一、导语
在学习分析研究中，有一个长期存在的困难：学习过程本身不可直接观察，我们只能通过一系列行为来间接推断。但传统做法往往要么关注“行为出现了多少次”，要么关注“变量之间是否相关”，却很少真正回答一个更关键的问题——学习是如何一步一步展开的。例如，在小组协作中，学生是先形成理解再推进任务，还是在情绪互动中逐渐达成共识？这些“先后关系”和“转移路径”，恰恰构成了学习过程的核心。
而过渡网络分析法/TNA(Transition Network Analysis)，正是试图提供一种新的分析框架，把学习理解为一个由多个状态构成、并在时间中不断发生转移的动态过程。
二、方法介绍
Transition Network Analysis（TNA）是一种相对较新的学习分析方法，由Mohammed Saqr、Sonsoles López-Pernas和Santtu Tikka等人提出，并在2025年前后通过LAK 2025会议论文系统化提出与验证。
从发展阶段来看，TNA目前仍处于“方法提出与早期应用扩展阶段”：一方面，核心理论框架已经较为完整，并且配套开发了R包（tna）等工具以支持实际研究；另一方面，相关研究主要集中在学习分析领域的案例验证与方法拓展（如不同模型形式、统计检验方式、纵向分析等），尚未像SNA或ENA那样形成大规模、成熟的应用传统。
从方法本身来看，TNA的核心是将学习过程建模为“状态之间的转移网络”。研究者首先将学习行为抽象为一系列离散的“状态”（例如阅读、讨论、表达理解、情绪表达等），然后关注这些状态之间是如何发生转移的。换句话说，分析的重点不再是某个行为本身，而是“从一个行为走向另一个行为的概率”。
在理论基础上，这种建模依赖于马尔可夫过程，即假设下一步行为主要取决于当前状态。在此基础上，可以构建一个“转移矩阵”，表示不同状态之间的转移概率，并进一步将其表示为一个有向加权网络：节点代表行为状态，边代表转移关系，边的权重对应转移概率。
TNA的关键创新在于，它并不是简单地做序列分析或过程挖掘，而是将三种方法整合在一起：一是基于马尔可夫模型的转移建模，二是网络分析中的结构刻画（如中心性、社区、模式识别），三是统计检验（如bootstrap、置换检验）来验证结果的稳定性。这种整合使得研究者不仅可以描述学习过程，还可以对其进行结构分析和统计推断，从而提升解释力和可靠性。
TNA的创新点在于，它并不是简单地做序列分析或过程挖掘，而是将三种方法整合在一起：一是基于马尔可夫模型的转移建模，二是网络分析中的结构刻画（如中心性、社区、模式识别），三是统计检验（如bootstrap、置换检验）来验证结果的稳定性。这种整合使得研究者不仅可以描述学习过程，还可以对其进行结构分析和统计推断，从而提升解释力和可靠性。
三、实际操作流程
如果从实际操作流程来看，TNA大致可以分为几个连续步骤。
1.数据准备阶段，需要将原始数据（如聊天记录、学习日志等）转化为时间有序的行为序列。这通常依赖于编码框架，将每一条行为标记为某一类别，例如“探索”“计划”“表达理解”等。
2.模型估计阶段，即基于这些序列计算状态之间的转移概率。这一步本质上是在构建一个马尔可夫模型，通过统计不同状态之间的转移频率，得到转移矩阵。
3.矩阵转化阶段，研究者会将转移矩阵转化为网络结构，并进行多层次分析。
一方面，可以计算节点的中心性指标，识别哪些行为在网络中处于核心位置，或者起到“桥梁”作用；
另一方面，可以挖掘局部结构模式，如高频出现的双向转移（dyads）或三元结构（cliques），以识别典型行为组合。同时，还可以通过社区检测和聚类分析，将不同的转移模式归纳为若干类型，从而刻画不同的学习路径。
4.模型检验与解释阶段。TNA特别强调通过bootstrap等方法检验转移关系的稳定性，剔除那些可能由随机波动产生的边，从而得到更可靠的“核心结构”。在此基础上，还可以引入外部变量（如成绩、小组规模等）进行协变量分析，解释不同模式为何出现。
四、案例解读
文章以小组协作学习为例，对191名学生的在线互动数据进行了分析。研究者首先对聊天内容进行编码，将其划分为任务行为（如探索、计划）、情绪互动（如表达情绪、建立凝聚力）以及调节行为（如监控、调整策略）等类别，然后构建行为转移网络。
分析结果显示，“表达理解”这一行为在整个网络中具有最高的中心性，它既接收来自多种行为的转移，也会进一步引出新的行为，因此在学习过程中起到了枢纽作用。此外，网络结构还揭示出一个较为清晰的路径：学生往往通过信息探索和情绪互动逐步达成理解，而深层的调节行为（如策略调整）相对较少。
进一步的模式分析发现，不同类型的行为组合呈现出稳定结构，例如“探索—理解—计划”之间的频繁转移，以及情绪互动与任务推进之间的紧密联系。这些模式在传统频次统计中并不明显，但通过转移关系可以被清晰识别。
在群体比较方面，高绩效学生更倾向于在“整合信息之后形成理解，并进一步展开探索”，而低绩效学生则更容易在不同任务之间跳转。这种差异揭示了学习路径本身可能是影响结果的重要因素。
五、局限
尽管TNA提供了一个较为完整的分析框架，但其应用仍存在一定限制。首先，该方法依赖较为充分的数据量，以确保转移概率估计的稳定性；其次，马尔可夫假设本身意味着模型只考虑当前状态对下一步的影响，可能忽略更长时序中的依赖关系；此外，当状态数量较多时，转移网络会迅速变得复杂，从而增加解释难度。
六、启示
从研究视角来看，TNA的重要意义在于，它将学习从“静态结果”转化为“动态过程结构”，使研究者能够分析学习是如何在时间中逐步展开的。对于教育技术研究而言，这种方法特别适用于在线学习、协作学习以及人机交互等场景，因为这些情境中往往可以获得细粒度的行为数据。
如果进一步延伸，这一方法也为研究AI介入学习提供了新的工具。例如，可以分析学生与AI互动过程中是否形成新的行为路径，或者不同教学设计是否会引导出不同的学习转移模式。从这个角度看，TNA不仅是一种技术方法，也是一种重新理解学习过程的分析框架。
论文信息：Saqr, M., Lopez-Pernas, S., Tormanen, T., Kaliisa, R., Misiejuk, K., & Tikka, S. (2025). Transition Network Analysis: A Novel Framework for Modeling, Visualizing, and Identifying the Temporal Patterns of Learners and Learning Processes. In LAK25: The 15th International Learning Analytics and Knowledge Conference (pp. 1–11). Dublin, Ireland. ACM. https://doi.org/10.1145/3706468.3706513
中石对TNA将学习过程建模为转移网络的思路梳理得很清晰，特别是你点出了它整合马尔可夫模型、网络分析与统计检验的创新点。顺着这个思路，如果我们将TNA用于人机协作学习场景，比如学生与AI助手的互动，你认为应该怎样定义“状态”才能既捕捉到认知层面的转移，又体现情感或调节维度的变化？这或许能进一步挖掘TNA在复杂学习生态中的解释力。
在传统学习中，无论是学习者和同伴讨论还是老师讨论，首先双方都是具有主体性并能够产生学习行为的“人”，但是AI加入学习过程以后，它的角色更像是只响应不产生学习的参与者，所以我认为如果我们将TNA用于人机协作学习场景，可能尤其需要考虑分析，状态转移中主导者是谁
结合之前跟AI协作的体验，我初步认为认知、情感和调节维度可以做如下划分，在认知维度，在传统的CoI（触发、探究、整合、解决）外，增加元认知监控状态，看学生有没有被AI带着走；在调节维度，可能要区分”自主调节”和”AI辅助调节”的驱动源区别，参考SRL框架划分自主规划、求助、监控评估、策略调整之类主要需要区别是谁在驱动调节；情感维度可以进行划分，比如积极、困惑、挫败、信任等，但是这样转移网络的状态就会比较多，网络结构可能会比较稀疏，或许可以考虑把情感做成状态的属性，比如说在“探究-AI调节”的这个状态下，情感是积极的还是困惑的。这样可能网络结构会清晰，相关信息也能做到保留
回到人机协作学习场景，我觉得如果驱动源是学生自己、调节状态是策略调整，情感状态是积极的，可能就是我们理想中的“在人机协作中产生了深度学习”
TNA会把行为编码成“探索”“表达理解”这些状态，如果编码框架本身不完整或者已经预设好了，那后续计算出的转移概率和关键路径是不是会放大编码阶段的偏差，TNA是否有什么机制来检验编码框架本身的质量
特别赞同宇凡，我在了解TNA的时候也一直在想这个问题，我们可以把行为数据切成“探索”“表达理解”这些状态，但万一这个切法本身有问题，会导致结果的直接偏差。
所以我理解TNA更像是一个分析视角和工具，它的效度很大程度上依赖于研究者前期的编码质量，框架本身有偏差，TNA只会把这种偏差固化成看起来很科学的网络图和统计数字
关于怎么保证编码的有效性？我想到几个可能的策略：
第一，编码阶段就要有检验。比如多人独立编码算一致性系数，如果Kappa很低，说明框架本身模糊，得回去修订
第二，做敏感性分析。用不同粒度的框架分别跑TNA，比如粗分两类的和细分五类的，看核心发现是不是还成立。如果结果随框架变化而剧变，那说明这个发现可能只是编码的产物
第三，结合无监督方法做三角验证。比如先用聚类让数据自己表现出有哪些状态，再和TNA的预设编码对比。如果两者差异很大，可能说明预设框架确实扭曲了数据。
但最后我觉得使用TNA还是需要找到它适合的研究场景，我目前认为它更适合用来“在预设框架下看动态结构”，但不适合用来“发现数据中原本没有预设类别的结构”。如果研究目标是后者，可能还是得用过程挖掘或机器学习聚类。
这篇研究把学习过程从发生次数转向“怎么一步步发生”，以前看协作学习数据，频次统计很容易把学生的真实路径抹平，而TNA能看到从探索到理解、从情绪互动到任务推进的转移关系，但其并不用盲目使用，行为编码本身就带有研究者判断，状态分得太细又会让网络很乱，以后如果用在AI辅助学习里，应该特别注意解释边界，不能把漂亮的网络图直接等同于真实学习机制。
第一次了解到TNA这个方法，帖子里的图片也很好，非常细致，从多个维度进行对比，解答了我对TNA和ENA、SNA有什么区别的疑问。TNA能够揭示动态的行为转化过程，还能够让我们看到行为序列之间的关系和高低绩效学生之间的行为差异，是很细粒度的分析。
这个帖子把TNA的思路讲得很清楚，我以前看学习分析的文章，确实大多数就是在数各种行为出现了多少次，很少去讲这些行为之间是怎么一步接一步串起来的。“先有探索、再有理解、才去做计划”这种顺序，光看次数确实完全看不出来。你举的那个例子也让我印象挺深，原来“表达理解”这个动作在网络里像是一个十字路口，很多行为都通向它，又从它出发去做别的事，这个位置的重要性是单纯统计频率发现不了的。👍
# 百字评论
TNA突破了学习分析只统计频次、简单做相关分析的固有局限，依托马尔可夫过程与网络分析融合视角，精准刻画学习行为时序转移路径。操作流程清晰且适配在线协作学习场景，能挖掘传统方法忽略的学习动态规律。虽受数据量、马尔可夫假设等制约，但为教育技术、AI赋能学习的过程化研究提供了全新可行的分析范式。
我理解的这个方法是把各个行为变成时间序列，再算转移概率，也就是欧阳提到的：将学习行为抽象为一系列离散的“状态”，然后关注这些状态之间是如何发生转移的。从一个行为走向另外一个行为，行为之间的转移，将各种学习过程建模为网络，观察其中的转移关系，还蛮有意思的！
读完这篇我感觉很有收获，TNA 把过程挖掘和网络分析结合得很好，既能看清学习行为怎么随时间变化，还能筛掉没用的虚假关联，分析小组协作也比较直观，高低分学生的差异能够一眼看出来。我有点好奇的是，学习过程不是简单的一步影响下一步，而是存在长期的互相的影响，考虑这一点的话TNA 还能用吗？有没有办法放宽它的马尔可夫假设？