联通主义学习交互的动态演化机制研究

摘 要：联通主义强调学习是一个通过交互不断建立连接并逐步发展形成网络学习社区的过程，网络在联通主义学习中起着基础性、关键性的作用。尽管社会网络分析方法已被应用于揭示联通主义学习中网络的静态特征，但对交互演化特征及机制展开的研究仍然较少。动态生长进化是联通主义学习的典型特征之一，因此，本研究尝试基于国内第一门cMOOC的交互数据，采用纵向概率社会网络分析方法对互惠性、传递性、同质性、择优连续性四种效应进行了检验，以解释联通主义学习中社会交互的动态演化机制。深入了解学习交互的动态网络及其演化有助于我们探讨如何构建强大的同伴互助的学习社区，从而提升cMOOC中的在线学习体验。

关键词：cMOOC；社会网络；SIENA；动态演化；交互特征

一、引言

“互联网+教育”背景下，知识快速迭代更新，知识网络结构不断变化，群体智慧涌现，联通主义慕课（connectivism Massive Open Online Course， cMOOC）是典型的具有复杂系统特征的重要课程形态 （陈丽 等， 2019; 陈丽 等， 2023）。在联通主义课程中，学习被视为通过互动建立连接，具体表现为寻径交互、意会交互和创生交互 （Wang et al.， 2017），并逐渐生成网络的过程 （George， 2005; Sie et al.， 2012）。在以交互为核心的这一类社区型课程中，联通主义学习者通过交互网络的构建与发展来实现复杂模糊问题的解决和知识创生，因此，“交互性”成为衡量联通主义学习的基本指标（王志军 & 虞天芸， 2023）。

在“互联网+”时代，交互性已成为学习过程中重要的社会属性 （Lave & Wenger， 1991），越来越多的研究注意到学习的社会交互性 （Li et al.， 2022; Sjølie et al.， 2022; Lim， 2023）。非共识的观点引发的认知冲突是知识生产的基础，知识同化与概念共识被弱化，分享和交流成为学习的重要组成部分（陈丽 等， 2019; Hosen et al.， 2021）。近年来，“互联网+教育”复杂系统观的提出，进一步支持与鼓励研究者严格审视学习中交互关系的形成、变化过程以及驱动机制，例如与谁交互、为什么建立这种交互关系、交互关系如何随时间变化、交互变化对系统演化的影响等系统性问题 （陈丽 等， 2023）。基于此，本研究以国内第一门联通主义课程“互联网+教育：理论与实践的对话”为案例，采用纵向概率社会网络分析法，探究cMOOC学习过程中学习交互形成的网络结构及其动态演化机制。

二、文献综述

社会学习分析（Social Learning Analytics）中的社会网络分析（Social Network Aralysis， SNA）是一种重要的研究大规模群体交互的方法，已得到广泛的关注与使用（Ferguson & Shum， 2012）。例如王勃然和李月（2022）认为社会互动有助于促进知识建构过程，因此他们采用社会网络分析探索了一门大学英语慕课讨论区内的师生交互关系，选取了师生交互社会网络的图密度、平均度、网络直径、平均路径长度、平均聚类系数以及中心度作为指标，通过静态切片的方式分析了不同阶段社交网络的属性变化值，并指出其中存在交互不均衡、教师管理不足、学生缺乏主动交互意识等问题。王慧敏和陈丽（2019）采用社会网络的度数中心度、中间中心度、接近中心度等指标进一步解释了联通主义学习者的外部社会网络特征对其内部认知发展的五个影响方面。然而，这些研究大多数不考虑学习过程中交互网络的变化，而是直接使用网络指标来表征或是评价某一典型的交互，比如常见的“度”指标。换言之，这类研究的设计并不是为了回答“互联网+教育”复杂系统观下提出的“与谁交互”“什么因素驱动了交互”“交互过程如何变化”等问题。

鉴于上述研究，我们需要在复杂系统观的指导下，从动态视角去剖析学习交互及其演化趋势。在过去相当长的一段时间内，我们采用的是在不同时间节点截取网络结构以发现交互的变化，即关注不同时间点上交互指标的大小变化，以及其与其他教育要素的关系。较有代表性的研究包括：杨迪一等（Yang et al.， 2013）的一项探索性研究，该研究基于社会认知理论，认为造成慕课辍学率较高的原因在于社会支持不足，他们使用了社会网络分析来测量不同时期的网络图谱，探寻了学生是如何与既存的学习社区交互的；邹文婷等（Zou et al.， 2021）秉持学习的社会建构观，结合自动内容分析和社会网络分析，研究了学习者的个人声望以及社会临场感对个人声望的调节作用。社会网络分析也经常与认知网络分析共同使用，以探究学习者社交和认知之间相互促进的关系，例如多莱克等（Doleck et al.， 2021）基于社会学习理论，将社交网络建模为跨课程主题的用户寻求知识和传播知识的函数，作为衡量知识寻求者和知识传播者在网络中联系程度的指标等，但这涉及将多维的网络指标进行线性化处理，可能会因过于简化网络化属性和元素间动态网络关系而造成失真。在这类研究中，学习者的社会网络地位、网络属性、社交关系等都是一些常见的网络指标，往往秉持社会认知或建构观，重视交互与公共知识的生成，认为知识是在线学习社区成员共同建构的结果。但是，这类研究还是将交互视为能够促进学习的一种情境，并认为这些交互指标与个体的学习成效（测评）呈正相关。这类研究也被认为是结果导向的，因为它们往往根据理论来发现促进远端学习成效的网络指标。当然，这类研究也可能使用详细而丰富的描述来解释为什么某些网络指标会产生更好的学习结果，并对其进行理论化。

近年来，有一些研究开始关注交互本身，以及交互的演化机制，因为这类研究在本质上认为学习交互本身就代表了近端学习的成效，研究不应该完全依赖学习过程结束后的远端学习成效来评估“互联网+”时代的学习。当然这类研究并不是否定传统的学习评价，因为大多数情况下交互本身与传统学习测评是正相关的。只是这类研究对学习本质的认识与理解发生了变化，将交互作为群体学习的本质，旨在打开群体学习过程中的“黑匣子”，因此，这类研究多采用随机行动者模型去发现交互网络的演化机制。例如吴江等人（吴江 等， 2016; 吴江 等， 2017）分析了混合式协作学习和在线医疗社区里的用户社区交互数据，基于随机行动者模型建模，发现了互惠性和传递三元组作为社会网络中基本的驱动力存在，且性别、年龄、疾病类型相同的用户之间，以及好友多、活跃时间长的用户之间容易形成朋友关系。 张婧婧等人（Zhang et al.， 2016）证实了xMOOC群体中择优连续性、互惠性、传递性以及同质性的存在，并解释了其含义，为信息交互可持续性学习环境设计提出了建议。

网络的动态演化机制将有助于我们更深入地认识在线学习本质 （张婧婧 等， 2019），以深度交互和知识创生为目标的cMOOC更加需要认识交互的演化规律。近年来，一系列有关联通主义学习规律的研究为我们进一步探索交互的动态演化机制奠定了基础。比如徐亚倩和陈丽（2021）发现，具有多元异质化背景的学习者在开放社区中通过各种类型的互动，自组织形成多中心的网络结构，个体学习者和联通主义学习社区之间通过跨层级反馈实现知识创生。再如从动态发展视角看，在联通主义学习中的协作问题解决中，网络结构效应会持续影响协作者之间的吸引力 （Wang & Xiao， 2023）。从这些研究中可以看到，传统的、线性的统计学模型难以探究联通主义学习过程的演化机制。联通主义的学习社区展现出了复杂系统的特征，是存在交互关系的个体之间相互作用所形成的多层次性、非线性、网络化、分布式的动态系统 （徐亚倩 & 陈丽， 2021）。因此，针对具有复杂系统特征的课程形态，亟须凸显其动态演化特征的动力学分析以揭示其深度交互和知识创生的内在机制。

三、概念框架

联通主义学习中，学习者需要与个体的、碎片化的、基于经验的信息建立联系，寻径交互就是建立这种联系，增强其凝聚性的核心 （王志军， 2014）。寻径交互指学习者不断地与系统中的元素（人或者信息等节点）进行交互以发展个人知识网络和社会网络的过程。联通主义学习社区可被视为人机融合的复杂社会系统，学习者之间的寻径交互与意会被认为是促成群智涌现的重要路径。尽管寻径、意会与创生交互在不同的维度上对交互赋予了概念性的意义，达尔文群体选择中的“互惠利他”行为仍然是群体互动的基础 （王红卫 等， 2023）。在此基础上，对联通主义学习交互中的二元关系、三元关系、群体关系和时间关系进行概念化与表征（如表1所示）。

简单联通是联通主义学习中最基础的形式 （王志军 & 陈丽， 2014），学习者与他人主动建立连接和回应连接的互惠行为可以用来表征个体寻径交互中的二元关系。互惠性（Reciprocity）表示的是发生在个体层面寻径过程中的双向性，即A连接B后，B也会连接A。这与连接的数量无关，强调的是寻径过程中互相连接的现象。互惠性交互有利于促进认知社会化 （Resnick et al.， 1991）。作为网络中的一个重要的结构效应，一般采用并向量来表示互惠性。

在联通主义的学习中，学习者不仅仅是表达自身观点，还会通过回复其他人的观点来获得与他人建立连接的机会，并积极建立互惠性的交互关系。具有互惠性的这类连接在联通主义学习中可被视为个体“寻径”的基本交互形式。在交互中形成互惠性是促进持续学习的必要过程，个体间的寻径交互又是驱动意会与知识创生的基本形式之一（Downes， 2007）。 吴江等人（2016）和张婧婧等人（Zhang et al.， 2016）的研究发现了不同类型的在线社区中均存在互惠性效应，因此，本研究提出假设1（H1）：该cMOOC中的关系网络随时间变化互惠程度不断增强（如果A→B，那么B→A）。

社会化联通是指联通主义学习中学习者出于相同的兴趣、利益、背景、需求等连接汇聚的过程 （王志军 & 陈丽， 2014）。在本研究中并不对产生社会化联通的这些因素进行分析，而是聚焦刻画在社会化联通过程中形成网络的二元与三元关系。从这一视角来看，学习者从个体间寻径交互可以增加至三元甚至多元连接，从而发展为更大规模的社会化联通。在网络效应中，传递性是从个人的简单联通走向社区化联通的重要三元结构。相较于互惠性，传递性这一结构效应是指：若A与B建立了连接，B与C建立了连接，则A与C之间更易建立连接。由于联通主义学习中的信息与资源是碎片化的、分布式的，学习者通过与他人联通来进行学习。传递性高的网络结构更容易实现快速联通 （Centola， 2010; Todo et al.， 2014）。具有高传递性的网络能够增加网络的凝聚性（Cohesiveness）。在一个具有凝聚力的团体中，成员之间能够形成足够的信任关系，从而形成同伴互助的学习氛围（Liebeskind et al.， 1996; Booher & Innes， 2002）。各个小团体的联通有助于碎片化与分布式的信息与资源的共享，其目标指向资源共享和网络学习社区建设 （Hartman & Johnson， 1989）。因此，从网络的结构效应来看，传递性越高，网络的凝聚性越强，越有助于社会化联通的实现，从而驱动意会，最终促进在大规模网络结构中产生知识。因此本研究提出假设2（H2）：随时间变化，该cMOOC中的关系网络的凝聚性不断增强（即传递性增加，角色间距离变小，表述为如果A→B，B→C，那么A→C）。

汇聚群体智慧、探究未知问题的复杂联通是最能体现联通主义精神实质的交互网络形态，复杂联通的目的在于通过深层次的寻径互动形成共识，创造新知 （王志军 & 陈丽， 2014）。这种网络结构中的群体关系可以用同质性来表征，属于寻径和社会化联通过程中的集体效应。同质性（Homophily）指人们本性上倾向于跟与自己相似的人建立连接 （Lazarsfeld & Merton， 1954）。同质性是人际网络中关系形成最为明显的趋向性 （McPherson et al.， 2001），对于联通学习过程而言，同质性在社会化联通的过程中扮演着非常重要的角色。个体寻径和社会化联通都更容易在相似的群体之间发生，在相似的角色群体中寻径和社会化联通发生的速度越快，信息共享的速度也就随之越快 （Cross et al.， 2001; Powell， 1990）。近年的联通主义的研究也指出，同伴认可会积极影响知识贡献的质量 （秦婷 & 郑勤华， 2020）。在联通主义的学习中，同质性强调相同身份或角色的成员之间更倾向于建立连接，即持有相似角色与身份影响着寻径、意会和联通过程中的群体网络结构，最终在同质性高的社区产生知识收敛，可视为公共知识的创生过程。因此提出假设3（H3）：随着时间的推移，同质性高的个体之间，寻径交互与社会化联通不断增强。

复杂联通被视为学习者持续地寻径、意会和创生的过程。随着时间的推移，因寻径、意会与创生产生的网络不断进化，最终形成信息的凝聚（王志军 & 陈丽， 2014）。择优连续性则可用于表征复杂联通随时间变化的趋势。巴拉巴西和阿尔伯特（Barabási & Albert， 1999）提出择优连续性（Preferential Attachment），也被称为“富者越富”效应。在联通主义学习中，择优连续性这个结构效应反映出一些学习者甚至“草根贡献者”有机会发展成为核心学习者，真正实现汇聚群体智慧。在联通主义学习中，积极寻径与意会的学习者随时间推移，其将获得更多的连接，进而发展为联通主义网络中的核心成员。可以看到的是，核心学习者在联通主义学习中起着重要的作用，他们的归属感与身份的转变是一个自下而上、通过连接随时间增强的过程。同时，随着寻径交互和社会化联通的增多，联通的知识网络也会越来越复杂，最终涌现出群体智慧（陈丽 等， 2023）。因此，本研究提出假设4（H4）：随着时间的推移，交互网络中偏好选择的倾向明显。

四、研究情境与方法

（一）研究情境

cMOOC“互联网+教育：理论与实践的对话”是由北京师范大学互联网教育智能技术及应用国家工程实验室设计研发，关注使用以互联网为核心的技术来解决教育主要矛盾的创新实践与理论，旨在构建包括研究者、产业从业者、一线实践者、教育管理者等在内的互联网教育领域的实践共同体。2018年10月，第一期课程正式发布，每期课程时长约12周，至今已经运行至第九期。课程以cMOOC平台为主要依托，同时融合微信、博客、Classin直播平台、新维空间站等其他媒体平台开展互动。课程使用自主研发的cMOOC教学平台，平台技术的设计在课程实施过程中持续迭代优化。该平台以联通主义理论为指导，旨在创设促进寻径交互、驱动意会、支持知识汇聚与创生的在线学习空间。

作为国内第一门以联通主义为指导的cMOOC，该课程主要围绕互联网推动教育变革的五大主题展开——“‘互联网+教育’的哲学观”“线上线下学习空间融合”“社会教育资源共建共享”“消费驱动的教育供给侧改革”“精准高效的教育管理模式”。课程主要组织形式如下：每个主题都包含两次直播讨论活动和一次技术体验活动，其余时间均围绕生成性话题在分布式平台上开展讨论交流，撰写博客，分享典型案例和资源；课程只设定了五个学习主题，以保证课程学习效率以及特定时间内生成内容的一致性；每周发布两次周报，汇聚不同平台上的生成内容，实现核心观点的聚合，帮助学习者寻径和驱动意会；学习者可通过关注、点赞、评论、讨论等多种方式进行互动。

本研究选取第二期cMOOC主题一“‘互联网+教育’的哲学观”作为研究案例。前期的课程设计多在联通主义理念下结合真实的学习者数据进行优化迭代。后期一些课程有较多的创新理念的落实试行，导致课程中的模块设计变化较大。相比于第一期和后续几期的数据，第二期的课程可作为较为典型的既秉承经典联通主义理念又符合中国学习者真实学习规律的一个研究案例。在这一期课程中，平台注册者较多，达1，550人，其中正式学习者461人，共发布了23个周报、54个话题、1，042篇文章、5，857篇评论等学习成果。主题一聚焦“互联网+教育”的哲学观，在学习期间（3月20日至4月2日），168名学习者发布了321篇文章，去掉课程促进者发布的11篇文章（包括周报、资源推荐、内容回顾等）及评论、无评论的51篇文章、与学习内容无关的56篇文章及评论，以及学习者自我回复的评论59篇，去重后最终得到140名学习者发布的203篇文章及1，216篇评论。

（二）研究方法

联通主义学习中，学习者具有较大的自主性，不用随时在线，可以根据自己的时间随时加入到讨论中去，通过发文、评论、回复来与其他人建立连接。是否回复或者是否加入相关帖子的讨论是由学习者自己决定的。作为一个多元异质的学习共同体，教师并不是以知识权威的角色来讲授联通主义，而是鼓励学习者践行联通主义的理念，把课程作为一个练习场，在学习中让自己逐渐成长为一个联通主义学习者。对于这样的课程，学习过程中所形成的交互网络在没有外力强干预的情况下，网络结构效应会对交互网络的演化起到重要的作用。因此，可以使用随机行动者模型（Stochastic Actor-Oriented Model，SAOM）来研究联通主义学习中的交互网络。

随机行动者模型是一种构建、分析和测试行动者在环境中相互作用的计算机方法。该模型由斯尼得斯等（Snijders et al.， 2010）提出，主要使用马尔可夫过程来解释网络的变化趋势。在SAOM中，行动者（Actor）是核心，它具有四个重要特征（Wooldridge & Jennings， 1995）：1）独立性，即不被某一个全局因素所控制；2）能够与其他行动者互动；3）能够对环境的刺激作出反应；4）具有主动选择的能力。随机化作为对复杂世界的一种抽象化方法，在SAOM中被用于考虑行动者偏好、行为偏差等偶然随机事件的表征。SAOM认为，网络演化是行动者进行“行为选择”的结果，包括选择建立、维持或终止与其他行动者的关系。SAOM已被用于诸如开源软件项目中的合作网络（Kavaler & Filkov， 2017）、青少年在学校的友谊网络（Leszczensky & Pink， 2015）、科研协作网络（Ferligoj et al.， 2015）、银行间信贷关系（Finger & Lux， 2017）等多种动态网络演化的研究中。

实证网络的模拟分析方法（Simulation Investigation for Empirical Network Analysis，SIENA）是基于SAOM的分析工具。本研究采用R语言中的RSiena作为研究工具，基于角色来建立不同阶段的关系网络，并对纵向网络进行概率统计分析，来模拟网络的演化趋势。SIENA假定所有的网络变化都是由多个小的变化组成的——也就是所谓的“迷你步骤”——每个“迷你步骤”（t到t+1）中要么是新建一个连接，要么是保持一个连接或者是终结一个连接（如图1）。这些连接的建立、保持或删除是随机且连续的。

本研究采用目标函数来计算某角色在“迷你步骤”中不同连接的概率，用来模拟联通主义学习中寻径在高分辨率下的走向。目标函数主要取决于结构效应和协变量效应。结构效应指的是网络的属性。在本研究中基于联通主义理论分别采用互惠性来表征寻径交互中的二元关系，采用连接性表征社会化联通中的三元关系，采用择优连续性表征网络的演化走向是否有益于知识的创生。协变量效应是网络节点的属性，在本研究中主要采用了同质性来表征寻径与社会化联通中的群体关系，简化为学生和教师两大群体。学生角色编码为0，教师角色（包括教师和导学者）编码为1。

本研究采用非加权网络来表征网络的交互关系，最终共有140个节点、1，097条连边，没有缺失值。网络的密度（连接值的总和除以最大可能连接数）为0.056，采用临近稀疏矩阵来存储。本研究选取的主题一共运行2周，发布4次周报，将网络分成了4个不同的阶段，每个阶段信息的总量（原帖、回复帖和评论帖的总和）大致相同，基于此计算了两个相邻阶段的Jaccard系数，分别为0.384、0.681、0.789（均大于0.3），说明在两个连续时期之间网络比较稳定且变化比较平滑，4个时期划分合适，适合用SIENA进行纵向概率分析。

五、研究结果

（一）学习交互的描述性分析

如图2所示，联通主义课程中，发布和评论文章的数量随日期变化而呈现波动趋势。整体来看，文章的数量和学习者的人数随时间变化的高峰和低谷大致保持一致。但是3月30日（当天是星期六，有一次直播）略有不同，尽管这一天参与讨论的学习者人数较少，但是发布与评论的数量却呈现一个小高峰，这说明在联通主义学习中，一些讨论与3月30日直播中的话题有关。

在主题一的两周学习期间，每周三（3月20日和3月27日）发布本周的学习内容预告和任务要求，每周六（3月23日和3月30日）上午开展直播教学活动。本研究根据主题一的学习活动时间节点，将主题一分为4个时间段，分别统计每个阶段的学习交互情况（如表2所示）。对比“创建连接的学习者人数”和“学习者总数”可知，大部分学习者与同伴主动建立了交互关系。

如表3所示，教师共发表文章11篇，评论文章数量为49篇，回复文章下的评论的数量为10篇；学生共发布文章192篇，直接评论文章的数量为676篇，回复文章下面评论的数量为481篇。

（二）学习交互的网络效应检验

如表4所示，模型1验证了关于互惠性和传递性的假设（假设1和假设2）。在不同时期中，互惠性的参数值分别为5.1909、3.8452和3.6321。这说明互惠性这一网络效应是正向的（参数大于0），并且在0.05的水平上具有显著性（参数值/标准误的绝对值大于2）。为进行进一步检测，将互惠性与传递性也加入模型二和模型三进行分析，发现结果不变。可见本研究中的学习交互网络确实存在着互惠程度逐渐增强的趋势，即研究假设H1“该cMOOC中的关系网络随时间变化互惠程度不断增强”成立。也就是说，在联通主义学习中，如果A回复了B，B在很大程度上会回复A，并且随着课程的推进，这种互惠程度在不断增强。

如表4所示，不同时期的传递性的参数值分别为1.0644、0.4713和0.3732。由此可知，传递性的网络效应是正向的（参数值大于0），并且在0.05的水平上具有显著性（参数值/标准误的绝对值大于2）。传递性也同样表现出效果显著和相邻时期间系数为正的现象，证明了研究假设H2“随时间变化，该cMOOC中的关系网络的凝聚性不断增强”成立。也就是说，在联通主义学习中，如果A回复了B，B回复了C，那么A很有可能会回复C，并且随着课程的推进，网络的闭合程度在不断增强。

本研究在模型2中验证了学习者建立连接是否存在群体偏好，即他们是偏向于与同为学生身份的学习者建立连接，还是更喜欢和教师建立连接。将互惠性和传递性作为控制变量，可以发现，不同时期的同质性的参数值分别为-1.2182、-1.6153和-0.2371，同质性的网络效应是负向的（参数值小于0），并且在第一个阶段到第二个阶段、第二个阶段到第三个阶段在0.05的水平上具有显著性（参数值/标准误的绝对值大于2），但是第三个阶段到第四个阶段间未呈现显著性。说明本研究中的交互网络里同质性这一结构效应并不显著，学习者在学习早期倾向于跟教师之间建立连接，即假设H3“随着时间的推移，同质性高的个体之间，寻径交互与社会化联通不断增强”不成立。

在模型3中，本研究验证了学习者在建立连接的过程中是否倾向于与已建立多个连接的学习者建立新的连接。将互惠性和传递性作为控制变量，不同时期择优连续性的参数值分别为0.2729、0.1178和0.0470，择优连续性的网络效应为正向的（参数值大于0），但是较小，在0.05的水平上具有显著性（参数值/标准误的绝对值大于2）。这说明假设H4“随着时间的推移，交互网络中偏好选择的倾向明显”成立。也就是说，联通主义学习中，已建立连接多的学习者随时间推移会不断建立更多的连接。

六、讨论与结论

联通主义强调，“管道”比“管道”中的内容更重要。这并不是字面意义上的互动比知识更重要，而是需要从系统观的视角去理解“管道”。联通主义中的“管道”这一隐喻其实暗指学习过程中形成的交互网络及其连边。从网络动力学的视角来看，网络的结构在很大程度上决定了网络的变化与发展。从这一意义上来说，认识学习交互的动态演化机制其实是采用循证的手段去具象化联通主义的思想与理念。

本研究的结果表明，在个体层面上，联通主义学习过程中形成的管道并不是由单向反馈式的交互组成，而是形成了一个互惠性寻径交互逐渐增强的管道，并通过三元传递闭合的机制逐渐形成具有凝聚性的社会化联通小群体，这符合联通主义学习中学习者自组织形成中心网络结构的特征 （徐亚倩 & 陈丽， 2021）。同时，也由于存在“富者越富”的择优偏好，随着学习时间的推移出现了核心学习者，控制着管道中信息的流动，与王勃然和李月（2022）发现的MOOCs社区中存在交互不平衡的结论一致。此外，在群体层面，学习者和教师群体之间存在角色异质性交互的偏好，这种动力学机制反映出了学习者仍然持有与教师建立连接的学习观，与教师互动的学习习惯和文化仍然十分深刻地影响着他们在cMOOC学习中的寻径与联通。

在二元与三元关系上，cMOOC学习者交互网络演化过程中具有明显的互惠性和传递性，这意味着联通主义学习中学习者呈现出积极地建立连接、回应连接的寻径行为，并逐渐向聚合型社团结构发展，体现了从简单联通到社会化联通的发展过程。不同的小团体成员具有不同的知识、经验、背景等，在具有互惠性与传递性的网络结构中，信息和资源的丰富度会大大增加，可以赋予学习者多种渠道进行联通。类似地，吴江等人（2016）的研究结果也显示传递性是社会网络发展的基本驱动力，能够促进网络的演化与集聚。从交互的网络效应来看，互惠性和传递性对课程设计的启示在于：一方面，可利用互惠性和传递性优化平台功能模块，比如，更改原有的依据时间顺序编排的课程内容列表，突出显示高质量、与学习者相关的内容以引导学习者的注意力分布；另一方面，可考虑利用互惠性和传递性优化平台内容推送机制，比如，推送朋友评论或回复的话题帖，推送回复率高的个体所发布的内容，等等。

在群体层面上，本研究中的交互网络里呈现明显的异质现象，即相对于跟同身份的同伴交流，学习者群体更倾向于回复教师群体发布的内容，这与 张婧婧等人（Zhang et al.， 2016）的研究结论基本一致，即在这门课程的复杂联通形成过程中，尽管联通主义尤为强调生生交互、互为师生的重要性，但传统学习观仍然促使学生群体更多地倾向于与教师和导学者群体建立连接和联通。交互效应中的异质现象意味着教师的权威与思想可驱动学习者群体的意会过程。这可能与中国尊师重教的文化传统以及班级标准化教育养成的“教师更权威”的观念有关，学生更加依赖和信任教师，在遇到问题时自然而然地倾向于接受教师的意见。尽管近几年已在国内课堂开始尝试同伴支持，但观念和习惯的改变仍是个缓慢的过程。因此，对于大多数cMOOC初学者而言，教师仍是网络中的重要他人，经由教师放大、传播的信息更有价值和影响力。但对联通主义课程而言，生生交互更能够带来更广泛的讨论参与，更有利于接触多元的视角，更有可能聚焦开放复杂的问题并形成认知冲突，进而通过碰撞和观点修正生成对某一话题的新认识，促进网络的持续更新和知识的持续生长 （徐亚倩 & 陈丽， 2021）。如何引导和促进学习者更多样、更开放地寻径与联通，仍然是有待思考和进一步解决的问题。比如，可以考虑设计促进同伴相互支持的激励机制，邀请往期优秀学习者加入促进者团队并主动为初学者提供支持，放大和推送学习者发布的优质内容以吸引更多关注，综合考虑内容、行为倾向、基本信息等以为学习者推送志同道合的学习伙伴。

在时间维度上，偏好选择也成为联通主义学习中学习者交互演化的重要网络效应。在交互过程中连接度较高的学生会形成更多的连接，最终成为网络的核心学习者，控制着交互的演化方向。若从在线学习复杂系统演化角度来讲，一方面，偏好选择是导致网络非线性发展的动力学因素，反映了复杂在线学习系统的初始条件的敏感性——初期的交互水平和交互质量通过反馈机制被放大，产生混沌效应。这与传统的MOOCs学习过程一致，随着交互过程的进行，初期的交互将会不断地积累、放大 （郑勤华 等， 2016）。草根学习者有机会在这个过程中成为核心学习者，这就有可能促进信息的凝聚和群体智慧的涌现。另一方面，偏好选择也是网络稳定性分析的重要指标。网络中连接较多的学习者随着时间的推移会拥有更多连接，这虽然会对联通起到促进作用，但一旦这几位学习者退出课程，原本联通的交互网络可能瞬间“崩溃”，寻径也有可能会因此而中断。同时，那些连接不多的学生，也会因为提出的问题无人回应而产生失落感，放大在线学习过程中的孤独感。因此，未来cMOOC教学设计应重点关注如何从更大范围、在更高程度上满足学习者的多样需求，使其在课程中尽快寻找到自己的交互圈，从网络的边缘走向核心。同时，也要关注如何促进和维护多中心的、稳定可持续发展的交互网络。例如考虑优质内容推荐机制、基于学习内容的学习伙伴推荐机制以及边缘学习者预警等措施。

对联通主义学习交互的动态演化机制的研究并不会止步于探讨微观层面交互的教学策略与实施干预，而是进一步将cMOOC作为典型的在线社区型学习模式之一，从建设更加开放、更加创新的教育生态系统的视角去审视我们发现的交互动态演化机制。仅仅关注这一学习形态某一阶段的交互状态，并不能对在线学习中的教学新形态做出公正评价。改变学习者的并不是某一时刻自己或同伴交互的数量与质量，而是在学习交互网络中从简单联通到社会化联通再到复杂联通发展的网络结构与演化机制。对某一阶段或某一时刻交互状态的研究对于优化学习者的学习体验或为教师实时提供学习反馈无疑是有益的，但是对于以cMOOC为代表的创新型学习形式的壮大与发展的作用微乎其微。微观层面的教学交互不足以掀起教育的变革。真正重要的是，以微观层面的学习数据作为关键的循证证据，在学习交互网络的系统层面去发现交互的网络效应及其动力学演化机制，才能真正帮助我们去理解某一教育创新是否能在较长的时间内潜移默化地塑造着每一位学习者。

教育并不需要“立竿见影”的特效药，而是需要建立一个同伴互助的自组织学习社区，来培养真正具有独立思考能力、能够与同伴互动、汇聚集体智慧的创新型人才。交互网络的静态结构特征固然重要，但是每个阶段的学习互动与成效并不是教育培养创新人才的指标，而发现学习交互网络演化的趋势及其机制才能真正回答“百年树人”的教育在学习交互的演化中是否真正承担了“百年树人”的作用。当然，教育的改革从来都不是一门课程可以解决的，但是如果不从一门课程设计开始，那么星星之火也不能燎原。对cMOOC动态交互机制的研究启示我们关注“互联网+”时代的新型的在线社区型学习形式，启迪我们利用宏观层面上学习交互网络的演化机制去评价任何一项教育创新的“树人”作用，打造更加开放、创新的教育生态系统。

参考文献

陈丽，郭玉娟，& 张文梅. （2023）. “互联网+教育”的世界观：复杂系统观. 中国远程教育（8），7-12，24.

陈丽，逯行，& 郑勤华. （2019）. “互联网+教育”的知识观：知识回归与知识进化. 中国远程教育（7），10-18，92.

秦婷，& 郑勤华. （2020）. 联通主义学习社区个体知识贡献影响因素研究. 现代远距离教育（5），52-61.

王勃然，& 李月. （2022）. 基于社会网络分析的大学英语MOOC讨论区交互行为研究. 外语研究，39（4），59-64.

王红卫，李珏，刘建国，樊瑛，马靓，霍红，刘作仪，& 丁烈云. （2023）. 人机融合复杂社会系统研究. 中国管理科学，31（7），1-21.

王慧敏，& 陈丽. （2019）. cMOOC微信群社会网络特征及其对学习者认知发展的影响. 中国远程教育（11），15-23，92.

王志军. （2014）. 联通主义学习情境中的教学交互特征与规律研究. 北京师范大学.

王志军，& 陈丽. （2014）. 联通主义学习理论及其最新进展. 开放教育研究，20（5），11-28.

王志军，& 虞天芸. （2023）. 国际联通主义学习实践的图谱、特征与展望. 现代远程教育研究，35（2），73-84.

吴江，陈君，& 金妙. （2016）. 混合式协作学习情境下的交互模式演化探究. 远程教育杂志，34（1），61-68.

吴江，李姗姗，周露莎，施立，& 陈君. （2017）. 基于随机行动者模型的在线医疗社区用户关系网络动态演化研究. 情报学报，36（2），213-220.

徐亚倩，& 陈丽. （2021）. 生生交互为主的在线学习复杂性规律探究. 中国远程教育（10），12-18，38.

张婧婧，杨业宏，王烨宇，& 陈丽. （2019）. 国际视野中的在线交互与网络分析：回顾与展望. 电化教育研究，40（10），26-34.

郑勤华，于畅，& 陈丽. （2016）. 基于学习者视角的MOOCs教学交互状况调查研究. 中国电化教育（6），77-85.

Barabási， A.-L.， & Albert， R. （1999）. Emergence of scaling in random networks. Science， 286（5439）， 509-512.

Booher， D. E.， & Innes， J. E. （2002）. Network power in collaborative planning. Journal of Planning Education and Research， 21（3）， 221-236.

Centola， D. （2010）. The spread of behavior in an online social network experiment. Science， 329（5996）， 1194-1197.

Cross， R.， Borgatti， S. P.， & Parker， A. （2001）. Beyond answers： Dimensions of the advice network. Social Networks， 23（3）， 215-235.

Doleck， T.， Lemay， D. J.， & Brinton， C. G. （2021）. Evaluating the efficiency of social learning networks： Perspectives for harnessing learning analytics to improve discussions. Computers & Education， 164， 104124.

Downes， S. （2007）. Learning networks in practice. Emerging Techno-

logies for Learning， 2（4）， 20.

Ferguson， R.， & Buckingham Shum， S. （2012）. Social learning analy-

tics： five approaches. In Paper presented at the Proceedings of the 2nd international conference on learning analytics and knowledge （pp. 23-33）.

Ferligoj， A.， Kronegger， L.， Mali， F.， Snijders， T. A.， & Doreian， P. （2015）. Scientific collaboration dynamics in a national scientific system. Scientometrics， 104， 985-1012.

Finger， K.， & Lux， T. （2017）. Network formation in the interbank money market： An application of the actor-oriented model. Social Networks， 48， 237-249.

George， S. （2005）. Connectivism： A learning theory for the digital age. International Journal of Instructional Technology and Distance Learning， 2（1）， 3-10.

Hartman， R. L.， & Johnson， J. D. （1989）. Social contagion and multiplexity communication networks as predictors of commitment and role ambiguity. Human Communication Research， 15（4）， 523-548.

Hosen， M.， Ogbeibu， S.， Giridharan， B.， Cham， T.-H.， Lim， W. M.， & Paul， J. （2021）. Individual motivation and social media influence on student knowledge sharing and learning performance： Evidence from an emerging economy. Computers & Education， 172， 104262.

Kavaler， D.， & Filkov， V. （2017）. Stochastic actor-oriented modeling for studying homophily and social influence in OSS projects. Empirical Software Engineering， 22， 407-435.

1LDHjwJf237mVQcWZHmLIEdSfHNuxZKauvx4XDGVngs=

Lave， J.， & Wenger， E. （1991）. Situated learning： Legitimate periphe-

ral participation. Cambridge university press.

Lazarsfeld， P. F.， & Merton， R. K. （1954）. Friendship as a social process： A substantive and methodological analysis. Freedom and control in modern society， 18（1）， 18-66.

Leszczensky， L.， & Pink， S. （2015）. Ethnic segregation of friendship networks in school： Testing a rational-choice argument of diffe-

rences in ethnic homophily between classroom-and grade-level networks. Social Networks， 42， 18-26.

Li， S.， He， X.， & Chen， J. （2022）. Exploring the relationship between interaction patterns and social capital accumulation in connectivist learning. Interactive Learning Environments， 1-22.

Liebeskind， J. P.， Oliver， A. L.， Zucker， L.， & Brewer， M. （1996）. Social networks， learning， and flexibility： Sourcing scientific know-

ledge in new biotechnology firms. Organization science， 7（4）， 428-443.

Lim， J. （2023）. Exploring the relationships between interaction measures and learning outcomes through social network analysis： the mediating role of social presence. International Journal of Educational Technology in Higher Education， 20（1）， 1-17.

McPherson， M.， Smith-Lovin， L.， & Cook， J. M. （2001）. Birds of a feather： Homophily in social networks. Annual review of sociology， 27（1）， 415-444.

Powell， W. （1990）. Neither Market nor Hierarchy： Network Forms of Organization. Research in Organizational Behaviour， 12， 295-336.

Resnick， L. B.， Levine， J. M.， & Teasley， S. D. （1991）. Perspectives on socially shared cognition. American Psychological Association.

Sie， R. L.， Ullmann， T. D.， Rajagopal， K.， Cela， K.， Bitter-Rijpkema， M.， & Sloep， P. B. （2012）. Social network analysis for technology-enhanced learning： review and future directions. International Journal of Technology Enhanced Learning， 4（3-4）， 172-190.

Sjølie， E.， Espenes， T. C.， & Buø， R. （2022）. Social interaction and agency in self-organizing student teams during their transition from face-to-face to online learning. Computers & Education， 189， 104580.

Snijders， T. A.， Van de Bunt， G. G.， & Steglich， C. E. （2010）. Introduction to stochastic actor-based models for network dynamics. Social Networks， 32（1）， 44-60.

Todo， Y.， Matous， P.， & Mojo， D. （2014）. Effects of social network structure on the diffusion and adoption of agricultural technology： Evidence from rural Ethiopia. In Waseda University， Faculty of Political Science and Economics Working Papers （pp.1505）. Waseda University.

Wang， C.， & Xiao， J. （2023）. Who will participate in online collaborative problem solving？ A longitudinal network analysis. Interactive Learning Environments， 1-18.

Wang， Z.， Anderson， T.， Chen， L.， & Barbera， E. （2017）. Interaction pattern analysis in cMOOCs based on the connectivist interaction and engagement framework. British Journal of Educational Technology， 48（2）， 683-699.

Wooldridge， M.， & Jennings， N. R. （1995）. Intelligent agents： Theory and practice. The Knowledge Engineering Review， 10（2）， 115-152.

Yang， D.， Sinha， T.， Adamson， D.， & Rosé， C. P. （2013）. Turn on， tune in， drop out： Anticipating student dropouts in massive open online courses. In Paper presented at the Proceedings of the 2013 NIPS Data-driven education workshop 14 （pp.1-8）. Lake Tahoe.

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（3）， 270-286.

Zou， W.， Hu， X.， Pan， Z.， Li， C.， Cai， Y.， & Liu， M. （2021）. Exploring the relationship between social presence and learners’ prestige in MOOC discussion forums using automated content analysis and social network analysis. Computers in Human Behavior， 115， 106582.

Research on the Dynamic Evolution Mechanism of Connectivism

Learning Interaction

Abstract： Connectivism learning is the process of continuously establishing connections and developing networks through interaction， and networks hold a fundamental and critical position in connectivism learning. The current application of social network analysis methods has been slightly successful in revealing the patterns of static characteristics of social networks in connectivism learning， but few studies have explored the characteristics and mechanisms of network change from a dynamic， time-lapse perspective， while dynamic growth and evolution is one of the typical features of connectivism learning. Therefore， this study attempts to explore the dynamic evolutionary characteristics of social networks in connectionism learning based on the interaction data of the first cMOOC in China， using the longitudinal probabilistic social network analysis method， to explore the dynamic evolutionary characteristics of social networks in connectionism learning in four aspects： homophily， re-ciprocity， transitivity， and preferential attachment， and to explain the dynamic mechanism of interaction in cMOOC. This study analyzes the generation and evolution process of connectivism social network from the innovative perspective of dynamism， which will provide principled support for understanding the interaction tendencies and characteristics of connectivism learners， enhancing the online learning experience in cMOOCs.

Keywords： cMOOC; social network; SIENA; dynamic evolution; interaction features