班级社会网络对大学生学业成绩的影响研究——基于社会网络分析和Meta 分析的方法

杨聪聪, 邓露明, 杨 澜, 邵晓春

(上海第二工业大学经济与管理学院,上海 201209)

0 引言

我国高等教育规模稳步发展, 目前已迈入普及化发展阶段。《加快推进教育现代化实施方案(2018—2022) 》[1]中明确指出我国高等教育要加快建设“双一流”, 深化内涵发展。大学生是高等教育的质量主体,大学生学业成就是高等教育人才培养质量的重要评价标准[2]。

目前, 国内外对大学生学业成绩的研究多集中在影响学业成绩的因素上。美国2004 年开展的全美大学生学习性投入调查(national survey of student engagement, NSSE) 把学习的影响因素归为社会因素、个体因素和大学教育情况3 类。国内自2000 年以来,以北京、上海、山东为代表,开展了评价大学生学业成就的典型实践。比如北京大学开展的学生评教, 清华大学改进制定的NSSE-China, 复旦大学开展的年度性和追踪性的“上海大学生发展研究”,山东省开展的大学生就读环境的调查分析。研究学者则是从不同的专业领域出发去研究,如从心理学、社会学和教育评价学等学术角度分析学生个体因素、家庭特征对学业的影响,或是研究学业成绩的测量指标。已有的这些研究主要是探讨“属性特征”如何影响学业成绩。

马克思认为人的发展是社会关系发展的一种现实性表现,每个人能力的形成和发展与其所在的社会关系有密切关联。个人的全面性不是想象的或设想的全面性,而是他的现实关系和观念关系的全面性[3]。班级作为大学生互动交往形成的重要社会网络,学生间形成了重要的信息交流关系网,通过社会网络分析方法,可以有效地“透视”学生之间的互动,显示并且理解学生之间创建的连接图式,从而进行精确地“画像”。

1 社会网络理论基础及网络视角

社会网络理论为分析个体的微观行为和群体的宏观现象架起了桥梁。社会网络理论是一个全新的研究视角: “它视社会结构为一张人际关系网,其中‘节点’ (node)代表1 个或一群人组成的小团体,‘线段’(line)代表人与人之间的关系,以社会网分析方法分析其结构特征”[4]。

表1 班级人数Tab.1 Class size

社会网络视角认为社会单位的特征源自结构的或关系的进程,并且把注意力放在关系体系本身的属性上,网络分析的分析单位不是个体,而是一个由个体和他们之间的关联所组成的实体[5]。比起各节点自身的属性,节点之间的连接对节点行为的影响更大。在社会网络理论视域下, 大学生在班级中会形成不同的社会网络, 网络成员之间的交往密度、连接的紧凑度、信息沟通的互惠程度,都会对个体知识信息的获取和更新、能力的补充和提升等产生重要影响,从而影响个体的行为和态度。

本研究从社会网络视域去探讨班级的社会网络结构画像以及班级不同的社会网络群体之间的学业成绩是否存在差异,最后采用元分析方法进行定量合成与分析,得到整体效应水平。

2 研究方法与过程

2.1 测量工具

Krackhardt[6]在研究中提出了社会网络的分类原则:即一个组织内的社会网络分为咨询网络、情感网络和情报网络3 类。使用整体社会网络问卷收集数据,再用UCINET 软件对组织人际互动的数据进行分析。本研究所制定的“班级社会网络调查问卷”,是根据Krackhardt 所研制的社会网络问卷内容修改而成。

2.2 研究样本与数据收集

本研究以上海某高校大二、大三29 个班级为研究对象,研究对象既非大一新生班级,也不是毕业班级,避免了因新生班级社会网络还在形成中以及毕业班级学生忙于就业而产生的社会交往数据不够准确的问题。整体网测量以班级为单位独立进行。

2.3 数据处理方法

2.3.1 社会网络分析及UCINET 软件

使用社会网络分析中的整体网分析方法进行测量。社会网络群体如何进行科学划分呢？Newman等[7]认为可以通过计算模块度(modularity)Q值的方法予以确定。采用modularityQ的凝聚算法确定网络社群。凝聚算法主要是利用自底向上, 逐步聚合的思想,让每次的聚合都向着模块度增大最大的方向,直到所有点都合成一个社团为止,过程中最大modularityQ值对应的即为社团结构[8]。

使用UCINET6.743 版本进行数据处理, 在UCINET 软件中,使用网络子群(Network-subgroups)Newman 社区检测(Newman community detection,NCD) 操作指令获取模块度modularityQ最大值,由此确定每个班级的社会网络群体数量及网络社群分组名单。

2.3.2 单因素方差分析

采用IBM SPSS Statistics 26 分析每个班级不同的社会网络群体之间的学业成绩是否有显著差异。因变量是学业成绩,属于连续变量,自变量为网络社群, 是类别变量, 且各班网络社群数量都超过2 个,可以使用单因素方差分析法。

2.3.3 元分析(Meta-analysis) 及comprehensive Meta analysis(CMA)软件

英国教育心理学家Glass[9]于1976 年将Meta分析命名并将其定义为: “the statistical analysis of large collection of analysis results from individual studies for the purpose of integrating the findings”。此后,关于Meta 分析的定义一直存在争议, 但都倾向于“Meta 分析是对以往的研究结果进行系统定量综合的统计学方法”[10]这一定义。

使用Meta 分析方法将29 个班级不同的网络社群间学业成绩的差异性研究结果进行定量统计合成,采用CMA3.0 对元分析数据进行处理,得到整体效应值并检验其稳定性。

3 研究结果与分析

3.1 样本描述

班级社会网络数据调研于2022 年4∼5 月进行,调查问卷采用问卷星进行, 29 个班级1092 名学生全部填写问卷并完成回收。29 个班级以Class1-Class29 命名,班级人数的基本情况如表1 所示。

3.2 班级社会网络群体划分

根据文献[7]在实践中modularityQ的数值通常为0.3∼0.7。使用UCINET-Network-Subgroups-NCD 操作指令获取模块度modularityQ值,并且取最大值,在NCD 分区(NCD partitions)结果中,界定至少3 个节点及以上为1 个社会网络群体,单个或2 个节点的连接不纳入社会网络群体。由此可以确定每个班级的网络社群数量,结果见表2。从表2 中可以看出,modularityQmax为0.3∼0.7,说明班级有较强的社会网络群体结构。

表2 班级社会网络群体数量Tab.2 Number of class social network communities

利用UCINET6.743 中netdraw 可视化网络(visualize network with netdraw)功能,绘制出NCD partitions 结果。Class13 班级管理规范,学生身心健康,社会交往发展情况具有普遍性, 故选其为代表。以Class13 为例, 如图1 所示, 图中每个小方块代表1个学生, 用“专业名称首字母+ 数字” 来编号, 如“hz09”代表“会展专业的09 号学生”,图中相同颜色的小方块意味着这些学生形成了1 个稳定的社会网络群体。如图1 所示, 该班级一共有8 组不同的颜色,意味着该班级形成了8 个不同的咨询网络群体。

图1 Class13 咨询网络社群图Fig.1 Class13 advice social network sociogram

3.3 班级不同的社会网络群体间学业成绩差异性分析

以Class13 班级的咨询网络为例,通过方差齐性检验发现显著性p=0.488>0.05,表明该班级8 个咨询网络群体间的整体方差是相等的,可以进行方差分析。该班咨询网络群体有8 个,单因素方差分析结果显示,F=4.705,p=0.001<0.05,达到统计学意义上的显著性水平,这说明8 个咨询网络群体中,至少有2 个群体的学业成绩存在显著性差异。SPSS统计结果见表3。

表3 Class13 班级咨询网络群体间学业成绩差异Tab.3 The significant difference of student academic achievement among advice social network communities in Class 13

其余28 个班级也同样采用此方法进行分析,因方差齐性检验是进行单因素方差分析的前提,对于方差不齐的数据资料进行方差齐性处理,如果仍然达不到方差齐性的要求, 将舍弃该组数据。结果显示, 咨询网络中3 个班级Class9、Class10、Class19,情感网络中2 个班级Class4、Class16, 情报网络中3 个班级Class1、Class10、Class17,这些数据的方差齐性显著性p<0.05,均舍弃。其他满足方差齐性检验的数据,差异性统计分析结果见表4。

表4 29 个班级不同社会网络群体间学生成就差异性统计结果Tab.4 Statistical results of student academic achievement differences among different social network communities in 29 classes

3.4 各班级整体网络分析

根据社会网络分析的整体网测量方法,从班级的网络密度、网络距离和紧凑度、网络关联度和互惠性4 个特征向量来描述班级“画像”。

网络密度是指网络中各节点间联系的密切程度。网络的密度越大,表明网络成员之间的联系越紧密,该网络对其中行动者的态度、行为等产生的影响就越大[11]。以29 个班级咨询网络为例, 网络密度测量值显示: Class13 网络密度最大为0.110,Class3 网络密度最小为0.057。

在整体网中, 2 个节点间最短的路径长度叫做网络距离。紧凑度就是基于距离的凝聚力指数, 即所有距离的倒数的算数平均值。该指数越大,表明该整体网越具有凝聚力[11]。以29 个班级情感网络为例,网络紧凑度测量值显示: Class29 网络紧凑度最大为0.212,Class25 网络紧凑度最小为0.048。

网络关联度指网络中的节点与另一个节点直接或间接相连的程度。如果整个网络中任意两个节点间存在更多相连路径,表明整个网络的凝聚力就会越大。以29 个班级情报网络为例,网络关联度测量值显示: Class24 网络关联度最大为0.764,Class25网络关联度最小为0.074。

互惠性指的是网络中成员之间的关系是否具有相互性, 也就是说任何一对成员之间是否相互“选择”,是否为邻接点, 包括单边互惠性和双边互惠性2 个数据特征。部分班级整体网络结构特征测量值如表5 所示。

表5 各班级整体网络结构特征Tab.5 Structural features of whole network in each class

3.5 研究效应量的综合分析

3.5.1 元分析数据处理

采用Meta 分析方法对学业成绩差异性结果进行定量合成时,需要先将单因素方差分析统计结果中的F值转化为Meta 分析的相关类效应值r值,才可以进行定量合成。以Class13 班级为例,其咨询网络的F=4.705,自由度=27,根据统计学公式,计算r=0.385。29 个班级数据转换编码如表6 所示。

表6 29 个班级不同社会网络群体间学生成就差异研究编码表Tab.6 Coding table of student academic achievement differences among different social network communities in 29 classes

3.5.2 异质性检验

Meta 分析的统计原则要求,用定量方法合成的效应值必须具有良好的同质性。因此,在Meta 分析之前需要进行异质性检验,以确立选择随机效应模型还是固定效应模型分析。如果异质性检验结果比较大,选择随机效应模型分析;异质性检验结果比较小,选择固定效应模型分析。文献[12]中将Meta 分析的异质性分为临床异质性、方法学异质性和统计学异质性。一般采用Q检验方法和I2检验法进行异质性检验。

表7 异质性检验结果表明: 咨询网络Q=9.408,p= 0.998> 0.10,I2= 0; 情感网络Q= 4.738,p= 1.000> 0.10,I2= 0; 情报网络Q= 5.958,p= 1.000> 0.10,I2= 0; 结果表明, 3 种社会网络各自的统计异质性都很低, 可以接受临床异质性, 均采用固定效应模型进行Meta分析。

表7 学业成绩差异性效应值异质性检验及固定效应模型分析Tab.7 Heterogeneity test of effect sizes in student academic achievement differences and fixed effects model analysis

3.5.3 主效应分析

表7 中大学生班级社会网络学业成绩差异性固定效应模型分析结果显示, 咨询网络合并后的样本量为26, 合并效应具有统计学意义[合并效应r=0.285,95%置信区间(0.218,0.349)],Z=8.071,p= 0< 0.001, 说明大学生班级咨询网络群体之间的学生成就存在显著差异。情感网络合并后的样本量为27, 合并效应具有统计学意义[合并效应r=0.286,95%置信区间(0.221,0.349)],Z=8.257,p= 0< 0.001, 说明大学生班级情感网络群体之间的学生成就存在显著差异。情报网络合并后的样本量为26, 合并效应具有统计学意义[合并效应r=0.286,95%置信区间(0.219,0.349)],Z=8.155,p= 0< 0.001,说明大学生班级情报网络群体之间的学生成绩有显著差异。如图2∼4 所示,森林图中最下方菱形小方块和无效线不相交,也说明有显著差异。

图2 学生学业成就差异森林图(咨询网络)Fig.2 Forest plot of student academic achievement differences(advice network

图3 学生学业成就差异森林图(情感网络)Fig.3 Forest plot of student academic achievement differences(emotion network)

图4 学生学业成就差异森林图(情报网络)Fig.4 Forest Plot of student academic achievement differences(intelligence network)

根据Cohen[13]关于效应量的参考建议及其给出的效应量“小”“中”“大”的经验划分(小效应,中效应和大效应分别对应的值为0.1、0.3 和0.5)。由此可见,大学生班级咨询网络群体、情感网络群体和情报网络群体对学业成绩有接近中等程度的正向影响。

3.5.4 偏倚检验

偏倚也称为系统误差,是指研究的结果或推论与真实值的偏差。Meta 分析中纳入研究的完整性主要通过报告偏倚来衡量[12],本研究采用漏斗图和Begg’s 检验来测量偏倚程度。

研究先用漏斗图对发表偏倚程度进行定性测量。漏斗图中,横轴为各个研究的效应值,竖轴为研究规模。如图5∼7 所示,漏斗图上的散点较为对称地分布在合并效应量两边且向中间集中,初步显示不存在偏倚。

图5 偏倚检验漏斗图(咨询网络)Fig.5 Funnel Plot of standard error by Fisher’s Z(advice network)

图6 偏倚检验漏斗图(情感网络)Fig.6 Funnel Plot of standard error by Fisher’s Z(emotion network)

图7 偏倚检验漏斗图(情报网络)Fig.7 Funnel Plot of standard error by Fisher’s Z(intelligence netwok)

研究再采用Begg’s 检验法对发表偏倚程度进行定量测量, 若Z> 1.96,p< 0.05, 则提示存在报告偏倚; 反之, 若Z< 1.96,p> 0.05, 则表示没有报告偏倚[10]。本研究Begg’s 检验结果显示: 咨询网络Z= 1.34< 1.96,p= 0.17> 0.05; 情感网络Z= 0.16< 1.96,p= 0.24> 0.05; 情报网络Z= 1.85< 1.96,p= 0.06> 0.05,研究结果显示不存在发表偏倚。所以,研究采用Meta 分析定量合成,得到的效应值较为稳健。

4 结论与展望

4.1 结论

对某高校29 个班级进行整体网调查,大学生的班级社会网络中存在咨询网络、情感网络和情报网络3 类鲜明的群体;每个班级的网络社群数量不同;每个网络社群的成员数量也不同,且多个班级存在孤立节点(学生),这些学生没有进入网络社群。要加强对孤立点和边缘点学生的沟通,分析具体原因,帮助这部分学生融入班集体。

整体上看,班级内不同社会网络群体间的学业成绩有显著差异,且大学生班级咨询网络、情感网络和情报网络形成的社会网络群体对学生的学业成绩有接近中等程度的正向影响。要加强对班级非正式组织的管理,处理好班级正式组织和非正式组织之间的关系,加强班级凝聚力。

4.2 展望

4.2.1 思想政治教育者运用社会网络分析在认识论上的独特性

《关于进一步加强和改进新形势下高校宣传思想工作的意见》中明确提出,要加强大学生思想政治教育的针对性和实效性。研究者要创新研究方法,让思政教育在学生群体中可亲、可敬、可爱。

传统的思维方式是性别、年龄、社会地位、家庭结构、收入甚至遗传因素这些属性特征来解释人们为什么如其所是的那样行动[14]。在社会网络分析的认识范式下,研究者会根据节点或行动者之间的关系模式来理解观察学生的思想行为表现。这一认识范式对于提高大学生思想政治教育的针对性和实效性具有十分重要的作用。

4.2.2 思想政治教育者运用社会网络分析在方法论上的重要性

高校辅导员是开展大学生思想政治教育的骨干力量,社会网络分析方法为提高辅导员思想政治教育专业水平和职业能力提供了精细的分析工具。

社会网络研究根据“关系” 对结构进行的研究都是可操作化的。例如,采用社会网络分析的“社群图” 方法, 对班级的社会网络群体进行可视化的研究。辅导员可以对班干部或党员的度中心性进行分析,考察群众基础和服务水平;还可以通过社群图快速直观地找到班级的孤立节点,有针对性的开展谈心谈话; 当然, 还可以通过中介中心性找到班级的“结构洞”,掌握班级重点学生的思想状况,从而建设良好的班风。这对辅导员掌握每个班级乃至每个学生的个体实际表现情况都提供了科学方法,从而可以提高思想政治教育的针对性和实效性。

总之,社会网络分析提供了一个新的研究范式,可以突破家庭、社会等类别属性的限制。在迫切提升思想政治教育针对性和有效性的时代任务下,社会网络分析作为数学、统计学、社会学等多学科交叉融合发展的研究范式,今后会越来越多的受到关注并成为教育研究的一个重要方向。