弱关系视角下的虚拟学习社区网络交互分析

吴笛+李保强+蔡运荃

【摘 要】

虚拟学习社区是网络空间中由学习者建立的一个虚拟社会形态，以交互学习、协作学习为主要学习方式，形成以学习为目的的社交网络。本研究基于弱关系理论，运用社会网络分析法对虚拟学习社区的网络结构和消息传播模式进行了分析，探索了网络关系的微观结构和强度如何影响知识互动的过程和结果。数据证明弱关系是影响虚拟学习社区中信息扩散效率的重要因素，且与社区网络中的子群结构有一定关联。

【关键词】 学习社区；社交网络；弱关系；网络交互；社区发现；知识互动

【中图分类号】 G434 【文献标识码】 A 【文章编号】 1009-458x（2017）11-0016-07

一、引言

随着信息化时代的到来，互联网对人们的学习产生了巨大影响，在网络教育快速发展的背景下，虚拟学习社区应运而生。社区是人类社会协作关系的有机组织形式，当一定的人群为了特定的目的利用网络和通信技术进行交流与互动时，即在网络上形成了虚拟社区。如果虚拟社区的主要参与者是以交互学习、协作学习和自主学习为主要沟通方式来构建虚拟社会形态，形成以获取知识、增进理解和提高技能为目的的虚拟交互区域时，该社区可以称为虚拟学习社区（胡钦太， 2005）。

虚拟学习社区是基于Web 2.0思想的网络教育技术实践，与其他社交网络一样，它是对人际交互方式的革新，学习者之间通过教学资源产生联系与互动，成为虚拟学习社区的基本组成元素（蒋伟丽， 2014）。虚拟学习社区提供的虚拟交互渠道成为学习的载体，学习者通过交流、协作来分享学习资源，从而对自我认知产生超越，促进认知能力的提高（王志军， 等， 2016）。虚拟学习社区最典型的特征就是成员之间的互动、交流、分享和创新，不管社区结构和管理方式如何改变，学习社区的发展和参与者的进步都需要参与者的互动来实现。

二、网络交互的定性分析

交互是虚拟学习社区最典型的特征，是指在特定的情境中人与人或人与环境之间的相互作用。在传播学理论研究中，Wiener（1948）认为交互是信息接收者根据来自信息源的信息内容向信息源进行反馈，双方通过不断反馈来修改信息本身和反馈内容，最终实现良好而有效的信息沟通。在虚拟学习社区环境中互动学习的划分有多种标准，根据活动对象的区别，可分为学生、教师以及信息资源环境三者之间的互动；按照网络交流的实时性，可以划分为同步交互和异步交互；根据交互地点和时间的不同，从教学角度出发可分为课堂内交互和课堂外交互。现代教育技术所观察的交互不再只是传统师生双边互动的知识、经验交互，随着多种教学媒介的加入和使用，互动已然是包括多方面的互动整体（李敏， 2015）。

人们对虚拟学习社区的关注由来已久，成果甚多。国外学者（Chan， 2011； Lin， Fan， & Wallace； Barab， Thomas， & Dodge， 2005； Warburton， 2009）通过相关实践研究，对Knowledge Forum、Quest Atlantis、Second Life和Knowledge Community等社区进行案例分析，证明了虚拟学习社区的应用有利于帮助教师和学生强化学习资源共享与知识互动，促进思考和提高学习效率（Fredricks， Blumenfeld， & Paris， 2004）。这些研究成果对学习交互效果的评价主要包括学习过程中思维、行为和感觉方面的持续时间和强度水平，虽然虚拟学习社区扩大了学习者的人际交往机会，增强了在线学习交流机会，但Lu J等（2014）认为，如果不仔细设计和维护学习环境，学习互动并不一定能自动发生，许多因素可能影响学习效果，如任务特征（Kearsley Greg， Shneiderman Ben， 1998）、教师参与（Garrison， Anderson， & Archer， 1999）和团队凝聚力（Rovai， 2002）等。除了这些因素之外，Kirschner（2007）还认为不同的计算机通信媒介会导致不同的学习者群体产生不同的社会互动模式。因此，揭示虚拟学习社区中学习者之间复杂、动态的互动关系和信息传递模式，关注虚拟学习社区中网络结构与交互关系对学习者个体行为的影响，是本研究的重点。

三、弱关系相关理论

弱关系的概念最初由Mark Granovetter（1994）提出，作为社会学理论针对社交网络的微观层面研究不足的补充。与宏观统计特征分析相反，弱关系理论偏向于研究社交网络中个人之间的人际关系，以及在此基础上的三方关系和小群体结构。根据德国社会学家George Simmel（1998）的观点，从二人群体转变为完全关联的三人群体有三个基本目的：减少对个人自身利益的追逐；削弱个人的议价能力；促进合作，解决冲突。在跨组织边界、跨部门的人际关系互动中，这些特征尤为明显。对小群体结构这种微观互动过程的研究，有助于理解、解释宏观的社交网络特征。

Granovetter把关系强度的测量定义了四个维度：交互频率、情感强度、亲密程度和互惠交换。按照这个定义，朋友、家人和亲密的同事之间是强关系，这些关系的特点是双方互相强烈信任和频繁沟通。弱关系是熟人之间的关系，这些关系具有较低的信任障碍，更易于维护。弱关系为社交网络中新信息的流动提供了重要途径（David & Jon， 2012），因为强联系之间沟通频繁，更有可能使强关系相连的各方获得相同的信息。例如，随着时间的推移，同一所高校的物理教师可以通过相互交流和资源共享获得大量相同的背景知识。然而，与其他物理教师的联系薄弱可能会使他们面临缺少改进研究的新思路和新方法的问题。

弱关系具有广泛性、异质性、中介性和非结构化的特点，由于形成弱關系的个体基数大，所以其产生的几率非常高，但存在弱关系的个体之间差异性也较大，因此可以在不同群体之间建立纽带联系，桥接不同群体或子群并成为向网络不同部分传递信息的角色（Wang， Lu， & Ester， 2016）。弱关系在信息传递和人际交往方面具有非常重要的作用，作为充当信息传递的桥（bridge）和捷径（local bridge）。其中，桥和捷径的定义如下：如图1所示，已知A和B相连，若去掉连接A和B的边导致A和B分属不同的连通分量，则该边称为桥，桥是A、B间唯一路径；若边A-B的端点A和B没有共同朋友，则称边A-B为捷径，删除A-B边将把A与B的距离（即跨度）增加至2以上。endprint

在弱关系理论基础上发展而来的三元闭包原理和结构洞理论揭示了社会网络演化的基本结构性原因。在社会网络中，如果两个互不认识的人有一个共同的朋友，那么这两个人将来可能因为某些因素（如互动机会、增强信任、交友动机等）成为朋友的可能性会大大提高，这种三者关系称之为三元闭包，同时也称这个共同的朋友在该网络中占据了一个结构洞。三元闭包是从网络静态分析到演变分析的转变，可以聚集系数作为衡量：某一节点的聚集度定义为该节点的任意两个朋友彼此也是朋友的概率，某節点附近三元闭包越多，其聚集系数就越大（Chakraborty， Srinivasan， & Ganguly， 2016）。

四、虚拟学习社区的网络交互分析

虚拟学习社区的分析方法有不同的流派，例如有以Granovetter为代表的通过网络结构构建和模型分析来测量社会网络对个人行为的影响，还有的基于聚类分析、马尔科夫链、随机过程等理论进行数据挖掘分析。薛玮炜（2015）认为在学习社区的网络形态演进过程中，从以单向传播为主的传统门户网站，到以关系连接为核心的社交网站以及以简书、知乎和微信公众平台等自媒体为代表的以大众精英为关系核心的新网络媒体，分别形成了人际关系的中心化、去中心化和再中心化现象。虚拟学习社区也和其他社会网络一样，信息本身的性质和网络拓扑结构所体现的关系强度成为网络信息传播的重要影响因素。

（一）关系网络的构建

在虚拟学习社区中，学习者之间的信息关联基于互动信息行为，主要表现为成员之间的相互评论、转载、关注、引用等形式。通过对社区中这些群体互动行为的研究，可以发现群体内成员之间的关系、衡量一个群体的紧密程度、测量群体中个体的影响力，还可以研究群体的活跃程度和成长趋势，等等。网络构建与分析的算法比较多，大致可以分为两大类：拓扑结构分析和信息传播模型分析，如图2所示。前者主要侧重于社区内部的节点性质和节点关系的分析，后者更适用于舆情与传播扩散的研究，目的主要是为了发现并解释人际关系对微观信息传播行为的影响，例如Zhuang K等（2016）对微博信息级联与用户影响力的分析。

本研究对两种分析方法进行了综合运用，采用基于Python的NetworkX软件包对虚拟学习社区网络拓扑进行建模并对节点交互进行数据统计分析。NetworkX内置了常用图与复杂网络分析算法，能够帮助我们创建、处理和研究复杂网络的结构和信息传播模型。本研究测试的社区数据来源于现有学习系统平台（www.21train.cn）在专业技术人员网络培训和学习中的实际应用。

在网络拓扑结构的描述中，图形中的节点表示社交网络中一个个的用户，边表示用户与用户之间的关系，在数学上可以采用一个无向图G=（V，E）来描述。其中，顶点表示用户，边表示它们之间的关系连接。因为本研究需要对这些关系强度进行区分，因此为每条边赋予了一个权重，即产生一个加权网络，使用节点之间发生交互行为的频率作为权重大小，权重值越大表示关系强度越大。一个加权网络也可以用邻接矩阵来表示，只不过矩阵的元素Wij的值不是0或1，而是与之对应的边权重值；值越大，说明节点和节点之间的连接越紧密，产生知识交互的可能性越大；反之则说明节点和节点之间的连接越稀疏，知识交互的可能性越小（刘瑶， 等， 2015）。

在现实社会网络中，个人之间的关系以及交互方式有很多种，而不同的社交网络平台允许用户用不同类型的连接来定义彼此之间的关系。例如在微博中，用户可以使用“关注”来表达自己是被关注对象的追随者，可以使用“转发”来传播及扩散被关注者发布的内容，并可以“回复”和“提及”他们。最近已经有研究开始评估有向网络背景下的弱关系性质及信息传播模式，但Granovetter最初所定义的弱关系更着重于交互频率、情感强度、亲密程度等概念，认为关系的连接是无向的。由于本研究用权重来表达关系的强度，研究重点主要集中在弱关系对社区网络交互的影响，这里可以认为加权无向图形表示的网络是弱关系理论定量验证的最适当设置，暂时不引入可能在评估中产生偏差的附加参数。

（二）基于加权网络的社区划分

在社交网络分析中，通常将内部连接比较紧密的节点子集合对应的子图叫作社区，也称社群或子群（后文统称“子群”），各子群节点集合彼此没有交集的称为非重叠型子群，有交集的称为重叠型子群。桥和捷径的特性是被删除时将导致两个节点不能通过有效的替代路径进行连接，当两个节点属于不同子群时，它们之间的连接可以一个是桥或捷径。至少在大型社交网络的背景下，这是一个合理的假设，因为Goldberg等（2011）已研究证明连接不同子群的边是网络交互的瓶颈，而它们的迭代删除容易导致网络的分裂。从社区结构的角度来看，删除弱关系的效果将比去除强关系更具破坏性。

在此，首先需要将学习社区交互网络划分子群结构，找到不同子群的节点，并对其关系特性进行分析。社区发现算法中使用较多的是Blondel（2008）提出的Louvain方法，其主要优点是在处理大型网络时能得到非常准确的结果。算法的输入是加权网络G=（V，E，W），W是与每个边相关联的权重。如图3所示，Louvain算法由两个迭代重复的阶段组成。第一个阶段：对于每个节点，考虑的邻居；对于每个相邻节点，Louvain算法计算通过从社区中移除并将其放置在的社区中所可能发生的模块度增益，顶点将被放置在该增益达到其最大值的子群中。当然，如果不可能实现正增益，顶点将保留在其原始子群。当对所有节点按顺序进行遍历并且增益为最大后，结束第一阶段。模块度定义如公式1所示，其中Aij是连接和的边的权重，和分别是节点和所属边的权重总和，表示节点所属的子群。最初，每个顶点将形成一个子群，即初始状态在中有与顶点一样多的子群。

（1）

模块度增益的计算公式如公式2所示，并且可以简化为公式3：

（2） （3）endprint

Louvain算法的第二阶段会产生一个新的加权网络，其节点与第一阶段中识别的子群重合。连接中的两个节点和，并且边的权重等于对应于和的子群中的节点之间的边权重总和。同样遍历所有节点完成第二阶段，重复这两个阶段，直到获得的子群结构没有变化。

这里选择Louvain算法不仅仅因为其计算效率，还因为它具有三个不错的特性：它产生一个子群的层次结构，并且层次结构的第级别对应于次迭代后发现的子群集合；算法中开销最大的部分是将节点从一个子群移动到另一个子群获得的增益的评估，作者提供了一种有效的公式来进行快速计算；算法输出稳定并且适用于大型网络。

（三）学习社区中弱关系特性分析

Granovetter将弱关系理论与社交网络的结构相关联，学习社区中消息的传播与知识的扩散受到学习者与其他人关系强弱的影响，并且这种关系可以通过其在网络中的位置来表征。弱关系可以是子群之间的桥梁（如图4所示），对于通过网络传播新信息很重要，其连接不同群体而具备获取新信息的优势，而强关系大多位于子群内部（Ferrara， 2012）。

学习社区中的知识传播与消息扩散事件表现在网络中的具体行为即转发、提及和回复等操作。两个用户之间交流的意见越多则收获越多，彼此之间的联系也就越强烈，但这些操作所代表的交互方式是不同的，本研究对此进行了统计分析，以研究关系强度与交互类型的依赖关系。如图5（a）所示，定义纵坐标比率r为给定位置中具有指定类型交互的次数除以该节点的总交互次数，这里将“转发”和“提及”两种不同类型的交互比率进行比较发现，子群内部的交互更多的是“提及”，子群之间的消息传递更多的是“转发”，这种现象与弱关系理论的预测一致：在虚拟学习社区中，当双方对于某一知识点的频繁讨论产生更多的“回复”和“提及”联系时，通常意味着两者具有共同的知识背景和相同的学习兴趣，发生这种交互的节点通常属于同一个子群，具有强关系的特点；“转发”的主要目的是消息的扩散和传播，根据Chiu等（2013）的分析，弱关系连接子群的多样性使其承担了更多的转发，在虚拟学习社区中象征着新知识的传递，这意味着更有效的信息流。特别是如图5（b）所示，当一个节点连接的子群数量越多，其转发行为的发生几率越高。

（四）弱关系在知识交互中的效率分析

为进一步分析弱关系对知识交互的影响和作用，更深入地理解发生在虚拟学习社区中的传播行为，本研究采用如下信息传播模型在该社区的关系网络中进行仿真测试：

（1）让节点i在时间点T=0发布网络信息I，并初始化网络中所有节点的感知状态为0；

（2）發布信息后，节点i的感知状态设置为1，即接收到消息；

（3）查找所有状态为0的邻居节点F（Vi），并计算邻居节点j的关系强度tij（本研究设为与交互频率平均值的比值），设定阈值θ，如果tij>θ则将节点j加入强关系列表L；如果tij<θ则加入弱关系列表W。然后分别采用不同的策略对消息进行转发，并将转发成功的节点状态设置为1；

（4）重复执行步骤3，每次重复就将时间增加一个单位，如T=T+1，直到达到最大时间限制Tmax。

在仿真测试中，通过随机选择网络中的节点作为扩散信息源来执行1，000个传播请求并计算模拟结果的平均值。对于每次模拟，随着权重阈值θ的增加，每个节点的弱关系数量将增加，强关系数将减少。为了研究θ的变化如何影响传播的性能，本研究设置了五种转发策略：

P1：选择弱关系列表中关系强度最小的节点；

P2：随机选择弱关系列表中的节点；

P3：选择弱关系列表中关系强度最大的节点；

P4：优先选择弱关系列表中与其他子群有最多关联的节点；

P5：选择强关系列表中强度最大的节点来转发信息，该策略主要用于比较。

这里通过计算消息传播的覆盖率来衡量知识交互的效率。M是每次转发使用的消息数，U是每个请求所能达到的唯一节点数，c的数值范围在0到1之间。较高的值表示消息可以通过网络有效地传播，而不需要太多额外的消息成本。相反，较低的值表示消息没有通过网络有效地扩散。

图6显示了关系强度阈值增加时虚拟学习社区中的信息传播模拟实验结果，数值表明随着的增加，弱关系的强度差别对消息传播效率有一定的影响，同时也证明了连接子群之间的关系大部分为弱关系。策略P1始终选择数值最小的弱关系，阈值的变化基本对其没有影响；策略P5由于将消息的扩散局限在强关系范围内，导致相同消息数量所传递到的独立节点数量减少较多；策略P4则相对略有增加。可以将此现象理解为，虚拟学习社区中存在沟通较少的边缘节点，如果交互仅仅存在于强关系节点之间，会使交互行为发生的整体概率大大降低，而连接子群的关系大部分为弱关系，但在交互频率上并不一定是最低的，存在一定的区间变化。

五、结语

本研究基于弱关系理论采用社会网络分析方法对虚拟学习社区的结构性质和消息传播模式进行分析，探索了关系强度如何影响知识互动的过程和结果。过去的研究已表明弱关系在信息扩散方面具有重要作用，本研究的数据显示学习社区中的弱关系同样至关重要，不同类型的弱关系对传播效率的影响存在差异，当一个网络子群较多时，选择一个与其他子群关联最多的节点能对传播效率产生最有效的结果。虚拟学习社区中拓扑关系的演化具有规则与随机混合的复杂性，探索和发现社区中隐含的微观结构以及交互行为规律对提高整体学习效率和进行个性化学习推荐有很大的帮助，如何与其他网络分析方法结合，对不同类型的虚拟社区进行更细致的比较分析是本研究下一步的研究重点。

[参考文献]

胡钦太. 2005. 关于虚拟学习社区的几个问题探讨[J]. 中国电化教育（6）：26-29.

蒋伟丽. 2014. 虚拟学习社区在教师教学和管理中的指导作用[D]. 武汉：华中师范大学.endprint

李敏. 2015. 虛拟学习社区成员互动的知识建构效果分析——以“大数据与信息传播”课程讨论区为例[D]. 扬州：扬州大学.

刘瑶，康晓慧，高红，等. 2015. 基于节点亲密度和度的社会网络社团发现方法[J]. 计算机研究与发展52（10）：2363-2372.

王志军，陈丽，韩世梅. 2016. 远程学习中学习环境的交互性分析框架研究[J]. 中国远程教育（12）：37-42.

薛玮炜. 2015. 基于标签本体的虚拟社区信息交互活动研究——以人际关系网络为视角[J]. 情报杂志（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

（下转第30页）

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：吴笛，博士，讲师；李保强，博士，教授，博士生导师；蔡运荃，博士研究生。武汉大学教育科学研究院（430072）。

责任编辑 刘 莉endprint