智慧学习环境下的社会化学习支持服务*

郑娅峰 包昊罡 李艳燕



智慧学习环境下的社会化学习支持服务*

郑娅峰1,2包昊罡1李艳燕1[通讯作者]

（1．北京师范大学知识工程研究中心，北京 100875；2．河南财经政法大学计算机与信息工程学院，河南郑州 450002）

以集体智慧为特征的社会化学习是智慧学习环境的重要学习形式。文章阐述了社会化学习的发展、理论基础及其主要技术支持。为了对社会化学习进行有效支持，文章通过对社会化学习信息的有效采集与归类，构建了社会化属性信息模型，并从六个维度刻画社会化特征，有效解决了智慧学习环境中社会化属性信息的分类与描述问题。基于该模型，文章设计了社会化学习支持服务框架及其服务机制工作流程，为智慧学习环境下社会化学习支持服务的研究提出了新的解决途径。

社会化学习；支持服务；推荐机制；智慧学习环境

引言

智慧学习环境是将新一代信息技术全面融入学习环境中的高级形态，是普通数字化学习环境的高端形态，是教育技术发展的必然结果[1]。智慧学习环境中的学习不仅发生在课堂，也发生在人们存在的社会空间中。伴随以Web 2.0技术为支撑的社交网站的发展，人们的学习范围超出传统学校的范围而扩展到更大的时空中。社会化空间与学习空间深度融合，社会化学习方式日益得到重视，如英国MOOC平台FutureLearn已将社交互动作为其平台学习体验中最核心的内容[2]，而国内知名的知乎、豆瓣、沪江等网站也进行了社会化学习的有益尝试。在这些平台中，学习者可以与虚拟导师、学习同伴、校外专家及社会网络同伴灵活沟通，从而使通过社会交往达到更高层次认知目标的社会化学习成为一种重要的学习方式。

社会化学习以集体智慧为核心特征，通过社会关联技术，将众多的资源、观点与人、社会关系融合在一起，共同构建智慧学习环境。然而，传统的学习支持服务并不能直接照搬到社会化学习环境中，主要原因在于：一方面，由于学习者在多个不同维度的空间进行学习，仅仅从一个学习空间得到的数据不能全面反映学习者的学习情况，因而针对学习者的个性化学习也就无法有效展开；另一方面，社会化学习呈现“强交互、碎片化、浅阅读”的特征，传统的学习支持服务不能将碎片化的知识基于用户兴趣进行有效聚集，也不能引导学习者将浅度阅读的学习方式转变为深度阅读的学习方式，因此无法实现智慧学习环境中学习方式更关注高阶认知的目标。基于此，有必要利用智慧学习环境中丰富的社交关系，对学习资源、学习者和学习过程进行更加深入的研究和组织，为进行社会化学习的学习者提供新的、有效的学习支持服务，以达成更高的学习目标。但从目前国内外文献来看，研究者相关这一领域的成果还相对较少。

一智慧学习环境与社会化学习

1 社会化学习的理论基础

社会化学习有广义概念与狭义概念之分[3]——广义的社会化学习是指任何根植于社会、产生于交往之中的学习；狭义的社会化学习特指在互联网进入Web 2.0时代后，人们借助Web 2.0技术进行的网络学习。广义的社会化学习的理论基础是社会学习理论、社会建构主义理论及学习共同体理论——社会学习理论由美国当代著名心理学家班杜拉提出，认为人的行为由认知、行为、社会环境三方面互相作用，强调社会因素对于学习的重要性[4]；前苏联心理学家维果斯基提出的社会建构主义理论同样强调社会文化因素在人类认知功能的发展中起着核心作用，认为知识是在与他人不断协商的过程中进行调整和修正，并受当时文化与社会的影响建构而成[5]；学习共同体理论由美国教育家约翰·杜威提出，他认为“学校即社会”、“教育即生活经历，而学校即社会生活的一种形式[6]。狭义的社会化学习的理论基础是加拿大学者乔治·西蒙斯提出的联通主义学习理论[7]，这是一种面向网络时代的非常有影响力的学习理论。

概而言之，社会化学习是一种学习方式，是个体通过与环境中的其他个体或群体进行相互作用，来获得行为、有关事件之间的关系的认识以及进行某种活动的知识经验等的学习方式。社会化学习的相关理论揭示了社会交互对于学习的意义，强调个人认知和外界环境相互作用的影响，具有跨时代的意义。该理论的推出，促使教育者开始关注学生参与社区活动并通过与社区中的成员进行交互学习的重要性，由此实施各种以该理念为基础的教学实践。

2 智慧学习环境下社会化学习新特征

伴随着技术对社会、生活、学习等各方面的渗透，人类的认知水平、学习方式已发生巨大改变。相应的，在技术极大丰富的智慧学习环境中，传统社会学习理论中的社会交互已经被新的更广阔的社会交往所取代。在这样的背景下，社会化学习呈现出新的特征并不断得以深化。

①在信息的流向上，社会化学习中的信息流向具有更广泛的基于群体的无序扩散性。在智慧学习环境中，知识的内化发生在学习者与学习者、学习者与指导者的交互过程中。在这个场景中的社会化学习不存在信息服务的主体和客体，因为每个人既是服务的发布者，亦是服务的提供者，而技术对社会化学习的支持使得信息可以双向流动。

②在学习资源的表征与组织上，社会化学习更加注重资源的社会化属性。在传统的学习方式中，学习资源在资源库中按照某种组织结构预设好，资源处于学习的中心，预设的资源成为了知识探究的出发点。而在注重社交关系的社会化学习中，学习者和学习同伴产生的内容成为了学习和互动的中心，学习同伴提供的资源扩大了知识的界限，使学习成为对社会化网络信息的遍历和重构，并通过学习社区内不同认知的交互而形成新的知识。

③在学习对象的组织上，社会化学习所依赖的环境是基于学习兴趣而形成的社区，学习者通过点关注、加好友等社交关系建立兴趣小组。这里不存在教师或学习者的身份，不同背景、年龄、专业水平的人员聚集在一起，每个人提出的问题都可以得到来自社区中不同类型用户从各个角度的回应或分析——这些不同类型的用户构成了社会化学习中多元的社会关系。

二社会化学习分析

社会化学习支持服务注重对智慧学习环境下更复杂的社交关系、资源以及信息流向进行充分挖掘，以能为社会化学习者提供更好的支持，而这需要社会化学习分析技术的支持。社会化学习分析技术正处于初始阶段，国内外相关此技术的研究还相对较少。Ferguson等[8]认为，社会化学习分析是学习分析技术的一个子集，可将社会化学习分析归为社会网络分析、话语分析、内容分析、语境分析、倾向分析等5类。依据智慧学习环境下社会化学习的新特征，本研究提出将社会化学习分析分为以下三类：

1 社会化学习关系分析

社会化学习关系分析主要关注学习者与学习社群中其他成员之间的交互关系，这些交互关系将个体之间的交互连接（如交互频率、直接或非直接的连接等）划分为强关系和弱关系两种。社会化学习关系分析还关注个体在社会化学习环境和群体中的地位，帮助学习者理解如何发展并维护他们的关系以支持社会化学习，如判断学习者是位于学习社群的中心位置还是边缘位置，识别意见领袖者或离群学习者等。社会化学习关系分析基于一些社会网络分析的工具进行，比较著名的工具有SNAPP[9]和Gephi[10]——SNAPP能够收集在线学习论坛中学生讨论的交互信息，进行自我中心社会网络分析、小团体分析、中心性分析等社会网络分析，并以可视化的关系网络图呈现；Gephi是一款基于JVM的开源复杂网络分析软件，主要用于各种网络和复杂系统，是一种动态交互可视化与探测开源工具。

2 社会化学习内容分析

社会化学习内容分析包含对社会化学习环境中涉及学习者、学习过程、学习资源以及学习者学习反馈等各种类型信息的收集和分析，它通过基于人与人、人与资源之间的关系识别资源之间的关联，从而对这些信息建立筛选机制、进行有效的信息关联和信息检索。Apache Tika[11]是一款通用的内容分析工具，能基本解析文件的所有常见格式，得到文件的Metadata、Content等内容，并返回格式化信息。国内比较著名的一款内容分析工具是ROST内容挖掘工具[12]，可以支持对文本信息的处理，也可以支持词频统计、共现分析、语义网络、社会网络等分析方法，并能将结果导出到SPSS、MatLab等软件做进一步的分析。

3 社会化学习情景分析

情景分析是指一个应用或服务支持系统能够理解当前用户的状况，从而改变该应用或服务支持系统的运行以适应实际情况，提供高质量且个性化的用户体验。社会化学习可以发生在任何时间、任何场景，而目前大量的情景感知研究主要考虑的是简单情景（如位置、时间等）。但在社会化学习中存在大量的复杂情景信息，因此社会化学习情景分析主要为学习者提供适合他们状态的、时间允许的、他们的设备能够接入的情景，以满足他们当前的角色需求，并为未来目标的实现提供支持。典型的情景分析工具有Loco-Analyst[13]，它重点关注行为跟踪，可分析学生参与的各活动、学生在线课程中内容的使用情况、虚拟学习环境中学生基于情境的社会互动等，用以帮助教师跟踪并分析在线学习环境中的学习过程，进而改进网络课程的内容和结构。

三社会化属性信息的建模

网络学习中的社会化属性同现实世界一样存在多样性、复杂性的特点，如何有效收集这些繁杂的用户数据、归类不同属性、提炼测量指标，进而建立社会化属性信息模型，是社会化学习支持服务的关键环节。目前，大多数的社会化属性研究只关注到了单一的社会属性指标，如采用好友和成员关系指标[14]或采用信任指标[15]。这些研究都给出了在特定环境下运用社会化属性的研究实践，但没有深入研究社会化属性的分类并加以综合运用。本研究通过对社会化学习空间进行数据分析、对社会化学习信息进行有效采集与归类，从六个维度量化社会化属性指标，建立了社会化属性信息模型，如图1所示。

图1 社会化属性信息模型

该模型具有典型的金字塔结构特征。社会化学习支持服务最根本的目标，就是利用社会属性形成“用户—用户”关系网络和“用户—资源”关系网络，因此，该模型的最上层反映了学习者与学习者的社会关系以及学习者与资源的关系。在不同的主题下，“用户—用户—资源”关系网呈现出不同的特征，因此被分割成多个子网络。这些不同主题关系网络的形成，依赖学习者与学习者之间显性和隐形关系的挖掘，进而依据不同的度量指标进行计算。

本研究提出了六个相关指标，分别为：①影响力，即社会影响力，是指学习者发表的观点能够促使网络中其他人改变态度和行为的能力。影响力高的学习者较易成为社会化网络的中心人物，从而对他人的阅读行为和学习活动产生影响。②亲密度，是衡量学习者和其好友互动热度的指标，包括个人资料的交集（共同好友、共现圈子）、互访行为（访问好友空间次数、转发行为）、共同参与（对共同的主题评论、回复）等因素。③意愿，用来表征一个用户愿意帮助他人的积极性，因为有能力但无意愿的人不能在支持服务中起到较好的作用。④专业度，是测量用户在特定主题的专业知识能力的指标，用以在特定主题下对用户的专业程度评分。⑤活跃度，用来衡量学习者参与社会活动的积极性，活跃度高的学习者通常会在社交网络中占据中心位置。⑥关联度，是表述用户兴趣相似度的指标，如两人对共同评论的教学视频、书籍等评分具有一致性，则他们对同一话题的评论就具有相似性。上述六个指标反映了社会关系中不同维度的学习关系，在不同的应用场景中，可以根据需求的不同，灵活抽取不同的指标或指标组合进行权重计算，形成可信关系的度量值。

该模型金字塔结构的最底层是数据采集的分类内容，旨在通过对用户活动进行细致分析，使系统能够获取并直接记录社会化属性信息。这些属性信息被分为学习者的社群归属信息、学习行为信息、社会交往信息、社交文本信息等四大类，并作为源数据支持上层多维指标的构建。

四社会化学习支持服务的设计

智慧教育环境中的社会化学习服务是对学习者个性化学习的更进一步支持，其目标是通过对学习者及其社会化学习情景进行感知，提供多维度、个性化、可视化的学习支持。为了实现社会化学习的有效支持服务，本研究提出了社会化学习支持服务框架，并给出了详细的功能描述。更进一步地，本研究基于该框架设计了可供实际实施的服务机制工作流程。

1 社会化学习支持服务框架

基于社会化属性信息模型，本研究构建了社会化学习支持服务框架，如图2所示。该框架包含3个层次，自下而上分别为数据层、核心业务层、用户层。

图2 社会化学习支持服务框架

（1）数据层

数据层作为重要的资源存储层，位于整个框架的最底层。这些底层数据来自不同的自治系统，具有结构化、半结构化、非结构化等形态各异的数据形式，其数据资源分别被存储于记录学生学习信息的历史信息数据库、社会网络关系数据库、用户资源关系数据库等之中。为达到系统统一使用的目的，需要为这些数据分别提供对应的数据处理引擎：①文本数据处理引擎，主要功能是将来自社交化网站的用户文本信息进行关键词提取、关键词关联分析及关键问题表征等操作；②关系处理引擎，主要对应社会关系网络数据，其任务是能够提供一种通用的数据表达方法，将社会网络多元的社会关系进行有效的处理、提取、表征；③数据查询引擎，主要用于关系数据库中内容的查询与处理，提供基本的数据查询和索引功能。

（2）核心业务层

核心业务层主要包含社会关系因子抽取模块、核心指标聚合模块、可信用户集合模块和Top-N用户—资源网络模块等四大模块。社会关系因子抽取模块主要从数据存储层收集所需数据，剔除冗余及无用的数据，抽取社会属性信息，并使用标准数据封装结构构建统一的数据处理访问接口。核心指标聚合模块主要完成构建社会化情景信息模型，并通过情景聚合的方法，将分散的社会因子信息集成为基于预定义情景结构的标准形式，经过计算聚合为反映学习者交互关系的六个指标。依据不同的应用需求，六个指标被进行赋权，生成学习者可信用户集合。基于该集合对用户资源数据库进行检索，最终构建Top-N用户—资源网络关系集合。该关系集合明确了学习者与资源的关系，形成了“用户—用户”、“用户—资源”的复杂关系网络。在该网络上，设计一个可被用户层调用的支持服务引擎，以提供一种智能决策机制来判断用户的请求，并依据学习者的需求提供个性化服务。

（3）用户层

用户层是框架的最高层，也是与最终用户交互的界面层。该层直接与最终用户通讯，它不仅处理用户的请求，也提供多形态的可视化展示。

2 社会化学习支持服务机制工作流程

社会化学习支持服务的最终目标，是通过对散布广泛的社会化平台中的学习者行为数据进行收集、处理、分析、聚合，对学习者学习情景中的社会属性进行数据挖掘和建模，从而最终为学习者提供各自所需的学习资源和为学习同伴自动推荐多样且有效的学习支持服务。同时，社会化学习推荐服务可以从更智能、更广泛的角度理解资源与学习者的关系，提供由浅层资源向深层资源推进的按需推送，实现对学习社群、学习同伴、领域专家的有效推荐。

社会化学习支持服务机制工作流程如图3所示。首先，用户经由手持终端设备、电脑等设备无缝接入智慧学习空间，支持服务迅速感知用户的存在并开始记录用户的学习行为。用户行为收集模块跟踪并收集学生的行为，将学习过程数据经预处理后送入社会化关系抽取引擎。该引擎从用户数据库中抽取学习者的基本信息和行为信息并进行汇总，通过整理统计、关联分析和信息挖掘，获得学习者基于社交关系的用户个性化数据，放入社会关系数据库进行存储。同时，启动社会化网站聚合引擎，将社交关系与学习者、资源进行整合，形成用户—资源社会化网络。基于该网络，用户行为处理引擎抽取用户感兴趣的社会化资源和学习同伴，并按最优顺序形成资源列表和伙伴列表。推荐内容整合引擎整合这些最优资源并推送给学习者，为学习者提供个性化的学习服务。

图3 社会化学习支持服务机制工作流程

五总结与展望

本研究总结了社会化学习的理论基础及分析方法，提出了社会化属性信息模型，对该模型包含的六大指标进行了详细描述，并提出利用该模型支持社会化学习服务的新思路。本研究还构建了社会化学习支持服务框架，并设计了其机制工作流程。本研究有效解决了智慧学习环境中社会化属性信息的分类描述与表征问题，为社会化学习支持服务提出了新的解决途径。

[1]黄荣怀,杨俊锋,胡永斌.从数字学习环境到智慧学习环境——学习环境的变革与趋势[J].开放教育研究,2012,(1):75-84.

[2]包正委,洪明.英国MOOC平台:FutureLearn创建原因与主要特点探析[J].中国远程教育,2014,(6):65-68.

[3]崔连斌,胡丽.迎接社会化学习[J].培训,2011,(6):28-38.

[4]高申春.人性辉煌之路:班杜拉的社会学习理论[M].武汉:湖北教育出版社,2000:45-50.

[5]马秀芳,李克东.皮亚杰与维果斯基知识建构观的比较[J].中国电化教育,2004,(1):20-23.

[6](美)约翰·杜威著.王承绪译.民主主义与教育[M].北京:人民教育出版社,2001:30-43.

[7]王志军,陈丽.联通主义学习理论及其最新进展[J].开放教育研究,2014,(5):11-28.

[8]Ferguson R, Shum S B. Social learning analytics: Five approaches[A]. Shum S B, Gasevic D, Ferguson R. Proceedings of the 2nd international conference on learning analytics and knowledge[C]. New York: ACM, 2012:23-33.

[9]Dawson S, Bakharia A, Heathcote E. SNAPP: Realising the affordances of real-time SNA within networked learning environments[A]. Lone D H, Vivien H, Chris J, et al. Seventh international conference on networked learning 2010[C]. Aalborg: Aalborg University, 2010:125-133.

[10]Jacomy M, Bastian M, Heymann S. Gephi: An open source software for exploring and manipulating networks[J]. International Conference on Weblogs & Social Media, 2009,(8):361-362.

[11]Mattmann C, Zitting J. Tika in action[M]. Greenwich: Manning Publications Co., 2011:1-23.

[12]沈阳,傅惠鹃,刘朋朋,等.虚拟学习团队实证化研究[J].图书情报知识,2009,(6):103-107.

[13]Ali L, Asadi M, Gasevic D, et al. Factors influencing beliefs for adoption of a learning analytics tool: An empirical study[J]. Computers & Education, 2013,(4):130-148.

[14]Ma H, Zhou T C, Lyu M R, et al. Improving recommender systems by incorporating social contextual information[J]. Acm Transactions on Information Systems, 2011,(2):219-230.

[15]Jamali M, Ester M. TrustWalker: A random walk model for combining trust-based and item-based recommendation [A]. Elder J, Fogelman F S. ACM SIGKDD international conference on knowledge discovery and data mining[C]. New York: ACM, 2009:397-406.

编辑：小米

Research on Social Learning Support Services in Smart Learning Environment

ZHENG Ya-feng1,2BAO Hao-gang1LI Yan-yan1[Corresponding Author]

Social learning characterized by collective intelligence has become an important learning format of smart learning environment. This article elaborated the development, theoretical basis and main technical support of social learning. In order to support the social learning effectively, this article constructed a “social attribute information” model through effective collection and classification of social learning information. This article also described the social feature of this mode from six dimensions, which sovled the classification and description problems of social attribute information in smart learning environment. Based on this model, the supporting service framework and the work procedure of this service mechanism for social learning were designed, providing a new way for social learning support services in smart learning environment.

social learning; support service; recommendation mechanism; smart learning environment

G40-057

A

1009—8097（2016）09—0025—07

10.3969/j.issn.1009-8097.2016.09.004

本文受北京市共建项目“面向学科领域的教育资源智能搜索关键技术研究”（项目编号：BJ20141017）资助。

郑娅峰，河南财经政法大学副教授，北京师范大学在读博士，研究方向为个性化学习、智慧学习环境下的学习支持服务、教育资源聚合，邮箱为zlzyf@126.com。

2016年3月14日