刘 放，赵希武，徐行健，孟繁军

（内蒙古师范大学 计算机科学技术学院，内蒙古 呼和浩特 010022）

0 引言

教育部印发的《教育信息化2.0行动计划》提出，持续推进信息技术和智能技术深度融入教育教学全过程，推动改进教学、优化管理、提升绩效［1］。信息技术如何融入学习分析并从多维度进行综合动态评估与分析［2］，仍是当前教育领域的热点研究问题。传统的学习分析存在一定局限，研究者一般从整体、静态的角度收集和分析学习者及学习情境的数据［3］。为了更好地探究学习分析，本文引入一种定量分析新方法，即认知网络分析法（Epistemic Network Analysis，简称ENA），它可以动态地呈现学习者认知元素之间的连接关系，进一步反映学习者的认知特征［4］。对于计算机相关专业的实验课程而言，日常教学、随堂测验借助程序设计类实验辅助教学平台（PTA）完成，具备运用学习分析开展评价的基础条件，可以从监测、评价、诊断和预测等方面支持教学并辅助教育决策［5］。本文采用认知网络分析法对不同组别和性别的学习者阶段性测评数据进行可视化分析，为一线教师开展信息化教学和评价提供借鉴。

1 研究现状

1.1 数据驱动下的学习分析

学习分析的开展依赖于系统化、结构化的海量数据［6］。牟智佳等［7］以布鲁姆教学目标分类学和Q矩阵理论为依据，构建基于测评数据的个性化评价模型，通过对学习者的测评数据进行检验，为教师的因材施教提供个性化分析及参考。王改花等［8］采用决策树方法对学习者的行为和成绩进行预测，发现不同性别和学科背景的学习者存在差异，便于教师深入了解每类学习者的特征，实施精准化的干预和帮扶。在Petersen的数据信息教学中，绩效数据主要用来诊断学习者的学习差距，便于在每学年开始时制定有针对性的教学计划，以提高学生的学习成绩［9］。顾小清等［10］指出，通过对数据进行统计分析和可视化分析可以实现对课程和教学的监测和评价，以便为学生提供更有针对性的教学干预并设计满足学生需求的学习内容。数据本身不会产生教学价值，要基于教育理论对数据加以诠释，给数据赋能，才能实现数据驱动下的学习分析。数据驱动下的教育变革，改进了传统的终结性评价，建立了多样化、多角度、多方式的评价指标［11］。

1.2 认知网络分析在教育中的应用

在教育领域，认知网络分析被广泛应用于测量评价与学习分析。朱旭［12］从复杂教学环境角度入手，遵循“以证据为中心”的思想理念，融合认知网络可视化分析技术，构建基于学习者认知网络分析的评价模型，从多角度评价不同经历和水平学习者的认知结构，从而改进了传统的教育评价。借助网络学习平台中产生的学习数据，解释学习者的知识建构过程也是在教育领域的另一个应用。冷静等［13］收集Coursera平台中的MOOC讨论数据和成绩数据等，结合自然语言处理方法对数据进行编码再进行认知网络分析，研究发现高分组和低分组在认知和个人领域具有显著性差异。认知网络分析不仅可以作为一种学生评价工具，同时在评价教师专业能力方面也十分奏效。在数学课堂教学中，Orrill等［14］认为ENA可以用来理解教师在任务中使用的关于数学的细粒度概念之间的联系，可以作为提炼专家型教师和新手型教师差异研究的第一步。吴忭等［15］运用认知网络分析法基于非良构的中医领域问题，分析不同引导风格的教师对学生学科思维能力的影响存在显著差异。研究发现，当前教育评价的重点逐渐从知识内容的掌握转向关注认知领域的评价。

2 研究方案设计

2.1 研究工具

认知网络分析是一种识别和量化编码数据中各元素之间的连接，并将其表示在动态网络模型中的新方法。这些模型说明了连接的结构，测量了网络中各元素之间的关联强度，它们随着时间的推移量化了连接的组成和强度的变化。认知网络分析可以直接进行网络比较，也可以通过汇总统计进行比较。因此，在假设数据中的关联模式有意义的情况下，该方法可以用来探索广泛的定性和定量研究问题［16］。威斯康星大学麦迪逊校区教育学院Shaffer等学者开发了ENA Webkit，并使用该平台创建和探索网络模型。ENA Webkit执行两个主要功能：其一，它处理编码数据，读取数据表，将行分成节，按节积累代码，创建一组邻接矩阵，累积不同节的邻接矩阵，表示每个分析单元的编码对象之间的连接结构，并产生一个降维用以表示数据集，形成由X和Y组成的二维坐标系［17］，建模过程如图1所示；其二，ENA使用这种分析结果以创建可视化，促进对数据的探索和解释。

Fig.1 Coding and modeling steps of ENA图1 认知网络分析法的编码与建模步骤

2.2 研究问题

本研究首先在程序设计类实验辅助教学平台中选择C语言程序设计综合训练的一次随堂测验数据，然后统计测验试题的难度、知识元素和认知维度，确认试题编码，再将答题情况进行二进制编码，之后后进行认知网络分析和统计分析，探究学生的认知差异，为后续教学设计提供指导和参考。具体研究流程如图2所示。

Fig.2 Research process图2 研究流程

实验教学是计算机专业教学体系的重要组成部分，C语言程序设计综合训练课程是针对计算机专业而设计的一个综合应用项目，是相关专业课知识的串联，要求学生运用其所学专业知识进行综合设计和开发，从而将知识融会贯通、整理、提升及扩展。由于实验课程的特殊性，在程序设计类实验辅助教学平台考核过程中存在难以精准评价和考察学生专业认知结构问题。为了解计算机专业学生在随堂测验过程中所形成的专业认知结构特征，本文采用认知网络分析法，研究问题将聚焦于以下两个方面：

问题一：不同绩效水平的学生在专业认知结构中有什么差异？

问题二：不同性别的学生在专业认知结构中有什么差异？

2.3 研究数据收集与编码

本文以某师范大学计算机学院的43名学生为研究对象，首先对试题数据依据如图3所示进行编码标记，内容包括试题难度、涉及的知识要素和认知维度分类，分别旋转三层表盘排列组合，即可查询编码含义，例如R1.FZ表示该题考察了记忆理解层面中赋值调用问题难度为1。接着，使用二进制“0”和“1”对试题作答情况进行编码如表1所示，若试题回答正确则记“1”，回答错误则记“0”，依据测验成绩，将学生分为高绩效组和低绩效组，大于等于60分为高绩效组，小于60分为低绩效组最后，将每名学生的测验数据作为一个节，节的大小设置为4，将编码后的数据在ENA Webkit工具（http：//www.epistemicnetwork.org/）中进行认知网络分析。

Table 1 Coding table表1 编码表

Fig.3 Test question coding disk图3 试题编码盘

3 分析与讨论

3.1 不同绩效水平的学生在认知特点上具有明显差异

针对问题1，研究依据测验成绩将学生分为高绩效组和低绩效组，其中高绩效组12人，低绩效组31人，按照编码框架将不同绩效水平学生的编码结果导入至ENA在线分析工具后，生成两组群体的认知网络质心图，如图4所示。其中，小圆形为每名学生的认知网络图的质心，实心正方形表示组别内所有学生的认知网络图的平均质心，质心相对于网络中不同节点的位置远近反映认知网络图侧重构建了哪些编码间的关联，检验认知网络图的质心位置差异可以作为判断认知框架差异的统计学依据［18］，质心外侧的虚框表示95%的置信区间。可以看出，两组在Y维度上并没有明显差距，在X维度A组和B组质心位置相距较远，这表明不同类型的学生在测验过程中产生了不同的认知水平和结构。

Fig.4 High performance group and low performance group epistemic network centroid map图4 高绩效组和低绩效组认知网络质心图

为了从统计意义上分析两个组别的认知网络结构差异，本研究使用双样本T检验，分析两个组别在X维度和Y维度的差异，结果如表2所示。

Table 2 T-test results of epistemic network differences among different groups of students表2 不同组别学生认知网络差异T检验结果

结果显示，高绩效组和低绩效组在X维度存在显著差异（p＜=0.01）。图5、图6分别为高绩效组、低绩效组的认知网络图，图中结点代表试题涉及的知识要素，它与知识要素出现频次相关，结点间连线的粗细与相应知识要素共现频次相关。生成的认知网络图形与原始数据有较高的拟合优度，其中X维度的相关性系数为0.98（Pearson）和0.97（Spearman），Y维度的相关性系数为0.96（Pearson）和0.96（Spearman）。

Fig.5 Epistemic network of high-performance group图5 高绩效组认知网络

Fig.6 Epistemic network of low-performance group图6 低绩效组认知网络

从两组的认知网络图可以发现，图5高绩效组的质心向X轴左侧偏移，共现网络呈现完整、均匀、复杂。在难度较高的枚举类型、结构体变量、结构体指针和综合实践建立了较强的连接，说明高绩效组不仅内化了概念和定义类知识，同时具备运用程序性知识解决综合实践问题的能力。图6低绩效组的质心向X轴右侧偏移，共现网络呈现局限性特征，在难度较低的结构体概念、结构体赋值和结构体调用建立连接，而对综合实践类编程题很少共现。为了更清晰地看到两个群体在专业认知网络结构上的差异，本研究对两组认知网络图进行做差操作，这种方法可以比较编码间关联在对应网络中的差异，结果如图7所示。两组网络相互抵消后，剩余的连接大部分是高绩效组，在综合实践、枚举类型和结构体类型结点高绩效组共现连接较为突出，而低绩效组则侧重于难度较低的概念性结点连接。

Fig.7 Epistemic network of differences between high-performance and low-performance students图7 高绩效与低绩效组学生的差异认知网络

3.2 不同性别的学生在认知特点上各有所长

针对问题2，依据性别将学生分为男性组和女性组，其中男性组21人，女性组22人，按照编码框架将不同性别学生的编码结果导入至ENA在线分析工具，生成如图8所示的两组群体的认知网络质心图。为了从统计学意义上分析不同性别学生的专业认知网络结构特征差异，通过双样本t检验分析X维度与Y维度的组间差异，结果如表3所示。

Table3 T-test results of epistemic network differences between students of different genders表3 不同性别学生认知网络差异T检验结果

Fig.8 Epistemic network centroid map of male and female groups图8 男性组和女性组认知网络质心图

结果显示，男性组和女性组在X维度存在显著差异（p＜=0.01）。图9、图10分别是男性组、女性组的认知网络图，生成的认知网络图形与原始数据有较高的拟合优度，其中 X维度的相关性系数为0.96（Pearson）和0.95（Spearman），Y维度的相关性系数为0.98（Pearson）和0.98（Spearman）。

Fig.9 Male group epistemic network图9 男性组认知网络

Fig.10 Female group epistemic network图10 女性组认知网络

从两组认知网络图可以看出，男性组认知网络图的共现网络各结点共线性均衡，较为复杂，在难度系数较高的枚举类型和结构体变量上有更多联系，这说明运用理解难度较高的题有利于综合实践题的解决。女性组认知网络较为局限和集中，对综合实践、数组和枚举类型连接较弱，女性组仅停留在解决难度较低的基础题目，比如记忆理解，未能运用前置知识解决更高阶的实践问题。将两组认知网络图进行做差操作，结果如图11所示，两组都存在剩余连接，说明男性组和女性组分别存在各自擅长的认知领域。

Fig.10 Difference epistemic network between male and female students图11 男性组与女性组学生的差异认知网络

4 结论与建议

4.1 结论

本研究通过对程序设计类实验辅助教学平台中学生测评数据的内容进行编码与认知网络建模，得到了高绩效组学生和低绩效组学生的认知网络图，以及男性组学生和女性组学生的认知网络图。通过对网络图结构的量化分析和比较，得出如下结论：

4.1.1 不同绩效组的学生对知识的掌握存在差异

从认知网络图可以发现，高绩效组在多数节点建立了较强的连接，即他们将课堂所讲授的知识进行了有意义学习。布鲁姆教育目标分类学中将知识维度分为：事实性知识、概念性知识、程序性知识和元认知知识。在传统计算机专业的实验课程中，教师往往采用循序渐进的教学原则，从基础事实性知识和概念性知识出发由浅入深地上升到程序性知识，使学生系统地掌握基础知识和基本技能，形成严密的逻辑思维能力。而从低绩效组的认知网络图可以明显看出，在低难度的基础知识上体现出较为集中的共线性，但综合实践能力偏弱，低绩效组较重视对知识的记忆和理解，但无法运用知识解决实际问题，说明低绩效组学生的头脑里并没有完整地构建和组织知识，无法使用下位经验影响较高层次的上位经验进行垂直迁移。这说明，教师在进行教学设计时往往会出现重理论、轻实践的现象。

4.1.2 不同性别组对知识的掌握有各自特征

从男女认知差异网络图可以发现，不同性别组对知识元素的掌握有各自的特征。女性组在识记和理解的认知维度上占有较大优势，男性组在应用和分析的认知维度上占较大优势。加德纳在20世纪80年代提出多元智能理论，他认为多元智力框架中相对独立地存在8种智能，分别是：语言智能、音乐智能、空间智能、逻辑数学智能、身体动觉智能、自然智能、自我认知智能、人际智能。加德纳认为，男性和女性的智力总体水平是平衡的，但是在8种智能的发展上各有所长。计算机实验课程需要较强的逻辑思维和数理知识，这是也是女性较薄弱的地方。而非智力因素中，女性在视觉空间方面的智力较强，主要指辨别和记忆能力，因而女性较为擅长定义和概念类试题。这意味着人类能力是有多样性的，随着专业学习的深入，教育者应尊重性别差异，设计和开发情景化下适用于多种智能组合的课程。

4.2 建议

4.2.1 创设目标为导向的教学，注重因材施教

教师应转变传统的教学观念，结合实验课程特点，构建问题驱动的教学情景，充分调动学生学习兴趣和主动性。立足于发展的教育目标导向，改进教学设计，培养学生应用多学科知识的能力，促进学生原有水平的提高，帮助不同绩效水平的学生全面认识自己，对低绩效水平的学生进行适当的帮扶和干预。以发展的眼光看待每一名学生，既为学生学习搭建手脚架，又要成为学生学习的引导者、激励者和共同学习者。同时，提高教师数据素养水平和信息化教学能力，培养教师合理解释和有意义使用数据的能力，以教育信息化支撑引领教育现代化。

4.2.2 营造良好的师生交流氛围，尊重性别差异

随着学年增长和专业知识的深入，男性和女性在知识掌握上各有所长，对实验的态度、自信心和兴趣也有所差异。因此，教师应注意并尊重性别差异，营造良好的师生交流氛围，避免在工程学科上对女性产生刻板印象。在小组合作学习背景下运用同伴教学法，注重以学生为中心的教学，最大程度地发挥男性和女性优势，提高学生学习主动性和团队协作能力，促进师生互动，提升课堂教学效果。

4.2.3 评价主体、评价标准和评价内容多元化

在情景教学模式中，教师应展示多种评估手段，重视非正式评价，将真实自然环境下的评估与封闭考试环境下的评估相结合，将量化评价与质性评价相结合，以学生为中心，围绕学生的认知、情感和技能开展评价。在评价标准上，教师和学生共同制定评价标准，避免教师按照主观经验进行评价，例如在小组答辩、实验汇报和论文成果中侧面观察和评判学生的协作学习能力、自我展示能力和语言表达能力，有利于教师及时掌握学生学习效果，从而对学生进行精准帮扶。引导学生进行自主评价和自我反思，提高自我监控的元认知能力。

5 结语

当前，认知网络分析法在教育评价领域的应用越发广泛，本研究通过对实验试题数据进行编码，运用定量分析的教育研究方法，对学生认知结构进行解读和对比，并根据此提出对教师教学的策略建议。未来基于认知网络分析法全方位评价学生测评结果问题时，可以从以下方面加以改进：首先，编码量表避免使用单一测评数据，可以结合小组汇报和课堂观察的非良构问题进行统计编码；其次，细化编码种类，寻求教育理论支持下的分类依据，重视理论在数据分析中所扮演的角色；最后，在可视化分析层面，注意合理使用数据，防止利用数据制约和束缚学生。在信息技术与教育深度融合的新时代，重视过程性的动态教育评价不仅能监测和预测学生学习情况，而且为教师开展差异性和个性化教学提供了指导。