1. 引言

自20世纪90年代末以来，信息技术在教育中的应用越来越广泛。1993年9月，美国政府正式提出建设“国家信息基础设施”，俗称“信息高速公路”(Information Superhighway)计划，其核心是推进信息技术在社会各领域的广泛应用[1]。2018年4月，教育部发布了《教育信息化2.0行动计划》[2]，提出在“互联网+”背景下构建人才培养新模式，通过互联网发展新的教育服务模式，适应信息时代教育发展的变革。在教育信息化的趋势下，各种在线教学平台、电子学习资源不断涌现。各高校积极推进在线网络学习平台建设，采用“线上 + 线下”的新教学模式。因互动行为直接影响着课堂教学活动的有效开展，故研究学生互动行为对我们深入课堂教学的各类组织形式和潜在模式具有重要作用[3]。

学生互动行为是教育研究的一个重点，国外学者对学生行为数据分析的研究由来已久，国内学者对学生互动行为的实证研究较少，缺乏对于在线学习所形成的社会网络与具体学习效果之间关系的研究。李利和梁文洁等研究者采用行动研究法和课堂视频内容分析方法，对小学数学课堂互动进行研究发现智能课堂中的课堂互动并没有超过传统课堂，所生成的资源没有被有效地使用[4]。2006年，陈向东等通过对社会网络分析方法的讨论，探究如何促进在线学习协作过程，提高学习效果[5]。关于社会网络分析的相关研究请参见[6]-[8]。从国内外各种研究表明社会网络分析在研究学生在线合作中的互动方面特别有效。然而，对于非在线的实际教学来说，相关的研究少之又少。

本研究以平顶山市一所大学的学生为研究对象，收集整理学生之间以及学生与教师之间的互动行为，并利用社会网络分析进行实证研究，探讨学生互动行为在在线网络学习中对学生学习成果的影响。为学生的发展提供有针对性的建议。首先收集整理本学期75名学生的互动行为数据和平均成绩，并将其记录在Excel表格中，建立学生互动行为的数据矩阵。采用社会网络分析法，绘制学生互动行为的社会网络图，直观地展示网络中节点之间的交互关系，并观察处于中心和外围位置的学生；绘制学生平均成绩的社会网络图，直观地显示学生成绩的大致差异。用SPSS软件对本学期以来学生的平均成绩和中心度的出度和入度进行相关性分析，深入探讨学生互动行为与学生学习成绩之间的关系。最后，通过Excel对相关性结论进行T检验。针对所得的结论，提出相关的建议。

2. 社会网络分析及相关概念

社会网络研究在20世纪90年代之后逐渐崛起，成为一个新的社会学研究典范[9]。社会网络分析法是研究社会结构和社会关系的一种方法[10]，社会网络分析旨在研究网络中行动者之间的结构及相互关系。社会网络是指由行动者及其关系构成的集合。将行动者看成是构成网络的节点，行动者之间的关系为连接节点之间的线段，须由行动者和行动者之间的关系才能构成一个完整的社会网络。从对社会网分析的界定中可以看出，大多数学者将社会网研究看成结构研究、研究方法或研究视角。例如，斯科特、卡灵顿认为“社会网分析是一种结构范式，它从行动者之间的关系结构(而非行动者属性)角度来对社会生活进行操作化”，是社会和行为科学中的一种独特研究视角[11]。

3. 社会网络结构分析

本研究选取平顶山学院某班级全体师生为研究对象，研究对象为在线上网络教学过程中学生的互动行为。本研究将调查对象编号按照一定顺序排列，其中数字1到75代表学生，76代表任课教师。

社群图描述

社群图是对关系网络的直观表现，社群图由节点和连线组成。在社群图中的每一个节点代表行动者，节点间的连线代表行动者之间是否存在关系[12]。连线可以是有向的，也可以是无向的。在构建社群图的过程中，我们将76名行动者视为节点，把他们之间的互动行为视作连接节点的线条。然后，我们把与学生互动行为相关的数据导入UCINET中，并使用NetDraw绘制出了一幅包含76个节点的生动社群图，如图1所示。

Figure 1. Social network of student interactive behavior

图1. 学生互动行为社群图

在这个社会网络中(见图1)，节点的大小表示出度、入度的和，节点着色表示k-core划分的聚类结果。我们分析该社群图可发现一些有意义的现象。譬如，13号、34号、37号、76号等，他们身处图中的核心位置，这意味着他们与其他人的讨论或被他人询问的次数较多。这些同学在整个网络中发挥着主导作用。另外，32号、37号、48号、56号等学生虽然没有直接与教师进行沟通，但他们通过与13号、34号等同学的交流，间接地与教师建立了联系。同时，他们在网络中也非常活跃，与其他学习者之间的互动较多。相比之下，11号、23号、30号、67号、75号学生则处于边缘位置，与他人的互动较少。这可能意味着这些学习者在课堂中被他人关注的程度较低，或者他们更倾向于自主学习，喜欢独立思考。

通过使用NetDraw，我们也可绘制学生平均成绩绩点的社群图。在这个社会网络中，节点的大小代表了学生的平均学习成绩绩点。平均成绩绩点越高，学生对应的节点就越大。同时，节点之间的连线表示学生之间的互动行为。通过观察社群图，我们发现处于核心位置的学生与其他学习者的互动较多，而且他们大多数的成绩绩点也相对较高。相反，处于边缘地位的学生参与讨论的次数较少，他们的成绩绩点通常也相对较低。因为该社群图它是以学生间的互动行为作为研究参数的。然而影响学生成绩的因素有很多，积极与他人互动可能会导致学生过于依赖他人，在对待问题时缺乏自己的思考，从而影响其学习成绩。

4. 相关性分析

本研究基于社会网络中行动者的点出度和点入度来分析学生的学习成绩。通过使用SPSS进行相关性分析，我们进一步验证学生互动行为与学习成效之间的关系。由于教师不参与学生的平均学习成绩绩点计算，我们舍弃了教师的点度数据。

利用SPSS计算相关系数在使用SPSS进行相关性计算时，我们采用了“相关性”中的双变量分析方法。其中一个变量是行动者的点出度或点入度，另一个变量是行动者的平均学习成绩绩点。

Table 1. The correlation between point-out degree and students’ average score points

表1. 点出度与学生平均成绩绩点的相关性

^**在0.01水平(双侧上显著相关)。

通过对点出度与学生成绩绩点的相关性分析(见表1)，我们得到相关系数值为0.372，p值为0.001。p值呈现出0.01水平的显著性，这表明绩点和点出度之间存在正相关关系。也就是说，学生与他人积极交流互动的程度越高，越有助于提高他们的学习成绩，从而帮助学生更好地吸收和掌握不同的学习思想与方法。

Table 2. The correlation between point-in degree and students’ average score points

表2. 点入度与学生平均成绩绩点的相关性

^**在0.01水平(双侧上显著相关)。

通过对点入度与学生成绩绩点的相关性分析(见表2)，我们得到相关系数值为0.296，p值为0.01。p值同样呈现出0.01水平的显著性，这表明绩点和点入度之间存在正相关关系。当学生积极回答其他行动者的问题时，他们自身对知识的理解也会得到进一步加深。因此，当行动者的点入度越高时，越有助于提高学生的学习成效。

整体来看，点出度和点入度都与学生的学习成绩正相关，这表明学生无论是主动还是被动地与他人交流，都有助于提高学习成绩。学生与他人的交流越多，对知识的理解就越深入，对知识的掌握也会更牢固

5. T检验

本研究为了使互动行为与学习成绩之间的相关性结果更具说服力，将采用t检验对所得到的数据进行进一步分析。

通过学生的互动次数(点出度 + 点入度)进行分组，将互动较少的学生记为A组互动较多的学生记为B组，先判断是否满足T检验所需要的条件。第一点：对两组同学学习成绩的相关数据用Excel判断其服从正态分布；第二点：每个同学之间的学习成绩是独立的，不受其他同学的影响；第三点：班级中共有75名同学，每组分36人，样本大小适中；第四点；本假设检验是双侧检验，旨在判断互动行为与学习成绩有无相关性，即A组与B组学生的学习成绩是否有显著性差异。第五点：通过计算数据得知，这两组数据的方差不相等(见表3)，所以需要使用修正的T检验方法。

Table 3. The results of T-test of students’ academic performance in different groups

表3. 不同组别学生学习成绩T检验结果

Table 4. The results of modified T-test of students’ academic performance in different groups

表4. 不同组别学生学习成绩修正T检验结果

经计算得P (T ≤ t)双尾= 0.012377 < 0.05 (见表4)，则拒绝原假设，即两组学生的学习成绩有显著性的差异，即学生的互动行为与学习成绩有一定的相关性。

6. 总结

本研究运用社会网络分析法，以平顶山学院某班级全体师生为研究对象，研究数据来自在线网络教学过程中学生与学生之间的互动、学生与教师之间的互动行为。通过利用NetDraw可视化表达该班级的社交网络结构，结合UCINET等软件挖掘线上课堂学生的学习轨迹，以期为教师的专业发展和个性化成长提供更准确生动的分析，为个性化教学提供更为科学的方案。

随着互联网的快速发展，线上教学逐渐成为教育教学的重要组成部分。探索线上学习的数据对教师和学生来说都具有重要意义。尽管我们在学生学习数据分析方面已有所探索，但仍有诸多待完善之处。未来的研究计划全面覆盖学习者、教学组织者与教学管理者三个核心层面，借助大数据的数据挖掘与学习分析技术，深入且系统地分析学生的行为数据。旨在精准优化平台的功能模块布局，科学调整学习资源的种类与配置，恰当地引导课外延伸内容的深度与广度，以及合理分配小组成员并实施有效监督，从而更有效地激发学习者的主观能动性，促进其全面发展。

基金项目

平顶山学院教学改革项目(项目编号：2023-JY28)。

NOTES

^*通讯作者。

参考文献