论文部分内容阅读
[摘 要]随着信息时代的到来，MOOC （Massive Open Online Courses），即大型开放式网络课程作为一种新的教学手段和形式，日益受到军队院校教育领域的重视、关注和应用。以国防科技大学本科生公共基础课——军队政治工作学为例，将课程MOOC学习阶段分为前、中、后三期，基于学员在线讨论区的交流数据，采用社会网络分析法，探讨了学员不同学习阶段的网络规模参数和指标。结果表明，学员在线讨论区活跃度与课程成绩成正比，即积极讨论行为与最终成绩呈正相关关系。研究提出授课团队要重视课程讨论区的作用，了解学习需求与状况并积极促进讨论区交流，以提高军校本科学员的MOOC教学效果。
[关键词]军校本科学员；MOOC学习；社会网络分析
[中图分类号] G64 [文献标识码] A [文章编号] 2095-3437（2019）05-0030-05
一、军校本科学员MOOC学习行为
（一）MOOC学习行为及其特点
MOOC（Massive Open Online Course，大规模在线开放课程）既是远程教育领域的新发展，也是开放教育理念的新发展[1]。作为一种在线课程，MOOC参与者分布在各地，课程材料分布于网络之中，学习者通过开放访问获得大规模参与。这些课程几乎不设置用户注册门槛，大量不同知识背景、不同学习动机的学习者均可加入，基于讨论主题，通过在线讨论区发帖和回帖等方式将分散的学习者和教师联系在一起[2]。
MOOC的组成要素有物和人。物的要素包括MOOC平台与工具、课程信息和学习活动；人的要素包括课程教师、学习者和课程协调人。MOOC具有规模大、范围广、资源丰富的特点，不过其本质活动还是教与学，更多的是人与人之间的互动[3]。从MOOC课程本身的学习行为和交互活动来说，MOOC表现出如下的特征。
第一，较完整的课程结构与开放式学习模式。MOOC的课程目标、协调人、话题、时间安排、作业等资源和信息均开放且全部通过网络传播的教育形式，没有人数、时间、地点的限制。这是一种拥有大量参与者的自主化个性课程，学习者可通过多种工具或平台来使用海量资源参与学习[4]。
第二，学习者自主注册。在MOOC课程学习环境中，有些学习者可以在开始学习课程之前注册，有些学习者可以在学习课程的过程之中注册，针对不同的MOOC学习者生成不同的学习行为轨迹。
第三，自主化选择学习内容。在MOOC环境中，学习者也许只对自己感兴趣的课程内容有针对性地学习，学习课程内容的顺序、学习内容和花费时间等方面和传统课程结构不同。
第四，这是一种生成式课程。在MOOC环境中，参与学习方式、参与学习路径和学习结果等方面极具个性化，并呈现多样性。比如，课程初始时仅提供少量预先准备好的学习材料，学习者主要是通过对某一领域的话题讨论、组织活动、思考和交流获得知识。
第五，MOOC成绩。在MOOC环境中，有些学习者可能不进行考试测试，有些学习者可能进行相关课程考试测试，表现出极不规律的测试时间、测试频率等。
（二）军校本科学员MOOC学习行为
目前，军队体制下的MOOC学习专业丰富。在军队院校MOOC学习课程建设中，国防科大以“爱课程”和清华“学堂在线”等一级自行开发的“军内梦课”平台，陆续推出数据建设与应用精确打击武器装备、计算机操作基本技能和信息作战、军队政治工作学等一系列优质的精品MOOC课程，受到广泛好评，能较好地满足军校本科学员的学习需求。
本文基于国内外MOOC教学的发展趋势和大背景，围绕“服务需求、提高质量”、培养和输送高层次军队技术和军事管理人才的根本任务，采用社会网络分析方法，通过对军校本科学员MOOC学习交流行为的数据进行分析，挖掘軍校本科学员MOOC学习交流行为的影响因素及其原因，为实现更好的军队院校的MOOC教育提供理论指导。
二、研究对象
本文选择课程为国防科大基于“军事梦课”平台开设的军校本科学员MOOC军队政治工作学，该课程2014年10月上线，没有安排面授环节，现已经进入第七期。选课人数较多，选课学员和教师之间在讨论区的互动活跃，适合本文的实证研究。
本文研究数据是该课程第一期选课学员的学习行为，共有2028名学员，教师3名，成员总计有2031人。针对研究问题，本文主要考虑在线讨论区发言学员的学习行为。在讨论区参与课程讨论的共有139人，其中教师3人，交互次数为5368次。
三、研究方法
（一） 社会网络分析
社会网络分析（SNA， Social Networks Analysis），是指一种以社会行动者之间的互动研究为基础的结构性方法，它通常借助数学图形来表达社会关系，即以节点代表社会网络中的个体，以节点间连线代表个体间的联系，其中个体间的联系多种多样，包括血缘关系、地缘关系、业缘关系等[5]。经过此类转化和表达之后，结合社会网络分析的一系列理论，可以化定性描述为定量分析，这是传统分析理论所缺乏的[6-8]。将社会网络分析理论应用于军校本科学员MOOC学习行为的研究，可以为其学习行为的定量分析奠定基础。
（二） 学习行为数据挖掘与研究步骤
数据挖掘是数据库知识发现的一个步骤，一般是指从大量的数据中通过算法搜索隐藏于其中信息的过程[9]。
基于社会网络分析，军校本科学员MOOC学习行为研究步骤主要有以下几个。第一，界定分析层次及网络中的关系。第二，收集网络数据。第三，构建关系矩阵，并对关系进行测量。第四，进行数据分析，得出结论。
具体来说，通过确定分析层次为在讨论区中进行发言的人员之间的交互关系，关注这个网络中的节点等随学习阶段变化的情况[10]；并从信息中心收集该课程自开课以来的讨论区数据及最终成绩情况。由于数据庞大，我们对其进行了预处理[11]；最后将处理后的数据导入ORA（Organizational Risk Analysis）软件中，构建不同时期的社会网络图，进行社会网络相关属性的分析，得出相应的结论。 （三）数据平台
一是数据预处理平台。在我们的研究中，由于总的数据量有3万多条，且收集到的数据格式与我们所需要的不一致，因此我们需要对数据进行预处理。课程整个学习阶段的时间共计10周，我们将课程的前三周设置为课程的前期阶段，课程的中间四周设置为课程的中间阶段，课程的后三周设置为课程的后期阶段。本次研究收集了党在新形势下的强军目标课程中的学员和教员的ID、讨论区的发帖ID、回帖ID、发帖内容、发帖时间以及最终成绩等数据，以课程学员和教员在课程讨论区中所发的帖子为依据，以“发帖”和“回帖”两种行为作为关系数据以及内容分析的基础，收集了关系数据，以此为基础进行数据分析和探讨。通过运用Excel、Access、Matlab等工具对原始数据进行筛选、清理、合并等处理[12-14]。
二是社会网络分析平台。ORA是卡耐基-梅隆大学开发的动态网络评估和分析工具。它包含了数百个社会网络，动态网络度量，跟踪指标以及识别本地模式等内容[15-16]。ORA已被用来研究社会网络的时空变化情况，并且具有多种地理空间网络指标和变化检测技术，可以处理多模式、多功能、多层次的网络。它可以识别关键成员、群体和漏洞，模型网络随时间的变化而变化，并且还可以进行COA分析[17]。ORA针对节点相对较少的学习网络，在分析学习者社会网络特征，探究学习者的网络位置、学习进程的应用中有着较好的效果，适合本文的研究[18]。因此，本文将ORA选为主要的社会网络分析工具。
四、研究结果分析
（一） 网络规模和网络密度分析
1. 样本的网络规模
网络规模包括个体网规模和整体网规模。个体网规模指的是与某个核心个体直接相关的其他个体的数量；整体网规模指的是网络中包含的全部行动者的数目。依据我们对学习阶段的划分，各阶段的网络规模及社会网络图如图所示。
前期、中期学员分别是34人，后期学员人数是108人，教师分别是3人，形成如下的社会网络结构与分布（见图1、图2和图3所示）。
从以上三个阶段的分析来看，当接近考试时间时，学员在线讨论区的交互网络最为庞大，是前阶段的3倍。学期末时，教师更应该关注讨论区的动态，及时答疑，提高学生的学习效率。
2. 样本的网络密度
网络密度指一个图中各个点之间联络的紧密程度，固定规模的点之间的连线越多，该图的密度就越大。一般来说，关系紧密的团体合作行为会比较多，信息流通较易，情感支持也会较好，该网络对其中行动者的态度、行为等产生的影响就越大。
网络密度变化如下：前期网络密度：0.028；中期网络密度：0.033；后期网络密度：0.00866。网络密度的讨论需要与网络规模相联系，只有在同等规模下的讨论才有意义，前期和后期规模相同，中期网络密度最大，这说明学习的中期是巩固期，影响较大。可以看出，网络密度随网络规模的增大而减少。但是网络密度总体来说较小，这说明MOOC学习网络是一个比较稀疏的网络，彼此交流次数不多。
（二） 网络中心性分析
1. 度数中心性
点的度数中心度：点的度数中心度包括绝对度数中心度和相对度数中心度。前者是与该点直接相连的其他点的个数，后者是点的绝对中心度与图中点的最大可能的度数之比。各个阶段的度数中心性数据如下。
前期数据：总体度数中心性较高的有36506.0、120221.0和bogong，其值分别0.024、0.015和0.010。
中期数据：总体度数中心性较高的有36506.0、4.12728198307256E17和120221.0，其值分別0.027、0.024和0.015。
后期数据：总体度数中心性较高的有1.8010086636
E10、dingyiwen、huangqinsheng，其值分别0.009、0.008和0.007。
从各个阶段的度数中心性来看，学习的前期阶段和中期阶段网络变化不大，而后期阶段不仅成员增多，并且具有高度数中心性节点发生了改变，但最大值比前期和中期小，这说明后期网络变化较大，而联系的紧密程度小于前期和中期。
2. 中间中心性
点的中间中心度：测量的是行动者对资源控制的程度，也就是一个点在多大程度上位于图中其他“点对”的“中间”。如果一个点处于许多其他点对的捷径（最短的途径）上，就说该点具有较高的中间中心性，具有较高的中间中心性节点的潜在影响力较大。各个阶段的中间中心性数据如下。
前期数据：中间中心性的值较大的为ID号为36506.0的值为0.002。
中期数据：中间中心性的值较大的为ID号为36506.0的值为0.002。
后期数据：中间中心性的值较大的为ID号为1.8010086636E10和liuyongqin，其值分别为0.008和0.002。
通过度数中心性和中间中心性，我们可以看出学生36506.0是一个潜在和实际影响力都比较大的学生，但是其中间中心性为0.002仍比较小，这说明在MOOC学习中，学习者之间形成的是松耦合关系，相互影响不大。
3. 接近中心性
点的接近中心度：一个点越是与其他点接近，该点在传递信息方面就更加容易，因而可能居于网络的中心，这也说明该点具有较高的接近中心度，其计算是该点与图中所有其他点的捷径距离之和。各个阶段的接近中心性数据如下。
前期数据：接近中心性为0.01的有三人，其ID分别为14062419870921151x、1.30221198311276992E17和anzhibin，其余为0。
中期数据：接近中心性较高的有三人，其ID分别为4.12728198307256E17、14062419870921151x和1.30221 198311276992E17，其值分别为0.01。
后期数据：接近中心性均为0。
由此可见，在该课程学习中，没有一个稳定的对象充当一个组织者角色，而该角色应当由教师或助教承担，这也说明了教师在MOOC学习中对平台的使用还并不充分，需要加强引导学生之间的交流互动。
4. 特征向量中心性
特征向量中心度的目的是找出在本次课堂中最核心的成员，特征向量中心性越高的说明越核心，越小就说明该学生是处于边缘的学生，应该给予关注。各个阶段的特征向量中心性数据如下。
前期数据：ID号为36506.0、120221.0和726921.0对应的特征向量中心性分别为1、0.893、0.447。
中期数据：ID号为LG09041liyongjun、158036.0和1f0410xiongyuze特征向量中心性较高。
后期数据：ID号为dingyiwen、huangqinsheng和1.8010084076E10对应的特征向量中心性分别为0.958、0.892、0.314。
分析上述数据我们可以看出，不同阶段的核心成员不同，这可能是由于课程学习内容、结构安排不同导致的，对于那些特征向量中心性较小的成员，教师应当给予较多的关注。
（三） 凝聚子群分析
当网络中某些行动者之间的关系特别紧密，以至于结合成一个次级团体时，这样的团体在社会网络分析中被称为凝聚子群。分析网络中存在多少个这样的子群，子群内部成员之间关系的特点，子群之间关系特点，一个子群的成员与另一个子群成员之间的关系特点等就是凝聚子群分析。
本文中的社会网络是建立在互惠性基础上的凝聚子群，属于基于互惠性的凝聚子群。建立在互惠性基础上的凝聚子群主要是派系。派系常常指这样的一个子群，即其成员之间的关系都是互惠的，并且不能向其中加入任何一个成员，否则将改变这个性质。在一个无向网络图中：派系的成员至少包含三个点，其中任何两点之间都直接相关的并且不能向其中加入新的点；在有向网络图中，行动者之间的关系一定是互惠的。
前期数据：分为6个组，分别为9人、8人、7人、4人、4人、2人，密度分别为0.111、0.125、0.167、0.250、0.250、0.500。
中期数据：分为5个组，分别为10人、8人、6人、6人、4人，密度分别为0.100、0.125、0.167、0.167、0.250。
后期数据：分为10个组，分别为14人、12人、11人、11人、7人、5人、5人、5人、4人、3人密度分别为0.077、0.083、0.100、0.100、0.143、0.200、0.250、0.333、0.333和0.500。
通过上述三个阶段的比较，我们可以看出网络规模和派系数目之间成正比，最稳定的派系是两人派系，派系密度与派系组成人员数成反比。对于派系学习，内部联系的影响力远远大于派系间的联系，在这种情况下，学员对教师的依赖在降低，派系间的交流也在降低。从后期阶段来看，派系成员数最多的是两人，这说明学习者之间的互动交流比较分散。从数据的变化看，前期、中期派系规模相对较大，但参与人数较少，此时学员之间的交流具有主动性，而后期出现大量的两人派系，且缺少能将这些小派系串联起来的角色，结合实际情况来看，这来源于部分学员为完成课程任务被动在讨论区留言互动。这说明当前的MOOC学习大部分学员参与讨论的积极性不够，教师、助教等需要发挥更好地串联作用。
五、结论
本文主要采用社会网络分析法，利用ORA、ACESS和Matlab等软件对党在新形势下的强军目标这门MOOC课程的学习讨论进行了社会网络建模并对该社会网络在不同学习阶段的网络属性进行了分析讨论，结合军队体制下MOOC学习的特点，提出了该体制下MOOC学习的建议。通过研究，我们发现MOOC学习是一个自主化的个性学习方式，各参与者之间的交流较传统方式较少，但是这是一种与军队体制及当下军人需求相适应的学习方式，对此我们提出以下几点建议。
（一）发挥讨论区的作用
通过本文的研究，我们发现MOOC的讨论区网络属于稀疏网络，学习者之间的互动交流较少，这是由于参与者来自各个地区，学习背景、学习能力等各不相同导致的必然结果。因此，建议在MOOC注册环节中，可采集学习者的地区、爱好等各方面的个人信息，并作为公共信息来帮助学习者找到同伴，建立学习共同体，促进讨论区的交流和学习，以发挥讨论区的作用。
（二）邀请有经验的人员助推讨论区活动
通过对讨論区的社会网络分析可以看出，每个派系都有相应的核心者，具有相对较大的影响力和话语权。通过有经验的人员参与讨论区的研讨并成为相应派系的核心人物，一方面可以提高讨论区的活跃度，分享自己的知识并解决学习者的问题；另一方面，有经验的人员可以通过讨论区的参与来更新自己的知识，通过讨论与探索，提高自己的知识水平，这是一个用共赢的手段来推动MOOC学习的方法。
（三）教师及管理人员应利用社会网络及时掌握学习者的学习情况
在MOOC讨论区开始形成的阶段，教师或管理人员应该为新加入MOOC的学习者建立良好的社会情感沟通的氛围，如组织学员签到、自我介绍等活动，让学员尽快融入讨论区中。在讨论区发展过程中，教师应根据社会网络，探索网络属性，如核心人员与边缘人员，发挥核心人员的影响力，对于边缘人员应当给予一定的鼓励，保证每名学员都可以投入到学习当中。
[ 参 考 文 献 ]
[1] 刘三，石月凤，刘智，彭晛，孙建文. 网络环境下群体互动学习分析的应用研究——基于社会网络分析的视角[J]. 中国电化教育，2017（2）：5-12.
[2] 汪曼. 国内社会网络分析应用现状研究[J]. 情报工程，2016（5）：75-85. [3] 刘冰. 社会网络视角下慕课学习者互动关系研究[J]. 宁波大学学报（教育科学版），2016（5）：62-69.
[4] 杨乐. 基于MOOC的自主个性化学习环境设计策略研究[J]. 实验技术与管理，2016（4）：169-171.
[5] 康伟，陈茜，陈波. 公共管理研究领域中的社会网络分析[J]. 公共行政评论，2014（6）：129-151+166.
[6] 万昆，叶冬连，邹剑霞. 优质网络公开课中师生互动的社会网络分析——以哈佛《公正》课为例[J]. 软件导刊（教育技术），2014（5）：35-37.
[7] 郝丹. 国内MOOC研究现状的文献分析[J]. 中国远程教育，2013（11）：42-50.
[8] 徐振宇. 社会网络分析在经济学领域的应用进展[J]. 经济学动态，2013（10）：61-72.
[9] 贺斌，薛耀锋. 网络学习空间的建构——教育信息化思维与实践的变革[J]. 开放教育研究，2013（4）：84-95.
[10] 梁斌，包昊罡. 虚拟学习社区社会网络结构的比较研究[J]. 继续教育，2013（7）：34-37.
[11] 赵丽娟. 社会网络分析的基本理论方法及其在情报学中的应用[J]. 图书馆学研究，2011（20）：9-12.
[12] 陈鹏，李艳燕. CSCL中基于数据挖掘的角色分析研究[J]. 现代远程教育研究，2011（1）：84-88.
[13] 邓蓉敬. 国内外关于网络群体性事件的研究综述[J]. 天水行政学院学报，2010（6）：50-54.
[14] 费钟琳，王京安. 社会网络分析：一种管理研究方法和视角[J]. 科技管理研究，2010（24）：216-219.
[15] 胡勇. 网络教学中的教师角色实证研究[J]. 开放教育研究，2009（2）：92-96.
[16] 張明智，余永阳，胡晓峰，司光亚. 虚拟社会仿真中的人际关系网络模型研究[J]. 计算机仿真，2009（2）：14-17.
[17] 王陆. 虚拟学习社区的社会网络分析[J]. 中国电化教育，2009（2）：5-11.
[18] 覃学健，李翠白. 虚拟学习社区的社会网络分析研究[J]. 现代教育技术，2009（2）：26-29.
[责任编辑：陈 明]
[关键词]军校本科学员；MOOC学习；社会网络分析
[中图分类号] G64 [文献标识码] A [文章编号] 2095-3437（2019）05-0030-05
一、军校本科学员MOOC学习行为
（一）MOOC学习行为及其特点
MOOC（Massive Open Online Course，大规模在线开放课程）既是远程教育领域的新发展，也是开放教育理念的新发展[1]。作为一种在线课程，MOOC参与者分布在各地，课程材料分布于网络之中，学习者通过开放访问获得大规模参与。这些课程几乎不设置用户注册门槛，大量不同知识背景、不同学习动机的学习者均可加入，基于讨论主题，通过在线讨论区发帖和回帖等方式将分散的学习者和教师联系在一起[2]。
MOOC的组成要素有物和人。物的要素包括MOOC平台与工具、课程信息和学习活动；人的要素包括课程教师、学习者和课程协调人。MOOC具有规模大、范围广、资源丰富的特点，不过其本质活动还是教与学，更多的是人与人之间的互动[3]。从MOOC课程本身的学习行为和交互活动来说，MOOC表现出如下的特征。
第一，较完整的课程结构与开放式学习模式。MOOC的课程目标、协调人、话题、时间安排、作业等资源和信息均开放且全部通过网络传播的教育形式，没有人数、时间、地点的限制。这是一种拥有大量参与者的自主化个性课程，学习者可通过多种工具或平台来使用海量资源参与学习[4]。
第二，学习者自主注册。在MOOC课程学习环境中，有些学习者可以在开始学习课程之前注册，有些学习者可以在学习课程的过程之中注册，针对不同的MOOC学习者生成不同的学习行为轨迹。
第三，自主化选择学习内容。在MOOC环境中，学习者也许只对自己感兴趣的课程内容有针对性地学习，学习课程内容的顺序、学习内容和花费时间等方面和传统课程结构不同。
第四，这是一种生成式课程。在MOOC环境中，参与学习方式、参与学习路径和学习结果等方面极具个性化，并呈现多样性。比如，课程初始时仅提供少量预先准备好的学习材料，学习者主要是通过对某一领域的话题讨论、组织活动、思考和交流获得知识。
第五，MOOC成绩。在MOOC环境中，有些学习者可能不进行考试测试，有些学习者可能进行相关课程考试测试，表现出极不规律的测试时间、测试频率等。
（二）军校本科学员MOOC学习行为
目前，军队体制下的MOOC学习专业丰富。在军队院校MOOC学习课程建设中，国防科大以“爱课程”和清华“学堂在线”等一级自行开发的“军内梦课”平台，陆续推出数据建设与应用精确打击武器装备、计算机操作基本技能和信息作战、军队政治工作学等一系列优质的精品MOOC课程，受到广泛好评，能较好地满足军校本科学员的学习需求。
本文基于国内外MOOC教学的发展趋势和大背景，围绕“服务需求、提高质量”、培养和输送高层次军队技术和军事管理人才的根本任务，采用社会网络分析方法，通过对军校本科学员MOOC学习交流行为的数据进行分析，挖掘軍校本科学员MOOC学习交流行为的影响因素及其原因，为实现更好的军队院校的MOOC教育提供理论指导。
二、研究对象
本文选择课程为国防科大基于“军事梦课”平台开设的军校本科学员MOOC军队政治工作学，该课程2014年10月上线，没有安排面授环节，现已经进入第七期。选课人数较多，选课学员和教师之间在讨论区的互动活跃，适合本文的实证研究。
本文研究数据是该课程第一期选课学员的学习行为，共有2028名学员，教师3名，成员总计有2031人。针对研究问题，本文主要考虑在线讨论区发言学员的学习行为。在讨论区参与课程讨论的共有139人，其中教师3人，交互次数为5368次。
三、研究方法
（一） 社会网络分析
社会网络分析（SNA， Social Networks Analysis），是指一种以社会行动者之间的互动研究为基础的结构性方法，它通常借助数学图形来表达社会关系，即以节点代表社会网络中的个体，以节点间连线代表个体间的联系，其中个体间的联系多种多样，包括血缘关系、地缘关系、业缘关系等[5]。经过此类转化和表达之后，结合社会网络分析的一系列理论，可以化定性描述为定量分析，这是传统分析理论所缺乏的[6-8]。将社会网络分析理论应用于军校本科学员MOOC学习行为的研究，可以为其学习行为的定量分析奠定基础。
（二） 学习行为数据挖掘与研究步骤
数据挖掘是数据库知识发现的一个步骤，一般是指从大量的数据中通过算法搜索隐藏于其中信息的过程[9]。
基于社会网络分析，军校本科学员MOOC学习行为研究步骤主要有以下几个。第一，界定分析层次及网络中的关系。第二，收集网络数据。第三，构建关系矩阵，并对关系进行测量。第四，进行数据分析，得出结论。
具体来说，通过确定分析层次为在讨论区中进行发言的人员之间的交互关系，关注这个网络中的节点等随学习阶段变化的情况[10]；并从信息中心收集该课程自开课以来的讨论区数据及最终成绩情况。由于数据庞大，我们对其进行了预处理[11]；最后将处理后的数据导入ORA（Organizational Risk Analysis）软件中，构建不同时期的社会网络图，进行社会网络相关属性的分析，得出相应的结论。 （三）数据平台
一是数据预处理平台。在我们的研究中，由于总的数据量有3万多条，且收集到的数据格式与我们所需要的不一致，因此我们需要对数据进行预处理。课程整个学习阶段的时间共计10周，我们将课程的前三周设置为课程的前期阶段，课程的中间四周设置为课程的中间阶段，课程的后三周设置为课程的后期阶段。本次研究收集了党在新形势下的强军目标课程中的学员和教员的ID、讨论区的发帖ID、回帖ID、发帖内容、发帖时间以及最终成绩等数据，以课程学员和教员在课程讨论区中所发的帖子为依据，以“发帖”和“回帖”两种行为作为关系数据以及内容分析的基础，收集了关系数据，以此为基础进行数据分析和探讨。通过运用Excel、Access、Matlab等工具对原始数据进行筛选、清理、合并等处理[12-14]。
二是社会网络分析平台。ORA是卡耐基-梅隆大学开发的动态网络评估和分析工具。它包含了数百个社会网络，动态网络度量，跟踪指标以及识别本地模式等内容[15-16]。ORA已被用来研究社会网络的时空变化情况，并且具有多种地理空间网络指标和变化检测技术，可以处理多模式、多功能、多层次的网络。它可以识别关键成员、群体和漏洞，模型网络随时间的变化而变化，并且还可以进行COA分析[17]。ORA针对节点相对较少的学习网络，在分析学习者社会网络特征，探究学习者的网络位置、学习进程的应用中有着较好的效果，适合本文的研究[18]。因此，本文将ORA选为主要的社会网络分析工具。
四、研究结果分析
（一） 网络规模和网络密度分析
1. 样本的网络规模
网络规模包括个体网规模和整体网规模。个体网规模指的是与某个核心个体直接相关的其他个体的数量；整体网规模指的是网络中包含的全部行动者的数目。依据我们对学习阶段的划分，各阶段的网络规模及社会网络图如图所示。
前期、中期学员分别是34人，后期学员人数是108人，教师分别是3人，形成如下的社会网络结构与分布（见图1、图2和图3所示）。
从以上三个阶段的分析来看，当接近考试时间时，学员在线讨论区的交互网络最为庞大，是前阶段的3倍。学期末时，教师更应该关注讨论区的动态，及时答疑，提高学生的学习效率。
2. 样本的网络密度
网络密度指一个图中各个点之间联络的紧密程度，固定规模的点之间的连线越多，该图的密度就越大。一般来说，关系紧密的团体合作行为会比较多，信息流通较易，情感支持也会较好，该网络对其中行动者的态度、行为等产生的影响就越大。
网络密度变化如下：前期网络密度：0.028；中期网络密度：0.033；后期网络密度：0.00866。网络密度的讨论需要与网络规模相联系，只有在同等规模下的讨论才有意义，前期和后期规模相同，中期网络密度最大，这说明学习的中期是巩固期，影响较大。可以看出，网络密度随网络规模的增大而减少。但是网络密度总体来说较小，这说明MOOC学习网络是一个比较稀疏的网络，彼此交流次数不多。
（二） 网络中心性分析
1. 度数中心性
点的度数中心度：点的度数中心度包括绝对度数中心度和相对度数中心度。前者是与该点直接相连的其他点的个数，后者是点的绝对中心度与图中点的最大可能的度数之比。各个阶段的度数中心性数据如下。
前期数据：总体度数中心性较高的有36506.0、120221.0和bogong，其值分别0.024、0.015和0.010。
中期数据：总体度数中心性较高的有36506.0、4.12728198307256E17和120221.0，其值分別0.027、0.024和0.015。
后期数据：总体度数中心性较高的有1.8010086636
E10、dingyiwen、huangqinsheng，其值分别0.009、0.008和0.007。
从各个阶段的度数中心性来看，学习的前期阶段和中期阶段网络变化不大，而后期阶段不仅成员增多，并且具有高度数中心性节点发生了改变，但最大值比前期和中期小，这说明后期网络变化较大，而联系的紧密程度小于前期和中期。
2. 中间中心性
点的中间中心度：测量的是行动者对资源控制的程度，也就是一个点在多大程度上位于图中其他“点对”的“中间”。如果一个点处于许多其他点对的捷径（最短的途径）上，就说该点具有较高的中间中心性，具有较高的中间中心性节点的潜在影响力较大。各个阶段的中间中心性数据如下。
前期数据：中间中心性的值较大的为ID号为36506.0的值为0.002。
中期数据：中间中心性的值较大的为ID号为36506.0的值为0.002。
后期数据：中间中心性的值较大的为ID号为1.8010086636E10和liuyongqin，其值分别为0.008和0.002。
通过度数中心性和中间中心性，我们可以看出学生36506.0是一个潜在和实际影响力都比较大的学生，但是其中间中心性为0.002仍比较小，这说明在MOOC学习中，学习者之间形成的是松耦合关系，相互影响不大。
3. 接近中心性
点的接近中心度：一个点越是与其他点接近，该点在传递信息方面就更加容易，因而可能居于网络的中心，这也说明该点具有较高的接近中心度，其计算是该点与图中所有其他点的捷径距离之和。各个阶段的接近中心性数据如下。
前期数据：接近中心性为0.01的有三人，其ID分别为14062419870921151x、1.30221198311276992E17和anzhibin，其余为0。
中期数据：接近中心性较高的有三人，其ID分别为4.12728198307256E17、14062419870921151x和1.30221 198311276992E17，其值分别为0.01。
后期数据：接近中心性均为0。
由此可见，在该课程学习中，没有一个稳定的对象充当一个组织者角色，而该角色应当由教师或助教承担，这也说明了教师在MOOC学习中对平台的使用还并不充分，需要加强引导学生之间的交流互动。
4. 特征向量中心性
特征向量中心度的目的是找出在本次课堂中最核心的成员，特征向量中心性越高的说明越核心，越小就说明该学生是处于边缘的学生，应该给予关注。各个阶段的特征向量中心性数据如下。
前期数据：ID号为36506.0、120221.0和726921.0对应的特征向量中心性分别为1、0.893、0.447。
中期数据：ID号为LG09041liyongjun、158036.0和1f0410xiongyuze特征向量中心性较高。
后期数据：ID号为dingyiwen、huangqinsheng和1.8010084076E10对应的特征向量中心性分别为0.958、0.892、0.314。
分析上述数据我们可以看出，不同阶段的核心成员不同，这可能是由于课程学习内容、结构安排不同导致的，对于那些特征向量中心性较小的成员，教师应当给予较多的关注。
（三） 凝聚子群分析
当网络中某些行动者之间的关系特别紧密，以至于结合成一个次级团体时，这样的团体在社会网络分析中被称为凝聚子群。分析网络中存在多少个这样的子群，子群内部成员之间关系的特点，子群之间关系特点，一个子群的成员与另一个子群成员之间的关系特点等就是凝聚子群分析。
本文中的社会网络是建立在互惠性基础上的凝聚子群，属于基于互惠性的凝聚子群。建立在互惠性基础上的凝聚子群主要是派系。派系常常指这样的一个子群，即其成员之间的关系都是互惠的，并且不能向其中加入任何一个成员，否则将改变这个性质。在一个无向网络图中：派系的成员至少包含三个点，其中任何两点之间都直接相关的并且不能向其中加入新的点；在有向网络图中，行动者之间的关系一定是互惠的。
前期数据：分为6个组，分别为9人、8人、7人、4人、4人、2人，密度分别为0.111、0.125、0.167、0.250、0.250、0.500。
中期数据：分为5个组，分别为10人、8人、6人、6人、4人，密度分别为0.100、0.125、0.167、0.167、0.250。
后期数据：分为10个组，分别为14人、12人、11人、11人、7人、5人、5人、5人、4人、3人密度分别为0.077、0.083、0.100、0.100、0.143、0.200、0.250、0.333、0.333和0.500。
通过上述三个阶段的比较，我们可以看出网络规模和派系数目之间成正比，最稳定的派系是两人派系，派系密度与派系组成人员数成反比。对于派系学习，内部联系的影响力远远大于派系间的联系，在这种情况下，学员对教师的依赖在降低，派系间的交流也在降低。从后期阶段来看，派系成员数最多的是两人，这说明学习者之间的互动交流比较分散。从数据的变化看，前期、中期派系规模相对较大，但参与人数较少，此时学员之间的交流具有主动性，而后期出现大量的两人派系，且缺少能将这些小派系串联起来的角色，结合实际情况来看，这来源于部分学员为完成课程任务被动在讨论区留言互动。这说明当前的MOOC学习大部分学员参与讨论的积极性不够，教师、助教等需要发挥更好地串联作用。
五、结论
本文主要采用社会网络分析法，利用ORA、ACESS和Matlab等软件对党在新形势下的强军目标这门MOOC课程的学习讨论进行了社会网络建模并对该社会网络在不同学习阶段的网络属性进行了分析讨论，结合军队体制下MOOC学习的特点，提出了该体制下MOOC学习的建议。通过研究，我们发现MOOC学习是一个自主化的个性学习方式，各参与者之间的交流较传统方式较少，但是这是一种与军队体制及当下军人需求相适应的学习方式，对此我们提出以下几点建议。
（一）发挥讨论区的作用
通过本文的研究，我们发现MOOC的讨论区网络属于稀疏网络，学习者之间的互动交流较少，这是由于参与者来自各个地区，学习背景、学习能力等各不相同导致的必然结果。因此，建议在MOOC注册环节中，可采集学习者的地区、爱好等各方面的个人信息，并作为公共信息来帮助学习者找到同伴，建立学习共同体，促进讨论区的交流和学习，以发挥讨论区的作用。
（二）邀请有经验的人员助推讨论区活动
通过对讨論区的社会网络分析可以看出，每个派系都有相应的核心者，具有相对较大的影响力和话语权。通过有经验的人员参与讨论区的研讨并成为相应派系的核心人物，一方面可以提高讨论区的活跃度，分享自己的知识并解决学习者的问题；另一方面，有经验的人员可以通过讨论区的参与来更新自己的知识，通过讨论与探索，提高自己的知识水平，这是一个用共赢的手段来推动MOOC学习的方法。
（三）教师及管理人员应利用社会网络及时掌握学习者的学习情况
在MOOC讨论区开始形成的阶段，教师或管理人员应该为新加入MOOC的学习者建立良好的社会情感沟通的氛围，如组织学员签到、自我介绍等活动，让学员尽快融入讨论区中。在讨论区发展过程中，教师应根据社会网络，探索网络属性，如核心人员与边缘人员，发挥核心人员的影响力，对于边缘人员应当给予一定的鼓励，保证每名学员都可以投入到学习当中。
[ 参 考 文 献 ]
[1] 刘三，石月凤，刘智，彭晛，孙建文. 网络环境下群体互动学习分析的应用研究——基于社会网络分析的视角[J]. 中国电化教育，2017（2）：5-12.
[2] 汪曼. 国内社会网络分析应用现状研究[J]. 情报工程，2016（5）：75-85. [3] 刘冰. 社会网络视角下慕课学习者互动关系研究[J]. 宁波大学学报（教育科学版），2016（5）：62-69.
[4] 杨乐. 基于MOOC的自主个性化学习环境设计策略研究[J]. 实验技术与管理，2016（4）：169-171.
[5] 康伟，陈茜，陈波. 公共管理研究领域中的社会网络分析[J]. 公共行政评论，2014（6）：129-151+166.
[6] 万昆，叶冬连，邹剑霞. 优质网络公开课中师生互动的社会网络分析——以哈佛《公正》课为例[J]. 软件导刊（教育技术），2014（5）：35-37.
[7] 郝丹. 国内MOOC研究现状的文献分析[J]. 中国远程教育，2013（11）：42-50.
[8] 徐振宇. 社会网络分析在经济学领域的应用进展[J]. 经济学动态，2013（10）：61-72.
[9] 贺斌，薛耀锋. 网络学习空间的建构——教育信息化思维与实践的变革[J]. 开放教育研究，2013（4）：84-95.
[10] 梁斌，包昊罡. 虚拟学习社区社会网络结构的比较研究[J]. 继续教育，2013（7）：34-37.
[11] 赵丽娟. 社会网络分析的基本理论方法及其在情报学中的应用[J]. 图书馆学研究，2011（20）：9-12.
[12] 陈鹏，李艳燕. CSCL中基于数据挖掘的角色分析研究[J]. 现代远程教育研究，2011（1）：84-88.
[13] 邓蓉敬. 国内外关于网络群体性事件的研究综述[J]. 天水行政学院学报，2010（6）：50-54.
[14] 费钟琳，王京安. 社会网络分析：一种管理研究方法和视角[J]. 科技管理研究，2010（24）：216-219.
[15] 胡勇. 网络教学中的教师角色实证研究[J]. 开放教育研究，2009（2）：92-96.
[16] 張明智，余永阳，胡晓峰，司光亚. 虚拟社会仿真中的人际关系网络模型研究[J]. 计算机仿真，2009（2）：14-17.
[17] 王陆. 虚拟学习社区的社会网络分析[J]. 中国电化教育，2009（2）：5-11.
[18] 覃学健，李翠白. 虚拟学习社区的社会网络分析研究[J]. 现代教育技术，2009（2）：26-29.
[责任编辑：陈 明]