基于关键角色互动特征识别的协作学习预警研究

王辞晓 伍潇贝

基金项目：国家自然科学基金2022年度青年科学基金项目“基于社会—行为—认知—情感的在线协作角色互动分析与干预研究”（项目编号：62207003）；北京市教育科学“十四五”规划2023年度重点课题“数据驱动的中小学人机协同教学质量评价与提升路径研究”（课题编号：BGAA23030）

[摘   要] 动态监督并精准干预协作角色的功能表现和群体协调问题，有助于提升协作学习的互动质量与效率。文章旨在通过挖掘协作学习中个体和群体层级角色互动特征对学习成效的影响路径来设计协作学习预警机制。以科学协作探究为研究情境，文章提出了融合时序和能级信息的个体和群体双层级角色互动特征计算方法，并运用多层线性模型识别出对学习成效有显著直接效应和调节效应的关键角色互动特征。研究发现：个体层级的四种关键互动特征中角色转换频数、角色维持时长均值、角色能级均值对学习成效具有正向影响，角色能级变化系数对学习成效具有负向影响；群体层级的三种关键互动特征策略转换频数、策略能级变化系数、策略能级方差对部分个体层级互动特征的效应有调节作用。最后，文章设计了基于上述关键角色互动特征的协作学习预警机制，并提出角色感知、角色建议、角色配置三种不同强制程度的教学干预策略。

[关键词] 协作学习； 数据驱动； 协作角色； 特征识别； 多层线性模型

[中图分类号] G434            [文献标志码] A

[作者简介] 王辞晓（1992—），女，吉林白山人。讲师，博士，主要从事在线教育、协作学习研究。E-mail：wangcixiao@bnu.edu.cn。

一、引   言

角色是社会心理学的重要概念之一，被广泛应用于探讨人类在社会群体中的身份与行为规范[1]。协作角色反映着小组成员的责任分配与职能定位，合理的角色配置有助于形成积极互赖关系，提高信息交互和意义协商的效率，进而提升协作效果[2]。分配角色、轮换角色、反思角色是协作学习中常见教学干预方式[3-4]。然而，教师往往难以实时监督个体和小组的实际表现，并针对过程性角色表现问题给予精准干预，学习者的实际角色表现也可能与教师预设存在偏差[5]，未能产生理想干预效果。及时发现持续边缘参与、策略频繁变换、活跃度骤降等具有一定学业风险的角色互动特征，具有重要的协作学习预警作用。本研究以协作探究情境的角色互动为切入点，期望通过挖掘协作角色的互动特征，有效识别并预警群体协调的过程性问题，为协作学习的精准教学干预提供设计依据。

二、文献综述

（一）基于协作角色的学习分析

在学习分析领域，协作角色的相关研究主要可以分为三类。第一类，协作角色的类型划分，主要关注角色的内涵与产生方式，例如，脚本化角色和生成性角色的基本划分[6]，前者受外部脚本指派，后者由组内自发形成。也有研究者根据协作情境进行更为细致的角色分类，例如：Yilmaz等人将知识建构类协作角色分为发起者、总结者、主持人、思辨者、资源搜索者等[3]；王辞晓和张文梅将联通主义学习协作角色分为组织者、整合者、执行者、辅助者、边缘者、辍学者等[7]。第二类，协作角色的识别技术，主要探索基于自陈报告或协作数据的协作角色识别方法与技术。现有方法多为基于对文本、视频等非结构化数据的人工编码[8]和对社会网络指标、行为日志等结构化数据的事后统计和聚类分析[5]。第三类，协作角色的互动分析，主要关注长周期协作过程中角色的发展、转换等互动规律。个体角色转换能够体现协作者职能定位的变化，小组角色结构动态变化能够反映小组这一有机整体的策略变化和功能调节[9]。前人研究运用行为转换、社会网络分析等方法探索了个体角色转换、群体结构变化等角色互动规律[10-11]。也有研究基于系统性文献综述提出面向群体认知的角色展现、协调、结构三层级互动分析模型及其方法体系[12]。这些研究为协作角色的学习分析提供了框架与方法，为相应的精准教学干预提供了可能性和设计依据。

（二）基于协作角色的教学干预

在协作学习领域，前人研究探索了基于协作角色的教学干预方式，如角色分配、角色轮换、角色反思等[4]。然而，角色干预效果的检验往往仅从群体视角开展，个体对角色功能的实际执行情况常被忽视。例如，角色分配被前人研究证实能够提高被试群体的认知临场感[3]、群体效能感[13]、知识共享意愿[14]和知识建构水平[15]。但也有研究指出，部分个体因能力、兴趣等因素未能较好地执行被分配角色的职能[5]，而教师往往难以实时觉察并给予教学干预。还有研究发现，指定给学生的脚本化角色，如资源搜集者等角色，对个体的知识建构水平有负面作用[16]。缺乏对协作角色真实执行情况的分析使得这类问题的溯源成为挑战，协作角色的干预设计与效果检验难以构成反馈闭环。

学习分析是设计精准教学干预、提升学习成效的重要基础。分析多主体的角色维持、转换、结构演化等互动特征，如角色转换过于频繁、角色配置不合理等，能够为细化具体干预内容与形式提供依据[7-10]。然而，少有研究将个体角色转换、小组角色分布与结构变化等互动特征与学习成效建立关联，过程性教学干预的设计缺乏有效支撑。总的来说，协作角色互动分析有助于发现个体角色执行和小组功能协调中存在的问题，进而设计精准的教学干预机制，且当前亟须开展对角色互动特征与协作成效关联关系的深入分析。

三、研究设计

（一）研究情境与对象

本研究的协作学习情境为基础教育阶段的科学课堂，多人结成一组基于虚拟实验开展科学探究。实验对象为实验学校的五年级学生，总人数为130人，共来自4个班级，且由同一位科学教师任教。实验对象共分为23个协作小组，小组规模为5～6人。研究者与教师基于课程标准与教学大纲，从PhET教学模拟平台选取三个符合课标要求的虚拟实验：光的折射、简单电路、电磁感应。基于这三个探究主题，本研究实验共包含三轮间隔一个月的探究活动。每轮探究活动中，各小组基于所给实验单的概念理解和问题解决任务，操作虚拟实验、总结实验规律，进而完成小组实验单和个人后测。个人后测题目与探究主题相关，用于评测学生在探究活动中的知识获取情况。

（二）研究问题与框架

本研究的主要目的是挖掘协作学习中个体和群体层级角色互动特征及其对学习成效的影响，并基于显著影响学习成效的关键角色互动特征设计协作学习预警机制。研究假设个体和群体层级的角色互动特征均会对个体学习成效产生影响，且这些特征具有时序性、等级性、嵌套性等特点。具体研究问题如下：（1）如何计算个体层级和群体层级具有复杂嵌套结构的角色互动特征？（2）如何识别对学习成效有显著影响的关键角色互动特征并基于此设计协作学习预警机制？本研究的研究框架如图 1所示。

图 1   研究框架

研究框架共分为四个阶段：首先，运用内容分析法提取协作探究活动后学习者反思文本所呈现的个体协作角色类属。其次，根据角色时序信息和能级信息计算个体层级的角色互动特征，并基于此挖掘群体层级的协作策略及其互动特征。再次，构建个体与群体层级角色互动特征的多层线性模型，识别对学习成效有显著影响的关键角色互动特征。最后，基于个体和群体关键角色互动特征设计协作预警机制。

（三）研究方法与工具

本研究采用文本内容分析、数据挖掘、多层线性模型等方法开展研究。

1. 协作角色类属编码

每轮探究活动后，学生填写协作反思问卷，包括协作角色、资源使用等主观问题。学生报告其在协作中扮演的角色和工作内容。研究者根据小组成员在反思问卷中“资源使用”的回答情况对个体角色文本信息进行修正。在角色编码阶段，本研究采用Wang & Li提出的科学探究协作角色编码表对修正后的角色文本数据进行编码[8]。该编码表将协作角色划分为五个类属：协调类、整合类、探究类、辅助类、边缘类。

两名研究者经过编码训练后，对257条文本数据进行背对背编码。内部一致性检验的Kappa系数为0.920 （p<0.001，N=257），表明编码质量较高。随后，由第三位研究者参与协商讨论不一致的编码，最终确定得到研究对象在三轮活动中扮演的协作角色。

2. 角色互动特征计算

角色互动特征包括两个层级：个体层级和群体层级，分别反映了学习者协作角色扮演的维持调整情况和小组策略的协调情况。本研究提出了角色互动特征分析框架（见表1），将个体和群体层级的互动特征均分为基于时序信息和基于能级信息两个维度。

表 1              角色互动特征分析框架

对个体而言，时序维度指基于角色转换频数和维持时长均值、方差等时序信息进行特征计算，能级维度指根据角色能级信息对其变化情况进行计算。角色能级来源于社会能级论[17]，本研究据此为协作角色赋值，即为不同社会话语地位的协作角色赋予能级值。进一步地，基于角色能级信息可计算角色能级均值、能级方差和能级变化系数等特征。

对群体而言，本研究根据小组中角色的展现情况挖掘其使用的群体策略。时序维度指基于协作中所采用的群体策略时序信息进行特征计算，能级维度指基于小组内部各角色能级信息计算群体策略能级，进而计算群体策略能级的变化特征。进一步地，基于群体能级信息可计算群体策略能级均值、能级方差和能级变化系数等特征。

3. 关键互动特征识别

关键角色互动特征指对协作学习成效有显著影响的若干特征，是发现过程性协作问题、制定精准教学干预策略的重要依据。多层线性模型（Hierarchical Linear Model， HLM），常用于处理分层嵌套数据，减少标准误产生。本研究包含了23个小组，每组5～6名学生，构成个体角色—群体策略的两层嵌套数据。

本研究将个体层级和群体层级的角色互动特征设为多层线性模型的自变量，将个体学习成效即后测成绩设为因变量，用于反映学生的知识获取情况。研究假设群体层级的自变量会以直接或调节方式影响个体学习成效。研究将提取出对个体学习成效有显著影响的角色互动特征，实现关键互动特征识别。HLM 6.0工具将用于多层线性模型的构建。

四、特征计算与建模

（一）角色互动特征计算

1. 基础变量

通过对三轮探究活动中协作角色的类属编码，本研究提取了研究对象的协作角色信息。本研究设计了个体和群体层级的基础变量（见表 2），以便开展角色互动特征计算。在本研究中，单位协作时间指一轮探究活动，整个协作周期指三轮探究活动。

角色赋值函数的参考依据为整个协作周期中扮演该角色的所有个体的平均行动频次，人均行动频次越高，该角色能级越高。角色能级赋值结果为：R1协调类为5，R2整合类为4，R3探究类为3，R4辅助类为2，R5边缘类为1。

群体策略类型的参考依据为小组内包含的角色类型及其数量。基于此，本研究将群体策略划分为任务型、协调型、探究型、综合型、消沉型五种，类型划分函数见公式（1）。n为小组g的人数，h■■为小组角色丰富度，表示小组g在单位协作时间Tj中角色的类型数。

式（1）

策略能级函数的参考依据为群体策略的人均角色能级水平，人均角色能级值越高，策略能级越高。基于此，策略能级赋值结果为：S1任务型为5，S2协调型为4，S3探究型为3，S3综合型为2，S5消沉型为1。

2. 特征计算

本研究进一步提出个体和群体层级的角色互动特征计算公式。个体角色互动特征的计算公式及含义见表 3。其中，k表示学习者序号， j表示某段协作时间，i代表第i个维持时段，n表示整个协作周期中单位学习时间的总数，N表示学习者k角色维持时长的总数，即i的最大值。

群体角色互动特征的计算公式及含义见表4。其中，g表示小组序号，j表示某段协作时间，i表示第i个维持时段，n表示单位协作周期中单位学习时间的总数，N表示小组k策略维持时长的总数，K表示某组中小组成员总数。群体策略能量值记作Μc，其中c=[1， 2， 3，…，c]，代指某策略类别下的小组数。

由于部分研究对象未能全程参与三轮探究活动或后测，最终纳入分析的个案数为23个小组的110名学生。根据以上计算公式，个体与群体角色互动特征的计算结果见表5。

（二）关键互动特征建模

1. 模型构建

在特征识别阶段，本研究构建的HLM为两层分析模型：第一层的自变量为个体角色互动特征，第二层的自变量为群体角色互动特征。因变量为个体协作学习成效，即学生三轮探究活动后测成绩的均值。

（1）零模型

零模型可以用来检验数据是否适合分层，即是否有必要进行分层分析。本研究构建的零模型如下：

第一层：LP=β0+r

第二层：β0=γ00+μ0

其中，LP为因变量，β0为第一层截距即固定效应，r为第一层的随机效应；γ00为β0在第二层的截距即固定效应，μ0为第二层的随机效应。

（2）随机系数回归模型

在零模型的基础上，本研究先考察个体层级的自变量对因变量的直接影响，即构建随机系数回归模型。首先，将个体时序特征作为自变量纳入第一层方程（形成模型1）；其次，将个体能级特征作为自变量纳入第一层方程（形成模型2）。所构建的随机系数回归模型如下：

第一层：LPij=β0j+β1jX1j+β2jX2j+…+rij

第二层：β0j=γ00+μ0j

βij=γi0+μij

其中，Xij为第一层的自变量；γi0为βij在第二层的截距，μij为βij在第二层的随机效应。

（3）截距模型

在零模型的基础上，进一步考察群体层级的自变量对因变量的直接影响。将群体时序和能级特征变量作为自变量同时纳入第二层方程（形成模型3）。所构建的截距模型如下：

第一层：LPij=β0j+rij

第二层：β0j=γ00+γ01Wj+γ02Wj+…+μ0j

其中，Wj为群体层级的自变量。

（4）完整模型

在模型2的基础上，将群体时序和能级变量纳入第二层方程中（完整模型），考虑个体层级变量对个体学习成效的直接影响和群体层级变量的调节作用。所构建的完整模型如下：

第一层：LPij=β0j+β1j X1j+β2j X2j+…+rij

第二层：β0j=γ00+γ01Wj+γ02Wj+…+μ0j

β1j=γ10+γ11Wj+γ12Wj+…+μ1j

2. 特征识别

（1）零模型

零模型检验结果见表 6，计算得出ICC（1）值为0.181>0.138，证明各小组间的个体学习成效差异显著，即小组与个体学习成效间具有高关联强度，数据适合采用HLM进行分析。此外，组间效应占比为22.10%，组内效应占比为81.90%。换言之，小组的不同会引起个人学习成效的差异，且这种差异占个人学习成效整体差异的22.10%。

表6                  零模型的检验结果

（2）随机系数回归模型

在模型1构建过程中，个体层级的角色转换频数、角色维持时长均值、角色维持时长方差间存在共线性问题。因此，后续分析在保证模型不存在共线性问题且模型拟合效果最优的前提下选取变量。研究最终选取角色转换频数和角色维持时长均值作为模型1的自变量，此时模型拟合效果最好。模型1拟合结果（见表7）表明，角色转换频数与角色维持时长均值对个体学习成效均具有显著影响，且角色转换频数越高，学习成效越好；角色维持时长均值越高，学习成效越好。

之后，选取角色能级均值、角色能级方差作为自变量，纳入模型1的第一层方程，构成模型2，此时模型拟合效果最好。根据模型2拟合结果（见表7），角色转换频数与角色维持时长均值对个体学习成效具有显著正向影响，且在加入个体层级的能级变量后，角色转换频数对个体学习成效的影响系数提高，而角色维持时长均值的影响系数降低。此外，角色能级均值对个体学习成效具有显著正向影响，而角色能级变化系数对个体学习成效影响不显著。

表 7        零模型和模型1-3的检验结果

注：*表示p<0.05，下同。

（3）截距模型

在零模型的基础上，将群体时序特征和能级特征作为自变量同时纳入第二层方程中。由于策略维持时长方差与其他变量间存在共线性问题，最终选择纳入其他五个变量形成模型3。

模型3拟合结果（见表7）发现，群体层级角色互动特征对个体学习成效影响不显著。在加入群体层级自变量后，模型离异数由720.091降为703.516，说明群体层级自变量对模型的构建具有一定优化作用。这表明，群体角色互动特征没有直接影响个体学习成效，而是通过影响个体角色互动特征间接影响个体学习成效，即调节作用。

（4）完整模型

完整模型的拟合结果见表 8。此时模型离异数降至677.899，拟合效果提升。检验结果表明，角色转换频数、角色维持时长均值、角色能级均值对个体学习成效依然具有显著正向影响，且角色转换频数的影响系数有所增加，角色维持时长均值、角色能级均值的影响系数减小，可见群体角色互动特征扩大了个体角色互动特征的变量间影响差距。此外，角色能级变化系数对个体学习成效产生了显著负向影响。

表 8             完整模型的检验结果

在群体层级自变量的调节作用下，个体层级自变量对个体学习成效的影响有所变化。具体地，策略转换频数对角色转换频数的效应有显著负向调节作用，策略转换频数越大，角色转换频数对个体学习成效的影响越小；策略能级变化系数对角色能级均值的效应有显著正向调节作用，策略能级变化系数越大，角色能级均值对个体学习成效的影响越大；策略转换频数和策略能级方差均对角色能级变化系数的效应有显著调节作用，策略转换频数越大，角色能级变化系数对个体学习成效影响越大；策略能级方差越小，角色能级变化系数对个体学习成效影响越大。

五、研究发现与讨论

（一）关键角色互动特征的效应解析

1. 个体层级

研究得到4个个体层级的关键角色互动特征，其中，角色转换频数、角色维持时长均值、角色能级均值对学习成效具有正向影响，角色能级变化系数对学习成效具有负向影响。角色转换频数反映了职能转换情况，角色维持时长均值反映了个体在协作过程中的角色稳定性，两者均能够反映个体在小组中的角色协调情况，且前者对学习成效的影响程度更大。先前研究表明，角色轮换有助于提高学习者的高阶认知水平和问题解决能力，能够有效地避免组内角色固化和群体动力失活等问题[4]。同时，适度的个体角色转换体现了群体策略的调整，是小组为了推进协作任务而进行的合理内部协调[8]，因而会对学习成效产生较大程度的正向促进作用。角色稳定性对学习成效的正向影响主要体现在核心成员，即角色能级较高的个体，其角色稳定性越高，小组协作表现越好，从而影响组内个体知识获取情况[7-8]。因此，相较于角色转换频数，角色维持时长均值对个体学习成效的正向促进作用稍弱。

角色能级均值反映了个体在整个协作周期的活跃水平与社会话语地位[8]。小组任务的核心参与者与推进者有着较高的角色能级均值，也相应地会取得更好的个体学习成效。而对于搭便车者、边缘参与者等角色能级均值低的个体，已有研究表明这类学习者具有一定学业风险[11-18]，本研究进一步表明这类角色需要进行外部干预。角色能级变化系数反映了个体角色能级跃迁的幅度，跃迁幅度越大，个体学习成效越低，可见从低能级角色转换为高能级角色时，能级过度提升是不合理的角色协调现象，会产生负面作用；反之，高能级角色转变为辅助者、边缘者等低能级角色，个体本身的协作参与度、活跃水平降低，进而引起负面影响。此外，在未考虑群体层级变量的情况下，角色能级变化系数对个体学习成效的负向影响不显著，引入群体层级变量后才产生显著负向影响，这说明角色能级变化系数对个体学习成效的影响与群体层级变量关系密切，受群体策略的影响较大。

2. 群体层级

本研究发现，不同小组会使个体学习成效产生一定的差异，且这种差异占个体学习成效整体差异的22.10%，这说明群体层级的角色互动特征会影响个体学习成效。群体层级的角色互动特征未对个体学习成效产生直接影响，而是作为调节变量产生间接影响。具体地，群体层级变量加强了角色转换频数、角色能级变化系数对个体学习成效的影响，削弱了角色维持时长均值、角色能级均值对个体学习成效的影响。进一步分析发现，策略能级变化系数对角色能级均值的效应、策略转换频数对角色能级变化系数的效应具有显著正向调节作用。策略转换频数对角色转换频数的效应、策略能级方差对角色能级变化系数的效应具有显著负向调节作用。由此可得，群体层级的关键角色互动特征为：策略转换频数、策略能级变化系数、策略能级方差。

首先，频繁的策略转换会削弱角色转换频数的正向作用效果、增强角色能级变化系数的负向作用效果。具体地，当群体策略经常发生变化时，个体角色变化对其学习成效的正向作用有所下降，而角色能级的大幅变化对其学习成效的负向作用有所增强。群体策略频繁转变时，个体角色也会相应地发生频繁的转换，但后者的转换可能是被动的，因而其效应会发生改变。同时，群体策略改变频繁可能会导致个体角色能级的不合理跃迁，进而引起更强的负面作用。已有研究也表明，相对稳定的小组策略会带来更好的学习成效[8]，可见策略转换频繁是群体层面的重要预警依据之一。其次，策略能级变化系数越大、策略能级方差越大，均能够代表协作周期中小组策略发生较大调整，即组内更多个体发生角色转变。如果在此过程中个体仍能够保持较高的角色能级水平，那么这类适应能力较强的个体也会取得更好的学习效果。此外，由于小组策略发生变化，部分个体角色能级大幅度变化的合理性得到提升，因而角色能级变化系数对个体学习成效的负向作用变弱。

（二）基于协作角色的预警机制设计

根据上述研究发现，本研究设计了基于关键角色互动特征的协作学习预警机制（如图 2所示）。预警机制通过识别关键角色互动特征，将协作过程中的个体和群体分为正常状态和警戒状态，并针对警戒状态的个体或群体实施相应教学干预策略。具体地，个体层级警戒状态分为三种：角色单一固化、角色维持短暂、角色能级剧变；群体层级警戒状态分为两种：策略转换频繁、策略能级剧变。基于群体感知和协作脚本理论[19]，本研究提出角色感知、角色建议、角色配置三种强制程度递增的干预策略。其中，角色感知指向学生或小组呈现角色互动特征的可视化信息，角色建议指提供关于个体角色转换或小组策略调整的建议及脚手架，角色配置指向学生指派特定角色或为小组配置角色结构。正常状态下，采用角色感知策略供个体和小组了解与反思协作历程；警戒状态下，根据情况实施角色建议或角色配置策略。

图 2   基于角色互动的协作学习预警机制

个体层级上，角色单一固化型学生长期扮演同一协作角色容易产生心理惯性，学习行为相对单一和重复，协作动力难以保持。因此，在协作效率低下、任务进程缓慢时，可通过角色建议策略提醒学生主动进行角色转换，或向持续边缘参与、长期话语霸权的学生实施角色配置策略。角色维持短暂型学生在协作过程中频繁地调整个人角色，对一种角色尚未熟悉时又转换为其他角色，可能产生角色职能定位混乱、参与度忽高忽低等问题。在此情况下，可通过角色建议策略对个体职能提出要求，或通过角色配置策略规定学生必须在某个协作周期中维持特定角色，从而提高其角色熟悉度和协作参与度。角色能级剧变型学生在协作过程中能级跃迁幅度较大，其中，从低到高的角色能级跃迁代表边缘学生成为组内关键角色，此时可能产生组员信任度低、任务融入难、职责与能力不匹配等问题；而从高到低的跃迁则可能导致学生游离小组之外、协作进度受阻、效率降低等问题。因此，当学生角色能级发生剧变时，可通过角色建议或配置策略进行干预：对于前者，引导其稳步前进，在协作过程中逐渐提高个体协作表现与社会话语地位；对于后者，帮助其认同自身角色价值，建议其在适当范围内转换角色，避免因角色倦怠而产生消极协作等表现。

群体层级上，对于策略频繁转换型群体，成员角色频繁变动使得小组时间和精力过度投入分工协调上，不利于协作任务的实质性推进。因此，可采用角色建议策略帮助学生找到合适的协作策略，减少策略转换频次，形成稳定高效的群体策略。此时还应着重关注角色单一固化、角色能级剧变的组员，在必要情况应实施角色配置策略。对于策略能级剧变型群体，关键角色的大幅能级跃迁或多位组员角色转换，容易导致小组策略发生强烈变化，职能分工的大幅调整可能导致部分学生无法适应新策略，进而影响其协作表现。因此，可采用角色建议和角色配置策略，结合学生个人状态和小组角色结构，协助小组选择并保持适当策略，同时提供具体角色分配与执行建议。此时还应着重关注组内持续边缘参与的学生，引导其进行相邻能级的角色转换，或为其指派较高能级的适宜角色。

（三）研究反思与未来展望

本研究通过整合个体角色及群体策略的时序与能级信息，提出了个体和群体双层级协作角色互动特征分析框架与计算方法，破解了协作角色互动特征的计算难题，丰富了协作学习互动分析的研究方法与工具。同时，本研究运用多层线性模型识别出对学习成效有显著影响的关键角色互动特征，深入分析角色互动特征隐含的过程性协作问题，并基于此设计了协作学习预警机制，提出面向不同层级、多种强度的教学干预策略。研究结果有助于从理论层面丰富角色互动对协作成效的影响机制，从实践层面提升群体协作的学习成效与互动质量。本研究还存在一定局限性，例如，实验仅包含三个单位协作时间，导致模型构建过程中部分变量间存在共线性问题，未能全面揭示角色互动特征对学习成效的作用路径。未来研究应延长协作周期、丰富协作情境、设计迭代教育干预实验，进一步验证计算方法与预警机制的可迁移性，提升多场景协作表现监督与调控的精准性。

[参考文献]

[1] SMITH R，SUEANN B. “Newbies” and “Celebrities”： detecting social roles in an online network of teachers via participation patterns[J]. International journal of computer-supported collaborative learning， 2014，9（4）：433-450.

[2] ？魻ZTOK M. Cultural ways of constructing knowledge： the role of identities in online group discussions[J]. International journal of computer-supported collaborative learning， 2016，11（2）：157-186.

[3] YILMAZ R，YILMAZ F G K.Assigned roles as a structuring tool in online discussion groups： comparison of transactional distance and knowledge sharing behaviors[J]. Journal of educational computing research， 2019，57（5）：1303-1325.

[4] 王智颖，翟芸，吴娟.在线异步讨论中角色轮换脚本对大学生深度学习的影响[J].现代远程教育研究，2021，33（3）：100-112.

[5] COSTAGUTA R ，SANTANA-MANSILLA P ，LESCANO G ， et al.Mining associations between collaborative skills and group roles in collaborative e-learning environments[J].Journal of information technology research（JITR），2019，12（2）：159-174.

[6] LIU W ，WANG C.How roles in collaboration respond to the exchange of device-student ratio under the impact of external scripts？[J].Educational technology society，2022，25（2）：15-30.

[7] 王辞晓，张文梅.联通主义学习中协作问题解决的角色互动研究[J].电化教育研究，2022，43（10）：86-93.

[8] WANG C， LI S. The trade-off between individuals and groups： role interactions under different technology affordance conditions[J]. International journal of computer-supported collaborative learning，2021，16（4）：525-557.

[9] STAHL G， LAW N， CRESS U， et al.Analyzing roles of individuals in small-group collaboration processes[J]. International journal of computer-supported collaborative learning，2014，9（4）：365-370.

[10] 张瑞，生蕾，张义兵.知识建构社区中生成性角色的演变过程分析[J].电化教育研究，2020，41（2）：53-59.

[11] HEINIM？魧KI O， VOLET S， JONES C， et al.Student participatory role profiles in collaborative science learning： relation of within-group configurations of role profiles and achievement[J].Learning， culture and social interaction，2021，30（PA）：100539.

[12] 王辞晓，刘文辉.理解与表征群体认知的新视角：协作脚本中的角色互动[J].现代远程教育研究，2023，35（2）：102-112.

[13] STRIJBOS J， MARTENS R L， JOCHEMS W M G， et al. The effect of functional roles on perceived group efficiency during computer-supported collaborative learning： a matter of triangulation[J]. Computers in human behavior，2007，23（1）：353-380.

[14] CESARENI D， CACCIAMANI S， FUJITA N. Role taking and knowledge building in a blended university course[J]. International journal of computer-supported collaborative learning，2016，11（1）：9-39.

[15] DEWEVER B， KEER H V， SCHELLENS T， et al. Roles as a structuring tool in online discussion groups： the differential impact of different roles on social knowledge construction[J]. Computers in human behavior，2010，26（4）：516-523.

[16] HEINIM？魧KI O， VOLET S， VAURAS M. Core and activity-specific functional participatory roles in collaborative science learning[J]. Frontline learning research，2020，8（2）：65-89.

[17] 缪文卿.论大学组织生成及其与社会的关系[J].教育研究，2015，36（11）：64-68.

[18] 何文涛，王良辉，朱玲林，等.智慧教室环境下协作学习的异常行为特征分析[J].中国电化教育，2020（6）：88-94，129.

[19] ROJAS M， NUSSBAUM M， GUERRERO O， et al. Integrating a collaboration script and group awareness to support group regulation and emotions towards collaborative problem solving[J]. International journal of computer-supported collaborative learning， 2022，17（1）：135-168.

Research on Collaborative Learning Early Warning Based on

Key Role Interaction Feature Recognition

WANG Cixiao，  WU Xiaobei

（Research Center of Distance Education， Beijing Normal University， Beijing 100875）

[Abstract]  Dynamic supervision and precise intervention of collaborative roles' functional performance and group coordination can help improve the interactive quality and efficiency of collaborative learning. The paper aims to design an early warning mechanism of collaborative learning by exploring the influence of the interaction feature of individual and group-level roles on learning effectiveness in collaborative learning. In the context of scientific collaborative inquiry， this paper proposes a method for calculating two-level role interaction features by integrating temporal and energy level information， and uses a hierarchical linear model to identify the key role interaction features that have significant direct effect and moderating effect on learning effectiveness. It is found that among the four key interaction features at the individual level， the frequency of role transition， the mean duration of role maintenance， and the mean value of role energy level have a positive effect on learning effectiveness， and the variance coefficient of role energy level has a negative effect on learning effectiveness. The three key interaction features at the group level， namely the frequency of strategy transition， the variance coefficient of strategy energy level， and the variance of strategy energy level， have a moderating effect on the effects of some interaction features at the individual level. Finally， this paper designs an early warning mechanism of collaborative learning based on the above key role interaction features， and proposes three teaching intervention strategies with different levels of coercion： role perception， role suggestion and role allocation.

[Keywords] Collaborative Learning; Data-Driven; Collaborative Role; Feature Recognition; Hierarchical Linear Model