AIEd база знанийAIEd KB
На этой странице

Читать эту страницу на английском

Концепции

Сетевой анализ

Создано 2026-10-13

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Сетевой анализ — семейство research methods, которые моделируют сущности (людей, концепты, действия или коды) как узлы, соединённые рёбрами, представляющими отношения или переходы, а затем анализируют структуру и динамику полученной сети для выявления паттернов, невидимых для подсчёта частот или попарных сравнений. В исследованиях ИИ в образовании сетевой анализ используется для картирования паттернов взаимодействия между учащимися и инструментами ИИ, моделирования совместной встречаемости элементов знания или дискурса и отслеживания временных последовательностей поведения. Он включает различные варианты — эпистемический сетевой анализ (ENA, моделирование совместной встречаемости кодов и конструктов), социальный сетевой анализ (SNA, моделирование отношений между людьми) и сетевой анализ переходов (TNA, моделирование временных последовательностей состояний), — каждый из которых по-разному операционализирует «обучение как связь». (Tracing GenAI Literacy: Student-AI Interaction Patterns in Academic Writing) (Penny: Transition Network Analysis of Learner-Chatbot Interactions in Scaffolded EFL Writing) (Cognitive Offloading in Student–AI Collaboration: A Longitudinal Analysis of Prompting Strategies)

Вопросы для размышления

  • Когда вы слышите «сетевой анализ» в образовании, какие образы приходят на ум — карты дружбы учащихся, связи между идеями или что-то ещё? Чем они отличаются от простого подсчёта того, как часто что-либо происходит?
  • Предположим, вы хотите узнать, действительно ли учащиеся взаимодействуют с обратной связью инструмента ИИ для письма или просто получают готовые ответы. Почему метрика «сколько раз они щёлкнули» может упустить историю, которую раскрыет последовательность действий (например, цикл правок по сравнению с циклом диалога)?
  • Страница различает эпистемический, социальный и сетевой анализ переходов. Не зная деталей, можете ли вы догадаться, какой вариант вы бы использовали для изучения (а) того, как люди сотрудничают, (б) того, какие идеи встречаются вместе в рассуждениях учащихся, и (в) того, как учащиеся перемещаются между состояниями во времени?
  • Исследователь обнаруживает, что учащиеся с высоким и низким уровнем грамотности используют один и тот же инструмент ИИ, но производят очень разные сетевые структуры рассуждения. Что это говорит об оценивании инструментов ИИ по одному усреднённому показателю?
  • Такие сетевые метрики, как «плотность» и «центральность», описывают, является ли взаимодействие случайным или организованным вокруг хабов. Когда организованная сеть, центрированная на одном учащемся, является признаком хорошего сотрудничества — а когда признаком проблемы?

Введение

Методы сетевого анализа разделяют базовую предпосылку: структура связей — а не только их наличие или частота — несёт значение. Вместо вопроса «сколько произошло X» они спрашивают «как связаны элементы, и что эта связанность раскрывает о cognition, collaboration или процессах обучения?» Это делает их особенно ценными в области ИИ в образовании, где исследователи всё чаще хотят понять процесс взаимодействия учащегося с AI interaction (как учащиеся ориентируются в Обратная связь, диалоге и правках), а не только продукт (итоговые оценки, частоты ошибок).

Варианты, используемые в корпусе базы знаний

  • Эпистемический сетевой анализ (ENA) — наиболее распространённый вариант в базе знаний (обсуждается примерно в 24 статьях). ENA моделирует совместную встречаемость кодов или конструктов в пределах сегментов дискурса или деятельности, производя сети, которые показывают, какие идеи, навыки или эпистемические действия, как правило, связаны в данном контексте. Он используется для сравнения того, как различные группы (например, учащиеся с высокой и низкой грамотностью, сотрудники-люди по сравнению с ИИ) структурируют своё познание. (Tracing GenAI Literacy: Student-AI Interaction Patterns in Academic Writing) (Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective)
  • Социальный сетевой анализ (SNA) — моделирует отношения между людьми (учащимися, преподавателями, агентами) для выявления структур сотрудничества, влияния, центральности и сообществ. Полезен для изучения collaborative и взаимного обучения. (Cognitive Offloading in Student–AI Collaboration: A Longitudinal Analysis of Prompting Strategies)
  • Сетевой анализ переходов (TNA) — моделирует временные последовательности дискретных состояний (например, действий учащегося в ходе сеанса тьюторства) как ориентированную сеть, количественно определяя вероятность перехода между состояниями. TNA используется для выявления поведенческих циклов, траекторий и динамики усвоения во взаимодействии учащегося с ИИ. (Penny: Transition Network Analysis of Learner-Chatbot Interactions in Scaffolded EFL Writing)

Они отличаются от Граф знаний, который является структурой данных для представления и рассуждения над фактами (онтология/хранилище триплетов), а не аналитическим методом для изучения процесса или структуры отношений.

Сетевой анализ в исследованиях ИИ в образовании

Сетевые методы используются во всей доказательной базе базы знаний для ответа на вопросы, на которые не могут дать ответа агрегированные метрики:

  • Открыть «чёрный ящик» взаимодействия учащегося с ИИ. TNA раскрывает процесс — поведенческие циклы и траектории, которые проходят учащиеся при использовании инструментов ИИ (например, «цикл правок» по сравнению с «циклом диалога» в письме со chatbot-скаффолдингом writing), а не только итоговый продукт. (Penny: Transition Network Analysis of Learner-Chatbot Interactions in Scaffolded EFL Writing)

  • Сравнить когнитивное структурирование между группами. ENA показывает, как различные группы по-разному связывают конструкты, — например, как Метакогниция встречается совместно с делегированием по сравнению с человеческим рассуждением в сотрудничестве человека с ИИ, раскрывая различные режимы сотрудничества. (Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective)

  • Отследить сигнатуры ИИ-грамотности и взаимодействия. ENA на журналах взаимодействия выявляет различные паттерны использования LLM (итеративное стратегическое уточнение по сравнению с линейными командами), различая proficiency и развитие учащегося. (Tracing GenAI Literacy: Student-AI Interaction Patterns in Academic Writing)

  • Анализировать дискурс и фрейминг. ENA применяется к qualitative и Мультимодальный ИИ данным (например, кадрам YouTube о ChatGPT в образовании) для раскрытия структуры общественного или дисциплинарного дискурса. (How YouTube Frames ChatGPT Use in Education: An Epistemic Network Analysis with Supporting Multimodal Metadata)

  • Дополнять самоотчёты и метрики продукта. Поскольку сетевые методы используют наблюдаемые поведенческие данные, они могут вскрывать расхождения между тем, что учащиеся заявляют, и тем, что они действительно делают, — повторяющийся результат в литературе базы знаний об усвоении обратной связи.

  • Структура графа как величина валидации, а не описательная сводка. Inoue & Yasutake (2026) отслеживают β0 — число связных компонент недельного графа близости между учащимися при фиксированном евклидовом пороге, — чтобы проверить, воспроизводят ли синтетические когорты реальные, предпочитая её потому, что она определяется самим графом, не нуждается в оптимизации или случайном зерне, в отличие от максимизации модульности, и остаётся определённой, когда от седьмой до трети учащихся оказываются в одиночестве в отдельной компоненте.

Методологические соображения

  • Кодирование — это основа. Все сетевые варианты зависят от надёжного кодирования сырых данных (высказываний, событий, отношений) в дискретные узлы или коды; автоматическое кодирование на базе LLM всё чаще используется, но требует валидации человеком (например, каппа Флейсса 0,70–0,71 в исследованиях TNA). (Penny: Transition Network Analysis of Learner-Chatbot Interactions in Scaffolded EFL Writing)
  • Рассмотрение согласия кодировщиков как текущей проверки, а не разовой статистики. Galiç et al. (2026) закодировали 304 высказывания о наблюдении при альфе Криппендорфа = .803 и отслеживали согласие на протяжении исследования, перекодируя спорные высказывания всякий раз, когда объединённая каппа падала ниже их порога рекалибровки .85 (на случаях 18 и 27), и не потребовав дальнейшей рекалибровки к случаям 36–51. Существенна именно последовательность: надёжность, измеренная только в конце, оставила бы ранние модели переходов опирающимися на дрейф кодировщиков, поскольку именно эти недельные паттерны переходов были результатом исследования.
  • Метрики сетевого уровня обобщают структуру. Плотность, взаимность, централизация и входящая/исходящая сила описывают, является ли взаимодействие случайным или организованным вокруг «гравитационных» хабов, и насколько взаимным является обмен.
  • Для групповых различий необходимо статистическое сравнение. Тесты хи-квадрат или перестановочное тестирование используются для установления того, что наблюдаемые сетевые различия (например, по уровню владения) не являются следствием случая. Shao et al. (2026) показывают, что нулевая гипотеза должна быть построена так, чтобы соответствовать тексту. В обсуждении случая с двадцатью graduate students смешанных дисциплин доля общих термов размера 3 выросла с 5,2% до 8,0%, в то время как содержательные токены упали примерно до 0,65× от их уровня после чтения. Перестановочный тест на целом мешке назвал бы этот рост значимым; их тест перестановок токенов с условием на длину — нет (Q6 p = .62, Q7 p = .15).
  • Проверить инструмент до чтения его сети. Alatoai & Alshahri (2026) построили опросник AI-STEM-MLCS из 45 пунктов полным путём разработки шкалы — отношения экспертной содержательной валидности, исследовательский, затем подтверждающий факторный анализ (CFI = 0,983, RMSEA = 0,019), омега Макдональда 0,888–0,905 и ICC тест-ретеста за две недели 0,751–0,900, — прежде чем моделировать четыре измерения с помощью исследовательского анализа графов. Выведение структуры из сети, чьи узлы являются непроверенными оценками шкалы, — это то, от чего защищает такой порядок, и авторы называют специфичную для Саудовской Аравии валидацию границей для переноса структуры.
  • Интерпретировать с осторожностью. Гранулярность узлов (например, грубый узел «чат») может скрывать намерение; автоматическая классификация несёт некоторую двусмысленность; а поперечная структура сети не устанавливает причинность.
  • Сети, вскрывающие то, что скрывает агрегат. Pan et al. (2026) обнаружили, что класс с аннотированием через GenAI превзошёл контрольную группу по результатам и вовлечённости, затем разделили экспериментальный класс по медиане успешности и показали, что прирост не был общим: группы с высокими результатами инициировали 60,7 процента запросов обратной связи среди своих аннотаций по сравнению с 34,0 процента для групп с низкими результатами, которые оставались в самореференциальном цикле (разделение групп значимо по оси X в ENA, U = 25,00, p = 0,01). Урок дизайна в том, что один эффект на уровне групп может обобщать две различные структуры взаимодействия, — и обе группы были целыми классами, поэтому сравнение выявляет паттерн, не приписывая его причинно.

Следствия для исследований ИИ в образовании

  1. Предпочитать методы процесса метрикам только по продукту. Чтобы оценить, поддерживают ли инструменты ИИ обучение, моделируйте, как учащиеся фактически взаимодействуют (усвоение, диалог, правки), с помощью методов последовательностей и сетей, а не полагаясь только на итоговые оценки.
  2. Использовать ENA для сравнения когнитивного структурирования. Когда спрашивается, как различные учащиеся или режимы (человек по сравнению с ИИ) структурируют своё рассуждение, ENA обеспечивает прямое визуальное сравнение сетей совместной встречаемости, — метод, хорошо подходящий для student modeling того, как учащиеся связывают идеи.
  3. Проверять автоматическое кодирование. При больших наборах данных журналов классификация на базе LLM является мощной, но должна быть сверена с кодированием человеком (сообщайте согласие между оценщиками) до интерпретации структуры сети.
  4. Проектировать для дифференциации. Сетевой анализ часто показывает, что один и тот же инструмент ИИ производит различные паттерны взаимодействия в подгруппах учащихся, — что информирует адаптивный дизайн, а не оценивание по единому шаблону.

ENA-валидация симулированного совместного диалога

  • ENA как валидация симулированного диалога. Fang (2026) применяет эпистемический сетевой анализ, чтобы оценить, воспроизводят ли дообученные агенты LLM структуру реального совместного диалога при решении Решение задач. Сравнивая симулированные векторы смежности с эмпирической сетью, он сообщает расстояние ENA 0,17 — в пределах порога 95-го процентиля нулевого распределения, с перестановочным p-значением 0,65, — демонстрируя силу ENA как quantitative проверки достоверности генеративных simulations дискурса, наряду с другими применениями ENA/SNA/TNA в исследованиях образования.

Связанные концепции

Связанные статьи

Метаданные

Технологии и методыГраф знаний, Аналитика обучения
Методы исследований и оценкаСетевой анализ, Методы исследования в AIED
SourceHistoryEditChat

Встроить эту страницу

Скопируйте код ниже, чтобы встроить эту страницу в систему управления обучением или на другой сайт. Во встроенной версии отображается только содержимое страницы — заголовок сайта, навигация и нижний колонтитул скрыты.