面向数智化异构学习环境的学习者交互多层网络分析——基于Traces分析框架的应用与展望OA北大核心CSSCI

在数智时代,学习逐渐呈现出学习空间开放多元、学习过程复杂非线性的特点,学习的社会化、智能化、情境化、网络化特征愈发显著,学习发生的情境是一个复杂系统。连续的学习行为数据以不同粒度分散在多个异构学习环境中,关联这些环境中的数据是对复杂学习行为形成连续认识、系统深入把握数智化学习规律的关键,而如何对粒度不一且分散的交互数据进行关联和分析是学习分析研究中必须解决的问题。为此,研究指出基于多层网络分析法——Traces分析框架是应对这一问题的解决方案,并系统梳理了Traces分析框架的特征、核心概念、各个层级的分析过程及支持方法,进而通过案例展示了该方法既可以整体应用于识别交互会话及关键参与者、识别学习者群组(社区)、分析参与者之间的关系以及参与情况随时间的演变态势,又可以局部应用于微观层面的数据分析。研究表明,Traces分析框架能跨越多个数智化异构学习环境,从多个层次有效融合线程分析法、社会网络分析等多种方法,突破单一维度和还原论分析法的局限,关注行动者之间的复杂关系并扩展了分析对象,有助于研究者形成对复杂学习行为的连续性认识,堪称人类迈向“数据海洋”的数智时代教育研究新范式。该方法为全面地理解数智化异构学习环境中的交互规律,从整体和系统层面深度把握数智时代学习的复杂规律提供了新思路。