人類學(xué)習(xí)的集體注意力流分析｜高明、張婧婧、張江

導(dǎo)語

集體注意力流在在線學(xué)習(xí)中通過從大量學(xué)習(xí)者的學(xué)習(xí)行為與瀏覽行為數(shù)據(jù)中重構(gòu)資源與活動之間的注意力網(wǎng)絡(luò)，揭示群體層面的注意力分布、熱點資源、低效轉(zhuǎn)化點以及共同體的學(xué)習(xí)習(xí)慣與協(xié)作模式，從而實現(xiàn)課程結(jié)構(gòu)與資源分配的優(yōu)化、同步與異步節(jié)奏的改進、基于網(wǎng)絡(luò)結(jié)構(gòu)的學(xué)習(xí)路徑與推薦、面向教師與教育機構(gòu)的群體診斷與決策支持，以及對公平性與可及性的提升；這一框架使教育者能夠在群體層面設(shè)計更高效的學(xué)習(xí)路徑與干預(yù)策略，同時兼顧個體差異與集體需求，提升整體參與度、學(xué)習(xí)連續(xù)性與學(xué)習(xí)成效。

關(guān)鍵詞：在線學(xué)習(xí)（Online learning）；連接主義學(xué)習(xí)（Connectivist learning）；cMOOC（connectivist Massive Open Online Courses）；集體注意力（collective attention）；學(xué)習(xí)互動（Learning interaction）

趙思語丨作者

趙思怡丨審校

論文題目：Diversity of interactions within connectivist learning context: insights from flow of collective attention 論文鏈接：https://doi.org/10.1186/s41239-025-00575-5 接收時間：2024 年 10 月 21 日 錄用時間：2025 年 11 月 19 日 論文來源：International Journal of Educational Technology in Higher Education

引言

在連接主義學(xué)習(xí)環(huán)境中，理解學(xué)習(xí)者多樣化的互動模式對于在線學(xué)習(xí)策略的有效設(shè)計與實施至關(guān)重要。傳統(tǒng)研究主要聚焦于同伴間互動的網(wǎng)絡(luò)分析，本研究則拓展了研究范圍，將常被忽視但具有重要教學(xué)意義的內(nèi)容互動納入考量。借助集體注意力的開放流動網(wǎng)絡(luò)模型，該研究為理解學(xué)習(xí)者參與度提供了更穩(wěn)健、穩(wěn)定的框架，尤其適用于個體活動存在差異或?qū)W習(xí)者中途退出的場景 —— 這類情況通常會破壞社交網(wǎng)絡(luò)結(jié)構(gòu)。以一項 cMOOC 課程為案例進行研究，該研究識別出五種截然不同的學(xué)習(xí)者畫像：“瀏覽者”“點贊者”“全能者”“評論者” 和 “分享者”，每種畫像在周報、博客、資料、案例、論壇帖子、活動和問題解決中心等資源上展現(xiàn)出獨特的參與模式。“瀏覽者” 作為合法的邊緣參與者，其突出存在挑戰(zhàn)了 “主動社交互動是連接主義學(xué)習(xí)核心” 的傳統(tǒng)假設(shè)。此外，不同學(xué)習(xí)資源的注意力動態(tài)變化表明，“一刀切” 的課程設(shè)計模式存在不足，無法適應(yīng)學(xué)習(xí)者多樣化的參與模式和需求。因此，本研究倡導(dǎo)采用更細致的課程設(shè)計方法，整合社交互動與互動內(nèi)容，從而滿足更廣泛的學(xué)習(xí)偏好，提升全體學(xué)習(xí)者的參與度。

數(shù)字時代的學(xué)習(xí)變革與研究缺口

疫情加速了教育的數(shù)字化轉(zhuǎn)型，傳統(tǒng)教學(xué)方式受到?jīng)_擊，學(xué)習(xí)環(huán)境被重新塑造。數(shù)字技術(shù)普及使學(xué)習(xí)資源更易獲取、催生了新互動形式，但復(fù)雜數(shù)字學(xué)習(xí)環(huán)境中 “學(xué)習(xí)如何發(fā)生” 仍是亟待解答的難題。連接主義（Connectivism）是數(shù)字時代的學(xué)習(xí)理論，認為學(xué)習(xí)通過網(wǎng)絡(luò)與連接發(fā)生，知識源于多元視角的碰撞，且依賴數(shù)字工具的支撐，這一理論凸顯了互動在學(xué)習(xí)中的核心地位，強調(diào)集體智慧與問題解決而非單純的信息傳遞。

網(wǎng)絡(luò)科學(xué)為分析教育場景中的互動提供了有效方法，幫助重新定義學(xué)習(xí)者之間、學(xué)習(xí)者與資源之間的互動模式。過往研究表明，學(xué)習(xí)者在網(wǎng)絡(luò)中的位置會影響其獲取信息和支持的能力，社交網(wǎng)絡(luò)連接還與概念知識的發(fā)展相關(guān)。但這些研究大多聚焦于連接主義學(xué)習(xí)環(huán)境（connectivist learning environments）中的社交網(wǎng)絡(luò)，遵循 “管道比管道內(nèi)的內(nèi)容更重要” 的觀點，過度強調(diào)同伴互動與社交網(wǎng)絡(luò)構(gòu)建。這種單一視角可能簡化了學(xué)習(xí)參與的動態(tài)過程，忽視了數(shù)字技術(shù)所能創(chuàng)造的更豐富、更具包容性的學(xué)習(xí)體驗。

事實上，在線學(xué)習(xí)的參與模式往往呈現(xiàn) “長尾分布”，參與度會隨時間顯著下降，僅關(guān)注同伴互動難以全面理解學(xué)習(xí)過程。隨著 cMOOC 中學(xué)習(xí)資源的不斷積累，這些資源對學(xué)習(xí)參與的影響更深遠、更持久，因此需要將內(nèi)容互動納入研究視野。近年來，集體注意力（collective attention）概念逐漸成為分析在線行為與內(nèi)容互動的重要框架，它關(guān)注注意力在網(wǎng)絡(luò)中各類資源間的流動，為捕捉包括 “潛水者” 在內(nèi)的所有學(xué)習(xí)者的參與行為提供了整合性框架，也讓本研究得以突破傳統(tǒng)社交網(wǎng)絡(luò)分析的局限。

基于集體注意力網(wǎng)絡(luò)的 cMOOC 互動分析

圖1：集體注意網(wǎng)絡(luò)的構(gòu)建

本研究以中國某高校研究中心開發(fā)的 cMOOC“互聯(lián)網(wǎng) + 教育：理論與實踐的對話” 為研究場景，該課程遵循連接主義的自主性、多樣性、開放性和互動性核心原則，包含五個模塊，截至研究時已舉辦九輪，吸引超過 2.3 萬名參與者。第五輪是首次全面保存所有學(xué)習(xí)行為數(shù)據(jù)的輪次，研究選取該輪課程的行為數(shù)據(jù)為研究對象，去除無效和測試數(shù)據(jù)后，最終納入 721 名學(xué)習(xí)者的行為記錄，涵蓋周報、博客、資料、案例、論壇帖子、活動、問題解決中心等多種資源的互動行為。

研究首先對學(xué)習(xí)者的行為進行聚類分析。通過統(tǒng)計發(fā)現(xiàn)，77.53% 的學(xué)習(xí)者僅進行瀏覽行為，未參與評論、分享等主動互動，其余 21.47% 的學(xué)習(xí)者存在可見互動行為。研究將學(xué)習(xí)行為劃分為分享、評論、點贊三類，基于行為占比確定學(xué)習(xí)者的互動偏好，再運用 K - 均值聚類算法和肘部法則，確定最優(yōu)聚類數(shù)量，最終完成學(xué)習(xí)者畫像的分類。

為深入分析學(xué)習(xí)者與課程內(nèi)容的互動，研究構(gòu)建了集體注意力網(wǎng)絡(luò)（collective attention network）。首先對原始日志數(shù)據(jù)進行處理，將每條日志映射到唯一資源標(biāo)識，并計算互動時長。基于已有研究表明個體在 50 毫秒內(nèi)即可形成對網(wǎng)頁的整體印象，研究設(shè)置 1 秒閾值排除無意義互動，確保捕捉到的是刻意的認知加工行為。隨后采用 30 分鐘閾值將日志數(shù)據(jù)劃分為連續(xù)的學(xué)習(xí)會話，該閾值對應(yīng)數(shù)據(jù)中間隔時間的 98 百分位，既符合實證依據(jù)也與過往研究一致。以學(xué)習(xí)資源為節(jié)點，以學(xué)習(xí)者的互動順序為有向鏈接，構(gòu)建集體注意力網(wǎng)絡(luò)，并引入 “源節(jié)點” 和 “匯節(jié)點” 象征線下維度，形成開放均衡的網(wǎng)絡(luò)框架。

研究選取節(jié)點數(shù)、邊數(shù)、平均度和網(wǎng)絡(luò)密度作為核心網(wǎng)絡(luò)度量指標(biāo)，分別反映資源多樣性、互動關(guān)系數(shù)量、資源連接平均水平和網(wǎng)絡(luò)整體互聯(lián)程度。同時，引入流動距離（flow distance）度量資源間的關(guān)聯(lián)程度，定義了注意力積累、注意力消散和注意力沉浸度，全面捕捉集體注意力的流動特征。

五類學(xué)習(xí)者畫像與注意力流動差異揭秘

圖2：五類學(xué)習(xí)者的數(shù)量及占比分布

研究最終識別出五類具有顯著差異的學(xué)習(xí)者畫像，分別是 “瀏覽者”（Browsers）、“點贊者”（Likers）、“全能者”（All-rounders）、“評論者”（Commenters）和 “分享者”（Sharers），其群體規(guī)模呈現(xiàn)明顯差異。其中 “瀏覽者” 占比最高，達 77.53%，他們僅瀏覽課程資源，不參與評論、分享、點贊等主動互動；“全能者” 占比 9.29%，在三類互動行為中均有均衡參與；“點贊者” 占比 6.10%，以點贊行為為主要互動方式；“評論者” 占比 4.58%，偏好通過評論參與互動；“分享者” 占比最低，僅 2.50%，核心行為是分享學(xué)習(xí)資源。

人口統(tǒng)計學(xué)特征分析顯示，五類學(xué)習(xí)者在性別上無顯著差異，但在課程既往參與經(jīng)歷和社會身份上存在明顯區(qū)別。“瀏覽者” 的既往課程參與率（23.08%）顯著低于其他四類學(xué)習(xí)者，而 “評論者”“全能者”“點贊者” 的既往參與率均超過 40%。社會身份方面，學(xué)生在 “分享者” 中占比最高（66.67%），在 “評論者” 中占比最低（28.13%）；有工作經(jīng)驗的學(xué)習(xí)者（包括高校教職工、K-12 教育從業(yè)者、行業(yè)專業(yè)人士）在評論、分享等互動行為上的參與度更高，表明工作經(jīng)驗可能促進學(xué)習(xí)者在 cMOOC 中的互動參與。

圖3：五類學(xué)習(xí)者在各類學(xué)習(xí)資源上的注意力沉浸度對比

基于構(gòu)建的集體注意力網(wǎng)絡(luò)，五類學(xué)習(xí)者的資源互動結(jié)構(gòu)呈現(xiàn)出鮮明差異，具體體現(xiàn)在核心網(wǎng)絡(luò)指標(biāo)上。“全能者” 的網(wǎng)絡(luò)擁有最多的節(jié)點數(shù)（1334）和邊數(shù)（8784），平均度也最高（6.585），表明他們參與的資源范圍最廣，資源間的互動連接最豐富，學(xué)習(xí)參與兼具廣度與深度。“分享者” 的網(wǎng)絡(luò)雖然節(jié)點數(shù)（370）和平均度（2.851）最低，但網(wǎng)絡(luò)密度（0.008）最高，說明他們聚焦于有限的學(xué)習(xí)資源，這些資源間形成了緊密的連接，注意力高度集中。

“瀏覽者” 的網(wǎng)絡(luò)節(jié)點數(shù)（979）和邊數(shù)（3083）僅次于 “全能者”，但平均度（3.149）和網(wǎng)絡(luò)密度（0.003）最低，反映出他們?yōu)g覽的資源種類多，但資源間的關(guān)聯(lián)度低，注意力分布較為分散。“點贊者” 的網(wǎng)絡(luò)節(jié)點數(shù)（858）少于 “瀏覽者”，但平均度（3.421）和密度（0.004）更高，表明他們關(guān)注的資源相對集中，且資源間的互動更頻繁。“評論者” 的網(wǎng)絡(luò)節(jié)點數(shù)（597）適中，網(wǎng)絡(luò)密度（0.006）較高，顯示出他們聚焦于特定領(lǐng)域的資源，且這些資源間的連接較為緊密，符合其深度參與討論的行為特征。

進一步分析節(jié)點類型與關(guān)注度的關(guān)聯(lián)發(fā)現(xiàn)，“瀏覽者”“點贊者”“評論者”“分享者” 的網(wǎng)絡(luò)中，資源類型與節(jié)點度存在顯著正相關(guān)，表明這些學(xué)習(xí)者對特定類型的資源存在明顯偏好；而 “全能者” 的網(wǎng)絡(luò)中兩者無顯著關(guān)聯(lián)，印證了其均衡參與各類資源互動的特征。具體來看，“瀏覽者” 關(guān)注的資源以同伴空間和博客為主，“點贊者” 偏好博客和資料，“全能者” 在博客、同伴空間、資料等資源上均有高頻參與，“評論者” 聚焦博客和資料，“分享者” 則以博客和案例為核心分享內(nèi)容。

在此基礎(chǔ)上，注意力流動的差異主要體現(xiàn)在群體獲取資源的效率、資源類型的吸引力以及注意力停留深度上。

注意力積累方面，學(xué)習(xí)群體和資源類型均對其產(chǎn)生顯著影響，且兩者存在交互作用。“瀏覽者” 的注意力積累距離最短，表明他們能快速接觸到目標(biāo)資源，信息獲取更直接；“分享者” 的積累距離短于 “點贊者”“全能者” 和 “評論者”，而后三者之間無顯著差異。資源類型中，活動的注意力積累距離最短，其次是周報和個人空間，博客、資料和案例的積累距離最長，說明結(jié)構(gòu)化的資源（如活動、周報）能更快吸引學(xué)習(xí)者注意力，而需要深度閱讀的資源則需要更長時間的注意力積累。

注意力消散方面，同樣受到學(xué)習(xí)群體和資源類型的顯著影響。“瀏覽者” 的注意力消散距離最短，意味著他們在接觸資源后注意力快速轉(zhuǎn)移，停留時間較短；“評論者” 的消散距離最長，表明他們在資源上的注意力停留更久，深度更高。資源類型中，活動的消散距離最短，案例和同伴空間的消散距離最長，周報和論壇帖子的消散距離適中，反映出不同資源對學(xué)習(xí)者注意力的 “粘性” 存在差異。

注意力沉浸度方面，五類學(xué)習(xí)者在不同資源上的表現(xiàn)各有側(cè)重。“瀏覽者” 在所有資源上的沉浸度均最低，符合其淺度參與的特征；“全能者” 整體沉浸度適中，但在同伴空間上呈現(xiàn)明顯峰值，體現(xiàn)出他們對社交互動類資源的偏好；“點贊者” 在資料和問題解決中心的沉浸度最高，顯示出他們對知識積累和問題解決類資源的關(guān)注；“評論者” 在周報上的沉浸度突出，表明他們重視課程導(dǎo)航類資源；“分享者” 在案例和博客上的沉浸度最高，反映出他們傾向于通過具體案例和多元觀點獲取知識，再進行分享傳播。

重構(gòu)連接主義學(xué)習(xí)與課程設(shè)計新啟示

本研究通過集體注意力網(wǎng)絡(luò)分析，揭示了 cMOOC 中學(xué)習(xí)者互動的多樣性與復(fù)雜性，為連接主義學(xué)習(xí)理論提供了新的實證支持。五類學(xué)習(xí)者畫像的識別，尤其是 “瀏覽者” 群體的突出存在，挑戰(zhàn)了傳統(tǒng)觀點對 “主動社交互動” 的過度強調(diào)。與被標(biāo)簽化為 “被動 disengaged” 的 “潛水者” 不同，“瀏覽者” 的內(nèi)容導(dǎo)向型參與證明，非社交互動同樣可以是合法的學(xué)習(xí)形式，這拓展了連接主義理論的邊界，表明知識建構(gòu)既可以通過社交連接，也可以通過資源接觸與反思實現(xiàn)。

其他四類學(xué)習(xí)者在學(xué)習(xí)生態(tài)中扮演著互補角色：“點贊者” 通過點贊行為驗證內(nèi)容價值，為同伴提供相關(guān)性信號；“分享者” 作為知識中介，促進信息的廣泛傳播；“評論者” 推動對話與知識共建；“全能者” 則通過多元互動連接不同群體，增強網(wǎng)絡(luò)的整體性。這些發(fā)現(xiàn)表明，連接主義學(xué)習(xí)環(huán)境是一個多角色互補的生態(tài)系統(tǒng)，不同參與風(fēng)格共同支撐網(wǎng)絡(luò)的有效運行。

在課程設(shè)計層面，研究結(jié)果對 “一刀切” 的傳統(tǒng)模式提出質(zhì)疑。不同學(xué)習(xí)者群體在注意力流動和資源偏好上的顯著差異，要求課程設(shè)計采用角色差異化的適配策略。例如，為 “瀏覽者” 優(yōu)化資源組織與檢索功能，降低認知負荷；為 “評論者” 提供討論支架與可視化工具，支持深度對話；為 “分享者” 豐富案例與博客資源，提供優(yōu)質(zhì)分享素材；為 “全能者” 搭建多元互動平臺，滿足其綜合參與需求。同時，應(yīng)重視結(jié)構(gòu)化資源與探索性資源的互補作用，通過結(jié)構(gòu)化資源引導(dǎo)入門，以探索性資源促進深度參與。

方法論上，本研究將集體注意力網(wǎng)絡(luò)分析引入連接主義學(xué)習(xí)研究，彌補了傳統(tǒng)社交網(wǎng)絡(luò)分析（social network analysis, SNA）的局限。通過聚焦學(xué)習(xí)者 - 資源、資源 - 資源的連接，集體注意力網(wǎng)絡(luò)不僅具有更高的穩(wěn)定性，能應(yīng)對學(xué)習(xí)者中途退出帶來的網(wǎng)絡(luò)波動，還能量化注意力的積累、消散與沉浸等動態(tài)特征，為理解學(xué)習(xí)過程提供了更全面的視角。這種資源中心的分析框架，實證了 “管道內(nèi)內(nèi)容” 與 “管道” 本身同等重要，豐富了連接主義理論的方法論體系。

研究還為在線課程設(shè)計提供了數(shù)據(jù)驅(qū)動的實踐啟示，即通過整合社交互動與互動內(nèi)容，構(gòu)建多角色互補的包容性學(xué)習(xí)環(huán)境，滿足學(xué)習(xí)者的多樣化需求。此外，基于本研究識別的學(xué)習(xí)者畫像與注意力流動特征，開發(fā)適應(yīng)性學(xué)習(xí)系統(tǒng)與個性化干預(yù)策略，也將是未來值得探索的方向。

相關(guān)研究：

1. Wu L, Zhang J. The decentralized flow structure of clickstreams on the web. The European Physical Journal B, 2013, 86(6): 1-6.

2. Guo, L., Lou, X., Shi, P., Wang, J., Huang, X., & Zhang, J. (2015). Flow distances on open flow networks. Physica A: Statistical Mechanics and its Applications, 437, 235–248. https://doi.org/10.1016/j.physa.2015.05.070

3. Zhang J, Lou X, Guo L. Universal patterns and constructal law in open flow networks[J]. Int.J. Heat Tech, 2016, 34: S1.

4. Lou X, Li Y, Gu W, et al. The Atlas of Chinese World Wide Web Ecosystem Shaped by the Collective Attention Flows[J]. PloS one, 2016, 11(11): e0165240.

5. Zhang J, Lou X, Zhang H, et al. Modeling collective attention in online and flexible learning environments[J]. Distance Education, 2019, 40(2): 278-301

6. Lou X, Flammini A, Menczer F. Information pollution by social bots[J]. arXiv preprint. arXiv:1907.06130, 2019.

7. 基 于 集 體 注 意 力 衡 量 在 線 學(xué) 習(xí) 環(huán) 境 下 用 戶 行 為 的 度 量 方 法. 發(fā) 明 創(chuàng) 新 專 利,CN110210787A, 2019.

8. Gu W, Gong L, Lou X, et al. The hidden flow structure and metric space of network embedding algorithms based on random walks[J]. Scientific reports, 2017, 7(1): 1-12.

9. Liang G, Hou H, Lou X, et al. Qualifying threshold of “take-off”stage for successfully disseminated creative ideas[J]. Scientometrics, 2019, 120(3): 1193-1208.

10. Gu W, Gao F, Lou X, et al. Link Prediction via Deep Learning[J]. arXiv preprint.arXiv:1910.04807, 2019

11. Zhang, J., Skryabin, M., & Song, X. (2016). Understanding the dynamics of MOOC discussion forums with simulation investigation for empirical network analysis (SIENA). Distance Education, 37, 270–286. doi:10.1080/01587919.2016.1226230

12. Zhang, Jingjing & Lou, Xiaodan & Zhang, Hanjie & Zhang, Jiang. (2019). Modeling collective attention in online and flexible learning environments. Distance Education. 10.1080/01587919.2019.1600368.

計算社會科學(xué)讀書會第二季

計算社會科學(xué)作為一個新興交叉領(lǐng)域，越來越多地在應(yīng)對新冠疫情、輿論傳播、社會治理、城市發(fā)展、組織管理等社會問題和社科議題中發(fā)揮作用，大大豐富了我們對社會經(jīng)濟復(fù)雜系統(tǒng)的理解。相比于傳統(tǒng)社會科學(xué)研究，計算社會科學(xué)廣泛采用了計算范式和復(fù)雜系統(tǒng)視角，因而與計算機仿真、大數(shù)據(jù)、人工智能、統(tǒng)計物理等領(lǐng)域的前沿方法密切結(jié)合。為了進一步梳理計算社會科學(xué)中的各類模型方法，推動研究創(chuàng)新，集智俱樂部發(fā)起了計算社會科學(xué)系列讀書會。

【】第二季由清華大學(xué)羅家德教授領(lǐng)銜，卡內(nèi)基梅隆大學(xué)、密歇根大學(xué)、清華大學(xué)、匹茲堡大學(xué)的多位博士生聯(lián)合發(fā)起，進行了12周的分享和討論，一次閉門茶話會，兩次圓桌討論。本季讀書聚焦討論Graph、Embedding、NLP、Modeling、Data collection等方法及其與社會科學(xué)問題的結(jié)合，并針對性討論預(yù)測性與解釋性、人類移動、新冠疫情、科學(xué)學(xué)研究等課題。歡迎從事相關(guān)研究或?qū)τ嬎闵鐣茖W(xué)感興趣的朋友參與學(xué)習(xí)。

詳情請見：

1.

2.

3.

4.

5.

6.

7.