認知網絡分析法及其應用案例分析

王志軍 楊陽

[摘 ? 要] 認知網絡分析法（ENA）是在教育大數據與學習分析快速發展的大背景下產生的一種日益重要的表征學習者認知網絡結構的研究方法。研究采用文獻研究法和案例研究法，從概念、理論基礎、分析過程、支持工具、研究案例和特征等方面對認知網絡分析法進行系統介紹。研究發現，該方法是一種以認知框架理論為基礎，通過建構動態網絡模型對學習者個體和群體的認知元素間的網絡關系進行可視化表征、分析的方法。該方法包括“基于節的編碼”和“創建動態模型”兩個階段和八個具體操作環節。ENA Webkit是一個重要的支持認知網絡分析的工具。當前，該方法在協作學習、實踐社區以及學習評價中被廣泛應用，并通過與其他方法的深度融合對學習者的認知網絡進行深層次表征、分析和比較。它具有以下特征：對要素間共現關系的關注是其核心;可多層次、動態化表征個體和群體的認知網絡;是一種思維工具，可基于多個理論框架多維表征學習者的認知發展;還是一種基于證據的深度學習評價方式。

[關鍵詞] 認知網絡分析; 認知框架; 學習分析; 共現性; 案例分析

[中圖分類號] G434 ? ? ? ? ? ?[文獻標志碼] A

[作者簡介] 王志軍（1986—），女，湖南湘潭人。副教授，博士，主要從事在線學習理論與實踐研究。E-mail：jnuwzj

@jiangnan.edu.cn。

一、引 ? 言

認知神經科學發現，人類的學習是多個腦區共同參與、協同作用的結果。學習的過程就是雕刻大腦神經元之間的連接，建構認知網絡的過程。同時，人的行為是認知網絡的一種外在表現。因此，對認知網絡的分析及其結構的表征可以從兩個方面展開：（1）依托于腦科學和認知神經科學進行直接表征;（2）通過學習者外在的學習行為和學習成果的表現來間接表征。前一種方式最為科學，但因受技術與相關學科發展的限制，當前還難以實現;而后一種方式，隨著教育大數據和學習分析的發展其可行性越來越大。

在學習分析領域，研究者一般借助于社會網絡分析、語義分析、數據可視化分析等方法對學習者的學習行為進行分析，雖然這些方法也可以側面、間接地表征學習者的內部認知結構，但是難以全面、動態地呈現學習者認知網絡結構的特點與變化。隨著學習分析的不斷發展，該領域出現了一種可以對學習者認知網絡進行分析的方法，即認知網絡分析法（Epistemic Network Analysis，簡稱ENA），它可對學習者在交互過程中產生的文本記錄進行量化分析，并形成動態網絡模型以表征學習者認知元素間的關聯結構，并進一步表征學習者的認知特征。該方法是教育大數據與學習分析發展的大背景下日益重要的研究方法。本文旨在從概念、理論基礎、分析過程、支持工具、研究案例和特征等方面對認知網絡分析法進行系統介紹，以期為研究者提供一種深入表征學習者的認知網絡結構及其關系的方法。

二、認知網絡分析的定義與理論基礎

（一）認知網絡分析的定義與發展

美國加州大學伯克利分校的DiSessa將學習描述為一個過程，在這個過程中，經驗知識中孤立的元素通過理論框架聯系在一起，以此發展新的知識，而且還可以對知識形成深入、系統的理解[1]。而認知網絡分析法的主要研究者美國威斯康星大學教育研究中心的Shaffer則將學習描述為認知框架的發展，這種認知框架是一種在實踐社區或小組中的成員分享框架、調查以及解決復雜問題時表現出的知識、技能、思維習慣以及其他認知元素間的關聯模式[2]。盡管DiSessa和Shaffer對學習有著不同的表述，但是他們都認為學習并不是知識點或技能的單獨呈現，而是在這些知識與能力間建立連接，即認知元素間的連接結構比這些元素單獨的出現更重要[1-2]。基于以上理論基礎，ENA被設計出來，以對認知元素間的連接結構進行建模表征[2]。

因此，ENA是一種借助于認知框架理論，對學習者在交互過程中的文本數據進行量化編碼，并采用動態網絡模型對學習者認知元素間的網絡關系進行表征與分析的重要方法[2]。它既可以量化和表征網絡中元素間的連接結構及關聯強度，也可以表征連接的結構與強度隨時間發生的變化情況[2]。即ENA可以實現對個人或群體的復雜認知網絡的可視化表征，并直觀化地對不同的復雜認知網絡進行對比，從而了解不同網絡間的差異。

（二）理論基礎：認知框架理論

認知網絡分析法根植于認知框架理論[3]。框架這一概念源自Goffman，他從框架的角度解釋活動，認為活動是形成知覺與行動的規則和前提，也是用來闡述經驗的規范和實踐，因此，一個認知框架也可以通過個人在真實任務中展現出的行動和交互表現出來[4]。認知框架理論用于表征實踐社區中學習者思考、實踐等行為方式[3]。ENA中常用的認知框架為SKIVE框架[3]，包括技能（Skill）、知識（Knowledge）、身份（Identity）、價值（Value）以及認識論（Epistemology）五個維度，具體解釋如下：“技能”表示在認知活動中學習者做事情的能力[5]。這種能力可以具體化為學習者通過口頭或書面進行清晰溝通表達的能力;學習者能夠收集、組織、分析信息;學習者有批判思考的能力，并且可以基于不同的立場進行驗證;學習者可以從他人的角度看待問題等[5]。“知識”表示學習者在認知活動過程中分享的針對問題、任務等的理解與看法。具體可以包括對相關政策、機構等的了解;對活動社區具體運行規則的掌握;對當前認知活動過程中面臨的困難的理解;對活動多樣性的理解等方面[3，5]。“身份”表示實踐社區中成員對于自身的看法，即在進行認知活動的過程中，通過施展技能、實施決策等行為，學習者找到并在社區活動過程中展現出自身的身份定位[5]。“價值”表示認知活動中參與成員所持有的信念，它可用于指導、驅動學習者在實踐社區中使用技能與知識[4]。“認識論”表示在活動社區中學習者能夠清楚認識相應行為或言論的特征及屬性，并能提供相應證據來證明其合理性[5]。

SKIVE認知框架中的每個維度在微觀層次上可以細分為多個子維度[5]，在ENA中可以基于這五個維度對參與者產生的行為數據進行編碼。通過這五個維度及其在文本中的共現關系來表征學習者的認知網絡結構。其中，共現關系表示文本數據中認知元素之間的連接關系，即在認知網絡分析中，利用SKIVE框架中的概念共現來表征認知連接的建立[2]。

ENA可直觀展現學習者復雜認知網絡中的連接結構，了解學習者在活動社區中的認知行為，促進研究者對學習者個體進行分析。該方法還可以對學習者在認知活動周期內的認知元素關聯結構及強度進行追蹤，并進一步預測學習者可能產生的學習行為。

三、認知網絡分析的過程與支持工具

（一）認知網絡分析的過程

認知網絡分析研究共包括四個階段：確定研究問題與目標、收集數據、基于節進行編碼、建立動態網絡模型。其中，第一、二階段與其他研究基本相同，即研究者需要明確研究問題與目標，并在相應的理論指導下進行數據收集與處理。其不同點在于對學習者認知網絡的關注：如“在認知活動中不同成績的學習者的認知網絡有怎樣的差異”“在社會網絡中不同位置的學習者的認知網絡有怎樣的特點與差異”等。而數據收集階段，主要對反映學習者認知水平的互動性文本數據進行收集。認知網絡分析的特殊性主要體現在基于節進行編碼、建立動態網絡模型兩個階段（如圖1所示）。其中，基于節的編碼包括分節和數據編碼，動態網絡建模又包括以節為單位進行數據累積、創建鄰接矩陣、累積單元內不同節的鄰接矩陣、向量歸一化、奇異值降維分解和形成模型六個過程。

1. 基于節的編碼

該過程包括數據分節和數據編碼兩個部分，其中，分節是編碼開展的重要前提。在ENA中，研究者在開展編碼之前，需要根據數據格式規范對數據分節進行處理，然后再以節為基礎對交互數據進行編碼，最后再將編碼數據轉化為空間模型[6]。

（1）分節

節是認知網絡分析中的重要概念。以節為基礎的交互數據包括四個重要組成部分，分別是目標對象、不同對象之間的關系、一系列表征對象之間關系的節，以及表征認知元素間存在關系的證據[6]。①目標對象指模型中的人、相關概念或其他連接網絡的事物[6]。②對象間的關系是指不同對象間的關聯，比如社會關系的強度、概念上的相似性或者任何將一個對象和另一個對象聯系在一起的互動關聯等[6]。③節可以是時間單元、過程中的步驟，也可以是可識別單元中表征對象間關系的任何方式[6]。在對獲取到的文本數據進行整理編碼時，應以“節”為單位，對若干個編碼行進行二進制編碼。不同節中的交互數據組成了文本“單元”，一個單元中同一節的數據彼此關聯，而不在同一節的數據彼此不相關[4]。④證據指數據行中可用于標識認知元素間關系的標志。Shaffer等人將同一節中概念的共現作為認知元素間建立連接的標志[4]。

（2）編碼

根據認知框架對學習者的認知元素進行編碼，采用二進制的編碼方式，將符合框架維度的元素編碼為“1”，將不符合的元素編碼為“0”。表1展示了樣本數據集RS Data中的部分編碼內容（編碼數據選取自：http：//www.epistemicnetwork.org/），即研究者根據不同小組內的小組成員在參加兩次游戲時的認知活動，以二進制編碼的形式對其中符合認知框架的元素進行編碼。

值得一提的是，除了可以使用SKIVE認知框架進行編碼，研究者還可以根據實際的認知活動，采用主題建模、潛在狄利克雷分布（LDA）、自動內容分析等方法對學習者的交互文本進行處理與編碼，并將其與認知網絡分析法進行結合，建立學習者的認知網絡模型。

2. 動態網絡建模

建模是認知網絡分析最重要的階段。研究者根據認知編碼，以節為單位，對同一節中的編碼數據行進行累積，繼而通過創建鄰接矩陣，累積單元內的鄰接矩陣，進行向量歸一化與奇異值降維分解等完成學習者的認知網絡建模，從而直觀化、可視化表征學習者認知元素之間的連接結構。

（1）以“節”為單位，對數據行進行累積

由于單元內的數據由不同的節組成，同一節中的數據彼此相關，因此，需要按照“以節為單位”的形式對數據行進行累積編碼。通常通過二進制的形式進行累積，即如果同一節中任何一行數據包含代碼A，則累積疊加之后的節中也包含代碼A[4]。如表2所示，該表根據表1的數據，以“節”為單位，對同一次游戲的數據行進行了二進制累積編碼，以此來表示同一節中認知元素間的關聯。

表2 ? ? ? ? ? 不同節中數據行編碼累積表

（2）鄰接矩陣的創建與累積

①鄰接矩陣的創建：ENA通過為每節中的數據編碼創建鄰接矩陣來表示元素編碼的共現[4]。對象間的關聯通過矩陣中的行和列來表示，即編碼Xi，j代表了對象i與對象j建立關聯的強度，并且由于對象與自身無法建立相關關系，因而矩陣的對角線為0[6]。因為ENA是一種無向圖，所以創建的鄰接矩陣具有對稱性。②鄰接矩陣的累積：創建完每節鄰接矩陣后，為了識別數據中元素連接的結構，ENA會將每個分析單元的鄰接矩陣累加到同一個累積矩陣中[2]。當ENA為數據集中的所有單元創建完累積鄰接矩陣，每個矩陣都可以轉換為鄰接向量Vn，因此，這些向量也存在于高維空間V中[2]。通過這種方式，每個分析單元中對象間的連接結構都可以由高維空間中的鄰接向量表示[2]。

（3）向量歸一化

在ENA的高維空間中，每個鄰接向量代表一個分析單元的關聯模式，分析單元中節的數量影響著向量的長度。同一單元中節的數量越多，代表著產生的共現也就越多，對應的向量越長[2]。但是有可能存在兩個代表相同關聯模式的向量，它們指向同一方向，并且由于它們存在于不同的節中，因而會產生不同的長度[4]。因此，為了能夠準確地對不同單位的認知結構進行對比，就需要控制不同單元中有可能產生的不同數量的共現。因此，需要對累積的鄰接向量進行球面歸一化處理，即將每個向量Vn除以它自身的長度，由此得到歸一化的向量[2]。

（4）奇異值降維分解

在完成向量歸一化之后，ENA將會采用奇異值降維分解（SVD）的方法，最大限度地提高變量在數據中的差異值，但不會重新縮放數據，從而實現對高維空間的降維[4]。

（5）建立模型

在完成編碼、轉換矩陣之后，ENA會根據形成的編碼數據在二維空間中對認知元素的連接結構進行可視化表征，即完成建模。“質心”和“節點的位置”是建模中的兩個重要概念。①質心（Centroid）：網絡的質心類似于物體的重心，由網絡模型中“邊權重”的算術平均值確定[2]。如果兩個學習者建立的認知網絡模型具有相同的節點，但是這些節點之間的連接強度不同，那么這兩個學習者各自的認知網絡模型的質心也不同。質心主要用于ENA分析過程中微觀視角向宏觀視角的轉換。即在比較不同學習者的認知網絡時，當學習者數量較少，直接對比其認知網絡就能發現其異同之處。但當學習者的數量較多時，就需要將學習者的認知網絡抽象成一個點，以此代表學習者個人的認知網絡，并從宏觀的投影空間對多個學習者的認知網絡進行對比。②節點的位置：為了使網絡中質心和經過SVD旋轉之后能代表網絡的點之間的距離最小化，ENA中用一個優化的程序來確定投影空間中節點的位置[4]，即確定質心的位置。ENA空間中點所處的位置代表了對應的網絡模型的連接結構，因此，點在投影空間中分布的不同位置就代表了不同認知網絡的最大差異[2]。那么，對多個學習者的認知網絡的比較就轉化為對質心在投影空間中所處位置的分析[4]。分析人員可根據投影空間中不同點間距離的大小判斷相應學習者的認知網絡相似度或差異性，空間中點間距離比較小表明對應的認知網絡結構可能存在較大的相似性，反之，距離較大則表明對應的認知網絡結構的差異性較大[2]。

在完成模型建立之后，研究者可以對學習者在宏觀空間以及微觀層面中的認知網絡模型進行直觀對比。其中，在學習者認知網絡模型的微觀層面，不同認知元素節點之間連線的粗細代表了建立連接的強弱，而節點的大小代表了與周圍其他認知元素建立連接的多少。研究者可以根據這些特征對學習者的個人認知網絡進行分析。同時，還可以基于宏觀投影空間中點的分布對同一學習者在不同學習時期的認知網絡以及不同學習者在同一階段的認知網絡進行進一步分析。質心是ENA從微觀層面向宏觀層面轉化的重要中介，多個復雜的認知網絡通過質心便可以以點的形式在同一個二維空間中進行直觀呈現。研究者可根據這些點的布局與位置對宏觀的認知網絡結構特征進行描述與分析。

（二）認知網絡分析的支持工具

威斯康星教育研究中心與麥迪遜分校聯合開發了一個在線建模平臺ENA Webkit來支持認知網絡分析的開展。該平臺具有處理編碼數據與建立認知網絡兩大功能[2]。在處理編碼數據階段，該平臺可根據最初的編碼數據表，按照認知網絡分析法的處理過程對其進行自動化處理，并將編碼結果可視化表征出來，即創建出關于學習者的認知網絡模型，便于研究者進行進一步的探索和解釋[2]。Shaffer等學者在2016年發表過關于認知網絡分析的指導手冊，對ENA Webkit的具體使用進行了詳細介紹，并開發了專門的網站（http：//www.epistemicnetwork.org/）。

ENA Webkit可對導入的編碼數據進行自動化建模和可視化呈現。當存在多個研究對象時，ENA Webkit會在宏觀的投影空間中對多個認知網絡模型進行呈現。同時，還可以在微觀層面對少數學習者間的認知網絡結構的具體差異進行對比分析。

四、學習分析中的認知網絡分析及應用案例介紹

ENA作為一種可動態量化表征學習者認知網絡的分析方法，在學習分析領域有著很大的發展前景。同時，它還可以通過與多種分析方法結合，從不同角度對學習活動進行分析，從而對學習者的學習表現進行更全面的描述與預測。本文將通過闡述ENA在協作學習[7]、實踐社區[2]以及學習評價[8]中的具體應用案例，對該方法作進一步的介紹。

（一）認知網絡分析在協作學習中的應用

協作學習已經成為人們解決復雜任務或問題的重要方式，技術的發展增加了人們進行協作學習的機會，也吸引著來自不同研究領域的學者予以關注研究[7]。在技術的支持下，人們可以借助于不同的技術工具或平臺開展協作學習活動，而活動過程中產生的一系列交互數據也隨即記錄在平臺中。如何利用這些數據分析活動參與者的交互程度與認知特征是研究者重點關注與解決的問題。

社會網絡分析法（SNA）是研究者分析活動參與者在協作學習過程中的交互程度以及發揮作用的常用方法。此方法可以表示學習者在學習過程中參與、交互以及知識建構的情況[14]，卻無法對參與者認知層面的結構進行動態建模表征與預測。因此，研究者提出采用社會認知網絡標記（Social Epistemic Network Signature，簡稱SENS）的方式，即將認知網絡分析（ENA）與社會網絡分析（SNA）進行結合，從而對學習者在認知活動中產生的交互數據進行社會層面和認知層面的分析[7]。

Gasevic等人在MOOC平臺上選擇了一門課程論壇中的部分交互數據，并通過SNA與ENA分別對學習者的社會網絡結構與認知網絡結構進行分析，探討學習者的社會網絡與認知網絡之間的關系。他們首先采用自動內容分析法，并借助潛在狄利克雷分布，對文檔中的突出主題進行抽取，共得到12個主題，其中包含與課程內容相關的主題以及過程主題，為后續進行認知網絡分析提供數據基礎。在認知網絡分析的過程中，探討每篇文章或評論與其前三篇文章之間的語義聯系，以此最大限度地捕捉學習者建立的有意義的聯系[7]。基于這些語義連接，創建了鄰接矩陣，并通過累積矩陣等操作過程，最終繪制出學習者個體認知網絡結構圖。對其進行分析發現，投影空間中的第一個維度（SVD1或X軸）解釋了ENA空間中46%的方差，其中過程分數較高的參與者更關注課程的過程和程序，即他們在與過程相關的主題之間建立更多的連接。ENA投影空間中第二個維度（SVD2或Y軸）解釋了ENA空間中18%的方差，這表明內容分數高的參與者將會在與內容相關的主題之間建立更多連接[7]。

為了了解學習者認知網絡和社會網絡之間的關系，以及ENA和SNA可以在多大程度上幫助研究者了解學習者的協作學習過程，研究者通過聚類分析和社會認知網絡分析，并結合多元線性回歸分析對高成效表現和低成效表現組的學習者的差異進行了描述與分析[7]。

總體來說，在對學習者的協作學習過程進行分析時，采用ENA可以拓寬研究思路，使研究不僅僅關注學習者之間建立的社會連接，更關注學習者認知網絡的建立，從而從社會層面和認知層面對協作學習進行研究，并進一步預測學習者的學習表現。

（二）認知網絡分析在實踐社區中的應用

實踐社區（Community of Practice）是一個社會學習系統，即許多人在這個系統中共同分享他們的興趣并從事增進聯系的集體學習[9-10]。在實踐社區中，學習者處于問題解決式的情境，即教師通過給學習者創建一個問題解決的情境，使學習者扮演不同的角色，從而模擬真實情境下解決問題的過程，借此培養學習者的實踐能力、創新能力等。教師或研究者雖然可以借助社會網絡分析、內容分析、問卷調查等方式對反映學習者的參與度、貢獻程度、實踐能力等方面的數據進行分析與評價，但是這些方法、手段卻沒有辦法對學習者在實踐社區中形成的認知網絡結構進行直觀呈現與分析，也不能對不同學習者的認知結構進行直觀對比。

在本案例中，研究者以“在線工程設計模擬”活動為例，使學習者在一個模擬的工作環境中解決一個現實的工程設計問題，即學習者在一家虛擬的公司中，通過審閱公司內部的技術文件，研究相關背景，從而進行工程設計，并根據實驗數據對研究成果進行檢驗[2，11-13]。研究者利用認知網絡分析法對學習者在這項工程設計中進行的認知活動進行了定量與定性的分析，以此對學習者的認知網絡結構進行動態建構表征，進而探究不同學習者的認知特征。

在本案例中，學習者的認知網絡是由與工程實踐活動相關的認知元素相互建立連接形成的。研究者利用認知框架對學習者的認知活動元素進行了編碼，之后通過形成鄰接矩陣、向量歸一化等處理之后建立了學習者的認知網絡模型。圖2顯示了兩名學習者的認知網絡模型，其中學習者A（左側圖）的認知網絡是在知識元素和技能元素之間建立連接，而學習者B（右側圖）的認知網絡不僅在知識和技能元素之間建立了連接，也在價值、認識論等元素之間形成了連接，這表明在“在線工程設計”的活動中，學習者B擔當的工程師考慮的比學習者A更加全面。同時，圖中連接線的粗細代表了元素之間連接的強弱，因此，通過觀察可以發現，圖中學習者A和學習者B在進行認知活動時各有不同的側重點。

由于在認知網絡模型中，每個認知元素都有固定的空間位置點，因此，可以通過對少數（一般是兩個）不同的認知網絡模型進行做差相減，實現它們之間的對比。當需要對該活動中多名學習者的認知網絡進行分析時，ENA會通過抽取認知網絡質心的方式，在投影空間中對多個質心的空間分布進行直觀展示，以此來對多名學習者的認知網絡進行對比。研究者利用兩個維度上的置信區間計算出兩組學習者（A組、B組）在投影空間中的平均位置，并通過獨立樣本t檢驗，發現兩組學習者在第二維度上有顯著性差異（mA=0.079，mB=-0.079;p<0.001，t=4.231）。其中，A組學習者更多的是在基礎知識和技能方面建立更多的連接，B組學習者更多的是在認識論元素和與設計相關的知識元素之間建立更多連接。如圖3所示。

借助于ENA，研究者可以對實踐社區中學習者開展的認知活動進行分析，建立學習者的認知網絡模型，直觀地了解學習者在參與活動過程中的認知特征，明確學習者在不同元素之間的連接關系以及關系的強弱。并且，還可以通過對學習者在不同時間段的認知網絡的對比分析發現其認知發展變化，有利于在實際的教學活動中引導和培養學習者的認知發展。

（三）認知網絡分析在評價中的應用

技術的發展使教師可以更好、更全面地評價學習者的學習行為，但當前的很多評價方式無法直觀地展現學習者的認知特征。尤其是當學習者遞交的是文本類的作業文檔（如課程論文）時，教師只能根據文檔情況進行打分，卻無法真實地了解文檔背后反映的認知活動。而對認知活動的分析與了解（尤其是對于成績不理想的這類學習者），可以進一步幫助教師開展有針對性的教學和輔導。

在本案例中，16名學習者被要求通過使用傳記、文學批判、讀者回應或者現象學研究的方法對虛擬文學進行分析，并最終通過作業論文呈現個人分析[8]。研究者將論文文本分割成不同的片段，并對每一片段中涉及的關鍵詞進行編碼，建立了16名學習者的認知網絡模型，對學習者在寫作中的復雜思維進行了直觀化的展現，幫助教師進行總結性評價以及理解學習者進行學科學習時的認知特征。在進行具體編碼時，研究者使用兩組關鍵詞來分析學習者的文章，第一組包含8個一般的文學分析術語：報告、環境、講述者、主題、解釋、體裁、分析和描述;第二組包含8個文學分析中的特定關鍵詞：作者身份、鏡像、層次、文本細讀、空白、歧義、過度決定和非充分決定。其中，第一組歸為第一種編碼方式，第一組與第二組結合構成第二種編碼方式。

為了分析這些論文，研究者根據這些論文的分數將文章分為低水平、中等水平和高水平三類，通過對這三類論文的平均認知網絡進行對比，發現學習者在寫作時的思維差異。圖4顯示了三類不同寫作水平學習者的平均認知網絡。從總體上看，在采用第一種編碼方式得到的認知網絡模型中，中等水平和高水平成績的學習者建立的認知連接要多于低水平學習者，高水平學習者在不同元素間建立的連接最多，而低水平學習者的認知網絡中缺少“環境”“報告”兩個因素，并且在元素“描述”和“解釋”之間沒有建立連接。

除此之外，研究者也利用第二種編碼方式對三類文章進行編碼，并建立了認知網絡模型（如圖5所示）。其中，低水平的學習者大多在“空白”“解釋”“分析”之間建立連接。而中等水平和高水平的學習者建立的網絡具有更平衡的聯系，同時，仍然強調“解釋”“描述”“分析”之間的聯系。

在本案例中，研究者通過認知網絡分析法對學習者的書面作業進行了量化分析，從而幫助教師對學習者遞交的文本類作業進行評價，使得教師通過對學習者復雜思維的了解，明確學習者的薄弱環節，及時給予反饋與指導。

五、認知網絡分析的特征與優勢

（一）對要素間共現關系的關注是認知網絡分析法的核心

ENA利用概念的共現來表征認知連接的建立[2]，因此，不同要素間共現關系的表征是ENA的核心。同時，ENA不受編碼頻率的驅動，而與編碼共同出現的頻率相關，因此，能夠捕捉研究對象認知框架的各個元素的協同發展情況[15]，從而對元素間的共現關系進行動態表征。如借助ENA可以建立學習者專業化思維的動態網絡模型，即研究者可以根據編碼框架，對多個關于專業化思維的認知元素間的關聯結構進行建模表征，根據這些元素間連線的粗細以及表征元素的節點的大小，分析認知結構的特征。通過此方式，可以直觀化地表征學習者專業思維的發展情況，并且還可以通過結合其他的方法，全面客觀地對學習者的學習行為進行分析。

（二）可以多層次、動態化表征個體和群體的認知網絡結構

ENA可以從微觀和宏觀兩個層面對學習者個體和群體的認知網絡進行表征。在微觀層面，它可直觀展現學習者的認知網絡結構，對少量學習者之間的認知結構進行差異對比。如案例二中，研究者對“在線工程設計模擬”活動中學習者的認知特征進行了分析，通過呈現學習者在此活動中的認知網絡結構，以及對不同學習者之間的認知網絡進行做差相減，從而發現不同學習者之間的認知差異，彌補學習分析領域中間接表征學習者認知特征的分析方法的不足。在宏觀層面，它可對多名學習者的認知網絡進行對比，也可根據學習者在一定周期內的認知情況，實現對學習者認知結構的動態化表征與追蹤預測。同時，認知網絡分析還可以與其他分析方法進行結合。如案例一中，研究者利用社會網絡分析與認知網絡分析法對學習者產生的交互文本數據進行社會層面與認知層面的分析，從而從社會連接與認知結構兩個角度表征、分析學習者的學習情況，深度挖掘學習者的認知特征。

（三）它是一種可多維度表征學習者認知發展的思維工具

ENA不僅僅是一種研究方法，更是一種多維度表征學習者認知發展的思維工具。研究者可以不局限于認知框架理論提供的維度，而是結合多種研究方法對學習者的認知發展進行分析與表征。如吳忭等人將認知網絡分析法用于對STEM教育的分析與測評，即按照“專業的知識技能”“學科認識論能力”“專業的態度素養”“專業的認同感”等方面對學習者的專業化思維進行表征[15]，通過可視化的方式呈現學習者的認知發展情況，對學習者做出全面的分析與評價。研究者也可使用主題建模、自動內容分析等方式，借助更多理論模型，對認知元素間的共現關系進行分析。如本文案例三中，借助內容分析，自定義框架，從多個角度分析學習者的專業思維發展情況，便于教師明確學習者的薄弱環節，了解學生的認知發展狀況，進而及時給予指導與幫助，促進學習者專業思維能力的形成與發展。

（四）它也是一種基于證據的深度學習評價方式

“以證據為中心”的評價設計模式是一種可以將理論、數據和分析之間的關聯進行概念化的方式[4，16]。在這種評價設計模式中，分析框架由三種互相關聯的模型組成：學生模型、證據模型和任務模型[4，17]。學生模型代表了研究者想要評估的學習者特征或對學習者進行建模與測量的結果;任務模型代表了用于在學生模型中測量結果的活動或數據;證據模型用于表述分析工具與技術，并且將學生模型與任務模型連接起來，通過模型中的技術與工具對基于數據的結果進行驗證，進而得出結論[4]。ENA便是一種基于證據的深度學習評價方式，它在認知框架理論的指導下，利用技術與工具對學習者在學習過程中產生的文本數據進行分析與處理，從而建立學習者認知網絡模型，直接對學習者的認知網絡結構進行分析，而不是通過外顯行為數據間接分析學習者的學習特征，以此對學習者的認知發展做出更深刻、更全面的評價。

[參考文獻]

[1] DISESSA A A.Knowledge in pieces [M]//FORMAN G，PUFALL P B.Constructivism in the computer age.Hillsdale，NJ，US：Lawrence Erlbaum Associates，1988：49-70.

[2] SHAFFER D W，COLLIER W，RUIS A R. A tutorial on epistemic network analysis： analyzing the structure of connections in cognitive，social，and interaction data[J]. Journal of learning analytics，2016，3（3）：9-45.

[3] CAI Z，EAGAN B，DOWELL N， PENNEBAKER J，GRAESSER A C，SHAFFER D W. Epistemic network analysis and topic modeling for chat data from collaborative learning environment[C]//Proceedings of the 10th International Conference on Educational Data Mining.Wuhan：EDM Society， 2017.

[4] SHAFFER D W，RUIS A R.Epistemic network analysis：aworked example of theory-based learning analytics[M/OL]//LANG C，SIEMENS G，WISE A，et al.Handbook of learning analytics，2017：175-185[2019-04-04].https：//solaresearch.org/hla-17/.

[5] RUPP A A，CHOI Y，GUSHTA M，et al.Modeling learning progressions in epistemic games with epistemic network analysis： principles for data analysis and generation[C]//Proceedings from the Learning Progressions in Science Conference.Iowa City：IA，2009：24-26.

[6] SHAFFER D W. Formatting data for epistemic network analysis[R]//Games and Professional Simulation（Gaps）Technical Report Series. Wisconsin Center for Education Research， University of ?Wisconsin-Madison，2014：1-15.

[7] GASEVIC D，JOKSIMOVIC S，EAGAN B R，et al.SENS：network analytics to combine social and cognitive perspectives of collaborative learning[J].Computers in human behavior，2018，7（3）：1-16.

[8] FOUGT S S，SIEBERT-EVENSTONE A，EAGAN B，et al. Epistemic network analysis of students' longer written assignments as formative/summative evaluation[C]//Proceedings of the 8th International Conference on Learning Analytics and Knowledge. New York：ACM，2018：126-130.

[9] 張敏霞，劉霜.教師在線實踐社區中的知識管理行為研究[J].中國電化教育，2014（9）：120-125.

[10] 王陸.教師在線實踐社區的研究綜述[J].中國電化教育， 2011（9）：30-42.

[11] CHESLER N C，RUIS A R，COLLIER W，et al. A novel paradigm for engineering education： virtual internships with individualized mentoring and assessment of engineering thinking[J]. Journal of biomechanical engineering，2015，137（2）：1-8.

[12] ARASTOOPOUR G，SHAFFER D W，SWIECKI Z，et al. Teaching and assessing engineering design thinking with virtual internships and epistemic network analysis[J]. International journal of engineering education，2016，32（2）：1492-1501.

[13] CHESLER N C，ARASTOOPOUR G，D'ANGELO C M， et al. Design of a professional practice simulator for educating and motivating first-year engineering students[J]. Advances in engineering education，2013，3（3）：1-29.

[14] 徐劉杰，陳世燈.學習者知識建構的社會認知網絡[J].開放教育研究，2017，23（5）：102-112.

[15] 吳忭，王戈，盛海曦.認知網絡分析法：STEM教育中的學習評價新思路[J].遠程教育雜志，2018，36（6）：3-10.

[16] MISLEVY R J，GENEUA H，RICONSCENTE M，et al.Evidence-centered assessment design[M]//MISLEVY R J，GENEUA H，RICONSCENTE M，et al.Assessing Model-Based Reasoning using Evidence-Centered Design. Cham：Springer，2017：19-24.

[17] MISLEVY R J. Issues of structure and issues of scale in assessment from a situative/sociocultural perspective[J/OL]. National Center for Research on Evaluation Standards & Student Testing，2006（1）：1-37[2019-04-04].https：//files.eric.ed.gov/fulltext/ED518674.pdf.

[Abstract] With the rapid development of educational big data and learning analysis， epistemic network analysis（ENA） is increasingly becoming an important method to characterize learners' cognitive network structure. This study adopts literature research and case study to introduce epistemic network analysis systematically from the perspectives of concept， theoretical basis， analysis process， supporting tools， research cases and features. It is found that this method can visually represent and analyze the network relationship between individual and group cognitive elements of learners by constructing dynamic network model based on the theory of cognitive framework. There are two phases of "stanza-based coding" and "creating dynamic model" and eight specific operational links in this method. ENA Webkit is an important tool to support epistemic network analysis. ENA has been widely used in collaborative learning， community of practice and learning evaluation， which can deeply characterize， analyze and compare learners' cognitive network through deep integration with other methods. ENA focuses on the co-occurrence of elements and can represent the cognitive network of individuals and groups at multiple levels and dynamically. Moreover， it is a thinking tool that can represent learners' cognitive development based on multiple theoretical frameworks， and an evidence-based evaluation method of deep learning as well.

[Keywords] Epistemic Network Analysis; Epistemic Framework; Learning Analytics; Co-occurrence; Case Analysis