Lecture 11: Social Network & Discourse Analysis Flashcards
What are social learning analytics (SLA)?
Social Learning Analytics (SLA) analysiert Online-Aktivitäten von Lernenden, identifiziert effektive Lernmuster und präsentiert diese mit Verbesserungsvorschlägen an Lernende, Gruppen und Lehrer.
Social Learning Analytics (SLA) bezieht sich auf das Analysieren der Daten aus den Online-Aktivitäten der Lernenden, um Verhaltensweisen und Muster zu erkennen, die auf effektives Lernen hindeuten. Das Ziel ist es, diese Muster den Lernenden, Gruppen und Lehrern zusammen mit Vorschlägen zur Verbesserung des Lernens zu zeigen. Diese Analyse stützt sich auf die Daten, die generiert werden, wenn die Lernenden sozial interagieren.
What is Social Network Analytics (SNA)? What are their objectives?
SNA analysiert soziale Strukturen mithilfe von Netzwerken und Graphentheorie, um Beziehungen zwischen Individuen/Organisationen quantitativ zu erforschen.
Ziele:
- Identifizierung isolierter Individuen
- Analyse der Gemeinschaftsbildung
- Aufdecken von Beziehungen
- Feedback zur Gruppendynamik
- Verständnis der Kommunikationsmuster
Die Soziale Netzwerkanalyse (SNA) ist der Prozess, soziale Strukturen durch den Einsatz von Netzwerken und Graphentheorie zu untersuchen. Es ist eine quantitative Untersuchung der Beziehungen zwischen Einzelpersonen oder Organisationen.
Einsatzszenarien und Ziele:
- Identifikation von nicht vernetzten Lernenden
- Erkennung von Schlüsselinformationsvermittlern in einer Klasse
- Feststellung, inwiefern sich eine Lerngemeinschaft in einer Klasse entwickelt
- Erkennung von (indirekten) Beziehungen zwischen Personen
- Rückmeldung zur aktuellen Gruppenstruktur und -dynamik erhalten
- Verständnis der Kommunikationsmuster zwischen Lernenden und deren Entwicklung im Laufe der Zeit
How can you identify subcommunities/groups within a network?
Zur Identifikation von Subcommunities in Netzwerken nutzt man Methoden wie die Clique Percolation Method (PCM). Diese findet Cliquen (vollständig verbundene Subgraphen), erstellt einen Cliquengraphen, wobei Cliquen mit k-1 gemeinsamen Knoten als benachbart gelten, und definiert alle verbundenen Teile des Graphs als Communities.
Clique: Ein vollständig verbundener Subgraph.
Ziel: Untergruppen von Akteuren finden, die alle miteinander verbunden sind.
Central Actors: Gehören zu den meisten großen Cliquen.
Isolated Actors: Gehören nur zu wenigen und kleinen Cliquen.
Clique Percolation Method (PCM):
- Alle Cliquen der Größe k finden.
- Einen Cliquengraph erstellen, bei dem Cliquen als benachbart gelten, wenn sie k-1 Knoten gemeinsam haben.
- Alle verbundenen Teile des Graphs sind Communities.
Die PCM hilft bei der Identifikation von Communities in Netzwerken auf der Grundlage der Kombination von Cliquen, indem sie einen Cliquengraph erstellt und die verbundenen Teile des Graphs als Communities identifiziert.
What are central measures for Social Network Analysis and how can you find key actors?
In der Social Network Analysis (SNA) identifizieren zentrale Maße wie ‘Edge Metrics’ (Bewertung der Verbindungsstärke) und ‘Node Metrics’ (z.B. verschiedene ‘Centrality’-Messungen, die Schlüsselakteure durch Anzahl und Stärke ihrer Verbindungen identifizieren) wichtige Akteure und Strukturen im Netzwerk. Weitere Maße wie ‘Network Density’, ‘Diameter’ und ‘Reciprocity’ analysieren das gesamte Netzwerk auf Eigenschaften wie Verbindungsdichte und Gegenseitigkeit der Beziehungen.
Die zentralen Measures für die Social Network Analysis (SNA) helfen dabei, Key Actors innerhalb eines Netzwerks zu identifizieren und die Struktur und Relationships innerhalb des Netzwerks besser zu verstehen:
Edge Metrics:
- Diese Metriken bewerten die “Strength” einer Verbindung basierend auf Frequencies. Beispiele hierfür sind Bridges und Shortcut Bridges. Eine Bridge ist eine Edge, deren Removal zur Disconnection ihrer Nodes führt, während eine Shortcut Bridge die Distance zwischen ihren Nodes bei Removal erhöht, was auf eine schwächere Verbindung hindeutet.
Node Metrics:
- Centrality: Ziel ist es, Key Actors zu finden.
- Degree Centrality: Misst die Anzahl der Connections, die ein Node hat.
- Closeness Centrality: Misst die durchschnittliche Length des shortest Path zwischen einem Node und allen anderen Nodes im Netzwerk.
- Betweenness Centrality: Misst die Anzahl der shortest Paths, die durch einen Node gehen.
- Eigenvector Centrality: Die Importance eines Nodes hängt von der Importance seiner Neighbors ab, ähnlich dem PageRank-Algorithmus von Google.
- Prestige: Misst die Anzahl der incoming Relations, funktioniert nur für directed Graphs und hilft bei der Identifizierung von Followern und Leadern.
-
Metrics zwischen Nodes:
- Clustering Coefficient: Misst die Density der Relationships (Interaktionen) unter verwandten Nodes.
Nodes Metrics (auf Netzwerkebene):
- Network Size: Die Anzahl der Nodes im Netzwerk, z.B. n=10.
- Network Density: Anzahl der Edges dividiert durch die Gesamtzahl möglicher Edges.
- Diameter: Die größte kürzeste Distance zwischen zwei beliebigen Nodes.
- Reciprocity: Anzahl der Links, die in beide Richtungen zeigen, dividiert durch die Gesamtzahl der Links (in directed Graphs).
- Cohesion: Die minimale Anzahl von Mitgliedern, die die Group zusammenhalten.
What is Discourse Analysis (e.g. Discussions in a LMS)?
Diskursanalyse erforscht kommunikative Ereignisse (z.B. Forendiskussionen im LMS) mittels Metadaten- und Textanalyse, um Informations- und Ideenaustausch zu verstehen und zu optimieren. Ziele umfassen Identifikation von Aktivitätsmustern und Förderung gezielter Kommunikation. Herausforderungen in Foren wie begrenzte Aufmerksamkeit können durch Lösungen wie Visual Discourse Structures adressiert werden.
Definition:
Die Diskursanalyse befasst sich mit der Untersuchung von kommunikativen Ereignissen, wie beispielsweise Diskussionen in einem Learning Management System (LMS). Im speziellen Kontext eines LMS kann die Diskursanalyse in Forendiskussionen angewendet werden, um den Austausch von Informationen und Ideen besser zu verstehen und zu optimieren. Die Analyse gliedert sich dabei in zwei Hauptbereiche: die Untersuchung der Meta-Daten und die Analyse des Inhalts bzw. Textes.
Hauptkomponenten:
- Metadata Analysis: Bewertung der Thread-Strukturen.
- Content/Text Analysis: Sentiment Analysis, Themenerkennung, Themenmodellierung und Argument Mining.
Ziele:
- Identifizierung von Aktivitätsmustern.
- Unterstützung der Selbstreflexion.
- Förderung von fokussiertem Lesen & Antwortverhalten.
Herausforderungen in Foren:
- Begrenzte Aufmerksamkeit für andere Beiträge, losgelöste Kommentare und Vermeidung langer Threads.
Lösungen:
- Visual Discourse Structures (Wise 2013): Sichtbarmachung der Diskussionsaktivität durch Einbettung der Thread-Struktur, gelesenen Beiträgen und eigenen Antworten in Echtzeit innerhalb der Forumssoftware.
