虚拟学习社区信息交互实证研究

虚拟学习社区信息交互实证研究 本文关键词：交互，实证研究，虚拟，学习，社区

虚拟学习社区信息交互实证研究 本文简介：摘要:随着互联网的普及,网络环境下的虚拟学习已成为一种重要的学习方式,虚拟环境中的交互对于提升学习效果具有重要意义。传统研究者大多使用总结性评价方法而无法触及到交互具体过程与细节,滞后序列分析法为人们深入探究交互过程提供了关键性技术方法。基于滞后序列分析法,并结合社会网络分析法,针对虚拟学习社区中参

虚拟学习社区信息交互实证研究 本文内容：

摘要:随着互联网的普及,网络环境下的虚拟学习已成为一种重要的学习方式,虚拟环境中的交互对于提升学习效果具有重要意义。传统研究者大多使用总结性评价方法而无法触及到交互具体过程与细节,滞后序列分析法为人们深入探究交互过程提供了关键性技术方法。基于滞后序列分析法,并结合社会网络分析法,针对虚拟学习社区中参与者的交互行为序列开展滞后序列分析,进而由点及线地深入探究参与者的信息交互特征。实证结果表明,参与者的信息交互行为过程存在明显特征,网络平台设计者与教师可以从关键行为强化与无关行为控制角度优化虚拟学习社区,并对学习者进行更具针对性的指导,提升虚拟学习社区参与者间的信息交互效率,最终促进虚拟学习社区的发展。

关键词:虚拟学习社区;滞后序列分析;社会网络分析;信息交互;学习行为分析

引言

随着互联网络的普及,网络环境下的虚拟学习已成为一种重要的学习方式。虚拟学习社区内所有学习者共同构成一个知识传播与信息交流网络[1]。信息传递的外在表现即信息交互,在虚拟学习环境中,交互质量被认为是提高学习效能与效率的重要因素之一[2]。因此,虚拟学习社区中的交互研究受到了许多研究者重视。陈丽[3]在其“远程学习的教学交互层次塔”理论中指出,远程教育中的信息交互包括3种形式:学生与学习资源交互、学生与教师交互,以及学生与学生交互。在传统的虚拟学习社区信息交互研究中,研究者多采用内容分析法、社会网络分析法(SocialNetworkAnaly-sis,简称SNA)与数理统计分析法等,针对网络平台中的学习信息与数据进行分析[4]。如赖文华等[5]利用社会网络分析法分析虚拟学习社区知识共享的社会网络结构;宋学峰等[6]针对某网络社区中的网络交互数据,分析网络基本属性,探讨如何提高社区知识共享水平。上述研究对学习者某一阶段的交互结果进行了全局性的价值判断,但是难以深入到交互过程中的每一个细节行为,整个交互过程仍然如同一个“黑箱”。滞后序列分析法(LagSequentialAnalysis,简称LSA)为人们深入探究交互过程,打开交互“黑箱”提供了关键性技术方法[7]。本文基于SNA和LSA等学习分析技术,以一个基于Moodle网络平台开发的虚拟学习社区为研究个案开展实证研究,通过对参与者的信息交互行为进行滞后序列分析,由点及线地深入探究不同群体的信息交互特征。

1数据收集与分析

1.1研究对象与工具

本文选取某师范大学一个基于Moodle平台开发的虚拟学习社区网络教学平台上的《现代教育技术》网络课程为个案研究对象,该群体共有48名参与者,其中学习者47人,教师1人。在社会网络分析工具选择上,使用Ge-phi0.9.1社会网络分析软件对提取的交互数据进行度数分析。在行为分析方面,为了对信息交互进行过程性分析,本文选取GSEQ5.1软件对网络平台的日志数据进行采集与编码,使用滞后序列分析法进一步分析参与者的交互行为特征。梁云真等[8]利用滞后序列分析法对学习者的交互内容进行分析,结果显示网络学习空间中的学习者交互大多停留在低层级阶段,小部分学习者会出现高层级现象。本研究则聚焦于具体信息交互行为,探讨虚拟学习社区中参与者信息交互行为过程存在的特点。

1.2虚拟学习社区参与者交互

在社会网络分析中,点出度和点入度常被用来衡量一名参与者在群体中的活跃度与声望。点出度即回复帖数,是对参与者在社会网络中寻求互动程度的衡量,数值越高,表明该参与者越能积极与他人互动;点入度即收到帖数,是对网络中其他成员与该参与者建立联系程度的衡量,数值越高,表明该参与者在网络中声望越高[9]。利用Gephi软件,将虚拟学习社区的社会网络数据视为有向图计算,以此区分发帖和收到回帖的不同意义。通过运行软件中的度数计算,进而在Gephi的数据资料面板中得到48位参与者的一系列网络属性,其中的度数属性按点出度降序排列,计算结果如表1所示。由表1可以看出,参与者的信息交互行为存在明显差异性,这在其社会网络属性上得到具体的量化表征,而这一表征结果如前文所述,属于一种总结性评价。笔者使用SPSS19.0统计分析软件对参与者的点出度、点入度分别与其产生的行为数进行Pearson相关性分析,结果均显示在0.01水平双侧上存在显著相关性,且相关系数分别为0.861和0.449。接下来将针对形成这一结果的信息交互行为过程进行滞后序列分析,从行为过程角度深入探究参与者的信息交互。

1.3LSA与信息交互行为编码

滞后序列分析法由学者Sackett[10]提出,该方法用于估算任何行为的发生概率与时间变化;Hawks[11]进一步指出,滞后序列分析法主要用于检查某些人类行为之后另一个行为的发生是否具有统计学意义;Hillman等[12]认为,学习者与界面交互是交互模型的重要组成部分。结合虚拟学习社区自身的技术特征,发生在虚拟学习社区网络平台上的交互行为具体包括:用户登录、浏览讨论区、发帖、浏览课程概要信息、浏览某用户信息、浏览某用户所有帖子和其它行为(如删帖等网站系统管理员操作)。本研究采用的行为编码如表2所示。在行为数据分析阶段,本研究使用GSEQ软件进行滞后序列分析,在分析选项中的“Cellstats”模块中选中“adjustedresidual(z)”选项,以便同时由软件计算出残差值。经由软件计算得到两个重要的结果数据表格,依次为行为转换频率表和调整后的残差表(即Z-Score)。如表3所示,在行为转换频率表中,列表示起始行为,行表示随之发生的行为,对应表格中的数值代表行为发生频次,“Totals”代表总和。例如,表格第2行第1列中的数字“689”表示在“VD”行为后随即发生“AP”行为的频次为689次。显然,若出现诸如“AP→AP”连续同一行为的行为链,则显示该行为被不断地重复。由表3可知,虚拟学习社区全站中各参与者共计产生了4080个有效行为路径,具体发生次数最多的VD行为(浏览讨论区),共计发生了2383次;其次为AP行为(用户发帖行为),共计发生了943次。从部分表格中对应数值为0可知存在没有发生的行为链,例如“UL→AP”行为链。该行为链没有发生的原因很容易理解,即参与者登录网络平台完成身份认证后,还需顺次进入对应课程中,继而进入讨论区才可进一步进行看帖、发帖等交互,因而在用户的登录行为(UL)之后不可能紧接着发帖行为(AP)。这些频次为0的行为链,大多是由于在平台既定设计上,部分操作路径相对固定,操作入口较为单一,因而部分行为路径无法或不易发生。在发生过的具体行为链条中,“VD→VD”行为链发生了1433次,数量最多,表示全站用户习惯于不断在讨论区中浏览帖子;其次为“AP→VD”行为链,共计发生了714次,表示全站用户也习惯于发帖后紧接着查看讨论区,以参与到虚拟学习社区交互过程中,查看自己帖子是否得到了他人回应。为了进一步了解各行为链的发生情况是否为显著以及具体显著程度,需要查看调整后的残差表。如表4所示,列表示起始行为,行表示随之发生的行为,表中数值为对应行为链调整后的残差值(Z-Score)。根据滞后序列分析理论[13],若某条行为链路径的Z分数(Z-Score)值大于1.96,则意味着该条路径具有统计学上的显著意义(即p<0.05)。由此可知,站在全站角度来看,虚拟学习社区参与者的“AP→VD”、“VD→AP”、“VF→VF”、“VF→UV”、“CV→CV”、“CV→UL”等17条行为路径具有显著意义,也即是说从统计学的角度看,这些行为链的发生更加频繁。其中的“UL→CV”路径的显著程度最高,达到34.90,这是由于用户登录成功后必须随即进入《现代教育技术》课程,才可进一步开展后续交互。此外,虚拟学习社区中信息交互的最主要外显行为即各参与者的看帖(VD)和发帖(AP)两大行为。参与者主要通过看帖接收来自虚拟学习社区的信息,并通过发帖进行回应,完成在虚拟学习社区中的信息交互。为更直观地呈现各行为之间的转换,由表4可进一步绘制行为转换图,如图1所示。图中各路径线条的粗细表示显著水平,各节点表示具体交互行为。其中的“CV→CV”、“VF→VF”、“UV→UV”等6条循环路径表明,参与者在课程信息、讨论区信息、用户信息等页面上存在反复刷新的行为。

2研究结果与讨论

通过对信息交互过程的深入探究与分析,使信息交互过程的每一个细节得以充分展现,从而使学习分析结果趋于全面与细致入微。本研究通过开展滞后序列分析,具体实证研究结论如下:

2.1虚拟学习社区参与者群体信息交互过程存在明显特征

由虚拟学习社区全站整体的信息交互行为序列分析结果可知,虚拟学习社区整体交互过程中存在两大主要的交互行为序列:“发帖→看帖”、“看帖→发帖”,构成虚拟学习社区中信息交互的核心行为。除上述两种主要行为路径外,虚拟学习社区中还存在其它与信息交互关联性不大的行为路径,这些路径的发生频次虽然远小于两条主要路径,但其中部分路径的显著程度较高,这些行为显然会分散参与者精力,使正当的信息交互行为混杂着其它无关行为。而各种无关行为的存在,不利于学习者完全沉浸于正当的学习活动中,对于虚拟学习社区的整体交互水平将造成一定影响。

2.2通过关键行为强化与无关行为控制优化虚拟学习社区

虚拟学习社区的建立与运行离不开相应的开发技术作为基础,技术环境作为重要的外部因素,一直潜移默化地影响着参与者的网络学习行为。教师和网络平台设计者应注重对无关行为的控制,在网络学习平台重点区域的用户界面设计方面减少不必要的操作入口,而对于关键性的操作入口,则可以通过突出强调加以正向强化,从而避免参与者注意力分散。此外,教师可从无关行为产生原因的角度,对学生进行访谈以了解其具体原因,并对虚拟学习社区中的特殊群体、困难群体进行更有针对性地干预,提升其参与积极性。

3结语

随着大数据、云计算、人工智能等新兴技术的日趋普及,学习分析在教育领域的应用不断深化,使用多样化的学习分析方法可对教育数据实现更充分的挖掘[14]。滞后序列分析法等学习分析技术的应用,对提高网络环境下的学习成效起着重要作用[15]。本文立足于虚拟学习社区中真实的网络数据,通过系列实证研究结果表明,虚拟学习社区中的参与者在信息交互行为方面存在显著差异,而这些差异特征为教师有针对性地开展教学指导提供了重要依据。

作者：刘聪聪 戴心来 单位：辽宁师范大学 计算机与信息技术学院