基于群体动力学的教师网络学习共同体模型构建研究_古璇.pdf

第 31 卷第 6 期淮阴工学院学报Vol.31 No.62022年 12 月Journal of Huaiyin Institute of TechnologyDec.2022基于群体动力学的教师网络学习共同体模型构建研究古璇1，陆芸2（1.江苏海洋大学 文法学院，江苏 连云港 222005；2.江苏海洋大学 商学院，江苏 连云港 222005）摘要：借助群体动力学理论分析教师群体网络学习的有效策略。剖析了群体动力学与教师网络学习共同体的内在关系；以群体动力理论为基础设计调查问卷，采用探索性因子分析构建了教师网络学习共同体模型，并分析了共同体实施效果的关键影响因素；最后，从目标驱动力、群体凝聚力、技术支撑力和学习持续力四个方面，提出了促进教师网络学习共同体发展的具体策略。关键词：群体动力学；教师网络学习共同体；因子分析；构建策略中图分类号：G451文献标志码：A文章编号：1009-7961（2022）06-0062-07Research on the Model Construction of Teachers E-learningCommunity Based on Group DynamicsGU Xuan1,LU Yun2（1.School of Humanities and Law,Jiangsu Ocean University,Lianyungang Jiangsu 222005,China；2.School of Business,Jiangsu Ocean University,Lianyungang Jiangsu 222005,China）Absrtact：Based on the theory of group dynamics,this paper studies the effective strategies to promote teachers group e-learning.It analyzes the internal relationship between group dynamics andteachers e-learning community,designs a questionnaire based on group dynamics theory,constructs amodel of teachers e-learning community by using exploratory factor analysis,and analyzes the key factors affecting the implementation effect of the community;finally,the concrete strategies of promotingthe development of teachers e-learning community from four aspects:goal-driving force,group-gathering force,technology-supporting force and learning-sustaining force.Key words：group dynamics;teachers e-learning community;factor analysis;construction strategy收稿日期：2021-06-10基金项目：江苏省教育科学“十三五”规划课题（C-c/2020/01/15）；江苏海洋大学教学改革研究课题（JGX2020030）作者简介：古璇（1983-），女，江苏连云港人，副教授，博士，主要从事行政管理研究。随着教育信息化的深入推进，信息技能与教育系统各要素深度交融，全面推动了教师队伍建设发展范式向纵深发展。为了促进教师专业能力提升，网络共同体顺势而生并迅速成为激发教师专业发展的新模式。网络共同体模式为促进教师的专业发展提供了技术支持，让教师摆脱时空约束，在网络环境下通过相互协作以实现教师共同体内部知识的共享，从而实现教师自身素质的提高1。学界已在教师网络学习共同体方面开展了研究并取得了一定的研究进展。葛楠等2探讨了管理员关注、隐私关注、群消息设置对非正式网络学习共同体的影响。陶佳3将社交学习理论引入教师网络学习共同体的构建过程，从预测、迁移、强化机制等维度深度剖析了教师网络共同体的构建过程。郭佩文等4分析了教师学习共同体的社会第 6 期网络形成机制。杜静等5认为教师专业学习共同体应当注重合作氛围、共同愿景和群体意识的有机融合。然而，教师网络学习共同体在实践过程中还存在一些问题，如参与积极性低、共生发展思维薄弱、平台管理欠缺等，究其原因在于缺乏群体交互动力。德国心理学家勒温提出的群体动力学理论是化解这一困境的有力工具。群体动力学最早被用于解决安全管理问题，近些年才延伸到教育领域。陈诚等6基于组织生态视角出发分析了网络学习共同体的构成，并构建了内部群体动力的运行机制。付彦林等7将群体动力理论引入学风建设问题，系统分析了学分建设的发展动力机制。李文娴等8指出构建健康学习生态网是激发群体学习的持续动力。颜荆京等9以群体动力学为理论基础构建了共同体学习的共建模式。叶俊飞等10探讨了区块链技术应用于网络学习共同体的可行性，认为区块链技术有助于建设一个无边界的高校网络学习共同体。冯颐迪11在新冠肺炎疫情背景下，阐释了网络学习共同体的内涵、优势及其实践中存在的问题，探究了构建各方共同参与的网络学习共同体途径。从现有文献来看，教师网络共同体确实是促进教师专业发展的有效方式，但目前成效并不显著。以群体动力学为切入点，通过分析群体动力学的内在机制，挖掘影响教师网络学习共同体的关键因素，为教师网络共同体取得长远发展寻求良策。1群体动力学与教师网络学习共同体的内在关系群体动力学理论起初由德国心理学家勒温在1932年提出。该理论认为，个体行为主要受个人内在需求与外部环境的影响，挖掘群体行为与个体行为的动力源，能够挖掘群体发展的动力源7。学习共同体强调由共同体成员在知识构建过程分享学习资源、促进相互交流，共同完成学习目标12。网络学习共同体则主要强调在网络环境下要注重自主学习，促进社会性知识建构及协作能力提升13。综上，以群体动力学视角构建教师网络学习共同体，一方面能增强教师学习的积极主动性，促使教师主动分享学习资源以提高学习效果；另一方面能通过对教师自主学习行为形成约束和监督，督促教师达成学习目标，确保学习效率。2问卷设计2.1研究思路为构建基于群体动力学的教师网络学习共同体层次模型，基于群体动力学与教师网络学习共同体的内在关系，通过对相关指标进行整理，并邀请专家教师进行半结构化访谈，在专家指导下对指标条目进行反复讨论调整，最终确定19个评价指标，见表1。通过探索性因子分析，确定教师网络学习共同体影响因素的指标权重。表1群体动力学视角下教师网络学习共同体构建策略研究调查问卷项目123456789101112目标清晰定位准确知识构建技术水平信息加工问题处理信息检索资源拓展访问频率在线时长发帖提问答疑回复网络学习过程中学习目标网络学习过程中专业发展定位对教师专业知识的掌握程度与构建能力对信息检索与筛选的处理能力学习过程中经验总结与反思提炼能力借助网络学习平台促进专业发展的能力利用网络学习平台搜索信息或寻求帮助在学习过程中下载资源的次数访问网络学习平台的频率每次访问网络学习平台的时长在讨论区中主动发帖提问的次数及质量在讨论区中进行帖子答疑的次数及质量序号指标指标说明古璇，陆芸：基于群体动力学的教师网络学习共同体模型构建研究63淮阴工学院学报2022 年13141516171819社区交流任务分工小组会议典型人物共同目标信息反馈资源共享通过网络与其他教师交流的频率学习小组内部的任务分工通过小组会议交流对教师专业发展的提升学习小组内部典型人物的作用发挥小组成员学习目标的一致性小组成员接收学习信息并反馈的有效性小组成员分享资源的质量序号指标指标说明2.2设计调查问卷调查问卷分为两部分，第一部分是教师的基本信息，第二部分为问卷的主体内容。根据李克特5级评定法，可以分为5个等级，即1分表示非常不重要，2分表示比较不重要，3分表示一般重要，4分表示比较重要，5分表示非常重要。共发放问卷450份，回收问卷432份，问卷回收率96%，样本数满足要求。从收集的问卷结果来看，各指标的重要性得分均在3.7分以上（满分5分），高于平均分3分。其中，重要性得分在4分以上，即介于“比较重要”和“非常重要”的指标占指标总数的58%。这些数据符合探索性因子分析保留指标的标准，可以判断这些指标都是教师网络学习共同体的评价分支，该指标设计可以很好地满足群体动力学视角下教师网络学习共同体构建的基本要求。3群体动力学视角下教师网络学习共同体模型对数据进行因子分析前，先对问卷的指标进行信度检验。问卷采用克朗巴哈系数来检测该问卷设计是否可靠与合理。学界普遍认为，如果系数为0.9以上，表示非常合适。通过对数据进行可靠性分析，可知克朗巴哈系数为0.916，说明问卷设计能得到很好的结果，该问卷具有较好的内部一致性。使用因子分析进行数据降维，通过对样本数据使用KMO和Bartlett球形检验确定因子分析的有效性，见表2。表2KMO值和Bartlett球形检验KMO值Bartlett球形度检验近似卡方自由度显著性0.8661566.2291710.000表2显示，KMO值为0.866，说明变量之间的相关性较强，问卷之间的相关程度无太大差异；Bartlett 球形检验用于检验变量之间是否相互独立，结果显示显著性P值为0.000，小于0.05，说明收集的数据来自正态分布总体，变量相互独立拒绝原假设。两个指标的结果都说明数据适合进行因子分析。按照特征值大于1的标准和方差极大旋转法，提取主成分。方差分解及主成分提取结果见表3。表3方差分解及主成分提取表123457.6972.0631.6211.1760.94040.51310.8588.5336.1904.94540.51351.37159.90466.09471.0397.6972.0631.6211.17640.51310.8588.5336.19040.51351.37159.90466.0943.4963.3252.9522.78518.39917.49915.53614.66018.39935.89851.43466.094成分初始特征值合计方差%累积%提取载荷平方和合计方差%累积%旋转载荷平方和合计方差%累积%续表164第 6 期古璇，陆芸：基于群体动力学的教师网络学习共同体模型构建研究6.0.735.3.869.74.908成分初始特征值合计方差%累积%提取载荷平方和合计方差%累积%旋转载荷平方和合计方差%累积%从表3可知，4个主因子的累计方差解释贡献率达到全部数据的66.094%，能够反映原始变量的大部分信息，符合主成分的标准。为了使得提取的公因子具有实际意义，需要消除各因子同原始变量间相关性不强问题，使因子载荷矩阵中的系数更加显著。对4个主因子进行方差极大旋转，得到正交旋转因子载荷矩阵，见表4。表4正交旋转因子载荷矩阵因子共同目标典型人物小组会议任务分工发帖提问答疑回复信息反馈资源共享社区交流定位准确目标清晰信息检索信息加工技术水平问题处理知识构建资源拓展访问频率在线时间成分y10.8600.8490.7780.6640.1840.2670.4700.3740.3280.1280.3800.3530.2430.224y20.2180.3940.3870.8180.7780.6450.6090.5100.1850.3930.1530.3350.541y30.1120.1690.2550.1140.1340.2560.1270.7340.7210.7010.6360.5500.4920.4400.182y40.1710.1400.1390.1790.2920.1590.1700