冷 靜 徐浩鑫

（1.華東師范大學 教育學部 教育信息技術(shù)學系；2.華東師范大學 上海數(shù)字化教育裝備工程技術(shù)研究中心，上海200062）

一、引言

隨著人工智能時代的到來，當今社會越來越需要具備跨界融合、創(chuàng)新能力的人才；而全球各國之間激烈的經(jīng)濟與科技競爭，對于強化智能基礎(chǔ)教育的呼聲也日益增高。 為了更好地培養(yǎng)智能時代的人才，必須改變傳統(tǒng)的停留于淺表學習的教學模式， 采取能夠促進學生積極參與解決復雜問題的教學模式。 深度學習強調(diào)對學生的高階認知目標和高階思維能力的培養(yǎng)[1]，并注重學生的行為和情感等方面的投入，幫助學生構(gòu)建復雜的認知結(jié)構(gòu)，是一種主動且有意義的學習[2]。目前，對深度學習的效果研究大多是采用問卷或測試題的方式進行[3-4]。 這些評價方式往往都是結(jié)果性的測評，而非對過程進行分析[5]。 換句話說，這種測評是對深度學習的不同維度分別進行評價， 是一種“分散式”的測評。 然而，深度學習是一種強調(diào)綜合性的學習方式，應該對各個維度進行綜合考慮。 而如何對深度學習所關(guān)注的這些維度進行全面的、 綜合的、動態(tài)的評估，仍是一個亟待解決的問題[6]。

為了更好地探尋深度學習表征的新路徑，我們引入一種結(jié)合了定性和定量分析的新研究方法——社會認知網(wǎng)絡特征（Social Epistemic Network Signature，SENS）。 首先，通過對相關(guān)研究的梳理，論證了SENS與深度學習的契合關(guān)系，接著，提出了SENS 在深度學習中的一般應用步驟，然后，通過兩個案例對SENS的應用進行介紹，最后，給出使用SENS 的一些經(jīng)驗與建議。 在當今大數(shù)據(jù)背景下，依靠SENS 中的統(tǒng)計方法能夠較好地對定量數(shù)據(jù)進行表征，發(fā)現(xiàn)有意義的深度學習模式，從而提供了一種新的途徑來探析深度學習，并提供智能化的教學策略。

二、相關(guān)理論

（一）深度學習

隨著知識經(jīng)濟和信息時代的飛速發(fā)展， 深度學習越來越受到國內(nèi)外教育研究者的重視與關(guān)注[7-8]。Marton 等人早在1976 年就提出教育領(lǐng)域中深度學習的概念[9]，他們根據(jù)學生的信息加工方式，指出學生的學習有深度學習和淺層學習之分。 2012 年，美國國家研究委員會（National Research Council，NRC）在對深度學習的定義中， 強調(diào)知識與技能的可遷移性，并將深度學習能力分成三個維度：認知領(lǐng)域、人際領(lǐng)域和個人領(lǐng)域[10]。 還有一些研究者開展了面向深度學習的項目， 旨在探究教學策略對深度學習的促進作用[11]。 此外，美國研究院進行了一個實驗項目， 其研究目標是調(diào)查分析實驗學校培養(yǎng)學生六種深度學習能力（包括掌握核心學科知識、批判性思維和復雜問題解決、團隊協(xié)作、有效溝通、學會學習、學術(shù)毅力）的策略與途徑，以及這些培養(yǎng)策略與途徑所帶來的學習結(jié)果[12]。 基于前人的研究，祝智庭等人將深度學習的六種能力分別對應到三大領(lǐng)域， 得到了如表1 所示的深度學習能力框架[13]。

表1 深度學習的能力框架

雖然現(xiàn)階段我們對深度學習的定義和內(nèi)涵，已經(jīng)有了較為清晰的界定， 但對如何區(qū)分學生的認知深度，仍需要進一步探究。 例如，在進行深度學習的效果分析時，認知領(lǐng)域可使用PISA 測試評估學生的批判性思維和問題解決等能力， 使用英語語言藝術(shù)和數(shù)學測試（ELA）來評估學生的核心學科知識掌握情況；在人際和個人領(lǐng)域，可使用問卷調(diào)查的方式來獲取關(guān)于人際和個人能力方面的數(shù)據(jù)[14]。 陳蓓蕾等人在探究促進大學生深度學習的研究中， 也采用了問卷和測試題的方式[15]。 這些評估方式固然能夠在一定程度上對深度學習效果進行分析，但是，如何對深度學習的過程進行動態(tài)的捕捉及分析， 以及如何對深度學習的三個領(lǐng)域進行綜合的評估與分析，仍需要進一步的研究。

（二）社會網(wǎng)絡分析

為了探究深度學習的人際領(lǐng)域， 可使用社會網(wǎng)絡分析（Social Network Analysis，SNA）的方法來進行挖掘。SNA 是對學習者之間關(guān)系的研究，是一種用來分析人際之間關(guān)系的理論和方法， 它強調(diào)人與人之間的普遍聯(lián)系， 可以對個體或群體的社交特征進行分析。 它使用不同的特征值來評價在社會網(wǎng)絡中的個體，如，點度中心度、接近中心度、中間中心度、特征向量中心度等[16]。 這些特征值，能夠?qū)Ω鞣N社會關(guān)系進行精確的量化表征和分析，從而揭示其結(jié)構(gòu)，并對其產(chǎn)生的各種現(xiàn)象進行更加深刻而具體的解釋，能夠反映出不同個體在同一個社會網(wǎng)絡中的人際交流和溝通情況。有研究表明，SNA 的一些特征值與學習成績、創(chuàng)新潛力和社群意識等結(jié)果正相關(guān)[17-18]。 此外，SNA 還可以識別出與社交網(wǎng)絡其他部分相比具有更強聯(lián)系的參與者群體， 這種對社會網(wǎng)絡中的個體進行群體劃分的方法，稱之為社群識別。所識別出來的社群里的個體，通常具有相類似的特征，這將有助于我們深入了解網(wǎng)絡形成的過程。因此，深度學習中的團隊協(xié)作能力和人際溝通能力， 可以通過學習者在社會網(wǎng)絡中的特征值進行分析。

雖然，SNA 能夠?qū)ι疃葘W習中的人際領(lǐng)域進行分析，但僅使用這一方法，并不能準確、清晰地對不同個體或群體進行定位。學習者在學習的過程中，其社會網(wǎng)絡會受到共享的信息類型、 傳播內(nèi)容以及社會與認知過程激活等因素的影響[19]。 因此，在深度學習的研究中， 僅僅使用社會網(wǎng)絡分析來研究交流與協(xié)作的模式是不夠的， 還應該加上對于交互內(nèi)容的分析。 缺乏內(nèi)容的社交網(wǎng)絡模型注定會失敗，因為，群體互動從來都是和內(nèi)容相關(guān)的[20]。

（三）認知網(wǎng)絡分析

在深度學習的認知和個人領(lǐng)域， 可以使用認知網(wǎng)絡分析（Epistemic Network Analysis，ENA）的方法來進行分析。 ENA 通過對話語數(shù)據(jù)進行定量分析，來描述個人或團體的認知框架模式[21]。 它是認知框架學習科學理論的“操作化”[22]，著眼于復雜領(lǐng)域的專門知識，是知識、技能、價值和決策過程之間的連接網(wǎng)絡。 ENA 利用了行為交互、通信、認知和其他相關(guān)的群體交互特征， 這些特征可以用在內(nèi)容分析中使用的適當編碼方案來表征。具體地說，認知網(wǎng)絡是通過使用分配給協(xié)作節(jié)點的差異元素的編碼來構(gòu)造的，其中，網(wǎng)絡的節(jié)點是編碼本身。 節(jié)點之間的連接基于相關(guān)分析單元內(nèi)的編碼的共現(xiàn)關(guān)系而建立。ENA 通過節(jié)點間連接的強度和網(wǎng)絡結(jié)構(gòu)的變化，來表征特征要素的發(fā)展變化，如，高績效團隊與低績效團隊的認知網(wǎng)絡差異， 或高績效團隊在不同時間的認知網(wǎng)絡差異以及變化軌跡等。

雖然，ENA 提供了強大的機制來分析協(xié)作話語的相關(guān)特征之間的聯(lián)系， 但其不能針對以下問題進行分析：對于學習者在活動中所扮演的角色、學習中形成的社會結(jié)構(gòu)、學習過程中創(chuàng)建的子社群、合作者之間形成聯(lián)系的原則等[23]。 然而，這些問題正是SNA可以進行分析的。因此，為了更好地對深度學習進行探究，我們需要結(jié)合SNA 和ENA，形成SENS 這樣一種能夠監(jiān)控和支持深度學習評估的網(wǎng)絡分析技術(shù)。 由此，既可以了解個體或群體的社會網(wǎng)絡，對其人際領(lǐng)域進行分析； 也能夠更好地追蹤學習者的認知網(wǎng)絡，對其認知和自我領(lǐng)域進行分析。

三、SENS 研究方法

SENS 最開始是由Dragan Ga?evic＇等人提出，用于對在線協(xié)作學習進行研究[24]。 它將現(xiàn)有的分析技術(shù)系統(tǒng)地結(jié)合起來，以解決學習分析過程中存在的問題。 具體來說，首先，SENS 對學習者的社會交互關(guān)系進行提取和建模，接著，利用該模型對學習者進行社群的劃分，最后，利用認知網(wǎng)絡分析不同社群的認知網(wǎng)絡特征。 如，探究高績效社群與低績效社群的整體認知網(wǎng)絡差異，并為低績效社群進行相應的干預和反饋等。

圖1 中展示了SENS 在深度學習中的一般應用步驟。 首先，深度學習的人際領(lǐng)域可以使用SNA 的方法進行分析，SNA 通過學習者之間的交互關(guān)系來構(gòu)建社會網(wǎng)絡， 用于分析學習者之間的人際交互關(guān)系[25]，探究他們在深度學習過程中的協(xié)同和溝通。 接著， 對于深度學習的認知和自我領(lǐng)域， 可以使用ENA 的方法來分析，ENA 通過對協(xié)作的話語數(shù)據(jù)進行內(nèi)容分析，從而動態(tài)地提取與認知、知識和能力相關(guān)的網(wǎng)絡模型，并通過該模型，深度追蹤和分析學生的認知架構(gòu)、狀態(tài)、聯(lián)系和發(fā)展歷程等內(nèi)隱信息[26]。雖然這兩種方法可以被用于對深度學習的分析，但它們的結(jié)合使用仍受到一些限制， 且尚未在網(wǎng)絡分析方法的水平上被提出。SENS 正是這樣一種新的結(jié)合了SNA 與ENA 的研究方法， 能夠較好地對應深度學習的三個領(lǐng)域。 以在線學習平臺上的深度學習分析為例，平臺上記錄了大量的學習行為數(shù)據(jù)，如，學習者信息、在線討論數(shù)據(jù)、學習和認知過程等。 對應深度學習的三大領(lǐng)域， 表2 中列出了三個方面具體的數(shù)據(jù)選擇和處理方法。

（一）數(shù)據(jù)獲取

圖1 SENS 在深度學習中的一般應用步驟

表2 深度學習三大領(lǐng)域及其對應的數(shù)據(jù)選擇和處理方法

SENS 的第一步是進行數(shù)據(jù)的獲取。 由于SENS需要進行內(nèi)容分析和社會網(wǎng)絡分析，所以，必須在獲取數(shù)據(jù)的同時，得到學習者在學習活動中的話語數(shù)據(jù)和交互關(guān)系。 話語數(shù)據(jù)一般是指學習者的交流文本、語音或者視頻，即記錄了學習者交流內(nèi)容的數(shù)據(jù)，這些數(shù)據(jù)能夠反映學習者的認知、知識和自我等方面的信息。 交互關(guān)系是指學生在交流溝通過程中的信息流向，如，學習者A 與學習者B 之間的一次對話， 或者學習者A 對學習者B 的一次回帖，這些交互信息需要被記錄下來以用于后面的社會網(wǎng)絡分析。 另外，SENS 需要盡可能地獲取到與學習者相關(guān)的其他信息，比如，學業(yè)成績、學習背景、學習意圖以及性別、年齡等人口統(tǒng)計數(shù)據(jù)，以便對學習者進行更加深入細致的分析。 如，使用這些數(shù)據(jù)進行更加精確的社群識別，或分析在學習過程中不同學習背景、不同年齡段或不同性別在深度學習各個領(lǐng)域的差異等。

（二）社會關(guān)系提取

SENS 的第二步是進行社會關(guān)系的提取。為了研究學習者在深度學習活動中扮演的角色以及形成的社群， 需要提取一個有向加權(quán)圖來表示在討論過程中所發(fā)生的交互。具體來說，如果在給定的討論數(shù)據(jù)中，學習者A 回復了學習者B 發(fā)布的消息，那么，將會有一個定向邊A-＞B；同理，如果學習者C 回復了學習者A 的消息，也會有一個定向邊C-＞A；若是學習者A 再次回復了學習者B 的消息， 那么A-＞B 這條邊的權(quán)重增加1。 按照此方式，可以對所有學習者的話語數(shù)據(jù)進行社會關(guān)系的提取。

（三）社會網(wǎng)絡的構(gòu)建

SENS 的第三步是社會網(wǎng)絡的構(gòu)建。在提取完社會關(guān)系之后，需要構(gòu)建社會網(wǎng)絡圖，然后，利用其進行社群識別。 社群識別是指利用某種方法將網(wǎng)絡劃分成內(nèi)部聯(lián)系緊密、相互之間聯(lián)系稀疏的簇，每一個簇即代表一個社群，在同一個社群的成員，往往具備某些相似的特征。 常用的社群識別算法有Kernighan-Lin 算法、GN 算法、主題模型PLSA、Sim-Rank 算法、RankClus 算法、NetClus 算法以及Louvain 算法等。不同的算法各有優(yōu)劣，在使用時可根據(jù)需求進行選擇。 在使用SENS 方法時，可以將一個社群當作一個分析單元， 比較不同社群之間的差異和特點， 以充分反映不同社群群體在深度學習過程中認知、知識和能力的發(fā)展情況。

此外，不同的SNA 度量可用于研究學習者在網(wǎng)絡和社群中所扮演的角色。 這些度量可以體現(xiàn)網(wǎng)絡結(jié)構(gòu)中心性的各個方面，如，加權(quán)度中心度、接近中心度、中介中心度和特征向量中心度等。加權(quán)度中心度是節(jié)點在網(wǎng)絡中所具有的邊的權(quán)重； 接近中心度解釋了節(jié)點控制網(wǎng)絡中通信的可能性， 測量給定節(jié)點到網(wǎng)絡中所有其他節(jié)點的距離， 也就是說它能夠度量節(jié)點與網(wǎng)絡中其他節(jié)點連接的可能性； 中介中心度也與控制通信有關(guān)， 它計算經(jīng)過一個點的最短路徑的數(shù)量，該數(shù)量越多，就說明它的中介中心度越高； 特征向量中心度根據(jù)該節(jié)點相鄰點的重要性來衡量該點的價值，也就是說，如果與該節(jié)點連接的節(jié)點越重要，則該節(jié)點也越重要。通過研究深度學習中的學習者在社會網(wǎng)絡中所扮演的角色， 能夠分析其人際領(lǐng)域的交流和溝通能力。

（四）內(nèi)容分析

SENS 的第四步是進行內(nèi)容分析。內(nèi)容分析主要是分析學習者在學習過程中產(chǎn)生的討論記錄的常用技術(shù)。話語數(shù)據(jù)是一個豐富的協(xié)作信息來源，是關(guān)于學生參與的認知、元認知、動機和情感方面的數(shù)據(jù)，是除了自我報告之外，最全面的數(shù)據(jù)來源。 因此，使用內(nèi)容分析可以很好地研究學習者在深度學習過程中的認知和個人領(lǐng)域的能力。 內(nèi)容分析主要使用一種編碼方案對話語數(shù)據(jù)進行編碼， 這套編碼方案可以是常用的，也可以是最近提出的。而編碼的方式可以采用人工的方式進行， 也可以是基于現(xiàn)有的編碼方案采用自動的方式進行。 如，在數(shù)據(jù)量較少時，可以采用人工編碼的方式進行，以確保編碼的信度與效度；而在數(shù)據(jù)量較大時，則可以使用機器學習的方法進行自動編碼[27]。

（五）認知網(wǎng)絡的構(gòu)建

SENS 的第五步是進行認知網(wǎng)絡的構(gòu)建。 根據(jù)SNA 識別所得到的社群， 可以將其按照目標特征的不同，劃分到不同的組別，再根據(jù)不同的組別將編碼好的數(shù)據(jù)進行劃分，最后利用ENA，生成不同社群的認知網(wǎng)絡圖， 并比較不同社群的認知網(wǎng)絡的特點與差異，進而給出相應的反饋建議。 國內(nèi)關(guān)于ENA具體的理論、步驟和方法已有較為詳細的介紹，其編碼的一般步驟，如圖2 所示[28-29]。

圖2 ENA 編碼與建模的一般步驟

（六）社會認知網(wǎng)絡特征

在完成上述的步驟之后，還可以基于ENA 產(chǎn)生的SVD 值進行聚類分析，根據(jù)聚類的結(jié)果，檢測之前的社群劃分是否正確，通過這樣反復驗證的方式，能使研究更有說服力。 總的來說，SENS 從話語數(shù)據(jù)中進行內(nèi)容分析和社會關(guān)系提取， 在執(zhí)行SNA 之前，會先基于社會關(guān)系創(chuàng)建一個社會網(wǎng)絡，以識別學習者扮演的角色和社群，在應用ENA 之前，對話語數(shù)據(jù)進行內(nèi)容分析，最后，根據(jù)SNA 和ENA 兩種分析方法的結(jié)果，對深度學習進行探究。為了更好地對SENS 進行介紹，我們將會通過兩個實際的案例，來闡釋該方法是如何在具體的研究中應用的。

四、案例分析

我們將通過兩個案例來介紹SENS 在在線學習中探究深度學習的應用。 案例一關(guān)注了一門大規(guī)模開放網(wǎng)絡課程（簡稱MOOC），通過分析在線協(xié)作數(shù)據(jù)，來解釋形成的社會聯(lián)系的協(xié)作過程，以及描述學習者高分組和低分組之間的差異[30]；案例二通過使用SENS 的方法，對在線學習論壇的數(shù)據(jù)進行分析，并對學習者的批判性思維進行深層次的研究， 以探究學習者的批判性思維發(fā)展軌跡[31]。

（一）SENS 用于網(wǎng)絡課程的深度學習分析

案例一數(shù)據(jù)來自Coursera 平臺上的MOOC 課程“Critical Thinking in Global Challenges”的論壇討論數(shù)據(jù)， 通過該課程論壇共收集了1989 名學生的6158（M=3.10，SD=7.07）條帖子。此外，還收集了學生的最終課程成績（即是否獲得證書）、人口統(tǒng)計等數(shù)據(jù)。 首先，使用SNA 方法提取了所有學生的社會關(guān)系，并構(gòu)建了社會網(wǎng)絡；接著，在包含了該網(wǎng)絡79%的節(jié)點和99%的邊的最大連接組件上執(zhí)行Louvain方法，共識別出19 個社群；最后，在分析了每個社群在年齡、性別、學術(shù)背景、學習意圖和最終課程成績等方面的差異后， 發(fā)現(xiàn)不同社群之間在平均最終課程成績上的差異是最明顯的（見圖3）。其中，社群3、11、17 的平均成績最高，而社群6、8、12 的平均成績最低，因此可以分別得到高分組和低分組。

圖3 所有社群的平均成績

為了研究學習者在網(wǎng)絡和社區(qū)中所扮演的角色，本案例獲取了常用的SNA 度量——加權(quán)度中心度、中介中心度和接近中心度，這些度量表征了網(wǎng)絡結(jié)構(gòu)中心性的各個方面。 表3 為高分組和低分組中每個社群的網(wǎng)絡中心性度量的描述性統(tǒng)計數(shù)據(jù)。

表3 高分組和低分組的網(wǎng)絡中心性度量的描述性統(tǒng)計數(shù)據(jù)

在進行ENA 之前，本案例使用了自然語言處理中的LDA 方法， 對所有話語數(shù)據(jù)進行了主題的提取， 共得到12 個主題 （包括與課程內(nèi)容相關(guān)的主題），如，能源（c.Energy）、人口（c.Population）、疾?。╟.Diseases）和批判性思維（c.Critical_thinking）等，以及與課程過程相關(guān)的主題，如，課程期望（p.Course_expectations） 和課程相關(guān)興趣（p.Course_related_interests）等，每一條帖子都被編碼為這12 個主題中的一個或多個。 在進行ENA 時，本案例使用三個帖子為移動窗口構(gòu)建連接矩陣， 以高分組和低分組為分析單元，進行認知網(wǎng)絡的構(gòu)建，結(jié)果如圖4 所示，其中，淺色代表高分組，深色代表低分組。

圖4 高分組和低分組的認知網(wǎng)絡質(zhì)心圖

由圖4 可知， 高分組的認知網(wǎng)絡與低分組的認知網(wǎng)絡，在統(tǒng)計上具有顯著差異（t（26）=-2.052，p=.045，cohen’s d=-0.55），這表明高分組與低分組的學習者在討論過程中的認知網(wǎng)絡結(jié)構(gòu)是存在差異的，這些差異，可以通過兩者的認知網(wǎng)絡圖來具體分析。

圖5 高分組和低分組的認知網(wǎng)絡圖

圖5a 為高分組的認知網(wǎng)絡圖，從圖中我們可以看出高分組的學生更關(guān)注課程過程， 他們在過程相關(guān)的主題（課程期望與課程相關(guān)興趣）之間，建立的聯(lián)系比內(nèi)容相關(guān)主題之間的聯(lián)系多。圖5c 顯示了低分組的認知網(wǎng)絡， 可以看出低分組的學生在內(nèi)容相關(guān)的主題之間建立了更多的聯(lián)系。圖5b 是兩個社群之間的認知網(wǎng)絡疊減圖， 通過對比兩組主題間的連接可以發(fā)現(xiàn)，雖然學習者都在課程相關(guān)興趣、課程期望、人性挑戰(zhàn)和批判性思維等主題上有連接，但高分組學習者比低分組學習者在這些主題之間的聯(lián)系更加緊密。

通過本案例我們可以發(fā)現(xiàn)，SENS 能夠被較好地運用于對MOOC 的深度學習分析。 首先， 可以通過SNA 對學生進行社群劃分， 這些社群的劃分由學習者之間的人際關(guān)系決定。個人的溝通能力和交際技能可以通過SNA 的屬性得到反映， 體現(xiàn)了深度學習的人際領(lǐng)域； 通過自然語言處理的方式進行主題的提取，使得大量的話語數(shù)據(jù)可以自動編碼，再使用ENA能進一步對高分組和低分組在認知和個人領(lǐng)域的差異進行分析。

（二）SENS 用于探究思維發(fā)展路徑的分析

案例二主要圍繞大學生的思維發(fā)展軌跡來展開研究。 來自華東地區(qū)一所大學的教育技術(shù)專業(yè)的27名學生參與了專業(yè)課《教學系統(tǒng)設計》的學習。 在為期一學期的學習里，他們需要通過在線協(xié)作，共同完成一個教學設計項目。項目分為三個階段，每個階段對應著不同的任務，且從第一階段（P1）到第三階段（P3）逐步深入。在學期開始之前，所有學生都填寫了批判性思維技能和傾向兩份問卷。

在學期結(jié)束之后，首先，在線論壇上共收集到帖子數(shù)據(jù)809 條，每條數(shù)據(jù)包括學生ID、發(fā)帖時間、發(fā)帖內(nèi)容和父級帖子ID 等字段。 之后，由兩名研究人員對所有的帖子內(nèi)容進行編碼， 他們編碼的一致性系數(shù)α=0.932。 所采用的批判性思維模型編碼模式，將批判性分為五個階段：識別/理解/分析/評估/創(chuàng)造，編碼分別為R/U/A/E/C[32]。 接著，使用SNA 的方法構(gòu)建了所有學生的社會網(wǎng)絡， 結(jié)合社群識別方法和學生批判性思維問卷得分得到兩個社群， 分別為高分組和低分組。通過對編碼數(shù)據(jù)進行量化分析，獲得了兩組學生的批判性思維認知網(wǎng)絡圖 （如圖6 所示），及其在不同階段中認知網(wǎng)絡質(zhì)心的變化軌跡圖 （如圖7 所示）。 在這一案例中，認知和自我領(lǐng)域體現(xiàn)為學生的批判性思維能力， 既包括問卷測出的批判性思維技能以及批判性思維傾向（自我領(lǐng)域），也包括討論中體現(xiàn)的在線批判性思考行為（認知領(lǐng)域）。

圖6 高分組和低分組的批判性思維認知網(wǎng)絡圖

圖6b 為高分組和低分組的認知網(wǎng)絡疊減圖。圖中顏色代表的含義是， 如果高分組在某兩個編碼之間的連接強度大于低分組， 則連接這兩個編碼的邊即為淺色，反之為深色。 從圖中我們可以看出，高分組和低分組的認知網(wǎng)絡結(jié)構(gòu)圖存在明顯差異， 且在C-A（創(chuàng)造—分析）和R-U（識別—理解）的連接上，高分組明顯強于低分組，而低分組在U-A（理解—分析）的連接上則強于高分組。 在圖6a 所示的高分組中， 各個編碼之間都存在較為強的連接， 而通過圖6c 可以發(fā)現(xiàn)，低分組僅在E-A、A-U 和U-E 上有較強的連接， 這揭示了高分組和低分組在運用批判性思維時的整體差異。

圖7 所示是高分組和低分組在不同階段的認知網(wǎng)絡質(zhì)心的變化軌跡圖。 從圖7a 中我們可以發(fā)現(xiàn)，高分組在三個階段（P1、P2、P3）的認知網(wǎng)絡質(zhì)心是有顯著差異的，且具有一定的軌跡（如箭頭所示）。這表明高分組在三個階段運用批判性思維時各有偏重，每個階段使用了不同的批判性思維元素。由圖7b 可知，低分組在三個階段的質(zhì)心較為集中，且彼此沒有顯著差異， 這表明低分組在不同階段運用的批判性思維元素類似。 案例二中使用了SENS 對學生的批判性思維在線學生行為進行分析，結(jié)果表明：高分組和低分組之間的批判性思維認知網(wǎng)絡存在顯著差異，且高分組的批判性思維認知網(wǎng)絡圖中的節(jié)點間，存在更多的聯(lián)系和互動，在不同階段有不同的側(cè)重；而低分組的認知網(wǎng)絡圖節(jié)點之間的聯(lián)系與互動相對簡單，且在不同階段沒有差異。

圖7 高分組和低分組在不同階段的認知網(wǎng)絡質(zhì)心的變化軌跡圖

五、經(jīng)驗與建議

結(jié)合上述案例應用中發(fā)現(xiàn)的問題，我們對SENS方法的使用從適用范圍、 技術(shù)實現(xiàn)和數(shù)據(jù)處理等不同方面，給出一些經(jīng)驗與建議。

（一）適用范圍

SENS 適用于對深度學習的研究，它具備以下三種特征：一是適合對質(zhì)性數(shù)據(jù)進行量化處理；二是適合對學習者的社會交互進行分析； 三是適合對學習者的認知發(fā)展軌跡進行分析。 在使用SENS 的研究中，可以利用SNA 來構(gòu)建在線交互中學習者之間的關(guān)系，ENA 則可以對已編碼的文本進行量化分析，是對社會交互和認知發(fā)展做出解釋的研究， 適合對深度學習的各種研究進行分析。

（二）技術(shù)實現(xiàn)

SENS 的技術(shù)實現(xiàn)難度較大， 需要研究人員對SNA 和ENA 兩種方法都有一定的了解，才能正確完整地使用SENS。 在國內(nèi)關(guān)于SNA 的研究已有很多，SNA 的實現(xiàn)可以通過R 語言或Python 語言等編程的方式進行，二者都有功能較為完善的庫資源，可以幫助研究者進行SNA 的研究， 如，R 的igraph 庫和Python 的NetworkX 等。 除此之外，還有很多較成熟的桌面軟件可以使用，如，UCINET 使研究者不用考慮編程的細節(jié)，只需對結(jié)果進行解釋即可。 ENA 也支持使用R 語言進行實現(xiàn)，同時它還有一個網(wǎng)絡版本，研究者只需將編碼好的數(shù)據(jù)上傳到ENA Webkit（http：//www.epistemicnetwork.org/）， 設 置 好 相 關(guān) 參數(shù)，即可生成想要的社會網(wǎng)絡認知圖，并通過可視化的方式，動態(tài)地對網(wǎng)絡進行調(diào)節(jié)。

（三）數(shù)據(jù)處理

SENS 的步驟與流程較為繁瑣，且對數(shù)據(jù)的收集與處理有一定的要求。 因此，在使用SENS 之前，要確保能夠準確地收集相關(guān)數(shù)據(jù)。 SNA 處理的是學習者之間的交互關(guān)系，而ENA 處理的是編碼與編碼之間的共現(xiàn)關(guān)系， 所以， 在數(shù)據(jù)處理時都有不同的要求。 用于SNA 的原始數(shù)據(jù)可以只包括學習者的交互關(guān)系，而不用記錄具體的交互內(nèi)容；用于ENA 的原始數(shù)據(jù)，要包括學習者的交互內(nèi)容以及交互的單元，但可以不包括學習者之間的交互關(guān)系。 但SENS 是結(jié)合了這兩種方法進行構(gòu)建的，所以，在獲取原始數(shù)據(jù)時，一定要包括交互關(guān)系和交互內(nèi)容，否則，SENS就無法實現(xiàn)。

六、總結(jié)與展望

SENS 通過將SNA 與ENA 方法進行結(jié)合，使得在深度學習的過程中協(xié)作話語數(shù)據(jù)和人際交互信息，可以在本質(zhì)上被建模為網(wǎng)絡。人際交互表現(xiàn)為信息共享和知識建構(gòu)的網(wǎng)絡結(jié)構(gòu)， 而從話語數(shù)據(jù)中提取的如認知、元認知、社會和情感等維度信息，可以通過認知網(wǎng)絡結(jié)構(gòu)來表征。 這些信息并非孤立地發(fā)生，而是彼此間共同影響和關(guān)聯(lián)的。 SENS 可以將深度學習描述為人際因素和從話語中提取的因素的相互作用。

我們將深度學習的三大領(lǐng)域與SENS 方法的特點相結(jié)合，提出使用SENS 的一般步驟，并進行兩個案例的展示，最后給出了使用SENS 的相關(guān)經(jīng)驗與建議， 為今后想要使用該方法的研究者提供幫助和指導。 需要指出的是，SENS 方法的核心是基于來自不同學科的幾種數(shù)據(jù)分析方法，因此，使用SENS 需要有相關(guān)的技能才能進行，在技術(shù)實現(xiàn)上難度較大。 未來，我們可以搭建一個統(tǒng)一的在線平臺，以支持使用SNA 的社會關(guān)系提取、 話語數(shù)據(jù)的自動編碼或人工編碼以及認知網(wǎng)絡構(gòu)建等功能。 這樣，研究者們可以更加方便快捷地使用SENS 來分析深度學習，而不用過多地關(guān)注一些復雜的底層算法， 這也是本研究下一步需要努力的方向。