wǎng)絡特征水平的相關關系

中間中心性反映的是某節(jié)點對網(wǎng)絡資源和信息傳播的控制能力，如果網(wǎng)絡中許多最短路徑都必經(jīng)某個節(jié)點，則該節(jié)點擁有較高的中間中心性，而中間中心性高的節(jié)點起到溝通其他多個節(jié)點的橋梁作用。由表7可知，中間中心性與概念數(shù)量貢獻度、概念熱度貢獻度、平均認知參與度均在99%的水平上呈顯著正相關，pearson相關系數(shù)分別為0.685、0.734、0.349。圖7分別可視化了中間中心性與概念數(shù)量貢獻度、概念熱度貢獻度、平均認知參與度的相關關系。

可以看出，中間中心性與概念數(shù)量貢獻度、概念熱度貢獻度的正相關趨勢近似于一次函數(shù)，隨著中間中心性的提高個體的概念數(shù)量貢獻度和概念熱度貢獻度也逐漸提高。與相對出度相比，中間中心性與個體平均認知參與度的相關系數(shù)更高，中間中心性處于0至200區(qū)間內(nèi)，個體的平均認知參與度隨中間中心性的升高表現(xiàn)出增長趨勢;在200至600區(qū)間內(nèi)，趨勢線較為平緩;超過600后，趨勢線表現(xiàn)出上升趨勢，且預測在中間中心性為1，000左右出現(xiàn)波峰。

4. 特征向量中心性指標與個體概念網(wǎng)絡特征水平的相關關系

特征向量中心性考慮了節(jié)點的鄰居節(jié)點的重要性，如果一個點的鄰居節(jié)點在網(wǎng)絡中權力大、地位高，則該節(jié)點在網(wǎng)絡中的地位也將提高，因為重要性高的鄰居節(jié)點對節(jié)點自身來說是有價值的信息源。由表7可知，特征向量中心性與概念數(shù)量貢獻度、概念熱度貢獻度、平均認知參與度均在99%的水平上呈顯著正相關，pearson相關系數(shù)分別為0.677、0.711、0.335。圖8分別可視化了特征向量中心性與概念數(shù)量貢獻度、概念熱度貢獻度、平均認知參與度的相關關系。

由圖8可得，特征向量中心性與概念數(shù)量貢獻度、概念熱度貢獻度的正相關趨勢明顯，且在特征向量中心性超過0.75左右后兩個貢獻度水平急劇增長。特征向量中心性與個體平均認知參與度的相關性雖然顯著但是不高;大部分區(qū)間內(nèi)（特征向量中心性在0.2至0.65區(qū)間內(nèi)），個體平均認知參與度未隨特征向量中心性的增加而升高，但在0至0.2區(qū)間內(nèi)，個體平均認知參與度隨特征向量中心性增加而緩慢升高。

5. k核與個體概念網(wǎng)絡特征水平的相關關系

k核能夠反映節(jié)點位置與網(wǎng)絡中心的遠近，在計算k核時會由外向內(nèi)將網(wǎng)絡中的節(jié)點層層剝離，每次子圖中的點須至少與該子圖中的k個其他點鄰接，如k核為3的節(jié)點，在子圖中至少有3個鄰接節(jié)點，k核越高說明該節(jié)點躍居于網(wǎng)絡的中心位置。由表7可知，k核與概念數(shù)量貢獻度、概念熱度貢獻度、平均認知參與度均在99%的水平上呈顯著正相關，pearson相關系數(shù)分別為0.492、0.464、0.435。從所有指標來看，k核與概念數(shù)量貢獻度、概念熱度貢獻度的顯著性指數(shù)最低，但是與個體平均認知參與度的顯著性相關指數(shù)最高。

圖9從可視化的角度進一步驗證了這一點，概念數(shù)量貢獻度、概念熱度貢獻度與k核的正相關增勢緩慢，在k核超過5之后表現(xiàn)出增長趨勢;與其他指標相比，平均認知參與度與k核的相關趨勢線更穩(wěn)定，無波峰波谷，呈穩(wěn)步增長趨勢。

（四）個體角色與概念生成的關系

“結構洞”的概念是波特（Burt， 1992）提出的，指如果兩節(jié)點A和B的連接路徑必須經(jīng)過點C，則稱A和B的關系建立依賴于點C。與結構洞相關的指標有四個，即有效規(guī)模（Effective Size）、效率（Efficiency）、限制度（Constraints）和等級度（Hierarchy）。其中，限制度結合有效規(guī)模和等級度的大小可以用于分析那些個體擁有結構洞的可能性比較大。限制度越大，存在結構洞的可能性越小，若某個成員的限制度為0，其含義為該成員有許多連接節(jié)點，且這些連接節(jié)點之間彼此沒有連接，因而存在許多結構洞，擁有較高的協(xié)商能力;有效規(guī)模等于該成員的個體網(wǎng)規(guī)模減去網(wǎng)絡的冗余度，即有效規(guī)模等于網(wǎng)絡中的非冗余因素，有效規(guī)模越大，擁有結構洞的可能性越大;等級度表示限制度在多大程度上圍繞一個行動者展開（趙健， 2013）。一般來說，限制指標小于0.4且有效規(guī)模較大、等級度較高的成員掌握了較多的結構洞，可能是社區(qū)的意見領袖或潛在意見領袖。本研究依據(jù)結構洞指標發(fā)現(xiàn)的潛在意見領袖如表8所示。

本研究依據(jù)有效規(guī)模、限制度和等級度選取了可能為意見領袖的7個個體，表9同時列出了這7個潛在意見領袖的概念數(shù)量貢獻度、概念熱度貢獻度以及認知參與度情況?？梢钥闯?個潛在意見領袖的最高認知參與度至少達到5，有4位潛在意見領袖最高認知參與度達到8;除S062外，其余6個潛在意見領袖的概念數(shù)量貢獻度（占總量的11.69%～20.02%）和概念熱度貢獻度非常高。可見，能成為潛在意見領袖的個體很大可能其個體概念網(wǎng)絡特征水平也居于前列。

五、結論與討論

（一）研究結論

本研究從社會網(wǎng)絡關系會促進個體概念網(wǎng)絡發(fā)展這一理論假設出發(fā)，用概念數(shù)量貢獻度、概念熱度貢獻度、認知參與度三大指標表征了個體概念網(wǎng)絡的特征水平，基于此探討了個體社會網(wǎng)絡地位與概念網(wǎng)絡特征水平的相關關系，并結合相關性分析和可視化趨勢圖進一步發(fā)現(xiàn)了能夠反映概念網(wǎng)絡特征水平高低的個體網(wǎng)絡地位指標，主要結論如下：

結論之一：相對入度、相對出度、中間中心性、特征向量中心性更能反映個體的概念數(shù)量貢獻度和概念熱度貢獻度。

本研究選取了6個個體重要性指標，但是接近中心性與個體概念網(wǎng)絡特征水平的相關性不顯著，k核雖然與個體概念數(shù)量貢獻度和概念熱度貢獻度的相關性顯著，但相關系數(shù)相對偏低。因此相對入度、相對出度、中間中心性、特征向量中心性更適合作為衡量個體概念數(shù)量貢獻度和概念熱度貢獻度水平的指標。

結論之二：k核更能反映個體參與交互時的平均認知參與度水平。

在與個體平均認知參與度水平顯著相關的4個指標中，k核的相關系數(shù)最高，且通過相關趨勢圖來看，個體平均認知參與度水平在相對出度、中間中心性、特征向量中心性的多個區(qū)間值內(nèi)存在波動或平緩無增長現(xiàn)象，因此k核更能反映個體參與交互時的平均認知參與度水平。

結論之三：社會網(wǎng)絡中意見領袖的概念網(wǎng)絡特征水平往往較高。

在網(wǎng)絡特殊角色分析時，通過結構洞發(fā)現(xiàn)的7個意見領袖的最高認知參與度至少達到5，有6個的概念數(shù)量貢獻度和概念熱度貢獻度都居于前列?？梢?，能成為社會網(wǎng)絡中意見領袖的個體，其概念網(wǎng)絡特征水平往往也較高。因此，在用社會網(wǎng)絡表征概念網(wǎng)絡時可通過意見領袖這類特殊角色來輔助判定個體概念網(wǎng)絡特征的相對水平。

（二）討論與展望

本研究的創(chuàng)新點有兩點：一是提出了表征個體概念網(wǎng)絡特征水平的三個方面，即概念數(shù)量貢獻度、概念熱度貢獻度和認知參與度，并基于CIE模型構建了基于聯(lián)通主義交互行為的認知參與度評定框架，該框架可應用于聯(lián)通主義學習中對個體認知參與度的評定;二是發(fā)現(xiàn)了用個體社會網(wǎng)絡地位反映個體概念網(wǎng)絡特征水平的可能性，在個體層面上論證了社會網(wǎng)絡與概念網(wǎng)絡之間的作用關系，發(fā)現(xiàn)了與個體概念網(wǎng)絡特征水平相關的網(wǎng)絡地位指標，未來經(jīng)過多輪數(shù)據(jù)驗證后可用于評價學習者在聯(lián)通主義學習中的表現(xiàn)，如通過個體社會網(wǎng)絡地位的指標值間接反映甚至評定其概念網(wǎng)絡特征水平。

本研究也存在一定的不足。本研究的研究結果是基于第一期cMOOC的部分交互數(shù)據(jù)，未來的研究還需對該課程的全部交互數(shù)據(jù)乃至其余cMOOC數(shù)據(jù)進行分析求證，如：該研究結果的普適性如何？接近中心性是否確實無法反映個體概念網(wǎng)絡特征水平？個體的相對入度與其平均認知參與度是否確實不相關？這些指標同個體的最高認知參與度之間是否也存在相關關系？在此后的研究中，筆者擬基于第一期、第二期cMOOC的交互數(shù)據(jù)進行對比分析，排除技術、平臺等環(huán)境條件的影響來驗證結論的普適性，進一步確定不同網(wǎng)絡地位指標在反映概念網(wǎng)絡相對水平時的權重，同時本研究主要從靜態(tài)網(wǎng)絡特征方面描述了社會網(wǎng)絡與概念網(wǎng)絡之間的關系，未來可從動態(tài)演變的視角對兩者之間的作用關系進行分析。

[參考文獻]

陳麗，逯行，鄭勤華. 2019. “互聯(lián)網(wǎng)+教育”的知識觀：知識回歸與知識進化[J]. 中國遠程教育（07）：10-18，92.

陳麗，王志軍. 2016. 三代遠程學習中的教學交互原理[J]. 中國遠程教育（10）：30-37.

林小俊，張猛，暴筱，李軍，吳璽宏. 2010. 基于概念網(wǎng)絡的短文本分類方法[J]. 計算機工程，36（21）.

石月鳳，劉三（女牙），劉智，韓繼輝，彭晛. 2019. 基于社會網(wǎng)絡分析的在線學習行為分析實證研究[J]. 中國教育信息化，436（01）：9-14.

王志軍. 2014. 聯(lián)通主義學習情境中的教學交互特征與規(guī)律研究[M]. 北京：北京師范大學.

王志軍，陳麗. 2019. 聯(lián)通主義：“互聯(lián)網(wǎng)+教育”的本體論[J]. 中國遠程教育（08），1-9，26，92.

王志軍，陳麗. 2017. 遠程學習中的概念交互與學習評價[J]. 中國遠程教育（12）：12-20.

王志軍，陳麗. 2016. cMOOCs中教學交互模式和方式研究[J]. 中國電化教育（2）：49-57.

王志軍，陳麗. 2015. 聯(lián)通主義學習的教學交互理論模型建構研究[J]. 開放教育研究（5）：25-34.

王志軍，陳麗. 2014. 聯(lián)通主義學習理論及其最新進展[J]. 開放教育研究（5）：11-28.

Dawson， S.. （2008）. A study of the relationship between student social networks and sense of community. Journal of Educational Technology & Society， 11（3）， 224-238.

Dowell， N. M.， Graesser， A. C.， &Hennis， T. A.， et al. （2015）. Modeling Learners Social Centrality and Performance through Language and Discourse. The 8th International Conference on Educational Data Mining.

Duan， J.J.， Xie， K.， & Nathan， A.， et al. （2018）. Exploring a personal social knowledge network （pskn） to aid the observation of connectivist interaction for high-and low-performing learners in connectivist massive open online courses. British Journal of Educational Technology.

Gillani， N.， Yasseri， T.， & Eynon， R.， et al. （2014）. Structural limitations of learning in a crowd： communication vulnerability and information diffusion in MOOCs. Scientific reports， 4， 6447.

Motter， A. E.， De Moura， A. P. S.， &Lai， Y. C.， et al. （2002）. Topology of the conceptual network of language. Physical Review E， 65（6）， 065102.

Nastase， V.， & Strube， M. （2013）. Transforming Wikipedia into a large scale multilingual concept network. Artificial Intelligence， 194， 62-85.

Siemens， G. （2005）. Connectivism： Learning as network-creation. ElearnSpace. Retrieved July 28， 2016 from http：//www.elearnspace.org/Articles/networks.htm

Wenli， F.， Zhigang， L.， & Ping， H.. （2013）. Identifying node importance based on information entropy in complex networks. PhysicaScripta， 88（6）， 5201.

責任編輯 郝 丹