一、问题提出

在线学习已经成为一种重要的学习方式。相较于传统的面对面教学，在线学习可以支持教学的多元化，支持学习者在学习平台上自由发表自己的观点，分享学习资源、参与讨论等。同时，在线学习也可以记录更多的有关学习的过程性数据，如登录次数、学习资源使用情况等（杨兵, 等, 2017; 包昊罡, 等, 2018）。如何分析学生在在线学习平台中丰富的过程性数据已经成为教育技术领域的研究热点之一。学习投入作为学习过程中反映学生学习效果的指标（李爽, 等, 2010; 王洪江, 等, 2017; 龚朝花, 等, 2018）是衡量在线学习效果、提高学习质量的有效参考，也是当前学习过程分析的重要内容。

学习投入，即学生在学习时投入的体力和心理的总和，是反映学习过程的一个重要因素（Trowler,  2010）。目前，国内外已经有不少有关在线学习投入分析的研究，如李爽（2015）等人结合远程教育和培训课程学习的特点基于学习投入理论以及评价量表的分析，编制出远程学生行为、情感、认知三个学习投入的评价量表。武法提、张琪（2018）从学习分析视角出发，比较学习行为投入在面对面环境和在线学习环境中的异同，构建了基于“互联网+”混合学习环境中的学习行为投入理论模型，从学习行为序列、信息交换活动等维度较为全面地揭示了学习行为投入的演进过程。在国外有关在线学习投入的分析中，Akyol和 Garrison（2011）等人从心理学视角出发，在传统的认知投入、行为投入、情感投入的分析维度基础上提出了元认知投入维度，认为基于在线环境的学习者要付出比面对面学习环境中更多的努力，需具备一定的元认知策略才能获得较好的学习效果，如对学习目标的设定、计划、监控和评价。Dixson（2010）编制了在线学习投入量表，该量表分为技能、情感、参与、绩效四个投入维度，共十六道题，多方面关注学习者在与课程或他人开展的交互以及知识的迁移、成绩表现等在线学习过程。

已有研究表明（Dixson, 2010），在线协作学习的方式可以促进学习者之间的交流，增强学习者的社会存在，从而提高学习者的学习投入。在协作学习中存在着复杂的社会交互关系以及知识共建，小组学习投入已经成为比个人学习投入更加复杂的现象，不能被看成个人投入的简单加和，因为个人投入不能代表和解释小组的投入以及协作学习中小组的表现。因此，非常有必要将个人学习投入的概念扩展到以小组为单位的学习投入。但梳理当前关于在线学习投入的研究发现，大多数的研究只关注在线学习中的个人投入的模型与评价维度，忽略了在线学习中的小组协作学习投入。因此，本研究基于在线协作学习环境，以小组为分析单位构建了小组学习投入的分析模型。同时，大量研究表明（李爽, 等, 2018）个人学习投入对学习绩效有积极作用， 但小组学习投入能否对学习绩效进行有效预测的研究却较为缺乏。带着上述问题，本研究在提出分析模型的基础上进行实证探索，对小组学习投入进行系统观测，进一步探究小组投入与学生成绩之间的关系。

二、在线协作学习中小组学习投入分析模型构建

（一）学习投入分析维度的研究现状

在国内外现有研究中，有关学习投入分析维度众多，学者面向不同情境和对象提出了不同的分析方法与维度。因此，本研究选取与小组学习投入分析密切相关的研究，同时借鉴较为丰富的个人学习投入领域的相关研究，对现有的投入分析维度进行梳理，共得到五个方面，即研究者、研究对象、研究情境、分析维度/要素和方法，如表1所示。

表1 学习投入分析维度研究现状

通过表1可知，当前学习投入的分析框架主要集中在个人学习投入方面，且研究主要从行为投入、认知投入等方面展开。现有研究较多分析个人学习投入的行为维度，缺乏综合测量各方面的学习投入研究。与此同时，对学习者在学习平台上的行为数据关注较多，缺少对学习者在平台上发布的内容的深层次内容分析。彭敏君（2011）等人通过对在线平台上学习者发帖数以及回帖数的行为数据统计，分析学习者的参与度、受关注度以及整个学习群体在线参与情况。但该研究依靠人工统计的评价方法，仅适用于学生群体数量较少时，且只将发帖量与回帖量作为学习者行为数据的表征，不能有效而深入地分析学习者的在线投入度。而且，大部分有关情感投入的研究发生在面对面的学习情境中，较少分析与测量在线学习情境中的情感投入。如Harris（2014）在Pang（2008）等人基础上将情感投入细化为六类并引入在线学习情境中，为教师快速识别学习者的语气和情绪的变化提供了依据，值得借鉴。该研究将从个人角度分析学习者的情感投入，但在以问题解决为导向的协作学习中涉及深刻见解以及开玩笑的维度较少，因此本研究在分析小组的情感投入维度时对此进行了一定的改进。

在现有的小组学习投入分析框架中，存在子维度重复或覆盖不全面等问题。如Macgowan（2005）的测量维度主要涉及行为投入、社交投入、认知投入三个方面，但该研究划分的每个子维度之间有重复，且没有关注小组讨论中的情感投入探究；Järvelä（2016）主要从认知、社交、情感三个方面衡量小组投入，缺少对行为投入的测量；Khosa（2014）等通过概念图的方法衡量小组的认知投入，但该方法仅能测量小组成员关于元认知的调节学习过程，不能全面理解认知投入；Sinha（2015）等人从行为投入、社交投入和认知投入、概念到结果的投入四个方面衡量小组投入，但该框架在“认知投入”“概念到结果的投入”两个维度上存在重叠，在具体分析时容易造成混淆。

综上所述，现有学习投入分析研究一方面缺乏系统的分析方法，难以开展全面分析，另一方面在测量小组学习投入的方法中各分析维度存在交叉。由于小组成员之间的交互以及知识共建的复杂性，行为、社交、情感、认知四个方面的投入均需要考虑，同时各个维度之间应明确区分，不能交叉定义。因此，从现有个人及小组学习投入分析研究出发，本研究借鉴个人学习投入中每个维度所测量的子维度指标，提出了对于小组学习投入的系统性分析模型，并通过实验探索模型各维度对学习绩效的影响，完善了关于在线协作学习中小组学习投入的分析维度及方法。

（二）面向在线协作学习的小组投入分析模型构建

在在线协作学习中，当前学习投入研究主要从行为投入、情感投入和认知投入三个方面进行分析（Järvelä, et al., 2016）。由于协作学习中的小组投入不是个人的学习投入的简单累加，而是在协作中对情景和社交的回应，小组成员之间的交互过程是决定协作学习质量的关键。因此，本研究在此基础上加入社交投入，形成了面向在线协作学习的小组投入分析模型。该模型将小组的学习投入与知识共建动态关联，聚焦在线协作学习过程，以各小组的学习投入为分析粒度，分别为行为投入（在线讨论中的参与和沉浸程度）、社交投入（小组意见交换）、情感投入（在讨论过程中的情感表现）和认知投入（对问题的理解以及知识共建）四个维度进行分析测量，具体模型如图1所示。

图1 面向在线协作学习的小组投入分析模型

1. 行为投入

行为投入被广泛定义为学习者在完成学习任务中的参与和沉浸程度，包括他们的努力、坚持和专心程度，以及出席率、参与度和作业完成情况等指标（Helme, S., Clarke, & D., 2001）。在协作小组内，行为投入反映的是大部分成员试图致力于共同的任务，包括学生在讨论中的贡献数量、在线学习环境下发帖长度等（Zhu & E., 2006）。本研究基于小组学习投入的定义和现有关于测量学生行为投入的指标，并结合在线讨论的学习环境，引入了新的指标——反应度，对小组的行为投入进行了测量，具体指标如下：

（1）发帖量

发帖量，即小组在讨论中发帖的总量。学者Lipponen（2003）等人认为小组的行为投入要包括小组成员在讨论中的贡献发帖数量。发帖量属于参与类的投入，是课程学习的基本行为投入，体现了学生对于学习规则、要求的接受与认同程度，是其他行为投入的基础。

（2）话题量

话题量，即小组发表主题帖的数量。Lipponen（2003）研究发现，小组讨论中的话题量可以反映一个小组中对问题的讨论思路以及解题的脉络，体现一个小组是否能从多个角度考虑问题。

（3）反应度

反应度，即平均每个帖子的回复数量。学者Calvani（2010）通过研究发现，在线协作讨论可能会存在碎片化的危险，导致缺少争论或者批判性的进展，因此在小组协作学习中针对小组成员提出的观点一起进行批判性的评价和争论是非常重要的，而评测这一过程的主要指标就是反应度，其计算公式如下：

        反应度=发帖量/话题量（1）

2. 社交投入

在小组学习投入的相关研究中，社交投入涉及积极的社会感交互，它既可以反映小组成员之间的相互尊重程度，也可以反映小组的内部凝聚力，同时也把任务概念化为一个团队的努力成果，而不是个人的活动（Muramatsu, K., Tanaka, E., Watanuki, K., Matsui, & T., 2016）。因此，通过测量小组中的社交投入可以解释在线协作学习中的小组动态，观察小组成员之间的凝聚力，促进小组内部的意义分享以及知识共建，因此越来越多的研究开始关注小组协作过程中的社交投入。具体指标如下：

（1）广泛度

广泛度，即小组成员之间的交互密度。刘军等人研究表明，密度是用来测量任何一个小组中个人的社交广度的方法，暗示着社交网络中参与的等级以及参与者在讨论中的积极程度，描述了社交网络中每个点之间的整体连接水平（刘军, 2004）。一个网络中各节点间的连线越多，该图的密度就越大，它代表一个图中各个节点间联络越频繁，说明小组成员之间的交互越多，社交投入程度也越高。

（2）凝聚度

研究者Freeman（1979）将凝聚度定义为一个关系网中从一个节点到另一个节点的距离总和。两个节点之间的距离可以反映出一个社交网络的凝聚力。凝聚力指数越大，说明该整体网络越具有凝聚度。也就是说当小组成员互相交流讨论时，他们的凝聚度就越高，社交投入也就会越多。

（3）互惠度

互惠度指社交网络中两个节点之间的双向关系，即小组成员两两之间是否有联系。联系越紧密，互惠度就越高。王陆（2009）等人研究证实高互惠度的凝聚子群中成员的学习成绩显著高于低互惠度的凝聚子群中成员的成绩。

（4）参与均度

参与均度，即为小组成员发帖数量的方差，其值越大，该小组越可能出现话语霸权的情况。学者Rogat（2014）认为，高质量的社交投入暗示着小组的所有成员都是公平参与到任务中的，而不是小组中某个成员的贡献被忽略，其计算公式如下：   

式中，μ：小组内个人平均发帖量；n：小组人数；e：每个人的发帖量。本文在后面统计出的参与均度的值均为取反之后的正向值p′，即p′的值越大，说明小组每个成员的贡献差距越小。

3. 情感投入

情感会对学习者的认知、动机、记忆等方面产生影响，同样在线学习也离不开情感支持。情感投入对学习投入和成绩的重要性影响越来越受关注（Linnenbrink-Garcia, L., Pekrun, & R., 2011）。本研究采用了Harris（2015）等人的六维情感分类法，包括积极、消极、中立、有深刻见解的（Insightful）、困惑和开玩笑。该量表已经得到在线学习情感有效性方面的证实。在本研究中，通过分析发现集中在情感上的帖子并不多，并且情感的类别主要集中在积极、消极、中立、困惑上，所以本研究采用这四类情感分析协作小组中的情感投入水平，其中困惑的含义就是表达慌张、困扰、疑虑的情绪。

4. 认知投入

关于认知投入的测量，主要基于研究者Zhu（2006）的认知投入编码（问题、陈述、反思、指导、脚手架）研究，为了使子维度的衡量指标更加精准和细致，结合在线协作学习中学习者讨论的知识特点进行改编。认知投入编码表为分问题（P）、陈述（S）、元认知（A）、其他（E）四个一级分类，并进一步细化为九个二级分类（P1：与定义或事实信息相关的问题；P2：与观点/概念/理论的要素/特点相关的问题；P3：与观点/概念/理论的关系/区别/意义相关的问题；P4：寻求某个观点/概念/理论的解释；S1：给出概念/事实；S2：属性；S3：解释；S4：判断；S5：总结）。

三、基于学习投入分析模型的实证研究

鉴于目前小组学习投入与小组成绩之间的关系尚不明确（Sinha, et al., 2015），为了探究这一问题，本研究在所提出的分析模型基础之上开展相关实证研究，探究小组学习投入对小组成绩的影响，并进一步分析高低成绩组在不同投入维度上的差异，为提高在线协作学习中小组协作质量提供一定的建议。

（一）研究设计与实施

本研究的研究对象为具有一定C语言和数据结构知识基础的大学二年级及二年级以上的学生。本研究共招募157名被试，年龄为19岁~25岁。被试来自教育技术、计算机科学以及通信工程三个专业，具备基础编程能力以及使用在线学习平台（Moodle平台）的能力。在在线协作学习过程中，每组随机分配5名~6名学生，共30组。实验要求学生运用Moodle教学平台上的“论坛”模块实现小组在线同步讨论并解决所给出的问题，同时要求学生使用Wiki 对解决方案进行在线协同编辑。实验总时长为150分钟。本实验的活动主题为“藏品管理”，涉及的知识为“数据结构”课程中的“栈和队列”相关知识。本实验活动过程为：

1. 研究者首先在 Moodle 的论坛区发布讨论主题，详细描述任务要求并上传相关的学习材料。

2. 学生自学平台上所提供的学习材料，并了解相关任务要求，该过程时长为 20 分钟。

3. 每个小组由一名成员在发布的主题帖下创建一个子话题，小组的其余成员在该组子话题下进行100分钟无干预的在线协作讨论。在协作任务解决过程中，小组成员利用网上搜集的相关信息与自学的学习材料在论坛上提出问题、交流观点，共同推进任务的完成。为避免组间影响，研究者通过管理权限设定小组成员只能在所在组的子话题下进行讨论，不能浏览或参与其他组的讨论。

4. 小组成员将在线讨论后形成的任务解决方案通过Wiki共同编辑，形成小组最终的解决方案，此过程为30分钟。

（二）数据收集与处理

在实验结束后，本研究对30组学生在 Moodle 教学平台上讨论的数据进行统计与分析，共2,205 条帖子。通过本研究构建的小组投入分析模型，以帖子为分析单元，对 30组学生的讨论帖进行深度分析。其中，在“行为投入”中，“发帖量”的数据来源于系统记录，“主题量”的数据来源于人工统计，“反应度”的数据来源于人工计算。在“社交投入”中，“广泛度”“凝聚度”“互惠度”的数据来源于对小组讨论中小组成员社交矩阵的人工统计，并运用SNA方法和UCINET分析软件，得出具体数值，“参与均度”的值是通过对小组中每个成员发帖量的统计根据方差的公式计算而来，“情感投入”和“认知投入”的数据均来自通过编码表对讨论帖进行内容分析。在进行编码的过程中，本研究采用两个编码员共同编码的方式，对认知投入和情感投入进行编码，最终对编码值进行Kappa一致性检验，求得Kappa=0.858，Kappa>0.7，说明两个编码员的一致性较高。

关于小组成绩的判定，经过两名“数据结构”课程的资深教师的讨论，制定了任务解决方案的可行性、算法实现完整性、算法实现正确性以及算法创新性四项评分标准，如表2所示。邀请一名“数据结构”课程的资深教师，该教师具有课程知识结构和协作活动方面的丰富经验，按照标准对每个小组通过Wiki协同编辑的任务解决方案进行评分。

表2 小组成绩评分标准

（三）研究结果与分析

1. 在线协作中小组学习投入基本情况分析

在线协作学习中小组学习投入的基本情况如表3所示。从这30组学习投入的统计情况可以看出，在小组行为投入方面差异较大，其中各组发帖量相差较大（标准差=36.92），小组发帖量最大值高达178条，小组发帖量最小值仅有20条。在小组社交投入方面，小组成员之间社交广泛度相差较大，交互最好的小组广泛度值为7.2，交互最差小组的广泛度值为0.70，其余子维度各组相差较小。在情感投入方面，从均值可以看出小组在进行协作讨论时中立的情绪较多（均值=0.55），其次是小组成员困惑情绪较多（均值=0.26）。在认知投入方面，可以发现在协作过程中与任务解决相关的知识提及较多，而涉及调节协作过程的元认知和与任务无关的内容较少。

表3 小组学习投入基本情况

2. 小组学习投入与小组成绩的关系

为探究小组学习投入对小组成绩的影响，本研究对每个小组的四种学习投入，即行为投入、社交投入、情感投入以及认知投入，与小组任务解决方案的成绩进行相关分析，得到结果如表4所示。研究发现，小组的行为投入与小组成绩呈显著的正相关关系（r=0.377*），同时与行为投入的子维度发帖量也呈现正相关的关系。小组的社交投入与小组成绩也呈显著的正相关关系（r=0.389*），且社交投入的子维度广泛度呈显著相关（r=0.381*），与凝聚度呈现显著相关（r=0.476**），其余维度与小组成绩无显著相关关系。有趣的发现是，小组的行为投入、社交投入都与小组成绩呈正相关关系，而情感投入中的子维度积极、消极、困惑情感与小组成绩呈显著负相关。认知投入的子维度问题、陈述与小组成绩也呈负相关关系。

表4 小组学习投入与小组成绩之间的关系

注：* p<0.05，** p<0.01

3. 不同成绩学生在小组投入上的差异表现

为了探究不同成绩的学生在小组投入上的表现差异，本研究采用正态分布法则对不同成绩的被试进行了高低分组。研究按照成绩将小组排序，取成绩为前27%和后27%的小组，分别作为高分组和低分组。在本实验中一共30个小组，取成绩排名前八位的小组作为高分组，后八位的小组作为低分组，通过曼惠特尼U检验的方法，检验高低分组在每种投入及子维度上的差异，数据统计结果如表5所示。

表5 高低分组在各维度上的差异性统计

由表5可以发现，高分组和低分组在行为投入—发帖量（U=0.03*）、社交投入—广泛度（U=0.03*）、互惠度（U=0.04*）、凝聚度（U=0.02*）方面有显著的差异，说明这四个子维度对于小组的成绩的影响最大。在情感投入方面，高分组和低分组的中立情感占比最多，且高分组的中立情感（M=0.62）大于低分组（M=0.45），说明高分组在讨论中主要涉及客观知识内容，如“栈先进后出，队列先进先出，其他的都可以在定义指针的中间插入”，有利于推进任务解决。在认知投入方面，高分组在问题和元认知维度上的均值远高于低分组，说明高分组讨论中主要针对不同问题或者观点进行深入交流，而不是简单给出一个概念或观点。若小组的讨论越多集中在低等级的陈述事实上，而不是对成员所发的帖子进行进一步深入的批判性思考以及自我的元认知反省，小组的协作效果将会比较差，从而导致小组的成绩较低。

四、讨论

本研究面向在线协作学习中的小组学习投入构建了“面向在线协作学习的小组投入分析模型”，并在此基础上探究了小组投入与成绩之间的关系。基于以上的数据分析结果，我们可以得出以下结论：

首先，小组成绩与行为投入、社交投入之间存在显著相关，说明行为投入与社交投入对学习绩效具有较强解释力。与先前的研究结果一致，研究者Fredricks（2004）等人发现，行为投入与学习成绩之间存在显著的正相关关系，即学习行为投入越高，学生的学业成绩越好。同时，研究者Blasco-Arcas（2013）等人的研究表明，同伴之间高等级的社交可以提高学生的学习成绩。

其次，本研究在小组的情感投入和小组学习成绩的关系上有了新的发现，即小组的情感投入中的积极情感、消极情感、困惑情感均与小组成绩呈负相关，说明如果把过多的精力用在小组与话题无关的交互上，如过多的相互激励或者其他情感的传达，反而会导致讨论话题的偏移，以致对学习成绩有负面的影响。在认知投入方面则发现，元认知投入与小组成绩呈正相关，说明在小组协作中对知识的管理以及学习策略的使用越好，小组的成绩就会越高。各小组讨论过程也验证了此关系，如在小组成员具有领导力或者归纳能力时，该小组的任务解决情况会比其他小组进展得好。

最后，通过高低成绩组的对比也发现，高低分组在行为投入和社交投入方面有显著差异，高分组在发帖量、社交广泛度与互惠度投入上高于低分组，说明小组成员发帖越多，成员之间的社交网络越联通，即成员之间有充分的交流，对小组成绩有重要的影响。在情感投入方面，高分组在中立的情感投入上高于低分组，而在积极、消极以及困惑情感上低于低分组，说明高分组较常保持客观的态度讨论任务内容，较少负面或者与学习内容无关的情绪出现，有利于小组的学习。因此，小组成员应尽量消除在讨论中的负面情绪，同时教师也可以在监管的时候进行干预，及时鼓励学生，促进学生的讨论朝着正确的方向进行。在小组成绩与认知投入的关系方面，高分组在问题和元认知方面的均质高于低分组的小组，说明高分组的学生学习策略以及元认知策略的等级高于低分组，与已有研究结果一致（Nystrand, M., & Gamoran, A., 1991），学生学习策略的使用与学业成就高低之间存在显著正相关关系，即学生在学习过程中是否使用学习策略以及学习材料的加工程度直接会影响学生的学业成就水平。同时，学生在学习过程中是否采用元认知策略调控学习进度，会对其最后的学业成就产生影响，如及时调整自己的注意力和努力程度、更新现有知识体系等。

五、总结

学习投入是在线协作学习环境中不可或缺的一部分，对学生的整个学习过程都会产生重要的影响。但在目前有关小组投入的研究中，对小组投入的测量方法以及小组投入是否能够影响学习效果的讨论不够深入。本研究从小组层面展开对学习投入的研究，构建了在线协作学习中小组学习投入的分析模型，提出了小组学习投入各维度的度量方式，并将该模型运用到在线协作学习环境中分析在线协作学习者的学习投入程度与学习绩效的关系。研究表明模型中小组行为投入、社交投入对小组成绩有显著正向影响，而丰富多样的情感投入则不利于协作活动的开展，对小组成绩有负面影响。本模型可以为了解在线学习中学业倦怠情况的产生及个性化指导提供有效依据，从而提高在线协作学习质量，优化学习者在线协作学习体验。

信息技术的发展使得在线协作学习的方式与边界都在不断扩大（郑娅峰, 等, 2017）。目前，本实验的任务类型较为单一，主要是在线协作学习中的问题解决任务，对于其他类型的活动，比如角色扮演、同伴互评、资源分享等有待进一步探究。在未来的研究中，将继续对所构建的模型和计算方法进行完善与探索，使之适应不同类型、不同学习情境下的学习活动设计。此外，本实验目前是通过招募被试的方法，利用一次协作活动的数据对小组在线学习投入模型进行验证。虽然研究尽可能保证实验数据的丰富性和多样性，但短期的实验与真实的课堂相比还有一定的距离（Lin, J. W., Huang, H. H., Chuang, Y., & S., 2015），可能会削弱模型的有效性以及研究结果的可推广性，需要进一步进入实际课堂开展长期的教学实践，探讨在长期的在线讨论中学习者学习投入的变化轨迹以及影响因素。同时，未来研究也将探讨学习分析技术对学习投入的影响。比如，提供可视化工具，实时监控小组协作学习过程，辅助老师及时诊断存在的问题并进行干预，从而提升小组的协作学习投入。

参考文献

包昊罡，邢爽，李艳燕，郑娅峰，苏友. 2018. 在线协作学习中面向教师的可视化学习分析工具设计与应用研究[J]. 中国远程教育（06）：13-21.

龚朝花，李倩，龚勇. 2018. 智慧学习环境中的学习投入问题研究[J]. 电化教育研究，302（06）：85-91.

刘军，2004. 社会网络分析导论[M]. 北京：社会科学文献出版社.

李爽，何字娟. 2010. 基于学习参与度调查对远程学习支持服务的反思[J]. 中国远程教育（03）：24-29.

李爽，喻忱. 2015. 远程学生学习投入评价量表编制与应用[J]. 开放教育研究，21（06）：62-70.

李爽，李荣芹，喻忱. 2018. 基于LMS数据的远程学习者学习投入评测模型[J]. 开放教育研究，24（01）：91-102.

李银玲，张超. 2008. 教师远程培训中在线参与度的分析与计算[J]. 中国远程教育（02）：60-64.

琳达·哈拉西姆，肖俊洪. 2015. 协作学习理论与实践——在线教育质量的根本保证[J]. 中国远程教育（08）：5-16

彭敏军，陆新生，刘引红. 2011. 基于数量和质量的在线学习参与度考量方法研究[J]. 现代教育技术，21（1）：103-106.

孙洪涛. 2013. 开源工具支持下的社会网络分析——NodeXL介绍与案例研究[J]. 中国远程教育（02）：14-20.

王洪江，穆肃，黄洁，温慧群. 2017. 自主学习投入度实时分析方法及应用研究[J]. 电化教育研究，38（10）：44-50.

王陆. 2009. 虚拟学习社区社会网络中的凝聚子群[J]. 中国电化教育（08）：22-28.

武法提，张琪. 2018. 学习行为投入：定义、分析框架与理论模型[J]. 中国电化教育（01）：35-41.

杨兵，卢国庆，曹树真，Tiong-Thye Goh. 2017. 在线学习系统数据可视化评价标准研究[J]. 中国远程教育（12）：54-61.

郑娅峰，徐唱，李艳燕. 2017. 计算机支持的协作学习分析模型及可视化研究[J]. 电化教育研究（04）：49-54.

Akyol, Z., & Garrison, D. R.. (2011). Assessing metacognition in an online community of inquiry. The Internet and Higher Education, 14(3), 183-190.

Blasco-Arcas, L., Buil, I., Hernández-Ortega, B., & Sese, F. J. (2013). Using clickers in class. the role of interactivity, active collaborative learning and engagement in learning performance. Computers & Education, 62(3), 102-110.

Calvani, A.,Fini, A., Molino, M., & Ranieri, M.. (2010). Visualizing and monitoring effective interactions in online collaborative groups. British Journal of Educational Technology, 41(2), 213-226.

Dixson, M. D. . (2010). Creating effective student engagement in online courses: What do students find engaging?. Journal of the Scholarship of Teaching and Learning, 10(2), 1-13.

Fredricks, J. A., Blumenfeld, P. C., & Paris, A. H. (2004). School engagement: potential of the concept, state of the evidence. Review of Educational Research, 74(1), 59-109.

Freeman,L. C.. (1979). Centrality in social networks' conceptual clarification. Social Networks, 1(3), 215-239.

Harris, S. C., Zheng, L., & Kumar, V. (2014). Multi-dimensional Sentiment Classification in Online Learning Environment. In 2014 IEEE Sixth International Conference on Technology for Education (pp. 172-175). IEEE.

Helme, S., & Clarke, D.. (2001). Identifying cognitive engagement in the mathematics classrooms. mathematics educational journal, 13, 133-153. Mathematics Education Research Journal, 13(2), 133- 153.

Järvelä, S., Järvenoja, H., Malmberg, J., Isohätälä, J., & Sobocinski, M. (2016). How do types of interaction and phases of self-regulated learning set a stage for collaborative engagement?. Learning and Instruction, 43, 39-51.

Khosa, D. K., & Volet, S. E. (2014). Productive group engagement in cognitive activity and metacognitive regulation during collaborative learning: can it explain differences in students’ conceptual understanding?. Metacognition & Learning, 9 (3), 287-307.

Lin, J. W., Huang, H. H., & Chuang, Y. S.. (2015). The impacts of network centrality and self-regulation on an e-learning environment with the support of social network awareness. British Journal of Educational Technology, 46 (1), 32-44.

Linnenbrink-Garcia, L., & Pekrun, R. (2011). Students’ emotions and academic engagement: Introduction to the special issue. Contemporary Educational Psychology, 36 (1), 1-3.

Lipponen, L., Rahikainen, M., Lallimo, J., & Hakkarainen, K.. (2003). Patterns of participation and discourse in elementary students’ computer-supported collaborative learning. Learning & Instruction, 13(5), 487-509.

Macgowan, M. J., & Newman, F. L.. (2005). Factor structure of the group engagement measure. Social Work Research, 29 (2), 107-118.

Muramatsu, K., Tanaka, E., Watanuki, K., & Matsui, T. (2016). Framework to describe constructs of academic emotions using ontological descriptions of statistical models. Research and practice in technology enhanced learning, 11 (1), 5.

Nystrand, M., & Gamoran, A. (1991). Instructional discourse, student engagement, and literature achievement. Research in the Teaching of English, 261-290.

Pang, B., & Lee, L. (2008). Opinion mining and sentiment analysis. Foundations and Trends in Information Retrieval, 2(1-2), 1-135.

Peranginangin, Y., & Alamsyah, A. (2015, May). Social engagement analysis in online conversation of Indonesia higher education: Case study: Telkom university. In 2015 3rd International Conference on Information and Communication Technology (ICoICT) (pp. 228-233). IEEE.

Rogat, T. K., & Adams-Wiggins, K. R. (2014). Other-regulation in collaborative groups: Implications for regulation quality. Instructional Science, 42 (6), 879-904.

Sinha, S., Rogat, T. K., Adams-Wiggins, K. R., &Hmelo-Silver, C. E. (2015). Collaborative group engagement in a computer-supported inquiry learning environment. International Journal of Computer-Supported Collaborative Learning, 10 (3), 273-307.

Trowler, V. (2010). Student engagement literature review. The higher education academy, 11 (1), 1-15.

Van der Meijden, H. A. T. (2005). Knowledge construction through CSCL: Student elaborations in synchronous and three-dimensional learning environments. [Sl: sn].

Zhu, E. (2006). Interaction and cognitive engagement: An analysis of four asynchronous online discussions. Instructional Science, 34(6), 451.

作者简介：李艳燕，教授，博导，通讯作者，北京师范大学智慧学习研究院（100875）。彭禹，硕士究生；康佳，硕士研究生；包昊罡，博士研究生；苏友，博士研究生。北京师范大学教育技术学院（100875）。

基金项目：本文系国家社会科学基金教育学一般课题“基于大数据的在线协作学习分析评价与干预策略的实证研究”（项目编号：BCA170077）的阶段性研究成果。

刊载信息：李艳燕，彭禹，康佳，包昊罡，苏友.2020. 在线协作学习中小组学习投入的分析模型构建及应用[J].中国远程教育（2）：40-48.