卢潇胡凡刚基于教育大数据的教育虚拟社区交互设计研究.docx
《卢潇胡凡刚基于教育大数据的教育虚拟社区交互设计研究.docx》由会员分享，可在线阅读，更多相关《卢潇胡凡刚基于教育大数据的教育虚拟社区交互设计研究.docx（14页珍藏版）》请在冰点文库上搜索。
卢潇胡凡刚基于教育大数据的教育虚拟社区交互设计研究
卢潇、胡凡刚：
基于教育大数据的教育虚拟社区交互设计研究
本文由《远程教育杂志》杂志授权发布作者：
卢潇、胡凡刚摘要当前，教育大数据凭借为教育决策提供数据支持的优势在教育教学过程中发挥了重要作用，受到教育界的广泛关注。
教育虚拟社区作为网络教育的应用及发展形式，如何利用大数据为社区交互提供指导值得探究。
因此，从教师、学生、目标内容、资源、文化五个层面详细阐述了教育大数据对教育虚拟社区交互的作用蕴涵，并以“学习科学与技术”虚拟社区的大数据为研究个案，采用问卷调查法从主体因素、支撑因素、目标内容因素、资源因素、文化因素五个方面，实证分析了教育虚拟社区交互效果影响因素。
结果表明：
教师、学生、平台、网络环境、目标、内容、资源、社区归属感和社区氛围等因素有利于提升社区交互效果，在具体交互过程中要发挥教育大数据在社区交互中的支持作用，有针对性地对社区交互进行主体设计、支撑因素设计、目标内容设计、资源设计、文化设计，以期提升社区交互效果。
关键词：
教育大数据；教育虚拟社区；交互；实证分析；设计一、引言近年来，教育大数据（BigDataofEducation）作为教育界的一大热点而被广泛关注，尤其自2015年在曲阜师范大学成立“中国教育大数据研究院”以来，更是上升到了国家战略层面，对实现教育公平与教育现代化发挥重要作用。
教育大数据通过挖掘教育过程数据背后所蕴涵的巨大教育价值，为教育提供决策，为教学设计提供支持，为教与学提供数据参考，从而更好地提高教育教学效果。
目前，对教育大数据的研究主要集中在以下三个方面：
教育大数据的理论研究、教育大数据的技术支持、教育大数据的应用探索。
教育大数据的理论研究除了概念、内涵外，主要包括大数据引发的教育变革与学习变革。
中国教育科学研究院院长田慧生指出，大数据及其技术为认识探索教育规律提供了前所未有的手段，对改变教与学的方式提供了强有力的支持，对教育研究、教育决策科学化水平的提升奠定了基础。
在《21世纪教育的新目标和大数据在教育改革中的应用》报告中，美国俄亥俄州立大学博士生导师、中美教育研究中心主任包雷指出，教育改革的推动需要大数据的助力，大数据在教育改革中的作用主要体现为通过对教育大数据的分析而做出的科学推理（ScientificReasoning）。
在技术支持方面，教育大数据需要数据获取、保存、技术挖掘、可视化呈现、三元空间大数据计算、人脸识别等相应的技术支持，特别是目前区块链技术的兴起更是为教育大数据提供了伦理保护。
因为具有“去中心化”特点的区块链技术通过与教育大数据的融合，正越来越多地应用于学生学籍数据、考试数据、教育虚拟社区数据、学分银行数据的保存与处理等方面，达到对学习过程数据的分布式管理和加密的作用，使师生成为教育资源、教育信息的管理者，保障数据不被泄露，保护师生教与学的隐私。
目前，对教育大数据的应用研究还停留在对应用的理论探索和初步尝试阶段。
例如，澳大利亚科廷大学博士生导师刘万泉教授及其团队，近年来在北京、大连、云南及澳大利亚的中小学，利用视频记录学生的听课过程并抓取面部图像，通过学生面部表情识别、分析其情绪和精力集中度，进而调控课堂；台湾铭传大学李御玺教授基于Moodle平台的大数据分析，建立了课程早期预警模型，打破了总结性评价的局限，将形成性评价应用于课程教学。
以上研究表明，国内十分重视教育大数据给教育带来的重大改变，对教育大数据的研究也正如火如荼地开展，但其应用仍处于起步阶段，与网络教育的结合应用较少，更鲜有结合网络教育的高级发展形式——教育虚拟社区的实践探索。
教育虚拟社区立足于学习者的学习，而学习是一个意义建构的过程。
约翰·西利·布朗（JohnSeelyBrown）在《情境认知与学习的文化》一文中指出，在社区中，有意义学习通过交互、与他人分享资源、提出具有挑战性的问题、提供建设性的反馈，从而促进个人知识的增长。
基亚·奇·扬（Chia-ChiYang）等人的研究也表明，在在线学习环境中，学生学业成绩与交互成正相关关系。
关于教育虚拟社区中的交互问题，很多专家学者已做过相关研究与分析，这里的教育虚拟社区交互（InteractioninEducationalVirtualCommunities）主要是指在“教育虚拟社区”这一特殊社会领域内学习者的活动方式，它最终指向美好人际关系的建立和学生的个性完满及整体生命建构。
在以上理论研究与实践探索的基础上，我们把社区交互这一教育虚拟社区的基本活动方式作为研究的着力点，进行基于教育大数据的研究与实践探索，进而为提升社区交互效果提供参考。
为此，我们前期调研了学堂在线、十二学平台、中国大学MOOC以及中央电教馆组织建设的全国55个精品专题教育社区，把这些作为教育大数据的来源，对其中的组织者、主持人、教师、学生、技术管理者进行深入的访谈，他们一致认为，社区交互的顺利进行，离不开大数据的支持，教育大数据对教育虚拟社区交互起着十分重要的作用。
我们首先分析教育大数据对教育虚拟社区交互的支持作用，在此基础上，再对社区交互效果影响因素进行实证分析，找出有利于提升社区交互效果的因素，结合教育大数据对交互的支持作用，进行有利于自组织发展的他组织设计，研究的最终目的和归宿是提升社区交互效果，如图1所示。
一、教育大数据对教育虚拟社区交互的作用蕴涵
国内最早提出“教育大数据”概念的是徐鹏、张海等人，他们在《大数据视角分析学习变革》一文中指出，广义的教育大数据泛指所有来源于日常教育活动中的人类行为数据；狭义的教育大数据指学习者的行为数据。
在教育虚拟社区中，通常采用狭义的概念，将平台上学习者的学习行为数据，看做教育大数据。
杨现民等在文章《教育大数据的应用模式与政策建议》中提出，与传统教育数据相比，教育大数据的采集具有更强的实时性、连贯性、全面性和自然性，分析处理更加复杂、多样，应用也更加多元、深入。
我们认为，充分挖掘教育过程中的数据，揭示数据背后蕴涵的教育价值，是教育大数据的应有之义。
一方面，对教育管理者和教学者来说，通过对教育大数据的分析反映教育现状，从而为教育决策、教育咨询、教学设计提供反馈，也将其作为对学生进行形成性评价的依据，为教学和管理提供数据支持。
尤其在网络学习和在线学习中，教师无法面对面开展教学，对学生的学习进展了解很少，但在大数据的支持下，教师可以通过在线学习的时长、知识点学习的频率、重复错误率等数据把握学生的学习情况，有针对性地开展教学。
另一方面，对学习者来说，由每位学生的学习过程数据生成的学习进展情况和知识掌握情况可作为个性化学习订制的依据，实现“精准”学习。
而且学习者徜徉在教育大数据的海洋中，其数据来源更广泛，能更便捷地获取优质教育资源，满足碎片化学习的需要，进而实现泛在学习。
教育虚拟社区交互本身的价值诉求在于如何促进学习者发展与社区可持续发展，而具有“精确分析”、“精准推送”、“个性化服务”等功能特点的教育大数据，恰恰满足这一诉求。
摩尔（Moore）认为，远程教育中存在着三种类型的交互：
学习者与学习内容的交互、学习者与教师的交互、学习者与学习者的交互。
此外，已有研究表明，教育虚拟社区交互由交互主体、交互客体及社区交互文化环境构成。
结合社区构成要素，经过实践调研，我们认为，教育大数据对教育虚拟社区的作用蕴涵主要体现在五个层面：
在教师、学生、目标内容、资源层面，教育大数据给予社区交互以数据支持，通过采集学习者的交互行为数据，分析大数据背后蕴涵的交互行为特征，进而指导社区交互行为；在文化层面，教育大数据与社区交互蕴涵着相同的文化理念，为交互提供理念支持。
教育大数据对教育虚拟社区交互的五个层面都起着重要作用，如图2所示。
（一）教师层面：
“精准化”教学
作为教育虚拟社区的引导者和实施者，教师在社区交互中扮演着教学与评价的角色，教师需依据学生的反馈信息及时调整教学进度、补充相关内容资源，并参照评价指标对学生进行评价。
传统的反馈信息主要通过学生的学习结果以及学生的普遍反映来获取，对学生的评价也通常采用定性评价方式，这种获取反馈信息与评价的方式大多根据教师已有经验、认知水平得出，有一定主观性和局限性，缺乏客观的数据支持，对社区交互的判断不够精确，从而导致教育虚拟社区交互的作用未能充分展现。
在大数据的作用下，数据分析给予教师开展及评价社区交互以实证支持，这些支持反映了教育大数据对社区交互的作用，是为了提升社区交互的效果，是教师利用大数据手段对交互产生作用，而非对教师本身的作用。
教师可以凭借学生登陆的时间、访问次数、在线时长、上传下载资源的数量、不同类型学习资源的下载频率、发帖回帖的数量、与教师讨论的问题数量、讨论内容、测试成绩、排名、进步情况等交互行为数据，将平时难以直观观察、描述的信息通过可视化的形式准确把握，及时调整学习进度、内容、资源，更加客观地评价学生的学习情况，并根据学生的掌握程度、认知风格等进行个性化指导，促进成员的专业发展和个性化发展，从而做到：
重视大数据评价，做好推送式服务。
（二）学生层面：
“个性化”学习
学生作为教育虚拟社区交互的核心主体，其社区交互行为旨在学习课程内容、提高专业能力、进行情感交流。
大数据对学生在社区交互中的支持作用，一方面体现在记录学生学习过程，为学生自主调控学习进程提供数据参考，另一方面体现在分析学生行为数据，按需推送相关内容资源，为学生的个性化学习服务。
在社区交互过程中，学生登陆社区的时间、在线学习时长、知识点的掌握情况（未学习、未掌握、已掌握）、资源下载频率、发帖回帖数量及内容、个人和小组学习主页浏览量等均被记录下来，利用这些数据挖掘学习者的认知风格、认知方式、学习行为、学习绩效等，可以更好地为学习者服务。
方海光等人指出，教育大数据不仅可以有效地干预、指导学习者，而且学习者也可据此来自主调整学习策略，促进自适应学习。
在教育虚拟社区中，利用大数据将形成性反馈准确提供给学生，一方面，学生可根据自己的学习过程数据了解学习进程，如，哪些知识内容已掌握、哪些未掌握，以及社区其他成员的学习进展与知识掌握情况，从而对自身及其他成员学习结果进行认知，自主调控学习进程；另一方面，通过可视化的学生行为数据，定位学生学习需求，针对其较薄弱点，推送相关内容资源，满足学生个性化需求，实现学习内容与资源的私人订制，促进个性化发展。
（三）目标内容层面：
“预判式”调节
沃尔特·德特兰（WalterDettling）等人在《学生虚拟社区的管理》一文中指出，社区交互应具有明确的目标定位，明确的目标是进行社区交互的前提和基础，一切学习活动都是围绕学习目标展开的。
对社区来说，社区总目标一般由社区教师确定，如，“学习科学与技术”虚拟社区与课程相结合，其社区总目标就是完成课程的基本要求。
在完成社区总目标的前提下，每位学生进行社区交互都带有个人目标，了解社区总目标和学生个人目标是顺利展开社区活动的重要前提，进而再根据目标确定学习内容。
大数据在确定目标内容的过程中起着预判与调节的作用：
首先，通过采集分析每个成员的交互行为数据，可以预判学生的个人目标。
如果某些学生在社区中主要进行资源交互，他在社区中的交互目标或许是获得知识与技能的提高；如果主要进行团队协作，他在社区中的目标可能是体验合作过程与方法；如果主要进行社区讨论，他的交互目标或许是获得情感交流，在获悉每位学生的个人目标后提供与之相适应的内容，有助于展开个别化教学。
其次，可以根据学生每个知识点在线学习的时长、知识掌握情况等数据，挖掘学生感兴趣的内容以及掌握较薄弱的内容，增加这些内容的数量，从而提高学习绩效；也可以通过这些数据检验学习内容的难易程度，适当调整教学内容。
（四）资源层面：
“订制式”推送
社区目标的达成与知识的掌握最终是通过学生对资源的意义建构实现的，因此，资源要优质、有价值、承载学习内容、符合学生需求，而这可以通过大数据的形式得以获悉。
通过学生上传和下载资源的数量、不同类型学习资源的下载频率、资源引用次数、由资源引发的话题讨论等数据，分析哪些类型的资源普遍受到学生青睐，能引发学生思考交流，进而增加相应的资源；而对学生来说，通过这些数据分析每个学生对哪种形式的资源、哪些内容的资源更感兴趣，结合他们的薄弱点，推送相应的资源，实现资源的订制，使之符合学生的学习需要。
（五）文化层面：
“权威霸权”的消解
教育虚拟社区交互和教育大数据蕴涵着相同的文化理念。
教育虚拟社区是学习者在自由、平等的文化氛围下自发聚集而成的，社区交往的文化特性是从依附走向平等，从他塑走向自塑。
社区成员平等地享受资源、发表言论，避免了现实情境中专家、教师的语言霸权现象。
社区交互采用自主式和小组协作式两种方式进行，自塑性强，学生可根据自身学习需求、目标、内容等选择交互策略、资源、媒体等，交互进程可以完全由学生做主。
正如张洪孟等人强调，教育大数据突破了传统数据绝对集权的观点，每位学习者都可借助互联网和媒体设备生成学习数据，都是教育数据的中心。
学习者与教育大数据进行着交互：
每位学习者的行为数据都被记录保存下来，具有很强的平等性，通过对数据的分析形成反馈，再将反馈信息传递回教师和学习者，进而调整学习行为。
三、教育虚拟社区交互效果影响因素的大数据分析
本文以曲阜师范大学传媒学院的“学习科学与技术”教育虚拟社区为案例进行调查，对教育虚拟社区交互效果影响因素进行大数据分析，进而为教育虚拟社区交互设计提供数据支持。
（一）问卷设计与实施
我们通过亲身参与、实际观察、访谈和调研，并结合社区交互的特点，编制了教育虚拟社区交互效果影响因素调查问卷。
为保证数据的科学性与准确性，避免受测对象给出倾向模糊的意见，除几个涉及基本信息的问题外，问卷绝大多数问题采用李斯特量表的形式：
“非常不同意”=1分；“不同意”=2分；“中立”=3分；“同意”=4分；“非常同意”=5分。
问卷共67个项目，分为两部分。
第一部分为教育虚拟社区交互效果调查，包括21个项目；第二部分为教育虚拟社区交互效果影响因素调查，共46个项目。
调查对象为参加过“学习科学与技术”社区的教育技术学专业大三、大四本科生和部分硕士研究生，共发放140份问卷，回收129份，回收率为92.1%，其中，有效问卷110份，有效率为78.6%。
（二）数据处理与信度、效度分析
我们使用SPSSforWindows19.0对问卷数据进行录入及分析。
问卷总体信度系数Cronbach’sAlpha值为0.888，表明该问卷内在一致性良好，具有较高信度，可用作研究数据。
问卷效度的检验采用因子分析法，得出问卷的KMO值为0.619，大于0.5，适合做因子分析。
Bartlett球形检验卡方统计值的显著性概率P值为0.000<0.001，表明变量之间存在相关关系，问卷结构效度良好。
（三）数据分析
问卷将教育虚拟社区交互效果影响因素分为五个方面，共46个项目，包括主体因素25个项目，支撑因素12个项目，目标内容因素4个项目，资源因素3个项目，文化因素2个项目。
分别将这五类因素变量与交互效果之间的关系进行分析，得到相关系数（Pearson）及显著性水平。
1.主体因素与交互效果之间的关系
主体因素分为教师因素和学生因素：
（1）教师因素有10个，包括教师的人格特征、教师和蔼的态度、教师具有较高的职业素养、教师经常表扬学生、教师经常鼓励学生、教师过多批评学生、教师即时在线、教师及时给予问题反馈、教师进行有效指导、教师适时组织线下活动。
以上10个项目的肯定等级均高于平均值3，总体评价等级为4.0182，明显高于五点量表的中间值3，这表明大部分学生认为以上10个因素对交互效果有影响。
为了进一步分析，以教师因素为自变量，以交互效果为因变量，采用进入法进行多元回归分析。
结果显示，交互效果与教师因素的总体回归效应显著（R2=0.515，P=0.000），因此，建立线性回归模型是恰当的，相关系数如表1所示。
由表1可知，教师的人格特征、教师经常表扬学生、教师经常鼓励学生、教师及时给予问题反馈4个因素对交互效果影响显著（p<=0.05），其余变量回归效应不显著。
（2）学生因素有15个，分为学生个人和学生团队两方面，具体包括学生具有良好的知识基础、学生具有较高的认知水平、学生的认知风格、学生具有较强的自我效能感、学生具有较高的信息素养、学生对社区交互具有积极态度、学生对社区交互具有较高的认可程度、学生积极上传共享资源、学生用于社区交互的时间较少、学生积极回帖、在交互过程中自发形成的社区意见领袖、学生之间相互信任、实名交互、学生团队具有明确的学习愿景、学生团队分工合理。
以上15个项目中，除“学生认知风格”的肯定等级为2.7909，低于平均值3之外，其余14项的肯定等级均高于平均值3，总体评价等级为3.8760，明显高于中间值3，这表明大部分学生认为以上14个因素对交互效果有影响。
为了进一步分析，我们以学生因素为自变量，以交互效果为因变量，采用进入法进行多元回归分析。
结果显示，交互效果与学生因素的总体回归效应显著（R2=0.623，P=0.000）。
因此，建立线性回归模型是恰当的，相关系数如表2所示。
由表2可知，学生具有良好的知识基础、学生具有较高的认知水平、学生具有较高的信息素养、学生对社区交互具有积极态度、学生对社区交互具有较高的认可程度、学生积极回帖、在交互过程中自发形成的社区意见领袖、学生之间相互信任、实名交互、学生团队具有明确的学习愿景、学生团队分工合理，这11个因素对交互效果影响显著（p<=0.05），其余变量回归效应不显著。
2.支撑因素与交互效果之间的关系
支撑因素包括网速、平台稳定运行、平台功能完善、平台界面友好、平台交互性强、平台防止个人信息泄露、使用网络用语、使用表情符号、安全的网络环境、网络垃圾信息、舒适的物理环境、适时进行线下活动。
以上12个项目中，除“使用表情符号”的肯定等级为2.6636，低于平均值3之外，其余11项的肯定等级均高于平均值3，总体评价等级为3.8896，明显高于中间值3，这表明大部分学生认为以上11个因素对交互效果有影响。
为了进一步分析，我们以支撑因素为自变量，以交互效果为因变量，采用进入法进行多元回归分析。
结果显示，交互效果与支撑因素的总体回归效应显著（R2=0.639，P=0.000）。
因此，建立线性回归模型是恰当的，相关系数如表3所示。
由表3可知，网速、平台稳定运行、平台功能完善、平台界面友好、平台交互性强、平台防止个人信息泄露、使用网络用语、安全的网络环境、网络垃圾信息，这9个支撑因素对教育虚拟社区交互效果影响显著（p<=0.05），其余变量回归效应不显著。
3.目标内容因素与交互效果之间的关系
目标内容因素包括明确的学习目标、丰富的学习内容、高生成性的学习内容、感兴趣的学习内容。
以上4个项目的肯定等级均高于平均值3，总体评价等级为3.9961，明显高于中间值3，这表明大部分学生认为以上4个因素对交互效果有影响。
为了进一步分析，我们以目标内容因素为自变量，以交互效果为因变量，采用进入法进行多元回归分析。
结果显示，交互效果与目标内容因素的总体回归效应显著（R2=0.659，P=0.000）。
因此，建立线性回归模型是恰当的，相关系数如表4所示。
由表4可知，明确的学习目标、丰富的学习内容、感兴趣的学习内容3个因素对教育虚拟社区交互效果影响显著（p<=0.05），其余变量回归效应不显著。
4.资源因素与交互效果之间的关系
资源因素包括丰富的学习资源、优质的学习资源、便捷的学习资源。
以上3个项目的肯定等级均高于平均值3，总体评价等级为4.0045，明显高于五点量表的中间值3，这表明大部分学生认为以上3个因素对交互效果有影响。
为了进一步分析，我们以资源因素为自变量，以交互效果为因变量，采用进入法进行多元回归分析。
结果显示，交互效果与资源因素的总体回归效应显著（R2=0.707，P=0.000）。
因此，建立线性回归模型是恰当的，相关系数如表5所示。
由表5可知，丰富的学习资源、优质的学习资源、便捷的学习资源3个因素均对教育虚拟社区交互效果影响显著（p<=0.05）。
5.文化因素与交互效果之间的关系
文化因素包括较强的社区归属感和良好的社区氛围。
这2个项目的肯定等级均高于平均值3，总体评价等级为4.0818，明显高于五点量表的中间值3，这表明大部分学生认为这2个因素对交互效果有影响。
为了进一步分析，我们以文化因素为自变量，以交互效果为因变量，采用进入法进行多元回归分析。
结果显示，交互效果与文化因素的总体回归效应显著（R2=0.665，P=0.000）。
因此，建立线性回归模型是恰当的，相关系数如表6所示。
由表6可知，较强的社区归属感和良好的社区氛围这2个因素对教育虚拟社区交互效果影响显著（p<=0.05）。
基于对社区交互效果影响因素的大数据分析，我们发现教师的人格特征，教师经常表扬、鼓励学生，教师及时给予问题反馈，学生具有良好的知识基础、较高的认知水平、较高的信息素养，学生对社区交互具有积极态度、较高的认可程度，学生积极回帖，在交互过程中自发形成社区意见领袖，学生之间相互信任，实名交互，学生团队具有明确的学习愿景，学生团队分工合理，网速正常，平台稳定运行、功能完善、界面友好、交互性强、防止个人信息泄露，使用网络用语，安全的网络环境，无网络垃圾信息，明确的学习目标，丰富、感兴趣的学习内容，丰富、优质、便捷的学习资源，较强的社区归属感和良好的社区氛围等因素有利于提升社区交互效果。
因此，在具体交互过程中要对这些因素进行设计，并发挥教育大数据在社区交互中的支持作用，进而提高交互效果。
四、教育虚拟社区的交互设计
我们一方面分析教育大数据对教育虚拟社区交互的支持作用，另一方面基于学堂在线、十二学平台、中国大学MOOC和中央电教馆组织建设的全国55个精品专题教育社区调查数据，以及“学习科学与技术”社区实证分析数据，对教育虚拟社区交互进行设计，以期提升社区交互效果。
设计时我们以“学习科学与技术”社区为例，从主体、支撑因素、目标内容、资源、文化五个方面着手，如图3所示。
（一）主体设计
在“学习科学与技术”社区中，主体主要指教师和学生。
索尔扎·格尔塞瓦（SolzaGrceva）曾提到，在社区中，教师角色由知识提供者向学习过程促进者转变，学生角色由被动学习者向主动学习者转变。
对于教师来说，教师的人格特征、教师经常表扬学生、教师经常鼓励学生、教师及时给予问题反馈等因素对社区交互效果会产生影响。
因此，教师在交互过程中，首先要充分发挥语言风格、性格气质、热爱学生等人格特征，潜移默化、润物细无声地影响学生的言行举止，并外化为良善行为，教师应注重人格特征的积极作用；其次，适时表扬鼓励学生，那拉扬·兰詹·查克拉博狄（NarayanRanjanChakraborty）的研究表明：
教师鼓励学生更多地参与社区讨论，可以帮助学生摆脱困惑，在交互过程中获得自信。
还有研究也认为，在学习社区中，教师应鼓励学生进行更积极的交互，以避免出现孤立状态；最后，教师要即时在线，对于学生提出的问题及时给予反馈，如果学生常常得不到反馈，在社区学习中的积极性会大大减弱，正如劳·辛西娅（LauCynthia）指出，教师的引导可以增加社区交互，当出现无意义的闲聊或偏离学习主题时，要适时引导，回归主题内容，引领话题的进行。
另外还应注意为学生提供学业上的帮助，包括任务设计、优质资源、疑难解答、拓宽视野等。
对学生而言，是否具有良好的知识基础、较高的认知水平、较高的信息素养，在进入社区时已经确定了，但学生对社区交互具有积极态度、较高的认可程度、积极回帖、在交互过程中自发形成社区意见领袖等，却是可以在社区活动中慢慢培养的。
首先，学生要积极参加形式多样的社区活动，从而增加对社区及社区交互的认可程度；其次，在与社区成员的交互过程中，逐步培养网上交流的意识与习惯，形成对虚拟社区交互的积极态度，当学生觉得自身是社区的一部分时，就更有可能被激发去寻找解决问题的方法并取得成功，从而使社区交互由
升级会员 