學習者社會網(wǎng)絡交互、情緒表征與學習成效的關系研究

劉智 康令云 劉三女牙 粟柱 孫建文

【摘要】情緒與社會化交互是構(gòu)建學習者模型的兩個重要特征，學習者的情緒特征計算與社會網(wǎng)絡分析已獲得了學習分析領域的廣泛關注。本研究以某高校云平臺上兩門課程的論壇發(fā)帖紀錄為研究對象，分別探究了學習群體在情緒表征（積極、消極與困惑情緒密度值）以及社會網(wǎng)絡交互（網(wǎng)絡中心性與網(wǎng)絡結(jié)構(gòu)特征）方面的差異。研究結(jié)果表明：具有網(wǎng)絡交互關系的學習者間情緒傾向趨于一致。整體網(wǎng)絡中的“子團體”以分散型網(wǎng)絡居多，不同社區(qū)組學習者在積極和消極情緒上具有顯著性差異，而在困惑情緒上差異性并不顯著。與中、低成效組相比，高成效組學習者在信息傳遞的中介性以及協(xié)作學習中的參與性方面的表現(xiàn)更為顯著，但其積極情緒密度較低。論壇中情緒和交互特征的聯(lián)合分析有助于對學業(yè)風險個體的準確干預和群體互動質(zhì)量的提升。

【關鍵詞】? SPOC;社會網(wǎng)絡分析;情緒密度;社區(qū);交互模式;學習成效;差異性分析

【中圖分類號】? ?G434? ? ? ? ? 【文獻標識碼】? A? ? ? ?【文章編號】? 1009-458x（2020）6-0031-10

一、引言

在慕課（Massive Open Online Courses， MOOCs）環(huán)境下，學習者可以自主瀏覽任意課程并自發(fā)開展群體學習互動，而在高等教育中面向在校學生的小規(guī)模限制性在線課程（Small Private Online Course， SPOC）則更受教學管理者的歡迎。論壇作為SPOC課程的重要組成模塊，為教師開展混合式教學以及學習者之間的異步交互提供了重要渠道。在論壇中，學習者可以發(fā)表對學習內(nèi)容的主觀看法、學習心得以及對課程平臺的使用感受等，也可以自發(fā)形成學習共同體開展協(xié)作討論、問答互助、信息分享以及共同完成學習任務（Siemens， 2015; Al-Rahmi， et al.， 2018）。豐富的交互數(shù)據(jù)中隱含了多元化的話語行為模式（郁曉華， 2013），同時互動中話語行為的分析也引起了來自學習分析和教育數(shù)據(jù)挖掘等領域?qū)W者的廣泛關注（Ghadirian， et al.， 2018; 孫雨薇，等， 2018）。部分研究已經(jīng)探測了學習者話語數(shù)據(jù)背后所蘊含的個體或群體情緒狀態(tài)，并分析了學習者在學習過程中情緒演化規(guī)律及其與學習成效的關系（Pardos， et al.， 2013;Liu， Pinkwart， et al.， 2018）。但僅從文本內(nèi)容視角探究學習者的學習表現(xiàn)易造成對話語情緒在學習成效上影響的片面理解，且不利于對低成效學習個體的準確識別和干預。除了話語情緒特征以外，論壇中的社會網(wǎng)絡特征也是暗示互動學習表現(xiàn)及預測學習成效的關鍵因素（Houston， et al.， 2017; Liu， Kirschner， et al.， 2017），相關研究已指出學習者話語中所表現(xiàn)出的情緒色彩往往會受同伴間關聯(lián)強弱的影響（Tang， et al.， 2012; Rosen， et al.， 2018）。因此，結(jié)合社會交互視角研究話語情緒表征對于群體學習狀態(tài)追蹤和互動質(zhì)量分析顯得尤為重要。

本研究以某高校云平臺上開設的“生涯心理輔導”和“新生研討課”兩門課程一學期內(nèi)的論壇發(fā)帖紀錄為實驗數(shù)據(jù)，使用基于Python開發(fā)的NetworkX網(wǎng)絡分析包計算學習者網(wǎng)絡中心性特征并標注與其有直接聯(lián)系的節(jié)點，以分析具有交互關聯(lián)的學習者間情緒相關性;將整體學習者分為不同社區(qū)組以分析其情緒演化趨勢及差異性;利用Gephi網(wǎng)絡分析軟件構(gòu)建不同學習成效組學習者的網(wǎng)絡結(jié)構(gòu)圖并進行可視化分析，以發(fā)現(xiàn)他們在網(wǎng)絡中心性特征以及情緒密度上的差異性。

二、相關理論和研究

（一）社會網(wǎng)絡分析

社會網(wǎng)絡分析（Social network analysis， SNA）是一種研究節(jié)點間資源交換的方法和技術，它主要關注節(jié)點間的資源交互模式，包括交互的方向和強度等，并從整體網(wǎng)絡和個體網(wǎng)絡兩方面探究節(jié)點成員在網(wǎng)絡中的交互規(guī)律（Haythornthwaite， 1996）。近年來，社會網(wǎng)絡分析在教育中的應用主要集中在探究群體學習者的網(wǎng)絡結(jié)構(gòu)演化以及網(wǎng)絡中心性特征與學習成效的關系（Williams， et al.， 2017; Gitinabard， et al.， 2017）。其中，劉等（Liu， 2018a）以月為單位，通過觀察學習者的網(wǎng)絡形態(tài)演化分析群體學習者的在線交互傾向。休斯頓等（Houston， et al.， 2017）探究了學習者參與度與學習成效的相關性，結(jié)果表明學習者的交互次數(shù)與學習成效之間具有顯著正相關性。梁云真等（2016）結(jié)合內(nèi)容編碼和行為序列分析等方法深入探究學習者在線交互規(guī)律，研究發(fā)現(xiàn)大多數(shù)學習者間的交互較多停留在低層級階段（分享、比較），僅有小部分學習者達到了高層級階段（一致、應用），而核心參與者在每個層級上的帖子數(shù)量都大于邊緣參與者。從縱向的角度分析，鄭勤華等（2016）發(fā)現(xiàn)學習者在第一周的帖子質(zhì)量層級并不會對后期幾周的交互層級產(chǎn)生影響，但第一周的帖子交互質(zhì)量會對后幾周學習者的網(wǎng)絡中心度值產(chǎn)生顯著正相關作用。劉清堂等（2018）通過分析不同社區(qū)的結(jié)構(gòu)特征參數(shù)和網(wǎng)絡位置發(fā)現(xiàn)，社區(qū)扮演“角色”的不同控制了信息流通的方向，而社區(qū)中的核心成員往往能在群體知識建構(gòu)過程中起到關鍵作用。

（二）情緒特征計算

在本研究中，情緒特征計算指的是從人們具有情感傾向的語義文本中挖掘出其內(nèi)隱的情緒狀態(tài)。目前情緒特征分類方法主要有兩種，一種是基于語義情感詞典的無監(jiān)督分類，另一種是基于機器學習的有監(jiān)督分類（張冬雯， 等， 2016）。近年來，教育領域中的情緒研究主要關注刻畫學習者的情緒演變趨勢以及情緒對學習行為的影響（劉智， 等， 2018; Reis， et al.， 2018）。其中，劉等（Liu， Pinkwart， et al.， 2018b）以周為單位，通過情緒密度計算等方法描繪出學習者在一學期內(nèi)的情緒演化走向，并分析了高、低成就組學習者的情緒差異，實驗結(jié)果表明，不同時段的學習者情緒表征并不一致，但總體來看學習者的態(tài)度較樂觀，且高成就組的情緒密度顯著高于低成就組。楊等（Yang， Kraut， & Rose， 2016）建立了分類模型用于探測學習者在論壇討論中所表現(xiàn)出的困惑情緒，分析了其對學習者參與率的影響，研究發(fā)現(xiàn)，學習者表達的困惑情緒越多，其論壇參與度就越低，而對困惑情緒的及時發(fā)現(xiàn)和解決則有助于減緩這種趨勢。劉清堂等（2016）利用詞頻分析和時間序列相結(jié)合的方法從教師的討論帖中挖掘出隱含的積極和消極情感特征，并進一步描繪其在一周的演化趨勢，用于在合適的時間采取適應性干預措施，以助力培訓目標的實現(xiàn)。劉等（Liu， et al.， 2018）提出了一個情感主題模型用于發(fā)現(xiàn)學習者感興趣的主題及其情感傾向，研究發(fā)現(xiàn)學習者在課程內(nèi)容相關的主題上表現(xiàn)出了較高的積極情緒，而在課程系統(tǒng)服務相關主題上表達了較多的消極情緒。

然而，在正式教育場景下，將群體學習的社會網(wǎng)絡與情緒兩類特征聯(lián)合分析的研究還較少。關于論壇社交網(wǎng)絡的研究僅僅是對學習群體的網(wǎng)絡結(jié)構(gòu)特征的描述統(tǒng)計以及社會化互動特征的差異分析，并未深入探討具有直接聯(lián)系的學習者間情緒狀態(tài)的關聯(lián)。關于互動中話語情緒的研究則傾向于追蹤學習者的整體情緒演化趨勢，并未深入考慮不同類型學習群體間的情緒差異，特別是整體網(wǎng)絡中不同“子團體”間及其內(nèi)部的情緒演化差異還涉及較少。因此，本研究將結(jié)合社會網(wǎng)絡分析與文本情緒分析兩種方法綜合分析學習者在高校論壇中的社會網(wǎng)絡交互、情緒表征以及學習成效之間的關系。

三、研究設計

（一）研究對象

本研究所采用的實驗數(shù)據(jù)來自于某高校云平臺上開設的兩門課程“生涯心理輔導”和“新生研討課”，這兩門課程的持續(xù)時間均為21周。其中，論壇討論活動從第4周開始并于第18周結(jié)束，故以這15周的論壇發(fā)帖記錄為研究數(shù)據(jù)。這兩門課程分別有88名（68名女性和20名男性）和173名（160名女性和13名男性）學習者，其中參與人數(shù)分別為87和158人，論壇討論參與率分別為98.86%和91.33%，互動參與率較高?？偘l(fā)帖量分別為4，465和6，625，人均發(fā)帖量達到51.32和41.93?！吧男睦磔o導”課程的學習者主要為心理學和應用心理學專業(yè)的大三學生，“新生研討課”則都是英語（師范）專業(yè)的學習者（包括4名大三學生、15名大二學生和154名大一學生）。這兩門課程學習者的平均成績分別為87.38和84.88，方差是5.41。平均網(wǎng)絡圖旨在揭示來源不同但具有某一相同特性（如性別、學習成效等）的群體交互特征（Palonen & Hakkarainen， 2013）。為了更深入地探究群體網(wǎng)絡交互模式，本研究繪制了這兩門課程不同成效組學習者的平均網(wǎng)絡圖。正如Palonen和Hakkarainen（2013）對來自兩個年級的學習者評論數(shù)據(jù)進行社會網(wǎng)絡綜合分析以進一步揭示不同學習成效水平和性別的學習者間話語互動模式，本研究也著重于探索不同成效組學習者間交互模式差異。

（二）研究問題

學習者在論壇討論的過程中產(chǎn)生的文本及關系數(shù)據(jù)為學習者互動學習狀態(tài)的評價和干預提供了寶貴資源。情緒狀態(tài)的分析有助于發(fā)現(xiàn)學習者在文本中隱含的學習反饋和需求信息，社會網(wǎng)絡分析有助于深入探究學習群體中的交互模式及不同類型的學習“子團體”。兩者的結(jié)合可幫助教師掌握學習者目前所處的學習狀態(tài)和班級中整體互動網(wǎng)絡的情緒傾向，并進一步發(fā)現(xiàn)學習者的學習成效與其在網(wǎng)絡論壇中的互動性以及情緒表征之間的關系。因此，本研究著重關注以下問題的探討：

1. 具有網(wǎng)絡交互關系的學習者間情緒傾向存在何種相關性？

2. 不同社區(qū)組學習者的情緒演化趨勢及其差異性？

3.不同成效組學習者間的網(wǎng)絡互動特征和情緒密度有何差異？

（三）研究方法

圍繞以上三個問題，本研究設計了以下研究步驟：首先，計算學習者個體的情緒密度及其關聯(lián)節(jié)點間平均情緒密度，采用Pearson相關分析法探究學習者與其聯(lián)系節(jié)點間情緒密度的關系。其次，采用重復測量方差分析探究不同社區(qū)組學習者間的情緒表征特點及其情緒密度差異。最后，計算學習者群體網(wǎng)絡結(jié)構(gòu)特征與個體情緒密度和網(wǎng)絡中心性，借助ANOVA分析發(fā)現(xiàn)不同成效組學習者在情緒密度與網(wǎng)絡中心性特征上的差異。

1. 社會網(wǎng)絡交互指標計算

在在線討論過程中，學習者會因為共同的話題興趣或自身需要而自發(fā)地形成一個學習網(wǎng)絡，而SNA最重要的價值在于它不僅能可視化網(wǎng)絡中學習者之間的互動關系，還能為網(wǎng)絡中各種關聯(lián)因素的分析提供量化指標，這有利于教師掌握網(wǎng)絡中個體行為狀態(tài)以及群體結(jié)構(gòu)特征。

（1）網(wǎng)絡中心性指標

①度中心性（Degree Centrality）：在網(wǎng)絡中與學習者有直接聯(lián)系的節(jié)點數(shù)量，表示學習者的論壇活躍度。

②中間中心性（Betweeness Centrality）：學習者位于每對節(jié)點之間的最短路徑上的次數(shù)，表示學習者協(xié)調(diào)和傳遞信息的能力。

③接近中心性（Closeness Centrality）：學習者與其他節(jié)點之間最短路徑之和的倒數(shù)，表示學習者與網(wǎng)絡中其他同伴進行交互的難易程度。

（2）網(wǎng)絡結(jié)構(gòu)指標

①密度：網(wǎng)絡中目前存在邊的數(shù)量除以網(wǎng)絡中所有可能邊的數(shù)量。

②平均聚類系數(shù)：聚類系數(shù)被計算為學習者的鄰居間現(xiàn)有鏈接數(shù)量除以學習者的鄰居間潛在鏈接數(shù)量，而平均聚類系數(shù)被計算為網(wǎng)絡中所有學習者的聚類系數(shù)的平均值。

③平均路徑長度：每對節(jié)點之間最短路徑的平均值，其中最長的路徑為網(wǎng)絡的直徑。

④中間中心勢：描述整個網(wǎng)絡圖的中間中心性，其值越大說明網(wǎng)絡越集中，信息的傳遞較多依賴中間中心性最高的節(jié)點。

⑤模塊度：衡量社區(qū)劃分優(yōu)劣的一個指標，其值越大說明網(wǎng)絡劃分的社區(qū)結(jié)構(gòu)準確度越高。

2. 情緒密度計算

情緒密度是學習者在一段時間內(nèi)情緒表達強度的重要表征，它已在學習論壇中的情緒分析與MOOC輟學預測研究中廣泛使用（Yang， et al.， 2015）。如公式1所示，[EDte]表示第t段時間內(nèi)第n條討論帖中的e類情緒密度，為了計算該值，本研究首先構(gòu)建了一套情緒詞典，其中包含9，586條積極情緒詞匯、12，871條消極情緒詞匯和934條困惑情緒詞匯。其次，采用張華平博士開發(fā)的中文分詞系統(tǒng)①將帖子內(nèi)容分割為詞匯序列[WordNum（Posttn）]，并將這些詞匯序列與上述情緒詞典中的情緒詞匯進行匹配，這樣便可得到這個帖子中所包括的情緒詞[EmoWordNum（Posttn）]。最后，對情緒詞與詞匯序列的比率進行求和再除以這段時間的總發(fā)帖量[PostNum（t）]，以計算出這段時間內(nèi)的積極（Positive Emotional Density， PED）、消極（Negative Emotional Density， NED）和困惑（Confusion Emotional Density， CED）三類情緒的情緒密度值。

[EDte=1PostNum（t）?n=1PostNum（t）EmoWordNum（Posttn）WordNum（Posttn）] （1）

3. 學習成效水平以及社區(qū)組的劃分依據(jù)

為了檢驗不同成效組學習者間網(wǎng)絡中心性與情緒特征的差異，本研究根據(jù)Kelly（1939）所提出的基于分數(shù)排序的前后27%來劃分高低水平組，兩門課程共有245人，其中高成效組74人，中成效組109人，低成效組62人。在社區(qū)組劃分方面，首先利用Louvain算法充分劃分社區(qū)，移除孤立節(jié)點，將剩下83.27%的學習者劃分為8個社區(qū)。其次根據(jù)Bidart等提出的網(wǎng)絡類型劃分方法（Bidart， et al.， 2018），分別將各個社區(qū)的中間中心勢、模塊度、密度和直徑與分類臨界值進行比對以實現(xiàn)不同社區(qū)網(wǎng)絡類型的標注，最后將整體網(wǎng)絡中的“子團體”分為7個分散型網(wǎng)絡和1個細長型網(wǎng)絡（見表1）。其中，分散型網(wǎng)絡表示網(wǎng)絡結(jié)構(gòu)比較破碎并且存在一些孤立節(jié)點的團體，細長型網(wǎng)絡表示直徑較長但其他特征并不顯著的團體。如表1所示，社區(qū)14擁有最長的直徑、較小的密度和最大的中間中心勢，這充分表明其內(nèi)部成員交流較少，信息的傳遞較多依賴“中間人”，也就是中間中心性最高的節(jié)點。社區(qū)密度都小于0.1，說明社區(qū)具有低密度、低凝聚力的特點，均屬于稀疏網(wǎng)絡。

四、研究結(jié)果及分析

（一）學習者與其鄰居間的情緒傾向相關性分析

社會網(wǎng)絡中的鄰居指的是與學習者有直接連接的節(jié)點（Adamic & Adar， 2003），為了發(fā)現(xiàn)學習者與其鄰居在同種情緒間的關聯(lián)性，將學習者與其鄰居的平均積極、消極和困惑情緒密度進行相關性分析，結(jié)果如圖1所示。其中，橫軸表示學習者個體與其鄰居的情緒密度相關系數(shù)，縱軸表示學習者個體的不同類型情緒密度。結(jié)果顯示：在互動網(wǎng)絡中，學習者與其鄰居在同種情緒類型上具有顯著正相關性，其中積極情緒最強（r=0.273，p<0.01），消極情緒次之（r=0.188，p<0.01），困惑情緒最弱（r=0.151，p<0.01）。也就是說，在討論內(nèi)容中體現(xiàn)出更多積極態(tài)度的學習者們更傾向于一起交流與協(xié)作，反之亦然。但學習者與其鄰居在不同情緒類型上并未表現(xiàn)出顯著相關性。

為了更好地理解學習者與其鄰居間的情緒相關性，部分學習者間的交互關系及其情緒密度值如圖2所示。其中，節(jié)點代表學習者，箭頭代表學習者發(fā)帖和回帖的方向。以節(jié)點23為例，節(jié)點18、38分別與節(jié)點23具有發(fā)帖或回帖的交互行為，而節(jié)點19、25與節(jié)點23不具有發(fā)帖或回帖的交互行為，因此節(jié)點18、38為節(jié)點23的鄰居，而節(jié)點19、25則不是其鄰居。學習者的鄰居（節(jié)點18和38）與學習者（節(jié)點23）之間在積極情緒方面差值最小，消極情緒方面次之，而在困惑情緒方面學習者的鄰居（節(jié)點18和38）與其非鄰居（節(jié)點19和25）之間并未表現(xiàn)出較大差異。這也符合學習者與其鄰居在積極、消極和困惑同種情緒類型上相關性依次減小的趨勢，同時也在一定程度上表明學習者與其鄰居在同種話語情緒表征上較為相似。

（二）不同社區(qū)組的情緒演化趨勢及其差異性分析

為了進一步分析不同社區(qū)間學習者情緒演化差異，本研究繪制了不同社區(qū)組學習者在討論期內(nèi)的積極、消極和困惑情緒演化趨勢圖（見圖3），并將這15周劃分為初期（1～5周）、中期（5～10周）和末期三個階段（10～15周）。從整體角度而言，本研究發(fā)現(xiàn)學習者的平均情緒密度大小依次為積極>消極>困惑，而且學習者的情緒一直處于動態(tài)變化之中并表現(xiàn)出較大的波動性。就不同討論階段而言，學習者的積極和消極情緒在初期和末期波動幅度較大，在中期波動幅度較小，主要表現(xiàn)為第2、8、11、14周時積極和消極情緒密度較高，而第1、7、9，10周時積極和消極情緒密度較低。困惑情緒則是在中期和末期波動幅度較大，在初期較小，主要表現(xiàn)為第8、11、13周時困惑情緒密度較高，第3、7、10周時困惑情緒密度較低。從不同社區(qū)角度而言，最明顯的差異在于第15周時社區(qū)11、13、14呈總體情緒上升趨勢，且社區(qū)13在該周的情緒參與度（具有情緒傾向的討論行為）達到最高值，而社區(qū)31、33、36、38、40在第15周時呈下降趨勢，并達到了其討論期中積極、消極和困惑情緒的最低值。

基于上述不同社區(qū)組學習者的情緒演化趨勢，本研究通過重復測量方差分析進一步探究不同社區(qū)組學習者情緒密度之間的交互作用及差異性，結(jié)果如表2所示。在第1到15周內(nèi)同一社區(qū)的學習者在不同時間點的積極、消極和困惑情緒密度均值差異均有統(tǒng)計學意義（p<0.001）。不同社區(qū)組與時間點之間存在交互作用（p<0.001），也就是說不同的社區(qū)在不同時間點上的積極、消極和困惑情緒變化趨勢不一致（見圖3）。不同社區(qū)組之間在積極和消極情緒間的差異有統(tǒng)計學意義（p<0.01），而在困惑情緒方面的差異不具有顯著性（p=0.168>0.05）。時間因素對學習者積極情緒密度變化的影響較大（偏[η2=0.606]），消極情緒次之（偏[η2=0.491]），對困惑情緒的影響最?。ㄆ玔η2=0.422]）。進一步的事后檢驗表明，社區(qū)14分別與社區(qū)13和社區(qū)33間存在顯著性差異（p<0.05），主要表現(xiàn)為社區(qū)14的消極情緒密度均值大于社區(qū)13和社區(qū)33，而社區(qū)13和社區(qū)33間差異性并不顯著。以上數(shù)據(jù)表明不同社區(qū)組學習者的積極、消極和困惑情緒都會隨時間的變化而顯示出不同的走向，不同社區(qū)組學習者在積極和消極情緒表現(xiàn)上存在顯著差異。不同社區(qū)組學習者的表現(xiàn)模式和情緒表征將會為教師設計教學方案提供新的思路。

（三）不同成效組學習者的網(wǎng)絡特征與情緒密度分析

1. 不同成效組的網(wǎng)絡結(jié)構(gòu)特征比較

為了進一步量化分析不同成效組學習者及其在互動過程中所形成的網(wǎng)絡結(jié)構(gòu)，本研究采用Fruchterman-Reingold網(wǎng)絡布局算法可視化不同學習成效群體間的網(wǎng)絡互動關系，結(jié)果如圖4所示。節(jié)點的大小代表了學習者的度中心性，節(jié)點越大說明學習者的度中心性越大，即參與論壇討論活動的積極性越高;連線的粗細代表了學習者間交互行為的頻繁程度。從圖4可以看出，不同成效組聯(lián)系較多的學習者分別有1、12和4對，例如高成效組的節(jié)點5和節(jié)點33，而大多數(shù)學習者的聯(lián)系頻率并不高，并以單向連接居多，雙向?qū)υ捿^少，這表明網(wǎng)絡不具備良好的互惠性，學習者間的會話互動程度不高。

網(wǎng)絡圖可初步揭示不同成效組學習者的關系互動網(wǎng)絡，為進一步深入分析其網(wǎng)絡結(jié)構(gòu)特征差異，本研究采用Gephi中的統(tǒng)計模塊計算出不同成效組群體的網(wǎng)絡結(jié)構(gòu)特征值（見表3），主要分析節(jié)點、邊、密度、平均聚類系數(shù)、平均路徑長度和直徑共6個變量值。由表3可知，網(wǎng)絡整體密度偏低，最高值僅為0.016，從高成效組到低成效組依次呈遞減趨勢，可見各個成效組內(nèi)部成員之間互動較少，不利于資源的快速傳播和共享。從圖4c也可以看出，孤立節(jié)點的存在使得低成效組網(wǎng)絡圖顯得更加稀疏和分散，更出現(xiàn)了邊少于節(jié)點的情況。平均聚類系數(shù)低至0表明低成效組的學習者間尚未形成小團體，說明學習者互動的缺乏是導致學習者間合作較少的重要原因。此外，平均路徑長度和網(wǎng)絡直徑較小，主要是由低成效組網(wǎng)絡過于稀疏而存在大量孤立節(jié)點導致的。

2. 不同成效組學習者的網(wǎng)絡中心性與情緒特征的差異

學習者的網(wǎng)絡中心性以及情緒密度特征值已被證實與其學習成效間具有顯著相關性（Romero， et al.， 2013; Gitinabard， et al.， 2017），表4展示了不同成效組間學習者情緒密度及網(wǎng)絡中心性的差異性分析結(jié)果。從表4可以看出，高、中和低成效組在負面和困惑情緒上的差異性并不顯著（p>0.05），但在中間中心性、度中心性、接近中心性和積極情緒層次上均體現(xiàn)出顯著差異性（p<0.05），主要表現(xiàn)為高成效組的中間中心性高于中成效組，度中心性高于低成效組，而接近中心性顯著高于中、低成效組，積極情緒顯著低于中、低成效組，但中、低成效組之間并未表現(xiàn)出顯著差異。以上結(jié)果說明高成效組學習者在網(wǎng)絡中承擔了更多的傳遞信息以及連接其他學習者間對話的作用，同時也能夠以較高的活躍度投入到與同伴交流和討論的過程中來，但其對話內(nèi)容則表現(xiàn)出較低的積極情緒。

五、結(jié)論與建議

隨著SPOC在高等教育中的普及，教師可利用該平臺發(fā)布教學資源、指導學習者以及創(chuàng)設互動討論情境，學習者也可以在這里汲取知識和展開討論。其中涌現(xiàn)出的大量學習者生成式交互數(shù)據(jù)支持著教育研究者從中挖掘出有價值的信息（如目前班級的群體交互形態(tài)及個體情緒特征），以幫助教師洞察學習者在群體學習中的狀態(tài)以改進教學策略，促進學習者了解自身學習狀態(tài)以開展反思性學習。本研究結(jié)合社會網(wǎng)絡分析和情緒特征計算方法深入剖析高校課程論壇中學習者的網(wǎng)絡交互特征和情緒表現(xiàn)，以三個問題為基線探究了整體學習者與其鄰居的情緒傾向相關性，分析了不同群體組學習者的網(wǎng)絡結(jié)構(gòu)特征及情緒密度差異。研究主要結(jié)論如下：

（一）學習者與其鄰居之間的情緒傾向具有一致性

通過探索學習者與其鄰居間的情緒密度相關性，本研究發(fā)現(xiàn)學習者與其鄰居在同種情緒類型上具有一致性。該結(jié)論與王雷博士的研究結(jié)果類似（王雷， 2013）。該研究認為，個體與其同伴間存在情緒分享行為，而情緒在親密與信任關系中更易傳播，情緒傳播的速度與其關系的強弱有關。社會心理學家也曾發(fā)現(xiàn)過類似的情緒感染現(xiàn)象：在社會交互中，情緒在人與人之間互相傳遞，一個人發(fā)送的帶有情緒色彩的信息會對其他人回復信息中所帶的情緒色彩產(chǎn)生影響（Neumann & Strack， 2000）。因此，一個可能的解釋是，在討論的初始階段學習者與其鄰居間的情緒傾向并不總是一致的，但在不斷的協(xié)作對話中個體情緒成分不斷發(fā)生整合進而形成集體情緒基調(diào)。學習者與其鄰居在不同情緒類型上并未表現(xiàn)出顯著相關性，根據(jù)情緒感染理論，一個可能的解釋是當鄰居感知到學習者所表達的情緒時鄰居會產(chǎn)生與學習者相似的情緒。也就是說，鄰居情緒的最終狀態(tài)會與學習者大致相同（Hoffman， 2002）。因此，教師應及時感知學習者與其鄰居在協(xié)作交互過程中的情緒表現(xiàn)，并采取基于群體目前情緒狀態(tài)的自適應調(diào)節(jié)策略，即通過實施時間調(diào)整、資源匹配、互動交流等措施來調(diào)節(jié)高消極或困惑情緒群體的不良情緒，采用獎勵機制、信息提示等方式維持高積極情緒群體的正面情緒（黎孟雄， 等， 2015）。

（二）不同社區(qū)組學習者在積極和消極情緒密度上存在顯著差異

通過比較論壇互動中不同社區(qū)組學習者的情緒演化趨勢及其情緒密度差異，本研究發(fā)現(xiàn)不同社區(qū)組學習者達到其積極、消極和困惑情緒密度峰值的時間點不同，整體上其積極和消極情緒在討論初期和末期波動范圍較大，而困惑情緒在中期和末期階段波動幅度較大。該現(xiàn)象可能與課程內(nèi)容編排遵循從易到難的順序有關，在討論初期學習者對基礎性知識的理解和掌握程度較高，并未表現(xiàn)出較高的困惑情緒，但隨著課程的不斷推進學習者也積累了一定的問題和疑惑，從而導致其在末期的話語內(nèi)容中困惑情緒增加。例如，其中一個帖子內(nèi)容為“課程難度逐漸增加，而我對一些重難點還有些疑惑和困擾，有時候我會覺得手忙腳亂或者束手無策”，因此教師需多關注此階段學習者的情緒狀態(tài)變化并給予及時的幫助和引導，以維持其良好的學習動機和論壇參與度（VanLehn， et al.， 2003）。不同社區(qū)組在困惑情緒上并不存在顯著差異，這可能是因為不同社區(qū)組學習者在相同或重疊的內(nèi)容上產(chǎn)生了困惑或疑問，因此其言論上的困惑情緒并未表現(xiàn)出較大差別（楊重陽， 2019）。另外，社團14消極密度較高，可能與其網(wǎng)絡類型有關（細長型），成員間交互路徑較長，交流的缺少可能會影響學習者自身問題或障礙的解決，從而導致其帖子內(nèi)容中包含較多的消極詞匯（Ramirez-Arellano， et al.， 2019）。因此，教師應重點關注網(wǎng)絡中的某個“子團體”在協(xié)作學習過程中的不良情緒表達，采取相應的適應性干預措施（如學習路徑規(guī)劃、激發(fā)積極情緒的智能對話等），以幫助具有不良情緒表征的學習者獲得良好的學習體驗。

（三）不同成效組學習者在網(wǎng)絡中心性和積極情緒密度上存在顯著差異

通過分析不同成效組學習者間的網(wǎng)絡中心性特征及情緒密度差異，本研究發(fā)現(xiàn)，相對于中、低成效組而言，高成效組學習者在互動網(wǎng)絡中表現(xiàn)出了較高的信息傳遞能力和活動參與度。該結(jié)論與之前的相關研究類似（Cho， et al.， 2007; Wise & Cui， 2018）?；顒訁⑴c度較高的學習者往往能接觸到更多的信息，在與同伴交互的過程中能夠有效地表達自己的觀點，梳理自身思路并不斷加深對課程內(nèi)容的理解，從而獲得更優(yōu)異的學習表現(xiàn)。高成效組積極情緒顯著低于中、低成效組，與現(xiàn)有研究結(jié)論相一致（劉智， 等， 2018），雖然Carmona等認為積極情緒與學習成效間存在正相關關系（Carmona-Halty， et al.， 2019），但也有研究者指出研究場景的不同可能會導致結(jié)論的差異（Molinillo， et al.， 2018）。在本研究中，教師發(fā)布的主題大多為案例分析，在交流的過程中高成效組學習者更傾向于對案例中的某一問題進行批判性反思或論述，帖子中可能會包含一些負面或困惑詞（沖突、無興趣和疑慮等），因而使得該群體呈現(xiàn)出了較低的積極情緒密度以及較高的消極和困惑情緒密度。另外，不同成效組的網(wǎng)絡結(jié)構(gòu)并不具備較好的稠密性和較高的凝聚性，說明學習者之間的聯(lián)系并不緊密，該態(tài)勢不利于群體協(xié)作學習和高階思維能力發(fā)展。因此，教師需采取適合主題討論活動的學習共同體組間策略。例如，通過興趣社區(qū)的構(gòu)建與分組來幫助學習者建立穩(wěn)固的社交網(wǎng)絡關系以促進其有效合作（鄭勤華， 等， 2016），設置有梯度的問題并提供幫助和引導（如與任務相關的知識點提示、學習資源推送等），以鼓勵學習者積極思考并一起參與到整個討論過程中來，從而使整體參與度得以提升。

綜上所述，本研究為學習者在社會網(wǎng)絡交互和情緒表征方面的研究提供了一定參考，但仍存在一些不足，因僅選取了兩門課程數(shù)據(jù)，數(shù)據(jù)規(guī)模的限制可能導致本研究結(jié)論難以推廣到其他學習情境中。在后續(xù)的研究中，將考慮擴大實驗數(shù)據(jù)規(guī)模并豐富課程類型，深入開展大規(guī)模學習場景下學習者情緒表征與學習成效的關系研究，并進一步細致分析位于不同社區(qū)核心位置中的“意見領袖”，以鼓勵積極情緒的傳播并阻止不良情緒的擴散，同時結(jié)合學習者性別、年齡和學習興趣等特征變量進行更全面、深入的網(wǎng)絡交互性比較研究。

[參考文獻]

黎孟雄，郭鵬飛，黎知秋. 2015. 基于情緒識別的遠程教學自適應調(diào)節(jié)策略研究[J]. 中國遠程教育（11）：18-24.

梁云真，趙呈領，阮玉嬌，等. 2016. 網(wǎng)絡學習空間中交互行為的實證研究——基于社會網(wǎng)絡分析的視角[J]. 中國電化教育（7）：22-28.

劉清堂，武鵬，張思，等. 2016. 教師工作坊中的用戶參與行為研究[J]. 中國電化教育（01）：103-108.

劉清堂，張妮，朱姣姣. 2018. 教師工作坊中協(xié)作知識建構(gòu)的社會網(wǎng)絡分析[J]. 中國遠程教育（11）：61-69.

劉智，楊重陽，彭晛，等. 2018. SPOC 論壇互動中學習者情緒特征及其與學習效果的關系研究[J]. 中國電化教育（4）：102-110.

孫雨薇，馮曉英，王瑞雪. 2018. 混合式教師研修課程中教師問題解決行為的研究[J]. 中國遠程教育（11）：50-60.

王雷. 2013. 基于系統(tǒng)動力學的群體情緒傳播機制與影響因素研究[D]. 北京：首都師范大學教育學院.

楊重陽. 2019. SPOC論壇中學習者情緒-話題的聯(lián)合建模研究[D]. 武漢：華中師范大學國家數(shù)字化學習工程技術研究中心.

郁曉華，顧小清. 2013. 學習活動流： 一個學習分析的行為模型[J]. 遠程教育雜志，31（4）：20-28.

張冬雯，楊鵬飛，許云峰. 2016. 基于 word2vec 和SVMperf的中文評論情感分類研究[J]. 計算機科學，43（S1）：418-421.

鄭勤華，李秋劼，陳麗. 2016. MOOCs中學習者論壇交互中心度與交互質(zhì)量的關系實證研究[J]. 中國電化教育（02）：58-63.

Adamic， L. A.， & Adar， E. （2003）. Friends and neighbors on the Web. Social Networks， 25（3）， 211-230.

Al-Rahmi， W. M.， Alias， N.， Othman， M. S.， Marin， V. I.， & Tur， G. （2018）. A model of factors affecting learning performance through the use of social media in Malaysian higher education. Computers & Education， 121， 59-72.

Bidart， C.， Degenne， A.， & Grossetti， M. （2018）. Personal networks typologies： A structural approach. Social Networks， 54， 1-11.

Carmona-Halty， M.， Salanova， M.， Llorens， S.， & Schaufeli， W. B. （2019）. How psychological capital mediates between study-related positive emotions and academic performance. Journal of Happiness Studies， 20（2）， 605-617.

Cho， H.， Gay， G.， Davidson， B.， & Ingraffea， A. （2007）. Social networks， communication styles， and learning performance in a CSCL community. Computers and Education， 49（2）， 309-329.

Ghadirian， H.， Salehi， K.， &Ayub， A. F. M. （2018）. Analyzing the social networks of high-and low-performing students in online discussion forums. American Journal of Distance Education， 32（1）， 27-42.

Gitinabard， N.， Xue， L.， Lynch， C. F.， Heckman， S.， & Barnes， T. （2017）. A social network analysis on blended courses. arXiv preprint arXiv：1709.10215.

Haythornthwaite， C. （1996）. Social network analysis： An approach and technique for the study of information exchange. Library & information science research， 18（4）， 323-342.

Hoffman， M. L. （2002）. How automatic and representational is empathy， and why. Behavioral and Brain Sciences.

Houston II， S. L.， Brady， K.， Narasimham， G.， & Fisher， D. （2017）. Pass the idea please： The relationship between network position， direct engagement， and course performance in MOOCs. In Proceedings of the Fourth （2017） ACM Conference on Learning@ Scale （pp. 295-298）， ACM.

Kelley， T. L. （1939）. The selection of upper and lower groups for the validation of test items. Journal of educational psychology， 30（1）， 17-24.

Liu， D.， Kirschner， P. A.， & Karpinski， A. C. （2017）. A meta-analysis of the relationship of academic performance and Social Network Site use among adolescents and young adults. Computers in Human Behavior， 77， 148-157.

Liu， S.， Peng， X.， Cheng， H. N.， Liu， Z.， Sun， J.， & Yang， C. （2018）. Unfolding sentimental and behavioral tendencies of learners concerned topics from course reviews in a MOOC. Journal of Educational Computing Research， 0（0）， 1-27.

Liu， Z.， Kang， L.， Domanska， M， Liu， S.， Sun， J.， & Fang， C. （2018a）. Social network characteristics of learners in a course forum and their relationship to learning outcomes. International Conference on Computer Supported Education （pp. 15-21）， Madrid： Scitepress.

Liu， Z.， Pinkwart， N.， Liu， H.， Liu， S.， & Zhang， G. （2018b）. Exploring students engagement patterns in SPOC forums and their association with course performance. EURASIA Journal of Mathematics， Science and Technology Education， 14（7）， 3143-3158.

Molinillo， S.， Aguilar-Illescas， R.， Anaya-Sánchez， R.， & Vallespín-Arán， M. （2018）. Exploring the impacts of interactions， social presence and emotional engagement on active collaborative learning in a social web-based environment. Computers and Education， 123， 41-52.

Neumann， R.， & Strack， F. （2000）. "Mood contagion"： the automatic transfer of mood between persons. Journal of personality and social psychology， 79（2）， 211-223.

Palonen， T.， & Hakkarainen， K. （2013）. Patterns of interaction in computer supported learning： A social network analysis. In Fourth International Conference of the Learning Sciences （pp. 334-339）.

Pardos， Z. A.， Baker， R. S. J. D.， San Pedro， M. O. C. Z.， Gowda， S. M.， & Gowda， S. M. （2013）. Affective states and state tests： Investigating how affect and engagement during the school year predict end of year learning outcomes. Proceedings of the Third International Conference on Learning Analytics and Knowledge （pp. 117-124）， ACM.

Ramirez-Arellano， A.， Bory-Reyes， J.， & Hernández-Simón， L. M. （2019）. Emotions， motivation， cognitive-metacognitive strategies， and behavior as predictors of learning performance in blended learning. Journal of Educational Computing Research， 57（2）， 491-512.

Reis， R. C. D.， Isotani， S.， Rodriguez， C. L.， Lyra， K. T.， Jaques， P. A.， & Bittencourt， I. I. （2018）. Affective states in computer-supported collaborative learning： Studying the past to drive the future. Computers & Education， 120， 29-50.

Romero， C.， López， M. I.， Luna， J. M.， & Ventura， S. （2013）. Predicting students final performance from participation in on-line discussion forums. Computers & Education， 68， 458-472.

Rosen， M. L.， Sheridan， M. A.， Sambrook， K. A.， Dennison， M. J.， Jenness， J. L.， Askren， M. K.， et al. （2018）. Salience network response to changes in emotional expressions of others is heightened during early adolescence： relevance for social functioning. Developmental science， 21（3）， e12571.

Siemens， G. （2015）. Connectivism： A Learning Theory for the Digital Age. International Journal of Instructional Technology and Distance Learning， 2（1）， 3-10.

Tang， J.， Zhang， Y.， Sun， J.， Rao， J.， Yu， W.， Chen， Y.， et al. （2012）. Quantitative study of individual emotional states in social networks. IEEE Transactions on Affective Computing， 3（2）， 132-144.

VanLehn， K.， Siler， S.， Murray， C.， Yamauchi， T.， & Baggett， W. B. （2003）. Why do only some events cause learning during human tutoring？ Cognition and Instruction.

Vrasidas， C.， & McIsaac， M. S. （1999）. Factors influencing interaction in an online course. American Journal of Distance Education， 13（3）， 22-36.

Williams， E. A.， Zwolak， J. P.， Dou， R.， & Brewe， E. （2017）. Engagement， integration， involvement： supporting academic performance and developing a classroom social network. arXiv preprint arXiv：1706.04121.

Wise， A. F.， & Cui， Y. （2018）. Unpacking the relationship between discussion forum participation and learning in MOOCs： Content is key. In Proceedings of the 8th International Conference on Learning Analytics and Knowledge （pp. 330-339）. ACM.

Yang， D.， Kraut， R.， & Rose， C. P. （2016）. Exploring the effect of student confusion in massive open online courses. Journal of Educational Data Mining， 8（1）， 52-83.

Yang， D.， Wen， M.， Howley， I.， Kraut， R.， & Rose， C. （2015）. Exploring the effect of confusion in discussion forums of massive open online courses. In Proceedings of the second （2015） ACM conference on learning@ scale （pp. 121-130）， ACM.

責任編輯 張志禎 劉 莉