在线交互网络中个体重要性评估及对学习成效的影响 *

梁云真

(河南师范大学 教育学院，河南 新乡 453007)

一、问题的提出

随着网络技术、Web2.0技术等新型技术的蓬勃发展，慕课、在线开放课程等在线学习形式呈现井喷状的发展势态。同时，国家、学校和用户群体纷纷关注。国家出台《教育部关于加强高等学校在线开放课程建设应用与管理的意见》(2015)，并表示要建设一批课程应用与教学服务相融通的优质在线开放课程。2018年教育部首批推出了490门“国家精品在线开放课程”。据不完全统计，我国高校建设的在线课程总数已超过1400门，高校和社会学习者选课人次首次超过3000万[1]。

交互一直都是远程教育领域关注的焦点。研究者从交互类型[2][3]、交互模型[4][5]、交互策略、交互评价[6]等维度开展了深入的探讨。慕课、在线开放课程等在线学习形式，尽管与传统远程教育有着本质性的区别，但在线交互仍然是其基础与核心。在员工知识网络的相关研究成果认为，不同的员工在知识网络中具有不同的作用，如有些员工是知识来源(出度最大)，起着广播知识的作用；有些员工起桥梁作用(中介中心性最大)，负责由知识源接收知识并向他人传导知识；另外，还有擅长集百家所长，并进行实践应用的员工等[7]。因此，我们认为学习者在交互网络中所处地位及作用的不同，对于交互及学习效果也有不同影响。

本研究中的在线交互网络主要是指学习过程中，学习者与学习者之间的发言、回复、评论等行为而产生的社会网络。在社会网络研究领域，评估网络节点的重要性，探寻复杂网络中的重要节点一直都是网络研究中的关键问题[8]。处于在线交互网络核心位置的具有重要地位的学习者，对于交互网络的形成以及问题的解决等学习任务的完成具有重要的作用，如果交互网络中失去了他，将会对交互及问题解决产生重要影响，因此把握每位学习者在交互网络中的重要性，以便制定合适的交互策略，促进有意义交互的产生。那么如何根据学习者的在线交互行为识别交互网络中处于重要地位的个体呢？

本研究拟在分析基于社会网络的节点重要性评估，以及交互分析相关方法的基础上，结合在线交互网络的特征，建构在线交互网络中个体重要性评估模型，提出基于PageRank的在线交互网络中个体重要性评估方法。并进行实际验证与应用。同时分析在线交互网络中学习个体重要性对于其知识建构水平、学习成绩等方面的影响。

二、相关研究基础

(一)基于社会网络的节点重要性评估方法及应用

网络节点重要性的评估方法主要有基于网络结构的方法和基于社会网络分析的方法两大类。基于网络结构的方法建立在“破坏性等价于重要性”这一理念的基础上。认为网络节点的重要性即“删除节点后对网络连通的破坏程度”。李鹏翔等[9]基于节点(集)删除的方法，采用节点被删除后形成的所有不连通节点间的距离的倒数之和来测量节点的重要性，但该方法仅是针对无向网络，而没有考虑赋值网络和有向网络。安世虎等[10]采用节点删除方法，建构了赋值网络中节点集重要性的综合测度数学模型，并在知识共享网络中应用并验证其有效性。

基于社会网络分析的方法，核心理念是“重要性等价于显著性”，也就是认为网络节点的重点性即该节点与其他节点之间建立的连接而使其具有的显著性[11]。即节点的重要性可通过点度数、中心性、最短路径等参数评估。栾春娟等[12]认为网络中心性是衡量节点重要性的重要指标。其中程度中心性处于最为重要的位置。程度中心性越高的节点，其在网络中的地位越高、权力最大。基于此，栾春娟提出了发明者合作网络中节点重要性的评价方法，并探讨了其对科研绩效的影响。叶春森[13]认为节点的重要性可以通过节点的度与凝聚度来测量，即：

(其中di为节点Vi的度，cdi为节点Vi的凝聚度。ci是节点Vi的连通度，ci等于节点Vi直接相连的节点之间的边的总数)，并通过案例验证该方法的有效性。上述方法仅考虑节点自身的度值及相关信息，对于节点之间的其它方面的差别捕捉不到，具有一定的片面性。因此，王建伟等[14]综合考虑节点度、邻居节点度、节点介数等多种因素，探索了一种带有可调参数的节点重要性评估方法，并在艾滋病患者性关系网络中进行了应用与验证。该方法仅考虑了节点度及相关信息。

整体来看，基于社会网络分析的节点重要性评估方法的应用领域主要有：1.科研合作网络：肖连杰等[15]在考虑节点的点权信息的同时，将节点的边权即科研合作者共同发表论文的学术价值也作为节点重要性的核心要素，提出了科研合作网络中节点重要性的评估方法。2.网络意见领袖识别：李卓卓等[16]、罗晓光等[17]、陈远等[18]基于中心度、核心—边缘模型、结构洞等方法分别探讨了大学生就业舆情网络，论坛、QQ群及博客、顾客口碑网络中的意见领袖识别方法，并进行应用；朱卫未等[19]结合社会网络分析方法与偏好排序，确立了网络舆情中意见领袖的识别方法。3.员工重要性评估：单伟[20]、钟琦[21]、陈亮[22]等开展了知识交流网络中员工的重要性的相关研究，刘军[23][24]基于前人的研究成果，从隐性知识交流网络的结构出发，借鉴PageRank算法提出了员工重要性及隐性知识交流能力评价模型并通过实例验证了模型的科学性。这些研究成果对本研究具有重要的借鉴意义，为本研究的顺利开展提供了坚实的理论与方法基础。

(二)学习者交互分析方法

交互分析方法是交互研究的切入点，不同的交互分析方法，具有不同的分析工具与技术，适用于不同的分析对象与研究目的。从网络学习环境下的学习者交互研究来看，主要包括定性的方法和定量的方法两大类。其中，定量的交互分析方法主要包括内容分析法、社会网络分析法、系统建模法、多层线性模型法、滞后序列分析法等。定性的交互分析方法主要包括话语分析法、扎根理论分析法、案例研究法、事件分析法、叙事分析法、OCAF方法(Object-oriented Collaboration Analysis Framework)。

研究者通常采用内容分析法，基于科学的编码框架，对交互内容进行编码、分类与计量，从而揭示在线交互过程与质量。王晶等[25]基于Veldhuis提出的编码体系，采用内容分析法从认知活动、元认知活动、情感活动及其他活动四个维度，分析了在线课程中的异步交互。Hou[26]等采用内容分析法分析交互文本的表层信息，揭示在线交互过程及其质量。刘智等[27]通过概率话题建模与词频分析、内容分析等方法，对云课堂中学习者互动话语行为进行研究。对于学习者交互的分析，除了关注交互内容外，还需要深入探究交互过程与网络结构等。王陆等采用社会网络分析法分析成员间的交互关系与频次，揭示交互结构。郑兰琴等[28]将协作学习系统看作信息系统，基于此提出基于信息流的交互分析方法，分析交互过程中信息流与知识网络图的属性。杨现民等[29]采用滞后序列分析法研究交互行为随时间变化的模式特征、状态转移等。

社会网络分析与其他方法相比，更为关注事件及个体之间的关系层面。如Palonen等[30]基于协作学习网络的密度与中心势，衡量学习者之间的交互模式；Daradoumis等[31]通过测量网络密度、成员中心度等参数，分析虚拟学习社群中学生的参与度；谢小静[32]从社群密度、中心度及小世界效应等方面分析“中国教育人博客”社群，探讨成员互动关系特征；笔者曾经基于学习者交互网络的密度、中心性等参数，确定核心与边缘参与者。并对其交互质量及行为序列进行比较分析[33]。

整体来看，综合采用多种方法开展交互研究已成当前的主要趋势。郑勤华等[34]采用社会网络分析、内容分析等方法，对MOOCs中学习者交互数量与质量进行研究。笔者同样曾采用社会网络分析、内容分析法和滞后序列分析法等多种方法，基于知识建构的视角，对网络学习空间中的学习者交互深度进行分析与评估[35]。采用社会网络分析方法进行的交互研究中，通常关注网络密度、中心性、凝聚性等整体网络的疏密程度。

三、在线交互网络中个体重要性评估方法

(一)PageRank算法及个体重要性评估的启示

PageRank算法是由Google的创始人拉里•佩奇和谢尔盖•布林在随机冲浪者模型基础上提出的[36]。作为谷歌搜索引擎的核心算法，它的核心理念是“某网页的重要性取决于指向它的其他页面的数量和质量”。即如果一个网页被一个重要的网页链接，那么该网页也是一个重要的网页。因此，PageRank不仅考虑被链接网页的数量，同时还兼顾其质量，全方位地、客观地评估网页的重要性从而对网页排序[37]。

交互是在线学习活动最为显著的特性，在线学习过程中，学习者通过学习论坛进行互动与交流，达成知识共享与建构。学习者在线交互网络是指在线学习过程中，由学习者之间的交互关系而形成的某种特定的有序组合方式和存在方式[38]。王陆[39]、王永固[40]、Václav Snášel[41]、徐峰[42]、阮玉娇[43]等从不同维度与层次，通过密度、网络效率、互惠性、点入度和点出度、派系分布、核心—边缘结构、结构洞等参数与计算，开展了学习网络结构的相关研究。对于在线交互网络中学习者个体位置与角色的以往研究中，多从“意见领袖”这一核心概念入手。王陆等[44]采用结构洞的方法测量意见领袖，并通过实证研究证明，教师是虚拟学习社区社会网络中的意见领袖，意见领袖对于整个网络的密度、互惠性、连通性等参数均有重要影响。刘敏等[45]对“中小学信息技术教育论坛”中的发帖进行整理，根据论坛成员发帖量、回复量，并结合认同值，采用聚类分析的方法，筛选意见领袖。吴青等[46]在Stuetzer提出的意见领袖衡量指标的基础上，综合考虑点度中心性、中介中心性、特征向量中心性等参数，将上述参数中任意指标排名前5%的学员认定为论坛中的意见领袖。这些研究对于在线交互网络均提供了重要的理论与方法基础，值得我们借鉴。

综上所述，与点度中心性、中介中心性、特征向量中心性、发帖量、回复量、结构洞等参数与指标不同的，PageRank算法不仅考虑了链接网页的数量，还考虑了其质量。在线交互网络和网页链接网络具有高度相似性，均可以看作为由学习者或网页所形成的一个有向图，其中，节点是指学习者或网页，节点与节点之间的连线，即表示学习者之间的交互关系，或者网页之间的链接关系。 因此，我们认为在线交互网络中学习者个体重要性的评估，应该不仅仅考虑学习者自身的重要性，还应该考虑其交互对象的重要性。

(二)在线交互网络中个体重要性评估模型建构

如上所述，在线交互网络中学习者个体重要性，不仅与学习者自身的中心性等参数相关，还与其交互对象的各种参数相关。在社会网络研究中，通常认为节点的重要性与该节点的点度数、中心性、最短路径等密切相关，并且可以通过这些参数评估。因此，我们认为学习者在交互网络中的重要性受学习者个体的点度中心度、中介中心度、接近中心度、交互的对象等参数的共同影响与作用。

本研究将在线交互网络定义为一个具有权重的有向图，即：

其中S是所有节点的集合，表示的是在线交互网络中的学习者；C表示学习者之间交互关系的集合；E是权重矩阵，表示学习者之间交互次数构成的矩阵。只有Ei,j＞0时，边Cij∈E。

1. 学习者个体的点出度与其在交互网络中的重要性

本研究中的“点出度”表示由该学习者发出的交互次数，即该学习者主动向其它学习者提问和交互的次数。学习者Si的点出度记为Do(Si)。

点出度越大，该学习者在交互网络中发出的交互信息越多，从学习者获取知识、信息的其他学习者越多，因此该学习者在交互网络中具有越重要的地位。设学习者Si的重要程度为I(Si)，如果仅考虑点出度对学习者重要性的影响，则有：

其中f(Do(Si))是关于Do(Si)的增函数。

2.学习者个体的点入度与其在交互网络中的重要性

本研究中“点入度”表示该学习者被其他学习者选择为交互对象的次数，即该学习者收到其它学习者的交互次数。学习者Si的点入度记为Din(Si)。

点入度越大，该学习者在交互网络中收到的交互信息越多，从其他学习者获取知识、信息越多，该学习者可能在收到信息的同时也向其他学习者传递信息，因此在交互网络中应该重视这类学习者，他们在未来很有可能发展成为在交互中具有重要地位的学习者。如果仅考虑点入度对学习者重要性的影响，则有：

g(Din(Si))是Din(Si)关于的增函数。当同时考虑点出度与点入度对学习者重要性的影响时，则有：

其中0≤ω1，ω2≤1，ω1+ω2=1。ω1、ω2分别表示点出度与点入度对学习者重要性影响的权值。

3.学习者个体的中介中心度与其在交互网络中的重要性

中介中心度是衡量学习者Si在多大程度上处于其他任何两名学习者之间的测地线上，即在多大程度上控制着交互的重要参数。学习者的中介中心度记为DB(Si)。

其中j≠k≠i且j＜k。中介中心度越大的学习者在交互网络中起到的桥梁作用越大，如果失去这类学习者，将会影响交互的顺利进行。因此，在交互网络中，中介中心度越大的学习者，越具有较大的重要性。如果只考虑中介中心度对于学习者重要性的影响，则有：

φ(DB(Si))是关于DB(Si)的增函数。当同时考虑点出度、点入度、中介中心度对学习者重要性的影响时，则有：

其中0≤ω1，ω2，ω3≤1，ω1+ω2+ω3=1。ω1、ω2、ω3分别表示点出度、点入度、中介中心度对学习者重要性影响的权值。

4.学习者个体的接近中心度与其在交互网络中的重要性

接近中心度是衡量学习者在网络中位置的重要指标，即对于其它学习者的依赖程度，某学习者与其它学习者距离和越大，他对其它学习者的依赖性越小，该学习者在交互网络中越具有重要性；某学习者与其他学习者间的距离和越小，该学习者在交互网络中的重要性越小。尽管接近中心度与学习者的重要性也具有较强的关联，但是由于接近中心度与点度中心度密切相关，因此，本研究中不考虑接近中心度对于学习者重要性的影响。

5.学习者的交互对象与其在交互网络中的重要性

本研究中，假设学习者Si在交互网络中比较重要，如果Si向学习者Sj发出交互信息，则认为学习者Sj在交互网络中也较为重要，即学习者Si在交互网络中越重要，其所选择的交互对象也越重要。设学习者Si向学习者Si1、Si2、…、SiDo(Si)等发出了交互信息，如果仅考虑交互对象对学习者个体重要性的影响，那么则有：

其中0≤ω1，ω2，ω3，ω4≤1，ω1+ω2+ω3+ω4=1。ω1、ω2、ω3、ω4分别表示点出度、点入度、中介中心度、交互对象对学习者重要性影响的权值。

6.在线交互网络中学习者个体重要性评估模型

如果令

那么

式中0≤ωi≤1，ωi即指点出度、点入度、中介中心度、交互对象对学习者重要性影响的权值。

(三)在线交互网络中个体重要性评估模型的验证

本研究选取包括4名学习者的小组G1交互网络的数据验证本模型的有效性，小组G1的邻接矩阵如下页表1所示。学习者Si的点出度、点入度、中介中心度可以通过社会网络分析软件UCINET6直接计算，但是学习者Si的重要性又需要计算其交互对象的重要性，而交互对象的重要性又需要该模型才能计算，因此必须采用迭代法对模型求解，为学习者的重要程度设置初始值(如下页表2所示)，执行迭代计算，直至结果趋向于某个值为止。

表1 小组G1的邻接矩阵

表2 模型各参数初始值

设各学习者重要程度的初始值均为1，ω1=ω2=ω3=ω4=1/4，学习者S1、S2、S3、S4各参数的初始值如表2所示，利用迭代法进行求解，过程如表3所示。由表3可知，模型经过33次迭代，结果收敛于固定的值，4位学习者的重要程度依次为：S1、S2、S3、S4。由表1可知，S1、S2、S3与其它学习者均有双向交互，但是S2与S4的交互比S1与S4的交互次数多，S3的点出度与点入度均小于S1和S2，因此S1处于最重要的位置，S2、S3次之，而S4仅与S1和S2有双向交互，与S3之间仅存在单向交互，因此S4重要性最低。在课前分组时，S1是该小组的组长，负责小组协作问题解决学习活动的任务分配、交互活动的组织等，S1、S2、S3三位学习者均是女生，且均为汉语言文学专业，而S4是男生，专业为运动训练，因此该模型计算的结果与实际情况相符，我们认为该模型有效。

表3 模型求解过程

四、研究设计

(一)研究对象

本研究选取XX师范大学修读《现代教育技术》的数学、汉语言文学、生命科学与技术等师范类专业的33名学生。该课程采用基于SPOC的混合学习模式，该模式主要包括学习准备、协作探究、成果交流与总结反思四个阶段。其中，学生课下基于SPOC进行自主学习、测试与评价，课中在智慧教室环境中通过教师主导、小组协作的形式开展。在线交互是学习过程中答疑与小组协作的主要沟通渠道。

本研究选择专题《数字视音频的设计与制作》，来分析SPOC学习活动的设计及在线交互的过程模式。如图1所示，学习准备阶段的主要任务是撰写分镜头，包括确定视音频作品的主题、拟定分镜头脚本初稿、互相评价方案、修改方案，最后形成分镜头脚本的定稿五个部分。该阶段学习中，交互主要包括：小组间互相评价分镜头脚本初稿及分镜头脚本撰写过程中遇到的问题、困惑等，以及小组内讨论确定主题、分步讨论脚本、小组内根据组间互评的结果讨论修改方案等。

图1 专题学习活动设计

协作探究阶段：协作探究阶段的主要任务是完成数字视音频的制作，包括学习数字视音频采集与处理的知识与技能、按照分镜头脚本分别采集视音频素材、数字视音频的后期剪辑与处理、完成作品制作四个部分。该阶段学习中，交互主要包括：为数字视音频制作过程中遇到的问题、困惑提供交流讨论的空间，为小组内讨论及确定视音频的后期剪辑、特效添加、字幕处理等方案提供支持。

成果交流阶段：本阶段的主要任务是各小组展示数字视音频作品并相互评价。交互主要贯穿于组间评价作品过程，以及组内根据评价反馈讨论修改过程中。

总结反思阶段：主要是学习结束后学习者撰写学习总结与反思，以及自我评价等部分的工作。此时，交互主要指学习者在学习反思中的交流讨论。

(二)研究目的与假设

本研究在借鉴PageRank算法核心理念的基础上，综合考虑学习者自身的重要性及其交互对象的重要性，提出在线交互网络中学习者个体重要性的评估方法并进行了验证。为了探索学习者个体重要性对于学习成效的影响，本研究的研究假设如下：

研究假设1：个体重要性越大的学习者，知识建构水平越高。

研究假设2：个体重要性越大的学习者，学习成绩越好。

(三)学习成效的测量方法

本研究从学习者个体的知识建构水平和学习成绩两个维度表征学习成效。其中，学习者个体的知识建构水平是依据Gunawardena等(1997)提出的5阶段交互分析模型(Interaction Analysis Model，IAM)，对学习者交互数据进行编码分析而判定。即从分享与澄清、认知冲突、意义协商、检验修正、达成与应用等5个层次表征知识建构水平。编码一致性系数为0.76，认为具有良好的信度。学习成绩数据则来源于37名学生在该课程中取得的成绩。该课程的成绩包括两部分，其中40%是平时成绩，60%是期末测验成绩。

五、个体重要性对交互质量及学习成效的影响分析

(一)学习者个体重要性评估结果

在线交互网络中，33名学习者的各参数初始值如表4所示，设各学习者重要程度的初始值均为1，ω1=ω2=ω3=ω4=1/4，利用迭代法进行求解。由表5可知，模型经过1545次迭代，结果收敛于固定的值，33位学习者中重要程度最高的5位依次为：G3e、G6a、G2c、G4c、G5d，重要程度最低的5位依次是：G1d、G6d、G2b、G5a、G7a。

表4 模型各参数初始值

续表5

通过点度中心性、中介中心性、接近中心性三者的分析发现，在本研究的交互网络中，学习者G3b、G2d、G3c、G5c、G1c等学习者处于相对核心位置，学习者G5e、G7a、G7c、G1d、G6c处于网络的相对边缘位置。与本模型对于学习者的重要性评估结果不完全一致，但是通过与邻接矩阵及社群图的对照分析，在重要程度最高的5位学习者中G3e、G6a、G2c、G5d均为小组组长，组长负责小组交互的组织、协调，具体职责包括：对学习任务进行合理的分工；组织小组成员通过有效的交互、协作共同解决问题；在学习过程中监督每个组员在线上与线下的表现；引导小组成员围绕任务进行积极的讨论并提供与问题解决相关的信息、线索与资源；保证学习活动按进度计划进行等。通过对交互数据的分析与研究发现，G4c在交互时提出的问题能够被较多其他学习者回答，并且与重要程度较高的学习者如G2c、G3e等联系较为紧密。因此，本模型的研究结果更符合实际情况，更为精准地评估了学习者在交互网络中的重要程度。原因如下：本模型在评估学习者重要性时，不仅考虑到了学习者本人的点入度、点出度、中介中心度、接近中心度等参数值，还把与之关系紧密的学习者的重要程度纳入考虑范围，作为对其重要性具有重要影响的一个维度，因此本模型的研究结论更为可信。

(二)学习者个体重要性对知识建构水平的影响

在所有学习者交互的知识建构水平编码数据中，分别筛选出个体重要性最高和最低的五位学习者的编码数据，结果如图2所示。

图2 重要性程度最高和最低的10位学习者的知识建构水平

从图2可以看出，不管是重要性高还是低的学习者，其知识建构行为均呈现共同的趋势，即较多停留在知识建构的知识建构的分享与澄清阶段(KC1)、认知冲突阶段(KC2)、意义协商阶段(KC3)，而较高阶段检验与修正阶段(KC4)和达成与应用阶段(KC5)的比例非常少，甚至缺失。但是，重要性高的学习者在交互出现了KC4，而重要性低的学习者在交互中KC4和KC5均未出现。

为了进一步探究不同重要性的学习者的KC1、KC2、KC3、KC4等4个层次知识建构水平是否存在显著差异，本研究以学习者的重要性程度为分组变量，以KC1、KC2、KC3、KC4为检验变量，进行独立样本t检验，并对均值差异达到显著差异的检验变量，进一步采用效果值(Size of Effect)(即η2)报告实际显著性(Practical Significance)。研究结果如表6所示。

表6 不同重要性的学习者的知识建构行为模式的对比分析

从表6可以看出，在线交互网络中，重要性高的学习者的KC1、KC2呈显著性差异，而KC3(t=1.118，df=8，p=0.296＞0.05)、KC4(t=1.000，df=4.000，p=0.374＞0.05)未呈显著差异。

其中，就不同重要性的学习者的“KC1行为”差异而言，t=3.882，df=8，p=0.005＜0.05，达0.05显著水平，表明重要性程度高的学习者的“KC1行为”(M=4.60)显著高于重要性低的学习者的“KC1行为”(M=1.00)，并且重要性变量可以解释“KC1行为”变量总方差中的65.3%(η2=0.653)的变异量。

就不同重要性的学习者的“KC2行为”差异而言，t=3.810，df=8，p=0.005＜0.05，达到0.05显著水平，表明重要性程度高的学习者的“KC2行为”(M=2.00)显著高于重要性低的学习者的“KC2行为”(M=1.00)，并且重要性变量可以解释“KC2行为”变量总方差中的64.5%(η2=0.645)的变异量。而“KC3行为”(t=1.118，df=8，p=0.296＞0.05)、“KC4行为”(t=1.000，df=4.000，p=0.374＞0.05)、重要性不同差异均未呈现显著。

因此，整体来说，不同重要性的学习者的知识建构水平并未显著差异。研究假设1不成立。反思研究过程，由于本研究中收集的数据仅仅是学习者9周在线交互的数据，因此，对于知识建构水平的表征可能存在偏差。后续将开展更长时间跨度的追踪研究，深入探讨学习者个体在交互网络中的重要性对其知识建构水平的影响，以及其重要性的纵向动态发展。

(三)学习者个体重要性对学习成绩的影响

为了进一步探究不同重要性的学习者的学习成绩的差异是否显著，本研究以学习者的重要性程度为分组变量，以学习成绩为检验变量，进行独立样本t检验，并对均值差异达到显著差异的检验变量，进一步采用效果值(Size of Effect)(即η2)报告实际显著性(Practical Significance)，如表7所示。

表7 不同重要性的学习者的学习成绩的对比分析

从表7可以看出，重要性高的学习者的学习成绩显著高于重要低的学习者，t=2.180，df=22，p=0.040＜0.05，达到0.05显著水平，表明重要性高学习者的“学习成绩”(M=71.67)显著高于重要性低的学习者的“学习成绩”(M=66.17)，并且重要性变量可以解释“学习成绩”变量总方差中的17.8%(η2=0.178)的变异量。

因此，我们认为，学习者在交互网络中的重要性对学习成绩有显著的正向影响。研究假设2成立。可以在今后的在线学习设计中，积极采用问题解决、同伴互评等在线协作学习策略，提高学习者在线交互的参与度。并积极调动处于交互网络中重要地位的学习者，发挥其模范带头作用；同时，也要关注在交互网络中处于边缘地带的学习者，有针对性的促进其积极参与交互，增加在线学习投入，以提高在线学习质量。

六、总结与思考

相关研究表明，处于核心地位的学习者学习成绩较好，处于网络边缘位置的学习者，参与交互较少，其学习成绩、反思水平、批判性思维能力等均相对较差，因此如何精准地判断与识别在线交互网络中学习者的位置及重要性，对于进行个性化学习、差异教学、教学管理与干预，教学设计与实施等均有重要价值[47]。因此，本研究尝试在分析基于社会网络的节点重要性评估方法的基础上，基于PageRank的核心理念，即“某网页的重要性取决于指向它的其他页面的数量和质量”；建构了不仅考虑学习者自身的重要性，还顾及其交互对象的重要性的在线交互网络中个体重要性评估模型；提出通过学习者个体的点度中心度、中介中心度、接近中心度、交互的对象等参数，评估在线交互网络中个体重要性的方法；并通过实证研究表明：学习者在交互网络中的重要性对其知识建构水平无显著影响；但是处于交互网络中较重要地位的学习者的学习成绩显著高于重要性低的学习者。总的来说，本研究结论对在线教育实践有以下启示。

(一)发挥个体重要性高的学习者在交互中的带头作用，提高交互参与度。每个社会网络中，通常拥有一个或多个处于网络中心地位的成员，这些成员在网络中起到信息桥梁作用，并且具有一定的影响力，被认为是网络意见领袖[48]。意见领袖是信息传播网络中的能动者，能够积极地将媒体信息传递给其它参与者。本研究探讨的在线交互网络是由学习者之间的交互所形成的社会网络，研究表明，交互网络中个体重要性高的学习者在交互网络中具有重要地位，与意见领袖具有同样作用。因此，充分发挥个体重要性高的学习者在交互中的积极主动性，可以通过鼓励各小组组长履行组长职责达成。组长要做好小组协作探究活动的组织、协调工作，如对学习任务进行合理的分工；组织小组成员通过有效的交互、协作共同解决问题；在学习过程中监督每个组员在线上与线下的表现；引导小组成员围绕任务进行积极的讨论与提供与问题解决相关的信息、线索与资源；保证学习活动按进度计划进行等。

(二)建立在线交互的教师参与及实时监测机制，关注边缘地带学习者。李建生等[49]研究发现，教师参与的时间长短、参与的程度均对学习者网络学习社区中的社会性交互产生了重要的影响。在教师组织的讨论中，交互内容主要与学习任务相关；而由学习者自由发起的讨论中，则以交流情感、活跃气氛等与学习无关的内容为主。教师参与交互，通过观察及在线学习平台的数据记录，关注学习者交互的情况，对学习者交互的过程及动态进行时时监测与把握，便于及时发现学习者学习过程中的困难，为学习者解决问题提供支持与帮助。此过程也有助于及时发现与鉴别交互过程中处于边缘地带的学习者，深入分析与探究其不积极参与交互的深层原因，及时采用有效措施进行鼓励与干预，提高其交互参与度。

(三)形成良好的在线学习氛围，提高学习者参与交互的积极主动性。谢云等[50]认为良好的学习氛围，有助于学习者对学习共同体产生参与感、认同感与归属性，更能促进学习者产生高度的学习动机，促进学习者积极参与学习活动。通过异质分组(使学习者之间取长补短)、破冰之旅(帮助学习者快速熟悉彼此)、制定共同遵守的交互规则等方式，营造良好的学习氛围。同时，目前在线学习通常以课程论坛的异步交互为主，但是异步交互普遍存在得不到即时反馈的缺陷，因此有必要引进即时通讯技术，构建无缝交互环境。满足学习者即时交互的需求，便于学习过程中问题的解决。另外，可以设置交互过程的鼓励与强化机制，提高学习者参与交互的积极主动性。