学习分析视角下的学习状况可视化方法研究

肖军玲++孙韩琼++杨福华++朱瑾++任善恂

摘要：近年来随着智能教育的发展，学生在学习过程中产生大量的数据，搜集学生的学习数据，利用计算机和多媒体技术对数据分析处理，并将处理结果以可视化的方式呈现，有助于教师预测学习结果、诊断学习中发生的问题、优化学习效果、改进学习策略。本文主要采用可视化的分析法，对班级的学习交流状况以及该状况对学习绩效的影响进行了研究。文章主要对学生的互动网络结构、中心度、凝聚子群、意见领袖等进行了可视化的呈现，并从这几方面探讨了班级学习互动的整体结构、小组内交互协作和小组间协作具体情况，以及这些交互对个人和小组绩效的影响，还结合问卷调查法和访谈法进一步了解造成这种现象的原因 根据研究的结果和现象对教师教学策略的改进提出了建议。

关键词：学习分析可视化；网络分析；个性化教学

中图分类号：G40-05

文献标志码：A

文章编号：1673-8454（2015）23一0015一05

一、研究背景

《教育信息化十年发展规划（2011-2020年）》中提出，实现教育信息化的方法之一是要推动信息技术与教育教学的“深度融合”，学习分析就是促进这种“深度融合”的有效抓手。随着智能教育的发展，在学生的学习过程中通过各种终端和学习平台产生大量的数据，通过数据的挖掘与分析探索知识的建构、网络结构，以此来开展相应的预测机制，为网络学习提供有效的参考和决策依据。学习分析是近年来大数据在教育领域的典型应川，大数据处理技术的发展为数据的处理提供了技术和力‘法的支持：可视化研究的深入为学习分析数据处理的结果町视化呈现提供了参考模型。学习分析结果的可视化呈现为教师和教育工作者快速调整教学策略、开展预测机制等提供了清晰且客观的依据。

二、相关研究

作者以“学习分析”为关键词在万方、中国知网数据库进行检索，关于学习分析的研究主要集中在2011年以后，且呈逐渐递增的趋势。研究的具体内容分为理论研究和实践研究，理论研究多是探讨现状趋势和分析模型的建立等，而实践研究则较少，而且多是工具开发、平台架构、大数据分析在类似MOOC等大型在线学习的评价研究等，对于具体小范围细粒度的研究则较少。对于学习个体而言，整体的分析只具有参考价值，不能起到针对性的指导作用：在教育教学方面的研究则主要集中在知识管理的可视化和教学过程的可视化，对于学生学习过程的分析以及可视化的呈现则较少。对于教师的日常教学来说，只有对学生学习状况的全面掌握和了解，才能改进教学策略，提高学习效率；清晰可视的分析结果利于教师快速调整教学策略。

三、研究对象和方法

1.对象分析

本次研究对象是某校教育技术专业2013级大二的43名学生，对计算机的基本操作比较了解，同学之间比较熟悉，消除了交流时的亲疏障碍。该班同学是一个完整独立的群体，目标一致，利于社群界限的划分和数据的收集与分析，本实验将该班学生分为7个学习小组。

2.方案设计

本次研究以何克抗编著的《教学系统设计》13-16周的课程为实验单元，采取线上线下混合的学习模式，实验内容以小组为单位，自选一门中小学课程或其他培训课程，完成从教学授课到评价的全过程。在第一周对所设计的课程进行分析，包括教学目标、学习者特征、教学资源、学习资源设计、教学设计结果评价等；第二、三周是对整个教学过程及评价进行系统设计及改进；第四周实施教学和评价。

教师开通了微博群用于大家的交流和沟通课前教师会把本节课的任务分为选学和必学，以及个人作业和小组作业。所要学习的内容要求和注意事项以文件的形式上传分享，并且会同时分享优秀的教学设计范例和视频。每个小组把自己的作业进行上传，并且可以就某个知识点或者课件等分享给特定学生或者小组：同时还开有QQ群和讨论组；课上每个小组分别对自己的设计和进度以及具体分析工作进行汇报，由教师和其他小组进行点评并给出改进建议，最后根据设定的评价量表进行打分；课后要根据课上的讨论和讲解修改个人和小组的作业，再提交，教师进行评价打分。

3.研究方法

本研究主要采用社会网络分析法，这种方法以数据挖掘为基础，通过软件分析将信息以可视化的方式表示出来，采用SNA，建立社会关系的模型，发现群体内行动者之间的社会关系。社会网络分析方法还可以协助分析出行动者之间流动的一些有形的数据和无形的信息，该方法可以使社群成员的整体关系可视化，并且能够分析出群组内部的各种关系，如小团体、意见领袖等。由于有些活动是课下进行，因此在数据分析的过程中也使用了访谈与调查法相结合的方式，采用定性和定量相结合的方式，使结果分析更加全面和准确。

四、数据的收集与分析

本论文的数据收集和分析是根据王永固提出的互动网络分析结构的一般流程进行的。采用手动收集问卷的形式，收集了班级学生线上和线下交互的信息。把班级、小组和宿舍作为互动网络的单元分析了社群体、内聚力、中心性和角色空间。

1.数据的收集方法

根据王永固的流程收集数据，有系统日志自动收集和手动问卷收集，本研究收集的是学生线上线下的交互信息，是手动问卷收集，分析数据主要是从回收的问卷中提取。由于此次问卷调查的是在宿舍进行，发放到个人手中，因此问卷的回收率达到l00%，同时也保证了学生之间互不影响，结果更真实可信。

2.数据处理

本文为了对被试隐私的保护，对被试成员采用编号的形式，对于有效样本的数据，同类型的一次交流算是一次交互，如A向B请教理论知识，那么就记作A对B的一次交互。利用Excel把这些数据整理成一个NxN的矩阵进行分析。在分析某些特征的时候将NxN的关系矩阵进行了二值化处理，将权重化为0和1。输入UCINET软件，得出社群图网络密度、点人点出度、中心度及小团体等数据。

3.数据分析

通过数据的处理，得到一些社群图、凝聚子群、中心度等信息，作者又进一步对这些信息进行了分析，主要阐述了软件处理得出的图形和数据表示的含义以及这些图形和数据所包含的学生的学习状况等。

（1）社群图的网络关系分析

图1是作者通过问卷调查整理分析得出该班交互二值化矩阵：若两同学之间有交往交互我们取值为1，没有交互关系取值为0。同时这个矩阵图也是一个有向选择，第一列为主动的选取方学生编号，第一行为被选方编号。比如3号同学选择了1、2、4、5等同学，则在第四行的2、3、5、6列记为“1”，其余记为“0”。

在图1所示的矩阵中很难分析出整个社群的交互关系情况，所以，我们通过对二值化矩阵图的处理得到了班级交互的社群图。

社群图可以形象地描述社群成员之间的关系，图中的各个节点代表社群中的每一个成员，线条表示各成员之间的交往关系。该图将班级交互网络关系可视化，这里的线段为有向线段，线段指向的成员是被交互成员，被有向线段指向越密集的成员说明在该团体中越活跃，对整个社群的互动贡献也越大。

从图2的社群成员交互网络结构中我们可以看出该班的交互社群网中网络密度不均匀，有些学生与班级同学交互频繁，他们在一些多媒体的制作和课程的设计中与同学交流频繁，有较强的解决问题能力和专业综合素质。他们帮助组内其他同学或者其他小组解决技术或者专业理论方面的难题，在群里的分享和发帖得到了很多同学的关注。他们影响着整个社群的交往情况，在整个交互群中处于中心地位，属于意见领袖，如图中的5、6、9、14、15、33、35等同学。

而有些学生则处于社群的边缘，在图中的连接点较少，他们甚少与其他成员沟通，或者只与固定的几个人进行交互，与班级的其他同学很少交往，也很少发帖或者分享，对班级交互贡献较小，如图中的22、23、26、27、34、41等同学。

（2）整体社群中心度分析——矩阵法

从社群图中我们清晰地知道了整个班级的交往状况，也分析出了哪些学生与别的学生互动频繁，而哪些学生又处在社群的边缘，与同学互动较少。接下来笔者义通过分析成员的点出度和点入度以及中心度等，进一步探究社群成员的交互中，哪些成员是主动与别人交互，哪些成员是被动交互，以及哪些学生处于交互的中心等，进一步了解成员之间的交互具体动向。

中心度包括点度中心度、中间中心度、接近中心度、特征向量中心度等，其中点度中心度使用最广泛。点度中心度（点出度和点入度之和）通常用来衡量谁在该社群中成为最主要的中心人物。它刻画的是每个成员在此社群中的局部中心指数。我们可以从每个成员的点人度、点出度、点度中心度等几个方面进行分析，得出每个成员主动及被动与其他同学交互的人数，以及交互的总人数等，经分析统计如图3所示：

从图3中，可以看到不同的社群成员表现出不同的点出度和点人度，点出度表示的是一个成员主动与他人交互的情况；点入度表示该成员被其他成员主动交互的情况；点入度值越大，说明该成员在社群中的威信越高，越处于核心地位。点度中心度就是点出度与点人度之和，是描述成员与其他多少个成员有直接关系的数量指标。

从分析结果来看，该班按照点度中心度从大到小排列前6位学生的编号分别为33、5、l9、24、13、20，这些成员与其他社群成员相比拥有更多的连结关系，（如编号为33的学生，主动与他联系的学生有6个，他主动联系的人数是6人）他们与社群中其他成员交互比较多，足群体的核心人物，在社群中具有很强的影响力和凝聚力，他们是整体社群网络的意见领袖；从图中还可以发现一部分成员处于社群的边缘，不喜欢和同学交流，与别人联系较少。如节点3、39、40、41、42、2等在图中的连结较少，他们很少主动与其他学生进行交互，其他学生也很少主动与他们进行交互。

其中，编号为23、35、32、27、27、31、9、15成员的点入度都大于点出度，说明同学喜欢和他们交流：同时他们的点出度也相对比较大，说明他们也积极与其他社群成员交流，热爱集体活动和集体任务，是社群中的“活跃者”；还有些学生的点出度大于点入度，如编号为l3、20、10、17、22等几位成员，他们关注别的同学比较多，经常与别的同学一起讨论完成作业和任务的理论技术等方面的知识，他们对社群的贡献也较大，地位也较高。经进一步的访谈可知这类成员一般都是小组组长或者班干部、在班级处于组织或者小组中起协调作用的人：社群中有一部分成员，他们的连结关系数量中等，如编号为6、7、31、8、4、16等几名成员；另外还有些成员不经常参与班级交互活动，点入度点出度都比较低，对社群贡献不大，如编号为3、39、40、41、42、2等几位学生

成员的中心度和活跃度对成员的课堂表现、作业完成程度和学习成绩有重要影响。

图4是学生的个人成绩表，经分析可知，交互社群中的活跃分子，即点出度或点入度较高的学生，如1、57、9、13等学生的点}}{度和点入度都较大，他们的成绩也相对较好，一般都在85分以上；而点出度和点人度都较低的学生如26、38、34、25、23，他们的成绩相对较差，一般都在80分以下。

通过UCINET分析得出，整个社群网络的标准化点入度中心势和点出度中心势都是4.923%。两数值差距不大，这说明网络关系比较对称。中心势越接近1，网络结构越具有集中趋势。从其中心势值来看，整个网络的中心势一般，没有明显的集中趋势。这与本次研究课堂采取的小组合作相一致，也就是说本次课堂教学的有一些任务是以小组为单位完成的，学生的交互多以小组为单位，而不会以整个班级为单位，而且在完成个人任务时，他们也往往更倾向于与小组内成员交互，所以会出现大部分学生的交互是在小组范围内完成。

（3）凝聚子群分析

经中心度的分析可知，本次课堂的交互中有些学生的交互大都在小团体内进行，那么对于整个班级来说，凝聚指数是多少？存在多少个小团体？我们又进行了凝聚子群的分析。

凝聚子群分析是社会网络分析的重要方法，对了解整个网络结构具有重要意义。凝聚子群密度主要用来衡量一个大的网络中小团体现象是否很严重，将子群从整个网络中分离出来，能了解子群对整体网络的影响。凝聚子群的指数取值范围是[-1，+1]，值越靠近1，则表明关系越趋向于发生在群体之外；值越靠近一1，则表明子群体与外部群体的关系越少，关系趋向发生在子群体内部；而值越靠近0，则表明关系之间看不出派系关系。图5为整体社群网的凝聚子群密度：

从图5中可以看出，凝聚子群的密度是比较明显的，已经达到了-0.409，说明该班的交互倾向于小团体内部交互，即各个子群体内部的成员之间关系相对紧密，也就是说该班的学习交互不是班级成员间的普遍交互，交互多在团体内部进行，与群内的其他小团体交互较少。整个班级的交互没有形成“打成一片”的状况。

（4）小团体分析

既然社群的交互存在小团体，那么这些小团体成员有哪些组成？和分组的小组成员是否一致？作者输入数据后，生成小团体的个数及其成员，如图6所示：

在图6中，我们把3个人以上的团体称为/卜团体，从图中我们可以看出该班存在8个小团体，但是为了验证这些小团体成员是否和分组成员一致，我们需要分析小团体成员和分组成员的匹配程度，即一个小团体的成员在同一学习小组的概率。该班小团体成员和学习小组成员的匹配程度如图7所示：

从图7中我们可以看出，该班整体交互网的8个小团体大部分都分布在相应的学习小组内，或者两个小组交叉存在，进行积极的沟通和了解学习内容，但也有一部分成员不与学习小组内的成员交流，也不与成员外的人员交流。

知道了整个社群内存在小团体现象，以及小团体成员和学习小组成员的匹配程度，那这种现象对课堂表现和学习成绩有什么影响呢？我们又进行了对比：（见表1）

从表1可以看出，学习小组内部没有形成互动小团体而且组内成员也没有和其他小组成员构成小团体的，该组的平时成绩和总成绩会受到较大影响，如第4和第7小组，访谈发现，两个小组内的成员团结性不够，平时交流较少，因此小组合作效果不好，影响整体成绩：而小组成员和小团体匹配达到100%的小组里，也就是说基本是小组内交互，如第1和第3小组，平时和最终的总成绩都较高，他们组内交互较多，不论是在完成小组任务还是个人任务，遇到问题组内成员可以相互帮助或者共同寻找解决办法。观察成绩最高的第2小组发现，这个小组内部不仅形成小团体，而且组内成员和其他成员28、29互动较多，也就是说该组组内互动合作较好，同时义与其他小组互动是该组取得高成绩的一个重要因素。

（5）整体社群网络密度分析

社群网络密度表示的是社群成员之间联系的紧密程度，固定规模组织的成员之间联系越多，网络的密度也就越大。密度值介于0和1之间，值越接近1，则代表彼此之间关系越紧密，越接近O联系越松散。我们把密度为0.3作为划分一个社群成员之间联系疏密与否的标准。图8为整体社群网络的密度：

Relation：1

Density （matrix average）=0.1467

Standard deviation=0.3538

图8整体社群网络密度

从图8可以看出，整体网的密度为0.1467，远远小于标准密度0.3538，所以我们可以认为整体网络中各成员的联系不够紧密。从个人的交互程度、小组内交互程度与成绩的关系，可知，该班整体的互动关系欠佳，对整个班级的成绩不利，应该引起教师的高度重视。

五、结语

1.总结

通过作者利用社会网络分析方法对大二某班四周的翻转课堂实验进行研究，经过社群图、中心度分析可以得出以下结论：

一是整个班级的交互不均衡，有的学生之间的交互较为频繁，而有些处于社群的边缘，少与其他同学交流。交流较为频繁的学生点出度和点入度都较高，影响着整个网络，教师在教学过程中应该积极发挥这些人的带头作用，把他们作为带动学困生和连接协作小组或交互小团体的关键人物，而对于极少参与交流互动的学生则应该给予高度重视，分析他们不交互的原因是由于存在学习困难难以与其他同学学习交流还是因为遇见问题喜欢自己研究，如果存在学习困难，教师应及时采取解决措施，避免他们与整个课堂脱节。

二足交流较多的学生对课堂的满意度和参与度较高，个人成绩也比较高，那些交流较少的学生对该课堂的满意度较低，存在学习困难，成绩相对较低。也就表明课堂的参与度的高低与学生的成绩高低成对应关系，教师应该采用“一帮一”或者小组内协作互助的形式，积极调度学困生参与课堂和学习的积极性

三是在整个社群的交互中有小团体的趋势，且小团体与学习小组的匹配程度较高，也就是互动多发生在学习小组内部，这有利于学生完成需要多人协作的任务，利于学生合作精神的培养。同时也发现，组与组之问的交流协作对整个小组的绩效有很大提高、教师在教学的过程中应该积极鼓励这种组内合作和组间合作

四是社群网络的整体密度不够，这不利于整个班级在该门课程的交互和对绩效的评价，教师应该在以后的教学中充分调动班级的整体互动一

2.研究优势与局限

学习数据的挖掘和对学习数据的分析，为教学策略调整和预测机制的采取提供了科学依据 社会网络分析的研究样本较小，并且能对研究样本进行细粒度、准确的分析，研究结果针对性强，可视化程度高。本次研究选取了某校大二的一个班级作为研究对象，利用个案研究来说明如何借用大数据分析的思想，通过网络分析的方法对小数据分析，并且对分析的结果进行可视化的呈现。同时也说明网络学习可以通过对学习数据的分析更好地掌握学习状况，并能通过有效措施对学习过程进行干预，是对传统学习的有效补充。本文通过个案分析阐述了学习分析可视化的一种方法，更多学习分析的可视化方法有待于进一步研究：且本次研究的内容是针对整个班级交互的整体状况，至于交互的具体次数、内容等无法清晰显示，希望后来的研究者能进一步改进和完善。