AIEd 知识库AIEd KB
本页内容

本页面已译为中文。文章页面仍以英文撰写。 阅读本页的英文版本

概念

网络分析（Network Analysis）

创建 2026-08-22 · 更新 2026-10-09

本页是英文页面的机器翻译，尚未经母语者审校。

网络分析 — 一类研究方法，把实体（人、概念、行为或编码）建模为节点，以代表关系或转移的边相连，然后分析由此得到的网络的结构与动力学，以揭示频次统计或两两比较无法显现的模式。在 AI 教育研究中，网络分析被用于描绘学习者与 AI 工具之间的互动模式、建模知识或话语元素的共现，以及追踪行为的时间序列。它包含若干不同变体——认知网络分析（ENA，建模编码/构念的共现）、社会网络分析（SNA，建模人与人之间的关系）和转移网络分析（TNA，建模状态的时间序列）——每一种都以不同方式把"学习即连接"操作化。(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)

值得思考的问题

  • 当你在教育中听到"网络分析"时，脑海中浮现什么——学生的友谊地图、观念之间的联系，还是别的什么？这些与简单地数某物出现多少次有何不同？
  • 假设你想知道学生是否真的在与 AI 写作工具的反馈互动，而不只是拿答案。为什么"他们点了多少次"这类指标可能错过一个行动序列（例如修订循环对聊天循环）所能揭示的故事？
  • 本页区分认知网络、社会网络和转移网络分析。不了解细节的情况下，你能猜出会用哪种变体来研究（a）人们如何协作，（b）哪些观念在学生推理中共现，（c）学习者如何随时间在状态间移动？
  • 一位研究者发现，高素养和低素养学习者使用同一个 AI 工具，却产生非常不同的推理网络结构。这告诉你用单一平均分评估 AI 工具的什么？
  • "密度"和"中心性"等网络指标描述互动是随机的、还是围绕枢纽组织的。以某个学习者为中心的有组织网络，何时是好协作的标志，何时是问题的标志？

引言

网络分析方法共享一个核心前提：连接的结构——而不只是其存在或频次——承载意义。它们不问"X 出现了多少"，而问"元素是如何连接的，这种连接性揭示了关于认知、协作或学习过程的什么？"这使它们在 AI 教育中尤为有价值，因为研究者日益希望理解学习者—AI 互动的过程（学习者如何穿行于反馈、对话与修订），而不只是产物（最终分数、错误率）。

知识库语料中使用的变体

这些区别于**知识图谱**——后者是表示和推理事实的数据结构（本体/三元组存储），而非研究过程或关系结构的分析方法。

网络分析在 AI 教育研究中

网络方法被用于知识库证据基础的各个角落，回答聚合指标无法回答的问题：

方法学考量

  • 编码是基础。 所有网络变体都依赖把原始数据（话语、事件、关系）可靠编码为离散节点/编码；自动化的基于 LLM 的编码日益常用，但需要人工验证（如 TNA 研究中 Fleiss' κ 为 0.70–0.71）。(Penny: Transition Network Analysis of Learner-Chatbot Interactions in Scaffolded EFL Writing)
  • 把编码者一致性当作持续检查而非一次性统计。 Galiç 等（2026）以 Krippendorff's α = .803 编码了 304 条注意陈述，并在整个研究中监控一致性，每当合并 κ 低于其 .85 的重新校准阈值时就重新编码有争议的陈述（第 18 和 27 例），到第 36–51 例不再需要重新校准。这一序列才是要点：若只在末尾测量信度，早期的转移模型就会建立在编码者漂移之上，而那些每周转移模式恰是该研究的发现。
  • 网络级指标概括结构。 密度、互惠性、中心性和入/出强度描述互动是随机的、还是围绕"引力"枢纽组织的，以及交换的互惠程度。
  • 群体差异需要统计比较。 卡方检验或置换检验被用来确证观察到的网络差异（如按熟练度）不是偶然造成的。Shao 等（2026）表明，零假设必须与文本匹配。在一个有二十名跨学科研究生的案例讨论中，大小为 3 的共享术语占比从 5.2% 升到 8.0%，而内容词元下降到其读后水平的约 0.65 倍。整体袋置换检验会认为这一上升显著；他们的长度条件化词元置换检验则不认为（Q6 p = .62，Q7 p = .15）。
  • 在读取其网络之前先验证量表。 Alatoai 与 Alshahri（2026）通过完整的量表开发路径构建了 45 项的 AI-STEM-MLCS——专家内容效度比、探索性再验证性因子分析（CFI = 0.983，RMSEA = 0.019）、McDonald's ω 为 0.888–0.905、两周重测 ICC 为 0.751–0.900——再用探索性图分析建模四个维度。从节点为未验证量表分数的网络推导结构，正是这一顺序所防范的，作者也把沙特特定验证命名为结构可迁移性的边界。
  • 谨慎解读。 节点粒度（如粗粒度的"聊天"节点）可能遮蔽意图；自动分类带有一定歧义；横截面网络结构不能确立因果性。
  • 暴露聚合所掩盖之物的网络。 Pan 等（2026）发现，使用 GenAI 做批注的班级在成绩和参与上都超过对照组，随后按中位表现拆分实验班，显示增益并未被共享：高成就小组在其批注中发起了 60.7% 的反馈请求，低成就小组为 34.0%，后者停留在自我指涉循环中（分组在 ENA 的 X 轴上显著，U = 25.00，p = 0.01）。设计教训是：一个组级效应可能概括了两种不同的互动结构——而两组都是整班，因此该比较识别的是模式，而不归因因果。

对 AI 教育研究的启示

  1. 偏好过程方法而非仅产物指标。 要评估 AI 工具是否支持学习，就用序列/网络方法建模学习者如何实际参与（采用、对话、修订），而不只依赖最终分数。
  2. 用 ENA 比较认知结构。 当要问不同学习者或模式（人对 AI）如何结构其推理时，ENA 提供了共现网络的直接、可视化比较——这项技术非常适合学生建模学习者如何连接观念。
  3. 验证自动编码。 面对大型日志数据集，LLM分类很强大，但在解读网络结构前必须对照人工编码检查（报告评分者间一致性）。
  4. 为差异化而设计。 网络分析常揭示同一个 AI 工具在不同学习者子群中产生不同的互动模式——这为自适应设计提供信息，而非一刀切的评估。

ENA 对仿真协作对话的验证

  • ENA 作为仿真对话的验证。 Fang（2026）将认知网络分析用于评估微调过的 LLM 智能体是否复现真实协作问题解决对话的结构。比较仿真邻接向量与经验网络，他报告 ENA 距离为 0.17——落在零分布的第 95 百分位阈值之内，置换 p 值为 0.65——展示了 ENA 作为对话生成式仿真保真度的量化检验的效力，以及 ENA/SNA/TNA 在教育研究中其他应用。

关联概念

关联文章

元数据

技术与方法知识图谱, 学习分析
研究方法与评价网络分析（Network Analysis）, 教育人工智能的研究方法
SourceHistoryEditChat

嵌入此页

复制下面的代码，将本页嵌入学习管理系统或其他网站。嵌入版本只显示页面内容 — 网站的页眉、导航和页脚会被隐藏。