CN106372125A - 一种sna视角下教育技术微博群个案研究模型构建方法 - Google Patents

Abstract

本发明公开了一种SNA视角下教育技术微博群个案研究模型构建方法，从微群的数量与时间分布、话题与热帖的显著热值与时间热值、微群的社会网络分析三个方面，分析具有良好运营表现的教育技术微博群个案的情况，探索良性运作的教育技术微博群的基本情况、群主的角色和作用、群内话题和热点微博的影响力、微群的社群关系、网络结构特性，为更好的利用微博群构建学习共同体提供参考。

Description

一种SNA视角下教育技术微博群个案研究模型构建方法

技术领域

本发明属于网络信息领域，尤其涉及一种SNA视角下教育技术微博群个案研究模型构建方法。

背景技术

微博平台中微群的出现，聚合了有相同爱好或者相同标签的用户，实现了用户的分群而居，在经营微博的同时，与志同道合的人共同参与小圈子活动。在国内有影响力的新浪微博平台自推出微群功能后，教育领域内众多班级、团体开通了微群，以期望微群能成为团体经营的有效辅助工具。以新浪微群为例，群名称中含“教育技术”的微群近50个，教育技术相关的微博群更是数不胜数。有关QQ群对促进学习的研究表明，QQ群在构建网络学习共同体、支持开放教育中的小组讨论、提高远程学习者自我效能感和学习成绩有显著作用。同样为利用群组构建学习共同体，促进团体交流，微博群的效用还缺乏实证研究的支撑。

发明人在2011年6月检索的新浪微群中排名前10位的教育技术类微群中，绝大部分微群人均微博数不足1条，甚至2010年创建的微群微博数仅有10条，多数群中信息久未更新，甚至有结束生命周期的迹象。虽然，教育技术类微群的经营状况在绝大部分并不理想的情况下，但仍然有少数微群有良好的表现。新技术与教育的有效整合是教育技术研究中重点关注的领域，技术与教育的整合效果，其关键不在技术本身，而在于新技术带来的新的解决问题的思路和方法。微博群被教育者赋予了共同体构建和信息的分享传播工具的期望，但如何运作才能取得良好的效果才是关键。本研究以“浙师大edu2.0研究中心”微群为良性运作的教育技术类微博群为个案，从社会网络分析的视角，探索良性运作的教育技术微博群的基本情况、群主的角色和作用、群内话题和热点微博的影响力、微群的社群关系、网络结构等特性，以期为更好的利用微博群构建学习共同体提高参考。

发明内容

本发明的目的在于提供一种SNA视角下教育技术微博群个案研究模型构建方法，旨在解决更好的利用微博群构建学习共同体。

本发明是这样实现的，一种SNA视角下教育技术微博群个案研究模型构建方法包括：

步骤一、对微博逐一编码，记录发表时间、发起人、内容属性、话题类属、获评论数量、评论者信息，并记录微博的转发路径；

步骤二、对数据采集时间段内的微群话题的名称、发言数、持续时间、发起者、参与成员信息进行统计，微博成员名称均用数字代号来代替；

步骤三、通过群中微博的数量分布与时间分布情况两个方面分析各成员在发言上的表现，初步分析活跃成员的情况与不同角色人员的表现；

步骤四、分析话题和热点微博的显著热值和时间热值，考察话题和热点微博在微群中的影响力；

步骤五、运用社会网络分析方法对微群的网络性质和结构进行分析，考察交往视野中的微群表现状况；

步骤六、综合以上分析过程，分析群主、管理员及活跃成员的角色表现。

进一步，将热点微博分为扩散热点微博和讨论热点微博。

进一步，群成员交互的社会网络分析，运用社会网络分析方法通过分析微群网络性质和结构来考察微群在交往视野中的表现，将微博中的回复、评论、@数据视为主动交往数据，录入Ucinet软件得到原始数据矩阵。

进一步，运用社会网络分析方法对微群的网络性质和结构进行分析，考察交往视野中的微群表现状况的具体方法为：

步骤一、获取若干网站的域名列表中域名的DNS记录，接收用户请求数据，以获取所述DNS记录中使用过CDN网络的域名发布的资源；

步骤二、分别采用公共域名解析器和本地域名解析器访问所述使用过CDN网络的域名发布的资源，获取CDN网络的负载均衡信息、内容发布质量信息和跨域通信量信息；

步骤三、由处理器将社交网络分成多个用户组，其中，每个用户组在该社交网络中具有唯一标识，由处理器从所述多个用户组中的用户组挖掘数据，从所述数据中识别多个社交变量，其中，所述多个社交变量包括用户数量、用户的联系、用户的交互、用户密切性和用户发表的帖子中的至少一个；

步骤四、获取社交网络中的原始数据，并将原始数据进行存储，对所述原始数据进行统一化处理，使得原始数据生成固定格式的数据文件；

步骤五、分析公共域名解析器访问获取CDN网络的负载均衡信息、内容发布质量信息和跨域通信量信息与本地域名解析器访问获取CDN网络的负载均衡信息、内容发布质量信息和跨域通信量信息的差异；以及评估公共域名解析器和本地域名解析器的性能，选择适当的域名解析器进行网络访问

步骤六、获取上层应用的信息需求；将上层应用的信息需求用特定的信息转换为网络数据收集的策略，并将所述策略下达给深度包检测单元；

步骤七、采用图形化界面帮助用户管理图数据，构建模式图及可视化查询结果，查询引擎调用分布式算法执行结构匹配计算，同时对匹配结果进行评估，选取top-K个结果，并将它们可视化在图形界面上；运用增量算法，对已有的匹配结果进行增量计算；

步骤八、依据Granger因果关联检验定量评估目标间的因果关联度，结合目标间的因果关联度及其因果认知概念表达，分析复杂网络的结构和功能特性，计算网络特征参数，通过分析网络特征参数的变化来分析交往视野中的微群表现状况。

进一步，所述深度包检测单元用于：从网络中收集相应的数据；同时，深度包检测单元将收集的数据提交到数据库单元中，数据库单元用于根据收集的数据建立数据库，数据挖掘单元和联机分析处理单元基于数据库中的数据，进行挖掘和联机分析处理，得到上层应用需要的信息，并将得到的信息提交给上层应用实体使用。

进一步，对数据文件进行预处理，使得数据文件转化为HNAP系统的数据格式，然后建立支持图论模型及分布式环境的数据模型，利用HNAP系统算法库中的算法，对数据模型的数据进行社会网络分析，并对分析后的输出结果进行整合，生成文档文件。

进一步，利用目标的位置参数，依据Granger因果检验方法来定量评估目标间的因果关联度，所依据的基本计算公式如下：

$P_i\left(t\right)=\underset{m=1}{\overset{q}{\Σ}}{\mathrm{\λ}}_m{P}_i(t-m)+\underset{m=1}{\overset{q}{\Σ}}{\mathrm{\γ}}_m{P}_j(t-m)+{\mathrm{\ϵ}}_{it}$

$P_j\left(t\right)=\underset{m=1}{\overset{q}{\Σ}}{\mathrm{\α}}_m{P}_i(t-m)+\underset{m=1}{\overset{q}{\Σ}}{\mathrm{\β}}_m{P}_j(t-m)+{\mathrm{\ϵ}}_{jt}$

其中，P_i，P_j为目标i，j的运动轨迹，ε_it，ε_jt为模型的误差项；将此因果关联度赋予相应网络节点间边的权值，如权值为0则节点为孤立节点，从而构建三类因果认知复杂网络模型，从宏观尺度上建立了人群行为的表达。

进一步，获取社交网络中的原始数据的具体方法为：

步骤一、获取网络数据包，根据解析对象将该网络数据包的分析内容划分为多个任务，并确定该多个任务的执行顺序；

步骤二、创建与该多个任务一一对应的多个消息队列和多个计算节点组，其中，每个计算节点组包括至少一个计算节点；

步骤三、将该网络数据包缓存至与该多个任务中的起始任务对应的消息队列；

步骤四、将网络数据包中的多个社交变量中的社交变量与多个热力学变量中的热力学变量等同，其中，所述多个热力学变量包括分子、体积、内能、压力、温度、熵、质量、粘度、密度、功、以及分子之间的键合中的至少一个；

步骤五、基于所述多个社交变量确定所述多个热力学变量的定量值，其中，通过控制一个或多个热状态来确定所述定量值；

步骤六、根据该执行顺序每个计算节点组依次执行以下动作直至最后一个任务被执行：获取与计算节点组自身对应的消息队列中的所有数据，并执行与该计算节点组对应的任务，以及将执行的结果发送至下一个任务对应的消息队列。

本发明从社会网络分析的视角，主要从微群的数量与时间分布、话题与热帖的显著热值与时间热值、微群的社会网络分析三个方面，分析具有良好运营表现的教育技术微博群个案的情况，探索良性运作的教育技术微博群的基本情况、群主的角色和作用、群内话题和热点微博的影响力、微群的社群关系、网络结构等特性，为更好的利用微博群构建学习共同体提供参考。

附图说明

图1是本发明实施例提供的SNA视角下教育技术微博群个案研究模型构建方法流程图；

图2是本发明实施例提供的微博的扩散关系图；

图3是本发明实施例提供的二值化临界值为1的网络社群关系图；

图4是本发明实施例提供的二值化临界值为10的网络社群关系图；

图5是本发明实施例提供的社群成员的小团体关系图。

具体实施方式

为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下：

请参阅图1至图5：

一种SNA视角下教育技术微博群个案研究模型构建方法包括：

S101、对微博逐一编码，记录发表时间、发起人、内容属性、话题类属、获评论数量、评论者信息，并记录微博的转发路径；

S102、对数据采集时间段内的微群话题的名称、发言数、持续时间、发起者、参与成员信息进行统计，微博成员名称均用数字代号来代替；

S103、通过群中微博的数量分布与时间分布情况两个方面分析各成员在发言上的表现，初步分析活跃成员的情况与不同角色人员的表现；

S104、分析话题和热点微博的显著热值和时间热值，考察话题和热点微博在微群中的影响力；

S105、运用社会网络分析方法对微群的网络性质和结构进行分析，考察交往视野中的微群表现状况；

S106、综合以上分析过程，分析群主、管理员及活跃成员的角色表现。

进一步，将热点微博分为扩散热点微博和讨论热点微博。

进一步，群成员交互的社会网络分析，运用社会网络分析方法通过分析微群网络性质和结构来考察微群在交往视野中的表现，将微博中的回复、评论、@数据视为主动交往数据，录入Ucinet软件得到原始数据矩阵。

进一步，运用社会网络分析方法对微群的网络性质和结构进行分析，考察交往视野中的微群表现状况的具体方法为：

步骤一、获取若干网站的域名列表中域名的DNS记录，接收用户请求数据，以获取所述DNS记录中使用过CDN网络的域名发布的资源；

步骤二、分别采用公共域名解析器和本地域名解析器访问所述使用过CDN网络的域名发布的资源，获取CDN网络的负载均衡信息、内容发布质量信息和跨域通信量信息；

步骤三、由处理器将社交网络分成多个用户组，其中，每个用户组在该社交网络中具有唯一标识，由处理器从所述多个用户组中的用户组挖掘数据，从所述数据中识别多个社交变量，其中，所述多个社交变量包括用户数量、用户的联系、用户的交互、用户密切性和用户发表的帖子中的至少一个；

步骤四、获取社交网络中的原始数据，并将原始数据进行存储，对所述原始数据进行统一化处理，使得原始数据生成固定格式的数据文件；

步骤五、分析公共域名解析器访问获取CDN网络的负载均衡信息、内容发布质量信息和跨域通信量信息与本地域名解析器访问获取CDN网络的负载均衡信息、内容发布质量信息和跨域通信量信息的差异；以及评估公共域名解析器和本地域名解析器的性能，选择适当的域名解析器进行网络访问

步骤六、获取上层应用的信息需求；将上层应用的信息需求用特定的信息转换为网络数据收集的策略，并将所述策略下达给深度包检测单元；

步骤七、采用图形化界面帮助用户管理图数据，构建模式图及可视化查询结果，查询引擎调用分布式算法执行结构匹配计算，同时对匹配结果进行评估，选取top-K个结果，并将它们可视化在图形界面上；运用增量算法，对已有的匹配结果进行增量计算；

步骤八、依据Granger因果关联检验定量评估目标间的因果关联度，结合目标间的因果关联度及其因果认知概念表达，分析复杂网络的结构和功能特性，计算网络特征参数，通过分析网络特征参数的变化来分析交往视野中的微群表现状况。

进一步，所述深度包检测单元用于：从网络中收集相应的数据；同时，深度包检测单元将收集的数据提交到数据库单元中，数据库单元用于根据收集的数据建立数据库，数据挖掘单元和联机分析处理单元基于数据库中的数据，进行挖掘和联机分析处理，得到上层应用需要的信息，并将得到的信息提交给上层应用实体使用。

进一步，对数据文件进行预处理，使得数据文件转化为HNAP系统的数据格式，然后建立支持图论模型及分布式环境的数据模型，利用HNAP系统算法库中的算法，对数据模型的数据进行社会网络分析，并对分析后的输出结果进行整合，生成文档文件。

进一步，利用目标的位置参数，依据Granger因果检验方法来定量评估目标间的因果关联度，所依据的基本计算公式如下：

$P_i\left(t\right)=\underset{m=1}{\overset{q}{\Σ}}{\mathrm{\λ}}_m{P}_i(t-m)+\underset{m=1}{\overset{q}{\Σ}}{\mathrm{\γ}}_m{P}_j(t-m)+{\mathrm{\ϵ}}_{it}$

$P_j\left(t\right)=\underset{m=1}{\overset{q}{\Σ}}{\mathrm{\α}}_m{P}_i(t-m)+\underset{m=1}{\overset{q}{\Σ}}{\mathrm{\β}}_m{P}_j(t-m)+{\mathrm{\ϵ}}_{jt}$

其中，P_i，P_j为目标i，j的运动轨迹，ε_it，ε_jt为模型的误差项；将此因果关联度赋予相应网络节点间边的权值，如权值为0则节点为孤立节点，从而构建三类因果认知复杂网络模型，从宏观尺度上建立了人群行为的表达。

进一步，获取社交网络中的原始数据的具体方法为：

步骤一、获取网络数据包，根据解析对象将该网络数据包的分析内容划分为多个任务，并确定该多个任务的执行顺序；

步骤二、创建与该多个任务一一对应的多个消息队列和多个计算节点组，其中，每个计算节点组包括至少一个计算节点；

步骤三、将该网络数据包缓存至与该多个任务中的起始任务对应的消息队列；

步骤四、将网络数据包中的多个社交变量中的社交变量与多个热力学变量中的热力学变量等同，其中，所述多个热力学变量包括分子、体积、内能、压力、温度、熵、质量、粘度、密度、功、以及分子之间的键合中的至少一个；

步骤五、基于所述多个社交变量确定所述多个热力学变量的定量值，其中，通过控制一个或多个热状态来确定所述定量值；

步骤六、根据该执行顺序每个计算节点组依次执行以下动作直至最后一个任务被执行：获取与计算节点组自身对应的消息队列中的所有数据，并执行与该计算节点组对应的任务，以及将执行的结果发送至下一个任务对应的消息队列。

实施例一

以新浪微群中有良好表现的“浙师大edu2.0研究中心”为研究对象，由于该微群的大部分成员是研究生，数据的性质可能会受学期周期的影响，因此数据采集时间取样在该微群从2011年3月1日至2011年7月31号5个月时间内的全部微博，对微博逐一编码，记录其发表时间、发起人、内容属性、话题类属、获评论数量、评论者等信息，并记录微博的转发路径。信息采集完毕后共得到42位成员的微博341条。之后再对数据采集时间段内的微群话题的名称、发言数、持续时间、发起者、参与成员等信息进行统计。为方便后续的分析，微博成员名称均用数字代号来代替。

研究数据的分析方法主要是内容分析法，分析过程主要从以下四个方面展开：通过群中微博的数量分布与时间分布情况两个方面来分析各成员在发言上的表现，初步分析活跃成员的情况与不同角色人员的表现；分析话题和热点微博的显著热值和时间热值，以考察其在微群中的影响力；运用社会网络分析方法对微群的网络性质和结构进行分析，考察交往视野中的微群表现状况；综合以上分析过程，分析群主、管理员及活跃成员的角色表现。

(一)微群的基本情况——数量分布与时间分布

1、群成员的关系大部分成员同属于一个所学校的研究生，经常有线下的集体研讨活动，微群充当研究生群体线上交流讨论的主要平台之一。这种成员关系比一般意义上的微群群组关系紧密，会对微博数量和时间持续性有正向的影响。

2、微博的数量分布

群成员编号中，1为群主，2、3、4、5为管理员。5个月内采集的341条微博由19位发帖者组成，占群成员总数的45.24％。在数据采集的样本中，仅群主一人的发帖量(92)占总发帖量(392)的26.98％，近三分之一，是群中最多的。群管理员2、3、4、5发帖量也在前列，在数量的引导上表现了角色作用。39号成员发帖46条，除去其直播研讨活动的37条微博外，只有9条，与群中的人均发帖量相当。发帖者中，除去一位群主和4位管理员，普通成员共14位，占普通成员总量的37.84％。从各群成员发帖数量可以看出，除群主的发帖量远高于其他成员外，管理员的发帖量与普通成员相比并没有明显优势。39号成员的46条微博中，37条是用于直播群体活动的，故数量较多。

23位从未发帖的成员中，有7位用户参与了他人微博中的交互。如果将发言或参与过他人微博中的交互至少一次的用户定义为活跃成员，可计算出活跃用户26位，占总成员数的61.90％。

3、微博的时间分布

微博数量在各个月的分布是不均衡的，3月微群刚开通，鉴于微博“慢热”的特性，参与的成员和发帖量并不很多。到4月和5月随着功能和成员的熟悉，其交流特性也逐渐显现，参与成员和微博数量猛然增多。但是到6月份又急剧下滑，7月份时，群内微博数量非常少，经过对内容观察发现，这可能与微群的性质相关。微群的主要参与成员为研究生，6月份接近课程结业，7月份进入放假状态，因此对微博的数量产生有较大影响。

(二)话题的影响力分析话题的影响力分析，主要从话题引起成员的关注程度和持续时间——话题的显著热值与时间热值来分析。时间采样时间段内，微群共产生了10个话题，各话题的发起人、微博数、持续时间及参与人员情况见下表：

表1微群话题的基本情况

从上表可以看出，话题最多吸引9人参与，时间跨度最长近2个半月。除直播活动的3号话题外，2号话题产生了25条微博，生命周期也较长，达到了10天，是话题中效果比较显著的。全部22个话题吸引了18位参与者，占该群活跃成员(26位)的69.23％。从整体上来看，话题在引发成员参与交流讨论上有显著作用，且具有一定的时间持续性。

22个话题中，群主发起的话题10个，加上管理员5发起的话题，占总话题量的半数。因此，从话题的影响力来看，群主和管理很好的发挥了角色作用。

(三)热帖的影响力分析对微博平台而言，站内信息的转发量、评论和微博平台产品间内容共享量是用户活跃度的存量，是其活跃度的基础保证。微群中热点微博的显著热值与时间热值，即热贴引起成员的关注程度和持续时间，体现了热点微博的影响力和活跃程度。

1、扩散热点微博

在341条微博中，有些微博被反复@或转发，并引发较多成员的参与，且跨度时间长。在对341条微博的转发关系做了梳理之后，得到图2结果。

从图中可见，微博延续深度最大的是由135号贴扩散出的11条微博。其次是由187号贴扩散出的10条微博。133号贴子的内容是关于话语权的讨论，不同的成员对话语权有不同的理解，故扩散出了较多的内容。这一现象符合微群平台管理建议：有争议的内容容易引发更多的新内容。扩散微博数最多的微博的显著性与时间跨度情况见下表：

表2显著扩散微博的显著性与时间跨度

由表中可见，136号贴虽然扩散出来的5条微博不算最多，但是，却吸引了7位成员参与，时间跨度达到20天。该贴的内容是一个小调查，属于话题1“微群内共享因素小调查”，群成员对于微群传播有不同的见解，随着时间的深入对群的功能有更多的理解，故而在较长的时间跨度上有较多的扩散。

2、讨论热点微博对采样范围内的341条微博获评论的情况进行分析，共有158条微博有至少一条评论，获3条以上评论的微博有55条。对于一个表现相对较好的专业微群，不到半数的微博能获得其它成员回应，反映的交流情况是不乐观的。获得回复次数最多的5条微博如下：

表3获得评论最多的微博

230号贴和314号贴获得了10条评论。230号贴是关于微群共享因素调查效果的评论，得到了较多成员的响应，其中也出现了关于微群功能的讨论。314号贴是关于研究成员招募的，得到了较多成员的回应。40号贴与314号贴性质相同，也是关于研究工作人员招募的。41号贴是关于专业相关的信息发布的，有较多成员对这一信息进行评论。同属于扩散热帖的136号贴，也获得了8条评论。

观察扩散热帖和评论热帖的发起人3、33、35、36、40在群中的发帖量，均在10条以上，属于群中较活跃的群体，成员40发出的微博在群中的影响力较为突出。从此处反映的微博的良好效应，可以推测微博激起的良好效应鼓励了他们在群中有更加积极的行为表现。

观察扩散热帖和评论热帖的内容，发现热帖的内容与群成员关系密切，多为有争议的话题或信息发布，能有效激发其他成员的参与动机，与微博发起成员的关系不大。

群成员交互的社会网络分析

运用社会网络分析方法主要是通过分析该微群网络性质和结构来考察微群在交往视野中的表现。在对微博中基于微博的交互关系做梳理后，将微博中的回复、评论、@数据视为主动交往数据，录入Ucinet软件得到原始数据矩阵。

社群图与网络的基本属性

根据微群中成员的交往情况在Ucinet软件中构造成员交往矩阵，通过NetDrew绘制该网络的社群图时，二值化临界值设定为1、10所得到的微群社群关系如图3、图4：

在42位群成员中，有16为成员从未参与过群中的任何形式的交往。在二值化临界值提高到10时，显示了群中交往最为密切的核心交往成员，既成员1、3、5、33、35、36、40，交往的核心在1号成员即群主。从交往的方向上看，成员3主动与群主交互，其他几位高频次交往成员均与群主被动交往。以下SNA分析结果，如无特殊说明，均以“1”为二值化临界值。

2.网络的基本属性

网络的基本属性值如下表：

表4微群网络的基本属性

2、网络的中心性分析程度中心性分析是判断团体中中心人物的基本方法。从表中成员程度中心性计算结果(前10位)可以看出成员1、33、3、5、40为团体的中心人物，属于表现比较活跃的群体。

表5成员的程度中心性

群体程度中心性反映成员程度中心性间的差距，反映团体权利的集中情况。本网络的群体程度中心性为0.3439，没有出现团体权利过分集中的现象。

各成员的点入度和点出度反映成员去其他成员交往的方向性，点出度较高的成员交往具有外向性，主动和其他成员交往较多；点入度较高的成员较受其他成员的欢迎，容易获取其他成员的支持。从团体的点入度、点出度分析结果(点出度前10位)中可以看出，1号成员即群主交往的点出度与点入度均居最高且数量相等，说明其交往没有表现出方向性。

表6成员的点度中心性

中介中心性指标衡量成员在团体交往中作为媒介者的能力，是否是成员交往的重要信息通道。中介中心性分析结果(最高的前10位)显示，一号成员群主的中介中心性最高，是团体交往中重要的信息通道，表现出“桥”的角色。成员3、40、38、36在团体的信息流通中也发挥着重要的作用。

表7成员的中介中心性

群体中介性反应团体信息被少数人垄断的可能性。本网络的群体中介性指数是0.05，属于较低的水平，表明团体信息和利益被少数人垄断的可能性非常低。

3、小团体分析

小团体分析蚕蛹以成员的距离为基础的算法N-clique，设定最大距离为2、团体最小成员数为9后，得到5个小团体，分布情况如下：

表8小团体中的成员分布

群主和群管理成员1、3、4、5在出现在较多的小团体(1、2、4、5)中，发挥了重要的参与引导角色。成员1、3、4、5、34、35、36、40出现在全部5个团体中，属于群体中的跨越团体活动的成员。小团体的关系的图示化结果如图5；

从整体上看，群体的小团体现象不明显。团体中心性反映团体的交往方向。网络的团体中心性分析结果显示，团体2交往的外向度最高，表现为团体主动和其他团体成员交往；团体5交往的内向程度最高，表现为团体较受其他团体的关注。团体1的外向程度和内向程度均为最低，且差异不大，表示团体的成员与其他团体的成员交往，在整体上没有明显的方向性。

表9小团体间的交往情况

本发明主要从微群的数量与时间分布、话题与热帖的显著热值与时间热值、微群的社会网络分析三个方面，分析具有良好运营表现的教育技术微博群个案的情况。结果表明，在采样时间段内，该微群成员大部分是活跃的，成员的发帖量除群主外并无较大的差异；微博数量在学期中期(4月和5月)份最高，随着期末临近数量逐渐减小；话题在引发成员参与交流讨论上有显著作用，且具有一定的时间持续性；微博的内容与其他成员关系密切、具有争议时，容易成为有影响力的热点微博；群主和管理员在发帖量、话题、热点微博中均表现了积极的正向作用。微群网络所反映的交往密度一般(存在近三分之一的孤立点)，活跃用户的交往情况较好，但有集中在少数几个活跃成员的趋势；群主和管理员在交往网络中担任信息流通的重要角色，参与了多数交往团体活动，较好的发挥了角色的引导作用。

以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。

Claims (8)

1.一种SNA视角下教育技术微博群个案研究模型构建方法，其特征在于，所述SNA视角下教育技术微博群个案研究模型构建方法包括：

步骤一、对微博逐一编码，记录发表时间、发起人、内容属性、话题类属、获评论数量、评论者信息，并记录微博的转发路径；

步骤二、对数据采集时间段内的微群话题的名称、发言数、持续时间、发起者、参与成员信息进行统计，微博成员名称均用数字代号来代替；

步骤三、通过群中微博的数量分布与时间分布情况两个方面分析各成员在发言上的表现，初步分析活跃成员的情况与不同角色人员的表现；

步骤四、分析话题和热点微博的显著热值和时间热值，考察话题和热点微博在微群中的影响力；

步骤五、运用社会网络分析方法对微群的网络性质和结构进行分析，考察交往视野中的微群表现状况；

步骤六、综合以上分析过程，分析群主、管理员及活跃成员的角色表现。

2.如权利要求1所述SNA视角下教育技术微博群个案研究模型构建方法，其特征在于，将热点微博分为扩散热点微博和讨论热点微博。

3.如权利要求1所述SNA视角下教育技术微博群个案研究模型构建方法，其特征在于，群成员交互的社会网络分析，运用社会网络分析方法通过分析微群网络性质和结构来考察微群在交往视野中的表现，将微博中的回复、评论、@数据视为主动交往数据，录入Ucinet软件得到原始数据矩阵。

4.如权利要求1所述SNA视角下教育技术微博群个案研究模型构建方法，其特征在于，运用社会网络分析方法对微群的网络性质和结构进行分析，考察交往视野中的微群表现状况的具体方法为：

步骤一、获取若干网站的域名列表中域名的DNS记录，接收用户请求数据，以获取所述DNS记录中使用过CDN网络的域名发布的资源；

步骤二、分别采用公共域名解析器和本地域名解析器访问所述使用过CDN 网络的域名发布的资源，获取CDN网络的负载均衡信息、内容发布质量信息和跨域通信量信息；

步骤三、由处理器将社交网络分成多个用户组，其中，每个用户组在该社交网络中具有唯一标识，由处理器从所述多个用户组中的用户组挖掘数据，从所述数据中识别多个社交变量，其中，所述多个社交变量包括用户数量、用户的联系、用户的交互、用户密切性和用户发表的帖子中的至少一个；

步骤四、获取社交网络中的原始数据，并将原始数据进行存储，对所述原始数据进行统一化处理，使得原始数据生成固定格式的数据文件；

步骤五、分析公共域名解析器访问获取CDN网络的负载均衡信息、内容发布质量信息和跨域通信量信息与本地域名解析器访问获取CDN网络的负载均衡信息、内容发布质量信息和跨域通信量信息的差异；以及评估公共域名解析器和本地域名解析器的性能，选择适当的域名解析器进行网络访问；

步骤六、获取上层应用的信息需求；将上层应用的信息需求用特定的信息转换为网络数据收集的策略，并将所述策略下达给深度包检测单元；

步骤七、采用图形化界面帮助用户管理图数据，构建模式图及可视化查询结果，查询引擎调用分布式算法执行结构匹配计算，同时对匹配结果进行评估，选取top-K个结果，并将它们可视化在图形界面上；运用增量算法，对已有的匹配结果进行增量计算；

步骤八、依据Granger因果关联检验定量评估目标间的因果关联度，结合目标间的因果关联度及其因果认知概念表达，分析复杂网络的结构和功能特性，计算网络特征参数，通过分析网络特征参数的变化来分析交往视野中的微群表现状况。

5.如权利要求4所述SNA视角下教育技术微博群个案研究模型构建方法，其特征在于，所述深度包检测单元用于：从网络中收集相应的数据；同时，深度包检测单元将收集的数据提交到数据库单元中，数据库单元用于根据收集的数据建立数据库，数据挖掘单元和联机分析处理单元基于数据库中的数据，进 行挖掘和联机分析处理，得到上层应用需要的信息，并将得到的信息提交给上层应用实体使用。

6.如权利要求4所述SNA视角下教育技术微博群个案研究模型构建方法，其特征在于，对数据文件进行预处理，使得数据文件转化为HNAP系统的数据格式，然后建立支持图论模型及分布式环境的数据模型，利用HNAP系统算法库中的算法，对数据模型的数据进行社会网络分析，并对分析后的输出结果进行整合，生成文档文件。

7.如权利要求4所述SNA视角下教育技术微博群个案研究模型构建方法，其特征在于，利用目标的位置参数，依据Granger因果检验方法来定量评估目标间的因果关联度，所依据的基本计算公式如下：

其中，P_i，P_j为目标i，j的运动轨迹，ε_it，ε_jt为模型的误差项；将此因果关联度赋予相应网络节点间边的权值，如权值为0则节点为孤立节点，从而构建三类因果认知复杂网络模型，从宏观尺度上建立人群行为的表达。

8.如权利要求4所述SNA视角下教育技术微博群个案研究模型构建方法，其特征在于，获取社交网络中的原始数据的具体方法为：

步骤一、获取网络数据包，根据解析对象将该网络数据包的分析内容划分为多个任务，并确定该多个任务的执行顺序；

步骤二、创建与该多个任务一一对应的多个消息队列和多个计算节点组，其中，每个计算节点组包括至少一个计算节点；

步骤三、将该网络数据包缓存至与该多个任务中的起始任务对应的消息队列；

步骤四、将网络数据包中的多个社交变量中的社交变量与多个热力学变量中的热力学变量等同，其中，所述多个热力学变量包括分子、体积、内能、压力、温度、熵、质量、粘度、密度、功、以及分子之间的键合中的至少一个；

步骤五、基于所述多个社交变量确定所述多个热力学变量的定量值，其中，通过控制一个或多个热状态来确定所述定量值；

步骤六、根据该执行顺序每个计算节点组依次执行以下动作直至最后一个任务被执行：获取与计算节点组自身对应的消息队列中的所有数据，并执行与该计算节点组对应的任务，以及将执行的结果发送至下一个任务对应的消息队列。