弱關(guān)系視角下的虛擬學(xué)習(xí)社區(qū)網(wǎng)絡(luò)交互分析

吳笛+李保強(qiáng)+蔡運荃

【摘 要】

虛擬學(xué)習(xí)社區(qū)是網(wǎng)絡(luò)空間中由學(xué)習(xí)者建立的一個虛擬社會形態(tài)，以交互學(xué)習(xí)、協(xié)作學(xué)習(xí)為主要學(xué)習(xí)方式，形成以學(xué)習(xí)為目的的社交網(wǎng)絡(luò)。本研究基于弱關(guān)系理論，運用社會網(wǎng)絡(luò)分析法對虛擬學(xué)習(xí)社區(qū)的網(wǎng)絡(luò)結(jié)構(gòu)和消息傳播模式進(jìn)行了分析，探索了網(wǎng)絡(luò)關(guān)系的微觀結(jié)構(gòu)和強(qiáng)度如何影響知識互動的過程和結(jié)果。數(shù)據(jù)證明弱關(guān)系是影響虛擬學(xué)習(xí)社區(qū)中信息擴(kuò)散效率的重要因素，且與社區(qū)網(wǎng)絡(luò)中的子群結(jié)構(gòu)有一定關(guān)聯(lián)。

【關(guān)鍵詞】 學(xué)習(xí)社區(qū)；社交網(wǎng)絡(luò)；弱關(guān)系；網(wǎng)絡(luò)交互；社區(qū)發(fā)現(xiàn)；知識互動

【中圖分類號】 G434 【文獻(xiàn)標(biāo)識碼】 A 【文章編號】 1009-458x（2017）11-0016-07

一、引言

隨著信息化時代的到來，互聯(lián)網(wǎng)對人們的學(xué)習(xí)產(chǎn)生了巨大影響，在網(wǎng)絡(luò)教育快速發(fā)展的背景下，虛擬學(xué)習(xí)社區(qū)應(yīng)運而生。社區(qū)是人類社會協(xié)作關(guān)系的有機(jī)組織形式，當(dāng)一定的人群為了特定的目的利用網(wǎng)絡(luò)和通信技術(shù)進(jìn)行交流與互動時，即在網(wǎng)絡(luò)上形成了虛擬社區(qū)。如果虛擬社區(qū)的主要參與者是以交互學(xué)習(xí)、協(xié)作學(xué)習(xí)和自主學(xué)習(xí)為主要溝通方式來構(gòu)建虛擬社會形態(tài)，形成以獲取知識、增進(jìn)理解和提高技能為目的的虛擬交互區(qū)域時，該社區(qū)可以稱為虛擬學(xué)習(xí)社區(qū)（胡欽太， 2005）。

虛擬學(xué)習(xí)社區(qū)是基于Web 2.0思想的網(wǎng)絡(luò)教育技術(shù)實踐，與其他社交網(wǎng)絡(luò)一樣，它是對人際交互方式的革新，學(xué)習(xí)者之間通過教學(xué)資源產(chǎn)生聯(lián)系與互動，成為虛擬學(xué)習(xí)社區(qū)的基本組成元素（蔣偉麗， 2014）。虛擬學(xué)習(xí)社區(qū)提供的虛擬交互渠道成為學(xué)習(xí)的載體，學(xué)習(xí)者通過交流、協(xié)作來分享學(xué)習(xí)資源，從而對自我認(rèn)知產(chǎn)生超越，促進(jìn)認(rèn)知能力的提高（王志軍， 等， 2016）。虛擬學(xué)習(xí)社區(qū)最典型的特征就是成員之間的互動、交流、分享和創(chuàng)新，不管社區(qū)結(jié)構(gòu)和管理方式如何改變，學(xué)習(xí)社區(qū)的發(fā)展和參與者的進(jìn)步都需要參與者的互動來實現(xiàn)。

二、網(wǎng)絡(luò)交互的定性分析

交互是虛擬學(xué)習(xí)社區(qū)最典型的特征，是指在特定的情境中人與人或人與環(huán)境之間的相互作用。在傳播學(xué)理論研究中，Wiener（1948）認(rèn)為交互是信息接收者根據(jù)來自信息源的信息內(nèi)容向信息源進(jìn)行反饋，雙方通過不斷反饋來修改信息本身和反饋內(nèi)容，最終實現(xiàn)良好而有效的信息溝通。在虛擬學(xué)習(xí)社區(qū)環(huán)境中互動學(xué)習(xí)的劃分有多種標(biāo)準(zhǔn)，根據(jù)活動對象的區(qū)別，可分為學(xué)生、教師以及信息資源環(huán)境三者之間的互動；按照網(wǎng)絡(luò)交流的實時性，可以劃分為同步交互和異步交互；根據(jù)交互地點和時間的不同，從教學(xué)角度出發(fā)可分為課堂內(nèi)交互和課堂外交互?，F(xiàn)代教育技術(shù)所觀察的交互不再只是傳統(tǒng)師生雙邊互動的知識、經(jīng)驗交互，隨著多種教學(xué)媒介的加入和使用，互動已然是包括多方面的互動整體（李敏， 2015）。

人們對虛擬學(xué)習(xí)社區(qū)的關(guān)注由來已久，成果甚多。國外學(xué)者（Chan， 2011； Lin， Fan， & Wallace； Barab， Thomas， & Dodge， 2005； Warburton， 2009）通過相關(guān)實踐研究，對Knowledge Forum、Quest Atlantis、Second Life和Knowledge Community等社區(qū)進(jìn)行案例分析，證明了虛擬學(xué)習(xí)社區(qū)的應(yīng)用有利于幫助教師和學(xué)生強(qiáng)化學(xué)習(xí)資源共享與知識互動，促進(jìn)思考和提高學(xué)習(xí)效率（Fredricks， Blumenfeld， & Paris， 2004）。這些研究成果對學(xué)習(xí)交互效果的評價主要包括學(xué)習(xí)過程中思維、行為和感覺方面的持續(xù)時間和強(qiáng)度水平，雖然虛擬學(xué)習(xí)社區(qū)擴(kuò)大了學(xué)習(xí)者的人際交往機(jī)會，增強(qiáng)了在線學(xué)習(xí)交流機(jī)會，但Lu J等（2014）認(rèn)為，如果不仔細(xì)設(shè)計和維護(hù)學(xué)習(xí)環(huán)境，學(xué)習(xí)互動并不一定能自動發(fā)生，許多因素可能影響學(xué)習(xí)效果，如任務(wù)特征（Kearsley Greg， Shneiderman Ben， 1998）、教師參與（Garrison， Anderson， & Archer， 1999）和團(tuán)隊凝聚力（Rovai， 2002）等。除了這些因素之外，Kirschner（2007）還認(rèn)為不同的計算機(jī)通信媒介會導(dǎo)致不同的學(xué)習(xí)者群體產(chǎn)生不同的社會互動模式。因此，揭示虛擬學(xué)習(xí)社區(qū)中學(xué)習(xí)者之間復(fù)雜、動態(tài)的互動關(guān)系和信息傳遞模式，關(guān)注虛擬學(xué)習(xí)社區(qū)中網(wǎng)絡(luò)結(jié)構(gòu)與交互關(guān)系對學(xué)習(xí)者個體行為的影響，是本研究的重點。

三、弱關(guān)系相關(guān)理論

弱關(guān)系的概念最初由Mark Granovetter（1994）提出，作為社會學(xué)理論針對社交網(wǎng)絡(luò)的微觀層面研究不足的補充。與宏觀統(tǒng)計特征分析相反，弱關(guān)系理論偏向于研究社交網(wǎng)絡(luò)中個人之間的人際關(guān)系，以及在此基礎(chǔ)上的三方關(guān)系和小群體結(jié)構(gòu)。根據(jù)德國社會學(xué)家George Simmel（1998）的觀點，從二人群體轉(zhuǎn)變?yōu)橥耆P(guān)聯(lián)的三人群體有三個基本目的：減少對個人自身利益的追逐；削弱個人的議價能力；促進(jìn)合作，解決沖突。在跨組織邊界、跨部門的人際關(guān)系互動中，這些特征尤為明顯。對小群體結(jié)構(gòu)這種微觀互動過程的研究，有助于理解、解釋宏觀的社交網(wǎng)絡(luò)特征。

Granovetter把關(guān)系強(qiáng)度的測量定義了四個維度：交互頻率、情感強(qiáng)度、親密程度和互惠交換。按照這個定義，朋友、家人和親密的同事之間是強(qiáng)關(guān)系，這些關(guān)系的特點是雙方互相強(qiáng)烈信任和頻繁溝通。弱關(guān)系是熟人之間的關(guān)系，這些關(guān)系具有較低的信任障礙，更易于維護(hù)。弱關(guān)系為社交網(wǎng)絡(luò)中新信息的流動提供了重要途徑（David & Jon， 2012），因為強(qiáng)聯(lián)系之間溝通頻繁，更有可能使強(qiáng)關(guān)系相連的各方獲得相同的信息。例如，隨著時間的推移，同一所高校的物理教師可以通過相互交流和資源共享獲得大量相同的背景知識。然而，與其他物理教師的聯(lián)系薄弱可能會使他們面臨缺少改進(jìn)研究的新思路和新方法的問題。

弱關(guān)系具有廣泛性、異質(zhì)性、中介性和非結(jié)構(gòu)化的特點，由于形成弱關(guān)系的個體基數(shù)大，所以其產(chǎn)生的幾率非常高，但存在弱關(guān)系的個體之間差異性也較大，因此可以在不同群體之間建立紐帶聯(lián)系，橋接不同群體或子群并成為向網(wǎng)絡(luò)不同部分傳遞信息的角色（Wang， Lu， & Ester， 2016）。弱關(guān)系在信息傳遞和人際交往方面具有非常重要的作用，作為充當(dāng)信息傳遞的橋（bridge）和捷徑（local bridge）。其中，橋和捷徑的定義如下：如圖1所示，已知A和B相連，若去掉連接A和B的邊導(dǎo)致A和B分屬不同的連通分量，則該邊稱為橋，橋是A、B間唯一路徑；若邊A-B的端點A和B沒有共同朋友，則稱邊A-B為捷徑，刪除A-B邊將把A與B的距離（即跨度）增加至2以上。endprint

在弱關(guān)系理論基礎(chǔ)上發(fā)展而來的三元閉包原理和結(jié)構(gòu)洞理論揭示了社會網(wǎng)絡(luò)演化的基本結(jié)構(gòu)性原因。在社會網(wǎng)絡(luò)中，如果兩個互不認(rèn)識的人有一個共同的朋友，那么這兩個人將來可能因為某些因素（如互動機(jī)會、增強(qiáng)信任、交友動機(jī)等）成為朋友的可能性會大大提高，這種三者關(guān)系稱之為三元閉包，同時也稱這個共同的朋友在該網(wǎng)絡(luò)中占據(jù)了一個結(jié)構(gòu)洞。三元閉包是從網(wǎng)絡(luò)靜態(tài)分析到演變分析的轉(zhuǎn)變，可以聚集系數(shù)作為衡量：某一節(jié)點的聚集度定義為該節(jié)點的任意兩個朋友彼此也是朋友的概率，某節(jié)點附近三元閉包越多，其聚集系數(shù)就越大（Chakraborty， Srinivasan， & Ganguly， 2016）。

四、虛擬學(xué)習(xí)社區(qū)的網(wǎng)絡(luò)交互分析

虛擬學(xué)習(xí)社區(qū)的分析方法有不同的流派，例如有以Granovetter為代表的通過網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)建和模型分析來測量社會網(wǎng)絡(luò)對個人行為的影響，還有的基于聚類分析、馬爾科夫鏈、隨機(jī)過程等理論進(jìn)行數(shù)據(jù)挖掘分析。薛瑋煒（2015）認(rèn)為在學(xué)習(xí)社區(qū)的網(wǎng)絡(luò)形態(tài)演進(jìn)過程中，從以單向傳播為主的傳統(tǒng)門戶網(wǎng)站，到以關(guān)系連接為核心的社交網(wǎng)站以及以簡書、知乎和微信公眾平臺等自媒體為代表的以大眾精英為關(guān)系核心的新網(wǎng)絡(luò)媒體，分別形成了人際關(guān)系的中心化、去中心化和再中心化現(xiàn)象。虛擬學(xué)習(xí)社區(qū)也和其他社會網(wǎng)絡(luò)一樣，信息本身的性質(zhì)和網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)所體現(xiàn)的關(guān)系強(qiáng)度成為網(wǎng)絡(luò)信息傳播的重要影響因素。

（一）關(guān)系網(wǎng)絡(luò)的構(gòu)建

在虛擬學(xué)習(xí)社區(qū)中，學(xué)習(xí)者之間的信息關(guān)聯(lián)基于互動信息行為，主要表現(xiàn)為成員之間的相互評論、轉(zhuǎn)載、關(guān)注、引用等形式。通過對社區(qū)中這些群體互動行為的研究，可以發(fā)現(xiàn)群體內(nèi)成員之間的關(guān)系、衡量一個群體的緊密程度、測量群體中個體的影響力，還可以研究群體的活躍程度和成長趨勢，等等。網(wǎng)絡(luò)構(gòu)建與分析的算法比較多，大致可以分為兩大類：拓?fù)浣Y(jié)構(gòu)分析和信息傳播模型分析，如圖2所示。前者主要側(cè)重于社區(qū)內(nèi)部的節(jié)點性質(zhì)和節(jié)點關(guān)系的分析，后者更適用于輿情與傳播擴(kuò)散的研究，目的主要是為了發(fā)現(xiàn)并解釋人際關(guān)系對微觀信息傳播行為的影響，例如Zhuang K等（2016）對微博信息級聯(lián)與用戶影響力的分析。

本研究對兩種分析方法進(jìn)行了綜合運用，采用基于Python的NetworkX軟件包對虛擬學(xué)習(xí)社區(qū)網(wǎng)絡(luò)拓?fù)溥M(jìn)行建模并對節(jié)點交互進(jìn)行數(shù)據(jù)統(tǒng)計分析。NetworkX內(nèi)置了常用圖與復(fù)雜網(wǎng)絡(luò)分析算法，能夠幫助我們創(chuàng)建、處理和研究復(fù)雜網(wǎng)絡(luò)的結(jié)構(gòu)和信息傳播模型。本研究測試的社區(qū)數(shù)據(jù)來源于現(xiàn)有學(xué)習(xí)系統(tǒng)平臺（www.21train.cn）在專業(yè)技術(shù)人員網(wǎng)絡(luò)培訓(xùn)和學(xué)習(xí)中的實際應(yīng)用。

在網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的描述中，圖形中的節(jié)點表示社交網(wǎng)絡(luò)中一個個的用戶，邊表示用戶與用戶之間的關(guān)系，在數(shù)學(xué)上可以采用一個無向圖G=（V，E）來描述。其中，頂點表示用戶，邊表示它們之間的關(guān)系連接。因為本研究需要對這些關(guān)系強(qiáng)度進(jìn)行區(qū)分，因此為每條邊賦予了一個權(quán)重，即產(chǎn)生一個加權(quán)網(wǎng)絡(luò)，使用節(jié)點之間發(fā)生交互行為的頻率作為權(quán)重大小，權(quán)重值越大表示關(guān)系強(qiáng)度越大。一個加權(quán)網(wǎng)絡(luò)也可以用鄰接矩陣來表示，只不過矩陣的元素Wij的值不是0或1，而是與之對應(yīng)的邊權(quán)重值；值越大，說明節(jié)點和節(jié)點之間的連接越緊密，產(chǎn)生知識交互的可能性越大；反之則說明節(jié)點和節(jié)點之間的連接越稀疏，知識交互的可能性越?。▌?， 等， 2015）。

在現(xiàn)實社會網(wǎng)絡(luò)中，個人之間的關(guān)系以及交互方式有很多種，而不同的社交網(wǎng)絡(luò)平臺允許用戶用不同類型的連接來定義彼此之間的關(guān)系。例如在微博中，用戶可以使用“關(guān)注”來表達(dá)自己是被關(guān)注對象的追隨者，可以使用“轉(zhuǎn)發(fā)”來傳播及擴(kuò)散被關(guān)注者發(fā)布的內(nèi)容，并可以“回復(fù)”和“提及”他們。最近已經(jīng)有研究開始評估有向網(wǎng)絡(luò)背景下的弱關(guān)系性質(zhì)及信息傳播模式，但Granovetter最初所定義的弱關(guān)系更著重于交互頻率、情感強(qiáng)度、親密程度等概念，認(rèn)為關(guān)系的連接是無向的。由于本研究用權(quán)重來表達(dá)關(guān)系的強(qiáng)度，研究重點主要集中在弱關(guān)系對社區(qū)網(wǎng)絡(luò)交互的影響，這里可以認(rèn)為加權(quán)無向圖形表示的網(wǎng)絡(luò)是弱關(guān)系理論定量驗證的最適當(dāng)設(shè)置，暫時不引入可能在評估中產(chǎn)生偏差的附加參數(shù)。

（二）基于加權(quán)網(wǎng)絡(luò)的社區(qū)劃分

在社交網(wǎng)絡(luò)分析中，通常將內(nèi)部連接比較緊密的節(jié)點子集合對應(yīng)的子圖叫作社區(qū)，也稱社群或子群（后文統(tǒng)稱“子群”），各子群節(jié)點集合彼此沒有交集的稱為非重疊型子群，有交集的稱為重疊型子群。橋和捷徑的特性是被刪除時將導(dǎo)致兩個節(jié)點不能通過有效的替代路徑進(jìn)行連接，當(dāng)兩個節(jié)點屬于不同子群時，它們之間的連接可以一個是橋或捷徑。至少在大型社交網(wǎng)絡(luò)的背景下，這是一個合理的假設(shè)，因為Goldberg等（2011）已研究證明連接不同子群的邊是網(wǎng)絡(luò)交互的瓶頸，而它們的迭代刪除容易導(dǎo)致網(wǎng)絡(luò)的分裂。從社區(qū)結(jié)構(gòu)的角度來看，刪除弱關(guān)系的效果將比去除強(qiáng)關(guān)系更具破壞性。

在此，首先需要將學(xué)習(xí)社區(qū)交互網(wǎng)絡(luò)劃分子群結(jié)構(gòu)，找到不同子群的節(jié)點，并對其關(guān)系特性進(jìn)行分析。社區(qū)發(fā)現(xiàn)算法中使用較多的是Blondel（2008）提出的Louvain方法，其主要優(yōu)點是在處理大型網(wǎng)絡(luò)時能得到非常準(zhǔn)確的結(jié)果。算法的輸入是加權(quán)網(wǎng)絡(luò)G=（V，E，W），W是與每個邊相關(guān)聯(lián)的權(quán)重。如圖3所示，Louvain算法由兩個迭代重復(fù)的階段組成。第一個階段：對于每個節(jié)點，考慮的鄰居；對于每個相鄰節(jié)點，Louvain算法計算通過從社區(qū)中移除并將其放置在的社區(qū)中所可能發(fā)生的模塊度增益，頂點將被放置在該增益達(dá)到其最大值的子群中。當(dāng)然，如果不可能實現(xiàn)正增益，頂點將保留在其原始子群。當(dāng)對所有節(jié)點按順序進(jìn)行遍歷并且增益為最大后，結(jié)束第一階段。模塊度定義如公式1所示，其中Aij是連接和的邊的權(quán)重，和分別是節(jié)點和所屬邊的權(quán)重總和，表示節(jié)點所屬的子群。最初，每個頂點將形成一個子群，即初始狀態(tài)在中有與頂點一樣多的子群。

（1）

模塊度增益的計算公式如公式2所示，并且可以簡化為公式3：

（2） （3）endprint

Louvain算法的第二階段會產(chǎn)生一個新的加權(quán)網(wǎng)絡(luò)，其節(jié)點與第一階段中識別的子群重合。連接中的兩個節(jié)點和，并且邊的權(quán)重等于對應(yīng)于和的子群中的節(jié)點之間的邊權(quán)重總和。同樣遍歷所有節(jié)點完成第二階段，重復(fù)這兩個階段，直到獲得的子群結(jié)構(gòu)沒有變化。

這里選擇Louvain算法不僅僅因為其計算效率，還因為它具有三個不錯的特性：它產(chǎn)生一個子群的層次結(jié)構(gòu)，并且層次結(jié)構(gòu)的第級別對應(yīng)于次迭代后發(fā)現(xiàn)的子群集合；算法中開銷最大的部分是將節(jié)點從一個子群移動到另一個子群獲得的增益的評估，作者提供了一種有效的公式來進(jìn)行快速計算；算法輸出穩(wěn)定并且適用于大型網(wǎng)絡(luò)。

（三）學(xué)習(xí)社區(qū)中弱關(guān)系特性分析

Granovetter將弱關(guān)系理論與社交網(wǎng)絡(luò)的結(jié)構(gòu)相關(guān)聯(lián)，學(xué)習(xí)社區(qū)中消息的傳播與知識的擴(kuò)散受到學(xué)習(xí)者與其他人關(guān)系強(qiáng)弱的影響，并且這種關(guān)系可以通過其在網(wǎng)絡(luò)中的位置來表征。弱關(guān)系可以是子群之間的橋梁（如圖4所示），對于通過網(wǎng)絡(luò)傳播新信息很重要，其連接不同群體而具備獲取新信息的優(yōu)勢，而強(qiáng)關(guān)系大多位于子群內(nèi)部（Ferrara， 2012）。

學(xué)習(xí)社區(qū)中的知識傳播與消息擴(kuò)散事件表現(xiàn)在網(wǎng)絡(luò)中的具體行為即轉(zhuǎn)發(fā)、提及和回復(fù)等操作。兩個用戶之間交流的意見越多則收獲越多，彼此之間的聯(lián)系也就越強(qiáng)烈，但這些操作所代表的交互方式是不同的，本研究對此進(jìn)行了統(tǒng)計分析，以研究關(guān)系強(qiáng)度與交互類型的依賴關(guān)系。如圖5（a）所示，定義縱坐標(biāo)比率r為給定位置中具有指定類型交互的次數(shù)除以該節(jié)點的總交互次數(shù)，這里將“轉(zhuǎn)發(fā)”和“提及”兩種不同類型的交互比率進(jìn)行比較發(fā)現(xiàn)，子群內(nèi)部的交互更多的是“提及”，子群之間的消息傳遞更多的是“轉(zhuǎn)發(fā)”，這種現(xiàn)象與弱關(guān)系理論的預(yù)測一致：在虛擬學(xué)習(xí)社區(qū)中，當(dāng)雙方對于某一知識點的頻繁討論產(chǎn)生更多的“回復(fù)”和“提及”聯(lián)系時，通常意味著兩者具有共同的知識背景和相同的學(xué)習(xí)興趣，發(fā)生這種交互的節(jié)點通常屬于同一個子群，具有強(qiáng)關(guān)系的特點；“轉(zhuǎn)發(fā)”的主要目的是消息的擴(kuò)散和傳播，根據(jù)Chiu等（2013）的分析，弱關(guān)系連接子群的多樣性使其承擔(dān)了更多的轉(zhuǎn)發(fā)，在虛擬學(xué)習(xí)社區(qū)中象征著新知識的傳遞，這意味著更有效的信息流。特別是如圖5（b）所示，當(dāng)一個節(jié)點連接的子群數(shù)量越多，其轉(zhuǎn)發(fā)行為的發(fā)生幾率越高。

（四）弱關(guān)系在知識交互中的效率分析

為進(jìn)一步分析弱關(guān)系對知識交互的影響和作用，更深入地理解發(fā)生在虛擬學(xué)習(xí)社區(qū)中的傳播行為，本研究采用如下信息傳播模型在該社區(qū)的關(guān)系網(wǎng)絡(luò)中進(jìn)行仿真測試：

（1）讓節(jié)點i在時間點T=0發(fā)布網(wǎng)絡(luò)信息I，并初始化網(wǎng)絡(luò)中所有節(jié)點的感知狀態(tài)為0；

（2）發(fā)布信息后，節(jié)點i的感知狀態(tài)設(shè)置為1，即接收到消息；

（3）查找所有狀態(tài)為0的鄰居節(jié)點F（Vi），并計算鄰居節(jié)點j的關(guān)系強(qiáng)度tij（本研究設(shè)為與交互頻率平均值的比值），設(shè)定閾值θ，如果tij>θ則將節(jié)點j加入強(qiáng)關(guān)系列表L；如果tij<θ則加入弱關(guān)系列表W。然后分別采用不同的策略對消息進(jìn)行轉(zhuǎn)發(fā)，并將轉(zhuǎn)發(fā)成功的節(jié)點狀態(tài)設(shè)置為1；

（4）重復(fù)執(zhí)行步驟3，每次重復(fù)就將時間增加一個單位，如T=T+1，直到達(dá)到最大時間限制Tmax。

在仿真測試中，通過隨機(jī)選擇網(wǎng)絡(luò)中的節(jié)點作為擴(kuò)散信息源來執(zhí)行1，000個傳播請求并計算模擬結(jié)果的平均值。對于每次模擬，隨著權(quán)重閾值θ的增加，每個節(jié)點的弱關(guān)系數(shù)量將增加，強(qiáng)關(guān)系數(shù)將減少。為了研究θ的變化如何影響傳播的性能，本研究設(shè)置了五種轉(zhuǎn)發(fā)策略：

P1：選擇弱關(guān)系列表中關(guān)系強(qiáng)度最小的節(jié)點；

P2：隨機(jī)選擇弱關(guān)系列表中的節(jié)點；

P3：選擇弱關(guān)系列表中關(guān)系強(qiáng)度最大的節(jié)點；

P4：優(yōu)先選擇弱關(guān)系列表中與其他子群有最多關(guān)聯(lián)的節(jié)點；

P5：選擇強(qiáng)關(guān)系列表中強(qiáng)度最大的節(jié)點來轉(zhuǎn)發(fā)信息，該策略主要用于比較。

這里通過計算消息傳播的覆蓋率來衡量知識交互的效率。M是每次轉(zhuǎn)發(fā)使用的消息數(shù)，U是每個請求所能達(dá)到的唯一節(jié)點數(shù)，c的數(shù)值范圍在0到1之間。較高的值表示消息可以通過網(wǎng)絡(luò)有效地傳播，而不需要太多額外的消息成本。相反，較低的值表示消息沒有通過網(wǎng)絡(luò)有效地擴(kuò)散。

圖6顯示了關(guān)系強(qiáng)度閾值增加時虛擬學(xué)習(xí)社區(qū)中的信息傳播模擬實驗結(jié)果，數(shù)值表明隨著的增加，弱關(guān)系的強(qiáng)度差別對消息傳播效率有一定的影響，同時也證明了連接子群之間的關(guān)系大部分為弱關(guān)系。策略P1始終選擇數(shù)值最小的弱關(guān)系，閾值的變化基本對其沒有影響；策略P5由于將消息的擴(kuò)散局限在強(qiáng)關(guān)系范圍內(nèi)，導(dǎo)致相同消息數(shù)量所傳遞到的獨立節(jié)點數(shù)量減少較多；策略P4則相對略有增加?？梢詫⒋爽F(xiàn)象理解為，虛擬學(xué)習(xí)社區(qū)中存在溝通較少的邊緣節(jié)點，如果交互僅僅存在于強(qiáng)關(guān)系節(jié)點之間，會使交互行為發(fā)生的整體概率大大降低，而連接子群的關(guān)系大部分為弱關(guān)系，但在交互頻率上并不一定是最低的，存在一定的區(qū)間變化。

五、結(jié)語

本研究基于弱關(guān)系理論采用社會網(wǎng)絡(luò)分析方法對虛擬學(xué)習(xí)社區(qū)的結(jié)構(gòu)性質(zhì)和消息傳播模式進(jìn)行分析，探索了關(guān)系強(qiáng)度如何影響知識互動的過程和結(jié)果。過去的研究已表明弱關(guān)系在信息擴(kuò)散方面具有重要作用，本研究的數(shù)據(jù)顯示學(xué)習(xí)社區(qū)中的弱關(guān)系同樣至關(guān)重要，不同類型的弱關(guān)系對傳播效率的影響存在差異，當(dāng)一個網(wǎng)絡(luò)子群較多時，選擇一個與其他子群關(guān)聯(lián)最多的節(jié)點能對傳播效率產(chǎn)生最有效的結(jié)果。虛擬學(xué)習(xí)社區(qū)中拓?fù)潢P(guān)系的演化具有規(guī)則與隨機(jī)混合的復(fù)雜性，探索和發(fā)現(xiàn)社區(qū)中隱含的微觀結(jié)構(gòu)以及交互行為規(guī)律對提高整體學(xué)習(xí)效率和進(jìn)行個性化學(xué)習(xí)推薦有很大的幫助，如何與其他網(wǎng)絡(luò)分析方法結(jié)合，對不同類型的虛擬社區(qū)進(jìn)行更細(xì)致的比較分析是本研究下一步的研究重點。

[參考文獻(xiàn)]

胡欽太. 2005. 關(guān)于虛擬學(xué)習(xí)社區(qū)的幾個問題探討[J]. 中國電化教育（6）：26-29.

蔣偉麗. 2014. 虛擬學(xué)習(xí)社區(qū)在教師教學(xué)和管理中的指導(dǎo)作用[D]. 武漢：華中師范大學(xué).endprint

李敏. 2015. 虛擬學(xué)習(xí)社區(qū)成員互動的知識建構(gòu)效果分析——以“大數(shù)據(jù)與信息傳播”課程討論區(qū)為例[D]. 揚州：揚州大學(xué).

劉瑤，康曉慧，高紅，等. 2015. 基于節(jié)點親密度和度的社會網(wǎng)絡(luò)社團(tuán)發(fā)現(xiàn)方法[J]. 計算機(jī)研究與發(fā)展52（10）：2363-2372.

王志軍，陳麗，韓世梅. 2016. 遠(yuǎn)程學(xué)習(xí)中學(xué)習(xí)環(huán)境的交互性分析框架研究[J]. 中國遠(yuǎn)程教育（12）：37-42.

薛瑋煒. 2015. 基于標(biāo)簽本體的虛擬社區(qū)信息交互活動研究——以人際關(guān)系網(wǎng)絡(luò)為視角[J]. 情報雜志（10）：170-174.

Barab， S.， Thomas， M.， & Dodge T. （2005）. Making Learning Fun： Quest Atlantis， a Game without Guns. Educational Technology Research and Development， 53（1）， 86-107.

Blondel， V. D.， Guillaume， J. L.， & Lambiotte， R. （2008）. Fast unfolding of communities in large networks. Journal of Statistical Mechanics Theory & Experiment， （10）， 155-168.

Chakraborty， T.， Srinivasan， S.， & Ganguly， N. （2016）. Permanence and Community Structure in Complex Networks. Acm Transactions on Knowledge Discovery from Data， 11（2）， 14.

Chan， K. K.， & Chan， Y. Y. （2011）. Students views of collaboration and online participation in Knowledge Forum. Computers & Education， 57（1）， 1445-1457.

Chiu， H. Y.， & Chen， S. M. （2013）. Propagating online social networks via different kinds of weak ties. International Conference on Advances in Social Networks Analysis and Mining， 1189-1195.

David， E.， & Jon， K. （2012）. Networks， Crowds， and Markets： Reasoning About a Highly Connected World[M]. Cambridge University Press.

Ferrara， E. （2012）. Community structure discovery in Facebook. International Journal of Social Network Mining， 1（1）， 67-90.

Fredricks， J. A.， Blumenfeld， P. C.， & Paris， A. H. （2004）. School Engagement： Potential of the Concept， State of the Evidence. Review of Educational Research， 74（1）， 59-109.

Garrison， D. R.， Anderson， T.， & Archer， W. （1999）. Critical Inquiry in a Text-Based Environment： Computer Conferencing in Higher Education. Internet & Higher Education， 2（2-3）， 87-105.

Goldberg， M.， Magdonismail， M.， & Nambirajan， S. （2011）. Tracking and Predicting Evolution of Social Communities. IEEE Third International Conference on Privacy， Security， Risk and Trust， 780-783.

Granovetter， M. S. （1994）. Getting a Job： A Study in Contacts and Careers[M]. University of Chicago Press.

Kearsley， G.， & Shneiderman， B. （1998）. Engagement Theory： A Framework for Technology-Based Teaching and Learning. Educational Technology， 38（5）， 20-23.

Kirschner， P. A. （2007）. Can we support CSCL？ Educational， Social and Technological Affordances for Enjoyable Learning. Power of Media in Education， 1-47.

Lin， H.， Fan， W.， & Wallace， L. （2007）. An Empirical Study of Web-Based Knowledge Community Success. Hawaii International Conference on System Sciences， 178-188.endprint

（下轉(zhuǎn)第30頁）

Lu， J.， & Churchill， D. （2014）. The effect of social interaction on learning engagement in a social networking environment. Interactive Learning Environments， 22（4）， 1-17.

Rovai， A. P. （2002）. Sense of community， perceived cognitive learning， and persistence in asynchronous learning networks. Internet & Higher Education， 5（4）， 319-332.

Simmel， G. （1998）. On the Sociology of the Family. Theory， Culture & Society： Explorations in Critical Social Science， 15（3）， 283-293.

Wang， X.， Lu， W.， & Ester， M. （2016）. Social Recommendation with Strong and Weak Ties. ACM International on Conference on Information and Knowledge Management， 5-14.

Warburton， S. （2009）. Second Life in higher education： Assessing the potential for and the barriers to deploying virtual worlds in learning and teaching. British Journal of Educational Technology， 40（3）， 414–426.

Wiener， D. N. （1948）. Subtle and obvious keys for the Minnesota Multiphasic Personality Inventory. Journal of Consulting Psychology， 12（3）， 164-170.

Zhuang， K.， Shen， H.， & Zhang， H. （2016）. User spread influence measurement in microblog. Multimedia Tools & Applications， 1-17.

收稿日期：2017-04-23

定稿日期：2017-05-29

作者簡介：吳笛，博士，講師；李保強(qiáng)，博士，教授，博士生導(dǎo)師；蔡運荃，博士研究生。武漢大學(xué)教育科學(xué)研究院（430072）。

責(zé)任編輯 劉 莉endprint