[论文解读] Social networks and academic performance in physics: Undergraduate cooperation enhances ill-structured problem elaboration and inhibits well-structured problem solving

Javier Pulgar, Cristián Candia+1 more|arXiv (Cornell University)|Dec 14, 2019

Innovative Teaching and Learning Methods参考文献 52被引用 41

一句话总结

本研究探讨了本科生物理课堂中社交网络结构如何影响学生在结构良好（代数类）与结构不良（类现实世界）问题上的表现。通过实验性教学策略，研究发现：通过结构洞获取多样化信息可提升学生在结构不良问题上的表现，而高聚类则会降低其表现；相反，在聚类网络中，学生在结构良好问题上的表现更优，但若向众多同伴寻求信息，则表现会下降。研究强调，教学设计在塑造合作学习结果方面具有关键作用。

ABSTRACT

Introductory physics students who actively sought out information from multiple peers were less likely to solve well structured problems compared to those who did not seek help; for ill-structured problems, this effect depended on the features of the learning environment.

研究动机与目标

• 探究不同教学策略如何塑造本科生物理学习中社交网络结构及其对学业表现的影响。
• 考察社交网络结构（如聚类与结构洞）对结构良好与结构不良物理问题表现的差异化影响。
• 确定合作学习在何种问题类型与网络结构下会增强或削弱表现。
• 评估教学设计在本科生物理教育中对同伴协作与学习成果关系的调节作用。
• 探讨信息寻求行为与社交关系如何影响协作环境中认知投入与问题深化程度。

提出的方法

• 在为期两个月的实验中，对82名一年级物理学生（三个班级）实施不同教学策略，以诱导形成不同的社交网络结构。
• 通过标准化测试收集结构良好问题的学业表现数据，以及一项要求学生为高中生设计物理问题的任务（结构不良问题）。
• 通过Qualtrics平台发放同伴提名调查，绘制学生的信息寻求网络与对同伴质量（优秀学生）的感知网络。
• 基于调查数据与学生名单，构建两个网络模型：一个用于信息寻求行为，另一个用于对高成就同伴的感知。
• 应用OLS多元回归模型，分析网络预测变量（如度数、特征向量中心性、约束度、结构洞）与学业表现或问题深化程度之间的关系。
• 使用交互项（如处理方式 × 约束度、处理方式 × 特征向量）检验教学策略如何调节网络结构对表现与深化程度的影响。

实验结果

研究问题

• RQ1 不同教学策略如何塑造本科生物理学习中社交网络的结构？
• RQ2 相较于结构良好问题，通过结构洞获取多样化信息是否能提升学生在结构不良问题上的表现？
• RQ3 相较于结构不良问题，高度聚类的网络结构（含冗余信息）是否能提升学生在结构良好问题上的表现？
• RQ4 学生倾向于向多位同伴寻求信息的程度，在多大程度上可预测其在结构良好与结构不良问题上的表现？
• RQ5 教学策略在多大程度上调节社交网络结构与物理问题解决学业表现之间的关系？

主要发现

• 积极向多位同伴寻求信息的学生在结构良好（代数类）问题上的表现显著更差，OLS模型中log(outdegree)的回归系数为-0.331（p < 0.1）。
• 在高度聚类的网络中（高约束度），学生在结构良好问题上的表现优于结构不良问题，表明冗余信息有助于程序性问题解决。
• 拥有结构洞（可获取多样化信息）的学生在结构不良问题上的表现显著更优，处理方式与特征向量中心性的交互项具有正向且显著的效应（β = 0.601，p < 0.01）。
• 问题深化程度（问题设计的创造力与深度）显著受结构洞影响：守门人地位（β = 0.588，p < 0.05）与特征向量中心性（β = -0.456，p < 0.01）是关键预测变量。
• 混合处理方式与约束度的交互效应为负且显著（β = -0.842，p < 0.1），表明在混合能力小组中，高约束度会降低表现，尤其在结构良好问题上。
• 对“优秀学生”的感知是表现的强预测因子：每增加一个感知的优秀学生联系，物理成绩平均提高0.443分（p < 0.05），尤其在具有指导性教学的处理条件下更为显著。