【www.myl5520.com--现代诗】
我国外语教学中的自主学习研究综述——以社会网络分析为视角(唐进
篇一:ucinet,attribute
第22卷 现代教育技术 Vol. 22 2012年第1期 Modern Educational Technology No.1 2012
我国外语教学中的自主学习研究综述
——以社会网络分析为视角
唐 进
（咸宁学院 外国语学院，湖北咸宁 437100）
【摘要】本文从外语教学中的自主学习（autonomous learning）研究文献中提取关键词，经过数据处理后形成共词（co-words）网络。通过共词网络社群图（sociogram）的绘制、密度（density）分析、中心性（centrality）分析、核心-边缘（core/periphery）分析等常用社会网络分析（social network analysis，简称SNA）技术，揭示我国外语教学中自主学习的研究现状与未来发展趋势。
【关键词】社会网络分析；自主学习；共词
【中图分类号】G40-057 【文献标识码】A 【论文编号】1009—8097（2012）01—0000—06
一 概述
自主学习又称为自我指导学习（self-directed learning）或学习者自主（learner autonomy，简称为LA），是一种以人本主义心理学和认知心理学为基础的现代学习理念，也是目前应用语言学研究的一个重要课题[1]。1981年，Henri Holec首次在外语教学中引入学习者自主的概念。这一概念指的是学习者在学习过程中能够对学习有关的各个方面进行决策，也就是学习者能对自己的学习负责。这种决策活动包括“确定学习目标”、“决定学习内容和进度”、“选择学习方法和技巧”、“监控学习过程”，以及“评估学习效果”。虽然Holec对学习者自主学习的决策能力过于乐观，而且自主学习与学习成绩之间的关系也要比原先设想的复杂得多[3]，但培养学习者自主性，以学习者为中心的教学理念，已成为近年来外语教学界许多教育工作者和研究人员的共识，自主学习也成为所有学校教育和其它正规教育的目的[4][5]。从上个世纪90年代末自主学习的概念引入我国外语教学界以来，国内不少学者进行了深入研究，取得了一定的成果。本文试图从社会网络分析的角度出发，揭示我国外语教学中自主学习发展的现状与特点，以及未来的发展方向。
[2]
距离越近，关系越密切。将这种关系量化，对于规划学科布局，调整学科方向，促进学科发展具有重要的参考价值[6]。而社会网络分析法就是量化这种关系的有效方法。
社会网络分析法是在人类学、心理学、社会学、经验研究、数学以及统计学领域中发展起来的社会学量化研究，这种社会学量化研究关注的是社会行动者（social actor）以及社会行动者之间关系的集合[7]。适合社会网络分析的数据类型不是属性数据（attribute data），而是关系数据（relational data），是关于接触、联络、关联、群体依附和聚会方面的数据。这类数据将一个社会行动者与另一个社会行动者联系在一起，而关系则被认为是表达了社会行动者之间的关联[8]。近年来，社会网络分析法在知识管理与数据挖掘领域得到广泛的应用，共词分析是其应用的一个重要领域。从社会网络分析的角度看，共词能够形成一个虚拟的关键词网络，每个关键词都是这个虚拟网络中的点（node）。关键词是否同时出现或者同时出现的频次决定了点在网络中的不同地位，以及承担的不同角色。在一定的时间范围内，那些共同出现频次较多的关键词也就拥有较多关系，其反映的内容也就是该主题的研究热点。因此，关键词网络分析对于了解一个研究主题的成熟度、知识结构、研究规模等状况具有非常重要的意义[9]。
综合以上分析，本文遵循以下几个步骤进行研究： 第一，文献检索。沿着“中国期刊网（CNKI）——中国期刊全文数据库——外语类核心期刊”这条路径进行检索。确定“自主学习”和“学习者自主”为检索词，检索项“关键词”，检索范围“外国语言文学”，时间范围“1978~2010年”。将检索得到的文献做去重与合并处理，最终留下文献130篇。并对这130篇文献以及相关的信息进行分类汇总与数据描述。
第二，数据提取。为避免关键词命名不规范等问题，本
1
二 研究方法
关键词是科研论文的文献检索标识，是反映论文主题概念的词或词组，也是表达文献主题概念的自然语言词汇。我们将某些关键词出现在同一篇文献的现象称之为共词（co-words）现象。共词现象假设，当两个能够表达某一学科领域研究主题或研究方向的专业术语，例如关键词，在同一篇文献中出现，就说明这两个词之间具有一定的内在关系（relation）。这两个词共同出现的次数越多，表明它们之间的
文采取如下处理方式：合并基本同义的关键词，例如将“学习者自主”和“学习者自主性”合并为“学习者自主”，将“自主学习”和“自主性学习”合并为“自主学习”，将“自主学习中心”、“自主语言学习中心”和“语言自主学习中心”合并为“自主学习中心”，将“网络化教学”、“基于网络的教学”和“网络支撑的教学”合并为“网络教学”等等；删除无益于研究、不存在领域专指度的词汇，例如“对策”、“影响”、“研究”等等。
第三，数据预处理。使用Donohue高频词与低频词界分公式计算高频词阀值：
①
使用Excel 2003进行数据收集与数据预处理，使用UCINET 6.0进行社会网络分析。
四 结果与分析
1 描述统计
130篇文章覆盖10份外语类核心期刊，其中最早刊登有关自主学习主题的杂志是《外语界》。截至2010年，刊登有关自主学习文章最多的杂志也是《外语界》，共有57篇文章。从1999年起，有关自主学习的文章逐渐增多，2005年是刊登有关自主学习文章最多的年份，随后的2007年和2008年有所下降，之后2009年和2010年又持续上升（表1）。ucinet,attribute。
130篇文献中有246个关键词（合并处理后），大多数文献包含2-5个关键词不等，根据公式②得到616组原始关键词对。根据公式①计算得到高频词与低频词阀值T = 4.77。因此去掉频次小于5的关键词，最后得到32个高频关键词，形成共词矩阵，并转化为二值矩阵。这32个高频关键词按照频次由高到低依次排列为：大学英语教学、自主学习、元认知、学习者自主、网络环境、自我评估、建构主义、自主学习中心、学习策略、问卷调查、网络教学、实证研究、教学改革、访谈、人本主义、教学模式、课堂教学、反馈、同辈评估、听力自主学习、自我监控、网络自主学习、自我效能感、适应性、研究性学习、学习动机、自主学习能力、双中心教学模式、以学生为中心的教学模式、协作学习、合作学习、语料库等。这些截止到2010年的高频关键词初步确定了国内外语教学中自主学习的研究重点。
其中I1是词频为1的个数，T为高频词与低频词界限值。根据Donohue公式，得出高频词与低频词的界限值，并根据此界限值去掉非高频词，以此来简化结果，突出重点。根据组合数计算公式：
②
对关键词进行两两配对（其中n为网络规模，k为关键词分组规模，在本文中k=2），形成共词矩阵并进行二值化（dichotomize）处理后，转换为二值矩阵，为接下来的社会网络分析做准备。
第四，社会网络分析：绘制共词网络社群图、网络密度分析、中心性分析、核心-边缘结构分析。
三 工具
表1 我国外语期刊刊登有关自主学习主题的文章分布情况
2 社群图
使用UCINET 6.0绘制社群图（图1）。社群图直观地反映了共词网络的整体特征。图中32个关键词用红色圆点标记，圆点之间的双箭头直线表示两点之间存在关系，即在同一篇文献中共现。圆点越大，其点度中心度（point centrality）就
2
越大（有关点度中心度的概念请参阅下文中心性分析）。图中“大学英语教学”、“自主学习”、“学习者自主”、“自主学习中心”、“元认知”等一些点较大，周围关系丰富，处于网络的中心位置。而另外一些处于网络边缘的点，例如“语料库”、“适应性”等，拥有的关系相对较少，在社群图中显
得比较孤立。社群图直观地反映了在自主学习研究中，哪些领域是研究重点，发展比较成熟，哪些领域还处于不成熟状态。
图1 社群图
3 网络密度
为获得社群图整体状况的定量描述，需做网络密度测量。密度是指网络中各个点之间关系的紧密程度，是社会网络分析常用的测度之一，该测度的取值范围为[0,1]，数值越大，密度越大。UCINET 6.0计算网络密度为0.1976，这意味着在规模为32个点的关系网络中，理论上最多存在496个关系（根据公式②），但实际上只存在大约98个关系。显然，在32个关键词中，关系大多都是“稀疏连接”的，密度较低，自主学习研究的深度还不够。
4 中心性
中心性指行动者在网络中处于一个怎样的地位，拥有怎样的权利（power）。行动者越处于网络的中心位置，其影响力越大。就共词网络而言，关键词越处在网络的中心位置，所代表的内容就越能成为该研究领域的重点。中心性分析包括特征向量（eigenvector）、点度中心度、中间中心度（betweenness centrality）与接近中心度（closeness centrality）四个主要测度。
表2 共词网络的中心性分析
3
的接近中心度值较小，这些关键词能以最短的路径到达其它点，在网络中处于比较核心的位置。而正如上文所述，“反馈”、“同辈评估”和“访谈”等关键词的“接近中心度”较大，它们需要依靠网络中其它的点来传递信息（图2-D）。
从共词网络的整体中心性来看，网络中的点相异程度低，相似性高，信息流动相对集中，自主学习的研究重点都分布在几个中心度较高的关键词上。
5 核心-边缘分析
核心-边缘模型是现实社会网络的一种简明关系视图，也是量化核心度（coreness）的一个基础[12]。核心度是对关键词在共词网络中处于什么位置（核心、半边缘、边缘）的一个量化认识，或者说核心度用一种简明的关系图式来表示不同关键词在网络中的不同位置。核心-边缘理想模型是将关键词分为两组，其中核心组成员之间关系紧密，而边缘组成员之间没有关系，但边缘组成员都与核心组成员存在关系[13]。不过在现实网络中，成员之间并不一定存在如此严格的量化关系。例如边缘组内部成员之间会或多或少地存在联系[14]。
共词网络核心度计算结果显示实际数据与理想模型之间的相关系数为0.825，属强相关，说明数据分组与理想模型之间的关系是比较紧密的。各关键词的核心度数值如上文表2所示。对核心度向量进行数据重排，得到图3的核心-边缘矩阵。图3中的红色线条将矩阵由左至右划分为核心、半边缘和边缘三个部分。
核心度数值>0.15的关键词为核心关键词，核心度数值≤0.15且≥0.05的关键词为半边缘关键词，核心度数值<0.05的关键词为边缘关键。根据此标准对表2中的数据进行归类，得到详细的核心-边缘分类（表5）与核心-边缘结构图（图4）。与图3类似，图4中的两个红色圆圈将关键词由内到位划分为核心、半边缘和边缘三个部分。
特征根向量是刻画行动者中心性以及网络中心势的一种标准化测度，能在网络整体结构的意义上，找到网络核心的成员[10]。表2第5列反映的就是各关键词的相对特征根向量（表2关键词按点度中心度的数值由高到低排序）。该值越大，在网络中就越处于核心的位置。共词网络的特征根向量中心度的平均值为0.154，标准差为0.088。图2-A反映的是特征根向量中心度的分布，越靠近圆圈中心的位置，其特征根就越大，也就越处于核心的位置。“大学英语教学”等7个关键词（红色菱形点）的特征根较大，处于网络的核心位置。
在一个社会网络中，如果一个行动者与很多其它行动者之间存在直接联系，那么该行动者就居于中心地位，在该网络中拥有较大的权力。在这种思路的指导下，网络中一个点的点度中心度，就可以用网络中与该点有直接联系的点的数量来衡量。“大学英语教学”、“自主学习”、“元认知”、“学习者自主”、“网络环境”、“自我评估”、“建构主义”等关键词的度数高于其它各点。这些关键词所代表的研究领域在共词网络中处于中心地位，拥有较大的权利，在网络中的交流过程也比较活跃，与其它点保持较多的关系（图2-B，红色菱形点为活跃关键词）。
如果一个点处于许多其它点对（point pair）的测地线上，或者说如果一个点处于许多其它两点之间的路径上，我们就说该点具有较高的中间中心度，起到了桥梁的作用。一个点的中间中心度高，说明网络中其它点对它的依赖强，这个点处于网络中心位置；一个点的中间中心度低，说明网络中其它点对它的依赖弱，这个点处于网络的边缘位置。“大学英语教学”和“自主学习”的中间中心度数值仍远大于其它关键词。正是由于这两个关键词的桥梁作用，共词网络才相互连接，没有离散。此外，表2中有14个关键词的中间中心度为0，占共词网络的43.74%，这个比例很高。说明网络中的信息流动依赖于“大学英语教学”和“自主学习”等少数几个关键词，其它不少关键词处于网络的边缘。或者说，这些关键词在共词网络中的存在严重依赖其它关键词。关于这一点，从图2-C中可以得到清晰地印证。ucinet,attribute。
接近中心度是指一个点是否通过比较短的路径与其它点相连。路径较短说明该点在传递信息上较少依赖其它的点；路径较长说明该点多半需要通过其它点来传递信息[11]。因此，接近中心性数值越小的点在网络中越处于核心地位。从表2的数据结果中可以看出，“大学英语教学”、“自主学习”、“元认知”、“学习者自主”、“自主学习中心”等关键词
4
五 总结
综上所述，我国外语教学中自主学习的研究有如下特点： 第一，“大学英语教学”既处于共词网络的核心地位，也是联系其它关键词的重要桥梁。因此，我国外语界对于自主学习的研究主要以大学英语教学为背景，自主学习理念得到了广大高校英语工作者的认可。但这也反映出一个问题，即自主学习的研究基本上局限于大学英语教学，很少涉及小学、初中和高中。
第二，网络中的信息流动过分依赖于“大学英语教学”和“自主学习”两个点。当然，共词网络中还有其它一些点，例如“学习者自主”、“元认知”、“学习策略”、“网络环境”、“自主学习中心”、“建构主义”等等，这些点代表的研究领域也是自主学习目前研究的重点。
第三，对于某些研究主题，例如“语料库”、“自我监控”、“同辈评估”、“协作学习”、“合作学习”、“研
究性学习”、“学习动机”等等在自主学习中的研究还处于不成熟状态。
第四，“问卷调查”、“反馈”、“访谈”等研究手段仍处于共词网络的边缘，研究方法的局限性在一定程度上制
约了自主学习研究的发展。
第五，从整体来看，我国对于自主学习的研究相似程度较高，信息流动相对集中，缺乏新意；而且各关键词所代表的主题之间缺乏横向联系，研究的深度明显不足。
图2 共词网络特征根向量（A）、点度中心度（B）、中间中心度（C）与接近中心度（C）分布图
图3 核心-边缘矩阵
5
NETDRAW Batch Command Language.doc
篇二:ucinet,attribute
NETDRAW Batch Command Language
You can run batch commands in two ways. One way is to start NetDraw, then select File|Batch from the menu. It will ask you for the name of a text file containing batch commands. The program then starts executing all commands in the file. The other way is to run NetDraw from the command prompt, as in:
c:\netdraw\netdraw.exe batch “my batch file.txt”
The program starts up, and starts executing the contents of the batch file, in this case called “my batch file.txt”.
Following is a list of batch commands that the program currently accepts. The
documentation uses three conventions you should be aware of. First, things enclosed in angle brackets, like <filename> are not to be typed literally: you substitute your own filename. And don’t type the brackets. Second, the vertical bar | is used to denote
alternatives. If it says OPENVNA|LOADVNA it means you can use either OPENVNA or LOADVNA. But you don’t use both. Third, things enclosed in square [brackets] are optional. Again, you don’t type the brackets.
CENTRALITYMEASURES
Purpose: Calculate centrality measures. If the “Directed” option is chosen, then
the following measures are computed:
- betweenness-dir (Freeman’s betweenness measure)
- incloseness (sum of lengths of incoming geodesics)
- outcloseness (sum of lengths of outgoing geodesics)
- inharmoniccloseness (sum of reciprocals of lengths of
incoming geodesic paths)
- outharmoniccloseness (sum of reciprocals of lengths of
outgoing geodesic paths)
If the “Undirected” option is chosen, then the network is symmetrized
via the maximum method (i.e., direction of ties is ignored) and the
following measures are calculated:
- betweenness-undir (Freeman’s betweenness measure)
- closeness (sum of lengths of geodesic distances to others)
- harmoniccloseness (sum of reciprocals of lengths of geodesic
distances)
Usage: Centralitymeasures DIRECTED|UNDIRECTED
Example: loadvna mydata.vna
runlayout
egomeasures
centralitymeasures undirected
Notes:
CLOSE
Purpose:
Usage:
Example: outputattr mymeasures.txt degree closeness betweenness
Notes:
COLORNODESBYATTR
Purpose: Automatically colors nodes according to values of a node attribute. Usage: colornodesbyattr <string>
where <string> is the name of the attribute desired.
Example: Colornodesbyattr gender
Notes: Enclose the attribute name in quotes if it contains spaces or other
punctuation, as in “Years of Service”
DRAWEGONET
Purpose: Draw the ego network of a given ego. All nodes connected to ego via
ties currently active will be displayed.
Usage: Drawegonet <nodeid>
where <nodeid> is a string giving the EXACT id of a node, including
case.
Example: Saveuciattr mydata
Notes: Repositioning is not automatically done, so you may want to call
runlayout immediately after.
EGOMEASURES
Purpose: Calculate egonetwork measures:
- degree (number of links, ignoring direction) Shut down NetDraw. Close loadvna datatime1.vna runlayout colornodesbyattr gender savemetafile datatime1.emf loadvna datatime2.vna runlayout colornodesbyattr gender savemetafile datatime2.emf close
Usage:
Example:
Notes:
LABELS
Purpose:
Usage:
Example: - indegree (number of incoming ties) - outdegree (number of outgoing ties) - effsize (Burt’s effective size measure) - efficiency (effective size divided by degree) - constraint (Burt’s constraint measure) - hierarchy (Burt’s hierarchy measure) Egomeasures loadvna mydata.vna runlayout egomeasures outputattr mymeasures.txt degree constraint
Notes:
LIMITNODESTO
Purpose: Filter nodes to given set
Usage: limitnodesto [<list of node ids>]
where <list of node ids> is a list of node ids separated by spaces or
commas. If no node ids are given, all nodes are selected, effectively
resetting the active list to all nodes. The node ids are not case
sensitive.
Example: Limitnodesto holly john steve russ
Notes:
LOADVNA|OPENVNA
Purpose: Open a VNA-formatted textfile
Usage: Loadvna|Openvna <filename>
where <filename> is a string giving the full pathname of the desired
vna file
Example: Loadvna camp.vna Turn node labels on or off for all nodes currently active. Labels on|off limitnodesto labels off limitnodesto holly labels on limitnodesto runlayout
Notes:ucinet,attribute。
OUTPUTATTR
Purpose:
Usage:
Example: Openvna and Loadvna are synonyms
Notes:
RUNLAYOUT
Purpose:
Usage:
Example:
Notes:
SAVEJPG
Purpose:
Usage: Write node attributes out to text file Outputattr <filename> <attributename> [<attributename> …] loadvna mydata.vna runlayout egomeasures outputattr mymeasures.txt degree constraint Equivalent to pressing the lightning bolt with an equals sign button on the toolbar. Repositions nodes to reveal structure of the network. A spring-embedding algorithm. Runlayout (No options available to date.) Openvna camp.vna Runlayout Savejpg camppicture.jpg
Example:
Notes:
SAVEMETAFILE
Purpose: Output an enhanced metafile graphics file. (emf).
Usage: savemetafile [<filename>]
where <filename> is a string giving the full pathname of the file to be
created. If <filename> is omitted, the name of the file opened by a
loadvna command is used, substituting an emf extension.
Example: Savemetafile bestpicture.emf
Notes: Output a jpg graphics file. savejpg <filename> where <filename> is a string giving the full pathname of the file to be created. Savejpg “camp net w nodes colored by gender.jpg” I *think* the quotes work!
SAVEUCIATTR
Purpose: Output a UCINET dataset containing the node attributes currently in
memory. Two physical files will be created, one with ##h extension
and one with ##d extension.
Usage: saveuciattr <datasetname>
where <datasetname> is a string giving the full pathname (minus
extension) of the files to be created.
Example: Saveuciattr mydata
Notes: There is no point in putting an extension on the datasetname – it will
be ignored.
SAVEUCINET
Purpose: Output a UCINET dataset containing the network of ties currently in
memory. Two physical files will be created, one with ##h extension
and one with ##d extension.
Usage: saveucinet <filename>
where <filename> is a string giving the full pathname of the file to be
created.
Example: Saveucinet mydata
Notes: There is no point in putting an extension on the filename – it will be
ignored.
SELECTRELATION
Purpose: Without this, the program would draw a network containing all
possible ties.
Usage: selectrelation <string>
where <string> is the name of the relation desired.
Example: selectrelation “friendship”
Notes: Enclose the relation name in quotes if it contains spaces or other
punctuation, as in “friends and family”
SIZENODESBYATTR
Purpose: Automatically colors nodes according to values of a node attribute. Usage: sizenodesbyattr <string>
where <string> is the name of the attribute desired.
Example: Sizenodesbyattr eigenvector
Notes: Enclose the attribute name in quotes if it contains spaces or other
punctuation, as in “Years of Service”