随着课程改革与教育信息化的不断推进，“教材分析”作为教育教学研究的重要领域，正逐步从单一的内容与结构评估走向多元化、信息化和创新化的综合研究。教材不仅是知识的载体，也承载着教育理念、学科体系、学生需求与社会文化价值观等多重要素。因此，对教材进行科学、系统、深度的分析与研究，对于改进教学质量、优化课程设计具有关键意义。![]()
认知网络分析 (Epistemic Network Analysis, ENA) 是一种用于识别和量化编码数据中元素之间联系，并在动态网络模型中表示它们的方法。简单来说，ENA 是一种通过构建动态网络模型来可视化和分析学习者或群体认知结构的方法。使用认知网络分析 (ENA) 分析教材，可以从多个角度产生新的成果，提供比传统教材分析方法更深入、更动态的视角。教材分析研究自20世纪初诞生以来，经历了不断的发展和演变，从最初的经验总结逐渐走向科学化、系统化和多元化。- 早期阶段 (20世纪初-中期)：经验总结和直观评价为主。
20世纪末以来，许多国家和地区开展了大规模的基础教育课程改革，教师队伍和科研工作者愈发意识到教材在教学过程中的核心地位。教材研究需要对教材的选材原则、结构体系、呈现形式等进行全面梳理，从而保证其适切性与科学性。这一阶段的教材分析主要依赖于教师的个人经验和直观感受，缺乏统一的标准和科学的方法。分析内容主要集中在教材的文字表达、插图设计、习题设置等表面特征，缺乏对教材深层结构和教育价值的深入探讨。- 发展阶段 (20世纪中期-末)：引入心理学、教育学理论，注重定量分析。
随着心理学、教育学等相关学科的发展，教材分析开始引入这些学科的理论和方法，例如布卢姆的教育目标分类学、加涅的学习层次理论等。同时，统计学方法也开始应用于教材分析，使得研究结果更加客观和量化。研究内容也逐渐扩展到教材的知识结构、能力培养、情感态度价值观等更深层次的方面。- 成熟阶段 (20世纪末至今)：多元化、综合化、信息技术融合。
不同学科都有其自身的知识逻辑与教学规律，如数学的逻辑推理、语文学科的语言特色、历史学科的时空观念等。将学科教育学的理论与教材分析相结合，能够更准确地把握教材内容的深度、难度与知识衔接，从而有效指导教学设计与课堂实践。这一阶段，教材分析研究呈现出多元化、综合化的发展趋势。研究视角更加多元，不仅关注教材本身，也关注教材的使用情境、学生学习特点、社会文化背景等因素。研究方法更加综合，不仅采用传统的文本分析、问卷调查、访谈等方法，还引入了实验研究、行动研究、案例研究等方法。同时，信息技术的快速发展也为教材分析提供了新的工具和手段，例如利用计算机软件进行文本分析、数据挖掘、可视化呈现等，大大提高了研究效率和质量。认知网络分析（ENA）是一种识别和量化编码数据中元素之间联系并在动态网络模型中表示它们的方法。ENA 工具的关键特性是它使研究人员能够通过视觉和反映连接加权结构的汇总统计来比较不同的网络。界面还允许用户查看构成网络表示中每个连接的原始数据。因此，ENA 可以用来解决广泛的定性和定量研究问题。![]()
研究人员已利用 ENA 分析并可视化各种现象，包括：学生在解决复杂问题时形成的认知联系；fMRI 数据中大脑不同区域之间的相互作用；社会注视协调；手术过程中的操作技能整合；以及其他许多现象。您在研究中使用 ENA 吗？认知元素：代表研究中关注的关键概念、想法、技能或行为。例如，在研究学生解决问题过程时，认知元素可能包括“提出假设”、“收集数据”、“分析结果”等。编码数据： 通常是对研究对象的行为、言语或作品进行编码的结果。例如，可以对学生的课堂讨论录音进行编码，标记出其中出现的各种认知元素。动态网络模型：将认知元素表示为网络中的节点，节点之间的连线表示这些元素之间的关系强度。模型是动态的，意味着它可以展示这些关系随时间的变化。![]()
（二）ENA 的基本步骤：
1. 数据分段和编码： 将原始数据（例如，访谈记录、观察笔记、学生作品）分割成小的单元（称为“段”），然后根据预先定义的编码方案，为每个段分配一个或多个认知元素。
2. 创建邻接矩阵： 基于编码数据，创建一个邻接矩阵，用于记录不同认知元素在同一段中共同出现的次数。
![]()
3. 构建和分析网络模型： 使用邻接矩阵构建动态网络模型，其中节点代表认知元素，节点之间的连线代表它们之间的关联。通过分析网络的结构和变化，可以了解研究对象的认知结构和发展。
![]()
使用认知网络分析分析教材，可以从认知视角深入理解教材的结构、内容和特点，为教材的优化设计、教学改进和个性化学习提供有力的支持，从而产生一系列新的研究成果和实践应用。- 可视化知识网络：ENA 可以将教材中的概念、原理、方法等元素构建成网络图，清晰地展示知识之间的关联和层级结构。这有助于教师和学生更好地理解教材的整体框架和知识体系。
- 识别核心概念和关键联系：通过分析网络中的中心性指标（如度中心性、中介中心性），可以识别出教材中的核心概念和关键知识点，以及它们与其他知识点之间的重要联系。这有助于教师在教学中突出重点，帮助学生构建牢固的知识基础。
- 比较不同教材的认知结构：可以使用 ENA 比较不同版本或不同学科的教材，分析它们在知识组织方式上的异同，为教材选择和课程设计提供依据。
- 评估概念的复杂程度：通过分析网络中概念之间的连接密度和复杂性，可以评估教材中不同概念的认知负荷，帮助教师合理安排教学进度和难度。
- 识别学习瓶颈和难点： 通过分析学生在学习过程中产生的认知网络变化，可以识别出教材中可能存在的学习瓶颈和难点，为教材修订和教学改进提供依据。
示例为最近发表于 SSCI 期刊的论文《过去二十年间中国物理课程标准中科学本质的表征（Representations of Nature of Science in Chinese Physics Curriculum Standards over the Past Two Decades）》，虽然是课程标准分析，但是方法用在教材分析上也是一样的。
研究选取中国初中物理课程标准中的课程目标部分进行分析，运用FRA框架作为分析目标，通过关键词初步筛选NOS相关内容，并结合上下文仔细检验。然后两名研究者独立重新评估每个陈述，并根据FRA框架中的11个NOS类别进行编码。此外，还使用知识网络分析（ENA）来探索三个版本物理课程标准中NOS类别的连接和发展趋势。
![]()
借助知识网络分析（ENA）分析教材的具体过程如下：
（一）数据准备与编码
选取分析内容：研究选取中国初中物理课程标准中的课程目标部分作为分析对象。
初步筛选与编码：运用家族相似性方法（FRA）框架，先通过关键词初步筛选出与科学本质（NOS）相关的内容，再结合上下文仔细检验，将这些内容按照FRA框架中的11个NOS类别进行编码，如将与科学实践相关的内容编码为“科学实践”类别，将涉及科学知识发展过程的内容编码为“方法和方法论规则”类别等。（你也可以改成研究其他框架的其他内容，如核心素养框架下的“时空观念”元素）
（二）构建ENA模型
创建邻接矩阵：基于编码后的数据，构建邻接矩阵。邻接矩阵的行和列分别代表不同的NOS类别，矩阵中的元素表示相应类别之间的共现频率，即在课程标准文本中同时出现的次数。例如，“科学实践”类别和“方法和方法论规则”类别在文本中共现了几次，就在对应的矩阵元素位置记录该次数。
计算向量与标准化处理：对邻接矩阵中的数据进行向量计算，得到每个NOS类别的向量表示。然后对这些向量进行标准化处理，使不同类别之间的数据具有可比性，消除因类别出现频率差异导致的影响，以便更准确地反映类别之间的连接强度。
（三）可视化分析与比较
绘制网络图：利用ENA工具，根据标准化后的向量数据绘制出知识网络图。在图中，每个NOS类别以一个节点表示，节点之间的连线表示类别之间的连接关系，连线的粗细则反映了连接的强度，即共现频率的高低。通过观察网络图，可以直观地看出不同版本物理课程标准中NOS类别之间的连接情况，如哪些类别之间连接紧密，哪些类别相对孤立等。
![]()
对比分析：将不同版本物理课程标准的ENA网络图进行对比，分析NOS类别间连接频率的演变。从图中可以看出，随着时间的推移，物理课程标准中NOS类别间的连接呈现出稳步增加的趋势，但认知 - 认识系统内的连接比社会制度系统更频繁、更广泛，社会制度系统中的某些类别如“专业活动”“社会组织和互动”以及“金融系统”等始终缺失，而社会类别的NOS呈现有轻微上升趋势。
（四）结果解读与应用
识别不足：通过ENA分析，研究识别出物理课程标准在过去二十年中某些NOS类别的包含以及它们之间连接的具体不足，尤其是社会制度系统相关类别的缺失，为改进课程标准提供了依据。
指导教学改进：这些发现有助于教育者了解当前物理课程标准在培养学生全面科学本质理解方面的局限性，从而在教学实践中更加注重补充社会制度系统相关的NOS内容，建立更全面进步的NOS教育方法，使学生能够更深入地理解科学的本质，包括其认知和社会维度，为培养具有科学素养的公民奠定基础。
