軍校本科學員MOOC在線學習交流行為研究

遲妍　朱仁崎　許峰　李占鋒

[摘 要]隨著信息時代的到來，MOOC （Massive Open Online Courses），即大型開放式網絡課程作為一種新的教學手段和形式，日益受到軍隊院校教育領域的重視、關注和應用。以國防科技大學本科生公共基礎課——軍隊政治工作學為例，將課程MOOC學習階段分為前、中、后三期，基于學員在線討論區的交流數據，采用社會網絡分析法，探討了學員不同學習階段的網絡規模參數和指標。結果表明，學員在線討論區活躍度與課程成績成正比，即積極討論行為與最終成績呈正相關關系。研究提出授課團隊要重視課程討論區的作用，了解學習需求與狀況并積極促進討論區交流，以提高軍校本科學員的MOOC教學效果。

[關鍵詞]軍校本科學員；MOOC學習；社會網絡分析

[中圖分類號] G64 [文獻標識碼] A [文章編號] 2095-3437（2019）05-0030-05

一、軍校本科學員MOOC學習行為

（一）MOOC學習行為及其特點

MOOC（Massive Open Online Course，大規模在線開放課程）既是遠程教育領域的新發展，也是開放教育理念的新發展[1]。作為一種在線課程，MOOC參與者分布在各地，課程材料分布于網絡之中，學習者通過開放訪問獲得大規模參與。這些課程幾乎不設置用戶注冊門檻，大量不同知識背景、不同學習動機的學習者均可加入，基于討論主題，通過在線討論區發帖和回帖等方式將分散的學習者和教師聯系在一起[2]。

MOOC的組成要素有物和人。物的要素包括MOOC平臺與工具、課程信息和學習活動；人的要素包括課程教師、學習者和課程協調人。MOOC具有規模大、范圍廣、資源豐富的特點，不過其本質活動還是教與學，更多的是人與人之間的互動[3]。從MOOC課程本身的學習行為和交互活動來說，MOOC表現出如下的特征。

第一，較完整的課程結構與開放式學習模式。MOOC的課程目標、協調人、話題、時間安排、作業等資源和信息均開放且全部通過網絡傳播的教育形式，沒有人數、時間、地點的限制。這是一種擁有大量參與者的自主化個性課程，學習者可通過多種工具或平臺來使用海量資源參與學習[4]。

第二，學習者自主注冊。在MOOC課程學習環境中，有些學習者可以在開始學習課程之前注冊，有些學習者可以在學習課程的過程之中注冊，針對不同的MOOC學習者生成不同的學習行為軌跡。

第三，自主化選擇學習內容。在MOOC環境中，學習者也許只對自己感興趣的課程內容有針對性地學習，學習課程內容的順序、學習內容和花費時間等方面和傳統課程結構不同。

第四，這是一種生成式課程。在MOOC環境中，參與學習方式、參與學習路徑和學習結果等方面極具個性化，并呈現多樣性。比如，課程初始時僅提供少量預先準備好的學習材料，學習者主要是通過對某一領域的話題討論、組織活動、思考和交流獲得知識。

第五，MOOC成績。在MOOC環境中，有些學習者可能不進行考試測試，有些學習者可能進行相關課程考試測試，表現出極不規律的測試時間、測試頻率等。

（二）軍校本科學員MOOC學習行為

目前，軍隊體制下的MOOC學習專業豐富。在軍隊院校MOOC學習課程建設中，國防科大以“愛課程”和清華“學堂在線”等一級自行開發的“軍內夢課”平臺，陸續推出數據建設與應用精確打擊武器裝備、計算機操作基本技能和信息作戰、軍隊政治工作學等一系列優質的精品MOOC課程，受到廣泛好評，能較好地滿足軍校本科學員的學習需求。

本文基于國內外MOOC教學的發展趨勢和大背景，圍繞“服務需求、提高質量”、培養和輸送高層次軍隊技術和軍事管理人才的根本任務，采用社會網絡分析方法，通過對軍校本科學員MOOC學習交流行為的數據進行分析，挖掘軍校本科學員MOOC學習交流行為的影響因素及其原因，為實現更好的軍隊院校的MOOC教育提供理論指導。

二、研究對象

本文選擇課程為國防科大基于“軍事夢課”平臺開設的軍校本科學員MOOC軍隊政治工作學，該課程2014年10月上線，沒有安排面授環節，現已經進入第七期。選課人數較多，選課學員和教師之間在討論區的互動活躍，適合本文的實證研究。

本文研究數據是該課程第一期選課學員的學習行為，共有2028名學員，教師3名，成員總計有2031人。針對研究問題，本文主要考慮在線討論區發言學員的學習行為。在討論區參與課程討論的共有139人，其中教師3人，交互次數為5368次。

三、研究方法

（一） 社會網絡分析

社會網絡分析（SNA， Social Networks Analysis），是指一種以社會行動者之間的互動研究為基礎的結構性方法，它通常借助數學圖形來表達社會關系，即以節點代表社會網絡中的個體，以節點間連線代表個體間的聯系，其中個體間的聯系多種多樣，包括血緣關系、地緣關系、業緣關系等[5]。經過此類轉化和表達之后，結合社會網絡分析的一系列理論，可以化定性描述為定量分析，這是傳統分析理論所缺乏的[6-8]。將社會網絡分析理論應用于軍校本科學員MOOC學習行為的研究，可以為其學習行為的定量分析奠定基礎。

（二） 學習行為數據挖掘與研究步驟

數據挖掘是數據庫知識發現的一個步驟，一般是指從大量的數據中通過算法搜索隱藏于其中信息的過程[9]。

基于社會網絡分析，軍校本科學員MOOC學習行為研究步驟主要有以下幾個。第一，界定分析層次及網絡中的關系。第二，收集網絡數據。第三，構建關系矩陣，并對關系進行測量。第四，進行數據分析，得出結論。

具體來說，通過確定分析層次為在討論區中進行發言的人員之間的交互關系，關注這個網絡中的節點等隨學習階段變化的情況[10]；并從信息中心收集該課程自開課以來的討論區數據及最終成績情況。由于數據龐大，我們對其進行了預處理[11]；最后將處理后的數據導入ORA（Organizational Risk Analysis）軟件中，構建不同時期的社會網絡圖，進行社會網絡相關屬性的分析，得出相應的結論。

（三）數據平臺

一是數據預處理平臺。在我們的研究中，由于總的數據量有3萬多條，且收集到的數據格式與我們所需要的不一致，因此我們需要對數據進行預處理。課程整個學習階段的時間共計10周，我們將課程的前三周設置為課程的前期階段，課程的中間四周設置為課程的中間階段，課程的后三周設置為課程的后期階段。本次研究收集了黨在新形勢下的強軍目標課程中的學員和教員的ID、討論區的發帖ID、回帖ID、發帖內容、發帖時間以及最終成績等數據，以課程學員和教員在課程討論區中所發的帖子為依據，以“發帖”和“回帖”兩種行為作為關系數據以及內容分析的基礎，收集了關系數據，以此為基礎進行數據分析和探討。通過運用Excel、Access、Matlab等工具對原始數據進行篩選、清理、合并等處理[12-14]。

二是社會網絡分析平臺。ORA是卡耐基-梅隆大學開發的動態網絡評估和分析工具。它包含了數百個社會網絡，動態網絡度量，跟蹤指標以及識別本地模式等內容[15-16]。ORA已被用來研究社會網絡的時空變化情況，并且具有多種地理空間網絡指標和變化檢測技術，可以處理多模式、多功能、多層次的網絡。它可以識別關鍵成員、群體和漏洞，模型網絡隨時間的變化而變化，并且還可以進行COA分析[17]。ORA針對節點相對較少的學習網絡，在分析學習者社會網絡特征，探究學習者的網絡位置、學習進程的應用中有著較好的效果，適合本文的研究[18]。因此，本文將ORA選為主要的社會網絡分析工具。

四、研究結果分析

（一） 網絡規模和網絡密度分析

1. 樣本的網絡規模

網絡規模包括個體網規模和整體網規模。個體網規模指的是與某個核心個體直接相關的其他個體的數量；整體網規模指的是網絡中包含的全部行動者的數目。依據我們對學習階段的劃分，各階段的網絡規模及社會網絡圖如圖所示。

前期、中期學員分別是34人，后期學員人數是108人，教師分別是3人，形成如下的社會網絡結構與分布（見圖1、圖2和圖3所示）。

從以上三個階段的分析來看，當接近考試時間時，學員在線討論區的交互網絡最為龐大，是前階段的3倍。學期末時，教師更應該關注討論區的動態，及時答疑，提高學生的學習效率。

2. 樣本的網絡密度

網絡密度指一個圖中各個點之間聯絡的緊密程度，固定規模的點之間的連線越多，該圖的密度就越大。一般來說，關系緊密的團體合作行為會比較多，信息流通較易，情感支持也會較好，該網絡對其中行動者的態度、行為等產生的影響就越大。

網絡密度變化如下：前期網絡密度：0.028；中期網絡密度：0.033；后期網絡密度：0.00866。網絡密度的討論需要與網絡規模相聯系，只有在同等規模下的討論才有意義，前期和后期規模相同，中期網絡密度最大，這說明學習的中期是鞏固期，影響較大。可以看出，網絡密度隨網絡規模的增大而減少。但是網絡密度總體來說較小，這說明MOOC學習網絡是一個比較稀疏的網絡，彼此交流次數不多。

（二） 網絡中心性分析

1. 度數中心性

點的度數中心度：點的度數中心度包括絕對度數中心度和相對度數中心度。前者是與該點直接相連的其他點的個數，后者是點的絕對中心度與圖中點的最大可能的度數之比。各個階段的度數中心性數據如下。

前期數據：總體度數中心性較高的有36506.0、120221.0和bogong，其值分別0.024、0.015和0.010。

中期數據：總體度數中心性較高的有36506.0、4.12728198307256E17和120221.0，其值分別0.027、0.024和0.015。

后期數據：總體度數中心性較高的有1.8010086636

E10、dingyiwen、huangqinsheng，其值分別0.009、0.008和0.007。

從各個階段的度數中心性來看，學習的前期階段和中期階段網絡變化不大，而后期階段不僅成員增多，并且具有高度數中心性節點發生了改變，但最大值比前期和中期小，這說明后期網絡變化較大，而聯系的緊密程度小于前期和中期。

2. 中間中心性

點的中間中心度：測量的是行動者對資源控制的程度，也就是一個點在多大程度上位于圖中其他“點對”的“中間”。如果一個點處于許多其他點對的捷徑（最短的途徑）上，就說該點具有較高的中間中心性，具有較高的中間中心性節點的潛在影響力較大。各個階段的中間中心性數據如下。

前期數據：中間中心性的值較大的為ID號為36506.0的值為0.002。

中期數據：中間中心性的值較大的為ID號為36506.0的值為0.002。

后期數據：中間中心性的值較大的為ID號為1.8010086636E10和liuyongqin，其值分別為0.008和0.002。

通過度數中心性和中間中心性，我們可以看出學生36506.0是一個潛在和實際影響力都比較大的學生，但是其中間中心性為0.002仍比較小，這說明在MOOC學習中，學習者之間形成的是松耦合關系，相互影響不大。

3. 接近中心性

點的接近中心度：一個點越是與其他點接近，該點在傳遞信息方面就更加容易，因而可能居于網絡的中心，這也說明該點具有較高的接近中心度，其計算是該點與圖中所有其他點的捷徑距離之和。各個階段的接近中心性數據如下。

前期數據：接近中心性為0.01的有三人，其ID分別為14062419870921151x、1.30221198311276992E17和anzhibin，其余為0。

中期數據：接近中心性較高的有三人，其ID分別為4.12728198307256E17、14062419870921151x和1.30221

198311276992E17，其值分別為0.01。

后期數據：接近中心性均為0。

由此可見，在該課程學習中，沒有一個穩定的對象充當一個組織者角色，而該角色應當由教師或助教承擔，這也說明了教師在MOOC學習中對平臺的使用還并不充分，需要加強引導學生之間的交流互動。

4. 特征向量中心性

特征向量中心度的目的是找出在本次課堂中最核心的成員，特征向量中心性越高的說明越核心，越小就說明該學生是處于邊緣的學生，應該給予關注。各個階段的特征向量中心性數據如下。

前期數據：ID號為36506.0、120221.0和726921.0對應的特征向量中心性分別為1、0.893、0.447。

中期數據：ID號為LG09041liyongjun、158036.0和1f0410xiongyuze特征向量中心性較高。

后期數據：ID號為dingyiwen、huangqinsheng和1.8010084076E10對應的特征向量中心性分別為0.958、0.892、0.314。

分析上述數據我們可以看出，不同階段的核心成員不同，這可能是由于課程學習內容、結構安排不同導致的，對于那些特征向量中心性較小的成員，教師應當給予較多的關注。

（三） 凝聚子群分析

當網絡中某些行動者之間的關系特別緊密，以至于結合成一個次級團體時，這樣的團體在社會網絡分析中被稱為凝聚子群。分析網絡中存在多少個這樣的子群，子群內部成員之間關系的特點，子群之間關系特點，一個子群的成員與另一個子群成員之間的關系特點等就是凝聚子群分析。

本文中的社會網絡是建立在互惠性基礎上的凝聚子群，屬于基于互惠性的凝聚子群。建立在互惠性基礎上的凝聚子群主要是派系。派系常常指這樣的一個子群，即其成員之間的關系都是互惠的，并且不能向其中加入任何一個成員，否則將改變這個性質。在一個無向網絡圖中：派系的成員至少包含三個點，其中任何兩點之間都直接相關的并且不能向其中加入新的點；在有向網絡圖中，行動者之間的關系一定是互惠的。

前期數據：分為6個組，分別為9人、8人、7人、4人、4人、2人，密度分別為0.111、0.125、0.167、0.250、0.250、0.500。

中期數據：分為5個組，分別為10人、8人、6人、6人、4人，密度分別為0.100、0.125、0.167、0.167、0.250。

后期數據：分為10個組，分別為14人、12人、11人、11人、7人、5人、5人、5人、4人、3人密度分別為0.077、0.083、0.100、0.100、0.143、0.200、0.250、0.333、0.333和0.500。

通過上述三個階段的比較，我們可以看出網絡規模和派系數目之間成正比，最穩定的派系是兩人派系，派系密度與派系組成人員數成反比。對于派系學習，內部聯系的影響力遠遠大于派系間的聯系，在這種情況下，學員對教師的依賴在降低，派系間的交流也在降低。從后期階段來看，派系成員數最多的是兩人，這說明學習者之間的互動交流比較分散。從數據的變化看，前期、中期派系規模相對較大，但參與人數較少，此時學員之間的交流具有主動性，而后期出現大量的兩人派系，且缺少能將這些小派系串聯起來的角色，結合實際情況來看，這來源于部分學員為完成課程任務被動在討論區留言互動。這說明當前的MOOC學習大部分學員參與討論的積極性不夠，教師、助教等需要發揮更好地串聯作用。

五、結論

本文主要采用社會網絡分析法，利用ORA、ACESS和Matlab等軟件對黨在新形勢下的強軍目標這門MOOC課程的學習討論進行了社會網絡建模并對該社會網絡在不同學習階段的網絡屬性進行了分析討論，結合軍隊體制下MOOC學習的特點，提出了該體制下MOOC學習的建議。通過研究，我們發現MOOC學習是一個自主化的個性學習方式，各參與者之間的交流較傳統方式較少，但是這是一種與軍隊體制及當下軍人需求相適應的學習方式，對此我們提出以下幾點建議。

（一）發揮討論區的作用

通過本文的研究，我們發現MOOC的討論區網絡屬于稀疏網絡，學習者之間的互動交流較少，這是由于參與者來自各個地區，學習背景、學習能力等各不相同導致的必然結果。因此，建議在MOOC注冊環節中，可采集學習者的地區、愛好等各方面的個人信息，并作為公共信息來幫助學習者找到同伴，建立學習共同體，促進討論區的交流和學習，以發揮討論區的作用。

（二）邀請有經驗的人員助推討論區活動

通過對討論區的社會網絡分析可以看出，每個派系都有相應的核心者，具有相對較大的影響力和話語權。通過有經驗的人員參與討論區的研討并成為相應派系的核心人物，一方面可以提高討論區的活躍度，分享自己的知識并解決學習者的問題；另一方面，有經驗的人員可以通過討論區的參與來更新自己的知識，通過討論與探索，提高自己的知識水平，這是一個用共贏的手段來推動MOOC學習的方法。

（三）教師及管理人員應利用社會網絡及時掌握學習者的學習情況

在MOOC討論區開始形成的階段，教師或管理人員應該為新加入MOOC的學習者建立良好的社會情感溝通的氛圍，如組織學員簽到、自我介紹等活動，讓學員盡快融入討論區中。在討論區發展過程中，教師應根據社會網絡，探索網絡屬性，如核心人員與邊緣人員，發揮核心人員的影響力，對于邊緣人員應當給予一定的鼓勵，保證每名學員都可以投入到學習當中。

[ 參 考 文 獻 ]

[1] 劉三，石月鳳，劉智，彭晛，孫建文. 網絡環境下群體互動學習分析的應用研究——基于社會網絡分析的視角[J]. 中國電化教育，2017（2）：5-12.

[2] 汪曼. 國內社會網絡分析應用現狀研究[J]. 情報工程，2016（5）：75-85.

[3] 劉冰. 社會網絡視角下慕課學習者互動關系研究[J]. 寧波大學學報（教育科學版），2016（5）：62-69.

[4] 楊樂. 基于MOOC的自主個性化學習環境設計策略研究[J]. 實驗技術與管理，2016（4）：169-171.

[5] 康偉，陳茜，陳波. 公共管理研究領域中的社會網絡分析[J]. 公共行政評論，2014（6）：129-151+166.

[6] 萬昆，葉冬連，鄒劍霞. 優質網絡公開課中師生互動的社會網絡分析——以哈佛《公正》課為例[J]. 軟件導刊（教育技術），2014（5）：35-37.

[7] 郝丹. 國內MOOC研究現狀的文獻分析[J]. 中國遠程教育，2013（11）：42-50.

[8] 徐振宇. 社會網絡分析在經濟學領域的應用進展[J]. 經濟學動態，2013（10）：61-72.

[9] 賀斌，薛耀鋒. 網絡學習空間的建構——教育信息化思維與實踐的變革[J]. 開放教育研究，2013（4）：84-95.

[10] 梁斌，包昊罡. 虛擬學習社區社會網絡結構的比較研究[J]. 繼續教育，2013（7）：34-37.

[11] 趙麗娟. 社會網絡分析的基本理論方法及其在情報學中的應用[J]. 圖書館學研究，2011（20）：9-12.

[12] 陳鵬，李艷燕. CSCL中基于數據挖掘的角色分析研究[J]. 現代遠程教育研究，2011（1）：84-88.

[13] 鄧蓉敬. 國內外關于網絡群體性事件的研究綜述[J]. 天水行政學院學報，2010（6）：50-54.

[14] 費鐘琳，王京安. 社會網絡分析：一種管理研究方法和視角[J]. 科技管理研究，2010（24）：216-219.

[15] 胡勇. 網絡教學中的教師角色實證研究[J]. 開放教育研究，2009（2）：92-96.

[16] 張明智，余永陽，胡曉峰，司光亞. 虛擬社會仿真中的人際關系網絡模型研究[J]. 計算機仿真，2009（2）：14-17.

[17] 王陸. 虛擬學習社區的社會網絡分析[J]. 中國電化教育，2009（2）：5-11.

[18] 覃學健，李翠白. 虛擬學習社區的社會網絡分析研究[J]. 現代教育技術，2009（2）：26-29.

[責任編輯：陳 明]