База знань AIEdAIEd KB
На цій сторінці

Ця сторінка перекладена українською. Сторінки статей досі написані англійською. Читати цю сторінку англійською

Концепції

Мережевий аналіз

Створено 2026-10-13

Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.

Мережевий аналіз — сімейство методів дослідження, які моделюють сутності (людей, поняття, дії або коди) як вузли, з’єднані ребрами, що подання відображують відношення або переходи, а потім аналізують структуру та динаміку отриманої мережі, щоб виявити патерни, невидимі для підрахунків частот або попарних порівнянь. У дослідженнях ШІ в освіті мережевий аналіз використовується для картування патернів взаємодії між здобувачами та інструментами ШІ, моделювання того, як елементи знань або дискурсу зустрічаються разом, і простеження часових послідовностей поведінки. Він включає чіткі варіанти — епістемічний мережевий аналіз (ENA, моделювання сумісної появи кодів/конструктів), аналіз соціальних мереж (SNA, моделювання відношень між людьми) та аналіз мереж переходів (TNA, моделювання часових послідовностей станів) — кожен із яких по-своєму операціоналізує «навчання як зв’язок». (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)

Питання для роздумів

  • Коли ви чуєте «мережевий аналіз» в освіті, які образи спадають вам на думку — карти дружби студентів, зв’язки між ідеями чи щось інше? Чим вони відрізняються від простого підрахунку того, як часто щось трапляється?
  • Уявіть, що ви хочете знати, чи студенти справді взаємодіють із зворотним зв’язком інструмента ШІ для письма, чи просто отримують відповіді. Чому метрика «скільки разів вони клацнули» може не помітити історію, яку виявить послідовність дій (наприклад, цикл редагування проти циклу чату)?
  • Сторінка розрізняє епістемічний, соціальний аналіз і аналіз мереж переходів. Не знаючи деталей, чи можете ви здогадатись, який варіант ви б використали, щоб вивчати (а) як люди співпрацюють, (б) які ідеї зустрічаються разом у міркуваннях студентів і (в) як здобувачі переміщуються між станами з часом?
  • Дослідник виявляє, що здобувачі з високим і низьким рівнем грамотності використовують той самий інструмент ШІ, але створюють дуже різні мережеві структури міркувань. Що це говорить вам про оцінювання інструментів ШІ за єдиним середнім балом?
  • Мережеві метрики, як-от «щільність» і «центральність», описують, чи є взаємодія випадковою, чи організованою навколо хабів. Коли організована мережа, зцентрована на одному здобувачеві, є ознакою хорошої співпраці — а коли ознакою проблеми?

Вступ

Методи мережевого аналізу поділяють базове припущення: структура зв’язків — не лише їх наявність або частота — несе зміст. Замість того щоб питати «скільки Х відбулося», вони питають «як елементи пов’язані і що ця зв’язність розкриває про пізнання, співпрацю чи процеси навчання?» Це робить їх особливо цінними в дослідженнях ШІ в освіті, де дослідники дедалі частіше хочуть зрозуміти процес взаємодії здобувача з ШІ (як здобувачі орієнтуються у Зворотний зв’язок, діалозі та редагуванні), а не лише продукт (підсумкові бали, частот помилок).

Варіанти, що використовуються в корпусі бази знань

  • Епістемічний мережевий аналіз (ENA) — найпоширеніший варіант у базі знань (обговорюється в ~24 статтях). ENA моделює сумісну появу кодів або конструктів у межах сегментів дискурсу або активності, продукуючи мережі, які показують, які ідеї, навички чи епістемічні дії, як правило, пов’язані в даному контексті. Він використовується для порівняння того, як різні групи (наприклад, здобувачі з високим і низьким рівнем грамотності, людські співробітники проти співробітників ШІ) структурують своє пізнання. (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)
  • Аналіз соціальних мереж (SNA) — моделює відношення між людьми (здобувачами, викладачами, агентами), щоб виявити структури співпраці, впливу, центральності та спільноти. Корисний для вивчення спільного та однолітківського навчання. (Cognitive Offloading in Student–AI Collaboration: A Longitudinal Analysis of Prompting Strategies)
  • Аналіз мереж переходів (TNA) — моделює часові послідовності дискретних станів (наприклад, дій здобувача під час сеансу тьюторства) як орієнтовану мережу, квантифікуючи ймовірність переходу між станами. TNA використовується для виявлення поведінкових циклів, шляхів і динаміки засвоєння у взаємодії здобувача зі ШІ. (Penny: Transition Network Analysis of Learner-Chatbot Interactions in Scaffolded EFL Writing)

Вони відрізняються від Граф знань, який є структурою даних для подання та міркування над фактами (онтологія/сховище трійок), а не аналітичним методом вивчення процесу або структури відношень.

Мережевий аналіз у дослідженнях ШІ в освіті

Мережеві методи використовуються в усій базі свідчень бази знань для відповідей на питання, на які агреговані метрики не можуть відповісти:

  • Відкрийте «чорну скриньку» взаємодії здобувача зі ШІ. TNA розкриває процес — поведінкові цикли та шляхи, якими йдуть здобувачі, використовуючи інструменти ШІ (наприклад, «цикл редагування» проти «циклу чату» в чатбот-підтримуваному писемі) — а не лише підсумковий вивід. (Penny: Transition Network Analysis of Learner-Chatbot Interactions in Scaffolded EFL Writing)

  • Порівнюйте когнітивну структуризацію між групами. ENA показує, як різні групи по-різному пов’язують конструкти — наприклад, як Метакогніція зустрічається разом із делегуванням проти людського міркування в людсько-ШІ співпраці, розкриваючи різні режими співпраці. (Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective)

  • Простежуйте ШІ-грамотність і підписи взаємодії. ENA на логах взаємодії ідентифікує чіткі патерни використання LLM (ітеративне стратегічне вдосконалення проти лінійних команд), розрізняючи вмілість і розвиток здобувача. (Tracing GenAI Literacy: Student-AI Interaction Patterns in Academic Writing)

  • Аналізуйте дискурс і фреймування. ENA застосовується до якісних і Мультимодальний ШІ даних (наприклад, фреймів ChatGPT в освіті на YouTube), щоб розкрити структуру публічного або дисциплінарного дискурсу. (How YouTube Frames ChatGPT Use in Education: An Epistemic Network Analysis with Supporting Multimodal Metadata)

  • Доповнюйте метрики самоописування та продукту. Оскільки мережеві методи використовують спостережувані поведінкові дані, вони можуть виявляти розбіжності між тим, що здобувачі стверджують, і тим, що вони насправді роблять, — повторюваний результат у літературі бази знань про засвоєння зворотного зв’язку.

  • Структура графа як величина валідації, а не як описове резюме. Inoue & Yasutake (2026) відстежують β0 — кількість зв’язаних компонент щотижневого графа близькості між здобувачами за фіксованим евклідовим порогом — щоб перевірити, чи відтворюють синтетичні когорти справжні, надаючи йому перевагу, оскільки він визначається самим графом, не потребує оптимізації або випадкового зерна, на відміну від максимізації модулярності, і залишається визначеним, коли від сьомої до третьої частини здобувачів сидять самі в компоненті.

Методологічні міркування

  • Кодування є основою. Усі мережеві варіанти залежать від надійного кодування сирих даних (висловлювань, подій, відношень) у дискретні вузли/коди; автоматизоване кодування на базі LLM усе частіше використовується, але потребує людської валідації (наприклад, Fleiss' κ 0,70–0,71 у дослідженнях TNA). (Penny: Transition Network Analysis of Learner-Chatbot Interactions in Scaffolded EFL Writing)
  • Розгляд згоди кодерів як поточної перевірки, а не разової статистики. Galiç та співавт. (2026) закодували 304 твердження про помічання за Krippendorff's α = 0,803 і стежили за згодою впродовж дослідження, перекодовуючи спірні твердження щоразу, коли об’єднане κ падало нижче їхнього порога рекалібрації 0,85 (у випадках 18 і 27), і не потребуючи подальшої рекалібрації до випадків 36–51. Суть — у послідовності: надійність, виміряна лише наприкінці, залишила б ранні моделі переходів спиратись на дрейф кодерів, оскільки ці щотижневі патерни переходів і були результатом дослідження.
  • Метрики на рівні мережі підсумовують структуру. Щільність, взаїмність, централізація та вхідна/вихідна сила описують, чи є взаємодія випадковою, чи організованою навколо «гравітаційних» хабів, і наскільки взаємним є обмін.
  • Для групових відмінностей потрібне статистичне порівняння. Хі-квадрат тести або перестановочне тестування використовуються для встановлення того, що спостережувані мережеві відмінності (наприклад, за вмілістю) не зумовлені випадком. Shao та співавт. (2026) показують, що нульову гіпотезу має бути побудовано так, щоб вона відповідала тексту. В обговоренні випадку з двадцятьма аспірантами змішаних дисциплін частка спільних термінів розміру 3 зросла з 5,2% до 8,0%, тоді як токени змісту впали приблизно до 0,65× від рівня після читання. Перестановочний тест усього мішка назвав би це зростання значущим; їхній тест перестановки токенів, зумовлений довжиною, — ні (Q6 p = 0,62, Q7 p = 0,15).
  • Валідуйте інструмент перед тим, як читати його мережу. Alatoai & Alshahri (2026) побудували 45-пунктову шкалу AI-STEM-MLCS повним маршрутом розробки шкали — коефіцієнти валідності змісту за експертними оцінками, дослідницький, а потім підтверджувальний факторний аналіз (CFI = 0,983, RMSEA = 0,019), McDonald's ω 0,888–0,905 і двотижневі тест-ретест ICC 0,751–0,900 — перед моделюванням чотирьох вимірів за допомогою дослідницького аналізу графів. Саме ця послідовність захищає від виведення структури з мережі, вузли якої є невалідованими балами шкали, і автори називають специфічну для Саудівської Аравії валідацію межею перенесення структури.
  • Інтерпретуйте з обережністю. Гранулярність вузлів (наприклад, грубий вузол «чат») може приховувати намір; автоматизована класифікація несе певну неоднозначність; а поперечна структура мережі не встановлює причинності.
  • Мережі, які виявляють те, що приховує агрегат. Pan та співавт. (2026) виявили, що клас з анотуванням за допомогою GenAI перевершив контрольний і за балами, і за залученістю, а потім розділили експериментальний клас за медіанною продуктивністю і показали, що приріст не був спільним: групи з високими досягненнями ініціювали 60,7 відсотків запитів на зворотний зв’язок в своїх анотаціях проти 34,0 відсотків у груп з низькими досягненнями, які залишались у самореферентному циклі (розділення груп значуще за віссю X ENA, U = 25,00, p = 0,01). Урок дизайну в тому, що один ефект на рівні групи може підсумувати дві різні структури взаємодії — і оскільки обидві групи були цілісними класами, порівняння ідентифікує патерн, не приписуючи його причинно.

Наслідки для досліджень ШІ в освіті

  1. Надавайте перевагу методам процесу перед метриками лише продукту. Щоб оцінити, чи підтримують інструменти ШІ навчання, моделюйте, як здобувачі насправді залучаються (засвоєння, діалог, редагування), методами послідовностей/мереж, а не спирайтесь лише на підсумкові бали.
  2. Використовуйте ENA для порівняння когнітивної структуризації. Коли ставиться питання, як різні здобувачі або режими (людина проти ШІ) структурують своє міркування, ENA дає пряме, візуальне порівняння мереж сумісної появи — метод, що добре підходить до моделювання студентів щодо того, як здобувачі пов’язують ідеї.
  3. Валідуйте автоматизоване кодування. За наявності великих наборів даних логів, класифікація на базі LLM є потужною, але має бути перевірена проти людського кодування (повідомляйте міжекспертну згоду) перед інтерпретацією структури мережі.
  4. Проєктуйте для диференціації. Мережевий аналіз часто виявляє, що той самий інструмент ШІ продукує різні патерни взаємодії в різних підгрупах здобувачів — що інформує адаптивне проєктування, а не універсальне оцінювання.

ENA-валідація симульованого спільного діалогу

  • ENA як валідація симульованого діалогу. Fang (2026) застосовує епістемічний мережевий аналіз, щоб оцінити, чи відтворюють донавчені агенти на базі LLM структуру справжнього діалогу спільного Вирішення задач. Порівнюючи симульовані вектори суміжності з емпіричною мережею, він повідомляє відстань ENA 0,17 — у межах порога 95-го процентиля нульового розподілу, з перестановочним p-значенням 0,65 — демонструючи силу ENA як кількісної перевірки вірності генеративних симуляцій дискурсу, поряд із іншими застосуваннями ENA/SNA/TNA в освітніх дослідженнях.

Пов’язані поняття

Пов’язані статті

Метадані

Технології та методиГраф знань, Аналітика навчання
Методи досліджень та оцінкаМережевий аналіз, Методи досліджень в AIED
SourceHistoryEditChat

Вставити цю сторінку

Скопіюйте наведений нижче код, щоб вставити цю сторінку в систему управління навчанням або на інший вебсайт. Вбудована версія показує лише вміст сторінки — вона приховує заголовок сайту, навігацію та колонтитул.