آموزش و یادگیری آنلاین یکی از موضوعاتی است که با رشد نمایی در حال گسترش است و خصوصا پس از شروع پاندمی کرونا، به یک الزام برای اکثر افراد جامعه تبدیل شده است و توجه زیادی به آن شده است. این استفاده گسترده باعث شده تا حجم زیادی از اطلاعات در لحظه در هر کدام از سیستم‌های آموزش آنلاین منتقل شود که تجزیه و تحلیل این حجم داده‌ی زیاد که اطلاعات نهان درون خود دارد، اخیرا توجه محققان آموزشی زیادی را به خود جلب کرده است. تجزیه و تحلیل شبکه‌های اجتماعی (SNA) یک روش شناختی محبوب برای محققان است. با وجود اینکه فرآیند تحلیل شبکه‌های اجتماعی آموزشی بسیار دشوار است، زیرا شامل سطوح مختلف ارتباطات و تبادل داده‌های متفاوت است. اما روش‌های SNA به دلیل وجود کاوش‌های عمیق و تحلیل‌ها، امکان تجسم این پیچیدگی‌ها را فراهم می‌کند. مسئله‌ی مشاهده و درک رفتار دانش آموزان و یا دانشجویان، به منظور بهبود تجربه آموزشی و کسب نتایج بهتر، در تمام انواع آموزش، همواره در کانون توجه بوده است. در آموزش آنلاین، چالش کمبود ارتباط مستقیم بین افراد مطرح است که این موضوع می‌تواند با حجم داده‌های بیشتری که در دسترس است، جبران شود. برای مثال در یک گروه آموزشی آنلاین، با وجود اینکه افراد با یکدیگر به طور مستقیم در تعامل نیستند، اما این امکان وجود دارد که از منابع یادگیری متفاوتی استفاده کنند یا تعاملات آنلاین خود را با یکدیگر بیشتر کنند، زیرا دیگر مسئله‌ی مسافت و یا زمان مطرح نیست. پس تجزیه و تحلیل این داده‌ها می‌تواند بسیار مفید باشد. در این گزارش ما به بررسی اثربخشی سامانه‌های آموزشی آنلاین در میزان یادگیری فراگیران در دوران همه‌گیری کرونا و پیش از آن می‌پردازیم. بررسی اثربخشی پلتفرم‌های آموزش آنلاین در قبل و بعد از همه‌گیری کرونا روی پلتفرم moodle و... در این گزارش آورده شده و مقایسه بین آن‌ها انجام شده است. در عین حال با توجه به اینکه یکی از اهداف ما تکرار آزمایش روی پلتفرم‌های آموزشی مشابه بوده است برآن شدیم تا با استفاده از ابزار تحلیلی gephi بررسی و تحلیل داده‌های شبکه‌های پیچیده و پویا را به‌طور مشابه روی داده‌های یکی از پلتفرم‌های آموزشی آنلاین تحت عنوان Mooc اجرا کنیم.
فرآیند آموزش آنلاین، منجر به تشکیل شبکه‌ای میان افراد و ابزارهای دیجیتال می‌شود که پیام‌های جابه‌جا شده بین هر دو نقطه‌ی مختلف در این شبکه، هم می‌تواند به صورت رابطه‌ی یادگیری باشد و هم به صورت آموزش و یادگیری. افراد می‌توانند برای یادگیری موضوعات، عضو اجتماعاتی شوند که در آن از یک محیط یکپارچه‌ی یادگیری مثل LMS استفاده می‌شود و یا از شبکه‌های اجتماعی غیررسمی مثل فیسبوک یا توئیتر برای یادگیری یا آموزش استفاده کنند. در هر کدام از این موارد اندازه‌ی شبکه‌ای که تشکیل می‌شود و نحوه‌ی ارتباط گره‌های آن متفاوت خواهد بود. معیارهای SNA (Social Network Analysis) به ما کمک می‌کند تا با ویژگی‌های این شبکه‌ها به طور دقیق‌تری آشنا شویم. بر اساس نظریه‌ی شبکه‌های اجتماعی، رفتار افراد را می‌توان از طریق شبکه‌ای که با یکدیگر تشکیل داده‌اند، پیشبینی کرد. روش های SNA، به منظور درک روابط بین افراد و همچنین موجودیت‌های بزرگ‌تر مانند گروه‌ها و اجتماعات استفاده می‌شود.
هدف اصلی در تحلیل شبکه‌های پیچیده‌ی آموزشی، پیدا کردن الگوی رفتاری دانش‌آموزان و یا دانشجویان، با استفاده از داده‌های به دست آمده از فعالیت‌های آن‌ها در شبکه است. یک تحلیل سه لایه روی این شبکه‌ها می‌تواند به صورت زیر باشد.
تحلیل شبکه‌های اجتماعی [18]
تحلیل شبکه‌های اجتماعی یک موضوع میان‌رشته‌ای است که ترکیبی از تحلیل شبکه‌ها، علوم اجتماعی و نظریه‌ی گراف‌ها است. بعضی از کاربردهای اصلی آن تشخیص گره‌های مرکزی، انجمن‌ها و اهمیت یال‌های ارتباطی میان یال‌ها است. دو رویکرد اصلی در تحلیل شبکه‌های اجتماعی وجود دارد. رویکرد اجتماعی محور که تحلیلی روی کل شبکه با هدف تشخیص الگوهای ساختاری انجام می‌دهد؛ در مقابل، رویکرد خود محور، با تحلیل هر فرد، نوع روابط و مشارکت‌های وی در جامعه را بررسی می‌کند. اغلب برای حل مسائل پیچیده، از ترکیب دو رویکرد ذکر شده استفاده می‌شود.
تحقیقات SNA در بحث تحلیل شبکه‌های اجتماعی آموزشی، بین دو نوع متفاوت از داده‌ها تمایز قائل میشوند. داده‌های Objective و Subjective. داده‌های Objective اطلاعات واقعی تبادل شده بین گره‌های شبکه، مثل مکالمات ایمیلی، بحث‌ها و یا فیدهای ویکی‌پدیا هستند. این نوع داده مشخص می‌کند که چه نودهای مرکزی می‌توانند در شبکه وجود داشته باشند و یا آیا نودهای با ویژگی‌های مشابه، می‌توانند تشکیل یک گروه در شبکه را بدهند؟ در مقابل، اطلاعات Subjective، به سوالاتی از این قبیل پاسخ می‌دهد: دوستان هر گره، چه کسانی هستند؟ و یا هر گره اگر سوالی داشته باشد، به سراغ کدام گره دیگر میرود. به طور مثال در بحث شبکه‌های اجتماعی آموزشی می‌توان بررسی کرد که تشکیل رابطه‌ی دوستی و حفظ آن چگونه بر تداوم یادگیری و عملکرد و نمرات دانشجویان اثر گذاشته است. داده‌های Subjective و Objective لزوما رابطه‌ی مستقیم با یکدیگر ندارند. به عنوان مثال، اگر از داده‌های Objective مشخص شود که یک فرد در یک شبکه‌ی ایمیل یک سازمان، یک گره مرکزی است و ایمیل‌های زیادی دریافت می‌کند، بر اساس داده‌های Subjective می‌تواند گره مرکزی نباشد و روابط زیادی با افراد آن سازمان نداشته باشد، زیرا شاید ادمین سیستم باشد و صرفا برای امور امنیتی، تمام ایمیل‌های سازمان، باید از درگاه وی عبور کند.
پکیج‌های نرم‌افزاری متعددی برای ساخت، مصورسازی و انجام تغییرات روی داده‌های شبکه‌ها وجود دارد که از جمله معروف‌ترین آن‌ها UciNet, Gephi, NetMiner و R هستند. نرم‌افزاری که ما در این پروژه، برای انجام تحلیل عملی از آن استفاده کرده‌ایم، Gephi است که تعاریف برخی از معیارهایی که محاسبه کرده‌ایم در ادامه آمده است.
معیارهای تحلیل‌های پیچیده‌تر در شبکه، با استفاده از الگوریتم‌های متفاوتی به دست می‌آید که هدف آن‌ها مشخص کردن ارزش یک گره با در نظر گرفتن کیفیت و استحکام روابط با همسایه‌های آن گره است. این الگوریتم‌ها به نام‌های HITS و PageRank هستند که اعتبار و تاثیرگذاری گره‌های شبکه را می‌سنجند. هر دوی این الگوریتم‌ها براساس بهبود مجدد کار می‌کنند که یک فرآیند بازگشتی است که یک مقدار اولیه را به هر گره تخصیص می‌دهد و در طی مراحل مختلف، بر اساس ارتباطات آن گره، مقادیر جدید را به آن تخصیص داده و هر بار ارزش آن گره، مجدد محاسبه می‌شود تا به معیاری که مدنظر است، رسیده شود. در شبکه‌ی اجتماعی آموزشی و در بین ارتباطات بین دانشجویان، این الگوریتم‌ها، تاثیراتی را که یک فرد با ساختن روابط جدید روی شبکه می‌گذارد، مرحله به مرحله اندازه می‌گیرند.
تحلیل عامل‌های شبکه و کاهش ابعاد مسئله
به طور کلی تحلیل رفتار انسان‌ها، یک مسئله‌ی بسیار پیچیده و با ابعاد گسترده است؛ اگر چه در موضوع تحلیل شبکه‌های اجتماعی آموزشی بین دانش‌آموزان و یا دانشجویان، یکسری تعاملات خاص، مثل فعالیت در بحث‌های آموزشی و در محیط‌های خاص، مثل گروه‌های درسی، در نظر گرفته شده است، اما با این وجود، تفسیر ویژگی‌های به دست‌آمده، پیچیدگی بالایی خواهد داشت. کاهش ابعاد مسئله، یک روش آماری برای حل این مشکلات است.
تحلیل خوشه‌ها
طی اقدامات قبلی، فضای جدید از داده‌ها ایجاد می‌شود که می‌تواند شامل گستره و متغیرهای جدید باشد. در ادامه به یک روش گروه‌بندی نیاز است تا ویژگی‌های مشترک شناسایی شده را دسته‌بندی کند. استفاده از الگوریتم K-means یکی از روش‌های خوشه‌بندی افراد بر مبنای فاصله‌ی آن‌ها است.
سوالاتی که در شبکه‌های آموزشی آنلاین مطرح می‌شود می‌تواند شامل چه کسانی با چه کسانی ارتباط برقرار می‌کنند؟ این ارتباط هر چند وقت یک بار است؟ یک نفر نسبت به نفرات دیگر چقدر در شبکه فعالیت دارد؟ برای مثال به سوالات دیگران پاسخ می‌دهد یا در بحث‌ها شرکت می‌کند. آیا همه‌ی افراد همواره با هم تعامل دارند؟ افراد درباره‌ی چه موضوعاتی صحبت می‌کنند؟ چه کلمات یا عباراتی تکرار شونده هستند؟ آیا این عبارات توسط عده‌ی زیادی از دانشجویان استفاده می‌شود؟ در این تحقیق، استفاده از شبکه‌های اجتماعی غیررسمی برای تعامل دانشجویان و تبادل اطلاعات آموزشی از شروع پاندمی کرونا بررسی شده است. دو دیتاست در این مقاله بررسی شده است. یکی ارتباطات آموزشی در شبکه توئیتر در کل کشور آمریکا و دیگری در یکی از شهرهای آن. هدف اصلی این مقاله، یافتن اجتماع‌ها و همچنین نودهای با مرکزیت بالا در این دو دیتاست بوده است [1]. با بررسی سامانه‌ی یادگیری آموزشی LMS در دانشگاهی در آمریکا مشخص شد وابستگی مثبتی بین تعداد پست‌های ارسال شده توسط دانشجویان در بحث‌ها و عملکرد تحصیلی آن‌ها از جهت نمره‌ی نهایی وجود دارد. همچنین در این تحقیق بررسی تغییرات الگوی همکاری دانشجویان در طول زمان و احساس تعلق به کلاس آموزش مورد بررسی قرار گرفت [2]. هدف مطالعه‌ی بعدی که از نوع مروری است، مرور کاربرد الگوریتم‌های تشخیص اجتماع و خوشه‌بندی و بررسی پیشنهادات و محدودیت‌های پیاده‌سازی آن‌ها در محیط‌های یادگیری آنلاین است. در این مقاله مروری، 65 مقاله که الگوریتم‌های تشخیص اجتماع را روی محیط‌های آنلاین یادگیری مختلف پیاده‌سازی کرده بودند، بررسی شده است. بیشترین الگوریتم‌های استفاده شده در این مقاله‌ها، الگوریتم K-means، Clique analysis و روش Louvain بوده است [3]. مقاله‌ی بعد مطالعه‌ی موردی در سیستم‌های آموزشی آنلاین دانشگاهی اسپانیا است که از دو جنبه‌ی موقعیت دانشگاه‌ها و اهمیت تکنولوژی‌های مورد استفاده آن‌ها برای آموزش آنلاین انجام شده است که هدف آن تشخیص تاثیر هر کدام از آن‌ها و نقاط مثبت و منفی آن بر کیفیت آموزش آنلاین است [4]. در تحقیق [5] داده‌های استخراج شده از یک سیستم آنلاین آموزشی برای 135 دانشجو و 15 استاد در 15 گروه درسی مختلف بررسی شدند و با بررسی وابستگی‌ها و درجه‌ی ارتباطات مشخص شد که وابستگی مثبتی بین درصد تعامل هر دانشجو و بازده عملکرد او در درس وجود دارد. بر طبق مقاله‌ی [6] نتایج حاصل از تحلیل شبکه‌های پیچیده در صورتی قابل تعمیم است و می‌توان به آن استناد کرد که قابلیت تولید مجدد داشته باشد. بنابراین به بررسی تاثیر ساختار گراف شبکه (وزن‌دار، جهت‌دار، ساده و غیره) و روش‌های اندازه‌گیری مطمئن برای تولید مجدد نتایج قبلی، پرداخته است. مقاله [9] یک چارچوب روش‌شناختی یکپارچه (IMF) را ارائه می‌کند که از تحلیل شبکه اجتماعی (SNA) برای شناسایی ساختاری جوامع در آموزش آنلاین استفاده می‌کند. چارچوب یکپارچه IMF با تمرکز بر شباهت‌های ساختاری بین شبکه‌ها و جوامع، ساختارهای SNA را در اجزای ساختاری چارچوب‌های CoP و CoI تعبیه می‌کند که این چارچوب یک روش موثر برای ارزیابی مشارکت شرکت‌کنندگان در طول یک فعالیت آموزشی را ارائه می‌دهد. در [11] SNA را برای بررسی چگونگی ارتباط گروه‌ها، معلمان و معیارهای تعاملی دانش‌آموزان با عملکرد گروه اتخاذ می‌کند. این کار با تجزیه و تحلیل کار 60 گروه در 12 دوره آموزش دندانپزشکی (598 دانشجو) انجام شده است. داده‌های تعاملی از یک پلتفرم یادگیری آنلاین مبتنی بر Moodle برای ساخت شبکه‌های انبوه هر گروه استخراج شده است. در نهایت مشخص شد با استفاده از معیارهای تحلیل شبکه، تجزیه و تحلیل شبکه‌های اجتماعی می‌تواند برای نظارت و تنظیم گروه‌های آنلاین PBL مورد استفاده قرار گیرد و به طور بالقوه از عملکرد گروه‌ها پشتیبانی کند. مقاله [12]شبکه اجتماعی توییتر را در طول پاندمی COVID-19 تجزیه و تحلیل کرده است. در این مقاله پست‌های توییتر پیرامون هشتگ‌های یادگیری آنلاین و آموزش آنلاین بررسی شده است و هدف بررسی توسعه خود به خودی جوامع یادگیری آنلاین بر این اساس است. برای این کار پست‌های توییتر استخراج و بررسی شده است که چگونه جوامع مکالمات توییتر پیرامون آموزش و یادگیری آنلاین در طول پاندمی کرونا تکامل یافته‌اند. نویسندگان در [13] با در نظر گرفتن رضایت کاربر از پلتفرم‌های آموزش آنلاین در چین یک سیستم شاخص رضایت مشتری با تجزیه و تحلیل داده‌های موجود ایجاد می‌کنند و یک مدل شبکه عصبی را برای پیشبینی رضایت کاربر ارائه می‌دهند. نتیجه‌گیری نشان می‌دهد که عوامل شخصی کاربران تأثیر مستقیمی بر رضایت کاربر ندارند، در حالی که در دسترس بودن پلتفرم بیشترین تأثیر را بر رضایت کاربر دارد. در نهایت، پیشنهاداتی در مورد بهبود پلتفرم آموزش آنلاین برای افزایش سطح آموزش آنلاین در طول همه‌گیری COVID-19 ارائه می‌شود. مقاله [14] یک سیستم شاخص ارزیابی را از طریق به دست آوردن نظرات کاربران در مورد هفت پلتفرم آموزش آنلاین قبل و بعد از شیوع COVID-19 ایجاد می‌کند و در نهایت تغییر نگرانی کاربران در مورد پلتفرم آموزش آنلاین را کشف می‌کند. از نظر سرعت دسترسی، قابلیت اطمینان، فناوری انتقال به موقع اطلاعات ویدئویی، مدیریت دوره، ارتباطات و تعامل، و یادگیری و پشتیبانی فنی، این مقاله توانایی‌های پشتیبانی و سطوح پاسخ‌دهی پلتفرم‌های آموزش آنلاین در طول COVID-19 را بررسی می‌کند و موارد مربوطه را برای بهبود نحوه عملکرد این پلتفرم‌ها ارائه می‌کند. مقاله [15] رفتارها و تعاملات دانش‌آموزان را قبل و در طول همه‌گیری COVID-19 مقایسه کرده است. داده‌های مورد استفاده در این مطالعه شامل پست‌های انجمن‌ها و داده‌های جریان کلیک (log) است که از دو نمونه سالانه متوالی یک دوره کارشناسی طراحی الگوریتم در پلتفرم Moodle استخراج شد. پژوهشگران در این مطالعه متوجه شدند که تغییر سخنرانی‌ها و کلاس‌های حضوری به سخنرانی‌ها و آزمایشگاه‌های آنلاین، موارد جدیدی ایجاد کرد. دسته اول تغییرات که مورد انتظار بود به افزایش تعداد فعالیت‌های آنلاین و طول موضوعات و کاهش تعداد دانش‌آموزان منزوی(که با دیگران به صورت آنلاین ارتباط نداشتند) اشاره دارد. دسته دوم تغییرات که انتظار نمی رفت شامل معیارهای ارائه شده توسط تجزیه و تحلیل بود که نشان داد در طول COVID-19، شاخص‌های پیچیدگی متون مبادله شده افزایش یافته است. این مشاهده بدین معنی است که به دلیل عدم وجود مکالمات رو در رو، شرکت‌کنندگان نیاز به برقراری ارتباط بیشتر در پیام‌های رد و بدل شده آنلاین را احساس کردند. همچنین sociogramهای تولید شده می‌تواند توسط معلمان برای پیگیری تکامل دانش‌آموزان از نظر تعامل و مشارکت آنلاین مورد استفاده قرار گیرد، بنابراین آن‌ها زمانی که متوجه کاهش مشارکت یا عدم فعالیت میشوند، مداخله می‌کنند.
بررسی توئیت‌های شبکه‌ی توئیتر با هشتگ #OnlineClass در بین کاربران فیلیپینی [16]
این دیتاست، با استفاده از جستجوی تگ #onlineClass در ابزار NodeXL انجام شد. خروجی این جستجو، گرافی است که گره‌های آن کاربران شرکت کننده در کلاس آنلاین است و شرط ایجاد یال بین هر دو گره این است که کاربر اول به توئیت کاربر دوم، واکنش نشان داده باشد. این واکنش می‌تواند شامل پاسخ، منشن و یا ریتوئیت باشد. سپس این گراف به Gephi ایمپورت شد و معیارهای تحلیل شبکه، برای آن محاسبه شد.
با توجه به تعداد کاربرانی که در این شبکه هستند، اما تعداد عملیات‌ها کم است، یعنی همه یا اکثر گره‌ها لزوما در پست‌های مربوط به #onlineClass، مشارکت نداشته‌اند، زیرا میانگین درجه‌ی گره‌ها بسیار کم است. در حقیقت، ساختار این شبکه به این صورت است که بسیاری از افراد نه پستی منتشر می‌کنند و نه تعاملی با پست افراد دیگر دارند؛ اما در مقابل تعداد محدودی هستند که به اصطلاح در شبکه هاب هستند و مرکزیت بالایی دارند. در ادامه طبق بررسی، مشخص شد که این کاربران، بالاترین نمرات را نیز کسب کرده‌اند. همچنین تعداد بیشتر in-degree این کاربران، نشان‌دهنده‌ی آن است که افرادی که فعالیت بیشتر و نمرات بالاتری دارند، دنبال‌کننده‌ی بیشتری نیز، نسبت به بقیه‌ی افراد در شبکه دارند.
دو مدل انجمن مختلف در این گراف مشاهده شده است، انشعابی و غیر انشعابی. انجمن‌های غیر انشعابی که اکثر انجمن‌های این گراف را تشکیل می‌دهند، یک کاربر بسیار تاثیر گذار در مرکز انجمن دارند که پستی را با هشتگ #onlineClass، توئیت می‌کند و سایر کاربران به آن پاسخ می‌دهند یا ریتوئیت می‌کنند، در نتیجه یک یال جهت دار از سمت گره مرکزی به دیگر گره‌های آن انجمن وجود دارد.
در این بخش دیتاست[17] مربوط به عملیات کاربران پلتفرم آموزشی Mooc شبیه‌سازی شده است. در این دیتاست گره‌ها نشان‌دهنده کاربران و فعالیت‌های دوره و یال‌ها نشان‌دهنده عملیات کاربران روی فعالیت‌ها هستند. گراف مربوط به دیتاست جهت‌دار و زمانی است. اطلاعات مربوط به این دیتاست در جدول زیر مشاهده می‌شود. به دلیل حجم بالای دیتاست از بین این تعداد کاربران 1000 کاربر به همراه تمامی عملیات‌های آن‌ها به صورت تصادفی نمونه‌گیری شده است و اطلاعات آن‌ها در جدول زیر مشاهده می‌شود.
شکل زیر گراف مربوط به این دیتاست را نمایش می‌دهد.
همانطور که در گراف مشاهده می‌شود این شبکه یک گراف دو بخشی است که گره‌های زرد نشان‌دهنده کاربران و گره‌های سبز نشان‌دهنده فعالیت‌های درسی می‌باشد و جهت یال‌ها از کابران به فعالیت‌ها می‌باشد. با استفاده از ابزار Gephi معیارهای این دیتاست محاسبه شده و در جدول زیر قرار داده شده است. تعداد گره‌ها شامل مجموع 1000 کاربر و 97 فعالیت تعریف شده در Mooc می‌باشد. تعداد یال‌های بین کاربران و فعالیت‌های درسی به دلیل در نظر گرفتن زمان انجام(مدت زمانی که کاربر بر روی فعالیت کلیک کرده است) هر فعالیت بین هر کاربر و فعالیت چندین یال وجود دارد که در ابزار Gephi هر یال بین کاربر و فعالیت به صورت وزن‌دار و بر اساس تعداد یال‌ها محاسبه شده است.
مقدار قطر این شبکه یک به دست آمده است که با توجه به دیتاست شبکه که از هر کاربر به یک تارگت یا دوره یک یال وجود دارد مقدار معقولی است زیرا از تارگت‌ها یالی به گره‌های دیگر وجود ندارد.
در این پلتفرم کابران می‌توانند فعالیت‌های مختلفی انجام دهند و فعالیت‌های تعریف شده بر اساس نیاز کابران درجه‌های ورودی متفاوتی دارند. در شکل زیر گره‌های سبز نشان‌دهنده فعالیت‌ها هستند و اندازه هر گره نشان‌دهنده درجه یال‌های ورودی به گره می‌باشد. همانطور که مشاهده می‌شود فعالیت‌ها لزوما درجه ورودی یکسانی ندارند که نشان‌دهنده اهمیت هر فعالیت و نیاز دانش‌آموزان به فعالیت‌ها می‌باشد.
شکل زیر عملیات کاربران در پلتفرم را نشان می‌دهد. گره‌های با رنگ تیره‌تر نشان‌دهنده درجه خروجی بالاتر گره‌ها می‌باشد و نشان‌دهنده این است که هر کاربر می‌تواند به تعداد دلخواه و مورد نیازش عملیات‌هایی بر روی فعالیت‌ها داشته باشد و لزوما تعداد عملیات‌های کاربران برابر نیست. همچنین یال‌ها وزن‌دار هستند و وزن هر یال نشان‌دهنده تعداد عملیات یک کاربر بر روی یک فعالیت مشخص هست. با توجه به اینکه هر کاربر عملیات‌های مختلف و متفاوتی روی یک فعالیت انجام می‌دهد وزن‌ها نیز متفاوت می‌باشند و در شکل یال‌های با رنگ تیره‌تر نشان‌دهنده وزن بیشتر و عملیات بیشتر یک کاربر بر روی یک فعالیت است.
در شبکه‌ی مربوط به پلتفرم Mooc که توسط ابزار Gephi شبیه‌سازی شده است معیارهایی مانندCloseness centrality و Betweenness centrality دارای اهمیت نیستند زیرا در این شبکه کاربران با یکدیگر ارتباط و یالی ندارند و همچنین فعالیت‌های تعریف شده نیز به همدیگر و یا به کاربران یالی ندارند بنابراین در این شبکه گره‌های پل یا Betweenness و همچنین گره‌های نزدیک یا Closeness بی‌معنی هستند. معیار درجه گره‌ها در این شبکه حائز اهمیت می‌باشد زیرا گره‌های دارای درجه‌های ورودی بالا(in-degree) نشان‌دهنده فعالیت‌های درسی مهم برای دانش‌آموزان می‌باشد. با شناسایی فعالیت‌ها و دوره‌های با درجه بالا می‌توان دوره‌های بیشتری با همین مضمون و با توجه به نیاز کاربران تعریف و ایجاد کرد و در این راستا نیاز بسیاری از کاربران را به منابع آموزشی آنلاین برآورده نمود. همچنین با استفاده از درجه خروجی(out-degree) کاربران فعال و منزوی شناسایی میشوند. کاربرانی که درجه خروجی پایینی دارند نشان‌دهنده شرکت در دوره‌های کمتر و فعالیت‌های کمتر می‌باشند که در این جهت با شناسایی این کاربران منزوی می‌توان سعی در تشویق و ترغیب بیشتر آن‌ها در انجام فعالیت‌ها و شرکت در دوره‌های دیگر کرد.
همچنین در بحث مربوط به شبکه‌ی کاربرانی که از هشتگ #OnlineClassدر توئیتر استفاده کرده بودند، معیارهای درجه، اهمیت زیادی داشتند، چرا که با بررسی نمرات آن افراد مشخص شد، گره‌هایی که فالوور بالایی دارند، نمرات بالاتری نیز داشتند و این افراد گره‌های مرکزی و تاثیرگذار در شبکه نیز بوده‌اند. از طرفی clustering coefficient در این شبکه عدد بسیار پایینی است که نشان‌دهنده‌ی این است که تشکیل یک رابطه‌ی تراگذری بین افراد، در شبکه‌ی آموزشی، لزوما یک امر بدیهی نیست.
از آن‌جایی‌که رویکرد ما در انجام این پروژه، یک رویکرد علمی و مروری بوده است، در ابتدا به مقالات و کارهای مرتبط انجام شده در حوزه‌ی تحلیل شبکه‌های اجتماعی آموزشی پرداختیم. گسترش تحقیقات انجام شده و مقالات مرتبط بیشتر در سال‌های اخیر که موضوع پاندمی کرونا مطرح بوده است، کاملا مشهود بوده است. سپس تعاریف معیارهایی و روش‌های استفاده شده در هر مقاله را بررسی کردیم و متوجه شدیم که چگونه می‌توان از بعد اجتماعی بودن، به فرآیند آموزش آنلاین، پرداخت و تحلیل‌های کمی را برای شبکه‌ی تشکیل شده بین افراد در نظر گرفت. در ادامه با استفاده از ابزار Gephi، روی دیتاست‌هایی را که پیدا کرده بودیم، تحلیل انجام دادیم و نتایج آن‌ها را در قالب جدول نمایش دادیم.
[1] Martin Rehm; Sara Moukarze; Alan J. Daly; Miguel del Fresno. Exploring online social networks of school leaders in times of COVID-19. British Journal of Educational Technology, May 2021, 10.1111/bjet.13099.
[2] Urvashi Desai; Vijayalakshmi Ramasamy; James Kiper. Evaluation of Student Collaboration on Canvas LMS Using Educational Data Mining Techniques. ACM Southeast Conference- ACMSE 2021, 978-1-4503-8068-3.
[3] Sahar Yassine; Seifedine Kadry; Miguel-Angel Sicilia. Detecting communities using social network analysis in online learning environments: Systematic literature review. Data mining and knowledge discovery. August 2021, 10.1002/widm. 1431.
[4] B. Vargas-Quesada; C. Zarco; O. Cordon. Mapping the Situation of Educational Technologies in the Spanish University System Using Social Network Analysis and Visualization. International Journal of Interactive Multimedia and Artificial Intelligence. July 2021, 10.9781/ijimai.2021.09.004
[5] SAQR, Mohammed; ALAMRO, Ahmad .The role of social network analysis as a learning analytics tool in online problem based learning, BMC medical education, 2019, 19.1: 1-11.
[6] SAQR,Mohammed; VIBERG, Olga; VARTIAINEN, Henriikka. Capturing the participation and social dimensions of computer-supported collaborative learning through social network analysis: which method and measures matter?. International Journal of Computer-Supported Collaborative Learning, 2020, 15.2: 227-248.
[7] Trends in artificial intelligence-supported e-learning: a systematic review and co-citation network analysis.
[8] Students learning pathways in higher blended education: An analysis of complex networks perspective.
[9] JAN, Shazia K; VLACHOPOULOS, Panos. Social network analysis: A framework for identifying communities in higher education online learning. Technology, Knowledge and Learning, 2019, 24.4: 621-639.
[10] Yang Bai; Hongxiu Li; Yong Liu. Visualizing research trends and research theme evolution in E-learning field. Springer, November 2020, 126:1389-1414.
[11] SAQR, Mohammed, et al. What makes an online problem-based group successful? A learning analytics study using social network analysis. BMC medical education, 2020, 20.1: 1-11.
[12] LEMAY, David J; DOLECK, Tenzin. Online learning communities in the COVID-19 pandemic: Social learning network analysis of twitter during the shutdown. 2020.
[13] CHEN, Tinggui, et al. Analysis of user satisfaction with online education platforms in China during the COVID-19 pandemic. In: Healthcare. Multidisciplinary Digital Publishing Institute, 2020. p. 200.
[14] CHEN, Tinggui, et al. The impact of the COVID-19 pandemic on user experience with online education platforms in China. Sustainability, 2020, 12. 18: 7329.
[15] DASCALU, Maria-Dorinela, et al. Before and during COVID-19: A Cohesion Network Analysis of students’ online participation in moodle courses. Computers in Human Behavior, 2021, 121:106780.
[16] Joje Mar P Sanchez; Michelle Mae Jugasan Olvido; Blanca A Alejandro; Isidro Max Veloso Alejandro. An Analysis of Online Classes Tweets Using Gephi: Inputs for Online Learning. In International Journal of Information and Education Technology, October 2021.
[17] https://snap.stanford.edu/data/act-mooc.html
[18] Rozita Tsoni; Christos T. Panagiotakopoulos; Vassilios S. Verykios. Revealing latent traits in the social behavior of distance learning students. In Education and Information Technologies (2022).
