基于多层网络建模的在线学习社区群体动力激活研究.pdf

现代远距离教育 年第 期总第 期【基金项目】国家自然科学基金 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”（编号：）；北京师范大学教育学部 年度惠妍国际学院国际教育研究课题“高等教育在线国际化背景下的课程质量评估与提升路径研究”（编号：）。【作者简介】王辞晓，博士，北京师范大学教育学部教育技术学院讲师，硕士生导师；李林泽，北京师范大学教育学部教育技术学院本科生。深度学习基于多层网络建模的在线学习社区群体动力激活研究王辞晓，李林泽（北京师范大学，北京 ）【摘要】在线学习社区的群体动力激活有助于促进多元复杂背景的学习者进行深度联通与知识创新。通过挖掘与整合学习者、概念、话题在复杂网络中的量化指标来构建群体动力激活机制，进而为在线学习社区群体互动与持续发展提供思路建议。基于多层网络分析方法中的多路复用网络和多维型多层网络，构建了社会交互、认知共现、概念关联和话题关联四层关系网络的多层网络模型，并设计了包含学习同伴、学习资源、学习话题推荐策略的群体动力激活机制。以联通主义课程 为应用情境，验证了该多层网络模型应用于在线学习社区的有效性，并根据建模结果提出具体的群体动力激活机制：基于社会交互与认知共现网络推荐学习同伴以强化群体凝聚力；基于概念关联网络推荐学习资源以提升群体驱动力；基于概念关联和话题关联网络推荐学习话题以降低群体耗散力。继而将多层网络建模的研究价值从微观层面的学习规律挖掘扩展至中观层面的教学干预设计。【关键词】多层网络分析；联通主义；群体动力理论；社群学习；推荐机制【中图分类号】【文献标识码】【文章编号】（）一、引言互联网等新一代信息技术加速了知识生产与传播的速度，基于网络的群体智慧协同正成为知识进化与创新的主要形式之一 。数字时代的新型学习理论 联通主义学习理论认为学习是节点连接与网络优化的过程，学习的目标是促进知识的流通 ，节点间的深度交互关乎在线学习社区的知识创新与可持续发展。探索如何促进具有复杂多元背景的学习者相互联通、激活在线学习社区的群体动力，是开展与优化网络教学实践的重要基础。前人研究指出社会交互、认知关联是在线学习社区中学习者节点间的重要连接维度 ，因此构建个体间社会与认知网络将有助于揭示在线学习社区的发展状态，进而设计适配的群体交互促进策略。此外，在线学习社区的学习资源不仅由课程设计者供给，还由学习者通过概念探讨与话题凝聚而自主生成 ，如何促进各类学习资源的充分运用，对群体动力激活同样重要。基于此，本研究将通过构建整合学习者间关系以及概念与话题关系的多层网络模型，探索学习同伴、资源与话题的推荐机制，以期为在线学习社区的群体动力激活提供教学干预设计思路。二、文献综述（一）在线学习社区发展的理论依据 联通主义学习理论联通主义学习理论主张学习是网络空间中个体、信息、数字资源建立节点连接并持续优化网络的动态过程，是适应互联网环境中新知识现象与特征的典型学习理论 。在实践层面，联通主义学习理论为数字时代在线教育的新型教学实践（如社区型开放课程、跨学科、跨区域虚拟教研等）提供了重要的设计依据。联通主义学习理论指导的在线开放课程被称为 （）。鼓励学习者在在线学习社区中通过交互建立伙伴关系、围绕共同感兴趣的概念与话题展开深度联通，进而实现群体知识创新 。如何在复杂开放网络环境中促进多元背景的学习者持续地建立网络连接，实现深度交互、群智汇聚与复杂问题解决，是联通主义课程教学设计的关注重点。从网络的视角来看，联通主义学习理论认为学习是通过持续动态交互，建立认知神经网络、概念网络和社会网络等多层网络的过程 。其中，认知神经网络涉及个体大脑内部的复杂神经元结构，当前技术还未能直接揭示生物层面的认知神经网络，但人类的外在行为能够反映其内部认知表现，分析学习者生成的文本数据是提取与表征其认知网络的替代性方法 。相关研究表明，认知、概念、社会等不同层面的网络具有异质结构，如部分在社会网络中影响力较低的个体却有较高质量的概念贡献 ；在线学习社区的知识生产不再仅依赖少数精英，而是更依赖去中心化的复杂网络关系 。总体来说，交互是节点连接与网络构建的关键所在，而想要促进网络中个体间、个体与概念和资源间的深度交互，需要首先充分理解复杂多层网络的结构与特征。群体动力理论群体动力理论最早由美国心理学家库尔特勒温（）提出，该理论认为个体的行为受其内在动力和所处环境的综合作用，强调群体中支配行为的各种力量对个体的作用和影响 。勒温指出群体成员的相互作用关系构成了复杂动力系统，并将群体动力大致分为凝聚力、驱动力和耗散力等类型 。凝聚力指群体成员之间的社会关联程度，强调成员间的密切交流、集体目标与责任共担，良好凝聚性是群体实现目标并持续发展的关键 。驱动力指促使群体发生行为改变、脱离当前状态的动力因素，与之相对应的是阻止群体发生状态改变的约束力，增加驱动力、减少约束力有助于推动群体发展演化 。耗散力指因个体兴趣、目标、价值观不同而引起的个体与群体、个体间冲突等负面动力因素，耗散力过高将引起成员认知或情绪失调、群体力量涣散、群体效能受抑制等消极表现 。前人基于群体动力理论的研究指出促进在线协同学习要强化群体凝聚力、提升群体驱动力、降低群体耗散力 。首先，强化在线学习社区的群体凝聚力需要从学习者间的交互关系入手。当前研究主要从社会与认知层面构建个体间的关联关系 ，基于此构建的学习同伴推荐机制将有助于提升学习者间社会紧密度、认知契合度和集体融入感，进而强化社区整体凝聚力。其次，提升群体驱动力不仅需要通过精细的教学设计与活动引导提高学习者的内部动机 ，还需要借助网络学习的自主性和生成性提升其自我认同感和集体责任意识。具体地，开放网络环境的学习资源大多由学习者自发生成 ，当学习者生成的资源被推荐给其他学习者时，增强了该学习者及其观点在群体中的可见性，自我效能感的提升能够激发其深度学习与观点输出的持续动力 ；当学习者被推荐其他学习者生成的资源时，观点碰撞与经验共享有助于加强其对学习共同体的认同感，从而愿意为在线学习社区发展贡献更多力量。最后，降低群体耗散力可从学习者的兴趣话题推荐着手。提炼与归类在线学习社区中的学习话题，充分发挥话题相关学习活动的引导作用，有助于平衡学习者个体兴趣目标和群体知识创生的关系，进而缓解个体迷航边缘参与 、群体注意力耗散 等问题。（二）多层网络分析的方法进展以生生交互为主的在线学习社区本质上是一个复杂系统，具备自组织、非线性、涌现性、整体性和多层次性等特点 。复杂系统由众多个体构成，个体间通过多种方式发生非线性的交互作用并自发形成多种关联结构，将复杂系统简单地抽象为单个网络容易忽略不同关联关系对群体的动力作用 。作为复杂系统与网络科学的研究前沿与热点，多层网络能够通过分层建模综合多种类型节点及其关联关系，突破了单层网络中节点及连边同质性的局限 。多层网络分析为揭示复杂系统的生成机制、演化规律和动力作用提供了新的视角与方法。依据节点同质性和网络结构，多层网络可分为多路复用网络、多维型多层网络、依存型多层网络等类型。其中，多路复用网络要求所有层节点同质，例如各层节点均为学习者，但不同层代表节点间不同维度的关联关系 ；多维型多层网络则没有对各层节点同质性的限制，每层可以有不同类型的节点，层与层之间的节点存在一定的交集即可 ；依存型多层网络也不要求节点同质性，而是强调不同层节点间的强依存关系，即一层节点的消失会影响另一层与之相关联节点的消失 。传统的线性分析方法在揭示教育系统的复杂性规律等方面具有局限性，复杂网络分析方法则能够通过数据关联建模推动教育研究范式创新 。在众多复杂网络分析方法中，前人研究多采用社会网络分析（）、随 机 图 模 型（）、随 机 行 动 者 模 型（）等方法挖掘在线群体学习的交互规律 。多层网络分析在教育领域的应用还处在尝试和探索阶段，且主要通过构建多路复用网络来揭示社群学习特征。例如，刘三女牙等基于所提出的社会与认知双层网络构建方法，对比了异步在线论坛中个体在单一类型网络层与多层网络中各项指标的差异，并指出多层网络所提取的网络指标对个体学习成绩的预测能力更强 。在此基础上，胡天慧等采用社会与认知多层网络分析对在线异步和同步交互的学习者网络进行了比较与整合，同样发现多层网络指标与学习成绩相关性更强 。王梦倩进一步提出了整合学习者行为 认知 情感的多路复用网络建模方法及指标框架，为在线群体互动提供了分析与评价工具 。总的来说，前人研究多基于学习者间的交互关系进行多层网络构建与群体互动规律挖掘，如何进一步促进群体互动、提升群体动力还尚待讨论。除人际交互外，学习者与生成性学习资源的交互对群体动力激活也很重要，而当前研究较少兼顾对学习话题的多层网络分析。基于此，本研究拟构建整合学习者间关系以及概念与话题关系的多层网络模型，并借助相关网络指标探索在线学习社区的群体动力激活机制。三、模型构建（一）多层网络模型表征 理论模型基于联通主义学习理论和群体动力理论，本研究将构建包括社会交互、认知共现、概念关联和话题关联四层关系网络的多层网络模型。社会交互层代表由学习者基于社交关系所建立的网络，认知共现层代表学习者基于认知关联程度所建立的网络关系，概念关联层代表基于学习者和概念生产关系所建立的网络，话题关联层代表基于概念和话题的类属关系所建立的网络（一个话题包含多个概念）。本研究所构建的多层网络模型可进一步分为学习者关系网络和概念话题联合网络两个部分（如图 所示）。图 多层网络模型学习者关系网络为多路复用网络，包括社会交互与认知共现两层网络。多路复用网络要求所有网络层均由同一组节点构成，单层网络内的连边代表这组节点间的某种关联关系，多层网络间的连边代表同一节点在不同网络层的对应关系 。学习者关系网络中节点均为学习者，层与层之间的虚线代表同一学习者的对应关系。两层网络中节点间的连边含义不同：社会网络层的连边表示学习者基于社会互动所建立的关系，认知网络层的连边表示学习者基于认知关联程度所建立的关系，即学习者生成内容中概念集合的相似度。概念话题联合网络为多维型多层网络，包括概念关联与话题关联两层网络。多维型多层网络允许各层网络包含不同类型的节点，但层与层之间的节点类型需要有交集，层与层之间的连边是此类节点的对应关系 。概念话题联合网络中两层网络均为二模网络，即网络中包含两种类型的节点且同类节点间不建立连边。概念关联层包括学习者和概念两类节点，话题关联层包括概念和话题两类节点。两层网络间的虚线代表同一概念的对应关系。概念关联层的连边表示学习者与概念的生产关系，话题关联层的连边表示概念和话题的类属关系。数学表征学习者关系网络的超邻接矩阵可用（，）来表示（如图所示），其中 表示该多层网络中单层网络的邻接矩阵集合，表示该多层网络中层与层之间的邻接矩阵集合。，其中 （，）和 （，）分别表示社会交互层和认知共现层的邻接矩阵，和 分别表示社会交互层和认知共现层的学习者节点集合，和 分别表示社会交互层和认知共现层的层内连边集合。此外，、，分别是 、中的元素，表示社会交互层和认知共现层中节点 与节点 的连边权重。，其中 ，（，）且 ，即两层网络具有相同的节点。，表示社会交互层中节点 到认知共现层中节点 的连边。不同网络层之间，仅相同学习者节点间存在映射关系，不同学习者节点间不存在映射关系，即当 时，；当 时，。图 学习者关系网络的超邻接矩阵概念话题联合网络的超邻接矩阵可用（，）来表示（如图所示），其中 表示该多层网络中单层网络的邻接矩阵集合，表示该多层网络中层与层之间的邻接矩阵集合。，其中 （，）、（，）分别表示概念关联层和话题关联层的邻接矩阵，和 分别表示概念关联层和话题关联层的节点集合，和 分别表示概念关联层和话题关联层的层内连边集合。需要注意的是，概念关联层的节点集合 包含学习者和概念两类节点，话题关联层的节点集合 包含概念和话题两类节点。同时，和 均仅包含层内不同类节点之间的连边。，其中 ，（，），即两层网络中节点集合的交集为概念节点。，表示概念关联层中节点 到话题关联层中节点 的连边。不同网络层之间，仅相同概念节点间存在映射关系，其他类型节点间不存在映射关系，即当 时，；当 时，。图 概念话题联合网络的超邻接矩阵（二）群体动力激活机制本研究将从学习同伴推荐、学习资源推荐、学习话题推荐三个方面设计群体动力激活机制（如图 所示），分别重在强化群体凝聚力、提升群体驱动力与降低群体耗散力。学习同伴推荐指基于学习者关系网络中个体间的社会交互和认知共现关系，向学习者推荐与社会影响力高、认知关联程度高的其他学习者。学习资源推荐指基于概念关联层中学习者与概念的生产关系，向学习者推荐与该概念相关的学习资源。学习话题推荐指基于概念话题联合网络中学习者与概念、概念与话题的关联关系，向学习者推荐其具有潜在学习兴趣的话题活动。学习同伴推荐学习同伴推荐机制主要依据学习者关系网络中的社会交互层和认知共现层。在社会交互网络中，节点的度越大，其度中心性越大，这代表网络中与节点直接相连的其他节点越多，该节点在网络中越处于重要位置。特征向量中心性也能够反映节点的重要程度，节点的特征向量中心性值越高说明该节点的邻居节点越重要，该节点在网络中也就越重要 。基于此，本研究将提取社会交互网络中学习者节点的度中心性与特征向量中心性来综合表征其社会影响力。在认知共现网络中，学习者之间所生成内容中的概念相似性可以直接反映他们的认知关联程度 。同样地，本研究拟提取认知共现网络中学习者节点的度中心性与特征向量中心性来综合表征其认知关联度。度中心性越大，代表该学习者所生成的概念与越多学习者有较高的认知关联程度，换言之，该学习者与在线学习社区整体学习者的认知关联程度越高。特征向量中心性越大，代表与该学习者认知关联程度高的个体在认知共现网络中大多具有较高的重要性，即该学习者在认知共现网络也越重要。综上，本研究将整合学习者个体社会活跃度与学习者间认知关联度，向其推荐在社会与认知层面具有较高影响力的潜在学习同伴。图 群体动力激活机制 学习资源推荐学习资源推荐机制以概念关联网络中学习者与概念的生产关系为依据。在线学习社区中，学习资源既包括课程组织者提供的教学内容、博客、工具、案例等资源，还包括由学习者在学习过程中生成的各类资源。从学习者生成的文本内容类资源中可以提取出他们所关注的概念，同时所有学习资源也可以通过这些概念进行标记。基于此，构建学习者与概念的关联网络，能够为学习资源的推荐提供依据。在概念关联网络中，概念节点的度中心性代表概念受学习者关注的程度，特征向量中心性代表概念被活跃学习者关注的程度。其中，活跃学习者指在概念关联网络中与较多概念节点相关联的学习者节点。概念节点的特征向量中心性越高，代表其在网络中的关注度越高。基于此，本研究将提取概念关联网络中概念节点的度中心性与特征向量中心性来表征概念关注度，并通过整合上述概念关注度指标提取学习社区中生成的核心概念，进而向学习者推荐涉及核心概念的学习资源。学习话题推荐学习话题推荐机制主要依据话题概念关联网络中的概念关联层和话题关联层。在线学习社区中，学习者通过发贴、回帖进行观点交流与知识建构，这些文本类型数据除了包括学习者生成的多样化概念，还隐藏着社区的主要学习话题 。具体地，话题包含多个概念，一个帖子可能类属于多个话题。本研究依据概念关联网络中学习者对概念的关注度将概念分为核心概念、局部核心概念和其他概念。核心概念指被学习社区中多数学习者关注的概念；局部核心概念指被学习社区中少部分学习者，即少数群体关注的概念；其他概念指仅被较少或单个学习者所关注的概念。话题兴趣度指一个话题被社区学习者所感兴趣的程度。选取话题关联网络中与话题节点相连的核心概念节点数量来表征该话题的兴趣度，话题节点与越多核心概念节点连接，该话题的兴趣度越高。基于此，本研究将提取具有较高兴趣度的话题向整体学习社区推荐。此外，对于少数群体所关注的局部核心概念，本研究也将提取这些局部核心概念所类属的话题节点，将此类话题推荐给相应小群体。四、模型应用（一）研究情境与对象北京师范大学远程教育研究中心自 年起开设了基于联通主义学习理论的社区型开放课程（），为具有不同职业、领域、兴趣的学习者提供了开展深度交互与广泛联通的学习空间。本研究的模型应用情境为 年开设的 ，课程主题为“互联网 教育：理论与实践的对话”，主要包括主题学习和问题解决两个阶段。在主题学习阶段，课程以周为单位向学习者推送学习资源，引导学习者进行观点发帖与论坛讨论；在问题解决阶段，课程提供系列与主题相关的实践问题供学习者选择与组队。自课程引导周起，部分学习者通过在课程平台上开展的自由交互逐渐形成对该领域问题的认识和兴趣，随后决定是否在问题解决阶段的组队周创建或加入问题解决小组。这一阶段共持续七个星期（年 月 日 月 日）。经统计，在课程平台产生主动交互行为的学习者共 名；参与问题解决协作的学习者有 名，但其中有 人未参与主题学习或仅作为课程浏览者参与主题学习，即仅有 名参与协作的学习者在平台上产生交互数据。本研究将基于这 名学习者的交互数据构建多层网络模型。（二）多层网络模型构建本研究提出了面向群体动力激活的多层网络理论模型及其构建方法，下面将运用 交互数据集，分别构建社会交互、认知共现、概念关联和话题关联四层关系网络。社会交互层构建社会交互网络的数据集主要包括 中 名学习者在课程平台的点赞、评论、回帖和关注四类交互行为数据。此外，往期课程期间这些学习者的关注行为数据被认为是能够延续到第五期课程中的持续性社会关系，因而也被纳入社会网络数据集中。最终用于社会交互网络构建的数据合计 条。社会交互网络构建规则如下：以学习者为节点，以交互行为为连边，建立学习者之间的交互关系，构建无向加权网络。研究使用 构建该社会交互网络，并提取网络节点的度中心性和特征向量中心性。认知共现层构建认知共现网络的数据集为 名学习者在课程平台发帖、回复、评论所产生的 条文本数据，每条数据作为一个内容分析单元。首先，对数据集中与概念生成无关的数据进行清洗，具体规则如下：删除仅表示社会化交互的内容数据，如自我介绍、欢迎、支持等；删除停止词和表情符号；删除超链接和引文；删除字数少于 的评论和回复数据。最终用于认知共现网络构建的数据合计 条。接下来，采用主题聚类算法（，简称 ）进行学习者间认知关联度的计算。算法能够将学习者生成文本中的概念以概率分布的形式进行聚类，最终输出内容分析单元在各个概念下的分布概率。以每个学习者生成的文本为单位，依据 模型的困惑度（）曲线选取困惑度值高且具有较强解释意义的最小聚类结果，并输出各条文本数据中概念的分布概率。最终共提取出 个概念（），频次最高的前五名分别为教学资源、学习空间、互联网教育、联通主义和教育大数据。最后，基于学习者间的概念共现关系构建认知共现网络。具体构建规则如下：网络中任意两名学习者生成概念的集合分别为 ，其中每个概念都属于上述 个概念的集合，即 ，；以这两名学习者概念重合的数量 （）作为学习者 和 之间连边的权重，最终生成无向加权网络。研究使用 构建该认知共现网络，并提取网络节点的度中心性和特征向量中心性。概念关联层构建概念关联网络的数据集为学习者与概念的关联关系数据。概念关联网络为二模网络，包含学习者和概念两类节点。网络构建规则如下：以学习者是否关联某一概念为原则，建立学习者和概念的连边关系，学习者与学习者、概念与概念之间不建立连边关系，构建无向加权网络。研究使用 构建该网络，同时提取网络中概念节点的度中心性与特征向量中心性。话题关联层构建话题关联网络的数据集为概念与话题的类属关系数据。话题关联网络为二模网络，包含概念和话题两类节点。网络构建规则如下：以话题是否包含某一概念为原则，建立话题与概念的连边关系，概念与概念、话题与话题之间不建立连边关系，构建无向无权网络。根据前面所提取的 个概念，运用专家法从概念列表中凝聚话题，共得到 个话题，分别是课程与资源设计、服务与产业发展、技术与产品开发、政策与系统创新和规律与方法探索。研究使用 构建并可视化话题关联网络，同时分别统计每个话题连接的核心概念与局部核心概念的数量。（三）模型构建结果 多层网络构建结果基于上述模型构建方法，本研究构建了包含社会交互、认知共现、概念关联和话题关联四层关系网络的多层网络（如图 所示）。图 为社会交互网络，共包含 个节点、条边。其中，仅有 个节点之间有连边关系，另外 个节点为孤立节点，这些孤立节点代表没有与其他学习者产生社会交互的学习者。节点大小由度决定，度的最大值为 ，最小值为 。边的粗细由边的权重决定，即学习者间的社会交互频次，权重最大值为 ，最小值为 。图 为认知共现网络，共包含 个节点、条边。其中，仅有 个节点之间建立连边关系，另外 个节点为孤立节点。这些孤立节点可分为两类：一类是没有发帖行为即未进行概念产生的学习者；另一类是有发帖行为但所生产的概念与其他个体没有交集的学习者。节点大小由度决定，度的最大值为 ，最小值为 。边的粗细由边的权重决定，即学习者间的认知关联频次，权重最大值为 ，最小值为 。图 多层网络图图 为概念关联网络，共包含 个概念节点和 个学习者节点，以及二者关联形成的 条边。概念关联网络中的孤立节点仅为学习者节点，具体地，共有 个学习者为孤立节点，他们所生成的文本内容未涉及本研究所提取的 个概念。学习者节点大小由度决定，表示学习者关联课程主要概念的程度，度的取值范围为 ；概念节点大小由度决定，表示概念被学习者提及的频次，度的取值范围为 。边的粗细由边的权重决定，即学习者参与概念认知的帖子的个数，权重取值范围为 。图 为话题关联网络，共包含 个概念节点和个话题节点，以及二者关联形成的 条边。概念节点大小一致，一个概念可类属于一个或多个话题；话题节点大小由度决定，表示话题所包含的概念数，度的取值范围为 。此外，由于话题关联网络仅代表概念与话题的类属关系，因此网络连边的粗细一致。群体动力激活策略基于所构建的多层网络模型与群体动力激活机制，本研究将根据相关网络指标结果形成学习同伴、学习资源与学习话题的推荐策略。（）推荐学习同伴以强化群体凝聚力学习同伴推荐主要依据学习者关系网络的 项指标：社会交互层中学习者节点的度中心性和特征向量中心性、认知共现层中学习者的度中心性和特征向量中心性。将 项指标按均值分类，大于均值编码为，小于均值编码为 ，得到四类学习者。表 为学习同伴推荐参考指标的编码示例。图 为 名学习者在 项指标的编码分布图。深色色块代表高于均值，浅色色块代表低于均值。表 学习同伴推荐参考指标的编码示例学习者编号社会影响力认知关联度度中心性特征向量中心性度中心性特征向量中心性 第一类学习者（指标类型为 ，）社会活跃度高，但认知关联度低，此类学习者可作为提供社会情感支持的角色，通过高频社会交互激活社群活跃度与紧密度，进而强化群体凝聚力。第二类学习者（指标类型 ，）社会活跃度低，但认知关联度高，此类学习者的内容生产与课程整体概念生成高度相关，而可能因为较少进行社会交互未受到广泛关注，因此可向社群推荐此类学习者，以其社群能见度进而吸引与之认知关联度高的学习者来提升群体凝聚力。第三类学习者（指标类型 ，）社会活跃度与认知关联度均较高，即此类学习者在社群中较为活跃，且能够围绕社区关注热点输出高质量内容，因此将其作为重要学习者对整个社群进行推荐，该类学习者有助于增强学习者间的社会紧密度、认知契合度和集体融入感，吸引更多学习者进行深度交互来激活群体动力。第四类学习者（指标类型为，或，）在社会与认知维度表现均一般，可向其推荐前三类学习者，通过学习同伴榜样作用激活这部分群体的学习动力。图 学习者社会影响力和认知关联度分布图（）推荐学习资源以提升群体驱动力学习资源推荐主要依据概念关联网络的 项指标：概念节点的度中心性与特征向量中心性。依据均值对 个指标进行归类，大于均值编码为 ，小于均值编码为 ，得出四类概念。表 为学习资源推荐参考指标的编码示例。表 学习资源推荐参考指标的编码示例概念概念关注度度中心性特征向量中心性资源建设政府政策教育大数据幸福感教学设计教育技术广播电视第一类概念（指标类型为 ，）度中心性与特征向量中心性都较高，即此类概念不仅受到较多学习者的关注，而且还被核心学习者关注，本研究将其视为社群的核心概念，进而在社群中推荐与此类概念相关的学习资源，促使学习者产生认知共鸣和集体认同感，从而提高群体驱动力。第二类概念（指标类型为，）的度中心性较高，但特征向量中心性较低，说明此类概念仅得到部分非核心学习者的关注，本研究将其视为局部核心概念，进而对关注该类概念的部分学习者推荐相应学习资源，提升这部分学习者的效能感和价值感，激发其持续进行观点输出与碰撞的内在驱动力。第三类概念（指标类型为 ，）度中心性较低，但特征向量中心性较高，说明该类概念虽未受到社群的广泛关注，但部分核心学习者对其关注度较高，本研究将此类概念视为附属概念，进而可对关注该类概念的部分学习者推荐相应学习资源。第四类概念（指标类型为，）的度中心性与特征向量中心性均较低，说明不是社群生成的重要概念，因而无需依此展开资源推荐。（）推荐学习话题以降低群体耗散力学习话题推荐主要依据话题概念关联网络中的概念关联层和话题关联层。具体思路如下：首先，提取概念关联层的核心概念和局部核心概念；接着，选取话题关联层中与这些概念关联度高的话题；最后，向社群推荐相应话题。核心概念共 个（分别为资源建设、教育大数据、学习空间、教学资源、教育信息化、联通主义、在线教学、教育公平、资源共享和互联网教育），与这些概念关联度由高到底的话题顺序依次为：课程与资源设计（次）、服务与产业发展（次）、规律与方法探索（次）、政策与系统创新（次）、技术与产品开发（次）。由此可以得到各话题在社群中的兴趣度，继而向社群中推荐高兴趣度的话题及相应学习活动，将有助于通过凝聚群体向心力、平衡个体间兴趣目标差异引起的认知冲突，降低个体边缘参与趋势和群体注意力耗散。局部核心概念共 个（分别为教育技术、教师培训、幸福感），与这些概念相关联的话题有：规律与方法探索（次）、服务与产业发展（次）、技术与产品开发（次）。尽管这三个话题未受到社群广泛关注，但可以设计相应话题活动并将其推荐给少数对其兴趣度较高的学习者，满足其个性化学习需求、避免其认知迷航问题，并通过引发小范围讨论激活社群动力。五、结语基于联通主义学习理论和群体动力理论，本研究采用多层网络分析方法构建了整合学习者关系及概念话题关系的多层网络模型，并从强化群体凝聚力、提升群体驱动力与降低群体耗散力三个维度设计了学习同伴、学习资源以及学习话题推荐的在线学习社区群体动力激活机制。该模型突破了以往多路复用网络的应用局限，引入多维型多层网络丰富了多层网络分析在教育领域中的应用。群体动力激活机制的提出将多层网络建模的研究价值从微观层面的学习规律挖掘扩展至中观层面的教学干预设计。学习同伴、资源及话题推荐策略的设计则有助于促进在线学习社区的群体动力激活、深度联通与知识创生。本研究还存在一定局限，例如仅从理论构建层面探讨了群体动力如何激活，未能形成对群体动力实际水平的量化表征；学习资源推荐规则仅依据学习者和相关概念的生成关系，未考虑学习者间交互关系，即向学习者推荐与之关联度高的其他学习者所关注的资源。此外，话题推荐策略的设计还需进一步细化，例如将话题推荐与个性化学习活动生成建立联系。未来研究应完善多层网络模型、设计迭代干预实验、构建群体动力评测模型，以提升群体动力激活机制的教学效能和联通主义学习平台的智能化水平。【参考文献】陈丽，郑勤华，徐亚倩 知识的“技术”发展史与知识的“回归”现代远程教育研究，（）：，（）：，：，（）：，：，（）：徐亚倩，陈丽 生生交互为主的在线学习复杂性规律探究 中国远程教育，（）：郭利明，杜君磊，郑勤华，等 在线学习环境中交互行为与动态认知投入分析 现代远距离教育，（）：，：？，（）：王志军，刘璐，杨阳 联通主义学习行为分析方法体系研究 开放教育研究，（）：高明，张婧婧 联通主义学习中参与者资源贡献与交互模式分析 现代远距离教育，（）：，（）：；，（）：，：，（）：，（）：任小云，段锦云，冯成志 个体采纳与群体采纳：决策过程中的两类建议采纳行为 心理科学进展，（）：宋亦芳 基于群体动力理论的社区团队学习研究 职教论坛，（）：徐晶晶，胡卫平，逯行 在线协同学习的群体动力理论模型、案例设计与实现策略 中国电化教育，（）：，？，：（），？，：（）王志军，陈丽 联通主义学习中教学交互研究的价值与关键问题 现代远程教育研究，（）：傅蕾 内部归因有助于激发学习动机？基于开放教育学习者自我效能感中介效应的分析 开放教育研究，（）：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 电化教育研究，（）：，：，（）：吴宗柠，狄增如，樊瑛 多层网络的结构与功能研究进展 电子科技大学学报，（）：，（）：陈可佳，陈利明，吴桐 多层网络社区发现研究综述 计算机科学与探索，（）：张欣 多层复杂网络理论研究进展：概念、理论和数据 复杂系统与复杂性科学，（）：陈丽，徐亚倩 联通主义的哲学观及其对教育变革的启示 教育研究，（）：张婧婧，杨业宏，王烨宇，等 国际视野中的在线交互与网络分析：回顾与展望 电化教育研究，（）：胡天慧，刘三女牙，粟柱，等 学习者同步和异步交互模式的比较与整合研究 基于社会网络和多层网络分析的方法 电化教育研究，（）：王梦倩 行为认知情感多层网络视角下在线学习共同体互动分析模型与应用 电化教育研究，（）：，（）：杨业宏，张婧婧，郑瑞昕 联通主义学习中社会交互与话题交互的网络化特征 现代远距离教育，（）：，（，）：，：，：；