基于LSA與SNA的虛擬學習社區 信息交互實證研究

劉聰聰，戴心來

(遼寧師范大學 計算機與信息技術學院，遼寧 大連 116081)

0 引言

隨著互聯網絡的普及，網絡環境下的虛擬學習已成為一種重要的學習方式。虛擬學習社區內所有學習者共同構成一個知識傳播與信息交流網絡[1]。信息傳遞的外在表現即信息交互，在虛擬學習環境中，交互質量被認為是提高學習效能與效率的重要因素之一[2]。因此，虛擬學習社區中的交互研究受到了許多研究者重視。陳麗[3]在其“遠程學習的教學交互層次塔”理論中指出，遠程教育中的信息交互包括3種形式：學生與學習資源交互、學生與教師交互，以及學生與學生交互。

在傳統的虛擬學習社區信息交互研究中，研究者多采用內容分析法、社會網絡分析法(Social Network Analysis，簡稱SNA)與數理統計分析法等，針對網絡平臺中的學習信息與數據進行分析[4]。如賴文華等[5]利用社會網絡分析法分析虛擬學習社區知識共享的社會網絡結構；宋學峰等[6]針對某網絡社區中的網絡交互數據，分析網絡基本屬性，探討如何提高社區知識共享水平。上述研究對學習者某一階段的交互結果進行了全局性的價值判斷，但是難以深入到交互過程中的每一個細節行為，整個交互過程仍然如同一個“黑箱”。滯后序列分析法(Lag Sequential Analysis，簡稱LSA)為人們深入探究交互過程，打開交互“黑箱”提供了關鍵性技術方法[7]。本文基于SNA和LSA等學習分析技術，以一個基于Moodle網絡平臺開發的虛擬學習社區為研究個案開展實證研究，通過對參與者的信息交互行為進行滯后序列分析，由點及線地深入探究不同群體的信息交互特征。

1 數據收集與分析

1.1 研究對象與工具

本文選取某師范大學一個基于Moodle平臺開發的虛擬學習社區網絡教學平臺上的《現代教育技術》網絡課程為個案研究對象，該群體共有48名參與者，其中學習者47人，教師1人。在社會網絡分析工具選擇上，使用Gephi0.9.1社會網絡分析軟件對提取的交互數據進行度數分析。在行為分析方面，為了對信息交互進行過程性分析，本文選取GSEQ5.1軟件對網絡平臺的日志數據進行采集與編碼，使用滯后序列分析法進一步分析參與者的交互行為特征。梁云真等[8]利用滯后序列分析法對學習者的交互內容進行分析，結果顯示網絡學習空間中的學習者交互大多停留在低層級階段，小部分學習者會出現高層級現象。本研究則聚焦于具體信息交互行為，探討虛擬學習社區中參與者信息交互行為過程存在的特點。

1.2 虛擬學習社區參與者交互

在社會網絡分析中，點出度和點入度常被用來衡量一名參與者在群體中的活躍度與聲望。點出度即回復帖數，是對參與者在社會網絡中尋求互動程度的衡量，數值越高，表明該參與者越能積極與他人互動；點入度即收到帖數，是對網絡中其他成員與該參與者建立聯系程度的衡量，數值越高，表明該參與者在網絡中聲望越高[9]。利用Gephi軟件，將虛擬學習社區的社會網絡數據視為有向圖計算，以此區分發帖和收到回帖的不同意義。通過運行軟件中的度數計算，進而在Gephi的數據資料面板中得到48位參與者的一系列網絡屬性，其中的度數屬性按點出度降序排列，計算結果如表1所示。

表1 按點出度降序排列的參與者點度數

由表1可以看出，參與者的信息交互行為存在明顯差異性，這在其社會網絡屬性上得到具體的量化表征，而這一表征結果如前文所述，屬于一種總結性評價。筆者使用SPSS19.0統計分析軟件對參與者的點出度、點入度分別與其產生的行為數進行Pearson相關性分析，結果均顯示在0.01水平雙側上存在顯著相關性，且相關系數分別為0.861和0.449。接下來將針對形成這一結果的信息交互行為過程進行滯后序列分析，從行為過程角度深入探究參與者的信息交互。

1.3 LSA與信息交互行為編碼

滯后序列分析法由學者Sackett[10]提出，該方法用于估算任何行為的發生概率與時間變化；Hawks[11]進一步指出，滯后序列分析法主要用于檢查某些人類行為之后另一個行為的發生是否具有統計學意義；Hillman等[12]認為，學習者與界面交互是交互模型的重要組成部分。結合虛擬學習社區自身的技術特征，發生在虛擬學習社區網絡平臺上的交互行為具體包括：用戶登錄、瀏覽討論區、發帖、瀏覽課程概要信息、瀏覽某用戶信息、瀏覽某用戶所有帖子和其它行為(如刪帖等網站系統管理員操作)。本研究采用的行為編碼如表2所示。

表2 行為編碼

在行為數據分析階段，本研究使用GSEQ軟件進行滯后序列分析，在分析選項中的“Cell stats”模塊中選中“adjusted residual(z)”選項，以便同時由軟件計算出殘差值。經由軟件計算得到兩個重要的結果數據表格，依次為行為轉換頻率表和調整后的殘差表(即Z-Score)。

1.4 整體信息交互過程分析

表3 全站行為轉換頻率

如表3所示，在行為轉換頻率表中，列表示起始行為，行表示隨之發生的行為，對應表格中的數值代表行為發生頻次，“Totals”代表總和。例如，表格第2行第1列中的數字“689”表示在“VD”行為后隨即發生“AP”行為的頻次為689次。顯然，若出現諸如“AP→AP”連續同一行為的行為鏈，則顯示該行為被不斷地重復。

由表3可知，虛擬學習社區全站中各參與者共計產生了4 080個有效行為路徑，具體發生次數最多的VD行為(瀏覽討論區)，共計發生了2 383次；其次為AP行為(用戶發帖行為)，共計發生了943次。從部分表格中對應數值為0可知存在沒有發生的行為鏈，例如“UL→AP”行為鏈。該行為鏈沒有發生的原因很容易理解，即參與者登錄網絡平臺完成身份認證后，還需順次進入對應課程中，繼而進入討論區才可進一步進行看帖、發帖等交互，因而在用戶的登錄行為(UL)之后不可能緊接著發帖行為(AP)。這些頻次為0的行為鏈，大多是由于在平臺既定設計上，部分操作路徑相對固定，操作入口較為單一，因而部分行為路徑無法或不易發生。

在發生過的具體行為鏈條中，“VD→VD”行為鏈發生了1 433次，數量最多，表示全站用戶習慣于不斷在討論區中瀏覽帖子；其次為“AP→VD”行為鏈，共計發生了714次，表示全站用戶也習慣于發帖后緊接著查看討論區，以參與到虛擬學習社區交互過程中，查看自己帖子是否得到了他人回應。為了進一步了解各行為鏈的發生情況是否為顯著以及具體顯著程度，需要查看調整后的殘差表。

(表注：*p< 0.05)

如表4所示，列表示起始行為，行表示隨之發生的行為，表中數值為對應行為鏈調整后的殘差值(Z-Score)。根據滯后序列分析理論[13]，若某條行為鏈路徑的Z分數(Z-Score)值大于1.96，則意味著該條路徑具有統計學上的顯著意義(即p<0.05)。由此可知，站在全站角度來看，虛擬學習社區參與者的“AP→VD”、“VD→AP”、“VF→VF”、“VF→UV”、“CV→CV”、“CV→UL”等17條行為路徑具有顯著意義，也即是說從統計學的角度看，這些行為鏈的發生更加頻繁。其中的“UL→CV”路徑的顯著程度最高，達到34.90，這是由于用戶登錄成功后必須隨即進入《現代教育技術》課程，才可進一步開展后續交互。此外，虛擬學習社區中信息交互的最主要外顯行為即各參與者的看帖(VD)和發帖(AP)兩大行為。參與者主要通過看帖接收來自虛擬學習社區的信息，并通過發帖進行回應，完成在虛擬學習社區中的信息交互。

為更直觀地呈現各行為之間的轉換，由表4可進一步繪制行為轉換圖，如圖1所示。圖中各路徑線條的粗細表示顯著水平，各節點表示具體交互行為。其中的“CV→CV”、“VF→VF”、“UV→UV”等6條循環路徑表明，參與者在課程信息、討論區信息、用戶信息等頁面上存在反復刷新的行為。

2 研究結果與討論

通過對信息交互過程的深入探究與分析，使信息交互過程的每一個細節得以充分展現，從而使學習分析結果趨于全面與細致入微。本研究通過開展滯后序列分析，具體實證研究結論如下：

2.1 虛擬學習社區參與者群體信息交互過程存在明顯特征

由虛擬學習社區全站整體的信息交互行為序列分析結果可知，虛擬學習社區整體交互過程中存在兩大主要的交互行為序列：“發帖→看帖”、“看帖→發帖”，構成虛擬學習社區中信息交互的核心行為。除上述兩種主要行為路徑外，虛擬學習社區中還存在其它與信息交互關聯性不大的行為路徑，這些路徑的發生頻次雖然遠小于兩條主要路徑，但其中部分路徑的顯著程度較高，這些行為顯然會分散參與者精力，使正當的信息交互行為混雜著其它無關行為。而各種無關行為的存在，不利于學習者完全沉浸于正當的學習活動中，對于虛擬學習社區的整體交互水平將造成一定影響。

2.2 通過關鍵行為強化與無關行為控制優化虛擬學習社區

虛擬學習社區的建立與運行離不開相應的開發技術作為基礎，技術環境作為重要的外部因素，一直潛移默化地影響著參與者的網絡學習行為。教師和網絡平臺設計者應注重對無關行為的控制，在網絡學習平臺重點區域的用戶界面設計方面減少不必要的操作入口，而對于關鍵性的操作入口，則可以通過突出強調加以正向強化，從而避免參與者注意力分散。此外，教師可從無關行為產生原因的角度，對學生進行訪談以了解其具體原因，并對虛擬學習社區中的特殊群體、困難群體進行更有針對性地干預，提升其參與積極性。

3 結語

隨著大數據、云計算、人工智能等新興技術的日趨普及，學習分析在教育領域的應用不斷深化，使用多樣化的學習分析方法可對教育數據實現更充分的挖掘[14]。滯后序列分析法等學習分析技術的應用，對提高網絡環境下的學習成效起著重要作用[15]。本文立足于虛擬學習社區中真實的網絡數據，通過系列實證研究結果表明，虛擬學習社區中的參與者在信息交互行為方面存在顯著差異，而這些差異特征為教師有針對性地開展教學指導提供了重要依據。