韓中美 田甜 何濤 黃昌勤

摘要：同伴互動是在線學習環(huán)境下學習者知識構建的關鍵，也是提升在線學習效果的重要途徑之一。自我調(diào)節(jié)學習可以影響學習者的學習行為，而同伴互動作為學習行為的一種，同樣可以被其影響，由于當前缺乏對在線學習過程數(shù)據(jù)的全面挖掘并量化自我調(diào)節(jié)學習和同伴互動，導致兩者之間具體關系仍然有待深入探究。該文通過采集學習者的日志數(shù)據(jù)和討論文本數(shù)據(jù)，首先采用兩階段聚類法量化自我調(diào)節(jié)學習水平，然后通過社會網(wǎng)絡分析、社會認知網(wǎng)絡分析和LSTM方法全方位挖掘和量化同伴互動水平的行為水平、認知水平和情感狀態(tài)三個維度，最后進一步分析自我調(diào)節(jié)學習水平和同伴互動水平不同維度之間的關聯(lián)關系。結果顯示，在線學習過程中大多數(shù)學習者還不具備高水平自我調(diào)節(jié)學習能力，而且同伴互動也更多停留在淺層的行為層面；在線學習過程中學習者互動時的認知結構會受到教師發(fā)布學習主題的影響；在線學習過程中學習者的自我調(diào)節(jié)學習水平對同伴互動水平有顯著正向影響。

關鍵詞：自我調(diào)節(jié)學習；同伴互動水平；社會網(wǎng)絡分析；認知網(wǎng)絡分析；LSTM神經(jīng)網(wǎng)絡

中圖分類號：G434 文獻標識碼：A

* 本文系2021年浙江省哲學社會科學規(guī)劃課題“人機協(xié)同視域下基于多模態(tài)交互的學習者情感補償機制與策略研究”（課題編號：22NDQN220YB）、浙江省智能教育技術與應用重點實驗室開放研究基金“混合學習中基于多模態(tài)協(xié)同交互的學習者具身情感因果推理研究”項目（項目編號：jykf21001）階段性研究成果。

隨著互聯(lián)網(wǎng)技術的深入發(fā)展，在線學習成為數(shù)字化時代人們學習的重要途徑。疫情當下，在線學習更是成為一種新常態(tài)。在線學習中（即學習者在由信息網(wǎng)絡創(chuàng)設的技術環(huán)境）主要學習行為包括獨立學習行為、社會交互行為、系統(tǒng)交互行為、資源交互行為[1]。大量學者研究證實，同伴交互是決定學生在線學習成功學習經(jīng)歷的重要變量之一[2]。但由于在線環(huán)境下教與學時空分離，其情境缺乏真實性，使同伴在線互動存在知識建構層次較低、交互水平低的問題。如何提升同伴互動水平成了亟待解決的問題。一些研究通過改進教師教學設計和學習平臺設計提升學生的互動水平，效果仍然不佳。有國外研究者提出在線學習者的自我調(diào)節(jié)學習對同伴互動存在一定的影響，但并未通過實證研究給出明確的研究結果；同時國內(nèi)對于在線自我調(diào)節(jié)學習和同伴互動水平之間有何關系的研究甚少。而且國內(nèi)外均還沒有研究高效利用在線過程性數(shù)據(jù)分析兩者的關系。因此本文旨在通過在線學習行為數(shù)據(jù)深度挖掘并綜合多種學習分析技術對兩者的關系進行多維度深入分析，以期明確在線自我調(diào)節(jié)學習對同伴互動水平的影響，從而為在線學習中同伴互動水平不足這一難題提供新的解決方案和策略。

（一）自我調(diào)節(jié)學習及其量化

自我調(diào)節(jié)學習是一種能力，是指學習者在學習過程中設定目標，并運用元認知、動機、行為三方面的策略，計劃、監(jiān)控、調(diào)節(jié)、反思自己學習過程和行為的一種能力。有研究表明自我調(diào)節(jié)學習包括目標設定、時間管理、努力調(diào)節(jié)和尋求幫助四個方面[3]。研究發(fā)現(xiàn)，目標設定是一種元認知調(diào)節(jié)策略[4]。依據(jù)Pintrich的理論闡述，自我調(diào)節(jié)學習包括動機調(diào)節(jié)、認知和元認知調(diào)節(jié)、行為及上下文調(diào)節(jié)，其中行為及上下文調(diào)節(jié)包括時間管理、尋求幫助和努力調(diào)節(jié)[5]。有研究表明學習規(guī)律性與學生時間管理和元認知策略有關[6]。而努力調(diào)節(jié)指學習者在學習過程中投入的總時間[7]。綜上所述，本研究認為其具體包括努力調(diào)整、規(guī)律學習和尋求幫助這三方面的能力。在線自我調(diào)節(jié)學習是指在線學習中學習者積極激勵自己并調(diào)用適當學習行為的動態(tài)學習能力，它是自我調(diào)節(jié)學習在在線學習領域中的具體表現(xiàn)。

自我調(diào)節(jié)學習作為能力測量的方法有問卷調(diào)查法、訪談法和教師評價法。現(xiàn)有研究多用問卷調(diào)查法從目標設定、環(huán)境構建、行為動機、策略等幾個方面對自我調(diào)節(jié)學習進行測量[8][9]。大數(shù)據(jù)、機器學習的發(fā)展，為通過量化學習過程數(shù)據(jù)、行為數(shù)據(jù)來測量自我調(diào)節(jié)學習水平提供了新的技術手段[10-14]，相較于傳統(tǒng)方法，基于行為過程數(shù)據(jù)的學習分析技術更為客觀，是自我調(diào)節(jié)學習水平測量的新興方向。

（二）同伴互動及其量化

同伴互動指一個學習者和另外的學習者共同分析和解釋信息，解決問題，分享信息、意見和見解[15]。同伴互動只是一種形式，對于互動的研究關鍵問題是要看同伴之間互動的水平、深度及狀態(tài)。按照教育社會學視角、社會互動理論及社會性互動內(nèi)容的描述，社會性互動主要內(nèi)容包括行為成分、認知成分和情感成分。同伴互動也屬于社會性互動的一種，即同伴互動包括行為成分、認知成分和情感成分。因此，本文研究的同伴互動水平包括行為水平、認知水平和情感狀態(tài)三大類。

目前針對在線學習交互水平的各項研究中，應用較多的是內(nèi)容分析[16-18]。還有研究利用社會網(wǎng)絡分析方法[19]、行為序列分析[20]等方法對互動進行研究。隨著大數(shù)據(jù)和機器學習方法的發(fā)展，現(xiàn)在對于互動水平的測量又有了新的方法。國外有研究者將學習者的交互情況用日志數(shù)據(jù)量化，使用聚類分析的方法將學習者按照互動水平分為不積極、積極和非常積極三個類型[21]。現(xiàn)有研究一般都采用其中單一的一種方法研究互動，而綜合多種方法深入分析在線學習互動的研究較少。有鑒于此，本文將采用社交網(wǎng)絡分析、社會認知網(wǎng)絡分析和LSTM等方法揭示學習者交互規(guī)律。

（三）同伴互動與自我調(diào)節(jié)學習的關聯(lián)關系

國外研究者主要對在線自我調(diào)節(jié)學習和教學互動的關系開展了一些研究，但目前研究結論并不統(tǒng)一。Cho等從在線學習中教學互動的視角展開自我調(diào)節(jié)學習和師生交互關系的系列研究，表明自我調(diào)節(jié)學習對同伴互動是有積極影響的[22]。影響在線學習中學生互動的自我調(diào)節(jié)學習變量包括學習者特征、對課程內(nèi)容和互動的感知重要性等等[23]。在線學習中自我調(diào)節(jié)學習和學生-學生、學生-教師、學生-內(nèi)容互動均有顯著相關性[24]。還有研究提出自我調(diào)節(jié)學習能力強的學習者同伴互動反而是低水平的，因為不需要與同伴進行互動，自己可以完成學習過程[25]。國內(nèi)較少發(fā)現(xiàn)在線自我調(diào)節(jié)學習與同伴互動之間關系的深入研究，且利用在線學習過程性數(shù)據(jù)展開自我調(diào)節(jié)學習和同伴互動關系的卓有成效研究較少。

綜上所述，當前研究亟待采用準確高效的方法對自我調(diào)節(jié)學習和同伴互動進行量化，并從多維度和本質上探究在線學習環(huán)境中在線自我調(diào)節(jié)學習和同伴互動水平的關聯(lián)關系，分析不同維度的同伴互動水平以及自我調(diào)節(jié)學習對其施加的影響，給在線學習中同伴互動水平低的問題帶來新的解決思路。

（一）研究設計

本研究選取華南師范大學一門《計算機輔助教學》在線課程的交互數(shù)據(jù)。該課程為教育技術專業(yè)本科生專業(yè)必修課，課程形式為完全線上學習，學習者的個人學習和同伴互動等學習活動均于在線環(huán)境中開展。課程持續(xù)了一個學期（16周），總共有60名學生有效參與了課程活動。教師按照學習者的學習風格和學習成績將60名學生按照組內(nèi)異質組間同質的原則分為了10組，促進學習者開展小組協(xié)作。學習過程教師共發(fā)布了13個協(xié)作學習主題，學習者圍繞主題進行了積極的互動，共產(chǎn)生了5400余條有效文本數(shù)據(jù)和11000余條日志數(shù)據(jù)。因本研究是針對同伴互動水平的調(diào)查，數(shù)據(jù)處理過程中已經(jīng)將學生與教師的無效互動數(shù)據(jù)剔除。本研究主要利用了學習者在線學習過程中產(chǎn)生的日志數(shù)據(jù)和交互文本數(shù)據(jù)。

（二）量化指標

為了明晰在線學習環(huán)境中自我調(diào)節(jié)學習和同伴互動的關聯(lián)關系，必須量化自我調(diào)節(jié)學習與同伴互動水平，第一步則要確定量化指標。

通過文獻綜述，本研究確定了自我調(diào)節(jié)學習的三個屬性：努力調(diào)整、規(guī)律學習和尋求幫助。此外還要確定表示每種量化屬性的在線日志數(shù)據(jù)，具體日志數(shù)據(jù)類別的確定參照異步在線環(huán)境中利用學習分析支持自我調(diào)節(jié)學習提出的自我調(diào)節(jié)學習量化指標數(shù)據(jù)要求[26]。然后利用累積的學習者日志記錄進行主成分分析，以確定日志數(shù)據(jù)是否收斂表示三個自我調(diào)節(jié)學習屬性。主成分分析結果顯示6個累積日志變量收斂為三個分量，分別代表了自我調(diào)節(jié)學習能力的三個屬性，三個分量解釋了數(shù)據(jù)中94.23%的方差，具有非常好的解釋率。通過對指標的確定及指標描述數(shù)據(jù)的確定，最終確定本研究的自我調(diào)節(jié)學習量化指標如表1所示。

依據(jù)文獻綜述，確定同伴互動水平包括同伴互動的行為水平、認知水平和情感狀態(tài)三方面。本研究認為低同伴互動水平表現(xiàn)為同伴互動行為水平低、認知水平低、情感狀態(tài)消極負面，高同伴互動水平則表現(xiàn)為同伴互動行為水平高、認知水平高、情感狀態(tài)深刻積極。在實際互動過程中行為成分、認知成分、情感成分這三部分并非是完全割裂的，存在一定的交叉重疊，行為成分中存在認知和情感成分，認知成分中也存在一定的情感成分。本研究對互動行為進行這三種成分的劃分量化是為了更全面、更清晰、更深入地了解在線環(huán)境下同伴互動的內(nèi)在原理和實際情況。

（三）數(shù)據(jù)處理

數(shù)據(jù)處理包含自我調(diào)節(jié)學習、同伴互動水平量化和兩者的關聯(lián)關系分析兩部分。第一部分中，首先采用兩階段聚類分析方法，利用Ward方法和樹狀圖來確定最優(yōu)的聚類數(shù)量，使用K-means聚類方法進行聚類分析。將學習者按照自我調(diào)節(jié)學習水平分為3類，實現(xiàn)對學習者的自我調(diào)節(jié)學習量化。然后，通過社會網(wǎng)絡分析工具Ucinet 6測量網(wǎng)絡整體密度、點度中心度等特征，同時通過對網(wǎng)絡結構進行可視化直觀展示學習者之間的交互關系，實現(xiàn)對互動行為水平的量化。

第二部分中，先利用認知網(wǎng)絡分析法可視化表示出學習者認知元素間關聯(lián)關系形成的認知網(wǎng)絡結構圖，得到不同自我調(diào)節(jié)學習水平學習者的認知水平，并通過雙樣本t檢驗的方式可以得到不同認知網(wǎng)絡質心之間差異的顯著性，更加清晰地獲得互動過程中學習者認知水平及認知結構及其變化情況。然后利用訓練好的LSTM模型對預處理好的文本數(shù)據(jù)進行分析，通過采用Harris、Zheng和Kumar在2014年[27]提出的在線學習情感六維度（積極、消極、中性、深刻、困惑、開玩笑），對學習者的互動文本進行編碼，從而獲取學習者情感。最后，采用相關分析厘清在線環(huán)境中自我調(diào)節(jié)學習和同伴互動水平的復雜關系。

（一）自我調(diào)節(jié)學習和同伴互動水平的量化結果

分析得到的各集群的學習者數(shù)量和行為頻度如表2所示。從表2中可以看出，通過對學習者進行聚類，最終確定了低水平（類別1）、中等水平（類別2）、高水平（類別3）三類自我調(diào)節(jié)學習者，實現(xiàn)了自我調(diào)節(jié)學習水平的量化。為了后續(xù)自我調(diào)節(jié)對同伴互動影響的深層次歸因，需進一步探析三類自我調(diào)節(jié)學習者的具體行為特征。

通過社會網(wǎng)絡分析得到同伴互動行為水平情況如下，首先是對互動網(wǎng)絡整體屬性的描述。對60名學生之間交互的5400余條討論帖進行宏觀分析，得到整體社群圖（如圖1所示），以及測量得到的網(wǎng)絡基本屬性特征，包括節(jié)點數(shù)、網(wǎng)絡密度。該網(wǎng)絡節(jié)點數(shù)為719，網(wǎng)絡密度值為0.203，說明這門課程中互動網(wǎng)絡結構比較密集，學習者參與互動也比較活躍，學習者之間形成了非常緊密的網(wǎng)絡。

由于本互動網(wǎng)絡是有向網(wǎng)絡，因此會有點出中心度和點入中心度之分。點度中心度統(tǒng)計結果如表3所示，學習者在同伴互動過程中都較為活躍，點度中心度的均值為122.43，只有個別學習者在互動過程中不夠活躍。

選擇Gunawardena的交互分析模型[28]為編碼框架，將互動量化為5個認知階段，第一至第五階段分別為：信息的分享和比較；發(fā)現(xiàn)和分析觀點、概念、陳述的差異和分歧；意義協(xié)商與建構；檢驗并修改新建構的觀點；達成一致并應用新的觀點。結果顯示學習者的認知水平多處于第一、二低認知階段，占比為78.9%，第三、四和五中高認知階段占比為21.1%，而第四、五高認知階段只有7.4%。再通過認知網(wǎng)絡分析得到同伴互動認知網(wǎng)絡結構圖和認知網(wǎng)絡差異圖，得到不同自我調(diào)節(jié)學習水平組的學習者互動認知水平的差異，具體認知網(wǎng)絡圖展示在關聯(lián)關系分析部分。

為了進一步分析學習者的情感狀態(tài)，根據(jù)六分類情感編碼體系標注文本大數(shù)據(jù)，分別按照7：3的比例從中選取出模型的訓練集和測試集，通過訓練集對模型進行訓練，然后利用測試集測試模型的準確率，并不斷修改模型，最終模型的準確率在85%。利用最終的LSTM模型處理本研究中的互動文本，確定同伴互動過程中的情感狀態(tài)，量化得到學習者互動情感狀態(tài)總體情況如圖2所示。

其中積極情感占11.45%、消極情感占3.04%、中性情感占61.98%、深刻情感占13.71%、困惑情感占5.16%和開玩笑情感占4.66%，從數(shù)據(jù)分析結果總體看來本課程同伴互動過程中學習者的情感處于中性、積極、深刻情感更多，較少的學生會有消極、困惑情感，也較少有學習者談論與學習內(nèi)容無關的玩笑話，學習者的整體情感狀態(tài)是積極的。

（二）自我調(diào)節(jié)學習與互動行為水平的關聯(lián)關系

本課程點度中心度社群圖如圖3所示。由圖3可以看出，在整體網(wǎng)絡結構中，中高自我調(diào)節(jié)學習水平的學習者大都處于網(wǎng)絡的核心位置，例如1、24、37、26、29號學習者，這也表明學習者在學習過程中主動計劃、監(jiān)控、調(diào)節(jié)自己的互動行為，其互動行為水平較高。低自我調(diào)節(jié)學習水平的2、16、34號學習者則處于網(wǎng)絡邊緣位置，說明他們在學習過程中與同伴之間的互動較少?？梢员砻髯晕艺{(diào)節(jié)學習對同伴互動的行為水平是有一定正向影響的。

然后，運用Spearman相關分析確定了自我調(diào)節(jié)學習與點度中心度、點度出度和點度入度之間的相關關系。描述性統(tǒng)計的結果如表4所示。

自我調(diào)節(jié)學習與點度中心度。點度中心度指網(wǎng)絡中某一學習者與其他有直接聯(lián)系的學習者的個數(shù)，點度中心度越大表示該學習者與其他學習者聯(lián)系越多，課程中的互動較為活躍。由表4可知，自我調(diào)節(jié)學習與點度中心度的Spearman系數(shù)為0.646，而且p<0.01，即學習者的自我調(diào)節(jié)學習與其點度中心度之間呈現(xiàn)顯著的正相關性，表明具有越強的自我調(diào)節(jié)學習能力，學習者在互動過程中就會與更多的學習者有直接聯(lián)系，互動更為活躍。即互動的行為水平越高。

在有向社會網(wǎng)絡中，點出中心度描述的是互動過程中學習者向其他學習者發(fā)出的帖子數(shù)量，表示了學習者的影響力和活躍程度。點入中心度描述的是學習者在互動過程中接收到其他學習者帖子的數(shù)量，表示了學習者在互動過程中的聲望。

自我調(diào)節(jié)學習與點出中心度。由表4可知，自我調(diào)節(jié)學習與點出中心度的Spearman系數(shù)為0.800，而且p<0.01，即學習者的自我調(diào)節(jié)學習與其點出中心度之間呈現(xiàn)顯著的正相關性。換言之，自我調(diào)節(jié)學習能力越強，學習者在互動過程中的影響力越大，活躍程度越高。自我調(diào)節(jié)學習與點入中心度。由表4可知，學習者的自我調(diào)節(jié)學習與其點入中心度之間無相關關系。分析其原因可能是自我調(diào)節(jié)學習能力是學習者對自身行為的監(jiān)控調(diào)節(jié)，與個人聲望和他的吸引力無關，與其他學習者是否積極參與互動無關，即收到其他學習者的帖子數(shù)量因此會出現(xiàn)不相關的情況。

綜上所述，自我調(diào)節(jié)學習對同伴互動行為水平有顯著正向影響。自我調(diào)節(jié)學習能力強的學習者在同伴互動過程中會更加積極活躍，在整個互動網(wǎng)絡中具有高的影響力。

（三）自我調(diào)節(jié)學習與互動認知水平的關聯(lián)關系

本研究將低水平、中等水平和高水平三組自我調(diào)節(jié)學習者的同伴互動數(shù)據(jù)導入ENA在線分析工具，得到三個組的認知網(wǎng)絡結構圖，如圖4所示。該圖展示了三組不同自我調(diào)節(jié)學習水平學習者的認知網(wǎng)絡圖質心分布位置，其中圓點和正方形分別代表每位學習者的認知網(wǎng)絡圖質心和組內(nèi)所有學習者的認知網(wǎng)絡圖平均質心，正方形外側虛框表示95%的置信區(qū)間。觀察圖4可得，三個組的質心距離X和Y軸的距離并無太大差異，通過雙樣本T檢驗分析三組認知網(wǎng)絡結構差異，但最終統(tǒng)計結果發(fā)現(xiàn)三個組的認知網(wǎng)絡結構在X和Y維度上無顯著差異。經(jīng)過對學習者的互動文本詳細分析后得出結論，認為出現(xiàn)這種現(xiàn)象的原因是由于本次課程中同伴互動的內(nèi)容都是圍繞教師提出的13個協(xié)作學習主題進行的，這就導致學習者在討論過程中涉及的知識結構都是相同的，所以會出現(xiàn)質心位置相距較近，認知網(wǎng)絡結構差異不顯著的結果。

但是每位學習者對于每個主題討論內(nèi)容的水平是不同的。表5呈現(xiàn)高水平/中等水平/低水平三組自我調(diào)節(jié)學習者的認知網(wǎng)絡圖。其中，節(jié)點表示學習者的認知階段，節(jié)點大小及其之間連線粗細分別與該認知階段出現(xiàn)的頻次和共現(xiàn)頻次呈正相關。該認知網(wǎng)絡圖在X和Y維度的共同配準Pearson/Spearman相關性分別為0.94/0.95和0.97/0.97，表明生成的認知網(wǎng)絡圖與原數(shù)據(jù)具有很高的擬合度。

通過三組自我調(diào)節(jié)學習組的對比，可以發(fā)現(xiàn)高水平自我調(diào)節(jié)學習組的認知階段共現(xiàn)網(wǎng)絡更加多樣、復雜，其網(wǎng)絡質心在Y軸左側，處于第四和第五等高認知階段的居中位置，更關注高階知識的討論和發(fā)布。中水平自我調(diào)節(jié)學習組的學習者認知階段共現(xiàn)網(wǎng)絡相對較為簡單，不夠均衡，質心在Y軸右側，處于第一、二和三等中低認知階段的居中位置。最強連接發(fā)生在前三個認知階段之間，第四五認知階段較少涉及或共現(xiàn)。低水平自我調(diào)節(jié)學習組的學習者認知階段共現(xiàn)網(wǎng)絡單一、有明顯的局部性特點。質心處在Y軸右側偏上位置，處于第一和第二低認知階段的居中位置。第三四五認知階段基本沒有涉及或共現(xiàn)。

為了直觀展現(xiàn)兩組之間認知水平的差異，采用ENA創(chuàng)建三個組之間的認知網(wǎng)絡差異圖，即認知網(wǎng)絡中較強連接減去較弱組的相應連接，最終顯示較強的連接線。表6是不同自我調(diào)節(jié)學習水平組之間的認知網(wǎng)絡差異圖。從認知網(wǎng)絡差異圖中同樣可以看到高水平自我調(diào)節(jié)學習組的學習者互動過程中認知程度處于高階層次，中等水平自我調(diào)節(jié)學習組的學習者互動過程中認知程度處于中階層次，而低水平自我調(diào)節(jié)學習組的學習者互動過程中認知程度處于基礎層次。

通過以上認知網(wǎng)絡圖的對比和分析我們可以發(fā)現(xiàn)，高自我調(diào)節(jié)學習水平組的學習者認知水平集中在三、四和五這三個高水平階段，互動內(nèi)容更具廣度和深度；中等自我調(diào)節(jié)學習水平組學習者認知水平則處于二、三這兩個中等水平階段，互動內(nèi)容更多涉及中階知識；低自我調(diào)節(jié)學習水平組學習者認知水平集中在第一、二這兩個低水平階段，互動過程中涉及的更多的是基礎、淺層次的內(nèi)容。因此可以得知，學習者的自我調(diào)節(jié)學習能力對同伴互動的認知水平有顯著的正向影響。自我調(diào)節(jié)學習能力越高，學習者對自己的行為會有更多的自我監(jiān)控和自我反思，同伴互動過程中的認知水平也會相應越高。

（四）自我調(diào)節(jié)學習與互動情感狀態(tài)的關聯(lián)關系

依據(jù)自我調(diào)節(jié)學習能力的分組情況對情感狀態(tài)數(shù)據(jù)進行描述統(tǒng)計，得到不同自我調(diào)節(jié)學習水平學習者情感狀態(tài)分布如表7所示。

結果顯示，三組學習者的中性情感都占比較大，分析學生的帖子發(fā)現(xiàn)大多數(shù)中性情感是在單純論述一些課程知識，并沒有涉及鮮明的個人情感，這也符合課程教學的實際，學習者在討論區(qū)發(fā)表的內(nèi)容還是更傾向與對知識的闡釋。但對于高水平自我調(diào)節(jié)學習組的學習者，他們互動過程中深刻和積極情感是互動過程中占比較大的情感狀態(tài)，分析該組學生的帖子發(fā)現(xiàn)他們發(fā)帖的內(nèi)容更多的是表達自己一些創(chuàng)新的觀點或思考，或者是對別人的觀點表示支持或贊賞，都是正面的學習情感，較少出現(xiàn)對某一話題持反對意見或是談論與學習內(nèi)容無關的玩笑話。

對于中等水平自我調(diào)節(jié)學習組學習者而言，積極深刻同樣占比較大，但比例還是低于高等水平自我調(diào)節(jié)學習組，分析他們的帖子可以發(fā)現(xiàn)該組學生消極情感很少，他們較少地表達除對某話題和觀點的反對，較多對某一問題存在困惑，或是會談論一些與話題無關的玩笑話；對于低水平自我調(diào)節(jié)學習組學習者而言，消極、困惑、玩笑的情感比其他兩個組學生多出很多，分析他們的帖子發(fā)現(xiàn)他們在討論過程中更多地表達了對一些學習者觀點和話題的不喜歡和反對、表達自己的困惑情緒或是談論于學習內(nèi)容無關的玩笑話，較少涉及創(chuàng)新觀點或個人的思考。

綜上所述，不同水平的自我調(diào)節(jié)學習者在同伴互動過程中的情感狀態(tài)也存在差異。高水平自我調(diào)節(jié)學習者體驗更多的深刻積極情感，中等水平自我調(diào)節(jié)學習者消極狀態(tài)較少，其他情感狀態(tài)占比也處于中等水平，而低水平自我調(diào)節(jié)學習者的情感狀態(tài)則多是消極、困惑和開玩笑。

通過以上對自我調(diào)節(jié)學習和同伴互動行為水平、認知水平和情感狀態(tài)之間關聯(lián)關系的分析可以得知，自我調(diào)節(jié)學習水平高的學習者，無論是在同伴互動的行為水平、認知水平，還是在情感狀態(tài)方面都有很好的表現(xiàn)。自我調(diào)節(jié)學習水平高的學習者更加積極主動參與同伴互動，而且互動內(nèi)容都處于意義協(xié)商與構建、達成一致并應用新建構觀點的高層次認知水平，同時他們的情感狀態(tài)大多是深刻積極的，更容易有一些創(chuàng)新的觀點和思考。

（一）結論

本研究基于對在線學習過程數(shù)據(jù)的分析處理，系統(tǒng)闡述了在線學習者自我調(diào)節(jié)學習與同伴互動水平之間的關系，得出以下結論。

第一，在線學習過程中學習者的自我調(diào)節(jié)學習得到的關注較少，而且同伴互動也更多停留在淺層的行為層面。數(shù)據(jù)分析顯示大多在線學習者的自我調(diào)節(jié)學習處于中低水平，高水平自我調(diào)節(jié)學習學習者僅占1/6，學習者還沒有學會在線自我調(diào)節(jié)學習。同時發(fā)現(xiàn)在線學習過程中學習者與同伴之間發(fā)帖數(shù)量雖多但帖子內(nèi)容多數(shù)卻是信息的分享與比較、發(fā)現(xiàn)差異與分歧等認知水平較低的內(nèi)容。

第二，在線學習過程中學習者互動時的認知結構會受到學習內(nèi)容的影響，針對具體學習內(nèi)容，不同自我調(diào)節(jié)學習水平學習者的認知結構無顯著差異的。若在線課程中，同伴互動的內(nèi)容都是圍繞教師提出的特定協(xié)作學習主題進行的，會導致學習者在討論過程中涉及的知識結構都是相同的。

第三，學習者于在線學習環(huán)境下自我調(diào)節(jié)學習與同伴互動水平呈顯著正向影響。自我調(diào)節(jié)學習水平高的學習者在同伴互動過程中更加主動活躍，互動過程中也更傾向于意義協(xié)商與知識建構并應用新建構的知識解決問題，而非僅停留在淺層認知階段（信息分享、比較差異分歧等），同時能夠自我調(diào)節(jié)學習的學習者在互動過程中也會更加的積極，更容易有一些創(chuàng)新的觀點和思考，較少出現(xiàn)困惑談論與學習知識無關內(nèi)容。

（二）建議

筆者將結合研究結果，從在線自我調(diào)節(jié)學習角度提出一些建議，以期提升在線同伴互動水平。

1.培養(yǎng)自我調(diào)節(jié)學習意識，促進互動行為的發(fā)生

在線環(huán)境中學習者的自我調(diào)節(jié)學習水平越高，其同伴互動水平就會越高。但目前學習者對自我調(diào)節(jié)學習的關注度不夠。因此實際在線教學過程中教師可以事先跟學習者介紹自我調(diào)節(jié)學習的概念及其在學習過程中的作用，提升他們對自我調(diào)節(jié)學習的重視程度；其次教師可以分別從計劃階段、行為表現(xiàn)階段與自我反思階段入手設計有利于增強學習者自我調(diào)節(jié)學習水平的活動。通過上述策略，可以提高學習者的積極性和主動性，促進在線學習過程中學習行為的發(fā)生。

2.實施有效學習反饋，提升互動認知水平

反饋是自我調(diào)節(jié)學習的核心。學習反饋指在學習過程中為了改進、提升學習者的學習，教師、同學、家長、環(huán)境等根據(jù)學生完成學習任務的情況發(fā)送回的信息。無論是前饋、學情反饋還是結果反饋，或是環(huán)境、人的反饋，這些外部反饋都可以激起學習者對自己的行為表現(xiàn)進行自我監(jiān)控、自我反思和自我調(diào)節(jié)，調(diào)整學習行為，激發(fā)學習動機，提升學習者的在線學習元認知策略，進而提升互動過程中的認知水平。

3.優(yōu)化學習環(huán)境推薦，增強互動情感交流

情境是自我調(diào)節(jié)學習者積極地監(jiān)控、調(diào)節(jié)和控制他們的認知、動機和行為的重要影響因素。在線學習環(huán)境推薦包括社會環(huán)境推薦和物理環(huán)境推薦。社會環(huán)境推薦包括同伴、榜樣推薦；物理環(huán)境推薦包括學習資源推薦等，學習資源可以包括學習視頻、課件、優(yōu)秀學生作品。優(yōu)化學習環(huán)境推薦，可以克服學習者在線學習過程中的孤獨感和無助感，使其產(chǎn)生集體歸屬感，促進學習者主動尋求幫助，增強互動中的情感交流。有效情感的產(chǎn)生同樣會促進互動行為發(fā)生、互動認知程度提升，進而提升同伴互動的整體水平。

參考文獻：

[1] 吳林靜，勞傳媛等.網(wǎng)絡學習空間中的在線學習行為分析模型及應用研究[J].現(xiàn)代教育技術，2018，28（6）：46-53.

[2] Kurucay M，Inan F A.Examining the effects of learner-learner interactions on satisfaction and learning in an online undergraduate course [J].Computers & education，2017，115：20-37.

[3] Papamitsiou Z，Economides A A.Exploring autonomous learning capacity from a self‐regulated learning perspective using learning analytics [J].British Journal of Educational Technology，2019，50（6）： 3138-3155.

[4] Lee D，Watson S L，et al.Systematic literature review on self-regulated learning in massive open online courses [J].Australasian Journal of Educational Technology，2019，35（1）：28-41.

[5] Pintrich P R.The role of goal orientation in self-regulated learning [M]. Pittsburgh：Academic Press，2000.451-502.

[6][10][26] Dongho K，Meehyun Y，et al.Learning analytics to support self-regulated learning in asynchronous online courses：A case study at a women’s university in South Korea [J].Computers & Education，2018，127：233-251.

[7] Grabe M，Sigler E.Studying online： Evaluation of an online study environment [J].Computers & Education，2002，38（4）：375-383.

[8] Barnard L，Lan W Y，et al.Measuring self-regulation in online and blended learning environments [J].The Internet and Higher Education，2009，12（1）：1-6.

[9] Pintrich P R，Smith D A F，et al.Reliability and Predictive Validity of the Motivated Strategies for Learning Questionnaire （Mslq） [J]. Educational & Psychological Measurement，1993，53（3）：801-813.

[11] Han J，Lee S.Investigating online learning types based on selfregulated learning in online software education：Applying hierarchical cluster analysis [J].The Journal of Korean Association of Computer Education，2019，22（5）：51-65.

[12] Montgomery A P，Mousavi A，et al.Using learning analytics to explore self‐regulated learning in flipped blended learning music teacher education [J].British Journal of Educational Technology，2019，50（1）：114-127.

[13] Li Q，Baker R，et al.Using clickstream data to measure，understand，and support self-regulated learning in online courses [EB/OL].https：//www. sciencedirect.com/science/article/abs/pii/S1096751620300038，2020-01-15.

[14] 徐曉青，趙蔚等.自我調(diào)節(jié)學習中學習分析的應用框架和融合路徑研究[J].電化教育研究，2021，42（6）：96-104.

[15] Moore M G.Three Types of Interaction [J].American Journal of Distance Education，1989，3（2）：1-7.

[16] 李玉順，鄒佳君等.教師支持對在線學習者交互程度影響的研究——以高中語文學科“雙課堂”教學為例[J].中國電化教育，2019，（5）：114-119.

[17] 趙嬰，何克抗.基于微信的跨文化網(wǎng)絡交流互動深度研究[J].電化教育研究，2019，40（10）：35-39+60.

[18] 陳蓓蕾，張屹等.技術支持的教學交互策略促進交互深度研究[J].中國電化教育，2019，（8）：99-107.

[19] 劉三女牙，韓雪等.SPOCs論壇中學習者的交互模式研究——基于回復網(wǎng)絡和引用網(wǎng)絡的比較[J].中國電化教育，2019，（11）：73-79.[20] Huang C Q，Han Z M，et al.Investigating students’ interaction patterns and dynamic learning sentiments in online discussions [EB/OL].https：//www.sciencedirect.com/science/article/abs/pii/ S0360131519301307，2019-05-21.

[21] Ak ap nar G，Altun A，et al.Proceedings of 14th IEEE International Conference on Advanced Learning Technologies：Investigating Students’ Interaction Profile in an Online Learning Environment with Clustering [C].New Jersey：IEEE，2014.

[22] Cho M H，Demei S，et al.Relationships Between Self-Regulation and Social Experiences in Asynchronous Online Learning Environments [J]. Journal of interactive learning research，2010，21（3）：297-316.

[23] Cho M H，Kim B J.Students’ self-regulation for interaction with others in online learning environments [J].The Internet and Higher Education，2013，17：69-75.

[24] Kuo Y C，Walker A E，et al.Interaction，Internet self-efficacy，and self-regulated learning as predictors of student satisfaction in online education courses [J].The internet and higher education，2014，20：35-50.

[25] Hirumi A.A Framework for Analyzing，Designing，and Sequencing Planned Elearning Interactions [J].Quarterly Review of Distance Education，2002，3（2）：141-160.

[27] Harris S C，Zheng L，et al.Multi-dimensional sentiment classification in online learning environment [A].2014 IEEE Sixth International Conference on Technology for Education [C]. Amritapuri：IEEE，2014.172-175.

[28] Gunawardena C N，Lowe C A，et al.Analysis of a global online debate and the development of an interaction analysis model for examining social construction of knowledge in computer conferencing [J].Journal of Educational Computing Research，1997，17（4）：397-431.

作者簡介：

韓中美：講師，博士，碩士生導師，研究方向為人工智能賦能教育應用。

田甜：碩士，研究方向為自我調(diào)節(jié)學習、學習分析。

何濤：副研究員，博士，研究方向為智慧教育、教育信息化。

黃昌勤：二級教授，博士生導師，研究方向為智能教育、教育賦能新技術、教育信息化工程。

The Relationships Between Self-regulated Learning and Peer Interactions in Online Environments

Han Zhongmei1， Tian Tian2， He Tao3， Huang Changqin1（1.Key Laboratory of Intelligent Education Technology and Application of Zhejiang Province， Zhejiang Normal University， Jinhua 321004， Zhejiang； 2.School of Information Technology in Education， South China Normal University， Guangzhou 510631， Guangdong； 3.Shenzhen Guangming Institute of Educational Sciences， Shenzhen 518107， Guangdong）

Abstract： Peer interactions are not only the key of learners’ knowledge construction， but also one of the important ways to improve the online learning effect. Self-regulated learning can affect learners’ behaviors. Certainly， peer interactions， as a kind of learning behaviors， are influenced by the level of self-regulated learning. However， due to lack of mining and quantifying self-regulated learning and peer interactions， their relationships need to be further explored from online learning process data. By collecting learners’ log data and discussion texts， this paper first uses the two-stage clustering method to quantify the level of self-regulated learning， and then comprehensively identifies three dimensions of peer interaction level， including interaction level， cognitive level and emotional state by using social network analysis， social epistemic network analysis and LSTM methods. Finally， the relationships between different dimensions of self-regulated learning level and peer interaction level are explored. Results in this study show that most learners do not have a high level of self-regulated learning ability， and peer interactions also remain at surface interactions， In the process of online learning， the cognitive structure of learners’ interactions will be affected by the learning themes； The level of self-regulated learning has a significant positive impact on peer interaction.

Keywords： self-regulated learning； peer interaction level； social network analysis； social epistemic network analysis； LSTM neural network

責任編輯：李雅瑄