劉三蚜　石月鳳　劉智　彭觀　孫建文

摘要：在線學習者可以通過多樣化的社交媒體隨時交流思想和分享信息，隨之形成個人知識網絡。同時，在與其他學習同伴的交互過程中也可產生協(xié)同效應。近年來，越來越多的教育研究者開始關注在線學習環(huán)境下學習群體的社會交互行為，利用社會網絡分析法發(fā)現學習者的交互規(guī)律進而提高在線學習的質量和成效。該文首先描述了社會網絡分析、學習分析的相關概念；其次，通過文獻分析法，對國內外采用社會網絡分析法的學習分析研究進行綜述；最后，歸納出網絡環(huán)境下社會網絡分析法在學習分析中應用的六個主要方面，旨在揭示社會網絡分析方法在當前學習分析領域的研究狀況和發(fā)展態(tài)勢，為數據驅動下的學習分析研究提供參考。

關鍵詞：社會網絡分析；學習分析；文獻綜述；群體互動

一、引言

社會網絡是由成員和他們之間的關系組成的一種結構，它普遍存在于我們的生活和自然界中的許多方面，但是在現實世界中的大部分社會網絡關系具有一定的隱藏性。社會網絡分析作為一種定量的群體交互行為研究方法，主要研究行動者及其之間的關系。網絡環(huán)境下學習者之間的交互大多發(fā)生在網絡論壇、討論評論區(qū)、留言板、討論組答疑室以及公告欄等在線討論站點，學習者之間以發(fā)布消息的形式保持對話。它們是網絡環(huán)境中支持學習者交流和協(xié)作的重要工具之一，同時，也是分享思想、發(fā)布問題、被其他學習者評論帖子、獲得反饋的方法之一。隨著社交網絡應用在教育領域的不斷滲透，很多教育工作者把它們作為專業(yè)的實踐社區(qū)、學習社區(qū)以及分享學生課堂學習內容的平臺以開展教學、管理和研究等工作。在線學習環(huán)境下的學生交互在分析學習者的協(xié)作學習過程中扮演著重要的角色。協(xié)作學習、互動分享將逐漸成為一種新的學習常態(tài)。理解學習的社會性維度已經成為教育研究領域的焦點，社會網絡分析作為一種重要的群體行為分析工具，對網絡環(huán)境下群體學習規(guī)律的探索具有重要的價值。雖然社會網絡分析在理解在線學習的關鍵問題上已取得了一定成果，但是尚未形成一個系統(tǒng)的綜述。本文主要對國內外采用社會網絡分析方法的學習分析研究的現狀進行綜述，闡述了社會網絡分析方法應用于在線學習行為分析的主要方面及相關的典型實例，旨在揭示社會網絡分析方法在當前學習分析領域的研究和發(fā)展態(tài)勢，為數據驅動下的學習行為分析研究提供參考。

二、相關概念

（一）社會網絡分析

社會網絡分析（Soeial Network Analvsis，SNA）是研究行動者及其彼此之間關系的集合。早在20世紀30年代，哈佛大學的學者已經開始研究人際關系的交互模式和派系的形成。自1954年，人類學家Barnes首次利用社會網絡分析研究社會結構。直到1960年，社會網絡分析作為一種方法論被明確定義，并作為一種跨學科的領域得到快速發(fā)展，已廣泛應用于社會學、人類學、經濟學和心理學。它是第一個非數學學科的應用圖論。社會網絡分析學家Barry Wellman指出社會網絡是由群體間的社會關系構成的龐大的關系網。網絡分析探究的是深層結構——隱藏在復雜的社會系統(tǒng)表面之下的一定的網絡模式。社會網絡分析研究主要關注網絡中的關系對行動者的影響，它不僅能揭示行動者的社會人際信息，還能進一步觀察到網絡群體及個體的社會網絡特征，甚至還能夠了解許多社會現象，例如，當人們遇到困難或尋求合作伙伴時往往是依據所擁有的社會網絡來尋找最可能的協(xié)作對象。在學習背景下，社會網絡分析可以用來研究和促進學習者與學習者之間、學習者與導師之間，甚至學習者與資源之間的交互，以達到學習效果的最優(yōu)化。

（二）網絡學習環(huán)境下的學習分析

21世紀，隨著信息技術的發(fā)展，教育領域收集的數據集越來越多，為更好地了解學習者學習過程及其學習環(huán)境，學習分析方法逐漸得到教育領域學者的關注。目前，學術界對“學習分析”尚未形成一個嚴密的定義，不同的學者或教育研究機構對其涵義和外延有著不同的理解。最早的學習分析定義源于2010年美國高等教育信息化協(xié)會（EDUCAUSE）的“下一代學習挑戰(zhàn)”，其定義為：使用數據和模型預測學生的學習進程和績效以及使用該信息進行干預。2010年，學習分析領域專家Siemens教授也在其博客上闡釋了對學習分析的理解：學習分析是利用數據挖掘成果、學習者行為交互產生的數據和分析模型探究信息和社會聯(lián)系，并對學習效果做出預測和建議。2011年，在加拿大舉行了首屆學習分析技術與知識國際會議（LAKll），提出學習分析是測量、收集、分析和報告有關學生的學習行為以及學習環(huán)境的數據，以理解和優(yōu)化學習及其所產生的環(huán)境為目的。美國新媒體聯(lián)盟（NMC）在2011年地平線報告中也指出：學習分析松散地組合了一系列數據收集工具和分析技術，研究學生的投入情況、績效和學習進程情況，以期及時將研究結果用于修訂課程、教學和評估。目前，LAK11和NMC發(fā)布的定義最具權威性。

三、國內外研究現狀

本文在查閱有關國內外著名研究資料的基礎上，采用文獻分析方法，對社會網絡分析在學習分析領域的應用進行梳理和綜述。在國內主要以“中國知網”數據庫為基礎，對近10年（即2006年1月至2016年5月）的文獻，運用“社會網絡分析”和“學習分析”“社會網絡分析”和“在線學習”“社會網絡分析”和“虛擬學習社區(qū)”“社會網絡分析”和“行為分析”等關鍵詞進行核心期刊搜索，通過閱讀并進行篩選，最終得到34篇文獻。對國外的研究現狀進行研究，采用同樣的方法，主要借助Google學術搜索，采用同樣的方法進行高級搜索，通過針對性的閱讀，并進行篩選，最終得到96篇相關文獻。各年的分布情況，如圖1所示。

由圖1可知，近10年來，國內外的研究文獻均呈上升的趨勢（圖中2016年所發(fā)表的文獻只是一個階段數據）。但是國外研究要多于國內，且國內基本從2007年才開始引入社會網絡分析理論和方法到學習分析領域。通過研究也發(fā)現，國內進行實證研究案例較少，主要對遠程學習、較小規(guī)模的虛擬學習社區(qū)中的論壇交互網絡特征進行分析，對大規(guī)模的在線學習分析較少。國外開展研究時間較早，并在2014年得到更多的關注，他們主要是對在線協(xié)作學習中的論壇交互活動進行行為模式分析，且融合了內容分析方法、問卷調查、訪談等方法，完成對交互質量的分析。

四、分析方法和工具

（一）數據來源

學習者交互關系的數據，一般通過兩種途徑進行收集：一是對于線下學習中的人際交互關系，主要通過問卷調查、訪談等學習者自報告的方式進行數據采集；二是對于網絡環(huán)境下的學習交互數據，例如，Coursera、網易公開課、可汗學院以及其他各院校研發(fā)的在線學習平臺等，關系數據通常按照一定的格式存儲在學習系統(tǒng)中。此外，隨著大眾社交媒體的快速發(fā)展，比如：Twitter、YouTube、Facebook、微博、微信、QQ等社交平臺都記錄了大量學習者的交互數據，學習者會依據學習興趣或主題形成虛擬學習社區(qū)，這些關系數據均可利用開發(fā)者提供的數據接口API或網頁標簽信息，利用相關程序進行自動爬取。

（二）工具應用比較

任何研究分析都離不開優(yōu)質工具的支持，便捷、實用的工具可以使研究更為有效。隨著社會網絡分析方法和理論的不斷發(fā)展，以及在各個領域的應用，專門的分析工具也逐漸完善，研究者可以根據自己的需要選擇不同的分析工具。如下表所示，依據本研究樣本中工具的使用次數排名，加州大學歐文分校研發(fā)的Ucinet使用最為廣泛，有52篇文章運用此工具進行社會網絡分析。Ucinet、NetMiner等均適宜分析節(jié)點較少的網絡，并可對網絡進行可視化；Gephi、Pajek等可進行大型復雜性網絡分析、并可進行動態(tài)網絡分析；NoteXL、NetworkX等是嵌套于其他類型工具中的數據分析包；SNAPP、ORA等工具是專門用于分析在線學習環(huán)境中的論壇交互數據。

（三）網絡特征分析

人在學習環(huán)境中的相互作用可以表達為基于關系的一種模式或者規(guī)律，而基于這種關系的有規(guī)律的模式反映了一種社會學習結構，對這種結構的量化分析是社會網絡分析的出發(fā)點。

1.網絡結構

社會網絡結構分為：單模網絡和雙模網絡。單模網絡也稱關系網絡，它是研究行動者之間關系的集合，例如同學關系、朋友關系、親人關系等。當研究一類行動者與一類事件所構成的網絡時，稱為雙模網絡或者是隸屬關系網絡，例如，人們參加某種團體、親屬關系等，都可以構成這種網絡。研究發(fā)現，在甄選出的130篇樣本中，幾乎都是進行的單模分析，即只分析學習者的關系模式，只有四篇文章進行了雙模網絡分析。

2.網絡屬性

從社會網絡分析研究的主要網絡屬性出發(fā)，我們將研究樣本所涉及的網絡屬性做了分類和統(tǒng)計（如下頁圖2所示）。從使用頻率的角度，大體可以將這些研究的網絡屬性分為三類：第一類為使用頻率最高的三類：社群圖、中心性和密度，均有超過三分之一的使用；第二類是使用頻率中等的屬性：凝聚子群、度、派系和角色，使用頻率為10%-20%之間；第三類是使用頻率較低的“核心-邊緣”、聲望和影響力、集中化、互惠以及關系強弱分析。其中，在第—類中的中心性應用最為頻繁，包括度中心性、接近中心性、中間中心性、特征向量中心性，中心性特征可以評估節(jié)點在社會網絡中的地位或具有怎樣的權利。研究也發(fā)現，研究者在評估中心性特征時并非評估全部特征，只是應用一種或結合其中幾種屙l生，度中心性、接近中心性和中間中心性應用最頻繁，而度中心性的使用最多，有71篇文章使用。

3.與其他方法的結合

社會網絡分析的數據類型是關系數據，分析的特征用于評估學習者之間的交互行為頻率，但是不能評估交互內容質量。因此，為了更全面地評估學習者的交互對學習效果的影響，研究者需要結合其他分析方法。例如，研究者應用社會網絡分析結合內容分析、話語分析、數據挖掘技術，對交互的內容進行分析，評估學習者交互對知識建構的深度以及影響。研究表明，在研究樣本中，有35篇論文結合內容分析方法對學習者的論壇交互內容深度進行分析（如圖3所示）。另外，由于現代信息技術的發(fā)展，學習者多通過在線社交平臺進行交流，研究者除收集在線學習平臺論壇區(qū)的交互數據，也收集社交平臺中的交互數據，以及結合訪談、問卷調查、課堂觀察等定性分析方法，更加全面地收集學習者的關系數據。而結合相關分析、聚類分析等方法，用于預測學習者的學習效果，教師可以進行及時干預。但是，研究也表明，在130個研究樣本中，有70篇論文都僅僅局限在社會網絡分析方法本身，將社會網絡分析當作一種孤立的統(tǒng)計分析方法來使用，缺乏更廣闊的研究視野。

五、基于社會網絡分析的在線學習分析應用研究述評

隨著大數據在教育領域的滲透，學習分析已經成為教育工作者關注的熱點，相關的分析方法和技術也日趨成熟。其中，社會網絡分析已逐漸成為該領域重要的分析方法之一，一些學者使用SNA來研究網絡學習環(huán)境中的關系問題，相比文本挖掘、分類、聚類、序列分析等方法在學習分析研究中的應用，他們一致認為SNA方法為探索不同的在線學習互動關系模式與結構提供了一些全新的、重要的信息和思路。

（一）學習狀態(tài)可視化

學習狀態(tài)可視化以學生的交互行為數據為基礎，運用社會網絡分析技術，對學習者之間的社會網絡進行可視化，通過分析社會網絡結構能夠識別處于邊緣的學生，即沒有積極參與學習活動的學生，老師能給予實時干預，這些分析結果能夠幫助教師提升教學質量，幫助學生提升學習效果。例如，澳大利亞Wollongong大學的“網絡學習可視化評估”項目中開發(fā)的SNAPP（Social Networks Adapting Pedagogical Practice）工具能夠對論壇交互數據實時分析，并在LMS的論壇中嵌入交互式社群圖，實時地對群體學習狀態(tài)進行可視化展示，進而識別社交網絡中的邊緣學習者、核心學習者、信息傳播者等，不僅能為教師提供干預的依據，也為學習者觀察自己的表現提供依據。另外，加拿大阿爾伯塔大學的研究者應用社會網絡分析技術對參與在線課程論壇交互的學習者社會網絡結構進行可視化，并且識別網絡結構中的“核心-邊緣者”，以此為教師提供更好的方法來評估學習者的在線課程活動參與積極性。

（二）學習成效預測及監(jiān)控

在線論壇形成的學習社區(qū)促使社區(qū)成員之間彼此交流，這不僅使學生了解同伴的疑惑和問題，也使教師了解學生對課程內容知識的理解。事實上，目前越來越多的學者逐漸關注把在線論壇交互作為評估學習成效的一個指標，并對學習過程進行實時監(jiān)控。例如，美國加利福尼亞大學一項關于學習者在MOOCs的學習表現的研究，研究者以兩門MOOCs中參與談論的學習者為研究對象，使用社會網絡分析方法，探討學習者的社會網絡中心性與學習成效之間的關聯(lián)。研究結果表明，在兩個MOOCs中，一門課程中的學習者社會網絡中心性與學習成績存在正相關性，但是另一門課程存在無相關性。在此基礎上，孟菲斯大學、愛丁堡大學等研究者提出使用語言和話語來探究與傳統(tǒng)學業(yè)成效和社會中心性（Social Centrality）的關聯(lián)，展示學習者在MOOC對話交互中話語特征能在多大程度上揭示出學習者的成效和社會中心性。實驗結果表明：（1）當學習者表達更具有深層次的整合、抽象語言和簡單語法結構的解釋話語風格時，學習者的表現更佳；（2）當學習者表達具有更精煉、簡單語法結構和抽象詞匯的敘述性風格話語時，學習者的成效更顯著，個人社交網絡中的中心地位更突出。另外，印度韋洛爾科技大學的研究學者利用社會網絡分析方法發(fā)掘蘊藏在MOOC中的社會結構，詳細分析隨著時間的推移學生論壇發(fā)布模式的改變，用來增加教師對學生談話內容的理解，識別課程論壇參與活躍者以及有潛在輟學風險的學習者。而澳大利亞伍倫貢大學的研究者通過社會網絡分析方法提取學習者的論壇參與活動，分析網絡復雜性、核心成員以及學習者之間關系的發(fā)展水平，識別高低表現學生的個體網絡（自我網絡）的差異，以此對處于風險的學習者進行及時干預。

（三）協(xié)作學習評估

在學習者共同體之間建立協(xié)作以達到學習目標的過程中，由于各種因素的影響，對在線協(xié)作學習交互評估往往是一個復雜的任務。知識共享網絡的形成和水平能夠影響協(xié)作學習的過程和結果。目前，通過收集在線學習者之間的交互數據，利用社會網絡分析方法分析協(xié)作學習過程中學習者之間的交互模式，能有效地評估學習共同體的協(xié)作學習水平。加拿大埃德蒙頓愛爾伯塔大學的研究者使用社會網絡分析方法研究論壇中學習者之間的交互結構、社會網絡中心性、組的形成、角色的改變、以及檢測交互信息的內容，使教師能更好地評估學習者之間的協(xié)作和個體參與課堂的水平。捷克奧斯特拉瓦技術大學等的研究學者提出了一個評估在線協(xié)作學習交互的分層框架，其中社會網絡分析作為一個核心層次通過測量網絡密度、個體度中心性、網絡度中心性等評估小組交互和參與行為，這不僅能為教師提供一個更好的監(jiān)控，識別協(xié)作學習群體中的活躍者或邊緣者，及時給予相應的干預，而且促使學習者對自身的學習活動做出自我調控。秘魯、西班牙的研究學者研究一項知識建構中協(xié)作水平的項目，以一個在線課程中的兩組專業(yè)學習者為研究對象，其中，一組被隨機分配成組且隨機給主題任務，另一組依據在一個話題中是否分享一個共同的興趣分配成組，利用社會網絡分析和內容分析方法評估隨機分組是否影響協(xié)作水平以及知識建構水平。研究結果顯示，兩組均有一個低水平的知識建構，以及相似的度中心性水平和學習表現，但是如果依據學習者的主題偏好分配成組會促使更多的學習者參與完成協(xié)作任務。韓國梨花女子大學的研究者通過分析學習者的學習日志，利用社會網絡分析方法分析學習者在個體溝通能力形成的信任網絡、知識共享網絡中的度中心性與學習效果的關聯(lián)。研究結果顯示在課程學習中，擁有較高溝通能力的學習者，不僅能增加在知識共享網絡中的地位，同時能夠提升協(xié)作學習效果。

（四）同伴支持推薦

在線學習環(huán)境為學習者提供一個獲得更優(yōu)質教育機會的同時，它的低完成率也是一個普遍存在的問題。學習者放棄學習的其中一個原因是缺乏與同學交流來解決面臨的問題。通過采集在線論壇區(qū)中學習者之間的交互數據，運用社會網絡分析方法分析學習者之間的交互模式、關系的強弱，當學習者遇到困難時，可以為學習者推薦伙伴，以尋求同伴支持，從而解決面臨的問題。例如，美國北卡州立大學的研究學者采用社會網絡觀點研究兩個MOOCs中的同伴交互和支持。研究結果表明，MOOCs中的論壇可以培養(yǎng)學習者之間的交互和促進同伴支持學習，以達到知識建構的過程。美國西肯塔基大學的研究者運用社會網絡分析技術，通過分析學習者之間在論壇日志中的活動和交互數據，尋求一個最優(yōu)的社區(qū)檢測算法，以此建立一個動態(tài)社會網絡推薦系統(tǒng)，使學習者能夠依據個人的學習需要尋求學習伙伴支持。東北大學的研究者根據學習者在論壇中的討論內容信息和社會網絡信息，分析學習者之間關系強弱、行為特征為學習者推薦伙伴，以解決在線學習低完成率問題。結果表明相比僅依靠內容信息為學習者推薦伙伴，同時結合社會網絡信息能取得更優(yōu)的學習效果。

（五）學習者聲譽管理

在線學習論壇中聲譽高的學習者表達的觀點和想法往往被認為比其他成員更為重要。通過采集學習者的交互數據，探索學習者在交互網絡中的聲譽，發(fā)現學習者在網絡中的位置、角色、威望，在一定程度上影響學習者參與在線學習的活躍度以及學習效果。例如，韓國高麗大學、印第安納大學研究學者以韓國大學教育研究生院開設的“在教育中理解和使用Web3～具”課程中注冊的23名研究生為樣本，使用社會網絡分析方法分析學習者關系網絡的密度、派系、“核心-邊緣”、中心性等特征，研究了在基于博客課堂教學的混合學習環(huán)境中學習者之間的關系及在線交互行為規(guī)律。研究結果表明，學習者在同伴關系網絡中的位置十分依賴其在線交互程度，學習者在線交互參與越頻繁，其在關系網絡中就變得越受歡迎。德國德累斯頓工業(yè)大學等的研究學者在一項研究遠程教育中個體對群體學習影響的項目中，采集了德國11所大學的834名學習者在遠程學習系統(tǒng)中的論壇數據，運用社會網絡分析方法研究學習網絡中個體的度中心性、中間中心性、加權中心性、特征向量中心性等屬性，探索在遠程學習系統(tǒng)中個體的角色對信息流向以及網絡交互模式的影響。研究結果表明，“經紀人”在學習網絡中連接學習者之間的交流中處在最中心的位置，他們可以影響整個學習社區(qū)的網絡結構。美國俄亥俄州立大學的研究者以51名在線課程參與者為研究對象，利用社會網絡分析方法探索論壇主持人角色對在線學習網絡的影響。研究結果表明，當學習者被指定為論壇主持人地位時，不僅能夠顯著提升他們的交互質量、多樣性以及交互吸引力，而且他們的參與行為對群體交互有積極的影響。

（六）社會臨場感知

社會臨場感指在利用媒體進行溝通過程中，一個人被視為“真實的人”的程度及與他人聯(lián)系的感知程度。它能夠促進虛擬環(huán)境中人與人的交互以及學習者的知識建構，是影響在線學習的重要因素，也是影響在線學習滿意度的重要指標。西班牙韋爾瓦大學的研究者采集一個為期6周的遠程學習實驗課程中的論壇交互數據，利用社會網絡分析、內容分析研究社會網絡結構與知識建構之間的關系。研究結果表明，網絡結構的凝聚力和集中化之間存在正相關性，并且凝聚力和集中化指標在知識建構質量中對社會臨場感和認知臨場感有一個積極的影響。美國威廉帕特森大學、紐約市立大學、哥倫比亞大學的研究學者運用社會網絡分析方法探索了教師的教學方法對學習者在線交互以及學習者對課程滿意度的影響。研究結果表明，當教師的干預最小時，學習者趨于能夠更自由地表達他們的觀點和看法，并且伴隨著大量有關社會臨場感的線索。希臘伯羅奔尼撒大學的研究學者利用社會網絡分析方法，通過測量學習者在博客活動中交互網絡的結構、角色、派系、度中心性等屬性，評估學習者的學習參與性以及社會臨場感。研究結果發(fā)現，社會網絡分析方法能夠有效解釋學習者不同的在線交互模式以及學習者在學習社區(qū)中的社會臨場感。美國紐約州立大學的研究者通過采集18名在線學習者在論壇中的交互數據，利用社會網絡分析方法探索一個調查社區(qū)的概念框架和學習臨場感與學習者在交互網絡中的位置、威望以及影響力的相關性，其中這個框架中包含社會臨場感、教學臨場感以及認知臨場感。胡勇利用社會網絡分析方法對一門網絡課程教學過程中師生之間的交互模式進行分析，以了解社會網絡分析對交互的分析是否也與社會臨場感存在聯(lián)系。結果顯示，學習者在不同學習階段的社會臨場感存在顯著差異，交互和社會臨場感之間具有十分緊密的聯(lián)系，個體的社會臨場感會隨時間的發(fā)展而變化。

六、總結與展望

對學習者而言，在線學習比傳統(tǒng)面授教學更具成本效益且更加便捷。但由于網絡學習情境下的時空分離特性，學習者之間難以實現更加直觀的交互，缺乏真實的依賴關聯(lián)，所以網絡環(huán)境下的學習方式給人的感知和體驗往往是孤獨的。社會網絡分析方法在學習分析領域的應用，可通過可視化的社群圖以及對交互模式和結構的定量表征，有助于揭示在線學習的交互方式，并論證其在分析網絡學習環(huán)境中交互方式的價值。

然而，目前無論是國內還是國外，采用社會網絡分析的學習分析研究仍處于初級階段。為了獲得最優(yōu)的在線學習效果，我們從社會網絡分析視角給未來的相關應用研究提出一些建議：

（一）網絡模型構建研究

隨著社交媒體工具的不斷豐富與發(fā)展，學習過程中產生了大量不同來源的多樣性交互數據，如何獲取更多樣的交互數據，更全面地建立學習者之間的社會網絡模型，是目前研究急需解決的問題。

（二）多層次理論研究

目前此項研究主要是從社會網絡分析角度研究學習者交互的數量及其對學習效果的影響等，但并未關注影響網絡形成的因素，以及解釋學習者的心理狀態(tài)變化，未來應對交互數據進行深層次挖掘，為學習分析提供新的理論見解。

（三）有效的學習預測系統(tǒng)設計研究

在學習分析領域，社會網絡分析理論和方法得到越來越多的研究學者的關注，通過分析學習者的社交行為與學習效果的關系，應增加以社會網絡分析為基礎為學生、教師、課程設計者以及管理者，設計有效的學習預測系統(tǒng)。

（四）動態(tài)交互網絡研究

目前相關研究主要是關注靜態(tài)學習交互網絡特征研究，而學習過程是一個動態(tài)的過程，社會網絡也不是一成不變的，從時間維度看，它有發(fā)生發(fā)展的不同階段，每一階段有著不同的網絡結構特征。但是目前的研究很少涉及多個時間點的網絡結構，絕大多數只局限在某個時刻的固定網絡，應增加對動態(tài)網絡結構特征研究，分析學習者交互網絡的起源和持續(xù)過程，實時分析學習者的交互狀態(tài)。