基于模糊聚类与转移矩阵的社交媒体数字素养干预可解释评估新方法

本综述提出一种集成模糊C均值（FCM）聚类与模糊转移矩阵的创新框架，通过建模学习者前后测概念簇的成员值概率重分布（T ∈ RC×C），实现数字素养干预效果的可解释分析。该方法突破传统二值分类局限，揭示实验组低、中水平学习者显著的向上簇迁移模式，为教育人工智能（XAI）提供动态、可解释的学习 progression 分析工具。

　　

Methodological Contributions and Novelty

本研究引入一个新颖的方法学框架，将模糊C均值（FCM）聚类与模糊转移矩阵相结合，以评估学生概念结构的动态变化。与传统依赖二值分类或总分增益的方法不同，该框架将学习建模为跨概念簇的连续概率漂移。

首先，软聚类的运用使每个学生可被表示为多个概念层上的部分隶属度，从而反映过渡性认知状态，避免强行刚性分类。其次，所提出的模糊转移矩阵（定义为行归一化矩阵 T ∈ R^C×C）能够建模聚合成员值如何从前测到后测簇概率重分布。该机制支持对簇迁移进行细致且可解释的时序表征。第三，为增强稳健性，转移矩阵经迭代优化直至收敛，确保所得模式稳定且非随机波动伪影。第四，框架采用定向建模策略——迁移依据其在前测簇中的起源与在后测簇中的目的地进行解释，为学习 progression 提供清晰的语义基础。最后，该框架支持对向上簇迁移、向下簇迁移及成员值重分布的可解释分析，以此揭示教学干预如何随时间影响学生学习动态。

相较于使用原始增益或硬簇分配的常规方法，本框架承认学习并非二值或离散的，而是受教学质量、学生参与及情境因素影响的连续发展性漂移。

此外，该模糊框架为实时学习分析开辟了新可能。由于隶属度为连续值，可在多个时间点监测，使教育者及研究者能够以硬分数评估无法实现的方式追踪学习过程的展开。

据我们所知，这是首批将完全可解释的模糊转移分析整合至教学评估管道的研究之一，其应用不仅限于数字素养研究，更可扩展至学习 progression 呈现非线性、多维特征的各种领域。

Experimental Setup

本研究对象为2024/2025学年选修社会科学教育（IPS）课程的本科生。两个原班参与：对照组（n=50）接受传统教学，实验组（n=48）通过策展社交媒体平台参与移动学习。

数字素养通过结构化封闭式问卷进行评估，该问卷作为前测与后测工具使用五点李克特量表（1

Results

为分析学生的潜在学习 profiles，分别对前测与后测数据集应用模糊C均值（FCM）聚类。各数据集的簇数设为三（c=3），以对应三个学习水平：低、中、高。模糊参数设为 m=2，算法运行至收敛阈值 ?=0.005 或最大1000次迭代。

表1呈现了所得簇中心、分布计数及

Pedagogical Interpretation of Fuzzy Transitions

模糊簇迁移分析的应用为解读学习 progression 提供了一个新颖的教学视角。与将学生强行纳入刚性分类的硬聚类不同，模糊迁移承认学习固有的流动性——学生可能在多个概念层上表现出部分能力。这一视角在教育环境中尤为宝贵，因该环境中成长是增量且非线性的。

在对照组中，模糊

Conclusion

本研究引入一个用于数字素养情境下评估学生学习 progression 的模糊聚类与转移矩阵框架。通过将模糊C均值（FCM）聚类与模糊转移矩阵相结合，所提方法捕获了前测与后测期间概率性且非离散的概念漂移，从而更深入、更细致地理解学生如何通过教学干预演化。本研究主要发现如下。