孫維彤++李玫++吳曉軍++張玉梅

摘 要：基于社會網(wǎng)絡，本文提出了學習網(wǎng)絡的概念，并將學習行為與社會網(wǎng)絡社團特征相連結，分析了學習網(wǎng)絡小組與社會網(wǎng)絡社團結構的關系，在問卷調查的基礎上設計了基于聚集系數(shù)的分組方式并進行了實證研究，研究了小組聚集系數(shù)、密度、平均度對學習效果的影響，結果表明，合作學習與小組的社團特征相關，聚集系數(shù)、密度、平均度均超過閾值可以獲得更好的學習效果。

關鍵詞：復雜網(wǎng)絡；社會網(wǎng)絡；合作學習；學習網(wǎng)絡；分組

中圖分類號：G40-057 文獻標志碼：A 文章編號：1673-8454（2017）17-0013-06

一、前言

合作學習是運用分組的方式，以最大程度促進學生和他人學習的教學策略。[1]已有研究表明，合作學習可以激發(fā)學生的學習動機，提高學生參與度和學習效率，幫助學生建立健康的人際關系，提升成就感和幸福感。[2]合作學習已經(jīng)成為學習科學研究的重要內(nèi)容之一，其核心是分組方式的選擇，具有良好分組結構的合作學習優(yōu)于個體或任意分組的學習效果。[3]小組的形成是開展合作學習的前提和基礎，高效積極的小組結構對學習效果有直接影響。[4]分組方式的研究對合作學習有重大意義。

合作學習分組方式有教師指定、隨機和學生自主分組等。[5]本文在教師指定分組的基礎上采用合理的分組方式進行分組，教師指定分組是教師為保證教學目標，根據(jù)教學內(nèi)容與學生情況，采用同質或異質原則進行分組。[6][7]這種方式?jīng)]有考慮學生間的關系，大多數(shù)學生不太認可這樣的分組，影響了學習效果?；谶@樣的原因，有學者將學生的學習行為與社會網(wǎng)絡聯(lián)系起來，從社會網(wǎng)絡的視角研究分析合作學習的分組方式。

社會網(wǎng)絡是典型的復雜網(wǎng)絡之一，社團結構又是其主要特征。[8-11]社會網(wǎng)絡中的社團結構是基于不同概念如節(jié)點相似性等形成的一些節(jié)點組，其內(nèi)部的節(jié)點連接緊密，之間的節(jié)點連接稀疏。[12-14]已有學者將社會網(wǎng)絡分析[15-17]應用到合作學習分組的研究中，Chen R C 和Su HM等人[18][19]基于遺傳算法和社會網(wǎng)絡分析對合作學習分組方式進行了優(yōu)化，在分組過程中通過社會網(wǎng)絡分析方法度量了學生之間的社會關系，尋找他們最相熟的為合作伙伴，結果表明這樣的分組提高了學生的滿意度。Po-Jen Chuang[20]提出了基于社交網(wǎng)絡的合作配對策略，且證明該策略可以提高學習效果。

二、學習網(wǎng)絡

（一）學習網(wǎng)絡的定義

合作學習網(wǎng)絡是指在學習過程中小組成員之間通過多種方式相互交流、分享和影響，成員關系緊密、復雜且隨時間動態(tài)演化，特別是小組規(guī)模較大時，合作學習就構成一個以小組成員為基本單元（節(jié)點）的學習網(wǎng)絡。將每一個學生當作一個節(jié)點，學生之間的相互學習交流當作邊，權值表示交流的次數(shù)，一般情況下，多個緊密聯(lián)系的學生組成了“社團”。

（二）學習網(wǎng)絡的社團特征

網(wǎng)絡的聚集系數(shù)、平均度、密度等社團特征可以刻畫學習網(wǎng)絡的分組特征，進而可以研究分組與學生學習效果的關系。

1.聚集系數(shù)與合作學習的關系

對社會網(wǎng)絡而言，聚集系數(shù)可以量化網(wǎng)絡內(nèi)聚力和節(jié)點集聚程度，也可以考察成為鄰居的可能性。[21][22]在學習網(wǎng)絡中，聚集系數(shù)越大，表明小組成員交流越頻繁，成為“學習伙伴”的概率就越大。[23][24]假設網(wǎng)絡中的某個節(jié)點i與ki個節(jié)點相連，這ki個節(jié)點間實際邊數(shù)Ei和理論最大邊數(shù)ki（ki-1）/2之比就定義為節(jié)點i的聚集系數(shù)，[22]其公式為：

Ci=2Ei/ki（ki-1）（公式2.1）

所有節(jié)點聚集系數(shù)的平均值就是整個網(wǎng)絡的聚集系數(shù)C，顯然0≤C≤1。聚集系數(shù)是衡量學習網(wǎng)絡聚集程度的指標，本文提出了一種基于學習網(wǎng)絡聚集系數(shù)的分組方法，以學生學習網(wǎng)絡的聚集系數(shù)大小為自變量，學生的學習效果為因變量，充分考慮了學習網(wǎng)絡社團特征。

2.密度與合作學習的關系

密度是衡量網(wǎng)絡中節(jié)點間聯(lián)絡緊密程度的一個重要指標。一般地，網(wǎng)絡密度定義為圖中存在的連接數(shù)l與可能存在的最大連接數(shù)2/n（n-1）的比值，其表達式為：

D=2l/n（n-1）（公式2.2）

在社會網(wǎng)絡中，密度是一項重要的變量，反映網(wǎng)絡內(nèi)關系聯(lián)結的松緊程度。在學習網(wǎng)絡中，密度可以反映整個網(wǎng)絡內(nèi)學生的互動程度。小組成員之間的關系可能密切也可能疏離，關系越緊密，網(wǎng)絡密度就越大。[25]

3.平均度與合作學習的關系

在社會網(wǎng)絡中，節(jié)點的度是指節(jié)點的鄰邊數(shù)目。在學習網(wǎng)絡中，度表明該班級存在的直接合作伙伴數(shù)量。網(wǎng)絡的平均度定義為學生度的平均值，平均度計算公式如公式2.3所示，E表示存在的邊數(shù)，N表示學生個數(shù)。在學習網(wǎng)絡中反映每個學生的平均連接數(shù)和學生之間信息傳遞的快慢。平均度越大，學生之間的聯(lián)系越多，交往更密切。

=2E/N（公式2.3）

本研究在問卷調查的基礎上設計基于聚集系數(shù)的分組方式，研究分析學習網(wǎng)絡聚集系數(shù)對學習效果的影響，同時分析了學習網(wǎng)絡密度、平均度與學習效果的關系。

三、研究設計

（一）實驗對象

本文選取陜西師范大學學習《Acess數(shù)據(jù)庫》的大一學生為被試，總共選取200人，有效被試152人。為收集所需數(shù)據(jù)，對被試進行了一系列的問卷調查。問卷包括構建學習網(wǎng)絡所需問卷，此問卷利用提名生成法[26]了解學生之間交往、信息交流和傳遞、問題咨詢等情況，如“當你在學習上遇到問題時，你會向誰請教，請在表中填寫他的名字和請教次數(shù)”。同時，使用科爾伯格的學習風格調查問卷，池麗萍、辛自強修訂的 Amabile等人所編制的學習動機量表，以及張建新教授修訂的大五人格量表（簡版），以便了解學生的學習風格、學習動機和人格等個人特質，為分組提供參考。本實驗選取了30個小組，實驗為期一學期。實驗采用社會科學統(tǒng)計軟件SPSS 19.0和社會網(wǎng)絡分析工具Gephi、Ucient6進行數(shù)據(jù)的采集和處理。

（二）實驗過程

整個實驗流程如圖1所示：

1.分組

根據(jù)調查統(tǒng)計結果構建學習網(wǎng)絡，以學習網(wǎng)絡為基礎，利用分組算法將所有被試分為五或六人小組，計算小組網(wǎng)絡聚集系數(shù)，根據(jù)聚集系數(shù)大小將這些小組分成0-0.3、0.3-0.6和0.6-0.9三種水平，再結合每個學生的性別、學習風格、學習動機和人格等個人特質，讓所有小組滿足組內(nèi)異質、組間同質。分組情況如表1所示。

2.選取小組長

小組長的選取也就是對網(wǎng)絡中心性的分析，可以用于評價一個節(jié)點（學生）重要與否，衡量其班級影響力和地位。[27]衡量一個學生在學習網(wǎng)絡中互動交流的程度，也就是在學習網(wǎng)絡中影響別人的能力，一般用節(jié)點的程度中心性、點度中心性和中介中心性。本研究通過分析中心性找出班級中比較重要的核心人物，為組長的選取提供參考。

在社會網(wǎng)絡中，程度中心性就是節(jié)點關系數(shù)量的總和，程度中心性越高，說明節(jié)點處于網(wǎng)絡核心位置，對班級成員的行動以及交流影響就大，可通過程度中心性的高低來評價學生交往的情況。[28]點度中心性包括節(jié)點入度和節(jié)點出度，是在程度中心性的基礎上對每個學生的互選關系和單方承認的關系進行具體分析。[28]節(jié)點入度表明了該學生被班級中其他學生關注的程度，而節(jié)點出度則說明了該個體在整個社會網(wǎng)絡中的活躍程度。中介中心性是測量一個行動者對資源的控制程度高低，中介中心性越大，說明該學生在很大程度上能夠通過控制信息的流動來影響到其他行動者。本研究根據(jù)這三個指標，對中心性進行整體分析以選取小組長。以一個被試班級為例，中心性分析如下：

被試班共有40人，一組五個人，分了八組，所以需要選取八個小組長。小組長首先要具備一定的威望，其次就是能夠積極與同學交往，也能夠被同學關注。如圖2、3、4所示，13、23、7、21這幾個節(jié)點（學生）的程度中心性、出度、入度、中介中心性都比較高，說明他們處于班級核心位置，在班級比較活躍，可以積極與同學進行互動，同時有一定控制信息傳遞的能力，是連接整個班級成員交往的橋梁，其他成員在進行信息交互時，需要借助于他們，因此這四個人可以確定為小組組長。28、31、35、8、37、14、36、2這幾個節(jié)點（學生）的程度中心性比較高，可以作為備選小組長，節(jié)點31的中介中心性比較低，說明其不能控制和影響到其他成員，因此淘汰節(jié)點31號。節(jié)點37、36、2的出度、入度，還有中介中心性比較低，說明他們雖然處于班級較核心位置，但是和別人交往少，班級其他成員對他們也沒有依賴性，因此淘汰。綜合考慮，本文選取節(jié)點13、23、7、21、28、35、8、14為小組長。

3.實驗實施

確定好分組和小組長后，準備實施實驗。實施過程主要包括前測、合作學習和后測。前測需學生個人獨立完成，目的是了解學生對《Acess數(shù)據(jù)庫》這門課程的掌握情況。接著公布分組名單進行合作學習，通過討論交流完成合作任務。最后實施后測，評估合作學習的效果。此次測驗前測和后測難度一致。實驗結束后，結合三次測試結果和課堂觀察等，統(tǒng)計分析合作學習的有效性。

（三）數(shù)據(jù)統(tǒng)計與分析

1.學習網(wǎng)絡結構

我們將152個節(jié)點的關系數(shù)據(jù)導入Gephi網(wǎng)絡分析軟件，得到如表2中所示的網(wǎng)絡圖。觀察網(wǎng)絡圖可以發(fā)現(xiàn)有很多不同顏色代表的社團，也存在孤立節(jié)點。通過對選定的30個組的學生合作情況進行調查，構建學習網(wǎng)絡。由分析所得，合作學習網(wǎng)絡的平均度≈1.737，度呈指數(shù)分布；平均路徑長度的平均值L=3；平均聚類系數(shù)C=0.437。表2中每個節(jié)點代表一個學生，節(jié)點越大，度越大，表示此節(jié)點跟其他節(jié)點聯(lián)系越多，節(jié)點越小，度越小。相同深度顏色的節(jié)點為同一社團，從圖中可以發(fā)現(xiàn)聚集系數(shù)0.6≤c≤0.9（C=0.675）的網(wǎng)絡中存在10個社團，社團內(nèi)部聯(lián)系更為緊密。

通過社會網(wǎng)絡分析軟件Ucient分析整體網(wǎng)絡的凝聚子群，將凝聚子群與高聚集系數(shù)的10個小組成員對比（見表3）發(fā)現(xiàn)，第1組成員與凝聚子群的第47組有很高的重疊度；第2組成員與凝聚子群的第43組有很高的重疊度；第3組與凝聚子群的第26、27、28組有很高的重疊度；第4組與凝聚子群的第42、57有很高的重疊度；第5組與凝聚子群的第15、38組有很高的重疊度；第6組成員與凝聚子群的第55、56組有很高的重疊度；第7組成員與凝聚子群的第 12、37組有很高的重疊度；第8組成員與凝聚子群的第35、36、49組有很高的重疊度；第9組成員與凝聚子群的第11組有很高的重疊度；第10組成員與凝聚子群的第9、10組有很高的重疊度。兩者有很高的重疊度，較高的重疊度說明在實際課堂中可以用凝聚子群來進行分組，在教學實踐中，教師可以根據(jù)班級學習網(wǎng)絡，計算出班級的凝聚子群，其分組效果相似于基于高聚集系數(shù)的分組。

2.基于聚集系數(shù)分組對合作學習效率的影響

使用SPSS單因素方差分析對樣本前測成績進行差異性檢驗，發(fā)現(xiàn)聚集系數(shù)高中低三種水平的小組前測成績沒有顯著性差異；對后測成績多重比較（見表4）分析發(fā)現(xiàn)高聚集系數(shù)小組與其他兩種水平小組均有顯著性差異；低聚集系數(shù)小組成績均值大于中聚集系數(shù)小組，但兩者無顯著性差異。通過以上數(shù)據(jù)分析以及課堂觀察發(fā)現(xiàn)高聚集系數(shù)小組的學習效果優(yōu)于另外兩種水平的小組。

如圖5所示，小組聚集系數(shù)與其小組成績增長率的關系圖清晰地展現(xiàn)了聚集系數(shù)與學習效果的關系，橫軸為聚集系數(shù)，縱軸為小組成績增長率。觀察圖5可以發(fā)現(xiàn)：聚集系數(shù)對學習效果的影響存在閾值λc=0.6，當聚集系數(shù)小于閾值（x<λc）時，小組成績增長率由初始值Y（0）=0.03開始緩慢上升，但增長幅度較??；當聚集系數(shù)大于閾值（x>λc）時，小組成績增長率快速增長，當x>0.67時，小組成績增長率變化趨于平緩。

這表明當小組聚集系數(shù)大于等于閾值0.6時，小組成員關系緊密，凝聚力強，合作效果明顯，成績增長率較高。當小組聚集系數(shù)大于0.67時，小組成員不愿向組外其他人學習，造成學習網(wǎng)絡信息的封閉，影響合作學習交流，成績增長率趨于平緩。聚集系數(shù)值小于閾值0.6時，增長緩慢，說明合作過程存在一定的問題，有可能是組內(nèi)成員彼此陌生、交流較少致使合作學習進行不順利。

3.其他社團特性對合作學習效率的影響

分別將小組平均度、網(wǎng)絡密度作為自變量，小組的成績增長率作為因變量，探討它們對合作效率的影響。

（1）小組網(wǎng)絡密度與小組成績增長率的關系

圖6表明了小組網(wǎng)絡密度與小組成績增長率在X-Y坐標下的具體分布情況，觀察圖6可以發(fā)現(xiàn)：小組網(wǎng)絡密度對學習效果的影響存在閾值λd=0.4，當小組網(wǎng)絡密度小于閾值（x<λd）時，小組成績增長率由初始值Y（0）= 0.03開始緩慢上升。當小組網(wǎng)絡密度大于閾值（x>λd）時，小組成績增長率快速增長到16.75%，當x>0.6時，小組成績增長率變化趨于平緩。

當小組網(wǎng)絡密度大于等于閾值0.4時，小組內(nèi)合作交流頻繁、信息傳播快，但過高的密度也可能造成網(wǎng)絡的同質化；小組網(wǎng)絡密度小于閾值0.4時，小組成員之間關系疏遠，導致信息傳播較慢，合作效率低。

（2）小組平均度與小組成績增長率的關系

圖7表明了平均度與小組成績增長率在X-Y坐標下的具體分布情況，觀察圖7可以發(fā)現(xiàn)：小組平均度對學習效果的影響存在閾值λe=1.6，當小組平均度小于閾值（x<λe）時，小組成績增長率由初始值Y（0）= 0.03開始緩慢上升。當小組平均度大于閾值（x>λe）時，小組成績增長率先快速增長到17%，當x>2.4時，小組成績增長率變化又趨于平緩。

當小組平均度大于等于閾值1.6時，小組成員的交往范圍廣，在合作交流中與其他節(jié)點交往越多，學習效率也就越好，但平均度過高也會對合作交流產(chǎn)生一定的影響；當平均度較低，小于閾值1.6時，表示該小組各個節(jié)點間聯(lián)系較少，彼此之間比較陌生，影響合作學習效果。

（四）結果分析

1.社會網(wǎng)絡分析方法能夠應用于合作學習分組

社會網(wǎng)絡分析將小組內(nèi)部之間的關系可視化，通過分析學生互動網(wǎng)絡來預測小組成員之間的關系以及各種關系對小組學習效果所產(chǎn)生的影響。本文研究發(fā)現(xiàn)，充分考慮密度、平均度等網(wǎng)絡拓撲特性，更有利于合作學習分組的研究與分析。

2.網(wǎng)絡社團特性與小組成績增長率的關系

本文得出網(wǎng)絡社團特性與小組成績增長率的關系存在影響閾值。通過實證表明，相比低聚集系數(shù)和中聚集系數(shù)的分組方式，采取高聚集系數(shù)的分組方式更有利于合作學習的開展。聚集系數(shù)、密度和平均度高于閾值有利于形成一個長期穩(wěn)定的合作學習環(huán)境，但過高也容易導致學習網(wǎng)絡封閉，不利于從外部環(huán)境學習新知識，進而影響合作學習效果。在合作學習中教師可以根據(jù)班級學習網(wǎng)絡，計算出班級的凝聚子群，合理利用高聚集系數(shù)特性的“小團體”靈活分組，根據(jù)密度、平均度的值修改小組的結構和規(guī)模，可以促進小組內(nèi)部成員的深度交互和合作，提升小組成員的學習效果。

四、結論

學習小組的構建，有利于合作學習的開展，構建合適的學習小組，對于提高學習效果具有重要意義。本文根據(jù)聚集系數(shù)進行分組，并利用中心性分析選取了小組組長，通過實證發(fā)現(xiàn)基于學習網(wǎng)絡的分組方式是有效的，網(wǎng)絡社團特性具有影響小組成員行為及小組學習效率的重要特性，對合作學習成績增長率的影響存在閾值。這些社團特性大于閾值的優(yōu)勢是小組內(nèi)部成員的關系緊密程度要高于小組外，凝聚力強，劣勢是過強的凝聚力有時會使小組成員不愿向組外其他人學習，造成學習網(wǎng)絡信息的封閉，影響合作學習交流?？傮w來說，實驗過程中不可控因素太多，可能會影響實驗結果。此次實證研究還存在一些不足，如實驗合作次數(shù)應該增加，以增加學生合作交流的機會，這樣實驗結果可能更準確。

參考文獻：

[1]JOHNSON D W， JOHNSON R T， SMITH K A. Cooperative learning： increasing college faculty instructional productivity[M].School of Education and Human Development， George Washington University，1991：5-6.

[2]NILSON L B. Teaching at its best ： a research-based resource for college instructors[M].Jossey-Bass， 1998：155-156.

[3]胡小勇，李閆莉，徐旭輝.優(yōu)化分組學習效果的實踐策略——以《教育傳播學》課程為例的研究[J].華南師范大學學報（社會科學版）， 2009（1）：107-110.

[4]CHAN T Y， CHENG Y T， WU Y L， et al. Applying learning achievement and thinking styles to cooperative learning grouping[A].2007 37th Annual Frontiers In Education Conference-Global Engineering： Knowledge Without Borders， Opportunities WithoutPassports[C].Milwaukee，WI： Institute of Electrical and Electronics Engineers（IEEE），2007： T1C-9-T1C-13.

[5]JOHNSON D W， OTHERS A. Cooperative Learning in the Classroom[J].Classroom Techniques， 1994，54（2）：642-643.

[6]Li J W， Wang Y T， Chang Y C. The differences between self-organized group and designated group for cooperative learning[A].2014 7th International Conference on Ubi-Media Computing and Workshops （UMEDIA 2014）[C].Ulaanbaatar， Mongolia： Institute of Electrical and Electronics Engineers （ IEEE ），2014：254-256.endprint

[7]GAO M S. Application of the Cooperative Learning Method in the "Group Work" Curriculum[J].Journal of Social Work， 2011（4）：006.

[8]CHOPADE P. Structural and functional analytics for community detection in large-scale complex networks [J]. Journal of Big Data，2015，2（1）：1-28.

[9]GARTON L， HAYTHORNTHWAITE C， WELLMAN B. Studying Online Social Networks[J]. Journal of Computer-Mediated Communication， 1997，3（1）： 0-0.

[10]LYMPEROPOULOS I N， IOANNOU G D. Understanding and modeling the complex dynamics of the online social networks： a scalable conceptual approach[J]. Evolving Systems， 2016：1-26.

[11]ZAIDI F， PASTA M Q， SALLABERRY A， et al. Social ties， homophily and extraversion--introversion to generate complex networks[J].Social Network Analysis & Mining， 2015，5（1）：1-12.

[12]JIN S， LIN W， YIN H， et al. Community structure mining in big data social media networks with MapReduce[J]. Cluster Computing， 2015，18（3）：1-12.

[13]Pham P N H， Nguyen H T， Snasel V. Improving Node Similarity for Discovering Community Structure in Complex Networks[A].KELLOGG SCHOOL OF MANAGEMENT AT NORTHWESTERN UNIVERSITY. International Conference on Computational Social Networks[C]. Helsinki， Finland： Springer International Publishing，2016：74-85.

[14]Zhang L， Li J， Chen S， et al. Evolution of Community Structure in Complex Networks[A].W. Eric Wong. Proceedings of the 4th International Conference on Computer Engineering and Networks[C].Shanghai， China： Springer International Publishing Switzerland ：Springer International Publishing，2015：45-53.

[15]HAN G， MCCUBBINS O， PAULSEN T H. Using Social Network Analysis to Measure Student Collaboration in an Undergraduate Capstone Course 1[J]. Nacta Journal，2016，60（2）：176.

[16]LIN X， HU X， HU Q， et al. A social network analysis of teaching and research collaboration in a teachers virtual learning community[J]. British Journal of Educational Technology， 2016， 47（2）： 302-319.

[17]PUTNIK G， COSTA E， ALVES C， et al. Analysing the Correlation between Social Network Analysis Measures and Performance of Students in Social Network-Based Engineering Education[J]. International Journal of Technology & Design Education，2016，26（3）：1-25.

[18]CHEN C M， HONG C M， CHANG C C. Mining interactive social network for recommending appropriate learning partners in a Web-based cooperative learning environment[A].Proceedings of the Cybernetics and Intelligent Systems [C].Chengdu， China： Institute of Electrical and Electronics Engineers（IEEE ），2008：642-647.endprint

[19]SU H M， SHIH T K， CHEN Y H. Grouping Teammates Based on Complementary Degree and Social Network Analysis Using Genetic Algorithm[A].2014 7th International Conference on Ubi-Media Computing and Workshops （UMEDIA 2014）[C].Ulaanbaatar， Mongolia： Institute of Electrical and Electronics Engineers（IEEE ），2014：59-64.

[20]CHUANG P J， CHIANG M C， YANG C S， et al. Social networks-based adaptive pairing strategy for cooperative learning[J]. Educational Technology & Society， 2012，15（3）：226-239.

[21]GLEISER P M， DANON L. COMMUNITY STRUCTURE IN JAZZ[J].Advances in Complex Systems， 2003，06（4）： 565-573.

[22]WATTS D J， STROGATZ S H. Collective dynamics of ‘small-world networks[J].Nature，1998，393（6684）： 440-442.

[23]KARRER B， NEWMAN M E J. Stochastic blockmodels and community structure in networks[J].Physical Review E Statistical Nonlinear & Soft Matter Physics，2011，83（1 Pt 2）：211-222.

[24]陳向東，郭欣，楊慧慧，王瑩，王春芳. 基于協(xié)作過程的反思性學習研究[J].現(xiàn)代教育技術，2008（5）：42-47.

[25]羅家德.社會網(wǎng)分析講義[M].社會科學文獻出版社，2010.

[26]SINHA T. Supporting MOOC Instruction with Social Network Analysis[J].Eprint Arxiv，2014.

[27]張瑩.專業(yè)英語協(xié)同翻譯教學活動社會網(wǎng)絡分析[J].現(xiàn)代教育技術，2016（6）： 80-6.

[28]劉軍. 整體網(wǎng)分析講義： UCINET軟件實用指南： Lectures on Whole Network Approach： A Practical Guide to UCINET[M]. 格致出版社，上海人民出版社， 2009.

（編輯：王天鵬）endprint