社会认知网络：深度学习表征的创新方法

○周 榕 任瑞肖

2022 年4 月，教育部印发《义务教育课程方案和课程标准（2022 年版）》，明确义务教育阶段课程育人导向，强调各课程应着力培养学生核心素养，课程内容结构与学业质量标准均指向核心素养［1］。同年10 月，习近平总书记在中国共产党第二十次全国代表大会上也指出应“发展素质教育”［2］，进一步凸显出培育核心素养人才的重要性。然而，现有传统教学多属于浅层学习的教学，其主要关注学生认知层面，侧重于知识的记忆与理解，旨在学生能利用所学知识解答题目，是一种被动的接受和记忆知识的过程［3］。相反，深度学习则强调学习者课堂主体地位［4］，以培养学生核心素养为价值导向，关注核心素养知识的掌握、迁移与应用，注重在知识习得过程中培养学生的批判性思维能力、自主学习能力、自我管理能力、协作交流能力、问题解决能力等高阶思维，为学生更好地促进自我发展和适应社会变革奠定基础［5］。因此，可以将深度学习理解为培养学生核心素养的重要路径。

深度学习（Deep Learning）最初由马顿（Maton）和赛尔乔（Saljo）提出［6］。其涉及认知领域、人际领域、自我领域，是一种基于理解、追求迁移应用的有意义学习，通过促使学生深度参与学习、采用高级学习策略来促进高阶知能的发展，并实现这些知能在全新情境中的应用或新高阶知能生成［7］。因此，国内外学者重视促进学习者深度学习的方式、策略与支持性环境研究，强调给予学生体验深度学习机会［8］、创设深度学习环境［9］等的重要性。而学习者深度学习效果怎样、采用怎样的方式来评估深度学习，国内外学者皆有研究。本文将从学习过程和学习结果两方面来探析深度学习，并重点阐释社会认知网络如何评估深度学习，以为今后深度学习的研究奠定基础和提供实用性经验。

一、深度学习何以表征

1976 年，马顿（Maton）等提出深度学习的概念，根据学习者信息加工方式指出学生的学习有深度学习和浅层学习之分［10］。2012 年，美国国家研究委员会（National Research Council，NRC）强调深度学习过程中知识与技能的可迁移性，并将深度学习能力划分为三个维度：认知领域、人际领域和自我领域。美国研究院进行一项旨在调查分析实验学校培养学习者深度学习能力策略与途径的实验项目［11］。其中，深度学习能力包括掌握核心学科知识、批判性思维和复杂问题解决、团队协作、有效沟通、学会学习、学术毅力等六种。现阶段，有关深度学习内涵的界定已经较为清晰，但如何表征学习过程中学习者知识掌握的深浅等过程性以及程度性方面仍需进一步探究。

通过梳理国内外现有研究，深度学习表征方式可以概括为以下两种。

1.基于深度学习过程的表征。为了表征大学生学习过程，比格斯团队开发了“学习过程调查问卷（Study Process Questionnaire，SPQ）”，主要用于评价学生学习过程（包括深度学习、浅层学习和成就学习）中的学习动机和学习策略［12］。2001 年，该团队对问卷进行修改，将学习过程简化为深度学习和浅层学习，形成R-SPQ-2F 简化量表［13］。随后，为了更好评价学习的“质”与“量”，比格斯等提出SOLO 学习结果分类理论，即可观察的学习结果结构（Structure of the Observed Learning Outcome，SOLO）［14］。该理论强调学生学习的“量”与“质”的评价问题，即教育者应当从学生“学了多少”和“学得怎样”两个方面对其学习进行评价。其中，关联结构（学生能整合多个知识信息解决问题）和抽象拓展结构（学生能在关联和整合的基础上概括出更抽象的特征）两个层次被归为深度学习状态［15］。另外，有些学者通过学习投入来评估深度学习过程。弗雷德里克斯（Fredricks）通过研究学生学习投入的不同策略来实现深度学习的课堂教学，并给出三种评估学习投入的方法：其一，学生自我评估，通过让学习者填写包括行为、情感、认知投入相关问题在内的自我评估报告来了解学生的学习投入程度；其二，教师评分法，教师基于一系列行为、情感和认知方面的问题选项来评估学习者的投入程度；其三，课堂观察法，观察者首先预先设定编码指标来观察学习者投入状况［16］。教师一般通过观察学生专注于课业的行为和课堂参与情况来衡量行为投入［17］。马云飞等基于认知心理学、教育神经学和具身认知，通过分析信息输入、深度加工和学习生成三个环节，初步构建了深度学习的发生机制模型，并设置相关的学习状态指标［18］。另外，该团队依据深度学习的多模态数据测评框架，综合性采集与分析学习者的生理数据、自我评估数据、在线学习平台数据和课堂参与数据等多模态数据，实现对深度学习发生程度的精准评价。

2.基于深度学习结果的表征。富兰（Fullan）等指出，学校对学生学习结果评价最常用的方法是检验学生对课程内容的掌握程度。而对课程内容掌握程度的评价并不能满足深度学习目标的多样性，如对学生掌握新知识的能力、合作与交流的能力、创新知识的能力等。克里斯蒂娜（Kristina）等为了检验学校采取的促进深度学习的一系列策略和途径是否有效，主要从学习者认知能力、人际和个人能力、高中毕业率、大学入学情况等四个方面进行效果评价。其中，认知能力的评价主要通过两个测试成绩，即OECD 的PISA 测试和英语语言艺术与数学测试；而个人和人际方面的能力主要通过深度学习能力量表进行评价［19］。汤普森（Thompson）等探讨不同学习方法（浅层学习与深度学习）如何影响学生学习结果。研究过程中，学者采用基于计算机辅助考试（理论与实践）和R-SPQ-2F 简化问卷来评估学习者学习结果，结果表明采用深度学习方法的学生在处理高阶与低阶问题上表现较好。张浩等以深度学习目标为导向，构建以布鲁姆的认知目标分类法、比格斯的SOLO 分类法、辛普森的动作技能目标分类法和克拉斯沃尔的情感目标分类法为基础的深度学习多维评价体系，以非结构化的深层知识、高阶认知技能、高阶思维能力和高水平动作技能等形成深度学习评价的现实标准，构建认知、思维结构、动作技能和情感思维一体的深度学习评价体系，以解析不同领域中深度学习者可达到的预期目标［20］。朱丽明和宋乃庆认为，STEAM 教育和深度学习具有内在耦合性，两者相容相契，构建了STEAM 教育理念下深度学习测评指标体系，具体涵盖主题统整、知识构建、情感投入、思维诊断等四个维度［21］。

综合来看，现有研究用以表征深度学习的手段多是聚焦在传统考试与问卷评估，导致所得数据并非客观展现学习者深度学习能力。为了避免评估的主观性，少数学者也尝试采用多模态数据测评技术（如马云飞等），但该项技术实现相对困难。因此，一个能够将学习者深度学习过程和结果客观且可视化表征的方法尤为重要。正所谓“山重水复疑无路，柳暗花明又一村”，社会认知网络恰好能够缓解其研究困境。该方法能够囊括深度学习三领域，且能够客观化、可视化展现数据所蕴含的文字与图像的含义，因此，广泛尝试使用该方法评估学习者深度学习是可行的，其亦在现有研究［22］［23］中得以印证。然而，殊途同归，研究中均提及应用社会认知网络来评估深度学习，但流程与步骤不一。所以，厘清该方法的步骤为后期研究提供莫大帮助。

二、社会认知网络应用流程：同名不同质

社会网络和认知网络被国内外学者熟知，社会网络主要用于剖析研究对象的人际关系和社会网络特征；认知网络则依据交互中所涉及的知识、价值、决策过程等要素，建立个体或者群体的认知框架模式。但是，两者均有瑕疵，前者缺乏对交互内容的关注，后者对交互角色、子社群等社交网络特征有所忽视。然后，社会认知网络将两者融合，分别提取认知网络与社会网络的主要功能，用于主题研究。已有研究证实了社会认知网络是促进深度学习交互的有效支架［24］。本研究通过梳理已有文献，总结两类社会认知网络的应用流程，以为今后的研究提供借鉴。

（一）始于社会网络，落于认知网络

该类社会认知网络主要运用社会认知网络特征（Social Epistemic Network Signature，SENS）法来构建。SENS 是由Gasevic 等人提出，主要用于在线协作学习的研究［25］。国内已有研究证实该方法可以很好地表征深度学习三个子领域，并给出在深度学习中的一般应用步骤。但给出步骤中减弱深度学习学习者自我领域的分析，本研究尝试在此基础上重新完善优化使用SENS 构建深度学习的社会认知网络（如图1）。

图1 SENS 用于深度学习的一般步骤

1.数据获取。第一步，获取用于分析的数据，包括学习者在学习活动中的话语数据、交互数据和学习者背景信息数据。话语数据可以涉及记录学习者交流文本、语音或者视频以及个人的反思日志等能够表征学生认知和知识等方面的信息。交互数据是指能够反映学习者在学习活动中交互关系的数据。其中，交互关系用学生间交流沟通（包括语言、行为、肢体等）的信息流向来表示，即学生A 与学生B 之间的一次对话、一次回帖或者一个手势等。学习者背景信息数据则是包括人口统计数据（如性别、年龄、学习阶段等）、学习心理状态以及学业成绩等信息，便于将学习者自我形象化。

2.数据分析与网络构建。第二步，社会网络构建。首先，基于交互数据来确定学习者在深度学习过程中所扮演的角色。其次，使用社会网络分析（Social Network Analysis，SNA）搭建社会网络。最后，根据所搭建网络来确定社群。其中，社群识别是指利用某种方法将网络划分成内部联系紧密、相互之间联系稀疏的簇，每个簇代表一个社群，在同一个社群的成员，往往具备某些相似的特征［26］。其中，加权度中心度、接近中心度、中介中心度和特征向量中心度等度量指标能够反映学习者在社会网络和社群中所扮演的角色。

第三步，认知网络构建。该网络构建主要应用认知网络分析（Epistemic Network Analysis，ENA）技术。ENA 是量化民族志的一种数据分析方法，被用于建模话语中的编码之间的关联，提供一种对话语内容的可视化表征，以及用于统计检验，来提供关于建构经历含义的定性论断是否达到理论饱和的统计学保证［27］。其包括数据编码与统计、分节与邻接矩阵创建、认知网络降维与建模［28］。

（1）数据编码与统计。首先，在话语数据中寻找关键词，确定编码方案，即生成一个编码集合和一个对应的编码本。然后，由两位编码者根据方案对数据的抽样样本进行编码并计算其kappa 值和rho值以保证编码的一致性。最后，根据社会网络分析和学习者背景信息数据所确定社群（一般来说，包括低水平和高水平）的话语文本进行编码与统计。

（2）分节与邻接矩阵创建。学习者每条发言称为数据行，多行组成即为节。行数主要通过滑动窗来确定，并确保每节中至少有两个编码的行且节的参考行包含节中所涉及编码。之后，使用邻接矩阵（Connection Matrix）来表征每个学习者建立的不同编码之间的联结总和。其中，矩阵的行和列代表的是每个编码，每个元素代表两个编码在多少个数据节中同时出现的次数。

（3）认知网络降维与建模。首先将邻接矩阵以向量表示的方式转化为高维空间上的一个点。再次，将向量标准化，以排除组内成员话语量不均衡所带来的影响。然后，通过奇异值分解（Singular Value Decomposition）的方法来旋转标准化向量的空间，以展示数据中的最大方差。最后，构建认知网络。

目前已有绘制认知网络的在线工具，研究者只需将编码数据上传至ENA Webkit（http：//www.epistemicnetwork.org/），根据研究需求设置相关参数，便可生成认知网络图来可视化话语文本内容。但像所有统计学方法一样，重要的是理解方法背后的含义是什么以及为什么这么做，以更好地解释数据所反映的内容。

（二）社会与认知叠加，归一为社会网络

该类网络的内涵则是将社会网络分析中学习者之间的社会关系网络与认知网络分析中的群体认知网络进行叠加［29］，以参与者和认知要素（交互内容中体现出的认知加工的关键环节）为节点，以“人—人”“人—认知要素”“认知要素—认知要素”等节点间的连线表征互动关系，并将其作为不同网络间相互匹配的通道和桥梁［30］。与第一类不同，该类是将社会网络与认知网络整合来分析，即将深度学习中三个领域“冗杂”在一块进行分析，最终使用社会网络图将其可视化，即认知网络与社会网络均以社会图的形式呈现。该类网络包括节点（认知要素节点与学习者节点）与交互关系（节点与节点的连线，又称为“边”），两点成线，线线组面，即形成社会认知网络。其步骤包括认知数据与交互数据的获取与构建社会认知网络两大步骤。

第一步，认知数据与交互数据的获取。由于深度学习涉及三大领域，因此，学习者认知数据与交互数据应在学习活动中同时获取。以上两种数据与第一类网络相似，认知数据用以反映深度学习认知领域，交互数据指向深度学习人际领域。

第二步，构建社会认知网络。首先，根据所获取的数据以及理论框架，识别关键认知要素，形成编码方案。其次，对所收集的认知数据进行整理和编码，编码过程与第一类相似；然后，从个体、小组、群体三个层次构建社会认知网络。其中，个体的社会认知网络主要体现在个人的社会性认知交互情况，能够表现学习者的认知结构，笔者将其归为深度学习的自我领域；小组的社会认知网络则是在个人社会认知网络基础之上融入小组成员的社会交互属性；群体社会认知网络反映的是群体（或社群）学习者在深度学习过程中所形成的社会认知网络结构［31］。后两者（即小组与群体层次）均反映深度学习的人际领域，而三个层次均涉及深度学习的认知领域。最后，进行网络分析。在分析过程中可以借助关键性指标来进行分析，如表1 所示。

表1 社会认知网络分析关键性指标

三、总结

以上两类社会认知网络均着手于深度学习三个领域。第一类将社会网络与认知网络拆开分析，使用社会网络来表征学习者深度学习过程中的人际领域，基于社会网络划分好的社群以及学习者个人特征构建认知网络，从而掌握学习者深度学习过程中认知情况。第二类则将社会网络与认知网络融合来看，并从个人、小组和群体三层面构建社会认知网络。其中，个人社会认知网络来表征深度学习的个人领域，后两者则聚焦人际领域，三者社会图中均涉及认知领域。总体来看，以上两类网络并无孰好孰坏之分，应根据研究主题以及研究团队情况来选择。此外，在分析已有文献时发现，目前研究多是聚焦在网络环境下深度学习的认知行为与社会交互行为［24］，而基于真实条件下的研究较少，这可能是数据采集和分析困难导致的。因此，这也将是未来应考虑的，将深度学习引入真实活动情境（如STEM 探究活动等）中，尝试使用社会认知网络来表征其情境中深度学习的动态过程，即探究真实活动情境能否引发深度学习？若能够引发，面向深度学习的真实情境下活动如何设计？思考真实活动情境下深度学习的数据采集工具应是怎样的？以及如何分析数据，等系列问题。