在线环境中自我调节学习和同伴互动水平的关系研究

韩中美 田甜 何涛 黄昌勤

摘要：同伴互动是在线学习环境下学习者知识构建的关键，也是提升在线学习效果的重要途径之一。自我调节学习可以影响学习者的学习行为，而同伴互动作为学习行为的一种，同样可以被其影响，由于当前缺乏对在线学习过程数据的全面挖掘并量化自我调节学习和同伴互动，导致两者之间具体关系仍然有待深入探究。该文通过采集学习者的日志数据和讨论文本数据，首先采用两阶段聚类法量化自我调节学习水平，然后通过社会网络分析、社会认知网络分析和LSTM方法全方位挖掘和量化同伴互动水平的行為水平、认知水平和情感状态三个维度，最后进一步分析自我调节学习水平和同伴互动水平不同维度之间的关联关系。结果显示，在线学习过程中大多数学习者还不具备高水平自我调节学习能力，而且同伴互动也更多停留在浅层的行为层面；在线学习过程中学习者互动时的认知结构会受到教师发布学习主题的影响；在线学习过程中学习者的自我调节学习水平对同伴互动水平有显著正向影响。

关键词：自我调节学习；同伴互动水平；社会网络分析；认知网络分析；LSTM神经网络

中图分类号：G434 文献标识码：A

* 本文系2021年浙江省哲学社会科学规划课题“人机协同视域下基于多模态交互的学习者情感补偿机制与策略研究”（课题编号：22NDQN220YB）、浙江省智能教育技术与应用重点实验室开放研究基金“混合学习中基于多模态协同交互的学习者具身情感因果推理研究”项目（项目编号：jykf21001）阶段性研究成果。

随着互联网技术的深入发展，在线学习成为数字化时代人们学习的重要途径。疫情当下，在线学习更是成为一种新常态。在线学习中（即学习者在由信息网络创设的技术环境）主要学习行为包括独立学习行为、社会交互行为、系统交互行为、资源交互行为[1]。大量学者研究证实，同伴交互是决定学生在线学习成功学习经历的重要变量之一[2]。但由于在线环境下教与学时空分离，其情境缺乏真实性，使同伴在线互动存在知识建构层次较低、交互水平低的问题。如何提升同伴互动水平成了亟待解决的问题。一些研究通过改进教师教学设计和学习平台设计提升学生的互动水平，效果仍然不佳。有国外研究者提出在线学习者的自我调节学习对同伴互动存在一定的影响，但并未通过实证研究给出明确的研究结果；同时国内对于在线自我调节学习和同伴互动水平之间有何关系的研究甚少。而且国内外均还没有研究高效利用在线过程性数据分析两者的关系。因此本文旨在通过在线学习行为数据深度挖掘并综合多种学习分析技术对两者的关系进行多维度深入分析，以期明确在线自我调节学习对同伴互动水平的影响，从而为在线学习中同伴互动水平不足这一难题提供新的解决方案和策略。

（一）自我调节学习及其量化

自我调节学习是一种能力，是指学习者在学习过程中设定目标，并运用元认知、动机、行为三方面的策略，计划、监控、调节、反思自己学习过程和行为的一种能力。有研究表明自我调节学习包括目标设定、时间管理、努力调节和寻求帮助四个方面[3]。研究发现，目标设定是一种元认知调节策略[4]。依据Pintrich的理论阐述，自我调节学习包括动机调节、认知和元认知调节、行为及上下文调节，其中行为及上下文调节包括时间管理、寻求帮助和努力调节[5]。有研究表明学习规律性与学生时间管理和元认知策略有关[6]。而努力调节指学习者在学习过程中投入的总时间[7]。综上所述，本研究认为其具体包括努力调整、规律学习和寻求帮助这三方面的能力。在线自我调节学习是指在线学习中学习者积极激励自己并调用适当学习行为的动态学习能力，它是自我调节学习在在线学习领域中的具体表现。

自我调节学习作为能力测量的方法有问卷调查法、访谈法和教师评价法。现有研究多用问卷调查法从目标设定、环境构建、行为动机、策略等几个方面对自我调节学习进行测量[8][9]。大数据、机器学习的发展，为通过量化学习过程数据、行为数据来测量自我调节学习水平提供了新的技术手段[10-14]，相较于传统方法，基于行为过程数据的学习分析技术更为客观，是自我调节学习水平测量的新兴方向。

（二）同伴互动及其量化

同伴互动指一个学习者和另外的学习者共同分析和解释信息，解决问题，分享信息、意见和见解[15]。同伴互动只是一种形式，对于互动的研究关键问题是要看同伴之间互动的水平、深度及状态。按照教育社会学视角、社会互动理论及社会性互动内容的描述，社会性互动主要内容包括行为成分、认知成分和情感成分。同伴互动也属于社会性互动的一种，即同伴互动包括行为成分、认知成分和情感成分。因此，本文研究的同伴互动水平包括行为水平、认知水平和情感状态三大类。

目前针对在线学习交互水平的各项研究中，应用较多的是内容分析[16-18]。还有研究利用社会网络分析方法[19]、行为序列分析[20]等方法对互动进行研究。随着大数据和机器学习方法的发展，现在对于互动水平的测量又有了新的方法。国外有研究者将学习者的交互情况用日志数据量化，使用聚类分析的方法将学习者按照互动水平分为不积极、积极和非常积极三个类型[21]。现有研究一般都采用其中单一的一种方法研究互动，而综合多种方法深入分析在线学习互动的研究较少。有鉴于此，本文将采用社交网络分析、社会认知网络分析和LSTM等方法揭示学习者交互规律。

（三）同伴互动与自我调节学习的关联关系

国外研究者主要对在线自我调节学习和教学互动的关系开展了一些研究，但目前研究结论并不统一。Cho等从在线学习中教学互动的视角展开自我调节学习和师生交互关系的系列研究，表明自我调节学习对同伴互动是有积极影响的[22]。影响在线学习中学生互动的自我调节学习变量包括学习者特征、对课程内容和互动的感知重要性等等[23]。在线学习中自我调节学习和学生-学生、学生-教师、学生-内容互动均有显著相关性[24]。还有研究提出自我调节学习能力强的学习者同伴互动反而是低水平的，因为不需要与同伴进行互动，自己可以完成学习过程[25]。国内较少发现在线自我调节学习与同伴互动之间关系的深入研究，且利用在线学习过程性数据展开自我调节学习和同伴互动关系的卓有成效研究较少。

综上所述，当前研究亟待采用准确高效的方法对自我调节学习和同伴互动进行量化，并从多维度和本质上探究在线学习环境中在线自我调节学习和同伴互动水平的关联关系，分析不同维度的同伴互动水平以及自我调节学习对其施加的影响，给在线学习中同伴互动水平低的问题带来新的解决思路。

（一）研究设计

本研究选取华南师范大学一门《计算机辅助教学》在线课程的交互数据。该课程为教育技术专业本科生专业必修课，课程形式为完全线上学习，学习者的个人学习和同伴互动等学习活动均于在线环境中开展。课程持续了一个学期（16周），总共有60名学生有效参与了课程活动。教师按照学习者的学习风格和学习成绩将60名学生按照组内异质组间同质的原则分为了10组，促进学习者开展小组协作。学习过程教师共发布了13个协作学习主题，学习者围绕主题进行了积极的互动，共产生了5400余条有效文本数据和11000余条日志数据。因本研究是针对同伴互动水平的调查，数据处理过程中已经将学生与教师的无效互动数据剔除。本研究主要利用了学习者在线学习过程中产生的日志数据和交互文本数据。

（二）量化指标

为了明晰在线学习环境中自我调节学习和同伴互动的关联关系，必须量化自我调节学习与同伴互动水平，第一步则要确定量化指标。

通过文献综述，本研究确定了自我调节学习的三个属性：努力调整、规律学习和寻求帮助。此外还要确定表示每种量化属性的在线日志数据，具体日志数据类别的确定参照异步在线环境中利用学习分析支持自我调节学习提出的自我调节学习量化指标数据要求[26]。然后利用累積的学习者日志记录进行主成分分析，以确定日志数据是否收敛表示三个自我调节学习属性。主成分分析结果显示6个累积日志变量收敛为三个分量，分别代表了自我调节学习能力的三个属性，三个分量解释了数据中94.23%的方差，具有非常好的解释率。通过对指标的确定及指标描述数据的确定，最终确定本研究的自我调节学习量化指标如表1所示。

依据文献综述，确定同伴互动水平包括同伴互动的行为水平、认知水平和情感状态三方面。本研究认为低同伴互动水平表现为同伴互动行为水平低、认知水平低、情感状态消极负面，高同伴互动水平则表现为同伴互动行为水平高、认知水平高、情感状态深刻积极。在实际互动过程中行为成分、认知成分、情感成分这三部分并非是完全割裂的，存在一定的交叉重叠，行为成分中存在认知和情感成分，认知成分中也存在一定的情感成分。本研究对互动行为进行这三种成分的划分量化是为了更全面、更清晰、更深入地了解在线环境下同伴互动的内在原理和实际情况。

（三）数据处理

数据处理包含自我调节学习、同伴互动水平量化和两者的关联关系分析两部分。第一部分中，首先采用两阶段聚类分析方法，利用Ward方法和树状图来确定最优的聚类数量，使用K-means聚类方法进行聚类分析。将学习者按照自我调节学习水平分为3类，实现对学习者的自我调节学习量化。然后，通过社会网络分析工具Ucinet 6测量网络整体密度、点度中心度等特征，同时通过对网络结构进行可视化直观展示学习者之间的交互关系，实现对互动行为水平的量化。

第二部分中，先利用认知网络分析法可视化表示出学习者认知元素间关联关系形成的认知网络结构图，得到不同自我调节学习水平学习者的认知水平，并通过双样本t检验的方式可以得到不同认知网络质心之间差异的显著性，更加清晰地获得互动过程中学习者认知水平及认知结构及其变化情况。然后利用训练好的LSTM模型对预处理好的文本数据进行分析，通过采用Harris、Zheng和Kumar在2014年[27]提出的在线学习情感六维度（积极、消极、中性、深刻、困惑、开玩笑），对学习者的互动文本进行编码，从而获取学习者情感。最后，采用相关分析厘清在线环境中自我调节学习和同伴互动水平的复杂关系。

（一）自我调节学习和同伴互动水平的量化结果

分析得到的各集群的学习者数量和行为频度如表2所示。从表2中可以看出，通过对学习者进行聚类，最终确定了低水平（类别1）、中等水平（类别2）、高水平（类别3）三类自我调节学习者，实现了自我调节学习水平的量化。为了后续自我调节对同伴互动影响的深层次归因，需进一步探析三类自我调节学习者的具体行为特征。

通过社会网络分析得到同伴互动行为水平情况如下，首先是对互动网络整体属性的描述。对60名学生之间交互的5400余条讨论帖进行宏观分析，得到整体社群图（如图1所示），以及测量得到的网络基本属性特征，包括节点数、网络密度。该网络节点数为719，网络密度值为0.203，说明这门课程中互动网络结构比较密集，学习者参与互动也比较活跃，学习者之间形成了非常紧密的网络。

由于本互动网络是有向网络，因此会有点出中心度和点入中心度之分。点度中心度统计结果如表3所示，学习者在同伴互动过程中都较为活跃，点度中心度的均值为122.43，只有个别学习者在互动过程中不够活跃。

选择Gunawardena的交互分析模型[28]为编码框架，将互动量化为5个认知阶段，第一至第五阶段分别为：信息的分享和比较；发现和分析观点、概念、陈述的差异和分歧；意义协商与建构；检验并修改新建构的观点；达成一致并应用新的观点。结果显示学习者的认知水平多处于第一、二低认知阶段，占比为78.9%，第三、四和五中高认知阶段占比为21.1%，而第四、五高认知阶段只有7.4%。再通过认知网络分析得到同伴互动认知网络结构图和认知网络差异图，得到不同自我调节学习水平组的学习者互动认知水平的差异，具体认知网络图展示在关联关系分析部分。

为了进一步分析学习者的情感状态，根据六分类情感编码体系标注文本大数据，分别按照7：3的比例从中选取出模型的训练集和测试集，通过训练集对模型进行训练，然后利用测试集测试模型的准确率，并不断修改模型，最终模型的准确率在85%。利用最终的LSTM模型处理本研究中的互动文本，确定同伴互动过程中的情感状态，量化得到学习者互动情感状态总体情况如图2所示。

其中积极情感占11.45%、消极情感占3.04%、中性情感占61.98%、深刻情感占13.71%、困惑情感占5.16%和开玩笑情感占4.66%，从数据分析结果总体看来本课程同伴互动过程中学习者的情感处于中性、积极、深刻情感更多，较少的学生会有消极、困惑情感，也较少有学习者谈论与学习内容无关的玩笑话，学习者的整体情感状态是积极的。

（二）自我调节学习与互动行为水平的关联关系

本课程点度中心度社群图如图3所示。由图3可以看出，在整体网络结构中，中高自我调节学习水平的学习者大都处于网络的核心位置，例如1、24、37、26、29号学习者，这也表明学习者在学习过程中主动计划、监控、调节自己的互动行为，其互动行为水平较高。低自我调节学习水平的2、16、34号学习者则处于网络边缘位置，说明他们在学习过程中与同伴之间的互动较少。可以表明自我调节学习对同伴互动的行为水平是有一定正向影响的。

然后，运用Spearman相關分析确定了自我调节学习与点度中心度、点度出度和点度入度之间的相关关系。描述性统计的结果如表4所示。

自我调节学习与点度中心度。点度中心度指网络中某一学习者与其他有直接联系的学习者的个数，点度中心度越大表示该学习者与其他学习者联系越多，课程中的互动较为活跃。由表4可知，自我调节学习与点度中心度的Spearman系数为0.646，而且p<0.01，即学习者的自我调节学习与其点度中心度之间呈现显著的正相关性，表明具有越强的自我调节学习能力，学习者在互动过程中就会与更多的学习者有直接联系，互动更为活跃。即互动的行为水平越高。

在有向社会网络中，点出中心度描述的是互动过程中学习者向其他学习者发出的帖子数量，表示了学习者的影响力和活跃程度。点入中心度描述的是学习者在互动过程中接收到其他学习者帖子的数量，表示了学习者在互动过程中的声望。

自我调节学习与点出中心度。由表4可知，自我调节学习与点出中心度的Spearman系数为0.800，而且p<0.01，即学习者的自我调节学习与其点出中心度之间呈现显著的正相关性。换言之，自我调节学习能力越强，学习者在互动过程中的影响力越大，活跃程度越高。自我调节学习与点入中心度。由表4可知，学习者的自我调节学习与其点入中心度之间无相关关系。分析其原因可能是自我调节学习能力是学习者对自身行为的监控调节，与个人声望和他的吸引力无关，与其他学习者是否积极参与互动无关，即收到其他学习者的帖子数量因此会出现不相关的情况。

综上所述，自我调节学习对同伴互动行为水平有显著正向影响。自我调节学习能力强的学习者在同伴互动过程中会更加积极活跃，在整个互动网络中具有高的影响力。

（三）自我调节学习与互动认知水平的关联关系

本研究将低水平、中等水平和高水平三组自我调节学习者的同伴互动数据导入ENA在线分析工具，得到三个组的认知网络结构图，如图4所示。该图展示了三组不同自我调节学习水平学习者的认知网络图质心分布位置，其中圆点和正方形分别代表每位学习者的认知网络图质心和组内所有学习者的认知网络图平均质心，正方形外侧虚框表示95%的置信区间。观察图4可得，三个组的质心距离X和Y轴的距离并无太大差异，通过双样本T检验分析三组认知网络结构差异，但最终统计结果发现三个组的认知网络结构在X和Y维度上无显著差异。经过对学习者的互动文本详细分析后得出结论，认为出现这种现象的原因是由于本次课程中同伴互动的内容都是围绕教师提出的13个协作学习主题进行的，这就导致学习者在讨论过程中涉及的知识结构都是相同的，所以会出现质心位置相距较近，认知网络结构差异不显著的结果。

但是每位学习者对于每个主题讨论内容的水平是不同的。表5呈现高水平/中等水平/低水平三组自我调节学习者的认知网络图。其中，节点表示学习者的认知阶段，节点大小及其之间连线粗细分别与该认知阶段出现的频次和共现频次呈正相关。该认知网络图在X和Y维度的共同配准Pearson/Spearman相关性分别为0.94/0.95和0.97/0.97，表明生成的认知网络图与原数据具有很高的拟合度。

通过三组自我调节学习组的对比，可以发现高水平自我调节学习组的认知阶段共现网络更加多样、复杂，其网络质心在Y轴左侧，处于第四和第五等高认知阶段的居中位置，更关注高阶知识的讨论和发布。中水平自我调节学习组的学习者认知阶段共现网络相对较为简单，不够均衡，质心在Y轴右侧，处于第一、二和三等中低认知阶段的居中位置。最强连接发生在前三个认知阶段之间，第四五认知阶段较少涉及或共现。低水平自我调节学习组的学习者认知阶段共现网络单一、有明显的局部性特点。质心处在Y轴右侧偏上位置，处于第一和第二低认知阶段的居中位置。第三四五认知阶段基本没有涉及或共现。

为了直观展现两组之间认知水平的差异，采用ENA创建三个组之间的认知网络差异图，即认知网络中较强连接减去较弱组的相应连接，最终显示较强的连接线。表6是不同自我调节学习水平组之间的认知网络差异图。从认知网络差异图中同样可以看到高水平自我调节学习组的学习者互动过程中认知程度处于高阶层次，中等水平自我调节学习组的学习者互动过程中认知程度处于中阶层次，而低水平自我调节学习组的学习者互动过程中认知程度处于基础层次。

通过以上认知网络图的对比和分析我们可以发现，高自我调节学习水平组的学习者认知水平集中在三、四和五这三个高水平阶段，互动内容更具广度和深度；中等自我调节学习水平组学习者认知水平则处于二、三这两个中等水平阶段，互动内容更多涉及中阶知识；低自我调节学习水平组学习者认知水平集中在第一、二这两个低水平阶段，互动过程中涉及的更多的是基础、浅层次的内容。因此可以得知，学习者的自我调节学习能力对同伴互动的认知水平有显著的正向影响。自我调节学习能力越高，学习者对自己的行为会有更多的自我监控和自我反思，同伴互动过程中的认知水平也会相应越高。

（四）自我调节学习与互动情感状态的关联关系

依据自我调节学习能力的分组情况对情感状态数据进行描述统计，得到不同自我调节学习水平学习者情感状态分布如表7所示。

结果显示，三组学习者的中性情感都占比较大，分析学生的帖子发现大多数中性情感是在单纯论述一些课程知识，并没有涉及鲜明的个人情感，这也符合课程教学的实际，学习者在讨论区发表的内容还是更倾向与对知识的阐释。但对于高水平自我调节学习组的学习者，他们互动过程中深刻和积极情感是互动过程中占比较大的情感状态，分析该组学生的帖子发现他们发帖的内容更多的是表达自己一些创新的观点或思考，或者是对别人的观点表示支持或赞赏，都是正面的学习情感，较少出现对某一话题持反对意见或是谈论与学习内容无关的玩笑话。

对于中等水平自我调节学习组学习者而言，积极深刻同样占比较大，但比例还是低于高等水平自我调节学习组，分析他们的帖子可以发现该组学生消极情感很少，他们较少地表达除对某话题和观点的反对，较多对某一问题存在困惑，或是会谈论一些与话题无关的玩笑话；对于低水平自我调节学习组学习者而言，消极、困惑、玩笑的情感比其他两个组学生多出很多，分析他们的帖子发现他们在讨论过程中更多地表达了对一些学习者观点和话题的不喜欢和反对、表达自己的困惑情绪或是谈论于学习内容无关的玩笑话，较少涉及创新观点或个人的思考。

综上所述，不同水平的自我调节学习者在同伴互动过程中的情感状态也存在差异。高水平自我调节学习者体验更多的深刻积极情感，中等水平自我调节学习者消极状态较少，其他情感状态占比也处于中等水平，而低水平自我调节学习者的情感状态则多是消极、困惑和开玩笑。

通过以上对自我调节学习和同伴互动行为水平、认知水平和情感状态之间关联关系的分析可以得知，自我调节学习水平高的学习者，无論是在同伴互动的行为水平、认知水平，还是在情感状态方面都有很好的表现。自我调节学习水平高的学习者更加积极主动参与同伴互动，而且互动内容都处于意义协商与构建、达成一致并应用新建构观点的高层次认知水平，同时他们的情感状态大多是深刻积极的，更容易有一些创新的观点和思考。

（一）结论

本研究基于对在线学习过程数据的分析处理，系统阐述了在线学习者自我调节学习与同伴互动水平之间的关系，得出以下结论。

第一，在线学习过程中学习者的自我调节学习得到的关注较少，而且同伴互动也更多停留在浅层的行为层面。数据分析显示大多在线学习者的自我调节学习处于中低水平，高水平自我调节学习学习者仅占1/6，学习者还没有学会在线自我调节学习。同时发现在线学习过程中学习者与同伴之间发帖数量虽多但帖子内容多数却是信息的分享与比较、发现差异与分歧等认知水平较低的内容。

第二，在線学习过程中学习者互动时的认知结构会受到学习内容的影响，针对具体学习内容，不同自我调节学习水平学习者的认知结构无显著差异的。若在线课程中，同伴互动的内容都是围绕教师提出的特定协作学习主题进行的，会导致学习者在讨论过程中涉及的知识结构都是相同的。

第三，学习者于在线学习环境下自我调节学习与同伴互动水平呈显著正向影响。自我调节学习水平高的学习者在同伴互动过程中更加主动活跃，互动过程中也更倾向于意义协商与知识建构并应用新建构的知识解决问题，而非仅停留在浅层认知阶段（信息分享、比较差异分歧等），同时能够自我调节学习的学习者在互动过程中也会更加的积极，更容易有一些创新的观点和思考，较少出现困惑谈论与学习知识无关内容。

（二）建议

笔者将结合研究结果，从在线自我调节学习角度提出一些建议，以期提升在线同伴互动水平。

1.培养自我调节学习意识，促进互动行为的发生

在线环境中学习者的自我调节学习水平越高，其同伴互动水平就会越高。但目前学习者对自我调节学习的关注度不够。因此实际在线教学过程中教师可以事先跟学习者介绍自我调节学习的概念及其在学习过程中的作用，提升他们对自我调节学习的重视程度；其次教师可以分别从计划阶段、行为表现阶段与自我反思阶段入手设计有利于增强学习者自我调节学习水平的活动。通过上述策略，可以提高学习者的积极性和主动性，促进在线学习过程中学习行为的发生。

2.实施有效学习反馈，提升互动认知水平

反馈是自我调节学习的核心。学习反馈指在学习过程中为了改进、提升学习者的学习，教师、同学、家长、环境等根据学生完成学习任务的情况发送回的信息。无论是前馈、学情反馈还是结果反馈，或是环境、人的反馈，这些外部反馈都可以激起学习者对自己的行为表现进行自我监控、自我反思和自我调节，调整学习行为，激发学习动机，提升学习者的在线学习元认知策略，进而提升互动过程中的认知水平。

3.优化学习环境推荐，增强互动情感交流

情境是自我调节学习者积极地监控、调节和控制他们的认知、动机和行为的重要影响因素。在线学习环境推荐包括社会环境推荐和物理环境推荐。社会环境推荐包括同伴、榜样推荐；物理环境推荐包括学习资源推荐等，学习资源可以包括学习视频、课件、优秀学生作品。优化学习环境推荐，可以克服学习者在线学习过程中的孤独感和无助感，使其产生集体归属感，促进学习者主动寻求帮助，增强互动中的情感交流。有效情感的产生同样会促进互动行为发生、互动认知程度提升，进而提升同伴互动的整体水平。

参考文献：

[1] 吴林静，劳传媛等.网络学习空间中的在线学习行为分析模型及应用研究[J].现代教育技术，2018，28（6）：46-53.

[2] Kurucay M，Inan F A.Examining the effects of learner-learner interactions on satisfaction and learning in an online undergraduate course [J].Computers & education，2017，115：20-37.

[3] Papamitsiou Z，Economides A A.Exploring autonomous learning capacity from a self‐regulated learning perspective using learning analytics [J].British Journal of Educational Technology，2019，50（6）： 3138-3155.

[4] Lee D，Watson S L，et al.Systematic literature review on self-regulated learning in massive open online courses [J].Australasian Journal of Educational Technology，2019，35（1）：28-41.

[5] Pintrich P R.The role of goal orientation in self-regulated learning [M]. Pittsburgh：Academic Press，2000.451-502.

[6][10][26] Dongho K，Meehyun Y，et al.Learning analytics to support self-regulated learning in asynchronous online courses：A case study at a women’s university in South Korea [J].Computers & Education，2018，127：233-251.

[7] Grabe M，Sigler E.Studying online： Evaluation of an online study environment [J].Computers & Education，2002，38（4）：375-383.

[8] Barnard L，Lan W Y，et al.Measuring self-regulation in online and blended learning environments [J].The Internet and Higher Education，2009，12（1）：1-6.

[9] Pintrich P R，Smith D A F，et al.Reliability and Predictive Validity of the Motivated Strategies for Learning Questionnaire （Mslq） [J]. Educational & Psychological Measurement，1993，53（3）：801-813.

[11] Han J，Lee S.Investigating online learning types based on selfregulated learning in online software education：Applying hierarchical cluster analysis [J].The Journal of Korean Association of Computer Education，2019，22（5）：51-65.

[12] Montgomery A P，Mousavi A，et al.Using learning analytics to explore self‐regulated learning in flipped blended learning music teacher education [J].British Journal of Educational Technology，2019，50（1）：114-127.

[13] Li Q，Baker R，et al.Using clickstream data to measure，understand，and support self-regulated learning in online courses [EB/OL].https：//www. sciencedirect.com/science/article/abs/pii/S1096751620300038，2020-01-15.

[14] 徐曉青，赵蔚等.自我调节学习中学习分析的应用框架和融合路径研究[J].电化教育研究，2021，42（6）：96-104.

[15] Moore M G.Three Types of Interaction [J].American Journal of Distance Education，1989，3（2）：1-7.

[16] 李玉顺，邹佳君等.教师支持对在线学习者交互程度影响的研究——以高中语文学科“双课堂”教学为例[J].中国电化教育，2019，（5）：114-119.

[17] 赵婴，何克抗.基于微信的跨文化网络交流互动深度研究[J].电化教育研究，2019，40（10）：35-39+60.

[18] 陈蓓蕾，张屹等.技术支持的教学交互策略促进交互深度研究[J].中国电化教育，2019，（8）：99-107.

[19] 刘三女牙，韩雪等.SPOCs论坛中学习者的交互模式研究——基于回复网络和引用网络的比较[J].中国电化教育，2019，（11）：73-79.[20] Huang C Q，Han Z M，et al.Investigating students’ interaction patterns and dynamic learning sentiments in online discussions [EB/OL].https：//www.sciencedirect.com/science/article/abs/pii/ S0360131519301307，2019-05-21.

[21] Ak ap nar G，Altun A，et al.Proceedings of 14th IEEE International Conference on Advanced Learning Technologies：Investigating Students’ Interaction Profile in an Online Learning Environment with Clustering [C].New Jersey：IEEE，2014.

[22] Cho M H，Demei S，et al.Relationships Between Self-Regulation and Social Experiences in Asynchronous Online Learning Environments [J]. Journal of interactive learning research，2010，21（3）：297-316.

[23] Cho M H，Kim B J.Students’ self-regulation for interaction with others in online learning environments [J].The Internet and Higher Education，2013，17：69-75.

[24] Kuo Y C，Walker A E，et al.Interaction，Internet self-efficacy，and self-regulated learning as predictors of student satisfaction in online education courses [J].The internet and higher education，2014，20：35-50.

[25] Hirumi A.A Framework for Analyzing，Designing，and Sequencing Planned Elearning Interactions [J].Quarterly Review of Distance Education，2002，3（2）：141-160.

[27] Harris S C，Zheng L，et al.Multi-dimensional sentiment classification in online learning environment [A].2014 IEEE Sixth International Conference on Technology for Education [C]. Amritapuri：IEEE，2014.172-175.

[28] Gunawardena C N，Lowe C A，et al.Analysis of a global online debate and the development of an interaction analysis model for examining social construction of knowledge in computer conferencing [J].Journal of Educational Computing Research，1997，17（4）：397-431.

作者简介：

韩中美：讲师，博士，硕士生导师，研究方向为人工智能赋能教育应用。

田甜：硕士，研究方向为自我调节学习、学习分析。

何涛：副研究员，博士，研究方向为智慧教育、教育信息化。

黄昌勤：二级教授，博士生导师，研究方向为智能教育、教育赋能新技术、教育信息化工程。

The Relationships Between Self-regulated Learning and Peer Interactions in Online Environments

Han Zhongmei1， Tian Tian2， He Tao3， Huang Changqin1（1.Key Laboratory of Intelligent Education Technology and Application of Zhejiang Province， Zhejiang Normal University， Jinhua 321004， Zhejiang； 2.School of Information Technology in Education， South China Normal University， Guangzhou 510631， Guangdong； 3.Shenzhen Guangming Institute of Educational Sciences， Shenzhen 518107， Guangdong）

Abstract： Peer interactions are not only the key of learners’ knowledge construction， but also one of the important ways to improve the online learning effect. Self-regulated learning can affect learners’ behaviors. Certainly， peer interactions， as a kind of learning behaviors， are influenced by the level of self-regulated learning. However， due to lack of mining and quantifying self-regulated learning and peer interactions， their relationships need to be further explored from online learning process data. By collecting learners’ log data and discussion texts， this paper first uses the two-stage clustering method to quantify the level of self-regulated learning， and then comprehensively identifies three dimensions of peer interaction level， including interaction level， cognitive level and emotional state by using social network analysis， social epistemic network analysis and LSTM methods. Finally， the relationships between different dimensions of self-regulated learning level and peer interaction level are explored. Results in this study show that most learners do not have a high level of self-regulated learning ability， and peer interactions also remain at surface interactions， In the process of online learning， the cognitive structure of learners’ interactions will be affected by the learning themes； The level of self-regulated learning has a significant positive impact on peer interaction.

Keywords： self-regulated learning； peer interaction level； social network analysis； social epistemic network analysis； LSTM neural network

責任编辑：李雅瑄