知识建构社区中生成性角色的甄别——基于聚类分析的研究

许馨予，韩 雪，张义兵

（南京师范大学 教育科学学院，江苏 南京 210097）

一、问题提出

在社会学中，学习社区通常被认为存在着两种不同的角色，一是脚本角色（Scripted Role），另一个是生成性角色（Emergent Role）。在传统的教学设计中，教师对学生常以脚本角色的设定来组织实施教学，由此，课堂教学实践中学生的角色常常被禁锢，其个性化的学习难以发展。知识建构理论（Knowledge Building）则认为，学生是积极的认知者，社区成员要主动承担协商交流的任务，对自己及社区的知识负责，一同提升社区知识体系。以观点（Idea）为中心的动态交互形成了开放、复杂、自组织的知识建构社区学习生态系统，所以知识建构社区中学生的角色不是一成不变的，而是不断动态生成和演变的，故知识建构社区中的角色是生成性角色。不同于其他学习社区，知识建构社区中的对话和交互活动以观点为中心，社区中存在着若干个小社区(小组)，但这些小社区(小组)中的成员并非固定，他们会持续与其他成员进行动态交互，因此知识建构社区具有成员交互的社会网络和观点交互的概念网络这两大网络特征，二者有着密切的联系，而这种联系在知识建构社区生成性角色的研究中往往被忽视。

国外对学习社区中生成性角色的研究大多从社会交互或对话功能的视角出发。Hammond 将协作型在线论坛中的生成性角色分为社交型学习者、沉静型学习者、非参加型学习者三种类型，并重点探讨了社交型学习者，强调了在交际中学习者流利性、连贯性和非正式讨论的重要性；[1]Knowlton将生成性角色分为被动参与者、发展参与者、发起参与者、对话参与者和元认知参与者。[2]聚焦于知识建构社区，Wever 等人提出了发起者、总结者、调节者、理论家、资源收集者这五种生成性角色，从分享与比较信息、识别分歧、协商与重构知识等五个层面来区分不同生成性角色达到的知识建构层次；[3]Maria Chuy 和张建伟等根据观点的类型，提出了知识建构社区中的五种生成性角色：问题发起者、质疑者、建议者、理论建构者和总结者，并详细研究了理论建构者和证据提供者，表明两者均能促进社区知识的深入发展。[4]国内有关学习社区中生成性角色的研究并不多，大多是聚焦于课堂讨论中的生成性角色，同时对于学习社区中学习者角色的分析多以社会网络分析为主。

从具体的方式方法看，已有学者阐述了概念网络与社会网络的联系，[5]但概念网络的表征、及其与社会网络具体关系尚无定论。[6]于玻等人基于社会网络分析和话题相似度对cMOOC 学习者进行了聚类研究，提出了从社会交互维度和内容维度共同对cMOOC 学习者进行分类和界定的方式。[7]聚焦于知识建构社区，可能存在一些这样的成员，他们看似在社区的对话和交互中积极活跃，但发表和讨论的观点与社区主流话题的相关度不高，所以通过分析社会网络来对其进行角色定位并不准确；若是通过对话功能和内容来对知识建构社区成员进行角色分析，则不能体现其在社会网络层面的互动参与情况，也就不能评价其在“积极的认知者”这一原则下的表现。因此，知识建构社区中生成性角色的甄别尚不清晰。

那么，如何清晰地甄别知识建构社区中成员的生成性角色？这些生成性角色又有哪些主要特征？上述问题的解决对知识建构后续的理论探讨和实践研究具有重要的意义，这也是本文所探讨的。

二、研究过程与方法

（一）研究问题

1.基于社会网络分析和观点相似度，知识建构社区中成员的生成性角色如何甄别？

2.基于社会网络分析和观点相似度，知识建构社区中不同生成性角色的表现特征如何？

（二）研究对象及数据来源

本研究的研究对象为江苏省南京市某高校开设的“学习科学”课程的学习者，该课程是以知识建构理论为指导的教学，旨在帮助学生建立起学习科学的理论体系，采用线上和线下混合教学，线上依托于数课平台。学生第一次接受知识建构这种方式的教学，他们可以自由选择学习科学领域感兴趣的话题作为探究主题。教师鼓励学生将线下讨论的内容保留在该网络平台中，方便学生进行知识可视化管理以及获取研究数据。

整个知识建构教学分为三个阶段：教学理论建构、教学方案设计和论文写作，总共持续了17周。数据采集时间为2021 年3 月5 日至2021 年6 月25 日，共有47 位知识建构社区成员，通过对线上社区数据的筛选清理，最后得到了42 位成员的数据，共810 条观点。

（三）研究思路与技术路线

本研究提出了基于社会网络分析和观点相似度的知识建构社区中成员生成性角色甄别的方法，通过知识建构社区成员在社区中社会交互网络的位置和概念网络的位置来甄别其生成性角色。首先，利用入度、出度和中介中心性指标来描述知识建构社区成员的社会网络，体现其在社会网络维度的评价指标；其次，通过内容相似度分析提取知识建构社区成员发表观点的关键词，再与社区总体关键词进行匹配加权；最后，将社会网络和观点相似度两个维度的指标标准化处理，进行聚类分析。具体的技术路线如图1 所示。

图1 技术路线

（四）研究方法

1.社会网络分析

社会网络分析是一种定量的群体交互行为研究方法。[8]其中，度中心性是对社交网络中节点相互连接统计特性的基本描述，[9]本研究用度中心性来衡量知识建构社区中成员的社会网络地位，由于研究使用的数据集为有向网络，故进一步将度中心性分为入度与出度，来表示社区成员受关注和积极活跃程度。中介中心性是网络中经过该节点的最短路径与所有最短路径总数之比，是评价节点对信息扩散和物资运输重要性的指标，[10]本研究将中介中心性作为衡量知识建构社区成员联系社区内其他成员的指标。

2.观点相似度分析

本研究将知识建构社区成员在平台上所发表文本内容与平台总文本的内容进行相似度匹配，以此衡量其发言中有意义的内容。利用张华平博士开发的NLPIR 语义分析系统提取每个社区成员发布文本内容的关键词30 个以及社区中总文本的关键词50 个，再根据DFA 算法实现社区成员的关键词与社区总文本关键词的匹配，最终进行赋值加权，通过观点相似度来衡量该社区成员讨论内容与知识建构社区中主流话题之间的相似程度。

3.K-means 聚类分析

K-means 算法是一种基于距离的聚类算法，以距离作为相似性的评价指标，距离越近的两个对象，相似度就越高。本研究将标准化后的观点相似度指标以及社会网络分析中入度中心性、出度中心性和中介中心性指标纳入K-means 聚类分析中，以此来甄别知识建构社区中成员的生成性角色，进而探讨知识建构社区中生成性角色的类型有哪些。

三、研究结果

（一）知识建构社区中生成性角色的甄别过程

1.社会网络分析

在知识建构社区交互网络中，社区成员作为社会网络中的节点，成员与成员之间的交互作为连线，交互次数越多，其连接加权越大，以此从宏观层面构建该社区的社会交互加权有向网络图谱。利用社会网络分析工具——Gephi 绘制的知识建构社区社会网络图谱如图2 所示，同时得到每位社区成员社会网络的入度、出度和中介中心性的指标，以此来揭示其在知识建构社区中的社交特征。

图2 知识建构社区社会网络图谱

从图2 中可以看到，在该知识建构社区中，编号为2 和27 的社区成员节点较大，即点度中心性较高，说明他们是该社区的“名人”，比较受大家欢迎；同时，也可以发现编号为11 和12 的社区成员的连线较粗，即二者之间的交互次数较多，说明他们经常在社区中联系，推测其可能有共同感兴趣的话题。由于知识建构倡导每个社区成员要做“积极的认知者”，肩负起“集体认知责任”，所以该学习社区中的成员都在参与话题讨论，没有出现无任何交互的“孤独”社区成员。对该社区社会网络分析指标进行皮尔逊相关分析，发现各指标之间相关性显著，符合现实逻辑，如表1 所示。

表1 社会网络分析指标描述性统计

2.观点相似度分析

首先，在知识建构社区中获取每位社区成员发表观点的全部内容，利用NLPIR 语义分析系统进行关键词的提取，设定提取的关键词为30 个，再对社区中发布的所有文本内容提取关键词，设定关键词提取数为50 个。然后，利用DFA 算法进行关键词匹配，计算每位社区成员的关键词在社区总关键词中出现的次数，利用匹配次数对社区成员进行赋值，作为其观点相似度的评价指标。通过统计分析，如表2 所示，该知识建构社区成员的观点相似度的均值为16.50，最大值为24，最小值为8，图3 为关键词频率分布直方图，总体来看是偏向正态分布的，最小值是8 而不是0 则表明该知识建构社区成员讨论交流的观点基本都是在该社区主流话题下的。

表2 知识建构社区成员关键词匹配表

图3 关键词频率分布直方图

3.K-means 聚类分析

为统一量纲及表现知识建构社区成员的相对分布，将社会网络与观点相似度的分析结果，即出度、入度、中介中心性以及观点相似度的指标数据进行标准化处理，得到如图4 所示的箱形图，大部分指标都处在正常值范围内。

图4 标准化处理箱型图

借助K-means 聚类分析软件——Modeler 18对42 位知识建构社区成员统一量纲标准化后的数据进行聚类。通过调整K 值，当聚类数量为6时，凝聚和分离的轮廓测量大于0.5，与其他聚类效果相比聚类质量良好，具有较强的解释性，聚类结果如图5 所示。

图5 聚类结果

（二）知识建构社区中生成性角色的表现特征

通过聚类得到的结果以及各项指标的均值如表3 所示。结合分析聚类单元格分布图中横轴分布部分与整体均值的关系，即将社区成员在知识建构社区社会网络中的入度中心性、出度中心性、中介中心性以及在概念网络中的观点相似度的均值与社区群体在各指标表现中的均值进行对比，根据入度、出度、中介中心性以及观点相似度对比指标的高低，可以得到知识建构社区中的六种生成性角色，分别是边缘角色、核心角色、普通角色、内容贡献型角色、情感活跃型角色和中介桥梁型角色，表4 为这六类生成性角色所对应的知识建构社区成员。接下来，将逐一介绍和分析这六种知识建构社区中生成性角色的表现特征。

表3 聚类结果及各项指标均值

表4 聚类下的知识建构社区成员

1.聚类-1：知识建构社区边缘角色

在该知识建构社区中，边缘角色有16 人，占比38.1%。其入度均值为-0.58，表示他们受到其他成员的关注程度较低；出度均值为-0.96，表示他们关注他人的程度较低；中介中心性的均值为-0.59，说明其作为中介桥梁的连接水平也比较低；观点相似度为-0.99，说明了该类角色在社区中讨论的观点内容与社区群体所讨论的内容相似度较低。结合上述有关社交网络和观点相似度的各个指标，判断该类生成性角色在知识建构社区中的活跃程度较低，所讨论的内容与社区群体讨论的观点相似度较低，所以将该聚类得到的社区成员定义为边缘角色。

图6 知识建构社区边缘角色各指标分布图

2.聚类-2：知识建构社区核心角色

聚类-2 中有1 名成员，占全体社区成员的2.4%，这名社区成员在社会交互维度和观点相似度维度的各项指标均处于较高水平，其中入度均值为1.95，出度均值为2.53，说明其既受到其他社区成员的关注，同时又积极关注着其他社区成员；中介中心性的均值为3.20，表示其在社区中起到了很好的中介连接作用；观点相似度的均值为1.95，说明其发布的观点内容与知识建构社区的主流讨论内容很相似。该类成员在知识建构社区的社会交互网络和概念网络中有着极其重要的核心地位，所以将其定位为知识建构社区核心角色。

图7 知识建构社区核心角色各指标分布图

3.聚类-3：知识建构社区内容贡献型角色

在聚类-3 中有11 位社区成员，占比26.2%，其主要的表现特征是社会交互程度一般，但是该类生成性角色所发表的观点内容与社区群体的内容相似度较高。从聚类结果可以看出，其入度均值为0.19，出度均值为0.06，中介中心性并不高，平均值为-0.22，说明这类角色较少与社区其他成员交互；其观点相似度的均值为0.81，与社区群体讨论的主流内容匹配程度相对较高一点，所以这类社区成员被称为内容贡献型角色。经过对这些成员发布的观点内容的分析，得知他们比较喜欢在自己感兴趣的领域研究，对于和自己观点相近或者相异的成员会予以回复，进而不断推进自己在社区中发布的内容，但对于社区中与自己研究内容无关或者不感兴趣的内容并不在意，所以其中介中心性并不高。

图8 知识建构社区内容贡献型角色各指标分布图

4.聚类-4：知识建构社区普通角色

聚类-4 中有5 名社区成员，占比11.9%，他们的社会交互并不是很活跃，具体的社会交互指标是：入度均值为-0.79 低于整体平均值，出度均值为0.60，高于整体均值，表示他们比较喜欢关注社区其他成员的观点；中介中心性的均值为-0.68，低于整体平均值；观点相似度的平均值为0.23，大于整体平均值。以上指标结合分析，他们的社会交互和观点相似度方面都不高，比较符合知识建构社区中普通角色的定位。

图9 知识建构社区普通角色各指标分布图

5.聚类-5：知识建构社区情感活跃型角色

纳入聚类-5 的成员一共有8 人，占比19.0%。他们的突出特征主要是社会交互感较强，但与社区主流观点的相似程度一般，具体指标中，入度平均值为0.74，出度平均值为1.11，中介中心性均值为1.17，都处于较高水平，说明其在关注社区其他成员和被社区其他成员关注的程度较高，且具有较高的连接其他社区成员的能力；但是他们的观点相似度均值为0.36，高于平均值但相对一般，这说明该类社区成员发布的观点内容与社区群体讨论的主要内容相似度一般。但是这类角色的社会交互密度较大，所以这些交互可以被看做是情感活跃类型的交互，其与社区主流话题关系程度一般，所以将这类角色定义为知识建构社区中的情感活跃型角色。

图10 知识建构社区情感活跃型角色各指标分布图

6.聚类-6：知识建构社区中介桥梁型角色

聚类-6 中有1 名社区成员，占全体社区成员的2.4%，其入度和出度指标均值较高，入度均值为3.30，出度均值为0.19，中介中心性很高，为2.64，话题相似度较高，其均值为0.91。通过分析该名中介桥梁型角色在知识建构社区中发表的观点内容，发现其参与了多个主题的讨论，如“项目式学习”、“脑科学”、“元认知”、“信息时代的学习者”、“教学情景创设”、“思维可视化”、“知识建构”等主题，其与其他社区成员的交互比较充分。同时，该成员会在知识建构社区中提出很多问题，引发其他社区成员参与讨论，在发布观点内容时，该成员会引用很多权威资料和新的专业名词，具有一定的启发作用。该类角色在社区交互中起到了重要的连接作用，表现出了突出的中介性，所以被定义为知识建构社区中的中介桥梁型角色。

图11 知识建构社区中介桥梁型角色各指标分布图

四、总结与讨论

生成性角色是伴随着知识建构教学的发展历程动态变化的。本研究选取完整的知识建构教学过程的数据作为知识建构社区生成性角色研究的数据源，将观点相似度和社会网络两个维度的指标作为聚类依据，得出了边缘角色、核心角色、普通角色、内容贡献型角色、情感活跃型角色和中介桥梁型角色这六大生成性角色类型以及它们的主要表现特征。研究的总结和讨论内容如下。

（一）理论的贡献

1.描述了知识建构社区中六大类生成性角色的主要特征

研究基于社会网络分析和观点相似度分析，聚类得到了知识建构社区中的六大类生成性角色，同时对这六种生成性角色的特征做出了解释和说明。边缘角色的主要特征是其在知识建构社区中的活跃程度较低，所讨论的内容与社区群体讨论的观点相似度较低；核心角色是知识建构社区中最好的生成性角色状态，其社交频繁且发布的内容与社区主流内容具有极大的相似性；普通角色在知识建构社区中的社会交互和观点相似度都不高；而对于内容贡献型角色来说，他们较少与社区其他成员联系，对于社区中与自己研究内容无关或者不感兴趣的内容并不在意，但其与社区群体讨论的主流内容匹配程度相对较高；情感活跃型角色的社会交互密度较大，在知识建构社区中社交活跃，但其讨论的内容与社区主流话题的相关程度较为一般；中介桥梁型角色在社区中的社会交互和话题相似度都较高，并会引用很多权威资料和新的专业名词，具有一定的启发作用，尤其是在社会交互维度中表现出了突出的中介性，起到了重要的连接社区观点的作用。

2.为知识建构社区中生成性角色的研究提供了新的研究视角

在有关知识建构社区生成性角色的研究中，学者大多是从知识建构对话的内容和功能层面进行生成性角色的定位，这样的分类并不能体现社区成员所发表的观点和讨论的内容与社区群体主流话题之间的相关性，亦不能充分说明社区成员为社区知识做出的贡献情况。研究基于社会网络分析和观点相似度分析得出了知识建构社区中的边缘角色、核心角色、普通角色、内容贡献角色、情感活跃角色和中介桥梁角色这六种生成性角色，弥补了知识建构研究领域仅通过对话功能和内容分析来进行生成性角色定位的研究方法的不足，同时提供了基于社会网络和概念网络两个维度来甄别知识建构社区中生成性角色的新的研究视角。

（二）实践的应用

1.六种生成性角色的甄别可以避免边缘角色的生成，形成良好的知识建构社区生态

虽然一个理想化的知识建构社区应该极少生成边缘人物这样的角色，但是边缘角色的存在客观上也是有一定意义的。我们可以通过知识建构不同阶段所生成的边缘角色来发现社区当中存在的问题，从而更好地构建知识建构社区生态。知识建构理论有十二条指导原则，其中重要的一条原则为“Community knowledge, collective responsibility”（社区知识与集体认知责任），其含义为社区成员要对群体的共同学习目标作出贡献，个人对群体的贡献会如同个人的学习成就一样，得到同等的重视和表扬，作为知识建构群体中的一员，要提供对群体的学习有价值的意见，并共同承担令群体知识晋升的责任。在本研究分析的知识建构社区中，由于学生是首次以知识建构理念进行的学习，所以在线上的知识建构社区中会有一部分边缘角色生成，这些边缘角色还没有适应这样的学习方式，没有认识到自己在该社区中具有的集体认知责任。那么值得思考的是对于刚刚步入知识建构社区的新成员该如何避免成为边缘角色呢？知识建构理论认为学生是积极的认知者，要勇于发表自己的问题和观点，营造一个安全舒适的学习环境就显得十分重要，所以在知识建构社区中要形成良好的社区文化氛围，社区成员可以通过商讨制定社区交流规则来实现，同时可以提供一些帮助社区成员更好交流的工具支架等，实时的学习评价也可以帮助这些边缘角色意识到并调整自己在社区中的学习状态。

2.强化内容贡献型角色和中介桥梁型角色，促进知识建构社区内的观点流动

知识建构鼓励社区成员发表多元化的观点，并持续改进观点来不断丰富社区知识，为集体知识的提升做出贡献。那么在知识建构社区中，内容贡献型角色和中介桥梁型角色发挥的作用非常重要。内容贡献型角色虽然与其他社区成员之间的联系紧密程度不高，但是其为社区贡献的观点则相对较多，说明他们已经初步适应了知识建构社区的环境，能够积极地发布和回应与其探究主题相近的观点内容，所以，教师可以肯定内容贡献型角色积极的一面，同时可以尝试鼓励他们与其他社区成员之间进行跨主题的讨论交互活动，进而不断丰富社区中的多元化观点。中介桥梁型角色的存在，使得社区成员之间的连接数量增多，交互网络的紧密程度和复杂程度升高，进而促进交互网络模块化和社区共同体的形成，所以教师若能敏锐地发现中介桥梁型角色，有意识地积极引导，将有助于促进社区内观点的流动和社区知识的生成。

3.重视知识建构社区中生成性角色的转变，促进深度建构的可持续发展

知识建构社区是以观点为中心的开放、复杂、自组织的学习生态系统，在知识建构教学的进程中，不同阶段的生成性角色是动态变化的，这些角色类型也是社区成员主动承担的，它们在知识建构的不同阶段所起到的作用也有所不同。首先，我们应该重视知识建构社区中生成性角色的转变，在不同阶段，发现社区成员角色转变背后的深层次的问题，比如第一阶段的边缘角色为什么在第二阶段变成了中介桥梁型角色？在角色转变的这个过程当中，知识建构社区里发生了什么事情？等等。其次，我们要积极面对知识建构社区中生成性角色的转变，采用多种形式的教学策略来促进边缘角色和普通角色向核心角色或中介桥梁型角色转变；重视内容贡献型角色的跨主题交互，使得其与其他社区成员形成紧密的交互网络；对于情感活跃型角色，要鼓励其深入思考，在社区中发表有意义和有前景的观点，进而使得其向中介桥梁型角色或核心角色方向转变；最终要充分发挥中介桥梁型角色的功能优势，推动知识从个人到学习共同体再到社区层面的建构，从多层面和多角度来促进知识建构社区成员深度建构的可持续发展。

本研究是采用社会网络分析和观点相似度相结合的方式来聚类甄别知识建构社区中的生成性角色，在进行数据获取和处理的过程中可能存在一些不足，一是研究选取了知识建构社区中42 名社区成员的810 条观点作为数据源，数据样本量并不大；二是在对观点相似度指标处理的过程中要先进行关键词的提取，再进行关键词的匹配和加权赋值来得到观点的相似度指标，在关键词提取的过程中需要人为剔除无实意和非专业的词语，可能存在一定的主观偏差。与此同时，要想得到良好的聚类结果需要依托聚类软件，对聚类K值进行调整的过程也可能会影响最终得到的聚类结果。那么，是否能够进一步形成智能化的聚类甄别方式，从而科学、有效、实时地甄别出知识建构社区成员的生成性角色，这是值得思考也是后续值得期待的研究内容。