探析深度学习表征的一种新方法：社会认知网络特征法

深度学习

01 深度学习概念的起源

Marton 等人早在 1976 年就提出教育领域中深度学习的概念，他们根据学生的信息加工方式，指出学生的学习有深度学习和浅层学习之分。2012年，美国国家研究委员会（National Research Council，NRC）在对深度学习的定义中， 强调知识与技能的可迁移性，并将深度学习能力分成三个维度：认知领域、人际领域和个人领域。

02 深度学习的能力框架

美国研究院进行了一个实验项目， 其研究目标是调查分析实验学校培养学生六种深度学习能力（包括掌握核心学科知识、批判性思维和复杂问题解决、团队协作、有效沟通、学会学习、学术毅力）的策略与途径。基于前人的研究，祝智庭等人将深度学习的六种能力分别对应到三大领域。

SENS研究方法

01 SENS方法起源

SENS(Social Epistemic Network Signature) 最开始是由Dragan Gasevic等人提出，用于对在线协作学习进行研究。它将现有的分析技术系统地结合起来，以解决学习分析过程中存在的问题。具体来说：

（1）SENS 对学习者的社会交互关系进行提取和建模；

（2）利用该模型对学习者进行社群的划分；

（3）利用认知网络分析不同社群的认知网络特征。

02 SENS的一般应用步骤

03 深度学习三大领域及对应的数据选择和处理方法

（1）深度学习的人际领域，可以使用SNA的方法进行分析。SNA通过学习者之间的交互关系来构建社会网络， 用于分析学习者之间的人际交互关系。

（2） 深度学习的认知和自我领域，可以使用ENA的方法来分析。ENA 通过对协作的话语数据进行内容分析，深度追踪和分析学生的认知架构、状态、联系和发展历程等内隐信息。

SENS研究方法的步骤

01 数据获取

由于SENS需要进行内容分析和社会网络分析，所以，必须在获取数据的同时，得到学习者在学习活动中的话语数据和交互关系。

（1）话语数据：一般是指学习者的交流文本、语音或者视频，即记录了学习者交流内容的数据，这些数据能够反映学习者的认知、知识和自我等方面的信息。

（2）交互关系：是指学生在交流沟通过程中的信息流向，如学习者A与学习者B之间的一次对话，或者学习者A对学习者B的一次回帖，这些交互信息需要被记录下来以用于后面的社会网络分析。

（3）另外：SENS 需要尽可能地获取到与学习者相关的其他信息，比如学业成绩、学习背景、学习意图以及性别、年龄等人口统计数据，以便对学习者进行更加深入细致的分析。

02 社会关系提取

为了研究学习者在深度学习活动中扮演的角色以及形成的社群，需要提取一个有向加权图来表示在讨论过程中所发生的交互。

（1）如果学习者A回复了学习者B发布的消息，那么将会有一个定向边A->B。

（2）若是学习者A再次回复了学习者B的消息，那么A->B这条边的权重增加1。按照此方式可以对所有学习者的话语数据进行社会关系的提取。

03 社会网络的构建

在提取完社会关系之后，需要构建社会网络图，然后，利用其进行社群识别。

（1）社群识别：是指利用某种方法将网络划分成内部联系紧密、相互之间联系稀疏的簇，每一个簇即代表一个社群，在同一个社群的成员，往往具备某些相似的特征。

（2）SNA 度量指标：可用于研究学习者在网络和社群中所扮演的角色。这些度量可以体现网络结构中心性的各个方面，如加权度中心度、接近中心度、中介中心度和特征向量中心度等。

04 内容分析

（1）内容分析主要是分析学习者在学习过程中产生的话语数据的常用技术。话语数据是一个丰富的协作信息来源，是关于学生参与的认知、元认知、动机和情感方面的数据，是除了自我报告之外，最全面的数据来源。因此，使用内容分析可以很好地研究学习者在深度学习过程中的认知和个人领域的能力。

（2）内容分析主要使用一种编码方案对话语数据进行编码。在数据量较少时，可以采用人工编码的方式进行，以确保编码的信度与效度；而在数据量较大时，则可以使用机器学习的方法进行自动编码。

05 认知网络的构建

（1）根据SNA识别所得到的社群，可以将其按照目标特征的不同，划分到不同的组别，再根据不同的组别将编码好的数据进行划分，最后利用 ENA，生成不同社群的认知网络图，并比较不同社群的认知网络的特点与差异，进而给出相应的反馈建议。

（2）ENA 编码与建模的一般步骤：

06 社会认知网络特征

总的来说，SENS 从话语数据和交互关系中进行内容分析和社会关系提取。在执行 SNA 之前，会先基于社会关系创建一个社会网络，以识别学习者扮演的角色和社群；在应用ENA之前，对话语数据进行内容分析；最后，根据SNA和ENA两种分析方法的结果，对深度学习进行探究。