探析深度學(xué)習(xí)表征的一種新方法：社會認(rèn)知網(wǎng)絡(luò)特征（SENS）*

冷 靜 徐浩鑫

（1.華東師范大學(xué) 教育學(xué)部 教育信息技術(shù)學(xué)系；2.華東師范大學(xué) 上海數(shù)字化教育裝備工程技術(shù)研究中心，上海200062）

一、引言

隨著人工智能時(shí)代的到來，當(dāng)今社會越來越需要具備跨界融合、創(chuàng)新能力的人才；而全球各國之間激烈的經(jīng)濟(jì)與科技競爭，對于強(qiáng)化智能基礎(chǔ)教育的呼聲也日益增高。 為了更好地培養(yǎng)智能時(shí)代的人才，必須改變傳統(tǒng)的停留于淺表學(xué)習(xí)的教學(xué)模式， 采取能夠促進(jìn)學(xué)生積極參與解決復(fù)雜問題的教學(xué)模式。 深度學(xué)習(xí)強(qiáng)調(diào)對學(xué)生的高階認(rèn)知目標(biāo)和高階思維能力的培養(yǎng)[1]，并注重學(xué)生的行為和情感等方面的投入，幫助學(xué)生構(gòu)建復(fù)雜的認(rèn)知結(jié)構(gòu)，是一種主動且有意義的學(xué)習(xí)[2]。目前，對深度學(xué)習(xí)的效果研究大多是采用問卷或測試題的方式進(jìn)行[3-4]。 這些評價(jià)方式往往都是結(jié)果性的測評，而非對過程進(jìn)行分析[5]。 換句話說，這種測評是對深度學(xué)習(xí)的不同維度分別進(jìn)行評價(jià)， 是一種“分散式”的測評。 然而，深度學(xué)習(xí)是一種強(qiáng)調(diào)綜合性的學(xué)習(xí)方式，應(yīng)該對各個(gè)維度進(jìn)行綜合考慮。 而如何對深度學(xué)習(xí)所關(guān)注的這些維度進(jìn)行全面的、 綜合的、動態(tài)的評估，仍是一個(gè)亟待解決的問題[6]。

為了更好地探尋深度學(xué)習(xí)表征的新路徑，我們引入一種結(jié)合了定性和定量分析的新研究方法——社會認(rèn)知網(wǎng)絡(luò)特征（Social Epistemic Network Signature，SENS）。 首先，通過對相關(guān)研究的梳理，論證了SENS與深度學(xué)習(xí)的契合關(guān)系，接著，提出了SENS 在深度學(xué)習(xí)中的一般應(yīng)用步驟，然后，通過兩個(gè)案例對SENS的應(yīng)用進(jìn)行介紹，最后，給出使用SENS 的一些經(jīng)驗(yàn)與建議。 在當(dāng)今大數(shù)據(jù)背景下，依靠SENS 中的統(tǒng)計(jì)方法能夠較好地對定量數(shù)據(jù)進(jìn)行表征，發(fā)現(xiàn)有意義的深度學(xué)習(xí)模式，從而提供了一種新的途徑來探析深度學(xué)習(xí)，并提供智能化的教學(xué)策略。

二、相關(guān)理論

（一）深度學(xué)習(xí)

隨著知識經(jīng)濟(jì)和信息時(shí)代的飛速發(fā)展， 深度學(xué)習(xí)越來越受到國內(nèi)外教育研究者的重視與關(guān)注[7-8]。Marton 等人早在1976 年就提出教育領(lǐng)域中深度學(xué)習(xí)的概念[9]，他們根據(jù)學(xué)生的信息加工方式，指出學(xué)生的學(xué)習(xí)有深度學(xué)習(xí)和淺層學(xué)習(xí)之分。 2012 年，美國國家研究委員會（National Research Council，NRC）在對深度學(xué)習(xí)的定義中， 強(qiáng)調(diào)知識與技能的可遷移性，并將深度學(xué)習(xí)能力分成三個(gè)維度：認(rèn)知領(lǐng)域、人際領(lǐng)域和個(gè)人領(lǐng)域[10]。 還有一些研究者開展了面向深度學(xué)習(xí)的項(xiàng)目， 旨在探究教學(xué)策略對深度學(xué)習(xí)的促進(jìn)作用[11]。 此外，美國研究院進(jìn)行了一個(gè)實(shí)驗(yàn)項(xiàng)目， 其研究目標(biāo)是調(diào)查分析實(shí)驗(yàn)學(xué)校培養(yǎng)學(xué)生六種深度學(xué)習(xí)能力（包括掌握核心學(xué)科知識、批判性思維和復(fù)雜問題解決、團(tuán)隊(duì)協(xié)作、有效溝通、學(xué)會學(xué)習(xí)、學(xué)術(shù)毅力）的策略與途徑，以及這些培養(yǎng)策略與途徑所帶來的學(xué)習(xí)結(jié)果[12]。 基于前人的研究，祝智庭等人將深度學(xué)習(xí)的六種能力分別對應(yīng)到三大領(lǐng)域， 得到了如表1 所示的深度學(xué)習(xí)能力框架[13]。

表1 深度學(xué)習(xí)的能力框架

雖然現(xiàn)階段我們對深度學(xué)習(xí)的定義和內(nèi)涵，已經(jīng)有了較為清晰的界定， 但對如何區(qū)分學(xué)生的認(rèn)知深度，仍需要進(jìn)一步探究。 例如，在進(jìn)行深度學(xué)習(xí)的效果分析時(shí)，認(rèn)知領(lǐng)域可使用PISA 測試評估學(xué)生的批判性思維和問題解決等能力， 使用英語語言藝術(shù)和數(shù)學(xué)測試（ELA）來評估學(xué)生的核心學(xué)科知識掌握情況；在人際和個(gè)人領(lǐng)域，可使用問卷調(diào)查的方式來獲取關(guān)于人際和個(gè)人能力方面的數(shù)據(jù)[14]。 陳蓓蕾等人在探究促進(jìn)大學(xué)生深度學(xué)習(xí)的研究中， 也采用了問卷和測試題的方式[15]。 這些評估方式固然能夠在一定程度上對深度學(xué)習(xí)效果進(jìn)行分析，但是，如何對深度學(xué)習(xí)的過程進(jìn)行動態(tài)的捕捉及分析， 以及如何對深度學(xué)習(xí)的三個(gè)領(lǐng)域進(jìn)行綜合的評估與分析，仍需要進(jìn)一步的研究。

（二）社會網(wǎng)絡(luò)分析

為了探究深度學(xué)習(xí)的人際領(lǐng)域， 可使用社會網(wǎng)絡(luò)分析（Social Network Analysis，SNA）的方法來進(jìn)行挖掘。SNA 是對學(xué)習(xí)者之間關(guān)系的研究，是一種用來分析人際之間關(guān)系的理論和方法， 它強(qiáng)調(diào)人與人之間的普遍聯(lián)系， 可以對個(gè)體或群體的社交特征進(jìn)行分析。 它使用不同的特征值來評價(jià)在社會網(wǎng)絡(luò)中的個(gè)體，如，點(diǎn)度中心度、接近中心度、中間中心度、特征向量中心度等[16]。 這些特征值，能夠?qū)Ω鞣N社會關(guān)系進(jìn)行精確的量化表征和分析，從而揭示其結(jié)構(gòu)，并對其產(chǎn)生的各種現(xiàn)象進(jìn)行更加深刻而具體的解釋，能夠反映出不同個(gè)體在同一個(gè)社會網(wǎng)絡(luò)中的人際交流和溝通情況。有研究表明，SNA 的一些特征值與學(xué)習(xí)成績、創(chuàng)新潛力和社群意識等結(jié)果正相關(guān)[17-18]。 此外，SNA 還可以識別出與社交網(wǎng)絡(luò)其他部分相比具有更強(qiáng)聯(lián)系的參與者群體， 這種對社會網(wǎng)絡(luò)中的個(gè)體進(jìn)行群體劃分的方法，稱之為社群識別。所識別出來的社群里的個(gè)體，通常具有相類似的特征，這將有助于我們深入了解網(wǎng)絡(luò)形成的過程。因此，深度學(xué)習(xí)中的團(tuán)隊(duì)協(xié)作能力和人際溝通能力， 可以通過學(xué)習(xí)者在社會網(wǎng)絡(luò)中的特征值進(jìn)行分析。

雖然，SNA 能夠?qū)ι疃葘W(xué)習(xí)中的人際領(lǐng)域進(jìn)行分析，但僅使用這一方法，并不能準(zhǔn)確、清晰地對不同個(gè)體或群體進(jìn)行定位。學(xué)習(xí)者在學(xué)習(xí)的過程中，其社會網(wǎng)絡(luò)會受到共享的信息類型、 傳播內(nèi)容以及社會與認(rèn)知過程激活等因素的影響[19]。 因此，在深度學(xué)習(xí)的研究中， 僅僅使用社會網(wǎng)絡(luò)分析來研究交流與協(xié)作的模式是不夠的， 還應(yīng)該加上對于交互內(nèi)容的分析。 缺乏內(nèi)容的社交網(wǎng)絡(luò)模型注定會失敗，因?yàn)?，群體互動從來都是和內(nèi)容相關(guān)的[20]。

（三）認(rèn)知網(wǎng)絡(luò)分析

在深度學(xué)習(xí)的認(rèn)知和個(gè)人領(lǐng)域， 可以使用認(rèn)知網(wǎng)絡(luò)分析（Epistemic Network Analysis，ENA）的方法來進(jìn)行分析。 ENA 通過對話語數(shù)據(jù)進(jìn)行定量分析，來描述個(gè)人或團(tuán)體的認(rèn)知框架模式[21]。 它是認(rèn)知框架學(xué)習(xí)科學(xué)理論的“操作化”[22]，著眼于復(fù)雜領(lǐng)域的專門知識，是知識、技能、價(jià)值和決策過程之間的連接網(wǎng)絡(luò)。 ENA 利用了行為交互、通信、認(rèn)知和其他相關(guān)的群體交互特征， 這些特征可以用在內(nèi)容分析中使用的適當(dāng)編碼方案來表征。具體地說，認(rèn)知網(wǎng)絡(luò)是通過使用分配給協(xié)作節(jié)點(diǎn)的差異元素的編碼來構(gòu)造的，其中，網(wǎng)絡(luò)的節(jié)點(diǎn)是編碼本身。 節(jié)點(diǎn)之間的連接基于相關(guān)分析單元內(nèi)的編碼的共現(xiàn)關(guān)系而建立。ENA 通過節(jié)點(diǎn)間連接的強(qiáng)度和網(wǎng)絡(luò)結(jié)構(gòu)的變化，來表征特征要素的發(fā)展變化，如，高績效團(tuán)隊(duì)與低績效團(tuán)隊(duì)的認(rèn)知網(wǎng)絡(luò)差異， 或高績效團(tuán)隊(duì)在不同時(shí)間的認(rèn)知網(wǎng)絡(luò)差異以及變化軌跡等。

雖然，ENA 提供了強(qiáng)大的機(jī)制來分析協(xié)作話語的相關(guān)特征之間的聯(lián)系， 但其不能針對以下問題進(jìn)行分析：對于學(xué)習(xí)者在活動中所扮演的角色、學(xué)習(xí)中形成的社會結(jié)構(gòu)、學(xué)習(xí)過程中創(chuàng)建的子社群、合作者之間形成聯(lián)系的原則等[23]。 然而，這些問題正是SNA可以進(jìn)行分析的。因此，為了更好地對深度學(xué)習(xí)進(jìn)行探究，我們需要結(jié)合SNA 和ENA，形成SENS 這樣一種能夠監(jiān)控和支持深度學(xué)習(xí)評估的網(wǎng)絡(luò)分析技術(shù)。 由此，既可以了解個(gè)體或群體的社會網(wǎng)絡(luò)，對其人際領(lǐng)域進(jìn)行分析； 也能夠更好地追蹤學(xué)習(xí)者的認(rèn)知網(wǎng)絡(luò)，對其認(rèn)知和自我領(lǐng)域進(jìn)行分析。

三、SENS 研究方法

SENS 最開始是由Dragan Ga?evic＇等人提出，用于對在線協(xié)作學(xué)習(xí)進(jìn)行研究[24]。 它將現(xiàn)有的分析技術(shù)系統(tǒng)地結(jié)合起來，以解決學(xué)習(xí)分析過程中存在的問題。 具體來說，首先，SENS 對學(xué)習(xí)者的社會交互關(guān)系進(jìn)行提取和建模，接著，利用該模型對學(xué)習(xí)者進(jìn)行社群的劃分，最后，利用認(rèn)知網(wǎng)絡(luò)分析不同社群的認(rèn)知網(wǎng)絡(luò)特征。 如，探究高績效社群與低績效社群的整體認(rèn)知網(wǎng)絡(luò)差異，并為低績效社群進(jìn)行相應(yīng)的干預(yù)和反饋等。

圖1 中展示了SENS 在深度學(xué)習(xí)中的一般應(yīng)用步驟。 首先，深度學(xué)習(xí)的人際領(lǐng)域可以使用SNA 的方法進(jìn)行分析，SNA 通過學(xué)習(xí)者之間的交互關(guān)系來構(gòu)建社會網(wǎng)絡(luò)， 用于分析學(xué)習(xí)者之間的人際交互關(guān)系[25]，探究他們在深度學(xué)習(xí)過程中的協(xié)同和溝通。 接著， 對于深度學(xué)習(xí)的認(rèn)知和自我領(lǐng)域， 可以使用ENA 的方法來分析，ENA 通過對協(xié)作的話語數(shù)據(jù)進(jìn)行內(nèi)容分析，從而動態(tài)地提取與認(rèn)知、知識和能力相關(guān)的網(wǎng)絡(luò)模型，并通過該模型，深度追蹤和分析學(xué)生的認(rèn)知架構(gòu)、狀態(tài)、聯(lián)系和發(fā)展歷程等內(nèi)隱信息[26]。雖然這兩種方法可以被用于對深度學(xué)習(xí)的分析，但它們的結(jié)合使用仍受到一些限制， 且尚未在網(wǎng)絡(luò)分析方法的水平上被提出。SENS 正是這樣一種新的結(jié)合了SNA 與ENA 的研究方法， 能夠較好地對應(yīng)深度學(xué)習(xí)的三個(gè)領(lǐng)域。 以在線學(xué)習(xí)平臺上的深度學(xué)習(xí)分析為例，平臺上記錄了大量的學(xué)習(xí)行為數(shù)據(jù)，如，學(xué)習(xí)者信息、在線討論數(shù)據(jù)、學(xué)習(xí)和認(rèn)知過程等。 對應(yīng)深度學(xué)習(xí)的三大領(lǐng)域， 表2 中列出了三個(gè)方面具體的數(shù)據(jù)選擇和處理方法。

（一）數(shù)據(jù)獲取

圖1 SENS 在深度學(xué)習(xí)中的一般應(yīng)用步驟

表2 深度學(xué)習(xí)三大領(lǐng)域及其對應(yīng)的數(shù)據(jù)選擇和處理方法

SENS 的第一步是進(jìn)行數(shù)據(jù)的獲取。 由于SENS需要進(jìn)行內(nèi)容分析和社會網(wǎng)絡(luò)分析，所以，必須在獲取數(shù)據(jù)的同時(shí)，得到學(xué)習(xí)者在學(xué)習(xí)活動中的話語數(shù)據(jù)和交互關(guān)系。 話語數(shù)據(jù)一般是指學(xué)習(xí)者的交流文本、語音或者視頻，即記錄了學(xué)習(xí)者交流內(nèi)容的數(shù)據(jù)，這些數(shù)據(jù)能夠反映學(xué)習(xí)者的認(rèn)知、知識和自我等方面的信息。 交互關(guān)系是指學(xué)生在交流溝通過程中的信息流向，如，學(xué)習(xí)者A 與學(xué)習(xí)者B 之間的一次對話， 或者學(xué)習(xí)者A 對學(xué)習(xí)者B 的一次回帖，這些交互信息需要被記錄下來以用于后面的社會網(wǎng)絡(luò)分析。 另外，SENS 需要盡可能地獲取到與學(xué)習(xí)者相關(guān)的其他信息，比如，學(xué)業(yè)成績、學(xué)習(xí)背景、學(xué)習(xí)意圖以及性別、年齡等人口統(tǒng)計(jì)數(shù)據(jù)，以便對學(xué)習(xí)者進(jìn)行更加深入細(xì)致的分析。 如，使用這些數(shù)據(jù)進(jìn)行更加精確的社群識別，或分析在學(xué)習(xí)過程中不同學(xué)習(xí)背景、不同年齡段或不同性別在深度學(xué)習(xí)各個(gè)領(lǐng)域的差異等。

（二）社會關(guān)系提取

SENS 的第二步是進(jìn)行社會關(guān)系的提取。為了研究學(xué)習(xí)者在深度學(xué)習(xí)活動中扮演的角色以及形成的社群， 需要提取一個(gè)有向加權(quán)圖來表示在討論過程中所發(fā)生的交互。具體來說，如果在給定的討論數(shù)據(jù)中，學(xué)習(xí)者A 回復(fù)了學(xué)習(xí)者B 發(fā)布的消息，那么，將會有一個(gè)定向邊A-＞B；同理，如果學(xué)習(xí)者C 回復(fù)了學(xué)習(xí)者A 的消息，也會有一個(gè)定向邊C-＞A；若是學(xué)習(xí)者A 再次回復(fù)了學(xué)習(xí)者B 的消息， 那么A-＞B 這條邊的權(quán)重增加1。 按照此方式，可以對所有學(xué)習(xí)者的話語數(shù)據(jù)進(jìn)行社會關(guān)系的提取。

（三）社會網(wǎng)絡(luò)的構(gòu)建

SENS 的第三步是社會網(wǎng)絡(luò)的構(gòu)建。在提取完社會關(guān)系之后，需要構(gòu)建社會網(wǎng)絡(luò)圖，然后，利用其進(jìn)行社群識別。 社群識別是指利用某種方法將網(wǎng)絡(luò)劃分成內(nèi)部聯(lián)系緊密、相互之間聯(lián)系稀疏的簇，每一個(gè)簇即代表一個(gè)社群，在同一個(gè)社群的成員，往往具備某些相似的特征。 常用的社群識別算法有Kernighan-Lin 算法、GN 算法、主題模型PLSA、Sim-Rank 算法、RankClus 算法、NetClus 算法以及Louvain 算法等。不同的算法各有優(yōu)劣，在使用時(shí)可根據(jù)需求進(jìn)行選擇。 在使用SENS 方法時(shí)，可以將一個(gè)社群當(dāng)作一個(gè)分析單元， 比較不同社群之間的差異和特點(diǎn)， 以充分反映不同社群群體在深度學(xué)習(xí)過程中認(rèn)知、知識和能力的發(fā)展情況。

此外，不同的SNA 度量可用于研究學(xué)習(xí)者在網(wǎng)絡(luò)和社群中所扮演的角色。 這些度量可以體現(xiàn)網(wǎng)絡(luò)結(jié)構(gòu)中心性的各個(gè)方面，如，加權(quán)度中心度、接近中心度、中介中心度和特征向量中心度等。加權(quán)度中心度是節(jié)點(diǎn)在網(wǎng)絡(luò)中所具有的邊的權(quán)重； 接近中心度解釋了節(jié)點(diǎn)控制網(wǎng)絡(luò)中通信的可能性， 測量給定節(jié)點(diǎn)到網(wǎng)絡(luò)中所有其他節(jié)點(diǎn)的距離， 也就是說它能夠度量節(jié)點(diǎn)與網(wǎng)絡(luò)中其他節(jié)點(diǎn)連接的可能性； 中介中心度也與控制通信有關(guān)， 它計(jì)算經(jīng)過一個(gè)點(diǎn)的最短路徑的數(shù)量，該數(shù)量越多，就說明它的中介中心度越高； 特征向量中心度根據(jù)該節(jié)點(diǎn)相鄰點(diǎn)的重要性來衡量該點(diǎn)的價(jià)值，也就是說，如果與該節(jié)點(diǎn)連接的節(jié)點(diǎn)越重要，則該節(jié)點(diǎn)也越重要。通過研究深度學(xué)習(xí)中的學(xué)習(xí)者在社會網(wǎng)絡(luò)中所扮演的角色， 能夠分析其人際領(lǐng)域的交流和溝通能力。

（四）內(nèi)容分析

SENS 的第四步是進(jìn)行內(nèi)容分析。內(nèi)容分析主要是分析學(xué)習(xí)者在學(xué)習(xí)過程中產(chǎn)生的討論記錄的常用技術(shù)。話語數(shù)據(jù)是一個(gè)豐富的協(xié)作信息來源，是關(guān)于學(xué)生參與的認(rèn)知、元認(rèn)知、動機(jī)和情感方面的數(shù)據(jù)，是除了自我報(bào)告之外，最全面的數(shù)據(jù)來源。 因此，使用內(nèi)容分析可以很好地研究學(xué)習(xí)者在深度學(xué)習(xí)過程中的認(rèn)知和個(gè)人領(lǐng)域的能力。 內(nèi)容分析主要使用一種編碼方案對話語數(shù)據(jù)進(jìn)行編碼， 這套編碼方案可以是常用的，也可以是最近提出的。而編碼的方式可以采用人工的方式進(jìn)行， 也可以是基于現(xiàn)有的編碼方案采用自動的方式進(jìn)行。 如，在數(shù)據(jù)量較少時(shí)，可以采用人工編碼的方式進(jìn)行，以確保編碼的信度與效度；而在數(shù)據(jù)量較大時(shí)，則可以使用機(jī)器學(xué)習(xí)的方法進(jìn)行自動編碼[27]。

（五）認(rèn)知網(wǎng)絡(luò)的構(gòu)建

SENS 的第五步是進(jìn)行認(rèn)知網(wǎng)絡(luò)的構(gòu)建。 根據(jù)SNA 識別所得到的社群， 可以將其按照目標(biāo)特征的不同，劃分到不同的組別，再根據(jù)不同的組別將編碼好的數(shù)據(jù)進(jìn)行劃分，最后利用ENA，生成不同社群的認(rèn)知網(wǎng)絡(luò)圖， 并比較不同社群的認(rèn)知網(wǎng)絡(luò)的特點(diǎn)與差異，進(jìn)而給出相應(yīng)的反饋建議。 國內(nèi)關(guān)于ENA具體的理論、步驟和方法已有較為詳細(xì)的介紹，其編碼的一般步驟，如圖2 所示[28-29]。

圖2 ENA 編碼與建模的一般步驟

（六）社會認(rèn)知網(wǎng)絡(luò)特征

在完成上述的步驟之后，還可以基于ENA 產(chǎn)生的SVD 值進(jìn)行聚類分析，根據(jù)聚類的結(jié)果，檢測之前的社群劃分是否正確，通過這樣反復(fù)驗(yàn)證的方式，能使研究更有說服力。 總的來說，SENS 從話語數(shù)據(jù)中進(jìn)行內(nèi)容分析和社會關(guān)系提取， 在執(zhí)行SNA 之前，會先基于社會關(guān)系創(chuàng)建一個(gè)社會網(wǎng)絡(luò)，以識別學(xué)習(xí)者扮演的角色和社群，在應(yīng)用ENA 之前，對話語數(shù)據(jù)進(jìn)行內(nèi)容分析，最后，根據(jù)SNA 和ENA 兩種分析方法的結(jié)果，對深度學(xué)習(xí)進(jìn)行探究。為了更好地對SENS 進(jìn)行介紹，我們將會通過兩個(gè)實(shí)際的案例，來闡釋該方法是如何在具體的研究中應(yīng)用的。

四、案例分析

我們將通過兩個(gè)案例來介紹SENS 在在線學(xué)習(xí)中探究深度學(xué)習(xí)的應(yīng)用。 案例一關(guān)注了一門大規(guī)模開放網(wǎng)絡(luò)課程（簡稱MOOC），通過分析在線協(xié)作數(shù)據(jù)，來解釋形成的社會聯(lián)系的協(xié)作過程，以及描述學(xué)習(xí)者高分組和低分組之間的差異[30]；案例二通過使用SENS 的方法，對在線學(xué)習(xí)論壇的數(shù)據(jù)進(jìn)行分析，并對學(xué)習(xí)者的批判性思維進(jìn)行深層次的研究， 以探究學(xué)習(xí)者的批判性思維發(fā)展軌跡[31]。

（一）SENS 用于網(wǎng)絡(luò)課程的深度學(xué)習(xí)分析

案例一數(shù)據(jù)來自Coursera 平臺上的MOOC 課程“Critical Thinking in Global Challenges”的論壇討論數(shù)據(jù)， 通過該課程論壇共收集了1989 名學(xué)生的6158（M=3.10，SD=7.07）條帖子。此外，還收集了學(xué)生的最終課程成績（即是否獲得證書）、人口統(tǒng)計(jì)等數(shù)據(jù)。 首先，使用SNA 方法提取了所有學(xué)生的社會關(guān)系，并構(gòu)建了社會網(wǎng)絡(luò)；接著，在包含了該網(wǎng)絡(luò)79%的節(jié)點(diǎn)和99%的邊的最大連接組件上執(zhí)行Louvain方法，共識別出19 個(gè)社群；最后，在分析了每個(gè)社群在年齡、性別、學(xué)術(shù)背景、學(xué)習(xí)意圖和最終課程成績等方面的差異后， 發(fā)現(xiàn)不同社群之間在平均最終課程成績上的差異是最明顯的（見圖3）。其中，社群3、11、17 的平均成績最高，而社群6、8、12 的平均成績最低，因此可以分別得到高分組和低分組。

圖3 所有社群的平均成績

為了研究學(xué)習(xí)者在網(wǎng)絡(luò)和社區(qū)中所扮演的角色，本案例獲取了常用的SNA 度量——加權(quán)度中心度、中介中心度和接近中心度，這些度量表征了網(wǎng)絡(luò)結(jié)構(gòu)中心性的各個(gè)方面。 表3 為高分組和低分組中每個(gè)社群的網(wǎng)絡(luò)中心性度量的描述性統(tǒng)計(jì)數(shù)據(jù)。

表3 高分組和低分組的網(wǎng)絡(luò)中心性度量的描述性統(tǒng)計(jì)數(shù)據(jù)

在進(jìn)行ENA 之前，本案例使用了自然語言處理中的LDA 方法， 對所有話語數(shù)據(jù)進(jìn)行了主題的提取， 共得到12 個(gè)主題 （包括與課程內(nèi)容相關(guān)的主題），如，能源（c.Energy）、人口（c.Population）、疾?。╟.Diseases）和批判性思維（c.Critical_thinking）等，以及與課程過程相關(guān)的主題，如，課程期望（p.Course_expectations） 和課程相關(guān)興趣（p.Course_related_interests）等，每一條帖子都被編碼為這12 個(gè)主題中的一個(gè)或多個(gè)。 在進(jìn)行ENA 時(shí)，本案例使用三個(gè)帖子為移動窗口構(gòu)建連接矩陣， 以高分組和低分組為分析單元，進(jìn)行認(rèn)知網(wǎng)絡(luò)的構(gòu)建，結(jié)果如圖4 所示，其中，淺色代表高分組，深色代表低分組。

圖4 高分組和低分組的認(rèn)知網(wǎng)絡(luò)質(zhì)心圖

由圖4 可知， 高分組的認(rèn)知網(wǎng)絡(luò)與低分組的認(rèn)知網(wǎng)絡(luò)，在統(tǒng)計(jì)上具有顯著差異（t（26）=-2.052，p=.045，cohen’s d=-0.55），這表明高分組與低分組的學(xué)習(xí)者在討論過程中的認(rèn)知網(wǎng)絡(luò)結(jié)構(gòu)是存在差異的，這些差異，可以通過兩者的認(rèn)知網(wǎng)絡(luò)圖來具體分析。

圖5 高分組和低分組的認(rèn)知網(wǎng)絡(luò)圖

圖5a 為高分組的認(rèn)知網(wǎng)絡(luò)圖，從圖中我們可以看出高分組的學(xué)生更關(guān)注課程過程， 他們在過程相關(guān)的主題（課程期望與課程相關(guān)興趣）之間，建立的聯(lián)系比內(nèi)容相關(guān)主題之間的聯(lián)系多。圖5c 顯示了低分組的認(rèn)知網(wǎng)絡(luò)， 可以看出低分組的學(xué)生在內(nèi)容相關(guān)的主題之間建立了更多的聯(lián)系。圖5b 是兩個(gè)社群之間的認(rèn)知網(wǎng)絡(luò)疊減圖， 通過對比兩組主題間的連接可以發(fā)現(xiàn)，雖然學(xué)習(xí)者都在課程相關(guān)興趣、課程期望、人性挑戰(zhàn)和批判性思維等主題上有連接，但高分組學(xué)習(xí)者比低分組學(xué)習(xí)者在這些主題之間的聯(lián)系更加緊密。

通過本案例我們可以發(fā)現(xiàn)，SENS 能夠被較好地運(yùn)用于對MOOC 的深度學(xué)習(xí)分析。 首先， 可以通過SNA 對學(xué)生進(jìn)行社群劃分， 這些社群的劃分由學(xué)習(xí)者之間的人際關(guān)系決定。個(gè)人的溝通能力和交際技能可以通過SNA 的屬性得到反映， 體現(xiàn)了深度學(xué)習(xí)的人際領(lǐng)域； 通過自然語言處理的方式進(jìn)行主題的提取，使得大量的話語數(shù)據(jù)可以自動編碼，再使用ENA能進(jìn)一步對高分組和低分組在認(rèn)知和個(gè)人領(lǐng)域的差異進(jìn)行分析。

（二）SENS 用于探究思維發(fā)展路徑的分析

案例二主要圍繞大學(xué)生的思維發(fā)展軌跡來展開研究。 來自華東地區(qū)一所大學(xué)的教育技術(shù)專業(yè)的27名學(xué)生參與了專業(yè)課《教學(xué)系統(tǒng)設(shè)計(jì)》的學(xué)習(xí)。 在為期一學(xué)期的學(xué)習(xí)里，他們需要通過在線協(xié)作，共同完成一個(gè)教學(xué)設(shè)計(jì)項(xiàng)目。項(xiàng)目分為三個(gè)階段，每個(gè)階段對應(yīng)著不同的任務(wù)，且從第一階段（P1）到第三階段（P3）逐步深入。在學(xué)期開始之前，所有學(xué)生都填寫了批判性思維技能和傾向兩份問卷。

在學(xué)期結(jié)束之后，首先，在線論壇上共收集到帖子數(shù)據(jù)809 條，每條數(shù)據(jù)包括學(xué)生ID、發(fā)帖時(shí)間、發(fā)帖內(nèi)容和父級帖子ID 等字段。 之后，由兩名研究人員對所有的帖子內(nèi)容進(jìn)行編碼， 他們編碼的一致性系數(shù)α=0.932。 所采用的批判性思維模型編碼模式，將批判性分為五個(gè)階段：識別/理解/分析/評估/創(chuàng)造，編碼分別為R/U/A/E/C[32]。 接著，使用SNA 的方法構(gòu)建了所有學(xué)生的社會網(wǎng)絡(luò)， 結(jié)合社群識別方法和學(xué)生批判性思維問卷得分得到兩個(gè)社群， 分別為高分組和低分組。通過對編碼數(shù)據(jù)進(jìn)行量化分析，獲得了兩組學(xué)生的批判性思維認(rèn)知網(wǎng)絡(luò)圖 （如圖6 所示），及其在不同階段中認(rèn)知網(wǎng)絡(luò)質(zhì)心的變化軌跡圖 （如圖7 所示）。 在這一案例中，認(rèn)知和自我領(lǐng)域體現(xiàn)為學(xué)生的批判性思維能力， 既包括問卷測出的批判性思維技能以及批判性思維傾向（自我領(lǐng)域），也包括討論中體現(xiàn)的在線批判性思考行為（認(rèn)知領(lǐng)域）。

圖6 高分組和低分組的批判性思維認(rèn)知網(wǎng)絡(luò)圖

圖6b 為高分組和低分組的認(rèn)知網(wǎng)絡(luò)疊減圖。圖中顏色代表的含義是， 如果高分組在某兩個(gè)編碼之間的連接強(qiáng)度大于低分組， 則連接這兩個(gè)編碼的邊即為淺色，反之為深色。 從圖中我們可以看出，高分組和低分組的認(rèn)知網(wǎng)絡(luò)結(jié)構(gòu)圖存在明顯差異， 且在C-A（創(chuàng)造—分析）和R-U（識別—理解）的連接上，高分組明顯強(qiáng)于低分組，而低分組在U-A（理解—分析）的連接上則強(qiáng)于高分組。 在圖6a 所示的高分組中， 各個(gè)編碼之間都存在較為強(qiáng)的連接， 而通過圖6c 可以發(fā)現(xiàn)，低分組僅在E-A、A-U 和U-E 上有較強(qiáng)的連接， 這揭示了高分組和低分組在運(yùn)用批判性思維時(shí)的整體差異。

圖7 所示是高分組和低分組在不同階段的認(rèn)知網(wǎng)絡(luò)質(zhì)心的變化軌跡圖。 從圖7a 中我們可以發(fā)現(xiàn)，高分組在三個(gè)階段（P1、P2、P3）的認(rèn)知網(wǎng)絡(luò)質(zhì)心是有顯著差異的，且具有一定的軌跡（如箭頭所示）。這表明高分組在三個(gè)階段運(yùn)用批判性思維時(shí)各有偏重，每個(gè)階段使用了不同的批判性思維元素。由圖7b 可知，低分組在三個(gè)階段的質(zhì)心較為集中，且彼此沒有顯著差異， 這表明低分組在不同階段運(yùn)用的批判性思維元素類似。 案例二中使用了SENS 對學(xué)生的批判性思維在線學(xué)生行為進(jìn)行分析，結(jié)果表明：高分組和低分組之間的批判性思維認(rèn)知網(wǎng)絡(luò)存在顯著差異，且高分組的批判性思維認(rèn)知網(wǎng)絡(luò)圖中的節(jié)點(diǎn)間，存在更多的聯(lián)系和互動，在不同階段有不同的側(cè)重；而低分組的認(rèn)知網(wǎng)絡(luò)圖節(jié)點(diǎn)之間的聯(lián)系與互動相對簡單，且在不同階段沒有差異。

圖7 高分組和低分組在不同階段的認(rèn)知網(wǎng)絡(luò)質(zhì)心的變化軌跡圖

五、經(jīng)驗(yàn)與建議

結(jié)合上述案例應(yīng)用中發(fā)現(xiàn)的問題，我們對SENS方法的使用從適用范圍、 技術(shù)實(shí)現(xiàn)和數(shù)據(jù)處理等不同方面，給出一些經(jīng)驗(yàn)與建議。

（一）適用范圍

SENS 適用于對深度學(xué)習(xí)的研究，它具備以下三種特征：一是適合對質(zhì)性數(shù)據(jù)進(jìn)行量化處理；二是適合對學(xué)習(xí)者的社會交互進(jìn)行分析； 三是適合對學(xué)習(xí)者的認(rèn)知發(fā)展軌跡進(jìn)行分析。 在使用SENS 的研究中，可以利用SNA 來構(gòu)建在線交互中學(xué)習(xí)者之間的關(guān)系，ENA 則可以對已編碼的文本進(jìn)行量化分析，是對社會交互和認(rèn)知發(fā)展做出解釋的研究， 適合對深度學(xué)習(xí)的各種研究進(jìn)行分析。

（二）技術(shù)實(shí)現(xiàn)

SENS 的技術(shù)實(shí)現(xiàn)難度較大， 需要研究人員對SNA 和ENA 兩種方法都有一定的了解，才能正確完整地使用SENS。 在國內(nèi)關(guān)于SNA 的研究已有很多，SNA 的實(shí)現(xiàn)可以通過R 語言或Python 語言等編程的方式進(jìn)行，二者都有功能較為完善的庫資源，可以幫助研究者進(jìn)行SNA 的研究， 如，R 的igraph 庫和Python 的NetworkX 等。 除此之外，還有很多較成熟的桌面軟件可以使用，如，UCINET 使研究者不用考慮編程的細(xì)節(jié)，只需對結(jié)果進(jìn)行解釋即可。 ENA 也支持使用R 語言進(jìn)行實(shí)現(xiàn)，同時(shí)它還有一個(gè)網(wǎng)絡(luò)版本，研究者只需將編碼好的數(shù)據(jù)上傳到ENA Webkit（http：//www.epistemicnetwork.org/）， 設(shè) 置 好 相 關(guān) 參數(shù)，即可生成想要的社會網(wǎng)絡(luò)認(rèn)知圖，并通過可視化的方式，動態(tài)地對網(wǎng)絡(luò)進(jìn)行調(diào)節(jié)。

（三）數(shù)據(jù)處理

SENS 的步驟與流程較為繁瑣，且對數(shù)據(jù)的收集與處理有一定的要求。 因此，在使用SENS 之前，要確保能夠準(zhǔn)確地收集相關(guān)數(shù)據(jù)。 SNA 處理的是學(xué)習(xí)者之間的交互關(guān)系，而ENA 處理的是編碼與編碼之間的共現(xiàn)關(guān)系， 所以， 在數(shù)據(jù)處理時(shí)都有不同的要求。 用于SNA 的原始數(shù)據(jù)可以只包括學(xué)習(xí)者的交互關(guān)系，而不用記錄具體的交互內(nèi)容；用于ENA 的原始數(shù)據(jù)，要包括學(xué)習(xí)者的交互內(nèi)容以及交互的單元，但可以不包括學(xué)習(xí)者之間的交互關(guān)系。 但SENS 是結(jié)合了這兩種方法進(jìn)行構(gòu)建的，所以，在獲取原始數(shù)據(jù)時(shí)，一定要包括交互關(guān)系和交互內(nèi)容，否則，SENS就無法實(shí)現(xiàn)。

六、總結(jié)與展望

SENS 通過將SNA 與ENA 方法進(jìn)行結(jié)合，使得在深度學(xué)習(xí)的過程中協(xié)作話語數(shù)據(jù)和人際交互信息，可以在本質(zhì)上被建模為網(wǎng)絡(luò)。人際交互表現(xiàn)為信息共享和知識建構(gòu)的網(wǎng)絡(luò)結(jié)構(gòu)， 而從話語數(shù)據(jù)中提取的如認(rèn)知、元認(rèn)知、社會和情感等維度信息，可以通過認(rèn)知網(wǎng)絡(luò)結(jié)構(gòu)來表征。 這些信息并非孤立地發(fā)生，而是彼此間共同影響和關(guān)聯(lián)的。 SENS 可以將深度學(xué)習(xí)描述為人際因素和從話語中提取的因素的相互作用。

我們將深度學(xué)習(xí)的三大領(lǐng)域與SENS 方法的特點(diǎn)相結(jié)合，提出使用SENS 的一般步驟，并進(jìn)行兩個(gè)案例的展示，最后給出了使用SENS 的相關(guān)經(jīng)驗(yàn)與建議， 為今后想要使用該方法的研究者提供幫助和指導(dǎo)。 需要指出的是，SENS 方法的核心是基于來自不同學(xué)科的幾種數(shù)據(jù)分析方法，因此，使用SENS 需要有相關(guān)的技能才能進(jìn)行，在技術(shù)實(shí)現(xiàn)上難度較大。 未來，我們可以搭建一個(gè)統(tǒng)一的在線平臺，以支持使用SNA 的社會關(guān)系提取、 話語數(shù)據(jù)的自動編碼或人工編碼以及認(rèn)知網(wǎng)絡(luò)構(gòu)建等功能。 這樣，研究者們可以更加方便快捷地使用SENS 來分析深度學(xué)習(xí)，而不用過多地關(guān)注一些復(fù)雜的底層算法， 這也是本研究下一步需要努力的方向。