联通主义学习中个体网络地位与其概念网络特征的关系探究
徐亚倩 陈丽
【摘 要】联通主义理论认为社会网络和概念网络之间存在相互作用关系，社会网络形成所依托的交互过程也是孕育新概念、赋予概念情境化意义的过程。但是，如何表征概念网络、社会网络与概念网络之间具体的关系是怎样的、社会网络哪些特征能够反映概念网络的水平等问题都尚未解决。作者所在的研究团队于2018年10月开发了国内第一门cMOOC，本研究试图通过社会网络分析法、LDA话题聚类模型等方法，对这门cMOOC的交互数据进行分析，选取反映个体社会网络地位的6个指标和1个特殊角色，从概念数量贡献度、概念热度贡献度和认知参与度三方面表征个体的概念网络特征水平，并对个体社会网络地位与其概念网络特征水平之间的关系进行了相关分析和可视化。本研究发现：①相对入度、相对出度、中间中心性、特征向量中心性更能反映个体的概念数量贡献度和概念热度贡献度;②k核更能反映个体参与交互时的平均认知参与度水平;③社会网络中意见领袖的概念网络特征水平往往更高。本研究从三方面考量了个体概念网络特征，并进一步发现了能够反映概念网络特征水平的个体网络地位指标，从静态网络的视角论证了社会网络和概念网络之间相互影响的理论假设，同时也为联通主义学习评价中用个体社会网络地位表征概念网络相对水平提供了可能。
【关键词】? 互联网+教育;联通主义;社会网络;社会网络关系;概念网络;慕课;意见领袖;学习分析;在线学习;在线课程
【中图分类号】? ?G420? ? ? ? 【文献标识码】? A? ? ? ?【文章编号】? 1009-458x（2019）10-0009-12
一、研究背景与问题提出
互联网支撑下的复杂学习环境催生了一种新型学习形式——联通主义学习。与传统教师组织内容的课程不同，这种学习用网络、联通的新视角定义知识的产生和学习的过程，认为学习就是形成三大网络——认知神经网络、概念网络和社会网络的过程（Siemens， 2005），三大网络的表征及其相互之间的作用关系是认识联通主义学习、挖掘联通主义学习基本规律的重要研究方向（王志军， 等， 2016; 王志军， 等， 2019）。虽然已有研究者提出知识的生产源于问题与观点非共识（陈丽， 等， 2019），个体通过在复杂环境中与合适的资源和人进行交互、分享经验、激发灵感，在此过程中孕育和表征新概念，由此实现知识创新（王志军， 等， 2017），在理论层次上肯定了社会网络与概念网络之间存在联系，但是如何表征和分析概念网络、社会网络与概念网络之间具体的关系与作用机理是怎样的、个体的社会网络地位是否会影响其概念网络的特征水平，这些问题仍无定论。
笔者所在研究团队于2018年10月7日设计开发了国内第一门cMOOC“互联网+教育：理论与实践的对话”，第一期课程持续12周，围绕“互联网+教育”领域的5个复杂、模糊的主题展开，交互内容分布于微信、博客、cMOOC平台以及直播讨论区等多个平台，425名学习者成为内容的重要贡献者和创造者。课程最终生成了大量可获取的交互数据，为研究个体社会网络地位与概念网络特征之间的关系提供了有效的数据支持。同时，笔者易于接触课程团队成员，这为客观、科学地挖掘课程的概念、定义生成的话题提供了可能。
因此，笔者试图基于第一期cMOOC的交互数据，通过社会网络分析、文本挖掘和相关性分析等方法发现个体社会网络地位与其概念网络特征之间存在的关系，包括哪些社会网络地位指标能够反映其概念网络的特征水平，从而进一步证实联通主义学习中个体社会网络和概念网络的作用关系，为今后运用社会网络地位反映个体概念网络特征的相对水平、设计联通主义学习评价提供参考。
二、文献综述
（一）个体社会网络地位
个体地位重要性的分析是社会网络分析的重要研究方向，网络中的重要节点在很大程度上会对网络结构、功能和效率产生影响，重要节点的失效甚至可能导致整个网络结构和功能的崩溃（Wenli， et al.， 2013），因此在社会关系分析领域、互聯网检索领域都有关于节点重要性评价的应用。当前在在线学习研究中，对社会网络个体重要性的表征和分析已有相对清晰的思路，且已有研究者分析了个体社会网络地位同学习效果、社区意识、学习成效等之间的关系，如Dowell等人（2015）分析了学习者网络中心性、话语模式、学习效果之间的关联性;Gillani等人（2014）通过挖掘MOOC学习中的社会网络结构发现社团的形成以及之间的弱连接会阻碍信息交流;Dawson（2008）发现了学习者的网络位置对社区意识的影响;石月凤等人（2019）发现学习者的度中心性、接近中心性、中间中心性与学习成效之间存在显著相关性。
在联通主义学习的研究中，已有研究者尝试用社会网络分析方法分析社会网络的整体结构，如王志军（2014）设定了不同平台的交互分析规则，基于Change MOOC的交互数据可视化分析了社会网络的整体结构特征，也有研究者肯定了个体网络地位评价在联通主义学习评价中的应用价值（陈丽， 等， 2016; 王志军， 等， 2017），但鲜有研究就个体网络地位对个体认知发展、概念网络特征等方面的影响做进一步分析。
因此，本研究基于社会网络与概念网络相互作用和影响的理论假设，尝试通过实证交互数据的分析对其进一步验证，并确定哪些个体网络地位指标能够反映个体概念网络特征的相对水平。
（二）概念网络特征水平
目前，社会网络分析已经引起联通主义研究者的关注，但对概念网络的定义、表征及特征分析尚未明确。综观国内外其他领域关于概念网络构建的研究可以看出，概念网络节点及其关系的建立规则不尽相同。国外关于概念网络构建的研究涉及语言（如英语）、网络检索、用户分析等领域，研究者多依据同义词词典（Motter， et al.， 2002）、维基百科中已有类目或关系（Nastase， et al.， 2013）、已有学科知识体系、专家定义、共现关系、文本聚类等方法确定概念节点间的关系。国内关于概念网络构建的研究多涉及医药、学科教学（如数学、历史等）、情报学（如网络舆情、研究热点）等领域，多通过关键词共现、已有类目或关系（词典或书籍）、专家定义概念本体及关系（林小俊， 等， 2010）、文本聚类算法及遗传算法等方法实现。可以看出，国内外研究在构建概念网络时多为已明确概念节点和概念间关系的情况，如依托词典或学科知识体系等;在概念不够清晰、关系需要定义的情况下多采用专家定义、共现关系、文本聚类等方法。联通主义学习中生成的概念网络就属于后者。
在联通主义学习中，个体在参与交互时观点不断碰撞、孕育新概念或赋予概念情境化意义的过程显得更为重要（陈丽， 等， 2016），包括在交互过程中联通的信息量、生成的新话题或新内容等，这一过程体现了群体的智慧汇聚和内容创新，因此笔者认为个体在交互过程中联通的关键词数、建立的关键词与话题之间的关系在联通主义概念网络中占重要地位。同时，王志军等人（2015）构建的基于认知参与度的联通主义学习教学交互模型（CIE模型）指出，个体的认知参与度是划分不同交互行为深浅层次的标准，认知参与度越高，个体能够达到的交互层次也就越高，而交互是连接建立、驱动意会、知识创新的重要途径，大量碎片化的内容通过交互逐渐形成结构（王志军， 等， 2014），因此个体构建的概念间关系的强度可以通过认知参与度来反映。
从以上观点出发，本研究在描述个体概念网络特征水平时提出了三个评价维度（参见图1）——概念数量贡献度、概念热度贡献度和认知参与度。概念数量贡献度由个体在联通主义学习中贡献的概念数量决定，反映在个体概念网络中就是该网络拥有的概念节点数量;概念热度贡献度由个体在各个生成性话题下联通该概念的频次决定，频次越高说明该概念在整个概念网络中的热度越高，该概念节点的面积越大;认知参与度用于评价个体建立概念间联系、概念与话题间联系的程度，在联通主义学习中会围绕主题生成多个子话题，本研究尤其关注个体在不同话题下对概念的理解、寻径与意会的程度，因此用认知参与度的高低来评定个体建立联系的强弱程度。
三、研究设计
（一）研究思路与方法
本研究采用数据密集型的研究范式，如图2所示，整个研究过程分为数据收集与清洗、数据分析、数据解释三大部分。以cMOOC“互联网+教育：理论与实践的对话”第一期课程为研究对象，收集微信群、论坛、博客、直播讨论区四个平台的交互数据，通过社会网络分析方法挖掘个体在社会网络中的角色与地位，在专家的干预下通过LDA话题聚类分析挖掘课程中生成的话题和关键词，进而从概念数量贡献度、概念热度贡献度、认知参与度三方面评定个体概念网络的特征水平，最终通过相关分析和可视化呈现个体网络地位同概念网络特征水平间的关系。本研究主要涉及以下研究方法。
1. 运用社会网络分析方法进行个体网络角色及重要性分析
当前研究中关于个体网络地位评价的指标和算法非常多，不同指标和算法各有其优点、缺点和适用场景，如何选定适合联通主义学习场景的指标成为首要考虑的问题。王志军等人（2017）给出了在联通主义学习评价中关注的几大方面，其中涉及社会网络个体评价的内容有参与交互过程的积极性、对信息流的控制程度、与关键节点建立联系的密切程度、在网络中的位置、与其他节点联系路径的长短等。因此，本研究中选取与以上内容对应的6个个体地位重要性指标和1个特殊角色指标，作为本研究中用于反映个体网络地位的主要依据（参见表1）。
2. 运用专家法构建并修订联通主义学习中基于交互行为的认知参与度评定模型
本研究评定个体概念网络特征水平时定义了三大指标——概念数量贡献度、概念热度贡献度和认知参与度。其中，认知参与度的评定借鉴了已有的类似框架，包括CIE模型（王志军， 2015）和联通主义学习中交互类型量化评定框架（Duan， et al.， 2018）。CIE模型是面向联通主义学习情境的基于认知参与度划分交互行为层次的认可度较高的模型，模型依据认知参与度高低将交互行为划分为四类，但是同一交互层次下包含大量行为类型，且部分处于同一交互层次下的行为存在明显的认知参与度高低之分;Duan等人（2018）提出的框架对联通主义学习中的交互行为层次进行了量化，为本研究量化认知参与度提供了借鉴意义。因此，本研究通过专家法，基于本研究的交互数据，将CIE模型四个层次下的大量行为进行删减、整合和再分类，形成了联通学习中基于交互行为的认知参与度评定框架（参见表2），并在交互内容编码过程中持续修订和完善。
3. 综合运用专家法和LDA话题聚类方法挖掘话题和关键词
LDA是一种挖掘文本中的关键词和潜在话题的概率生成模型，该模型假设隐含主题集是由一系列相关特征词组成，文档集合中所有文档均按照一定比例共享隐含主题集合，LDA模型最终能够依据设定话题数生成不同文本在各个话题下的分布概率（参见图3）。本研究尝试将专家法与LDA主题聚类方法相结合，一方面专家会对算法运行过程进行能动干预，包括基于一部分的文本分析生成用户词典作为分词的参考、依据困惑度曲线选取具有较强解释意义的话题数目;另一方面LDA的输出结果也可以作为专家更新词典和停用词、调整模型参数的参考。经过多轮迭代，可生成不同话题下包含的关键词以及各个分析单元在不同话题下的分布概率，专家依据关键词列表对各话题命名，同时对各分析单元的关键词抽取情况进行审查和修订。
（二）数据收集与处理
本研究将cMOOC“互联网+教育：理论与实践的对话”第一期课程主题一的四个平台交互内容作为分析数据。在四个平台中，论坛和博客的交互数据有明确的发出者和接收者，微信群、直播文字讨论区的交互数据部分有明确的指向关系，为了整合不同平台的交互数据生成社会网络，本研究针对不同平台制定了相应的交互分析规则（参见表3），依据该分析规则清洗后的主题一数据量如表4所示。
在进行关键词和话题挖掘时，将按照以下规则对内容数据进行清洗：①排除仅表示社会化交往的发言数据，如表示欢迎的发言或表情符号等;②引用的其他资源（链接、图片），将其转换为标题文本;③排除博客中的转发内容。依据上述规则清洗数据后，微信、直播讨论区以一天的内容为分析单元，论坛数据以一个话题下所有消息量为一个分析单元，博客以一篇博文（包含正文和评论）为一个分析单元，最终将形成各分析单元文本長度差别较小、适用于LDA模型的输入文本。
四、数据分析过程与结果
（一）个体重要性及特殊角色分析
依据表3中不同平台交互分析规则对主题一的交互数据进行整理，可得如图4所示的有向社会网络图，箭头由交互发出者指向交互接收者。图中“T”开头的为教师或助教身份，“S”开头的为学习者身份。
进一步运行个体重要性的相关算法可得每个学习者在不同指标下的分值（参见表5）。依据交互规则得出的社会网络图中涉及一个非人节点all，all节点代表某节点发出一条无明确指向对象的交互消息，则认为该节点的交互对象为网络中的所有节点，即指向all节点。由表5可知，在计算相对出度时考虑了all节点，是因为本研究认为个体发出的无明确指向的消息也属于积极参与交互的行为，而在计算其他指标时排除了all节点，是因为其他指标主要反映与其他个体的关系，all节点的存在会对此产生较大的干扰。
（二）概念网络特征水平分析
在专家法与LDA算法的支持下，对主题一的内容进行迭代挖掘、编码与修订，最终挖掘出8个话题以及1，069个关键词，分别为“服务模式变革”（包含567个关键词）、“教学模式创新”（包含506个关键词）、“产品及平台”（包含268个关键词）、“环境建设与空间重构”（包含239个关键词）、“挑战或问题”（包含231个关键词）、“教育公平”（包含149个关键词）、“多主体合作”（包含134个关键词）、“边远地区变革实践”（包含85个关键词）。不同分析单元在各个话题上的分布概率如表6所示。
依据各分析单元所属话题（参见表6），可进一步确定每一条原始交互内容的所属话题及包含的关键词;依据表2所示的认知参与度评定框架，可通过内容编码的方法获得每条交互内容的认知参与度，即建立话题与关键词联系时的认知参与度（参见表7）。进而通过个体、内容的对应关系，经过梳理和合并可以获得每个个体的概念网络特征水平（参见表7）。
（三）个体网络地位与概念特征水平的关系
在衡量个体重要性时，本研究选取6个指标，分别为相对入度、相对出度、接近中心性、中间中心性、特征向量中心性和k核。首先通过SPSS对以上各指标与联通深度的pearson相关系数的显著性进行检验（参见表8）。
由表8可知，相对入度、相对出度、中间中心性、特征向量中心性、k核与概念数量贡献度、概念热度贡献度均呈显著正相关;相对出度、中间中心性、特征向量中心性、k核与个体平均认知参与度呈显著正相关;接近中心性与概念网络特征水平之间的相关关系不显著，相对入度与个体平均认知参与度的相关关系不显著。在反映个体概念数量贡献度和概念热度贡献度时，相对出度、相对入度、中间中心性、特征向量中心性四个指标的相关水平较高;在反映个体平均认知参与度时，k核的相关水平最高，中间中心性和特征向量中心性次之。接下来将通过可视化的方式分别呈现相关性显著的指标与个体概念网络特征水平的关系。
1. 相对入度与个体概念网络特征水平的相关关系
度是最简单、最直观地测量相连点数的指标，在有向图中包括点的入度和出度两种，为了规避图规模大小的影响，本研究用相对入度（即入度与图中最大可能的入度之比）和相对出度（即出度与图中最大可能的出度之比）反映一个节点的直接影响力。
相对入度能够反映个体在交互过程中得到其他个体回应和反馈的比例，由表7可知，相对入度与概念数量贡献度、概念热度贡献度在99%的水平上呈显著正相关，pearson相关系数达0.730和0.747，但相对入度与平均认知度的相关关系不显著。图5分别可视化了相对入度与概念数量贡献度、概念热度贡献度的相关关系。该图中的点代表不同的个体，横轴为相对入度值，纵轴为概念数量贡献度或概念热度贡献度。
（概念数量贡献度、概念热度贡献度）的关系从相对入度与概念数量贡献度的关系可以看出：相对入度在小于0.2之前，个体的概念数量贡献度随相对入度值的增加显著提升;相对入度值在0.27左右出现一个波谷，0.2至0.27期间，随着相对入度值的增加，个体概念数量贡献度呈现下降趋势，但在超过0.27之后，呈现明显的急剧回升现象。从相对入度与概念热度贡献度的关系来看：相对入度值在0.18之前，个体概念热度贡献度随相对入度值的增加而提高;相对入度值在0.18至0.26之间，个体概念热度贡献度有下降趋势，但在超过0.26后概念热度贡献度急剧增加。
2. 相对出度与个体概念网络特征水平的相关关系
相对出度能够较为直接地反映个体主动参与交互的积极性，由表7可知，相对出度与概念数量贡献度、概念热度贡献度、平均认知参与度均在99%的水平上呈显著正相关，pearson相关系数分别为0.776、0.807、0.225。图6分别可视化了相对出度与概念数量贡献度、概念热度贡献度、平均认知参与度的相关关系。该图中的点代表不同的个体，横轴为相对出度值，纵轴为概念数量贡献度、概念热度贡献度或平均认知参与度。
（概念数量贡献度、概念热度贡献度、认知参与度）的关系可以看出，相对出度与概念数量贡献度、概念热度贡献度的正相关趋势非常明显，在相对出度值为0.25之前，个体的概念数量贡献度和概念热度贡献度随相对出度值增长呈线性提高趋势，波峰处在0.25至0.30之间。从相对出度与平均认知参与度的关系图来看，两者虽然显著相关但是由于pearson系数偏低，其相关性趋势波动较大，在相对出度为0至0.05区间内，个体的平均认知参与度随相对出度的增加表现出增长趋势，但在0.05至0.15区间内，趋势线较为平缓，说明在此相对出度区间内的个体其平均认知参与度水平相差不大;在相对出度为0.25至0.3区间预测出现波峰（约0.27）。
3. 中间中心性指标与个体概念网络特征水平的相关关系
中间中心性反映的是某节点对网络资源和信息传播的控制能力，如果网络中许多最短路径都必经某个节点，则该节点拥有较高的中间中心性，而中间中心性高的节点起到沟通其他多个节点的桥梁作用。由表7可知，中间中心性与概念数量贡献度、概念热度贡献度、平均认知参与度均在99%的水平上呈显著正相关，pearson相关系数分别为0.685、0.734、0.349。圖7分别可视化了中间中心性与概念数量贡献度、概念热度贡献度、平均认知参与度的相关关系。
可以看出，中间中心性与概念数量贡献度、概念热度贡献度的正相关趋势近似于一次函数，随着中间中心性的提高个体的概念数量贡献度和概念热度贡献度也逐渐提高。与相对出度相比，中间中心性与个体平均认知参与度的相关系数更高，中间中心性处于0至200区间内，个体的平均认知参与度随中间中心性的升高表现出增长趋势;在200至600区间内，趋势线较为平缓;超过600后，趋势线表现出上升趋势，且预测在中间中心性为1，000左右出现波峰。
4. 特征向量中心性指标与个体概念网络特征水平的相关关系
特征向量中心性考虑了节点的邻居节点的重要性，如果一个点的邻居节点在网络中权力大、地位高，则该节点在网络中的地位也将提高，因为重要性高的邻居节点对节点自身来说是有价值的信息源。由表7可知，特征向量中心性与概念数量贡献度、概念热度贡献度、平均认知参与度均在99%的水平上呈显著正相关，pearson相关系数分别为0.677、0.711、0.335。图8分别可视化了特征向量中心性与概念数量贡献度、概念热度贡献度、平均认知参与度的相关关系。
由图8可得，特征向量中心性与概念数量贡献度、概念热度贡献度的正相关趋势明显，且在特征向量中心性超过0.75左右后两个贡献度水平急剧增长。特征向量中心性与个体平均认知参与度的相关性虽然显著但是不高;大部分区间内（特征向量中心性在0.2至0.65区间内），个体平均认知参与度未随特征向量中心性的增加而升高，但在0至0.2区间内，个体平均认知参与度随特征向量中心性增加而缓慢升高。
5. k核与个体概念网络特征水平的相关关系
k核能够反映节点位置与网络中心的远近，在计算k核时会由外向内将网络中的节点层层剥离，每次子图中的点须至少与该子图中的k个其他点邻接，如k核为3的节点，在子图中至少有3个邻接节点，k核越高说明该节点跃居于网络的中心位置。由表7可知，k核与概念数量贡献度、概念热度贡献度、平均认知参与度均在99%的水平上呈顯著正相关，pearson相关系数分别为0.492、0.464、0.435。从所有指标来看，k核与概念数量贡献度、概念热度贡献度的显著性指数最低，但是与个体平均认知参与度的显著性相关指数最高。
图9从可视化的角度进一步验证了这一点，概念数量贡献度、概念热度贡献度与k核的正相关增势缓慢，在k核超过5之后表现出增长趋势;与其他指标相比，平均认知参与度与k核的相关趋势线更稳定，无波峰波谷，呈稳步增长趋势。
（四）个体角色与概念生成的关系
“结构洞”的概念是波特（Burt， 1992）提出的，指如果两节点A和B的连接路径必须经过点C，则称A和B的关系建立依赖于点C。与结构洞相关的指标有四个，即有效规模（Effective Size）、效率（Efficiency）、限制度（Constraints）和等级度（Hierarchy）。其中，限制度结合有效规模和等级度的大小可以用于分析那些个体拥有结构洞的可能性比较大。限制度越大，存在结构洞的可能性越小，若某个成员的限制度为0，其含义为该成员有许多连接节点，且这些连接节点之间彼此没有连接，因而存在许多结构洞，拥有较高的协商能力;有效规模等于该成员的个体网规模减去网络的冗余度，即有效规模等于网络中的非冗余因素，有效规模越大，拥有结构洞的可能性越大;等级度表示限制度在多大程度上围绕一个行动者展开（赵健， 2013）。一般来说，限制指标小于0.4且有效规模较大、等级度较高的成员掌握了较多的结构洞，可能是社区的意见领袖或潜在意见领袖。本研究依据结构洞指标发现的潜在意见领袖如表8所示。
本研究依据有效规模、限制度和等级度选取了可能为意见领袖的7个个体，表9同时列出了这7个潜在意见领袖的概念数量贡献度、概念热度贡献度以及认知参与度情况。可以看出7个潜在意见领袖的最高认知参与度至少达到5，有4位潜在意见领袖最高认知参与度达到8;除S062外，其余6个潜在意见领袖的概念数量贡献度（占总量的11.69%～20.02%）和概念热度贡献度非常高。可见，能成为潜在意见领袖的个体很大可能其个体概念网络特征水平也居于前列。
五、结论与讨论
（一）研究结论
本研究从社会网络关系会促进个体概念网络发展这一理论假设出发，用概念数量贡献度、概念热度贡献度、认知参与度三大指标表征了个体概念网络的特征水平，基于此探讨了个体社会网络地位与概念网络特征水平的相关关系，并结合相关性分析和可视化趋势图进一步发现了能够反映概念网络特征水平高低的个体网络地位指标，主要结论如下：
结论之一：相对入度、相对出度、中间中心性、特征向量中心性更能反映个体的概念数量贡献度和概念热度贡献度。
本研究选取了6个个体重要性指标，但是接近中心性与个体概念网络特征水平的相关性不显著，k核虽然与个体概念数量贡献度和概念热度贡献度的相关性显著，但相关系数相对偏低。因此相对入度、相对出度、中间中心性、特征向量中心性更适合作为衡量个体概念数量贡献度和概念热度贡献度水平的指标。
结论之二：k核更能反映个体参与交互时的平均认知参与度水平。
在与个体平均认知参与度水平显著相关的4个指标中，k核的相关系数最高，且通过相关趋势图来看，个体平均认知参与度水平在相对出度、中间中心性、特征向量中心性的多个区间值内存在波动或平缓无增长现象，因此k核更能反映个体参与交互时的平均认知参与度水平。
结论之三：社会网络中意见领袖的概念网络特征水平往往较高。
在网络特殊角色分析时，通过结构洞发现的7个意见领袖的最高认知参与度至少达到5，有6个的概念数量贡献度和概念热度贡献度都居于前列。可见，能成为社会网络中意见领袖的个体，其概念网络特征水平往往也较高。因此，在用社会网络表征概念网络时可通过意见领袖这类特殊角色来辅助判定个体概念网络特征的相对水平。
（二）讨论与展望
本研究的创新点有两点：一是提出了表征个体概念网络特征水平的三个方面，即概念数量贡献度、概念热度贡献度和认知参与度，并基于CIE模型构建了基于联通主义交互行为的认知参与度评定框架，该框架可应用于联通主义学习中对个体认知参与度的评定;二是发现了用个体社会网络地位反映个体概念网络特征水平的可能性，在个体层面上论证了社会网络与概念网络之间的作用关系，发现了与个体概念网络特征水平相关的网络地位指标，未来经过多轮数据验证后可用于评价学习者在联通主义学习中的表现，如通过个体社会网络地位的指标值间接反映甚至评定其概念网络特征水平。
本研究也存在一定的不足。本研究的研究结果是基于第一期cMOOC的部分交互数据，未来的研究还需对该课程的全部交互数据乃至其余cMOOC数据进行分析求证，如：该研究结果的普适性如何？接近中心性是否确实无法反映个体概念网络特征水平？个体的相对入度与其平均认知参与度是否确实不相关？这些指标同个体的最高认知参与度之间是否也存在相关关系？在此后的研究中，笔者拟基于第一期、第二期cMOOC的交互数据进行对比分析，排除技术、平台等环境条件的影响来验证结论的普适性，进一步确定不同网络地位指标在反映概念网络相对水平时的权重，同时本研究主要从静态网络特征方面描述了社会网络与概念网络之间的关系，未来可从动态演变的视角对两者之间的作用关系进行分析。
[参考文献]
陈丽，逯行，郑勤华. 2019. “互联网+教育”的知识观：知识回归与知识进化[J]. 中国远程教育（07）：10-18，92.
陈丽，王志军. 2016. 三代远程学习中的教学交互原理[J]. 中国远程教育（10）：30-37.
林小俊，张猛，暴筱，李军，吴玺宏. 2010. 基于概念网络的短文本分类方法[J]. 计算机工程，36（21）.
石月凤，刘三（女牙），刘智，韩继辉，彭晛. 2019. 基于社会网络分析的在线学习行为分析实证研究[J]. 中国教育信息化，436（01）：9-14.
王志军. 2014. 联通主义学习情境中的教学交互特征与规律研究[M]. 北京：北京师范大学.
王志軍，陈丽. 2019. 联通主义：“互联网+教育”的本体论[J]. 中国远程教育（08），1-9，26，92.
王志军，陈丽. 2017. 远程学习中的概念交互与学习评价[J]. 中国远程教育（12）：12-20.
王志军，陈丽. 2016. cMOOCs中教学交互模式和方式研究[J]. 中国电化教育（2）：49-57.
王志军，陈丽. 2015. 联通主义学习的教学交互理论模型建构研究[J]. 开放教育研究（5）：25-34.
王志军，陈丽. 2014. 联通主义学习理论及其最新进展[J]. 开放教育研究（5）：11-28.
Dawson， S.. （2008）. A study of the relationship between student social networks and sense of community. Journal of Educational Technology & Society， 11（3）， 224-238.
Dowell， N. M.， Graesser， A. C.， &Hennis， T. A.， et al. （2015）. Modeling Learners Social Centrality and Performance through Language and Discourse. The 8th International Conference on Educational Data Mining.
Duan， J.J.， Xie， K.， & Nathan， A.， et al. （2018）. Exploring a personal social knowledge network （pskn） to aid the observation of connectivist interaction for high-and low-performing learners in connectivist massive open online courses. British Journal of Educational Technology.
Gillani， N.， Yasseri， T.， & Eynon， R.， et al. （2014）. Structural limitations of learning in a crowd： communication vulnerability and information diffusion in MOOCs. Scientific reports， 4， 6447.
Motter， A. E.， De Moura， A. P. S.， &Lai， Y. C.， et al. （2002）. Topology of the conceptual network of language. Physical Review E， 65（6）， 065102.
Nastase， V.， & Strube， M. （2013）. Transforming Wikipedia into a large scale multilingual concept network. Artificial Intelligence， 194， 62-85.
Siemens， G. （2005）. Connectivism： Learning as network-creation. ElearnSpace. Retrieved July 28， 2016 from http：//www.elearnspace.org/Articles/networks.htm
Wenli， F.， Zhigang， L.， & Ping， H.. （2013）. Identifying node importance based on information entropy in complex networks. PhysicaScripta， 88（6）， 5201.
责任编辑 郝 丹
