
通过社会网络分析捕捉计算机支持协作学习的参与和社会维度:哪些方法和指标重要?
Mohammed Saqr, Olga Viberg, Henriikka Vartiainen
International Journal of Computer-Supported Collaborative Learning
网络设计
节点
四门医学高等教育课程共12次开设中的598名学生。
连接
学生在问题导向学习讨论中对另一名学生的回复,并在三种网络配置中以不同方式表示。
方法
多重图、简化图与文本加权网络构建,五项中心性指标,稳健性和可重复性比较,以及与参与和表现的关联分析。
来源: Springer Nature
审阅摘要

研究处理学习分析中的可重复性问题:研究者可以把同一组讨论数据转换成不同网络,而这些选择可能改变中心性所代表的意义。数据包括医学高等教育12次课程开设中598名学生的13,428次互动。
作者比较多重图、加权图和简化图。多重图的度中心性是参与投入最可靠的指标,也是表现最一致的预测变量;特征向量中心性则是在不同配置下最稳定的社会维度表示。
SNA
研究如何运用 SNA
研究以三种方式重建Moodle回复数据:保留重复连接和自环的多重图、移除两者的简化图,以及按发文文本量加权的网络。随后比较入度、出度、接近、中介和特征向量中心性的稳健性及其与学习指标的关系。
来源
International Journal of Computer-Supported Collaborative Learning, 15, 227-248
DOI: 10.1007/s11412-020-09322-6


